-
公开(公告)号：CN107274462A
公开(公告)日：2017-10-20
申请号：CN201710499767.7
申请日：2017-06-27
Applicant: 哈尔滨理工大学
Abstract: 本发明涉及磁共振成像技术领域，具体涉及一种基于熵和几何方向的分类多字典学习磁共振图像重建方法。本发明的目的是为解决现有DLMRI算法对核磁共振图像重建时，细节部分存在不足的问题。本发明利用降采样模型获取部分K空间数据；对获取的部分K空间数据建立磁共振图像重建模型；对部分K空间数据做傅里叶逆变换得到初始图像；将初始图像分成重叠图像块；求出每一图像块的熵，将图像块样本按照熵从小到大分成四类，将后两类图像块根据几何方向进一步分类后，再对图像块样本进行字典训练，并求出对应该字典的稀疏系数，得到重建图像矩阵；再对重建图像矩阵做傅里叶变换，更新图像矩阵，对更新后的图像矩阵做傅里叶逆变换，得到重建磁共振图像。
-
公开(公告)号：CN103634099B
公开(公告)日：2017-01-25
申请号：CN201310703540.1
申请日：2013-12-19
Applicant: 哈尔滨理工大学
IPC: H04L9/00
Abstract: 一种五维混沌系统及基于五维混沌系统的混沌信号发生器，涉及信息加密领域。本发明的五维混沌系统占用数字电路乘法器数量少、实现简单，呈现混沌的系统参数范围大从而获得复杂性的混沌信号，提高混沌信息加密的安全性。五维混沌系统用于输出五路混沌信号并存在典型的混沌吸引子。混沌信号发生器中的FPGA用于生成五维混沌系统电路，FPGA的五路混沌信号输出端分别连接第一路、第二路、第三路、第四路、第五路数模转换器的数字信号输入端；拨码开关的一端连接电源，拨码开关的另一端分别连接五路数模转换器的供电端，五路数模转换器输出的信号均为电压信号。混沌信号发生器能提供具有多种变量组合形式的用于信息加密的具有良好的混沌特性五维混沌信号源。
-
公开(公告)号：CN105957119A
公开(公告)日：2016-09-21
申请号：CN201610339573.6
申请日：2016-05-20
Applicant: 哈尔滨理工大学
IPC: G06T11/00
CPC classification number: G06T11/005 , G06T2207/10088 , G06T2211/416
Abstract: 基于混沌系统的压缩感知磁共振图像的测量矩阵构建方法，它涉及磁共振图像测量矩阵的构建方法。本发明的目的是为了解决现有方法构建的测量矩阵非相干特性差的问题。本发明利用龙格库塔方法对Rossler混沌微分方程组进行求解，得到Rossler混沌系统的轨迹；根据k空间的FOV截取Rossler混沌系统的x‑y平面相图的一部分作为混沌测量轨迹曲线；给出磁共振成像扫描仪梯度场的最大梯度幅值和梯度磁场的最大转换速率，计算曲线的时间最优梯度波形；将曲线沿着k空间的中心进行旋转，通过多次激发得到最终的混沌测量矩阵。本发明的测量矩阵具有更好的非相干特性，利用本发明方法构建的测量矩阵得到的重建图像的效果更好。
-
公开(公告)号：CN104537243A
公开(公告)日：2015-04-22
申请号：CN201410849735.1
申请日：2014-12-30
Applicant: 哈尔滨理工大学
Abstract: 一种基于模糊推理结合加权相似度量的心电分类方法，涉及一种心电分类方法。本发明为了解决已有的模糊推理分类方法无法构建心电知识库，从而忽略了心电知识及不同波段形态的不同组合对分类的影响导致分类错误率高的问题，和已有的模糊推理分类方法对属性概念不加筛选直接利用其隶属度值的比对进行分类导致分类错误率高的问题。本发明首先对心电信号进行预处理，然后对各波段进行特征参数提取，构建分类特征属性值向量Yi＝[yi1 yi2 yi3 yi4 yi5]和待检特征属性值向量X＝[x1 x2 x3 x4 x5]，并根据心电图知识创建心电本体ecg.owl；构建模糊概念格，将模糊属性转化成具体的隶属度值，并对隶属度值进行有效筛选；再利用加权分类算法进行最终分类。本发明适用于心电信号的分类。
-
公开(公告)号：CN103684741A
公开(公告)日：2014-03-26
申请号：CN201310631579.7
申请日：2013-12-02
Applicant: 哈尔滨理工大学
IPC: H04L9/00
Abstract: 用于通信加密的多混沌吸引子分时切换方法及切换装置，属于通信加密技术领域。解决了现有的多混沌吸引子切换软件系统存在无法实现不同混沌系统吸引子的快速分时切换的问题。在FPGA中构造切换混沌系统，由软键盘输入分系统控制字符给单片机，单片机将分系统控制字符转化为分系统切换控制信号传递给FPGA，FPGA根据分系统切换控制信号选择切换混沌系统中的一个分系统，再由软键盘输入分相控制字符给单片机，单片机将分相控制字符转化为分相切换控制信号传递给FPGA，FPGA根据分相切换控制信号选择上述选定分系统的三相或四相中的某两相输出。提供时变性、多样性和复杂性的混沌信号。增强了加密效果和抗破译能力，实现了任意时刻、快速的多混沌吸引子的分时切换。
-
Patent Agency Ranking
公开(公告)号：CN113989551B
公开(公告)日：2024-05-03
申请号：CN202111237755.X
申请日：2021-10-25
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/084 , G06N3/09 , G16H30/20 , G16H50/70
Abstract: 本发明公开了一种基于一种基于改进的ResNet网络的阿尔茨海默病的分类方法，主要解决现有分类检测算法过程中数据不均衡及池化中特征丢失的问题。其方案是：(1)对ResNet网络进行改进加入有效通道注意力ECA模块，搭建针对阿尔茨海默病的ResNet分类检测网络；(2)为减少池化操作过程中的信息丢失，将最大池化Maxpool修改为softpool；(3)使用焦点损失函数替换交叉熵损失函数来解决数据不均衡，以及模型难学习困难样本的问题；(4)选取每一个MRI 3D数据在Axial‑横截、Sagittal‑矢状、Coronal‑冠状三个轴向位置的2D形式切片；(5)对改进后ResNet网络进行训练和测试。本发明提高了阿尔茨海默病的分类检测准确率，与现有模型相比，该模型具有较好的性能。
-
公开(公告)号：CN115553786A
公开(公告)日：2023-01-03
申请号：CN202211210994.0
申请日：2022-09-30
Applicant: 哈尔滨理工大学
Abstract: 本发明公开了基于无监督领域自适应的针对12导联心电图的心梗定位系统及方法，首先对12导联ECG信号应用小波去噪、自适应滑窗定位R峰、心拍分割等预处理，将预处理后的ECG信号作为一个整体送入DA‑MBN模型，先用基础的注意力机制(SE)模块对每个导联的信号特征进行加权，之后送入由多分支1D‑CNN搭建而成的特征提取网络提取特征，最后输入线性层和SoftMax层进行分类，其次使用领域自适应的方法利用无标签的ECG数据计算特征距离度量，将其作为正则项并入损失函数，用于微调模型，使模型能够提取更多的域不变特征。本发明通过多个不同尺度的分支进行特征提取，结合自注意力模块以及通道注意力机制对不同尺度不同导联的特征加权处理，最后用无监督领域自适应方法微调模型，为解决患者间情况下的心梗定位提供了一种有效的技术手段。
-
公开(公告)号：CN115530847A
公开(公告)日：2022-12-30
申请号：CN202211210987.0
申请日：2022-09-30
Applicant: 哈尔滨理工大学
Abstract: 本发明公开了一种基于多尺度注意力的脑电信号自动睡眠分期方法，属于信号处理和模式识别领域，目的是为了提高分期的准确性，实现高质量的睡眠分期。本发明包括以下步骤：步骤一：对原始脑电睡眠数据预处理；步骤二：对脑电睡眠数据进行数据增强处理，得到均衡的数据；步骤三：构建基于多尺度注意力的脑电信号自动睡眠分期模型，以多分辨率卷积网络为框架，加入了改进残差的切分多尺度注意力和基于因果卷积的多头注意力结构，包括特征提取融合模块、时序特征注意力模块和分类模块；步骤四：对脑电睡眠数据进行分类。本发明应用于睡眠分期。
-
公开(公告)号：CN112164122B
公开(公告)日：2022-08-23
申请号：CN202011191755.6
申请日：2020-10-30
Applicant: 哈尔滨理工大学
Abstract: 本发明公开了一种基于深度残差生成对抗网络的快速CS‑MRI重建方法。属于CS‑MRI图像重建技术领域，目的是为了实现高质量的、快速的MRI图像重建，以减少因混叠伪影和重建时间过长而引发专家误判和患者不适的影响。本发明包括以下步骤：将k空间数据经过K空间欠采样、零填充处理得到零填充图像，零填充图像和K空间完全采样MRI图像X组成训练集中的训练样本对；基于深度残差生成对抗网络MRI重建模型的设计；最小二乘对抗损失结合内容损失函数的设计，生成模型采用最小二乘对抗生成损失和内容损失结合起来，判别模型采用最小二乘对抗判别损失；MRI重建模型的训练；MRI重建模型的测试。本发明应用于MRI图像重建。
-
公开(公告)号：CN113989551A
公开(公告)日：2022-01-28
申请号：CN202111237755.X
申请日：2021-10-25
Applicant: 哈尔滨理工大学
Abstract: 本发明公开了一种基于一种基于改进的ResNet网络的阿尔茨海默病的分类方法，主要解决现有分类检测算法过程中数据不均衡及池化中特征丢失的问题。其方案是：(1)对ResNet网络进行改进加入有效通道注意力ECA模块，搭建针对阿尔茨海默病的ResNet分类检测网络；(2)为减少池化操作过程中的信息丢失，将最大池化Maxpool修改为softpool；(3)使用焦点损失函数替换交叉熵损失函数来解决数据不均衡，以及模型难学习困难样本的问题；(4)选取每一个MRI 3D数据在Axial‑横截、Sagittal‑矢状、Coronal‑冠状三个轴向位置的2D形式切片；(5)对改进后ResNet网络进行训练和测试。本发明提高了阿尔茨海默病的分类检测准确率，与现有模型相比，该模型具有较好的性能。
-
-
-
-
-
-
-
-
-
Search Results
72
records
(took 0.033 seconds)
