-
公开(公告)号：CN110222708A
公开(公告)日：2019-09-10
申请号：CN201910354991.6
申请日：2019-04-29
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提出一种基于集成决策树的跌倒检测方法和系统，包括：对于标记为跌倒的第一加速度数据，取其中平方和最大的点，根据预设时间段范围取点左右的数据段作为原始集，对于标记为非跌倒的第二加速度数据，通过滑窗每次取预设时间段范围的数据段加入原始集，得到最终集，通过快速傅里叶变换提取最终集中各数据段的多维特征作为训练特征；创建多棵决策树，以训练特征作为输入特征，分别输入决策树以迭代训练各决策树，通过每一棵决策树去拟合上一棵决策树的残差,集合训练完成的决策树作为集成学习模型；获取待跌倒检测的第三加速度数据，利用滑窗的方法提取第三加速度数据的数据段作为检测数据，将检测数据输入至集成学习模型，得到跌倒检测结果。
-
公开(公告)号：CN119673469A
公开(公告)日：2025-03-21
申请号：CN202411608809.2
申请日：2024-11-12
Applicant: 中国科学院计算技术研究所
IPC: G16H50/70 , A61B5/021 , A61B5/00 , G16H50/30 , G06F18/27 , G06F18/213 , G06F18/214 , G06F18/25 , G06N3/0985 , G06N3/0464 , G06N3/0442
Abstract: 本发明提供了一种基于元学习的域泛化血压估计训练方法，本发明的技术方通过两阶段元学习的策略，将学习过程分为元训练阶段和元测试阶段，其中元训练阶段进一步分为训练子阶段和优化子阶段，学习过程中，变换地选定源域组成元优化域，其余源域作为元训练域，在每一轮元训练阶段，模型在元训练域内的多个源域上训练，以模拟不同个体的数据分布，通过对不同个体数据的学习，提升模型的泛化性能；在元测试阶段，模型利用源域数据进行微调，以提升在真正的目标域上的预测精度。
-
公开(公告)号：CN117541876A
公开(公告)日：2024-02-09
申请号：CN202311725379.8
申请日：2023-12-15
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06V10/774 , G06V10/778
Abstract: 本发明提供了一种图像分类模型以及基于类别增量对模型训练的方法，所述图像分类模型包括：嵌入模块，其用于对输入的图像进行嵌入处理，以得到所述图像对应的嵌入向量；提示参数生成模块，其用于根据所述嵌入向量生成一组可学习的提示参数集合；融合模块，其用于将所述嵌入向量和所述可学习的提示参数向量集合进行融合，得到融合向量；特征提取模块，其用于根据所述融合向量提取所述图像对应的特征向量；分类模块，其用于根据提取的特征向量对所述图像进行分类，得到所述图像对应的分类结果。
-
公开(公告)号：CN115795347A
公开(公告)日：2023-03-14
申请号：CN202211554412.0
申请日：2022-12-06
Applicant: 中国科学院计算技术研究所
IPC: G06F18/24 , G06F18/214 , G06N3/08 , G06N3/0442 , G06N3/0464
Abstract: 本发明提供一种基于可穿戴设备数据的行为识别模型构建方法，所述方法包括如下步骤：S1、获取可穿戴设备的数据并进行预处理以获得训练集，所述训练集中包括已知行为类别中的部分行为类别，每个行为类别分别对应于一组行为属性，且每个行为类别包括多个带行为类别标签的样本；S2、采用所述训练集将基本行为识别模型训练至收敛，其中，所述基本行为识别模型包括特征提取网络、属性分支网络、特征分支网络以及分类器，且属性分支网络包括属性编码器和属性解码器、特征分支网络包括特征编码器和特征解码器；S3、以经步骤S2训练至收敛的基本行为识别模型中的特征提取网络、属性解码器、特征编码器、分类器构建行为识别模型。
-
公开(公告)号：CN115471700A
公开(公告)日：2022-12-13
申请号：CN202211126235.6
申请日：2022-09-16
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06N3/04 , G06N3/08 , G06V10/77 , G06V10/774 , G06V10/82
Abstract: 本发明提供一种基于知识传输的图像分类模型训练方法，用于对预训练好的图像分类模型进行增量训练，其中，所述预训练好的图像分类模型包括特征提取网络和分类器，其特征在于，所述方法包括采用新的图像数据集对预训练好的图像分类模型按照如下方式进行增量训练：S1、对当前新的图像数据集进行增强处理；S2、利用上一次训练后的图像分类模型的参数初始化所述图像分类模型，并采用增强后的当前新的图像数据集将其训练至收敛，其中在训练过程中采用交叉熵损失、蒸馏损失以及知识传输损失更新模型参数。本发明能够实现模型特征空间的迁移，缓解增量训练过程中的灾难性遗忘问题。
-
Patent Agency Ranking
公开(公告)号：CN114041780A
公开(公告)日：2022-02-15
申请号：CN202111489019.3
申请日：2021-12-08
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种呼吸监测模型，包括处理总路和多个处理支路，每个处理支路和总路均包括卷积滤波器，每个卷积滤波器中包括用于对输入的数据进行滤波的多个卷积网络以及设置在相应卷积网络间的用于增强全局感受野的多头自注意力机制层，其中，呼吸监测模型被配置为：将基于惯性传感器数据得到的多模态数据中的各模态数据分别输入到对应的处理支路进行卷积滤波，得到各模态数据的滤波结果；以及将对各模态数据的滤波结果进行叠加得到的多模态呼吸特征输入到处理总路进行卷积滤波，得到关联性呼吸特征，基于关联性呼吸特征生成呼吸波形。本发明通过该模型生成呼吸波形，从而监测人体呼吸情况。
-
公开(公告)号：CN113057585A
公开(公告)日：2021-07-02
申请号：CN202110274276.9
申请日：2021-03-15
Applicant: 中国科学院计算技术研究所
IPC: A61B5/00
Abstract: 本发明提供一种认知障碍检测模型及其训练方法，所述认知障碍检测模型包括多模态信息表征模块、多模态信息融合模块、无监督深度聚类模块。所述多模态信息表征模块包括眼底图像数据表征网络、多模态生理信号数据表征网络。所述多模态信息融合模块与所述多模态信息表征模块相连接，用于将所述眼底图像数据的特征与多模态生理信号的特征进行融合，得到融合后的特征；所述无监督深度聚类模块与所述多模态信息融合模块相连接，用于根据所述融合后的特征基于无监督聚类模型进行认知障碍检测。
-
-
公开(公告)号：CN110503205A
公开(公告)日：2019-11-26
申请号：CN201910646750.9
申请日：2019-07-17
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提出一种多模态数据处理方法及系统，包括：获取多个多模态数据样本，并将多模态数据样本的质量评价作为特征，将多模态数据样本的模态组合作为标签；以特征为输入，并以标签为训练目标，训练多类分类器模型，得到模态选择模型；获取待处理多模态数据，将待处理多模态数据的特征输入模态选择模型，得到模态组合选择结果，通过将待处理多模态数据中除模态组合选择结果以外的置0，得到修改后的多模态数据；修改后的多模态数据输入指定的多模态机器学习任务模型，将多模态机器学习任务模型的输出结果作为待处理多模态数据的多模态数据处理结果。本发明可以提升低数据质量下的多模态机器学习模型性能。
-
公开(公告)号：CN109086658A
公开(公告)日：2018-12-25
申请号：CN201810589194.1
申请日：2018-06-08
Applicant: 中国科学院计算技术研究所
Abstract: 本发明涉及一种基于生成对抗网络的传感器数据生成方法，包括：模型构建步骤，以真实数据通过神经网络模型构建生成对抗网络模型，该生成对抗网络模型包括生成器和判别器；模型训练步骤，以对抗博弈机制训练该生成器和该判别器，并进行迭代，直到从该生成器获得的数据满足评价标准；数据生成步骤，以该生成器通过该对抗网络模型生成合成数据。
-
-
-
-
-
-
-
-
-
Search Results
55
records
(took 0.039 seconds)
