-
公开(公告)号：CN118094217A
公开(公告)日：2024-05-28
申请号：CN202410062178.2
申请日：2024-01-16
Applicant: 杭州电子科技大学
IPC: G06F18/214 , G06F18/241 , G06F18/213 , G06N3/0464 , G06N3/09 , G06V40/16
Abstract: 本发明公开一种基于脑机协同训练的半监督面部情绪识别方法，在有标签的图像上训练认知模型和分类模型，使用训练后的认知模型和分类模型预测无标签数据的伪标签，将预测一致的标签作为图像的伪标签。认知模型和分类模型在伪标签扩增后的训练集上更新训练，然后重新预测无标签图像，如此反复；将检测效果最佳的分类模型作为最终分类模型。将被测图像输入最终分类模型，最终分类模型输出被测图像中的对象的情绪类型。本发明通过交替训练认知模型和分类模型，相互验证预测结果获得更高质量的伪标签，防止单一模型过度拟合预测错误的伪标签数据，从而更充分地利用无标签图像数据。
-
公开(公告)号：CN117992728A
公开(公告)日：2024-05-07
申请号：CN202410087929.6
申请日：2024-01-22
Applicant: 杭州电子科技大学
IPC: G06F18/10 , A61B5/369 , A61B5/372 , A61B5/00 , G06F18/213 , G06F18/214 , G06F18/2415 , G06F18/25 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开一种基于多尺度卷积与图池化网络的跨时段脑纹识别方法，采用多尺度卷积网络动态地提取脑电信号的时域表示，同时利用图池化网络以数据驱动的方式揭示通道间的内在关系，并通过有效融合从时域和空域中挖掘出的身份特征，实现对跨时段脑电信号的准确分类。本发明在模型训练过程中不需要提前获取待识别脑电数据，在实际应用场景中具有较高的实用价值，为生物特征识别、身份验证等领域提供了创新性的解决方案。
-
公开(公告)号：CN113974625B
公开(公告)日：2024-05-03
申请号：CN202111210470.7
申请日：2021-10-18
Applicant: 杭州电子科技大学
IPC: A61B5/16 , A61B5/369 , A61B5/378 , A61B5/00 , G06V10/764 , G06V10/774 , G06V40/70 , G06V10/82 , G06N3/0464 , G06N3/096
Abstract: 本发明公开一种基于脑机跨模态迁移的情绪识别方法。针对情绪识别任务，人脑处理信息后得到的是具有情感的认知表征，而机器学习到的仅仅是图像的形式表征，如果能够建立两者之间的迁移关系，通过“人脑”引导“机器”学习，将人脑的情感认知能力赋予机器。为了将人脑感知的信息赋予机器，需要建立图像模态与脑电模态的跨模态迁移模型，从而获取形式表征和认知表征之间的迁移关系。本发明将探索脑电模态与图像模态之间的迁移关系，建立形式表征与认知表征之间的联系，实现脑机协同智能。为了减少认知表征与形式表征间的差异，使得形式表征无限逼近认知表征，本发明设计一种“基于脑机跨模态迁移的情绪识别方法”。
-
公开(公告)号：CN117556307A
公开(公告)日：2024-02-13
申请号：CN202311654977.0
申请日：2023-12-05
Applicant: 杭州电子科技大学
IPC: G06F18/24 , G06F18/213 , G06F18/10
Abstract: 本发明公开了一种基于脑电肌电多模态融合的运动想象手势识别方法；其使用FBCSP对脑电提取特征，首先使用滤波器组对滤波后的脑电信号进行分解，提取出不同频带上的信号特征，对于每个频带，采用共空间模式分析方法，通过寻找一对投影矩阵将信号从原始空间投影到一个新的空间，使得在新空间中不同类别的脑电信号方差最大化或最小化。提取前臂肌的前群和后群两个通道的肌电信号，对信号预处理之后分别提取两个通道的均值，极差以及两个通道的均值比，最后将脑电特征和肌电特征拼接融合使用SVR算法训练出模型部署在服务器上。本发明充分利用多生物电信号肌电和脑电的之间信息的互补，显著提高了运动想象识别的分类效果。
-
公开(公告)号：CN113537292B
公开(公告)日：2024-02-09
申请号：CN202110678075.5
申请日：2021-06-18
Applicant: 杭州电子科技大学
IPC: G06V10/764 , G06V10/774 , G06V10/40
Abstract: 本发明公开一种基于张量化高阶互注意力机制的多源域适应方法。通过共享子网络构建初级特征提取器以提取多源域数据的浅层共有特征。其次，分别构造不同源域的深层特征提取器，目标域数据分别通过这些深层特征提取器以提取与不同源域相关的特征。在深层特征的基础上，通过高阶互注意力机制挖掘多源域空间深层特征之间的高阶相关性，并应用于目标域，从而与度量目标域与源域特征分布差异的损失函数一起指导目标域与源域的域不变特征提取。最后，分别训练每个源域的特征分类器，将目标域数据特征分别输入这些分类器，得到所有预测结果的平均作为最终目标域数据的预测结果。本发明有效挖掘多源域特征间的相关性，适用于多源域适应。
-
Patent Agency Ranking
公开(公告)号：CN113191395B
公开(公告)日：2024-02-09
申请号：CN202110373684.X
申请日：2021-04-07
Applicant: 杭州电子科技大学
IPC: G06F18/2411 , G06F18/25 , G06F18/214 , G06F17/16 , A61B5/372 , A61B5/377 , G06N3/045 , G06N3/084
Abstract: 本发明公开了一种基于双脑的多层次信息融合的目标检测方法。该方法包括数据获取、数据处理、模型训练与分类四个步骤。提出一种双被试、同任务的RSVP范式，使用双人的EEG信号来进行P300检测，并针对该范式提出了一种基于多层次信息融合的HyperscanNet神经网络模型来进行目标检测，在数据处理阶段通过超扫描特征模块与原始特征模块，分别进行特征层融合与数据层融合，然后对超扫描特征模块进行处理后，将其提取的深层次特征与原始特征模块提取的浅层次特征一起输入到支持向量机中，实现HyperscanNet神经网络模型的训练，最后进行脑电数据的分类、检测。该方法实现了范式和检测方法的创新。
-
公开(公告)号：CN113011239B
公开(公告)日：2024-02-09
申请号：CN202011399435.X
申请日：2020-12-02
Applicant: 杭州电子科技大学
IPC: G06F18/2411 , G06F18/25 , G06F18/213 , G06F18/10 , G06F18/214 , G06F17/14 , G06N3/0464 , G06N3/084
Abstract: 本发明公开一种基于最优窄频带特征融合的运动想象分类方法。本发明将四分类运动想象任务整合成4个二分类运动想象任务，然后对于每2类运动想象任务，均获取1个最优窄频带，总共得到4个最优窄频带；利用最优窄频带对每2类运动想象脑电信号进行带通滤波，然后对滤波后脑电信号进行特征提取，生成维度为32×7的结果矩阵；构建深度卷积神经网络模型，输入为32×7的结果矩阵，输出为脑电信号预测类别。本发明通过一种新颖的四叉搜索树自动确定最优窄频带，并通过共空间模式算法提取动态能量特征，最后将多个窄频带通过卷积神经网络进行特征融合，并实现多类别运动想象脑电信号的分类。
-
公开(公告)号：CN112541415B
公开(公告)日：2024-02-02
申请号：CN202011399687.2
申请日：2020-12-02
Applicant: 杭州电子科技大学
IPC: G06F18/10 , G06F18/213 , G06F18/24 , G06F18/214 , G06F18/23
Abstract: 本发明公开了一种基于符号传递熵和图论的脑肌功能网络运动疲劳检测方法；首先，通过64导联脑电帽和肌电采集仪采集了10通道脑电信号和尺侧腕屈肌、屈指浅肌、桡侧腕屈肌的表面肌电信号。结合符号传递熵和图论知识建立了脑肌功能网络，并提取了网络特征向量用于K最近邻算法训练分类器，最终用于检测运动疲劳。该方法克服了传统的基于生物电信号的运动疲劳检测方法中未全面考虑脑肌协作进行运动控制的缺点，将脑电信号和肌电信号结合进行运动疲劳检测，结果显示该方法在运动疲劳检测中具有较高的准确率。
-
公开(公告)号：CN116824178A
公开(公告)日：2023-09-29
申请号：CN202310040214.0
申请日：2023-01-11
Applicant: 杭州电子科技大学
IPC: G06V10/75 , G06N3/042 , G06V10/82 , G06V10/74 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了基于RGB‑D卷积与图神经网络的多模态特征匹配方法，通过针对多模态图像的分块自适应特征点检测算法检测足量、均匀的特征点，利用卷积残差神经网络针对性地对每种模态计算特征描述，并使用图神经网络，通过解决最优传输的问题来解决两张图片之间的特征匹配问题，并利用深度值投影自动生成图像配对训练数据的方法来生成样本训练。本方法无需手动设计特征描述子，网络将从样本中学习到特征描述和匹配的最佳方法，解决跨模态图像因特征的显著差异导致匹配困难的问题。
-
公开(公告)号：CN116150670A
公开(公告)日：2023-05-23
申请号：CN202211571546.3
申请日：2022-12-08
Applicant: 杭州电子科技大学
IPC: G06F18/241 , A61B5/369 , A61B5/374 , G06F18/213 , G06F21/32 , G06N3/045 , G06N3/0895 , G06N3/094
Abstract: 本发明公开一种基于特征去相关解耦的任务无关脑纹识别方法。现有方法缺乏对大脑固有的身份信息的挖掘导致，这使得脑纹识别在跨任务场景下的鲁棒性较差，难以在实际应用中推广。本发明首先采用两个分支网络分别粗粒度分解脑电中的身份信息和任务相关信息；其次，考虑到任务状态对身份信息的影响，采用去相关的方法使得身份信息和任务相关信息尽可能独立；最后，通过对抗自监督的方式充分利用脑电中的脑纹特征用于分类。本发明方法性能良好，能够实现高效的任务无关脑纹识别，是一种可鲁棒地用于现实生活中的脑纹识别方法。
-
-
-
-
-
-
-
-
-
Search Results
161
records
(took 0.028 seconds)
