-
公开(公告)号：CN111582361B
公开(公告)日：2025-02-07
申请号：CN202010371614.6
申请日：2020-05-06
Applicant: 浙江大学
IPC: G06F18/214 , G01P15/02 , G01C19/00 , G06F18/2411 , G06F18/2431
Abstract: 一种基于惯性传感器的人体行为识别方法，涉及行为识别技术领域，首先采集惯性传感器数据；然后对原始数据进行滤波去噪、生成数据；其次进行动作片段分割并对数据片段进行特征提取；最后基于支持向量机和随机森林模型构建分层识别模型，根据先验知识将子分类器组合成分层模型，并提出特征分层的方法，对模型中的不同分类器选择不同的特征进行分类，逐层识别获得最终的行为识别结果。本发明有效提高了分类模型的鲁棒性，显著提高了识别准确率，具有明显优势。
-
公开(公告)号：CN116756618A
公开(公告)日：2023-09-15
申请号：CN202310815085.8
申请日：2023-07-05
Applicant: 浙江大学
Abstract: 一种针对心电信号分类问题的显著值确定方法，涉及心电信号分类研究领域，对心电信号进行滤波和幅值标准化后，将心电信号划分为片段并输入分类模型，接着计算片段显著值，截取心拍级显著值结果并插值到固定长度，再通过多次平均操作得到类别级显著值结果。本发明提出的针对心电信号分类问题的显著值确定方法展示了心拍的不同区域对分类模型的重要程度，提升了模型的可解释性。
-
公开(公告)号：CN116636835A
公开(公告)日：2023-08-25
申请号：CN202310420315.0
申请日：2023-04-19
Applicant: 浙江大学
IPC: A61B5/11 , A61B5/00 , G06F18/10 , G06F18/21 , G06F18/2135 , G06F18/241 , G16H50/20
Abstract: 一种穿戴式手部震颤的多肢体段联合分析方法，包括以下步骤：步骤1、手部多肢体段震颤数据采集，通过传感装置采集同步的手部多肢体段震颤数据；步骤2、手部多肢体段数据预处理，对各肢体段分别进行姿态估计、去噪降维处理；步骤3、多肢体段联合震颤特征提取，分别提取各肢体段的震颤频率、震颤幅度和震颤变异性特征，同时提取肢体段震颤之间协同关系特征；步骤4、疾病自动分类判别，通过特征选择算法选择多肢体段联合震颤特征，使用智能分类器完成帕金森病和特发性震颤的分类。以及提供一种所述穿戴式手部震颤多肢体段联合分析系统。本发明提供了一种通过多肢体段联合分析、提升帕金森病和特发性震颤分类准确率的手部震颤分析方法及系统。
-
公开(公告)号：CN114639138A
公开(公告)日：2022-06-17
申请号：CN202210147904.1
申请日：2022-02-17
Applicant: 浙江大学
Abstract: 一种基于生成对抗网络的新生儿疼痛表情识别方法，构造生成对抗网络来学习如何从姿态各异且存在遮挡的新生儿面部图像中恢复出无遮挡且姿态端正的面部图像；将生成对抗网络中生成器的隐藏变量视作修正后的面部疼痛特征；构建结合注意力机制的残差网络来筛选并分析零和博弈修正后的面部疼痛特征，以进一步摆脱遮挡和姿态变化的影响，输出准确的疼痛级别结果。本发明致力于提高真实环境下的新生儿疼痛表情识别准确率、增强新生儿疼痛识别方法对遮挡的鲁棒性和面对姿态变化的适应性，依据生成对抗网络来优化疼痛特征的提取，并通过注意力机制实现对疼痛特征的筛选，有效解决了遮挡和姿态变化环境下新生儿疼痛表情识别问题。
-
公开(公告)号：CN112569565A
公开(公告)日：2021-03-30
申请号：CN202011433416.4
申请日：2020-12-10
Applicant: 浙江大学德清先进技术与产业研究院
IPC: A63B71/06 , A63B23/025 , A61B5/389 , A61B5/00
Abstract: 一种颈部功能锻炼识别方法，包括以下步骤：步骤S1.采集测试者的左右胸锁乳突肌和左右上斜方肌表面肌电信号；步骤S2.对采集的表面肌电信号进行预处理；步骤S3.对上述预处理后的表面肌电信号进行信号分离，获得分离后的信号；步骤S4.对分离后的表面肌电信号进行特征提取；步骤S5.根据提取后特征进行颈部功能锻炼识别。以及提供一种颈部功能锻炼识别系统。本发明通过提取小波系数相关特征来表征不同动作表面肌电信号；利用信号分离方法消除了多路信号间的混叠成分；通过基于聚类层次分析的BP神经网络实现对颈部功能锻炼动作的有效识别。
-
Patent Agency Ranking
公开(公告)号：CN104159108B
公开(公告)日：2017-08-11
申请号：CN201410391796.8
申请日：2014-08-11
Applicant: 浙江大学
IPC: H04N19/13 , H04N19/103
Abstract: 一种基于自适应预测和改进变长编码的心电信号实时无损压缩方法，所述方法包括以下步骤：1)自适应分区预测，将实时的心电波形根据其波动强度划分为不同分区，所述分区包括：a)初始区，b)R波区，c)平坦区，d)波动区；自适应地选择对于当前分区最优的线性预测方法；2)改进变长编码，采用4比特编码出现概率最高的24＝16种预测误差，其余预测误差采用12比特输出原始数据，并将编码后的数据两两打包，得到每个数据包长度固定为一、二或三个字节。以及提供一种基于自适应预测和改进变长编码的心电信号实时无损压缩装置。本发明兼有实时性、无损性和低功耗。
-
公开(公告)号：CN104463326B
公开(公告)日：2017-02-22
申请号：CN201410746764.5
申请日：2014-12-09
Applicant: 浙江大学
IPC: G06N3/02 , G06N3/12 , A61B5/0402
Abstract: 一种标准12导联心电信号重建方法，肢体导联信号的重建采用公式计算得到，而胸导联信号的重建则采用基于遗传算法优化的BP神经网络的非线性方法来实现，该非线性方法首先用遗传算法来寻找BP神经网络最优的初始权值和阈值解空间，作为BP神经网络的初始设置；接着将用于重建的导联信号作为该BP网络的输入，重建目标导联作为输出进行训练，训练完成后的网络输入已知导联组，即可得到未知的导联重建的结果。本发明提供一种准确性较高的标准12导联心电信号重建方法。
-
公开(公告)号：CN104159108A
公开(公告)日：2014-11-19
申请号：CN201410391796.8
申请日：2014-08-11
Applicant: 浙江大学
IPC: H04N19/13 , H04N19/103
Abstract: 一种基于自适应预测和改进变长编码的心电信号实时无损压缩方法，所述方法包括以下步骤：1)自适应分区预测，将实时的心电波形根据其波动强度划分为不同分区，所述分区包括：a)初始区，b)R波区，c)平坦区，d)波动区；自适应地选择对于当前分区最优的线性预测方法；2)改进变长编码，采用4比特编码出现概率最高的24＝16种预测误差，其余预测误差采用12比特输出原始数据，并将编码后的数据两两打包，得到每个数据包长度固定为一、二或三个字节。以及提供一种基于自适应预测和改进变长编码的心电信号实时无损压缩装置。本发明兼有实时性、无损性和低功耗。
-
公开(公告)号：CN116467647A
公开(公告)日：2023-07-21
申请号：CN202310213782.6
申请日：2023-03-08
Applicant: 浙江大学
IPC: G06F18/2411 , A61B5/00 , G06F18/243 , G06N3/02 , G06F18/2113 , G06F18/214 , G16H50/20 , G16H50/30 , G16H10/60 , H04Q9/04
Abstract: 一种基于三维对指运动的帕金森病人工智能分类方法，包括三维对指分割、三维模式特征提取和自动诊断判别，基于采集获取的三维对指运动，通过三维对指分割解决对指运动过程中大拇指和食指不同时到达闭合点和张开点的问题，并通过三维模式特征提取对指运动过程中的运动协调性、受损不一致和模态能量熵相关特征，最终通过自动份分类判别结合三维模式特征与迟缓、幅度减小和疲劳等传统特征综合分析判别用户是否患有帕金森病。以及提供所述方法实现的系统。本发明不需要侵入性检测，可以有效地辅助区分帕金森病患者和健康人。
-
公开(公告)号：CN113192133B
公开(公告)日：2022-08-05
申请号：CN202110394142.0
申请日：2021-04-13
Applicant: 浙江大学
Abstract: 一种基于语义平面的单目视觉即时定位与致密语义地图构建方法，当新一帧图像出现时，首先检测新一帧图像中的特征点，若系统已初始化，根据关键帧队列进行相机当前位置追踪；判断新一帧图像是否为关键帧，若是则将其输入到语义分割网络中获取该帧像素级语义标签；将新关键帧加入关键帧队列，并进行联合优化，判断关键帧队列数量是否超出最大值，若已超出最大值，挑选出旧关键帧中与新关键帧共视点个数最少的一帧关键帧进行边缘化；边缘化帧中静态语义类像素点根据其同语义类最近的语义质心点对应的语义小平面进行3D位置估计，进而恢复出致密的语义地图。本发明提升其定位精度，减少大量的计算复杂度，同时也避免了追踪每一个像素点给系统带来的不稳定性。
-
-
-
-
-
-
-
-
-
Search Results
47
records
(took 0.023 seconds)
