-
公开(公告)号：CN117113015A
公开(公告)日：2023-11-24
申请号：CN202311137978.8
申请日：2023-09-05
Applicant: 浙江大学
IPC: G06F18/15 , G06F18/2415 , G06F18/214 , G06N3/047 , G06N3/084
Abstract: 本发明公开了一种基于时空深度学习的脑电信号识别方法及装置，包括对采集到的原始脑电信号进行预处理，得到预处理后的脑电信号；对预处理后的脑电信号进行计算手工特征并结合原始脑电信号的脑电极的空间分布建立三维手工特征矩阵；构建时空深度学习模型，将预处理后的脑电信号和三维手工特征矩阵作为时空深度学习模型的输入，训练时空深度学习模型；最后将脑电信号输入至训练好的时空深度学习模型中，得到脑电信号的识别结果。本发明结合脑电信号的脑电极空间分布和手工特征相结合，相较于现有技术更全面地挖掘了脑电信号中蕴含的宝贵信息，且更充分地结合了先验知识，从而显著提高了脑电信号识别的准确率。
-
公开(公告)号：CN117011390A
公开(公告)日：2023-11-07
申请号：CN202310617846.9
申请日：2023-05-30
Applicant: 浙江大学
IPC: G06T7/80
Abstract: 一种基于背景平面的深度相机外参自适应校正方法，包括以下步骤：S1：通过深度相机得到内参校准后的深度图像并转换为三维点云，得到内参校准后的三维点云；S2：通过三维点云分割算法将采集得到的三维点云分割为数个子物体，得到分割后的子物体集；S3：通过先验知识或人工智能算法识别自动选取背景平面对应的子物体，得到背景平面三维点云集；S4：基于背景平面拟合计算平面法向量并基于法向量计算深度相机外参；S5：基于得到的外参修正原始三维点云。以及提供一种基于背景平面的深度相机外参自适应校正系统。本发明计算各背景平面的法向量并基于法向量计算得到深度相机的外参，实现基于背景平面的深度相机外参自适应校正。
-
公开(公告)号：CN113729640B
公开(公告)日：2023-03-21
申请号：CN202111179760.X
申请日：2021-10-11
Applicant: 浙江大学
IPC: A61B5/00 , G06F18/24 , G06F18/214
Abstract: 一种穿戴式吞咽行为识别方法，包括以下步骤：步骤(1)，训练某一位置l1的吞咽行为识别模型cl1；步骤(2)，利用可穿戴设备采集喉部指定位置的吞咽惯性信号和双路光电脉搏波信号；步骤(3)，对惯性数据I和双路PPG数据P进行预处理，得到新的惯性信号和PPG运动成分pmotion；步骤(4)，将预处理后的惯性数据和PPG信号pmotion分割成细粒度数据并提取特征；步骤(5)，将提取的细粒度特征输入吞咽行为识别模型得到识别结果；步骤(6)，采集不同位置吞咽数据，重复上述步骤构建不同位置吞咽识别模型；步骤(7)，采集不同位置吞咽数据，所有吞咽数据运用指定位置吞咽识别模型进行吞咽识别。以及提供实现穿戴式吞咽行为识别方法的系统。本发明可用于日常监测、准确率较高。
-
公开(公告)号：CN113729640A
公开(公告)日：2021-12-03
申请号：CN202111179760.X
申请日：2021-10-11
Applicant: 浙江大学
Abstract: 一种穿戴式吞咽行为识别方法，包括以下步骤：步骤(1)，训练某一位置l1的吞咽行为识别模型cl1；步骤(2)，利用可穿戴设备采集喉部指定位置的吞咽惯性信号和双路光电脉搏波信号；步骤(3)，对惯性数据I和双路PPG数据P进行预处理，得到新的惯性信号和PPG运动成分pmotion；步骤(4)，将预处理后的惯性数据和PPG信号pmotion分割成细粒度数据并提取特征；步骤(5)，将提取的细粒度特征输入吞咽行为识别模型得到识别结果；步骤(6)，采集不同位置吞咽数据，重复上述步骤构建不同位置吞咽识别模型；步骤(7)，采集不同位置吞咽数据，所有吞咽数据运用指定位置吞咽识别模型进行吞咽识别。以及提供实现穿戴式吞咽行为识别方法的系统。本发明可用于日常监测、准确率较高。
-
公开(公告)号：CN110188809B
公开(公告)日：2021-04-06
申请号：CN201910429440.1
申请日：2019-05-22
Applicant: 浙江大学
IPC: G06K9/62 , G06F16/587
Abstract: 一种基于图像分块的回环检测方法，包括以下步骤：步骤1，对于每个输入图像帧，将图像分块为网格图像，提取每个网格图像的特征向量；步骤2，进行排序，综合排序结果计算历史图像帧与输入图像帧的空间相似性，选出与输入图像帧拥有最大空间相似性的历史图像帧，记为最佳候选图像帧；步骤3，计算最佳候选图像帧与输入图像帧之间的归一化平均纹理相似性，并根据约束条件计算最佳候选图像帧与输入图像帧的回环合理性；步骤4，若最佳候选图像帧满足回环合理性，则将最佳候选图像帧与输入图像帧标记为回环图像对，反之则不标记；步骤5，将输入图像帧信息加入到历史图像帧中，获取新的输入图像帧。本发明可以加速回环检测过程，精确度更高。
-
Patent Agency Ranking
公开(公告)号：CN111797743A
公开(公告)日：2020-10-20
申请号：CN202010596167.4
申请日：2020-06-28
Applicant: 浙江大学
Abstract: 一种基于双向LSTM的人体行为识别方法，行为识别分为训练阶段和识别阶段，训练阶段，首先通过加速度计采集三轴加速度原始数据，然后对传感器数据进行滤波去噪、数据分割预处理，最后利用分割得到的数据片段和采集时的行为标签，训练并验证基于双向LSTM的行为识别网络模型，选择在验证集上具有最高识别率的训练模型应用于识别阶段。该方法具有准确率高、参数少的优势。本发明提出一种基于双向LSTM的深度双向LSTM人体行为识别方法，能够提供更高准确率、更快捷的识别结果。
-
公开(公告)号：CN108419287B
公开(公告)日：2020-08-04
申请号：CN201810026925.1
申请日：2018-01-11
Applicant: 浙江大学
Abstract: 一种用于无线设备节点同步的方法，应用于进行短距离无线通信的设备节点之间，所述方法通过选定的主设备节点向从设备节点发送同步控制指令，控制同步过程；无线设备节点之间通过广播方式得到基准时钟端口设备节点的同步数据包；而后主设备通过设备节点数据包的包序对齐数据的时间，从而实现了无线设备节点之间的同步。本发明可用于多节点传感器无线采集系统中，实现对节点数据实时同步地采集，在保证节点同步精度较高的同时能耗较低。
-
公开(公告)号：CN107616791A
公开(公告)日：2018-01-23
申请号：CN201710616386.2
申请日：2017-07-26
Applicant: 浙江大学
IPC: A61B5/0402 , A61B5/0452 , A61B5/04
Abstract: 一种基于自适应心电信号区域分割的标准12导联心电分段线性重建方法，包括以下步骤：a)自适应心电信号区域分割,对标准12导联心电信号进行自适应分区，根据心电信号的波动特性及不同的心动阶段来将其划分为首尾区、ST-T区、R-P区和QRS区；b)线性回归训练与重建，利用最小二乘准则对现有心电样本进行线性建模和线性重构的过程；c)子区域心电序列还原，由于待重建新号经过心电信号区域分割后分别进行线性重建，重建所得的心电子区域序列需要还原为常规顺序的心电信号。本发明提出了一种兼具快速性和准确性的基于自适应心电信号区域分割的标准12导联心电分段线性重建方法。
-
公开(公告)号：CN106264517A
公开(公告)日：2017-01-04
申请号：CN201610867264.6
申请日：2016-09-30
Applicant: 浙江大学 , 杭州质子科技有限公司
IPC: A61B5/0402
CPC classification number: A61B5/0402 , A61B5/04012 , A61B5/7221 , A61B5/7225 , A61B5/725 , A61B5/7253 , A61B5/7271
Abstract: 一种选择心电测量位置的方法，包括以下步骤：1)在人体胸前表面分布M行M列的电极点，形成(M-1)×(M-1)的网格，覆盖前胸表面，每个格子使用(m,n)表示；2)每行从左至右间隔1列，依次确定其他待测格子位置，每行选择结束后，再隔行重复上述操作，确定所有待测格子位置；3)4电极方形心电监测单元分别贴于每个选定的格子位置，进行信号采集；4)心电信号传至智能终端设备，对信号进行处理和质量评估；5)根据评估结果，选择心电信号质量最好的格子区域为初步选择位置。以及提供一种所述选择心电测量位置的方法实现的系统。本发明提供了一种有效获得最佳的单导联心电信号、提升测量准确性的选择心电测量位置的方法及系统。
-
公开(公告)号：CN119405331A
公开(公告)日：2025-02-11
申请号：CN202411373761.1
申请日：2024-09-29
Applicant: 浙江大学
Abstract: 本发明公开了一种可穿戴脊柱侧弯康复监测方法，包括获取患者在康复训练过程中躯干背部双侧肌肉的肌电数据，并对肌电数据的信号频率进行限制，且消除工频干扰和心电噪声，得到肌电滤波信号，再对肌电滤波信号依次通过全波整流与低通滤波处理得到肌电激活信号；通过获取患者在康复训练过程中的肌电数据，并获取肌电数据中的康复动作幅度特征、康复动作频率特征、康复动作小波系数特征和康复动作激活幅度特征，且将各特征输入至特征选择器中进行筛选，然后再输入至分类器中的得到康复训练完成度高低的判别结果，实现对患者康复训练的过程进行监测，进而辅助患者优化康复训练的动作。
-
-
-
-
-
-
-
-
-
Search Results
47
records
(took 0.021 seconds)
