公开(公告)号：CN118948297A

公开(公告)日：2024-11-15

申请号：CN202411028849.X

申请日：2024-07-30

Applicant: 杭州电子科技大学

Inventor： 彭勇 ,  陈雨欣 ,  王艺谚 ,  杨子玥

IPC: A61B5/369 ,  A61B5/372 ,  A61B5/374 ,  A61B5/377 ,  A61B5/00 ,  G06F18/232 ,  G06F18/214 ,  G06F18/2411

Abstract: 本发明公开了一种半监督协同聚类的情感脑电特征与样本耦合分析方法，包括如下步骤：利用任意不同的情感诱发场景，对多名被试者的脑电数据进行采集；对采集的脑电数据进行预处理，并提取预处理后的脑电数据不同通道和频段的特征，进而得到样本集；构建半监督协同聚类的情感脑电特征与样本耦合分析模型的目标函数；根据构建的目标函数，对特性标签矩阵P、未标记的离散标签矩阵Qu、关联矩阵S、特征权重矩阵Θ及样本权重向量v进行联合迭代优化；根据未标记的离散标签矩阵Qu判断被测者在进行脑电数据采集时的情感类别。该方法根据样本和特征在模型中的贡献程度，可以在脑电采集、预处理和特征提取时选取更有价值的通道和频段，从而提高识别的效率。

公开(公告)号：CN119557677A

公开(公告)日：2025-03-04

申请号：CN202411598571.X

申请日：2024-11-11

Applicant: 杭州电子科技大学

Inventor： 杨子玥 ,  王艺谚 ,  彭勇

IPC: G06F18/23213 ,  A61B5/369 ,  A61B5/372 ,  A61B5/00 ,  G06F18/10 ,  G06F18/213 ,  G06F18/214 ,  G06F17/16

Abstract: 本发明公开了一种基于脑电协同聚类的半监督言语想象意图解码方法，包括如下步骤：步骤1、采集言语想象的脑电数据；步骤2、对预处理后的脑电数据进行特征提取；步骤3、将原始数据矩阵进行特征聚类和样本聚类，从而得到特征的聚类指示矩阵、样本的聚类指示矩阵和系数矩阵；步骤4、在半监督框架下完成对特征的聚类指示矩阵、样本的聚类指示矩阵和系数矩阵的优化求解；步骤5、通过可视化手段，展示基于脑电样本和特征协同聚类的半监督学习模型得到的解码结果。该方法在基于脑电信号的言语想象意图解码研究和系统中能够充分发掘和利用特征和样本的双向复杂交互模式以及言语想象的标签信息。

公开(公告)号：CN118656779A

公开(公告)日：2024-09-17

申请号：CN202410708534.3

申请日：2024-06-03

Applicant: 杭州电子科技大学

Inventor： 孔万增 ,  莫凯麟 ,  洪晨益 ,  陈承瑞 ,  马龙杰 ,  何秉峰 ,  张建海 ,  杨子玥

IPC: G06F18/25 ,  A61B5/378 ,  A61B5/00 ,  A61B3/113 ,  G06F18/213 ,  G06F18/241 ,  G06F18/2415 ,  G06N3/045 ,  G06N3/0442 ,  G06N3/0895

Abstract: 本发明公开了一种基于注意力机制的双模态双向融合网络目标检测方法。该方法首先针对双模态数据分布进行特征提取以及样本对间的对比学习，然后在两个模态的特征层面采用一种相互指导的双向模态融合方法，运用注意力机制进行模态间的特征对齐融合，使脑电信号和眼动信号各自寻找对方与自身特征相耦合的特征，力求最大限度地保留模态内部的本质特征和挖掘模态间相关联的特征。最后使用融合后的特征进行分类预测。这种方法解决了两个模态由于时段不一致带来的不良影响，同时利用解耦对比学习方法消除类不平衡的影响，并捕获各个模态内部类别之间的特征差异，从而提高模型的目标检测性能。

公开(公告)号：CN119474750A

公开(公告)日：2025-02-18

申请号：CN202411598562.0

申请日：2024-11-11

Applicant: 杭州电子科技大学

Inventor： 杨子玥 ,  陈雨欣 ,  彭勇

IPC: G06F18/20 ,  G06F18/214 ,  G06F18/213 ,  G06F18/23 ,  G06F17/16 ,  G06N20/00 ,  G06N3/0895 ,  G06N3/096

Abstract: 本发明公开了一种基于协同聚类的跨被试言语想象脑电意图解码域迁移方法，包括如下步骤：步骤1、获取已有的言语想象脑电数据，从而构建源域数据集并预处理；步骤2、提取预处理后的源域数据集中言语想象相关的脑电特征；步骤3、初始化样本的聚类指示矩阵和特征的聚类指示矩阵，并求解优化；步骤4、训练一个基于脑电样本和特征协同聚类的半监督言语想象意图解码模型；步骤5、采集目标域数据，并进行预处理；步骤6、确定目标域的最佳源域匹配；步骤7、调整后的系数矩阵；步骤8、在目标域上得到最终优化的样本特征耦合聚类脑电言语想象意图解码矩阵分解模型，继而，意图解码的识别标签可以转化为目标域样本的聚类指示矩阵并求解。