-
公开(公告)号：CN115910112A
公开(公告)日：2023-04-04
申请号：CN202211554119.4
申请日：2022-12-06
Applicant: 重庆大学
Abstract: 本发明涉及帕金森病语音识别技术领域，具体公开了一种帕金森病受试者包络化语音样本段分级融合方法，该方法基于样本段剪枝模块(SP)、样本段原型聚类模块(FC&IDMD)、样本段协同选择模块(SS/FSM)，对帕金森病受试者包络化语音样本段进行分级快速融合，获得少量的高质量原型样本。这不仅有利于提取反映受试者整体病理情况的语音特征(诊断标志物)，还能显著提高分类精度和泛化性能，能更好地满足临床应用的需求。
-
公开(公告)号：CN113971441A
公开(公告)日：2022-01-25
申请号：CN202111238425.2
申请日：2021-10-25
Applicant: 重庆大学
IPC: G06K9/62
Abstract: 本发明涉及人工智能技术领域，具体公开了一种基于样本包络多层聚类的数据集平衡化学习方法，包括步骤：选择不平衡训练集，该不平衡训练集由少数类样本和多数类样本组成；对少数类样本和多数类样本构造对应的包络化少数类样本和包络化多数类样本；对包络化少数类样本进行深度样本变换，得到对应的L层包络化少数类深度样本，L≥1；将包络化少数类样本与每层包络化少数类深度样本进行融合，得到样本数目与包络化多数类样本平衡的包络化少数类平衡样本；将包络化少数类平衡样本与包络化多数类样本融合，得到平衡训练集。本发明增加了少数类样本的多样性，提高了少数类样本的质量，从而增加了模型对少数类样本的学习能力，提升了其分类或预测的准确性。
-
公开(公告)号：CN107170445A
公开(公告)日：2017-09-15
申请号：CN201710325414.5
申请日：2017-05-10
Applicant: 重庆大学
Abstract: 本发明公开了一种基于语音混合信息特征协同优选判别的帕金森症检测装置，包括：信号采集器、处理器以及结果输出模块；所述信号采集器：用于获取诊断对象的语音信息；所述处理器：包括用于提取语音特征的特征提取模块以及预先训练好的分类器，通过所述分类器判断诊断对象是否属于帕金森症患者；所述结果输出模块：用于输出分类器的判断结果。本发明提供的一种基于语音混合信息特征协同优选判别的帕金森症检测装置，诊断过程采用分类器，通过大量数据训练和测试，精度高，而且使用方便。
-
公开(公告)号：CN114723784A
公开(公告)日：2022-07-08
申请号：CN202210364770.9
申请日：2022-04-08
Applicant: 重庆大学
Abstract: 本发明涉及自动驾驶技术领域，具体公开了一种基于域适应技术的行人运动轨迹预测方法，先采集训练数据集和测试数据集并进行预处理得到训练输入样本集X、训练输出参考集X′、测试输入样本集Y，后基于r个不同的域适应参数对X和Y进行域适应，得到数据集接着基于和X′构建r个时间序列卷积网络进行训练得到r个预测模型，而后将r个输入到r个预测模型中进行预测得到N个行人的r条预测路径，最后进行路径融合，得到每个行人的最优预测轨迹。本发明通过域适应处理使训练场景与实际应用场景数据分布近似一致，增强了预测模型的泛化能力，还通过改变域适应参数将观测轨迹映射为不同尺度训练输入轨迹，以利用到观测轨迹的更深层次信息，可使得预测轨迹更精准。
-
Patent Agency Ranking
公开(公告)号：CN114723784B
公开(公告)日：2024-06-14
申请号：CN202210364770.9
申请日：2022-04-08
Applicant: 重庆大学
IPC: G06F30/27
Abstract: 本发明涉及自动驾驶技术领域，具体公开了一种基于域适应技术的行人运动轨迹预测方法，先采集训练数据集和测试数据集并进行预处理得到训练输入样本集X、训练输出参考集X′、测试输入样本集Y，后基于r个不同的域适应参数对X和Y进行域适应，得到数据集#imgabs0#接着基于#imgabs1#和X′构建r个时间序列卷积网络进行训练得到r个预测模型，而后将r个#imgabs2#输入到r个预测模型中进行预测得到N个行人的r条预测路径，最后进行路径融合，得到每个行人的最优预测轨迹。本发明通过域适应处理使训练场景与实际应用场景数据分布近似一致，增强了预测模型的泛化能力，还通过改变域适应参数将观测轨迹映射为不同尺度训练输入轨迹，以利用到观测轨迹的更深层次信息，可使得预测轨迹更精准。
-
公开(公告)号：CN113393932B
公开(公告)日：2022-11-25
申请号：CN202110761463.X
申请日：2021-07-06
Applicant: 重庆大学
Abstract: 本发明涉及语音分类技术领域，具体公开了一种帕金森病语音样本段多类型重构变换方法，首先，设计重构算子对原始数据样本段进行变换，从而得到第一目标数据集；其次，考虑到样本间的差异性，对原始数据集进行聚类重构，得到第二目标数据集；再次，利用聚类重构的新样本段集对聚类后的数据样本集进行卷积处理，得到第三目标数据集；最后，基于这三个新数据集分别训练子分类器，然后对分类结果进行决策加权融合。本发明提出了基于多类型重构和聚类算法的PD语音样本变换算法，有效获得高质量新样本，从而提高识别准确率。实验结果表明本方法构建的三个新样本数据集都比变换前的原数据集具有较高的准确率。
-
公开(公告)号：CN107808663B
公开(公告)日：2021-04-27
申请号：CN201711007973.8
申请日：2017-10-25
Applicant: 重庆大学
IPC: G10L15/08
Abstract: 本发明公开一种基于DBN和RF算法的帕金森病语音数据分类系统，其特征在于包括：语音数据输入模块，用于采集待测患者的语音数据；分类识别器，用于对所述语音数据进行分类识别，该分类识别器包括基于DBN深度信念网络的特征变换模块和基于RF随机森林算法的分类器构成，并通过原始样本数据训练和测试达到预设的合格标准；输出模块，用于输出分类识别结果。其效果是：将DBN引入到帕金森病语音数据分类系统中，通过非线性变换引入了更好的特征，从而获得更加满意的准确度，确保了帕金森病诊断的准确性。
-
公开(公告)号：CN112529063A
公开(公告)日：2021-03-19
申请号：CN202011407694.2
申请日：2020-12-03
Applicant: 重庆大学
Abstract: 本发明涉及深度域适应分类技术领域，具体公开了一种适用于帕金森语音数据集的深度域适应分类方法，包括步骤：初始化DBN网络的参数，并以帕金森语音源域及目标域数据集分别训练；训练完成后，将语音源域及目标域样本分别输入到对应的源域和目标域DBN网络中进行变换，每一个输入样本变换得到多个隐含层样本：将源域及目标域DBN网络同一隐含层样本进行局部特性约束下的主成分迁移学习，从而构建输出域适应后的新帕金森语音源域和目标域数据集。本发明通过DBN深度网络表达学习数据集潜在的隐含信息，并对不同隐含层进行特征进行成分迁移和局部特性约束以使得源域及目标域分布对齐的同时最大程度保持各自数据集内部的隐含特性，提高最终的分类准确率。
-
公开(公告)号：CN107808663A
公开(公告)日：2018-03-16
申请号：CN201711007973.8
申请日：2017-10-25
Applicant: 重庆大学
IPC: G10L15/08
CPC classification number: G10L15/08 , G10L15/083
Abstract: 本发明公开一种基于DBN和RF算法的帕金森病语音数据分类系统，其特征在于包括：语音数据输入模块，用于采集待测患者的语音数据；分类识别器，用于对所述语音数据进行分类识别，该分类识别器包括基于DBN深度信念网络的特征变换模块和基于RF随机森林算法的分类器构成，并通过原始样本数据训练和测试达到预设的合格标准；输出模块，用于输出分类识别结果。其效果是：将DBN引入到帕金森病语音数据分类系统中，通过非线性变换引入了更好的特征，从而获得更加满意的准确度，确保了帕金森病诊断的准确性。
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.018 seconds)
