-
公开(公告)号：CN112450947A
公开(公告)日：2021-03-09
申请号：CN202011312879.5
申请日：2020-11-20
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种针对情绪唤醒度的动态脑网络分析方法。采用滑动时间窗口分割数据，通过传递熵建立大脑功能网络。将分段的脑网络按时间顺序连接成动态脑网络，用于显示实验刺激过程中受试者的详细动态变化。为确保动态连接真实可靠，使用聚类和替代序列测试和分析。最后，使用优化计算的特征‑通道规范信息优化数据并评估活动水平，使结果更清晰。为寻找潜在的重要刺激片段提供了指导和基础。与传统静态脑网络相比，本方法采用更合理科学的方式建立脑功能网络，能够更细致的观察和分析实验刺激过程中大脑状态的变化，并且提出的特征可以有效的简化网络结构和结果分析。
-
Patent Agency Ranking
公开(公告)号：CN112450947B
公开(公告)日：2022-08-02
申请号：CN202011312879.5
申请日：2020-11-20
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种针对情绪唤醒度的动态脑网络分析方法。采用滑动时间窗口分割数据，通过传递熵建立大脑功能网络。将分段的脑网络按时间顺序连接成动态脑网络，用于显示实验刺激过程中受试者的详细动态变化。为确保动态连接真实可靠，使用聚类和替代序列测试和分析。最后，使用优化计算的特征‑通道规范信息优化数据并评估活动水平，使结果更清晰。为寻找潜在的重要刺激片段提供了指导和基础。与传统静态脑网络相比，本方法采用更合理科学的方式建立脑功能网络，能够更细致的观察和分析实验刺激过程中大脑状态的变化，并且提出的特征可以有效的简化网络结构和结果分析。
-
公开(公告)号：CN112528879A
公开(公告)日：2021-03-19
申请号：CN202011481203.9
申请日：2020-12-15
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于改进GhostNet的多分支行人重识别方法，首先将GhostNet提取的行人特征经过1ⅹ1卷积，降低通道数，再将特征图送入ResNet50的layer4和layer5，加深特征的通道信息，然后复制成三个分支,第一个分支进行最大池化均值归一化和降维卷积后得到一个全局特征，第二和第三个分支除了处理得到全局特征外，还分别对特征进行水平切割，第二个划分为2，第三个划分为3，在分别进行最大池化均值归一化和降维卷积后得到相应的特征，最后将得到的特征按全局特征和局部特征的不同分别送入三元组损失和交叉熵损失训练。训练160个迭代后，用数据集的query集和gallery集来评估模型的性能。
-
公开(公告)号：CN112528879B
公开(公告)日：2024-02-02
申请号：CN202011481203.9
申请日：2020-12-15
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于改进GhostNet的多分支行人重识别方法，首先将GhostNet提取的行人特征经过1ⅹ1卷积，降低通道数，再将特征图送入ResNet50的layer4和layer5，加深特征的通道信息，然后复制成三个分支,第一个分支进行最大池化均值归一化和降维卷积后得到一个全局特征，第二和第三个分支除了处理得到全局特征外，还分别对特征进行水平切割，第二个划分为2，第三个划分为3，在分别进行最大池化均值归一化和降维卷积后得到相应的特征，最后将得到的特征按全局特征和局部特征的不同分别送入三元组损失和交叉熵损失训练。训练160个迭代后，用数据集的query集和gallery集来评估模型的性能。
-
公开(公告)号：CN113349795B
公开(公告)日：2022-04-08
申请号：CN202110660709.4
申请日：2021-06-15
Applicant: 杭州电子科技大学
Abstract: 本发明公开一种基于稀疏低秩张量分解的抑郁症脑电分析方法。具体步骤为，首先采用复Morlet小波变换提取脑电信号时频特征，并按照通道顺序将其构造为样本张量；其次，根据样本张量低秩、稀疏的特点，提出SLraTucker分解提取样本张量的多域特征，对抑郁症患者(MDDs)和正常对照组(HCs)两类人群进行分类识别。为进一步研究两类人群在受到不同情绪刺激时活跃脑区的异同，本发明对两类人群的静态与动态活跃脑区差异进行分析。本实验提出的SLraTucker分解方法能够有效提取脑电信号中的多域特征，并准确、客观地对抑郁症做出诊断、分析，使患者或医生更好了解病情并及时的治疗或预防。
-
公开(公告)号：CN113349795A
公开(公告)日：2021-09-07
申请号：CN202110660709.4
申请日：2021-06-15
Applicant: 杭州电子科技大学
Abstract: 本发明公开一种基于稀疏低秩张量分解的抑郁症脑电分析方法。具体步骤为，首先采用复Morlet小波变换提取脑电信号时频特征，并按照通道顺序将其构造为样本张量；其次，根据样本张量低秩、稀疏的特点，提出SLraTucker分解提取样本张量的多域特征，对抑郁症患者(MDDs)和正常对照组(HCs)两类人群进行分类识别。为进一步研究两类人群在受到不同情绪刺激时活跃脑区的异同，本发明对两类人群的静态与动态活跃脑区差异进行分析。本实验提出的SLraTucker分解方法能够有效提取脑电信号中的多域特征，并准确、客观地对抑郁症做出诊断、分析，使患者或医生更好了解病情并及时的治疗或预防。
-
-
-
-
-
Search Results
6
records
(took 0.023 seconds)
