-
公开(公告)号：CN119478579A
公开(公告)日：2025-02-18
申请号：CN202411409752.3
申请日：2024-10-10
Applicant: 电子科技大学
IPC: G06V10/774 , G06V10/44 , G06N3/0499 , G06N3/047 , G06V10/764 , G06N3/084
Abstract: 本发明属于图像处理技术领域，具体提供一种基于分形特征的舌象数据增强方法，利用分形特征进行舌象数据增强；首先，使用公开的可描述纹理数据集对主干网络(MLP‑Like模型)进行预训练；然后，将原始舌象数据送入主干网络进行特征提取，得到层次舌象特征图，并将原始舌象图像与其对应的舌象特征图作为目标图像，送入迭代函数系统中生成分形图像；最后，将生成的分形图像作为补充数据，按照目标图像的标签标注生成图像的标签，完成对舌象数据集的数据增强。本发明使用迭代函数系统生成具有分形特征的舌象图像，对舌象数据集进行补充，作为一种结合分形特征的数据增强方法，本发明能够有效缓解舌象数据集的数据不平衡问题。
-
公开(公告)号：CN118806293A
公开(公告)日：2024-10-22
申请号：CN202410825431.5
申请日：2024-06-25
Applicant: 电子科技大学
IPC: A61B5/346 , A61B5/0245 , A61B5/00 , G06F18/213 , G06F18/2431 , G06F18/2415 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06F123/02
Abstract: 本发明公开了一种基于深度残差网络的心律失常检测方法，包括如下步骤：步骤1、心电信号预处理；步骤2、利用通道注意力卷积网络和门控循环单元提取复杂病理ECG特征；步骤3、心律失常多标签分类的嵌入学习；步骤4、通过标签感知注意力系数对心律失常特征向量进行加权；步骤5、心律失常分类：将加权向量送入卷积和全连接层，得到最终的心律失常预测结果概率。本发明的检测模型能够学到更抽象、更复杂的特征，从而更好地应对不同患者、不同病理情况的心电图数据。
-
公开(公告)号：CN116798127A
公开(公告)日：2023-09-22
申请号：CN202310967434.8
申请日：2023-08-02
Applicant: 电子科技大学
IPC: G06V40/20 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于全卷积的太极拳全身姿态估计方法、设备和介质，获取视频数据，对视频进行预处理，提取单帧图像特征；基于提取的特征进行全身姿态估计，得到包含手部和头部的人体骨架关键点热图，确定人体姿态骨架图；构建多帧时间特征提取和人体姿态估计模型，根据人体姿态骨架图进行多特征姿态估计，对多特征估计结果进行融合，得到人体姿态估计结果。通过融合手部和头部的人体姿态细节以得到更准确的全身姿态估计结果，通过对人体关键点多特征进行提取和融合，结合时间特征进行姿态预测，增强了算法的精度和稳定性，兼顾了视频信号的多尺度特征提取和信号自身的时域特征，考虑了信号的时间与空间特征，使得太极拳动作姿态估计更加准确。
-
公开(公告)号：CN116030961A
公开(公告)日：2023-04-28
申请号：CN202211668448.1
申请日：2022-12-23
Applicant: 电子科技大学
IPC: G16H50/20 , A61B5/00 , G16H20/90 , G06V10/80 , G06V10/82 , G06V10/764 , G06V10/778 , G06V10/26 , G06V10/40 , G06V10/28 , G06V10/774
Abstract: 本发明涉及一种基于多视图舌象特征融合的中医体质辨识方法及系统，分别通过Mask RCNN和NanoDet网络分割出舌体，舌苔和舌下脉络区域，提取舌象的颜色、纹理和形状等特有特征；通过设计多层卷积隐藏特征提取网络，分别提取舌面和舌背的潜在特征；设计教师学生网络在不同路径特征融合时选取关键性特征，最后将提取特征用于体质分类。本发明可以针对复杂的舌象拍摄环境，准确的提取出舌象的特有特征，设计的多视图舌象特征提取模型能够融合舌面与舌下脉络关键特征，输出对应患者体质信息。本发明实现简单，体质辨识效率高，达到了应用的要求。
-
公开(公告)号：CN101511020B
公开(公告)日：2011-11-16
申请号：CN200910058527.9
申请日：2009-03-06
Applicant: 电子科技大学
IPC: H04N7/26
Abstract: 该发明属于图像处理技术领域中的基于稀疏分解的图像压缩方法，包括对输入图像分解处理，设定各次迭代的匹配系数，筛选重要图块，确定编码块中的重要原子，联合编码处理并将其结果写入编码流中。该发明根据原子位置和投影系数幅度之间的分布规律、进行综合处理，并按原子的投影系数幅度排序；大大减少了用于表示原子位置和投影系数的比特数，获得了与标准方法相当、甚至更好的率-失真性能，同时获得了更好的主观质量，加之生成的码流是嵌入式的，支持渐进质量传输和无极分辨率伸缩，因而，本发明具有图像压缩处理的率-失真性能及渐进传输性能好，更适合网络应用等特点。
-
Patent Agency Ranking
公开(公告)号：CN119207795A
公开(公告)日：2024-12-27
申请号：CN202411384087.7
申请日：2024-09-30
Applicant: 电子科技大学
IPC: G16H50/30 , A61B5/00 , A61B5/369 , A61B5/372 , G16H50/70 , G16H20/30 , G16H10/60 , G06N3/044 , G06N3/0464 , G06N3/048 , G06N3/049 , G06N3/045
Abstract: 本发明公开了一种基于链式编码器康复预测模型的康复结果预测方法，首先收集患者康复记录数据，然后构建编码器、解码器，使用患者脑电数据进行训练，即针对编码器进行静息脑电还原的预训练，然后使用三种不同事件相关的脑电进行不同类型编码器训练，再使用注意力层计算不同脑电通道重要性，并结合患者的状态向量，构建编码器预测块，最后使用级联式训练方法构建链式编码器康复预测模型，提取出模型注意力层中的权重参数，得到不同脑电通道对预测的重要性，完成康复预测。本发明的方法构建的链式编码器结构融合异构数据，充分考虑了康复进程的阶段性，以及不同脑电通道对康复效果的影响，提升了康复预测的准确性，能为医师提供决策支持。
-
公开(公告)号：CN115644855B
公开(公告)日：2024-07-19
申请号：CN202211424056.0
申请日：2022-11-15
Applicant: 电子科技大学
IPC: A61B5/11
Abstract: 本发明公开了基于深度学习的异常步态分析方法、装置、设备及介质，该方法包括：基于智能手机获取用户步态数据，并对用户步态数据进行预处理；根据预处理后的用户步态数据，基于多尺度时频回声状态网络提取时间序列的多尺度时频特征；采用卷积神经网络对多尺度时频特征进行深度特征提取，得到多尺度时频深度特征；并通过注意力机制融合多尺度时频深度特征，构建基于多尺度时频深度特征的异常步态分析模型，并进行模型训练；将待分析的用户步态数据输入到训练好的基于多尺度时频深度特征的异常步态分析模型中，进行预测分析，并输出异常步态结果。本发明实现客观化的异常步态分析，提高步态量分析的准确性。
-
公开(公告)号：CN104200815B
公开(公告)日：2017-06-16
申请号：CN201410338912.X
申请日：2014-07-16
Applicant: 电子科技大学
IPC: G10L25/78
Abstract: 本发明提供一种基于相关分析的音频噪声实时检测方法，用于对音频流进行实时噪声检测，首先接收音频帧，并采用帧计数器对接收到的音频帧进行循环计数；每当帧计数器计数到达Nf后，进行削弱信号成分、相关性分析和噪声判定，同时将帧计数器置零。本发明适用于检测音频中各种类型的噪声，如白噪声、粉红噪声、高频信道噪声等，当信号和噪声同时存在时，也能够检测出信号被噪声所覆盖而导致音频内容模糊不清，无法正常收听的情况；同时，该检测方法算法简单、处理快速，能够广泛应用于音频信号的实时监测，如广播、电视信号监测。
-
公开(公告)号：CN104992713A
公开(公告)日：2015-10-21
申请号：CN201510244557.4
申请日：2015-05-14
Applicant: 电子科技大学 , 北京英夫美迪数字技术有限公司
Abstract: 本发明属于数字音频处理技术领域，涉及对两音频信号进行比较的方法，具体为一种快速音频比对方法，包括步骤S1特征提取：对待比对的两个音频，分别进行预处理、读取音频帧、帧数据变换、计算音频帧特征、生成音频特征：将各音频帧的特征矢量fi排列成一矩阵F＝[f1,f2,f3,…,fM]；步骤S2特征匹配：设待比对的两个音频信号的特征矩阵F1和F2的对应列逐个进行比较，将待比对两个音频的所有帧的距离进行平均，并将该平均值作为两音频信号的距离；步骤S3相似度判定。本发明具有较高的比对容错性，在音频受到噪声干扰，或进行了音效处理的等情况下均能实现正确的比对。同时，该方法算法简单、处理快速，能够广泛应用于广播电台的节目监播、广告监测和管理等。
-
公开(公告)号：CN104200812A
公开(公告)日：2014-12-10
申请号：CN201410338721.3
申请日：2014-07-16
Applicant: 电子科技大学
IPC: G10L21/0224 , G10L21/0308 , G10L25/84
Abstract: 本发明提供一种基于稀疏分解的音频噪声实时检测方法，用于对音频流进行实时噪声检测，主要包括以下步骤：首先接收前N帧音频帧，构建初始原子库；然后对第N帧之后的每一音频帧进行静音判断、第一次稀疏分解、第二次稀疏分解，并采用帧计数器对音频帧进行循环计数，每当帧计数器计数到达N后，进行一次噪声判定，同时将帧计数器置零。本发明能够检测音频中各种类型的噪声，如白噪声、粉红噪声、高频信道噪声等，当信号和噪声同时存在时，也能够检测出信号被噪声所覆盖而导致音频内容模糊不清，无法正常收听的情况；同时，该检测方法算法简单、处理快速，能够广泛应用于音频信号的实时监测，如广播、电视信号监测。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.021 seconds)
