-
公开(公告)号：CN114333909A
公开(公告)日：2022-04-12
申请号：CN202111626611.3
申请日：2021-12-28
Applicant: 深圳航天科技创新研究院 , 哈尔滨工业大学
Abstract: 本公开实施例提供一种情感识别方法及其装置、计算机设备、存储介质，属于计算机信息处理技术领域，所述方法包括：获取音频信号；对所述音频信号进行分帧处理，得到多个分帧信号，提取多个所述分帧信号的声学特征；根据所述声学特征构建第一特征矩阵；获取所述声学特征对应的情感打分值；根据所述情感打分值构建第二特征矩阵；根据所述第一特征矩阵和所述第二特征矩阵从多个所述声学特征中选择目标声学特征；根据所述目标声学特征构建情感预测模型，根据所述情感预测模型进行情感识别，原理简单，计算量小，音频信号的情感识别无需人工操作，减少了人工对音频的情感标注工作，情感识别的准确率高。
-
公开(公告)号：CN114343675A
公开(公告)日：2022-04-15
申请号：CN202111614625.3
申请日：2021-12-27
Applicant: 深圳航天科技创新研究院 , 哈尔滨工业大学
Abstract: 本发明提出一种脑电成分提取方法，包括：采集原始脑电信号，从原始脑电信号中获取静息脑电信号与激励脑电信号；以静息脑电信号作为取值基础进行卡尔曼滤波模型的参数估算，得出状态预测参数；根据状态预测参数对激励脑电信号进行卡尔曼滤波，以获取滤波后的脑电信号。由于静息脑电信号与激励脑电信号均为原始脑电信号的一部分，因此静息脑电信号与激励脑电信号中的噪声组成成分近似。另外，静息脑电信号反映大脑处于未受刺激状态的脑电信号，信号波动较为稳定，适宜作为提取状态预测参数的取值基础。以静息脑电信号作为取值基础进行参数估算，能够为激励脑电信号的滤波过程提供较高质量的状态预测参数，从而进一步提升脑电成分提取的准确度。
-
-
公开(公告)号：CN110443194A
公开(公告)日：2019-11-12
申请号：CN201910715343.9
申请日：2019-08-05
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种基于SPI稀疏约束的时变信号成分提取方法，包括：a)SPI稀疏性能估计指标及包含SPI指标的时变信号成分估计范式，以及b)一种基于上述范式的时变信号成分提取方法，包括数据预处理、系统初始化、稀疏建模与波形字典学习、时变信号单次特定成分估计及新异类目标成分波形发现等五个独立步骤。本发明的优点是，相对于传统方法，具有不依赖统计平稳性或独立性假设的优势，可以获取更可靠的时变信号特定成分字典和时变信号特定成分的盲估计，且具有非监督的发现未知的目标成分的能力，对具备复杂结构和许多未知或未发现成分的时变信号的分析具有广阔的潜在应用价值。适用于各类面向时变信号成分分析和提取的设备和算法的改进。
-
公开(公告)号：CN112668717B
公开(公告)日：2023-06-02
申请号：CN202110002440.0
申请日：2021-01-04
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种面向神经网络模型优化的数据处理方法和装置。方法包括：通过计算高阶笛卡尔扩张项，将原有的数据映射到表达能力更强，包含信息更多的高阶笛卡尔扩张空间中。装置包括：输入模块、笛卡尔扩张计算模块和输出模块；输入模块，用于确定并接收用于计算的多维度数据，包括确定输入数据的维度及各维度的数值；笛卡尔扩张计算模块，用于对所述输入模块确定的多维输入数据进行笛卡尔扩张计算；输出模块，根据计算结果，输出用于后续处理的高维度数据。本发明优点在于：在不影响模型效果的前提下降低了后续模型学习的难度，提高了学习效率并提供了分布式并行计算的便利性。
-
Patent Agency Ranking
公开(公告)号：CN110766139A
公开(公告)日：2020-02-07
申请号：CN201910999560.5
申请日：2019-10-21
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种复合神经网络模型及其建模方法，包括：一个全连接稀疏建模模块、一个输入映射单层感知器层、一个字典学习单层感知器层以及一个反馈通路模块。全连接稀疏建模模块用于在系统的每一轮迭代中完成单一样本的稀疏建模，输入映射单层感知器层用于生成全连接稀疏建模模块所需的持续外输入，字典学习单层感知器层用于实现稀疏字典的学习和优化，反馈通路模块用于辅助全连接稀疏建模模块、提高建模的稀疏质量。本发明的优点是，通过Hopfield神经网络的全连接工作机制以及感知器神经网络模型的权值学习机制，实现一体化的数据驱动稀疏建模和字典学习，获取全局性更好、稀疏性能更优的建模结果。
-
公开(公告)号：CN110327043A
公开(公告)日：2019-10-15
申请号：CN201910715578.8
申请日：2019-08-05
Applicant: 哈尔滨工业大学
IPC: A61B5/0476 , A61B5/00
Abstract: 本发明给出了一种基于稀疏建模的事件相关电位波形图谱求解方法。包括：数据预处理，去燥、分帧和能量归一化；稀疏字典学习，字典初始化，稀疏建模，字典学习和收敛性判断；波形字典聚类；波形字典性质判定。本发明的优点在于：针对数据中固有的事件相关电位活动模式、而非依据认知实验赋予的标签获取ERP波形，不仅可以处理实验环境下的EEG数据，也可以处理没有标签的真实环境下获取的EEG数据，具有更好的普适性和实用性。此外，使用了面向单次、单帧数据处理的信号处理方法，能够有效提升EEG分析处理的灵活性，在脑机接口领域也具有显著的应用前景。
-
公开(公告)号：CN110443194B
公开(公告)日：2021-09-07
申请号：CN201910715343.9
申请日：2019-08-05
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种基于SPI稀疏约束的时变信号成分提取方法，包括：a)SPI稀疏性能估计指标及包含SPI指标的时变信号成分估计范式，以及b)一种基于上述范式的时变信号成分提取方法，包括数据预处理、系统初始化、稀疏建模与波形字典学习、时变信号单次特定成分估计及新异类目标成分波形发现等五个独立步骤。本发明的优点是，相对于传统方法，具有不依赖统计平稳性或独立性假设的优势，可以获取更可靠的时变信号特定成分字典和时变信号特定成分的盲估计，且具有非监督的发现未知的目标成分的能力，对具备复杂结构和许多未知或未发现成分的时变信号的分析具有广阔的潜在应用价值。适用于各类面向时变信号成分分析和提取的设备和算法的改进。
-
公开(公告)号：CN116434307A
公开(公告)日：2023-07-14
申请号：CN202310410116.1
申请日：2023-04-18
Applicant: 哈尔滨工业大学
IPC: G06V40/16 , G06V20/40 , G06V10/774 , G06V10/75 , G06T7/269
Abstract: 本发明公开了一种基于运动单元原型模板的微表情特征提取方法，包括：在预处理中，针对不同被试之间面部差异问题和同一被试在视频中的头部平移问题，使用了基于器官的面部位置校正和裁剪方法，保证光流特征提取的准确性；为准确分析微表情中的运动单元，提出面向运动单元的原型模板。每个原型模板中记录了具有代表性的面部运动单元动态信息，并对具有一定差异的面部动作的AU识别具有较强的鲁棒性；为准确捕捉微表情动作，将微表情视频的光流图序列与AU运动模板进行匹配，得到对视频中复杂微表情动作的深入解析，提升微表情特征的准确率性和可解释性。本发明的优点是：能够有效捕捉微表情发生时细微的面部动作，可用于微表情检测，识别和生成。
-
公开(公告)号：CN110327043B
公开(公告)日：2022-04-01
申请号：CN201910715578.8
申请日：2019-08-05
Applicant: 哈尔滨工业大学
Abstract: 本发明给出了一种基于稀疏建模的事件相关电位波形图谱求解方法。包括：数据预处理，去燥、分帧和能量归一化；稀疏字典学习，字典初始化，稀疏建模，字典学习和收敛性判断；波形字典聚类；波形字典性质判定。本发明的优点在于：针对数据中固有的事件相关电位活动模式、而非依据认知实验赋予的标签获取ERP波形，不仅可以处理实验环境下的EEG数据，也可以处理没有标签的真实环境下获取的EEG数据，具有更好的普适性和实用性。此外，使用了面向单次、单帧数据处理的信号处理方法，能够有效提升EEG分析处理的灵活性，在脑机接口领域也具有显著的应用前景。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.045 seconds)
