公开(公告)号：CN119272152A

公开(公告)日：2025-01-07

申请号：CN202411376764.0

申请日：2024-09-30

Applicant: 西南交通大学

Inventor： 顾瑾 ,  查欣贝 ,  滕飞 ,  罗志鹏 ,  李天瑞

IPC: G06F18/2415 ,  G06N3/0464 ,  G06N3/042 ,  G06N3/082 ,  G06N5/04

Abstract: 本申请涉及一种基于残差块与贝叶斯变分推理的rs‑fMRI分类方法。所述方法包括：首先，获取rs‑fMRI数据并进行预处理，得到时间信号序列；之后，基于所述时间信号序列计算脑功能连接并构造原始脑网络；之后，基于所述原始脑网络构造线图并进行线图卷积；最后，基于所述卷积后的线图采用贝叶斯变分后验进行分类，得到rs‑fMRI分类结果。通过将脑连接重建模为节点，突出功能连接的重要性，并将残差块与贝叶斯变分推理相结合，有助于准确保存和分析大脑网络连接，克服了原始噪声和异常值的问题，提高了模型提取脑信息进行辨识分类的准确性和鲁棒性。

公开(公告)号：CN118333863A

公开(公告)日：2024-07-12

申请号：CN202410772902.0

申请日：2024-06-17

Applicant: 西南交通大学

Inventor： 赵小乐 ,  李林泽 ,  顾瑾 ,  杜圣东

IPC: G06T3/4053 ,  G06T3/4046 ,  G06T5/30 ,  G06T5/60

Abstract: 本申请提供了一种基于熵注意力的图像超分辨方法、装置和设备，涉及图像处理技术领域，该方法包括：创建单幅超分辨网络，所述单幅超分辨网络包括：浅层特征提取模块、深层特征提取模块和图像重建模块；所述深层特征提取模块包括多个堆叠的双注意力模块，所述双注意力模块由大核注意力模块和熵注意力模块串联构成；将原始图像输入所述浅层特征提取模块，得到浅层特征；将所述浅层特征输入所述深层特征提取模块进行特征提取，得到深层特征；将所述深层特征输入所述图像重建模块，得到重建的超分辨图像。

公开(公告)号：CN117017288B

公开(公告)日：2024-03-19

申请号：CN202310707364.2

申请日：2023-06-14

Applicant: 西南交通大学

Inventor： 顾瑾 ,  龚新皓 ,  李天瑞

IPC: A61B5/16 ,  A61B5/372 ,  A61B5/00 ,  G06F18/21 ,  G06F18/241 ,  G06N3/045

Abstract: 本发明公开了一种跨被试情绪识别模型及其训练方法、情绪识别方法、设备，训练方法基于神经网络结构实现，神经网络结构包括两个独立且结构相同的子神经网络；训练方法包括以下步骤：S1：获取脑电原始信号，并对其进行微分熵特征提取；S2：将提取的微分熵特征划分为多个数据组，并将其中一个作为目标域数据，剩余的作为源域数据；S3：假设当前源域数据分别为Si和Sj，目标域数据为T，其中，Si为子神经网络一的输入，Sj为子神经网络二的输入；S4：建立子神经网络的目标函数；S5：建立跨被试情绪识别模型的损失函数；S6：进行神经网络训练，直至跨被试情绪识别模型的损失函数最小化。本发明获得的跨被试情绪识别模型更加轻量化、识别准确率更高。

公开(公告)号：CN117017288A

公开(公告)日：2023-11-10

申请号：CN202310707364.2

申请日：2023-06-14

Applicant: 西南交通大学

Inventor： 顾瑾 ,  龚新皓 ,  李天瑞

IPC: A61B5/16 ,  A61B5/372 ,  A61B5/00 ,  G06F18/21 ,  G06F18/241 ,  G06N3/045

Abstract: 本发明公开了一种跨被试情绪识别模型及其训练方法、情绪识别方法、设备，训练方法基于神经网络结构实现，神经网络结构包括两个独立且结构相同的子神经网络；训练方法包括以下步骤：S1：获取脑电原始信号，并对其进行微分熵特征提取；S2：将提取的微分熵特征划分为多个数据组，并将其中一个作为目标域数据，剩余的作为源域数据；S3：假设当前源域数据分别为Si和Sj，目标域数据为T，其中，Si为子神经网络一的输入，Sj为子神经网络二的输入；S4：建立子神经网络的目标函数；S5：建立跨被试情绪识别模型的损失函数；S6：进行神经网络训练，直至跨被试情绪识别模型的损失函数最小化。本发明获得的跨被试情绪识别模型更加轻量化、识别准确率更高。

公开(公告)号：CN116504351A

公开(公告)日：2023-07-28

申请号：CN202310471299.8

申请日：2023-04-27

Applicant: 西南交通大学

Inventor： 滕飞 ,  林工钞 ,  胡晓鹏 ,  顾瑾 ,  徐珽 ,  金朝晖 ,  姚远 ,  武云 ,  刘曦 ,  王億科

IPC: G16H20/10 ,  G16H10/60 ,  G16H50/70 ,  G16H70/40 ,  G06F16/36 ,  G06F18/243 ,  G06N5/04 ,  G06N20/20

Abstract: 本发明公开了一种共病模式下的潜在不适当用药检测方法，包括以下步骤：对原始病历数据进行处理，获得训练后的机器学习模型；根据药物标准中潜在不适当用药的相关因素构建知识图谱，建立基于原始特征的知识图谱路径推理模型；将机器学习模型的预测结果和知识图谱路径推理模型的推理结果进行结合，获得潜在不适当用药检测结果。本发明弥补了机器学习对于低频潜在不适当用药预测能力弱的问题，增加了预测结果的准确性和可靠性，同时减少了对样本数据的依赖，因此具有较高的临床应用价值。