-
公开(公告)号：CN119867752A
公开(公告)日：2025-04-25
申请号：CN202411783505.X
申请日：2024-12-06
Applicant: 杭州电子科技大学
IPC: A61B5/16 , A61B5/055 , A61B5/00 , G16H50/20 , G06F18/25 , G06F18/24 , G06F18/15 , G06N3/045 , G06N3/0475 , G06N3/09 , G06N3/094
Abstract: 本发明涉及一种基于多模态注意力融合网络的ADHD分类诊断方法，包括数据预处理、特征提取、跨模态注意力融合、Mamba模块应用、特征融合与分类和损失函数与模型优化。本发明通过整合功能性磁共振成像(fMRI)、结构性磁共振成像(sMRI)以及表型数据(包括年龄、性别、平均智商等)来提高ADHD的诊断准确性。
-
公开(公告)号：CN114757235B
公开(公告)日：2025-04-15
申请号：CN202210512240.4
申请日：2022-05-11
Applicant: 杭州电子科技大学
IPC: G06F18/10 , G06F18/24 , G06F18/214 , G06F17/16 , G06F18/27
Abstract: 本发明公开了一种基于共有与特有脑电特征挖掘的情感识别方法，包括如下步骤：步骤1：脑电情感数据的采集,步骤2：对脑电情感数据进行预处理,步骤3：建立基于共有与特有脑电特征情感识别模型的目标函数,步骤4：根据目标函数得出需要迭代优化的表达式；步骤5：将步骤2中预处理好的脑电数据输入目标函数中，根据步骤4得出的更新表达式，不断迭代优化，得到被试者的情感状态标签。另外，本发明能针对性地利用某一类情感状态对应的特有特征以及所有情感状态的共有特征，让模型除了有更好地识别情感状态的性能之外，还可以发现情感状态和特定特征之间的联系，从而能更有效率地捕捉到情感状态。
-
公开(公告)号：CN118038277B
公开(公告)日：2025-03-18
申请号：CN202410359890.9
申请日：2024-03-27
Applicant: 杭州电子科技大学
IPC: G06V20/10 , G06V10/20 , G06V10/74 , G06V10/762 , G06V10/80 , G06N3/092 , G06N3/0442
Abstract: 本发明公开一种基于终身学习的机器人场景识别方法，通过集成先进的特征提取技术和聚合技术，结合了长期和短期记忆机制，以及智能的知识蒸馏和记忆感知突触策略，提高了机器人对场景的识别准确性和终身学习能力。本发明的终身学习机器人场景识别方法在性能上有显著提升，尤其是在复杂多变的环境中，相比现有技术，本方法能够提供更高的识别准确率和更好的长期学习能力。通过在多季节的Nordland和多光照条件的Oxford数据集上的应用和测试，本发明展现了其对不同场景的强大识别能力，以及在终身学习场景中对旧知识保持和新知识学习之间平衡的能力。
-
公开(公告)号：CN118229572A
公开(公告)日：2024-06-21
申请号：CN202410416198.5
申请日：2024-04-08
Applicant: 杭州电子科技大学
IPC: G06T5/70 , G06N3/0464 , G06N3/0442 , G06N3/045 , G06N3/0455 , G06V10/80 , G06V10/10 , G06V10/77
Abstract: 本发明公开了一种基于卷积转置自注意力的红外图像去噪方法。首先通过成对的干净图像和带噪图像构建数据集；构建基于卷积转置自注意力的网络模型，网络模型采用对称的编码器‑解码器结构；基于构建好的红外图像训练数据集，对基于卷积转置自注意力的网络模型进行训练；最后采用测试数据集数据对训练好的网络模型进行测试。本发明引入了在红外图像去噪领域中尚未深入研究的自注意力机制对红外图像全局依赖关系进行建模，并在其基础上进行改进设计了卷积转置自注意力，在减少计算量的同时依然可以充分提取红外图像的空间特征信息，有效提高红外图像的去噪质量，填补了红外图像去噪的研究空缺。
-
公开(公告)号：CN118038277A
公开(公告)日：2024-05-14
申请号：CN202410359890.9
申请日：2024-03-27
Applicant: 杭州电子科技大学
IPC: G06V20/10 , G06V10/20 , G06V10/74 , G06V10/762 , G06V10/80 , G06N3/092 , G06N3/0442
Abstract: 本发明公开一种基于终身学习的机器人场景识别方法，通过集成先进的特征提取技术和聚合技术，结合了长期和短期记忆机制，以及智能的知识蒸馏和记忆感知突触策略，提高了机器人对场景的识别准确性和终身学习能力。本发明的终身学习机器人场景识别方法在性能上有显著提升，尤其是在复杂多变的环境中，相比现有技术，本方法能够提供更高的识别准确率和更好的长期学习能力。通过在多季节的Nordland和多光照条件的Oxford数据集上的应用和测试，本发明展现了其对不同场景的强大识别能力，以及在终身学习场景中对旧知识保持和新知识学习之间平衡的能力。
-
Patent Agency Ranking
公开(公告)号：CN118034493A
公开(公告)日：2024-05-14
申请号：CN202410112859.5
申请日：2024-01-26
Applicant: 杭州电子科技大学
IPC: G06F3/01 , G06F18/10 , G06F18/213 , G06F18/2411 , G06F18/23213
Abstract: 本发明提供一种稳定性特征发掘的迁移学习肌电手势识别方法；其过程如下.1.表面肌电信号的采集；2.对肌电信号数据进行预处理和特征提取；3.训练集、无标记样本、有标记样本划分，并使用训练集训练分类器；4.建立稳定性特征发掘的迁移学习肌电手势识别的目标函数；5.不断迭代优化目标函数；6.使用映射参数重新映射无标记样本；7.使用分类器对无标记样本分类，得到手势标签。本发明能够将偏移后的样本通过简单的矫正过程，映射到与训练样本相似的分布中，使模型的识别准确率保持在一个可靠的范围内。此外，本发明通过迭代更新的方法能够得到的稳定性特征发掘因子，通过稳定性特征发掘因子能够获得映射前后样本特征的变化程度。
-
公开(公告)号：CN114330422B
公开(公告)日：2024-04-12
申请号：CN202111491551.9
申请日：2021-12-08
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种实时估计脑电情感特征的跨被试迁移学习方法，包括如下步骤：步骤1脑电数据采集，步骤2脑电数据进行预处理，步骤3建立目标函数，步骤4迭代优化目标函数，步骤5将步骤2中完成预处理的脑电数据输入至迭代优化后的目标函数中，通过数学模型不断迭代优化目标标签，能够根据脑电数据准确地识别被试者的情感状态，另外，针对的是脑电研究领域较难的跨被试情景，通过半监督标签传播以及域适应联合迭代优化，半监督标签传播优化得到更好的目标标签，以得到更加优秀的映射矩阵提高迁移效果，使得源域数据和目标域数据更加接近，不断迭代、优化，从而得到更加优秀的情感状态识别结果，提高跨被试迁移进行情感识别的准确性。
-
公开(公告)号：CN115905837B
公开(公告)日：2023-06-30
申请号：CN202211440751.6
申请日：2022-11-17
Applicant: 杭州电子科技大学
IPC: G06F18/213 , G06F18/24 , G06F18/2433 , G06F18/27 , A61B5/16 , A61B5/372
Abstract: 本发明公开了异常自动检测的半监督自适应标记回归脑电情感识别方法。该方法的具体步骤包括：脑电数据采集，数据与处理与特征提取，建立异常自动检测的半监督自适应标记回归脑电情感识别模型，对模型进行迭代优化，获取预测标签，分析模型参数。相比于传统最小二乘方法，本发明具有以下技术效果：1)本发明提出了异常判定因子的概念，能够在模型优化过程中动态发现并删除异常样本点。2)本发明提出了半监督标签重标定回归方法，增大了不同类别间样本的距离，显著提高了分类准确率。3)利用特征权重因子，本发明可以观测在目标任务下的脑电的关键频段与关键导联。
-
公开(公告)号：CN116166987A
公开(公告)日：2023-05-26
申请号：CN202310137551.1
申请日：2023-02-20
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于结构化二部图实现量化迁移的脑电情感识别方法。该方法的具体步骤包括：首先采集多名被试者在不同情感状态下的脑电数据，其次对数据进行预处理得到样本矩阵，然后联合结构化二部图构造模型与基于图的半监督标签传播模型迭代得到最优二部图与标签矩阵，最终完成情感脑电识别。本方法通过构造源域样本‑目标域样本结构化二部图来表征样本间的关联程度，该二部图在迭代过程中会主动依据模型中的约束项不断优化自身的结构并在图中融入标签信息；同时本方法量化了源域样本的可迁移性，促使源域高可迁移性样本在标签传播过程中发挥更大的作用，解决了跨被试情感识别领域中因个体差异性造成的情感识别不准确的问题。
-
公开(公告)号：CN113143275B
公开(公告)日：2022-04-26
申请号：CN202110317792.5
申请日：2021-03-24
Applicant: 杭州电子科技大学
Abstract: 本发明提供一种样本与特征质量联合量化评估的脑电疲劳检测方法。本发明步骤如下：1、多个被试者分别在模拟驾驶系统下进行脑电数据采集。2、对步骤1所得的所有脑电数据进行预处理和特征提取。3、建立机器学习模型以实现样本与特征质量联合量化评估的脑电疲劳检测。4、求得衡量样本质量的描述因子v、特征的描述因子θ。5、对新的被试者脑电的数据进行疲劳回归预测。本发明将v和θ嵌入最小二乘模型后，获得的衡量样本质量与特征的权重描述因子提供了执行脑电数据样本选择和特征选择的有效工具，对质量较好的样本和特征赋予更高的权重，能够根据脑电数据准确地获取被测者的疲劳情况。
-
-
-
-
-
-
-
-
-
Search Results
64
records
(took 0.033 seconds)
