-
公开(公告)号：CN113974647B
公开(公告)日：2023-08-04
申请号：CN202111251594.X
申请日：2021-10-26
Applicant: 福州大学
Abstract: 本发明提出一种非线性支持向量机多特征量化及模型参数寻优重构心源性猝死风险因子的系统及方法，包括对心源性猝死心电信号数据集和正常窦性心律心电信号数据集进行数据预处理；对处理好的心电数据集进行心电波形检测；对心源性猝死风险因子进行提取；对提取的初始特征进行特征量化缩放处理；利用非线性支持向量机作为心源性猝死风险因子的验证模型，通过模型参数寻优，确定误差惩罚参数C和核参数γ；通过制定的心源性猝死风险因子和优化后的模型参数得到心源性猝死的预测模型；达到重构、验证心源性猝死风险因子的效果，对研究心源性猝死具有很好的指导意义。
-
公开(公告)号：CN113627518A
公开(公告)日：2021-11-09
申请号：CN202110904775.1
申请日：2021-08-07
Applicant: 福州大学
Abstract: 本发明提出一种利用迁移学习实现多通道卷积‑递归神经网络脑电情感识别模型的方法，其基于三心搏识别方法构建的双通道一维卷积神经网络模型作为源域模型进行迁移，得到目标域为脑电信号的多通道卷积‑递归神经网络脑电情感识别模型，解决了脑电信号标注数据十分稀缺的问题，并能够提高脑电信号情感预测准确度。通过对脑电数据集进行分解、归一化等预处理，提高数据处理的准确性；迁移得到的多通道卷积神经网络对脑电数据集中的多通道脑电信号进行特征提取；结合递归神经网络进行序列建模，提取多通道融合情感信息；通过自适应注意力模型和加权特征融合方式来实现特征的重新分布，得到完整的特征张量。
-
公开(公告)号：CN113627518B
公开(公告)日：2023-08-08
申请号：CN202110904775.1
申请日：2021-08-07
Applicant: 福州大学
IPC: G06F18/2135 , G06F18/25 , G06N3/0464 , G06N3/096 , A61B5/16 , A61B5/372
Abstract: 本发明提出一种利用迁移学习实现多通道卷积‑递归神经网络脑电情感识别模型的方法，其基于三心搏识别方法构建的双通道一维卷积神经网络模型作为源域模型进行迁移，得到目标域为脑电信号的多通道卷积‑递归神经网络脑电情感识别模型，解决了脑电信号标注数据十分稀缺的问题，并能够提高脑电信号情感预测准确度。通过对脑电数据集进行分解、归一化等预处理，提高数据处理的准确性；迁移得到的多通道卷积神经网络对脑电数据集中的多通道脑电信号进行特征提取；结合递归神经网络进行序列建模，提取多通道融合情感信息；通过自适应注意力模型和加权特征融合方式来实现特征的重新分布，得到完整的特征张量。
-
公开(公告)号：CN113974647A
公开(公告)日：2022-01-28
申请号：CN202111251594.X
申请日：2021-10-26
Applicant: 福州大学
Abstract: 本发明提出一种非线性支持向量机多特征量化及模型参数寻优重构心源性猝死风险因子的系统及方法，包括对心源性猝死心电信号数据集和正常窦性心律心电信号数据集进行数据预处理；对处理好的心电数据集进行心电波形检测；对心源性猝死风险因子进行提取；对提取的初始特征进行特征量化缩放处理；利用非线性支持向量机作为心源性猝死风险因子的验证模型，通过模型参数寻优，确定误差惩罚参数C和核参数γ；通过制定的心源性猝死风险因子和优化后的模型参数得到心源性猝死的预测模型；达到重构、验证心源性猝死风险因子的效果，对研究心源性猝死具有很好的指导意义。
-
-
-
Search Results
4
records
(took 0.016 seconds)
