公开(公告)号：CN112465069B

公开(公告)日：2024-02-06

申请号：CN202011478666.X

申请日：2020-12-15

Applicant: 杭州电子科技大学

Inventor： 马玉良 ,  戴紫玉 ,  潘隽锴 ,  祝真滨

IPC: G06F18/2415 ,  G06F18/211 ,  G06F18/213 ,  G06F18/10 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明公开了一种基于多尺度卷积核CNN的脑电情绪分类方法。选用SEED数据集作为实验数据，使用reliefF算法与多尺度卷积核CNN相结合的特征选择与分类模型进行分类测试；首先对预处理数据提取每个频段上的微分熵特征，并用线性动态系统方法进行特征平滑；其次使用reliefF算法对数据进行特征选择，然后将数据切割成适合作为多尺度卷积核CNN输入的特征样本，并进行归一化处理；最后使用多尺度卷积核CNN对处理的样本进行分类测试。本发明采用将reliefF算法与多尺度卷积核CNN相结合的特征选择与分类模型方法，可以有效的提高情绪脑电信号分类率，对智能人机交互领域和脑电情感识别都具有重要的意义。

公开(公告)号：CN114332101A

公开(公告)日：2022-04-12

申请号：CN202111638106.0

申请日：2021-12-29

Applicant: 杭州电子科技大学

Inventor： 祝真滨 ,  马玉良 ,  张卫 ,  孟明

IPC: G06T7/10 ,  G06N3/04 ,  G06N3/08 ,  G06N3/12

Abstract: 本发明公开了一种基于遗传算法的U‑Net网络模型剪枝方法。本发明首先对数据集进行扩增处理，其次将遗传优化算法与U‑Net模型相结合，将U‑Net模型的损失函数引入到遗传算法的适应度指标中，而优化的目标则是U‑Net模型的各层通道数的压缩率组合；随后通过遗传算法获得所需的最佳U‑Net网络的压缩率组合，并对网络结构进行剪枝处理。本发明与剪枝前的U‑Net网络模型相比，在三个数据集以及各自的扩增数据集的分割结果上，模型剪枝前后对结果并没有较大差异，但整个U‑Net网络的参数量以及计算量等都有明显的降低，达到了网络模型剪枝的效果。

公开(公告)号：CN112465842A

公开(公告)日：2021-03-09

申请号：CN202011526420.5

申请日：2020-12-22

Applicant: 杭州电子科技大学

Inventor： 马玉良 ,  祝真滨 ,  李雪 ,  席旭刚 ,  张卫

IPC: G06T7/11 ,  G06T7/155 ,  G06T5/00 ,  G06T5/40 ,  G06K9/46 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于U‑net网络的多通道视网膜血管图像分割方法。本发明首先对数据集图像进行扩增处理和一系列的预处理，提高图像质量；其次将多尺度匹配滤波算法与改进的形态学算法相结合，构建U‑net网络的多通道特征提取结构；随后对三个通道进行网络训练，获得所需的分割网络，并对输出结果采用自适应阈值处理。本发明方法结合了U‑net网络与多尺度的匹配滤波算法，与单纯的U‑net网络相比，能够提取到更多的血管特征，具有更高的分割准确性和灵敏度，缓解视网膜血管图像细小血管分割不足以及错误分割的问题。

公开(公告)号：CN112465842B

公开(公告)日：2024-02-06

申请号：CN202011526420.5

申请日：2020-12-22

Applicant: 杭州电子科技大学

Inventor： 马玉良 ,  祝真滨 ,  李雪 ,  席旭刚 ,  张卫

IPC: G06T7/11 ,  G06T7/155 ,  G06T5/40 ,  G06T5/70 ,  G06V10/75 ,  G06V10/764 ,  G06V10/46 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/08

Abstract: 本发明公开了一种基于U‑net网络的多通道视网膜血管图像分割方法。本发明首先对数据集图像进行扩增处理和一系列的预处理，提高图像质量；其次将多尺度匹配滤波算法与改进的形态学算法相结合，构建U‑net网络的多通道特征提取结构；随后对三个通道进行网络训练，获得所需的分割网络，并对输出结果采用自适应阈值处理。本发明方法结合了U‑net网络与多尺度的匹配滤波算法，与单纯的U‑net网络相比，能够提取到更多的血管特征，具有更高的分割准确性和灵敏度，缓解视网膜血管图像细小血管分割不足以及错误分割的问题。

公开(公告)号：CN112465069A

公开(公告)日：2021-03-09

申请号：CN202011478666.X

申请日：2020-12-15

Applicant: 杭州电子科技大学

Inventor： 马玉良 ,  戴紫玉 ,  潘隽锴 ,  祝真滨

IPC: G06K9/62 ,  G06K9/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于多尺度卷积核CNN的脑电情绪分类方法。选用SEED数据集作为实验数据，使用reliefF算法与多尺度卷积核CNN相结合的特征选择与分类模型进行分类测试；首先对预处理数据提取每个频段上的微分熵特征，并用线性动态系统方法进行特征平滑；其次使用reliefF算法对数据进行特征选择，然后将数据切割成适合作为多尺度卷积核CNN输入的特征样本，并进行归一化处理；最后使用多尺度卷积核CNN对处理的样本进行分类测试。本发明采用将reliefF算法与多尺度卷积核CNN相结合的特征选择与分类模型方法，可以有效的提高情绪脑电信号分类率，对智能人机交互领域和脑电情感识别都具有重要的意义。