-
公开(公告)号：CN117725367A
公开(公告)日：2024-03-19
申请号：CN202410087934.7
申请日：2024-01-22
Applicant: 杭州电子科技大学
IPC: G06F18/10 , G06F17/16 , G06F17/18 , G06N3/0895 , G06N3/096
Abstract: 本发明公开了一种源域可迁移性自适应学习的言语想象脑电解码方法。该方法的具体步骤包括：首先采集被试者和解码对象在不同言语想象任务下的脑电数据，其次对数据进行预处理得到样本矩阵，然后基于源域可迁移性自适应学习的言语想象脑电解码模型迭代得到标签矩阵，最终完成言语想象脑电解码。本发明通过将源域和目标域映射至子空间来最大程度上减小域间的差异，双映射矩阵在目标函数迭代过程中不断优化使得域间差异缩小；同时本发明引入样本权重系数矩阵量化表示了源域样本的可迁移性，在目标函数迭代过程中，促使源域高可迁移性样本在模型学习过程中发挥更大的作用，解决了言语想象脑电解码领域中因存在负面样本而造成言语想象脑电解码不准确的问题。
-
Patent Agency Ranking
公开(公告)号：CN117725367B
公开(公告)日：2024-11-29
申请号：CN202410087934.7
申请日：2024-01-22
Applicant: 杭州电子科技大学
IPC: G06F18/10 , G06F17/16 , G06F17/18 , G06N3/0895 , G06N3/096
Abstract: 本发明公开了一种源域可迁移性自适应学习的言语想象脑电解码方法。该方法的具体步骤包括：首先采集被试者和解码对象在不同言语想象任务下的脑电数据，其次对数据进行预处理得到样本矩阵，然后基于源域可迁移性自适应学习的言语想象脑电解码模型迭代得到标签矩阵，最终完成言语想象脑电解码。本发明通过将源域和目标域映射至子空间来最大程度上减小域间的差异，双映射矩阵在目标函数迭代过程中不断优化使得域间差异缩小；同时本发明引入样本权重系数矩阵量化表示了源域样本的可迁移性，在目标函数迭代过程中，促使源域高可迁移性样本在模型学习过程中发挥更大的作用，解决了言语想象脑电解码领域中因存在负面样本而造成言语想象脑电解码不准确的问题。
-
公开(公告)号：CN118551257B
公开(公告)日：2024-11-29
申请号：CN202410708542.8
申请日：2024-06-03
Applicant: 杭州电子科技大学
IPC: G06F18/24 , G06F18/10 , G06F18/213 , G06F18/2113 , G06F3/01 , G06F18/22 , G06N3/0895
Abstract: 本发明公开了一种自适应图学习的多视图脑电言语想象意图识别方法。该方法如下：1、在不同的言语想象任务场景下，对多名被试者的脑电数据进行采集。2、对采集到的脑电进行预处理并提取不同视图下的不同通道和频段的特征。3、建立自适应图学习的多视图脑电言语想象意图识别模型。4、对目标函数进行联合迭代优化。5、得到未标记样本的预测标签，完成言语想象脑电识别任务。本发明利用多个视图中可用的互补信息来学习到更好的相似度矩阵和未标记样本标签矩阵，提高了通过脑电数据对言语想象意图识别的能力；本发明能自适应学习各视图及特征对于模型识别的贡献度，且视图和特征重要性可以指导脑电采集、预处理和特征提取时对通道及频段的选择。
-
公开(公告)号：CN118760926B
公开(公告)日：2025-03-21
申请号：CN202410887130.5
申请日：2024-07-03
Applicant: 杭州电子科技大学
IPC: G06F18/24 , A61B5/374 , G06F18/213 , G06F18/10 , G06F17/16
Abstract: 本发明公布了一种基于动态超图学习的脑电言语想象识别方法。该方法如下：1.脑电数据采集；2.预处理及特征提取；3.建立目标函数；4.对目标函数中的变量进行求解，获得特征投影矩阵以及被测脑电数据对应的言语想象类别。5.对特征投影矩阵进行分析，得到各通道及各频段的重要性，并基于重要性重新构建样本特征作为模型输入，得到最终的识别结果。本发明利用超图进行脑电数据模型的构建，挖掘了数据间的高阶信息，更好地表征了数据的相关性，并且在标签学习过程中动态自适应地更新超图中的顶点权重、超边权重以及超图结构，提升了模型的学习能力及解码精度。此外动态更新的特征投影矩阵将原始特征投影到低维子空间中，提高了模型鲁棒性。
-
公开(公告)号：CN118760926A
公开(公告)日：2024-10-11
申请号：CN202410887130.5
申请日：2024-07-03
Applicant: 杭州电子科技大学
IPC: G06F18/24 , A61B5/374 , G06F18/213 , G06F18/10 , G06F17/16
Abstract: 本发明公布了一种基于动态超图学习的脑电言语想象识别方法。该方法如下：1.脑电数据采集；2.预处理及特征提取；3.建立目标函数；4.对目标函数中的变量进行求解，获得特征投影矩阵以及被测脑电数据对应的言语想象类别。5.对特征投影矩阵进行分析，得到各通道及各频段的重要性，并基于重要性重新构建样本特征作为模型输入，得到最终的识别结果。本发明利用超图进行脑电数据模型的构建，挖掘了数据间的高阶信息，更好地表征了数据的相关性，并且在标签学习过程中动态自适应地更新超图中的顶点权重、超边权重以及超图结构，提升了模型的学习能力及解码精度。此外动态更新的特征投影矩阵将原始特征投影到低维子空间中，提高了模型鲁棒性。
-
公开(公告)号：CN118551257A
公开(公告)日：2024-08-27
申请号：CN202410708542.8
申请日：2024-06-03
Applicant: 杭州电子科技大学
IPC: G06F18/24 , G06F18/10 , G06F18/213 , G06F18/2113 , G06F3/01 , G06F18/22 , G06N3/0895
Abstract: 本发明公开了一种自适应图学习的多视图脑电言语想象意图识别方法。该方法如下：1、在不同的言语想象任务场景下，对多名被试者的脑电数据进行采集。2、对采集到的脑电进行预处理并提取不同视图下的不同通道和频段的特征。3、建立自适应图学习的多视图脑电言语想象意图识别模型。4、对目标函数进行联合迭代优化。5、得到未标记样本的预测标签，完成言语想象脑电识别任务。本发明利用多个视图中可用的互补信息来学习到更好的相似度矩阵和未标记样本标签矩阵，提高了通过脑电数据对言语想象意图识别的能力；本发明能自适应学习各视图及特征对于模型识别的贡献度，且视图和特征重要性可以指导脑电采集、预处理和特征提取时对通道及频段的选择。
-
-
-
-
-
Search Results
6
records
(took 0.02 seconds)
