-
公开(公告)号：CN113842151B
公开(公告)日：2024-01-05
申请号：CN202111160386.9
申请日：2021-09-30
Applicant: 杭州电子科技大学
Abstract: 本发明提出一种基于高效多源胶囊网络的跨被试EEG认知状态检测方法。本发明通过将目标域和多源域的特征分布对齐，以实现域间特征的有效迁移。将EEG数据构建成多通道一维结构，提高了训练效率，同时提高模型性能。其次，引入自表达模块来捕捉样本之间的潜在联系，能够很好地适应不同任务下具有显著个体差异的跨被试EEG数据分析。最后提出了基于动态子胶囊的空间注意力算法来进一步学习EEG数据空间层次上的细粒度特征信息，有效刻画了EEG数据的部分间空间关系和部分‑整体层次关系。本发明有效避免了脑认知计算领域脑电信号的个体差异性问题，可适用于任何任务下基于EEG的认知状
-
公开(公告)号：CN116702062A
公开(公告)日：2023-09-05
申请号：CN202310733999.X
申请日：2023-06-20
Applicant: 杭州电子科技大学
IPC: G06F18/2415 , G06F18/241 , G06F18/213 , G06N3/04 , G06N3/048 , G06N3/09 , G06N3/094
Abstract: 本发明公开了一种基基于未知样本可能性的开放集跨被试EEG情绪识别方法。本发明提出了一种具有辅助分类器结构的对抗域自适应模型。该模型引入了一个用来评估目标域未知类概率权重的加权模块，为目标样本分配更能代表它们是否可能属于已知类和未知类的权重，实现已知类与未知类合理划分，鼓励模型在对抗性训练中进行正向迁移，同时减少了源域和目标域已知类之间的域差距。另外，本发明对特征范数对齐进行改进，利用目标域样本预测结果的不确定性熵约束特征范数对齐，鼓励模型在两个域中学习具有更大范数的已知类别特征，来避免目标域的退化，该方法充分考虑目标域与源域特征范数层面上的对齐，具有较高的普适性，提高模型泛化能力。
-
公开(公告)号：CN112274162B
公开(公告)日：2022-05-17
申请号：CN202010985675.1
申请日：2020-09-18
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于生成对抗域自适应的跨被试EEG疲劳状态分类方法。本发明首先获取数据并预处理，去除伪迹；其次通过PSD来进行EEG特征提取，从三维EEG时间序列获得二维样本矩阵；然后区分源域和目标域数据集，获得不重合的训练集和测试集；再用部分无标签的目标域数据和符合高斯分布的随机数据训练分类模型GDANN；最后利用混淆矩阵对分类结果准确率进行评估。本发明将生成对抗网络和域不变思想进一步结合，既解决了EEG信号数据集稀少难获得的问题，又平衡了源域数据和目标域数据不匹配的问题，一定程度上避免了负迁移，训练出了高精度的跨被试疲劳检测分类器，以期在实际的脑机交互中有着广泛的应用前景。
-
公开(公告)号：CN114239652A
公开(公告)日：2022-03-25
申请号：CN202111539147.4
申请日：2021-12-15
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于聚类的对抗部分域适应跨被试EEG情绪识别方法，利用源域样本的特征计算类簇中心，并将源域真实标签作为类簇标签，并引入一致性匹配算法和跨域聚类共识指标，利用Kmeans聚类得到无标签目标域样本相应的类簇标签和类簇中心，将源域类簇中心与目标域类簇中心进行一致性匹配，对于匹配成功的两个类簇，将源域标签分配给共同语义的目标域类簇，同时计算跨域聚类共识指标实现最优目标域类簇个数的搜索，最终实现源域和目标域的共有类别的关联和私有类别的分离，该方法充分考虑无标签数据的特征空间分布结构，具有较高的普适性，能够大大提高模型训练效率，并为临床应用提供技术支持。
-
公开(公告)号：CN113288147A
公开(公告)日：2021-08-24
申请号：CN202110599857.X
申请日：2021-05-31
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于EEG与神经反馈技术的轻度认知障碍康复评估系统。本发明包括Openvibe脑信号转发装置、Unity范式客户端、Web移动智能终端以及网络服务器；Openvibe脑信号转发装置通过VRPN通信协议与Unity范式客户端相连，Unity范式客户端与Web移动智能终端通过移动互联网与网络服务器相连。Openvibe脑信号转发装置将实时采集到的EEG信号发送给Unity范式客户端，Unity范式客户端分析实时数据来动态改变范式难度，同时在每一次范式结束后，将Openvibe生成的CSV格式的完整EEG信号数据上传到网络服务器进行处理并存储，处理后的分析结果反馈给Web移动智能终端进可视化显示。本发明使用方便、快速准确，便于进行轻度认知障碍患者的康复训练，并对其大脑认知功能进行综合性评估。
-
Patent Agency Ranking
公开(公告)号：CN112274162A
公开(公告)日：2021-01-29
申请号：CN202010985675.1
申请日：2020-09-18
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于生成对抗域自适应的跨被试EEG疲劳状态分类方法。本发明首先获取数据并预处理，去除伪迹；其次通过PSD来进行EEG特征提取，从三维EEG时间序列获得二维样本矩阵；然后区分源域和目标域数据集，获得不重合的训练集和测试集；再用部分无标签的目标域数据和符合高斯分布的随机数据训练分类模型GDANN；最后利用混淆矩阵对分类结果准确率进行评估。本发明将生成对抗网络和域不变思想进一步结合，既解决了EEG信号数据集稀少难获得的问题，又平衡了源域数据和目标域数据不匹配的问题，一定程度上避免了负迁移，训练出了高精度的跨被试疲劳检测分类器，以期在实际的脑机交互中有着广泛的应用前景。
-
公开(公告)号：CN109887023A
公开(公告)日：2019-06-14
申请号：CN201910030015.5
申请日：2019-01-11
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于加权梯度幅度的双目融合立体图像质量评价方法。客观图像质量评价算法根据是否利用原图像参与图像质量评价，可分为全参考、半参考和无参考图像质量评价算法三种。本发明采用的是半参考立体图像客观质量评价算法。与传统的融合左右眼图像生成独眼图算法不同，本发明将经过局部加权后的梯度幅度因子加入双目融合算法中，从而对传统的独眼图构造过程中丢失的结构信息进行一定补偿。本发明在消除对比度变化的同时增强局部图像结构。采用经典的自适应稀疏字典和OMP迭代算法，捕获随着迭代次数增加而增强的边缘和纹理信息，能更好的体现图像的结构信息。
-
公开(公告)号：CN114176610B
公开(公告)日：2024-05-07
申请号：CN202111670306.4
申请日：2021-12-31
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种面向轻度认知功能障碍患者诊断的工作负荷评估方法。本发明包括如下步骤：步骤1：基于Oddball的工作负荷评估实验范式；步骤2：数据采集；步骤3：数据预处理；步骤4：基于MCI‑WI的MCI患者诊断方法。本发明参考控制类的工作负荷评估范式，设计了基于Oddball的工作负荷评估范式，使得MCI患者和健康老年人在认知方面的工作负荷区别更明显，进而减少误差，增加MCI患者诊断的准确率，优化了以往范式存在的效率低、准确率低的缺点。其次本发明考虑到MCI患者和健康老年人的认知差异，提出了面向MCI患者诊断的工作负荷评估指标，综合考虑脑电数据和行为学数据，将被试在任务不同阶段的工作负荷量化，直观地显示了被试的工作负荷变化情况。
-
公开(公告)号：CN116011528A
公开(公告)日：2023-04-25
申请号：CN202310045688.4
申请日：2023-01-30
Applicant: 杭州电子科技大学
IPC: G06N3/0499 , G06N3/0464 , G06N3/09 , G06N3/084 , G06N3/044 , G06N3/063
Abstract: 本发明公开了一种基于混合网络共生的EEG认知识别方法。本发明步骤：1：EEG数据获取；2：数据预处理；3：基于DDCA算法的混合网络共生框架构建方法。本发明将混合网络划分为具有异质结构的认知网络和计算网络，目的是为了同时提取EEG的认知表征和计算表征信息。在HNS框架的基础上提出双向蒸馏共适应算法，在双向闭环反馈模式下通过信息交互来实现混合网络间的交互共生，包括双向前馈过程和双向反馈过程。在DDCA中引入了基于样本关系融合策略和基于序列嵌入的双向反馈学习策略，在训练过程中充分提取并利用可靠的重要的特征信息。本发明可以能有效提升HNS框架在EEG任务上的认知识别能力，适用于各种EEG认识识别任务。
-
公开(公告)号：CN112274154A
公开(公告)日：2021-01-29
申请号：CN202010985572.5
申请日：2020-09-18
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于脑电样本权重调整的跨被试疲劳状态分类方法。本发明以PSD作为特征提取方法，InstanceEasyTL算法作为分类器，通过对EEG信号的处理及分析，在跨被试的设定下，对驾驶员的疲劳程度进行分类，实现疲劳、清醒两种状态的区分。首先获取数据并预处理；其次使用PSD对脑电数据进行特征提取；然后设置实验的新源域和新目标域，再根据InstanceEasyTL算法进行分类。与传统的机器学习、深度学习方法和基于特征对齐的EasyTL方法相比，在跨被试上拥有更好的分类性能。此外本方法在仅需目标域中小部分比例的数据情况下，仍然能够保持较高的分类性能。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.033 seconds)
