-
公开(公告)号：CN117992729A
公开(公告)日：2024-05-07
申请号：CN202410087933.2
申请日：2024-01-22
Applicant: 杭州电子科技大学
IPC: G06F18/10 , A61B5/372 , A61B5/00 , G06F18/213 , G06F18/214 , G06F18/22 , G06F18/24 , G06F18/25 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开一种范式自适应解耦的跨时段脑纹识别方法及其系统。本发明通过特征提取器从原始脑电数据中提取特征表示，从高度耦合的脑电信息中有效地分离出身份相关特征和范式任务相关特征，通过域对抗训练，进一步学习具有身份识别能力的域不变特征。本发明引入三种解耦器对特征提取模块提取的特征进行特征解耦；同时引入三种分类器通过域标签，身份标签，范式任务标签，通过对抗训练的方式，引导解耦器有效地解耦出范式任务特征、身份特征。因此，本发明能在跨时段的条件下自适应各种范式采集而来的脑电信号，在实际应用场景中具有较高的实用价值，为生物特征识别、身份验证等领域提供了创新性的解决方案。
-
公开(公告)号：CN114145754B
公开(公告)日：2024-04-02
申请号：CN202111522093.0
申请日：2021-12-13
Applicant: 杭州电子科技大学
Abstract: 本发明公开了基于EEG交叉频率耦合的卒中脑功能评估装置。对卒中状态或健康状态被试在运动想象任务下的多通道脑电数据进行采集和预处理，提取刺激后的有效数据段；计算每个数据段的频段内以及频段间相相耦合关系；提取多尺度脑网络指标，包括全脑平均功能连接值、半球尺度上的平均功能连接值、特征路径长度、以及聚类系数指标，依据欧几里德距离评估脑功能状态。本发明突破了单频段脑网络分析的局限性，通过交叉频率脑网络进行有效的卒中脑功能评估。
-
公开(公告)号：CN116823662A
公开(公告)日：2023-09-29
申请号：CN202310793102.2
申请日：2023-06-30
Applicant: 杭州电子科技大学
IPC: G06T5/00 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06V10/80
Abstract: 本发明公开了一种融合原生特征的图像去噪去模糊方法，属于计算机视觉领域，该方法首先通过摄像机拍摄获取数据集中的原始数据，并进行数据集合成，得到合成后的模糊清晰图像对。其次构建原生图像估计网络，得到估计的原生图像。最后构建融合原生特征的图像去噪去模糊网络，实现去噪和去模糊，输出不同尺度的去噪去模糊后的清晰图像。本发明在联合去噪去模糊方面优于以往的方法，有助于提高图像质量，降低相机成本，减少资源浪费，对智慧交通、人脸识别等领域具有非常重要的意义。
-
公开(公告)号：CN115778372A
公开(公告)日：2023-03-14
申请号：CN202211603497.7
申请日：2022-12-13
Applicant: 杭州电子科技大学
IPC: A61B5/107 , A61B5/389 , A61B5/00 , G06F18/213 , G06F18/214 , G06F18/2411
Abstract: 本发明公开一种基于表面肌电信号的膝关节角度估计方法。本发明连接表面肌电信号采集设备到用户下肢的肌肉群，同时在膝关节处绑定角度传感器；表面肌电信号采集设备和角度传感器分别采集表面肌电信号和关节角度数据，然后对表面肌电信号和膝角度数据进行预处理；获取各表面肌电信号片段的特征值，输入至ICOOT‑MS‑LSSVM模型，获取膝关节角度估计值。本发明利用表面肌电信号，使用基于ICOOT算法优化的MK‑LSSVM模型，解决了LSSVM算法无法跳出局部最优的问题，通过多尺度核函数可以更优的拟合表面肌电信号。
-
公开(公告)号：CN112698720A
公开(公告)日：2021-04-23
申请号：CN202011541158.1
申请日：2020-12-23
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于互信息特征提取及多人融合的运动想象识别方法。本发明如下：1.通过多通道脑电采集设备同时采集P个用户进行运动想象的脑电信号。2.对采集到的P个用户的脑电数据分别进行预处理。3.对每次采集的脑电数据分别提取一个或多个互信息向量。4.多人运动想象识别。本发明利用提取多人脑电互信息，并通过三种不同层次的融合策略，最终由K近邻算法进行分类，能够快速、准确地实现基于多人脑电数据的人脑运动想象识别。
-
Patent Agency Ranking
公开(公告)号：CN118260672A
公开(公告)日：2024-06-28
申请号：CN202410462478.X
申请日：2024-04-17
Applicant: 杭州电子科技大学
IPC: G06F18/2415 , G06F18/213 , G06F3/01 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/094 , A61B5/369 , A61B5/00 , A61M21/00
Abstract: 本发明公开了一种基于多被试数据合并对抗训练的运动想象解码方法，该解码方法采用多被试数据合并对抗训练运动想象分类模型，交替使用正向训练与逆向训练来训练运动想象分类模型，使模型专注于运动想象任务的特征提取，在跨时段和跨被试方面具有更好的鲁棒性，解决了多被试合并训练运动想象分类模型时准确率较低的问题，有效地提高多被试数据合并时的训练效果，在现实应用如卒中康复当中更具实用性；同时，本发明拓宽了模型训练数据的获取来源，减少了单个被试需要采集的数据量，能够缓解脑电数据采集困难，训练样本匮乏的问题；同时，与传统一对一的模型训练方式相比，本发明的分类准确率较高。
-
公开(公告)号：CN117992728A
公开(公告)日：2024-05-07
申请号：CN202410087929.6
申请日：2024-01-22
Applicant: 杭州电子科技大学
IPC: G06F18/10 , A61B5/369 , A61B5/372 , A61B5/00 , G06F18/213 , G06F18/214 , G06F18/2415 , G06F18/25 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开一种基于多尺度卷积与图池化网络的跨时段脑纹识别方法，采用多尺度卷积网络动态地提取脑电信号的时域表示，同时利用图池化网络以数据驱动的方式揭示通道间的内在关系，并通过有效融合从时域和空域中挖掘出的身份特征，实现对跨时段脑电信号的准确分类。本发明在模型训练过程中不需要提前获取待识别脑电数据，在实际应用场景中具有较高的实用价值，为生物特征识别、身份验证等领域提供了创新性的解决方案。
-
公开(公告)号：CN113627391B
公开(公告)日：2024-03-12
申请号：CN202111012095.5
申请日：2021-08-31
Applicant: 杭州电子科技大学
IPC: G06F18/213 , G06F18/24 , G06F18/214 , G06F18/22 , G06N3/0464 , G06N3/045 , G06N3/082 , G06N3/09 , A61B5/369 , A61B5/372
Abstract: 本发明公开一种考虑个体差异的跨模式脑电信号识别方法。将脑电信号数据格式统一为3D张量结构，然后将其划分为数据集输入到由分支网络构成的分类器中进行训练以分别提取背景特征和任务特征；利用上述提取到的背景特征计算不同被试之间的相似度，并对数据集中的数据进行筛选以避免差异程度大于阈值的脑电信号数据在训练过程中带来的模型负提升；最终将筛选后的数据集输入到多分支网络模型中进行训练。本发明在尽可能采集少量新被试数据的同时，能更好地提取不同被试上的特征以提升模型在跨被试任务中的性能。
-
公开(公告)号：CN117668512A
公开(公告)日：2024-03-08
申请号：CN202311759440.0
申请日：2023-12-20
Applicant: 杭州电子科技大学
IPC: G06F18/2113 , A61B5/369 , A61B5/372 , A61B5/00 , G06F18/24 , G06N20/00 , G06F123/02
Abstract: 本发明公开一种基于强化学习的睡眠分期方法及系统，包括如下步骤：脑电采集；脑电信号预处理；构建动作策略网络进行特征提取；设置奖励函数；动作策略网络更新；输出分类结果。本发明提出在睡眠分期领域中基于过滤式的特征提取方法上，更好的进行睡眠脑电信号特征优选，剔除冗余特征的同时保持准确率。本发明注重睡眠脑电信号原始数据提供的有效信息以及特征之间的关联信息，通过不断学习来得到一个最优特征子集，不仅考虑了各个睡眠脑电信号特征之间的相互作用，还可以动态地调整特征组合以适应不同的数据集和任务要求，从而去除睡眠分期识别模型中的冗余特征，通过该睡眠分期识别模型获得分期结果。
-
公开(公告)号：CN117556307A
公开(公告)日：2024-02-13
申请号：CN202311654977.0
申请日：2023-12-05
Applicant: 杭州电子科技大学
IPC: G06F18/24 , G06F18/213 , G06F18/10
Abstract: 本发明公开了一种基于脑电肌电多模态融合的运动想象手势识别方法；其使用FBCSP对脑电提取特征，首先使用滤波器组对滤波后的脑电信号进行分解，提取出不同频带上的信号特征，对于每个频带，采用共空间模式分析方法，通过寻找一对投影矩阵将信号从原始空间投影到一个新的空间，使得在新空间中不同类别的脑电信号方差最大化或最小化。提取前臂肌的前群和后群两个通道的肌电信号，对信号预处理之后分别提取两个通道的均值，极差以及两个通道的均值比，最后将脑电特征和肌电特征拼接融合使用SVR算法训练出模型部署在服务器上。本发明充分利用多生物电信号肌电和脑电的之间信息的互补，显著提高了运动想象识别的分类效果。
-
-
-
-
-
-
-
-
-
Search Results
45
records
(took 0.028 seconds)
