-
公开(公告)号：CN114587384A
公开(公告)日：2022-06-07
申请号：CN202111313783.5
申请日：2021-11-08
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种结合低秩表示与流形学习的运动想象脑电信号特征提取方法，包括以下步骤：S1:进行运动想象脑电信号采样，建立样本集；S2:将数据使用滤波器组共空间模式进行预处理，得到数据样本原始特征集，同时划分为训练样本原始特征集及测试样本原始特征集；S3:使用提出的特征提取方法进一步提取数据特征，并进行降维；S4:利用支持向量机对所提取的特征进行分类。利用低秩表示方法，将原始数据分干净部分和噪声部分，有效地去除了噪声，并且对噪声具有很强的鲁棒性；将低秩表示、判别投影和流形学习方法集成到统一模型中,既保留了原始样本的全局结构信息，又保留了原始样本的局部邻域关系，更大程度地获取了有效特征，提高了后续的分类精度。
-
Patent Agency Ranking
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。
-
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。
-
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：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：CN110147725A
公开(公告)日：2019-08-20
申请号：CN201910294180.1
申请日：2019-04-12
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于正交指数局保投影的高光谱图像特征提取方法。本发明如下：一、将被提取高光谱数据集分为拟定样本集和扩展样本集。二、根据训练样本集构建k近邻域图。三、分别构建类内权重矩阵集合和类间权重矩阵。四、构建目标函数。五、归一化相似度矩阵。六、计算两个归一化相似度矩阵的矩阵指数。七、确认投影矩阵。八、获取正交投影矩阵。九、训练SVM模型，并验证正交投影矩阵是否可靠。十、利用正交投影矩阵将具有高维度的扩展样本集映射到维数为d的低维空间中。将降维后的扩展样本集放入训练好的SVM模型中进行分类识别。本发明引入了矩阵指数来获取更丰富有效的样本信息，有效地解决了“小样本”问题。
-
-
-
-
-
Search Results
6
records
(took 0.022 seconds)
