-
公开(公告)号：CN113673347A
公开(公告)日：2021-11-19
申请号：CN202110818889.4
申请日：2021-07-20
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于Wasserstein距离的表征相似对抗网络模型，先通过减小Wasserstein距离的方法最大程度的减小源域受试者和目的域受试者的边缘概率分布，再通过关联强化的方法减小条件概率分布，即加强类别的内在联系，包括步骤：采样、过滤噪音、映射、设置域混淆器的Wasserstein距离、设置域混淆器的梯度惩罚、采用关联强化的分类器、求源域到目的域特征表征的相似度、求目的域到源域特征表征的相似度、得到特征在源域目的域的往返概率、计算源域标签概率、采用交叉熵损失计算Lzw和Psts的损失、设定访问概率、设置目的域标签概率、采用交叉熵损失计算Lop和Pv的损失、设置分类器损失、设置源域预测分类损失、设置迭代次数N,当训练次数达到设定的迭代次数后停止。
-
公开(公告)号：CN111368884B
公开(公告)日：2023-04-07
申请号：CN202010109597.9
申请日：2020-02-22
Applicant: 杭州电子科技大学
IPC: G06F18/2411 , A61B5/372 , A61B5/369 , G06F18/214 , G06F3/01 , G06F18/2132
Abstract: 本发明公开了一种基于矩阵变量高斯模型的运动想象脑电特征提取方法。现有技术中运动想象脑电特征提取方法精度不足。本发明如下：一、进行脑电测试建立样本集。二、将训练样本集x进行滤波器组共空间模态运算；三、构建类间权重矩阵和类内权重矩阵；四、计算类内空间协方差矩阵和类内频率协方差矩阵；五、拆分类间散布矩阵。六、建立投影矩阵。七、计算特征数对；八、获取用于训练的d维特征。九、训练SVM模型。十、对被测人员的运动想象进行检测和识别。常规处理方法忽略了脑电信号中的空间信息。本发明使用矩阵化降维处理，并引入了矩阵变量高斯模型的思想，进一步提高了空间信息的利用率。
-
Patent Agency Ranking
公开(公告)号：CN111368884A
公开(公告)日：2020-07-03
申请号：CN202010109597.9
申请日：2020-02-22
Applicant: 杭州电子科技大学
IPC: G06K9/62 , A61B5/0476 , A61B5/00 , G06F3/01
Abstract: 本发明公开了一种基于矩阵变量高斯模型的运动想象脑电特征提取方法。现有技术中运动想象脑电特征提取方法精度不足。本发明如下：一、进行脑电测试建立样本集。二、将训练样本集x进行滤波器组共空间模态运算；三、构建类间权重矩阵和类内权重矩阵；四、计算类内空间协方差矩阵和类内频率协方差矩阵；五、拆分类间散布矩阵。六、建立投影矩阵。七、计算特征数对；八、获取用于训练的d维特征。九、训练SVM模型。十、对被测人员的运动想象进行检测和识别。常规处理方法忽略了脑电信号中的空间信息。本发明使用矩阵化降维处理，并引入了矩阵变量高斯模型的思想，进一步提高了空间信息的利用率。
-
公开(公告)号：CN113673347B
公开(公告)日：2025-01-17
申请号：CN202110818889.4
申请日：2021-07-20
Applicant: 杭州电子科技大学
IPC: G06F18/24 , G06F18/213 , G06F18/2415
Abstract: 本发明公开了一种基于Wasserstein距离的表征相似对抗网络生成方法，先通过减小Wasserstein距离的方法最大程度的减小源域受试者和目的域受试者的边缘概率分布，再通过关联强化的方法减小条件概率分布，即加强类别的内在联系，包括步骤：采样、过滤噪音、映射、设置域混淆器的Wasserstein距离、设置域混淆器的梯度惩罚、采用关联强化的分类器、求源域到目的域特征表征的相似度、求目的域到源域特征表征的相似度、得到特征在源域目的域的往返概率、计算源域标签概率、采用交叉熵损失计算Lzw和Psts的损失、设定访问概率、设置目的域标签概率、采用交叉熵损失计算Lop和Pv的损失、设置分类器损失、设置源域预测分类损失、设置迭代次数N,当训练次数达到设定的迭代次数后停止。
-
公开(公告)号：CN112560937B
公开(公告)日：2024-03-19
申请号：CN202011459642.X
申请日：2020-12-11
Applicant: 杭州电子科技大学
IPC: G06N3/096 , G06F18/2413 , G06F17/16 , G06N3/088
Abstract: 本发明公开了一种利用静息态对齐的运动想象迁移学习的方法，包括以下步骤：S1、获取运动想象数据和静息态数据；S2、选择一名受试者的数据作为测试集，除该受试者以外的其他受试者的数据作为训练集；S3、使用EAR对齐方法对脑电信号进行对齐；S4、采用切空间投影的方法进行降维，将黎曼空间的协方差矩阵投影至欧式空间；S5、利用RATL对测试集数据进行分类。本发明设计了EAR对齐方法，并将结构风险、W‑BDA、拉普拉斯正则化结合在一起，组成了一个基于运动想象的二分类无监督分类器，相比于传统的算法速度更快，也更具有普适性。
-
公开(公告)号：CN114601474A
公开(公告)日：2022-06-10
申请号：CN202111669390.8
申请日：2021-12-31
Applicant: 杭州电子科技大学
IPC: A61B5/369 , A61B5/00 , G06K9/62 , G06V10/764 , G06V10/774 , G06N20/00
Abstract: 本发明公开了一种运动想象迁移学习的源域样本筛选方法，包括以下步骤：截取受试者的脑电信号作为运动想象数据；将一名受试者的运动想象数据设为测试集，其他受试者的数据设为训练集；使用EA对齐方法对测试集和训练集的脑电信号进行对齐；使用TS算法对训练集进行过滤运算，得出最终的源域训练集；利用CSP提取脑电信号中的特征；利用最终的源域训练集数据调整LDA参数，对测试集数据进行分类，识别受试者的运动想象的具体肢体部位。通过对齐从本质上减少了源域样本与目标样本间的差异，再剔除与目标样本差异较大的源域样本，最大化地减少两者之间的差异。
-
公开(公告)号：CN112560937A
公开(公告)日：2021-03-26
申请号：CN202011459642.X
申请日：2020-12-11
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种利用静息态对齐的运动想象迁移学习的方法，包括以下步骤：S1、获取运动想象数据和静息态数据；S2、选择一名受试者的数据作为测试集，除该受试者以外的其他受试者的数据作为训练集；S3、使用EAR对齐方法对脑电信号进行对齐；S4、采用切空间投影的方法进行降维，将黎曼空间的协方差矩阵投影至欧式空间；S5、利用RATL对测试集数据进行分类。本发明设计了EAR对齐方法，并将结构风险、W‑BDA、拉普拉斯正则化结合在一起，组成了一个基于运动想象的二分类无监督分类器，相比于传统的算法速度更快，也更具有普适性。
-
-
-
-
-
-
Search Results
7
records
(took 0.016 seconds)
