-
公开(公告)号：CN110246136B
公开(公告)日：2021-07-02
申请号：CN201910457854.5
申请日：2019-05-29
Applicant: 山东大学
Abstract: 本公开提供了基于混合算法的血管内超声参数提取方法及系统。其中，血管内超声参数提取方法，包括对原始血管内超声图像进行标注内外膜分割，获得血管内超声内外膜标注图像；将原始血管内超声图像与血管内超声内外膜标注图像进行扣减融合，获取原始血管内超声图像中仅存在标注区域的图像，记为扣减图像；对扣减图像进行预处理，得到边缘图像；运用最小误差距离算法对边缘图像进行处理，获取内膜及外模之间的斑块厚度，再根据双线性覆盖算法，得到当前斑块对应的内膜矩阵和外膜矩阵；求取当前血管面积和当前内腔面积；根据血管面积与内腔面积之差再与血管面积的比值，得到当前斑块对应的斑块负荷指标。
-
公开(公告)号：CN112168140A
公开(公告)日：2021-01-05
申请号：CN201910605155.0
申请日：2019-07-05
Applicant: 山东大学齐鲁医院 , 复旦大学 , 中国科学院深圳先进技术研究院
Abstract: 本发明公开了一种基于人工智能芯片的穿戴式生物信息监测系统及方法，该设备包括模拟前端电路模块、数字前端模块以及SOC芯片；模拟前端电路模块产生激励超声换能器的电压脉冲，接收超声面阵换能器采集的回波电信号，并对其进行阻抗匹配，阻抗匹配后的回波电信号经过放大和模/数转换后，输入数字前端模块；SOC芯片根据成像目的和成像模式对生物信息原始数据进行不同运算，得到成像感兴趣区域和关键结构点，输出控制指令至数字前端模块；数字前端模块接收到SOC芯片输出的控制指令后，采集所需成像点的回波信号，并对其进行动态的波束合成；波束合成后的信号经过滤波、正交解调以及批处理和流速估计后，实现超声图像重建与实时成像。
-
公开(公告)号：CN111513732A
公开(公告)日：2020-08-11
申请号：CN202010354393.1
申请日：2020-04-29
Applicant: 山东大学
IPC: A61B5/16
Abstract: 本公开提供了一种面向疫病状况下多类人群的心理压力智能评估预警系统，属于人工智能模式识别领域，数据获取模块，被配置为：获取受试个体的至少一个生理信号，并进行预处理；心理评估模块，被配置为：将预处理后的生理信号输入到预设神经网络模型中，得到受试个体处于不同心理状态的概率，进而确定受试个体的当前心理状态等级；告警模块，被配置为：当受试个体的心理状态等级超出安全等级时，发出告警信息；本公开只需采集受试个体的相关生理信号，无需任何问询，即可高效和准确的得到心理等级分类结果，进而能够对心理异常的个体提早干预治疗，保证了受试人员的生理和心理健康。
-
公开(公告)号：CN111466876A
公开(公告)日：2020-07-31
申请号：CN202010211383.2
申请日：2020-03-24
Applicant: 山东大学
IPC: A61B5/00
Abstract: 本公开公开了一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断系统，包括脑电检测模块利用功能性近红外光谱成像装置对AD患者和正常人的大脑处于活动状态时的氧合血红蛋白、脱氧血红蛋白和总血红蛋白进行多通道检测，并构建fNIRS数据集；邻接矩阵构建模块对fNIRS数据集利用通道之间的相关性构建邻接矩阵；节点特征矩阵构建模块对fNIRS数据集进行特征提取，构建节点特征矩阵；图结构构建模块根据邻接矩阵和节点特征矩阵分别构建AD患者图结构和正常人图结构，形成训练数据集；阿尔兹海默症识别模块以训练数据集对构建的图神经网络进行训练，以训练后的图神经网络对待测人员的测试数据集进行识别，输出辅助诊断结果。实现将图神经网络用于fNIRS数据的分类中。
-
公开(公告)号：CN110751208B
公开(公告)日：2020-06-30
申请号：CN201910995435.7
申请日：2019-10-18
Applicant: 山东大学
Abstract: 本发明涉及一种基于自权重差分编码器进行多模态特征融合的服刑人员情感识别方法，包括步骤如下：(1)数据预处理：对文本数据、语音数据、微表情数据分别进行预处理，使其符合不同模态对应模型的输入要求；(2)特征提取：对预处理后的文本、语音和微表情三个模态的数据所蕴含的情感信息分别进行提取，获取对应的特征向量；(3)特征融合：采用自权重差分编码器将特征向量进行特征融合：(4)训练模型，得到最优的情感识别模型。本发明利用自权重差分编码器进行多模态特征融合，通过多个模态特征的交叉互补，有效降低了单模态数据的局限性和错误信息的负面影响，使提取到的情感特征更加丰富、有效和准确，提高了服刑人员的情感识别效果。
-
Patent Agency Ranking
公开(公告)号：CN111063018A
公开(公告)日：2020-04-24
申请号：CN201911087995.9
申请日：2019-11-08
Applicant: 山东大学
Abstract: 本发明公开了一种基于深度学习的血管内超声图像三维重建方法及系统，包括：采集IVUS图像中的分叉血管和正常血管图像，并进行标注，制作第一数据集；利用分类网络对第一数据集进行分类，得到分叉血管图像和正常血管图像；分别标注分叉血管图像的内外膜和正常血管图像的内外膜，形成第二数据集和第三数据集；利用语义分割网络对第二数据集和第三数据集分别进行分割处理，分别得到分叉血管和正常血管的内外膜图像；对得到分叉血管和正常血管的内外膜图像进行三维重建。本发明利用深度学习的方法对分叉血管和正常血管进行分类，能够提高三维重建的速度和精准度，重建结果更加准确，更有助于医生的直观判断，对于疾病的辅助诊断有着重大意义。
-
公开(公告)号：CN110246136A
公开(公告)日：2019-09-17
申请号：CN201910457854.5
申请日：2019-05-29
Applicant: 山东大学
Abstract: 本公开提供了基于混合算法的血管内超声参数提取方法及系统。其中，血管内超声参数提取方法，包括对原始血管内超声图像进行标注内外膜分割，获得血管内超声内外膜标注图像；将原始血管内超声图像与血管内超声内外膜标注图像进行扣减融合，获取原始血管内超声图像中仅存在标注区域的图像，记为扣减图像；对扣减图像进行预处理，得到边缘图像；运用最小误差距离算法对边缘图像进行处理，获取内膜及外模之间的斑块厚度，再根据双线性覆盖算法，得到当前斑块对应的内膜矩阵和外膜矩阵；求取当前血管面积和当前内腔面积；根据血管面积与内腔面积之差再与血管面积的比值，得到当前斑块对应的斑块负荷指标。
-
公开(公告)号：CN107123088B
公开(公告)日：2019-09-13
申请号：CN201710264952.8
申请日：2017-04-21
Applicant: 山东大学
Abstract: 本发明公开了一种自动更换证件照背景颜色的方法，包括对证件照图像进行边缘检测，得到证件照边缘图像；从证件照边缘图像中提取人物目标区域的外轮廓图像；采用基于全局学习的数字抠图算法来计算图像合成中所需的掩膜值；根据计算得到的掩膜值，以1与掩膜值之差和掩膜值分别作为证件照图像的纯色背景图像和前背景图像的系数，将证件照图像的纯色背景图像和前背景图像进行线性叠加，最终得到合成后的证件照图像。本发明不仅可以满足申请人无需外出即可自助更换证件照背景的需求，还能完成快速、高效、精确、自动地获取图像背景区域，实现较好的证件照换底效果。
-
公开(公告)号：CN109002838A
公开(公告)日：2018-12-14
申请号：CN201810644039.5
申请日：2018-06-21
Applicant: 山东大学
Abstract: 本发明公开了基于易损指数的IVUS易损斑块组织分类方法及系统，步骤：采集动物的若干IVUS图像和人的若干IVUS图像；将采集完IVUS图像的动物和人的血管均做成切片，计算每个切片的易损指数；设定易损指数阈值，完成动物和人的所有切片对应的IVUS图像的易损或非易损标签标记；搭建分类器，利用动物的带非易损斑块标签和易损斑块标签的IVUS图像输入到分类器中，对分类器进行训练，将最高分类准确率所对应的易损指数阈值为标准易损指数；利用标准易损指数分类的动物的标签所训练的分类器作为训练好的分类器；将待识别的人的IVUS图像输入到训练好的分类器中，对待识别的人的IVUS图像进行分类识别，输出识别结果。
-
公开(公告)号：CN104202605B
公开(公告)日：2017-11-14
申请号：CN201410405983.7
申请日：2014-08-18
Applicant: 山东大学
IPC: H04N19/503 , H04N19/40 , H04N19/147 , H04N19/176
Abstract: 本发明涉及一种通过降低分辨率预测高清图像编码单元CU的划分方式的方法，具体步骤包括：(1)输入一帧高清图像；(2)对步骤(1)所述的高清图像通过超分辨率方法进行分解，得到低分辨率图像；(3)确定步骤(2)所述的低分辨率图像编码单元CU的划分方式；(4)根据步骤(3)得到的低分辨率图像编码单元CU的划分方式，预测步骤(1)所述的高清图像编码单元CU的划分方式。本发明在确定高清图像编码单元CU划分方式时，通过降低高清图像的分辨率，计算低分辨率图像的分块情况，对预测高清图像编码单元CU划分方式，实现快速帧间预测的目的，减少了计算量，提高了编码速率。
-
-
-
-
-
-
-
-
-
Search Results
263
records
(took 0.065 seconds)
