-
公开(公告)号：CN101869477A
公开(公告)日：2010-10-27
申请号：CN201010178035.6
申请日：2010-05-14
Applicant: 北京工业大学
IPC: A61B5/0476 , G06F19/00
Abstract: 本发明提出了一种自适应脑电信号中眼电伪迹的自动去除方法，属于生物信息技术领域，主要应用于脑电信号获取的预处理过程中。具体包括：对采集的含有眼电伪迹的脑电数据实时地进行经验模态分解(EMD)；并对得到的全部模态分量进行希尔伯特变换，求得瞬时频率；根据脑电信号中眼电伪迹的时频特性，并结合经验模态分量的统计特性，对得到的全部模态分量进行阈值滤波；利用滤波后的全部模态分量进行数据重构。本发明解决了包含眼电伪迹的经验模态分量的手动筛选问题，从而达到从脑电信号中自动去除眼电伪迹的目的。
-
公开(公告)号：CN112932505B
公开(公告)日：2022-08-09
申请号：CN202110058776.9
申请日：2021-01-16
Applicant: 北京工业大学
IPC: A61B5/372
Abstract: 本发明公开了一种基于时频能量的符号传递熵及脑网络特征计算方法，首先，基于共平均参考对采集的运动想象脑电信号(MI‑EEG)进行预处理；然后，对各导联MI‑EEG进行连续小波变换，求得其时‑频‑能量矩阵，并将与运动想象密切相关的频带内各频率所对应的时间‑能量序列依次拼接，得到该导联的一维时频能量序列；进而，计算任意两个导联时频能量序列之间的符号传递熵，构建大脑连通性矩阵，并使用皮尔逊特征选择算法优化矩阵元素；最后，计算脑功能网络的度和中间中心性，构成特征向量，用于MI‑EEG的分类。结果表明，本发明可以有效地提取MI‑EEG的频域特征和非线性特征，相比于传统的基于脑功能网络的特征提取方法具有明显的优势。
-
公开(公告)号：CN108829257B
公开(公告)日：2021-04-23
申请号：CN201810955270.6
申请日：2018-08-21
Applicant: 北京工业大学
Abstract: 本发明公开了基于DTCWT和IL‑MVU的运动想象脑电信号的特征提取方法。根据平均功率谱确定对运动想象脑电信号进行特征提取的最优时间段，然后对这一时间段内的运动想象脑电信号进行四层双树复小波分解，利用每个子带的复小波系数进行信号重构，通过计算重构后信号最有时间段内数据的平均能量特征作为运动想象脑电信号的时频特征；提出IL‑MVU算法对重构后的脑电信号的最有时间段内数据进行降维，将降维后得到的低维向量作为运动想象脑电信号的非线性特征，最后通过对最优时间段内运动想象脑电信号的时频特征与非线性特征进行标准化处理与特征融合，得到运动想象脑电信号的特征向量。本发明极大地降低了算法的时间消耗，有助于提高MI‑EEG信号的分类准确率。
-
公开(公告)号：CN112668424A
公开(公告)日：2021-04-16
申请号：CN202011509929.9
申请日：2020-12-19
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于RBSAGAN的脑电信号数据增广的方法，设计Up ResBlock与Down ResBlock网络结构，通过主干的两个1D卷积层与分支的一个1D卷积层提取不同尺度感受野下的特征，并分别采用1D反卷积层和平均池化层分别进行数据维度的扩大和缩小。基于Self‑Attention机制设计1D Self‑Attention网络。该网络结构无视各离散时刻数据之间的距离，能够通过并行计算各离散时刻数据之间的相似度直接获得全局的时序特征，适用于具有丰富时序信息的脑电信号。Down ResBlock与1D Self‑Attention等网络组成RBSAGAN的判别器，输出损失值对生成器以及判别器的参数进行更新，直至达到纳什平衡。生成器产生的新数据与原有数据构成增广数据集，输入1D CNN进行分类，以评估生成数据的质量。
-
公开(公告)号：CN109965869A
公开(公告)日：2019-07-05
申请号：CN201811539310.5
申请日：2018-12-16
Applicant: 北京工业大学
IPC: A61B5/0476
Abstract: 本发明公开了基于脑源域空间的MI‑EEG识别方法，对采集到的运动想象脑电信号进行共平均参考及带通滤波等预处理；使用标准化低分辨率脑电磁断层扫描成像算法对脑电信号进行逆变换，得到脑源域偶极子偶极矩幅值时间序列；使用数据驱动方法，基于偶极子偶极矩幅值大小进行偶极子的初选，并采用连续小波变换对其进行时频分析，实现偶极子的精选及最优时间段的确定；选用一对一共空间模式算法提取偶极子小波系数功率序列特征，并输入到支持向量机中进行分类。本发明提高空间分辨率的同时，使得其时域、频域、空域信息在偶极子的优选、最优时间段的确定，及特征提取中得以充分利用，对于提高计算效率和分类精度具有重要意义。
-
Patent Agency Ranking
公开(公告)号：CN105426924B
公开(公告)日：2018-12-07
申请号：CN201510927766.9
申请日：2015-12-14
Applicant: 北京工业大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于图像中层特征的场景分类方法，属于场景图像分类领域。首先利用一种快速查找图像中物体区域的方法，得到物体区域图像块，并将得到的区域图像块作为图像的中层特征。然后对中层特征图像块进行聚类，并利用SVM为每个聚类训练一个形状模板，同时根据评级指标，选取评级得分最高的n个形状模板。最后，根据测试图像与n个形状模板的匹配得分实现场景图像分类。本发明解决了场景图像分类中图像鉴别性不足和代表性不强的问题。
-
公开(公告)号：CN108765279A
公开(公告)日：2018-11-06
申请号：CN201810224421.0
申请日：2018-03-19
Applicant: 北京工业大学
CPC classification number: G06T3/4053 , G06K9/00228 , G06K9/00288 , G06K9/6256
Abstract: 本发明提出一种面向监控场景的行人人脸超分辨率重建方法，将行人人脸检测和人脸超分辨率重建统一到一个网络中，实现以端到端的方式输出人脸超分辨率图像，并给出针对行人人脸不可避免的不对齐、含有噪声等问题的解决方法。本发明分为行人人脸检测部分和人脸超分辨重建部分。给定一张行人的图像，首先利用人脸检测网络生成候选人脸的包围盒，然后将得到的包围盒输入人脸超分辨网络中，生成高分辨率的人脸图像。在联合优化的过程中，人脸检测网络和人脸超分辨网络相互适应。本发明能够为视频监控的行人再识别技术提供有效的信息，帮助完成寻找特定行人的任务，突破现有再识别中依靠行人外表等属性来区分不同的行人，有效利用关键的人脸信息。
-
公开(公告)号：CN107861501A
公开(公告)日：2018-03-30
申请号：CN201710988719.4
申请日：2017-10-22
Applicant: 北京工业大学
CPC classification number: G05D1/0088 , G05D1/0231 , G05D1/024 , H02P29/00
Abstract: 地下污水处理厂智能机器人自主定位导航系统属于智能机器人多传感器组合定位导航领域。通过功能模块的实现，结合激光传感器和视觉传感器搭建硬件平台，形成一套完整的智能机器人自主定位导航系统，实现地下污水处理厂智能机器人的自主定位导航控制。将地下污水处理厂智能机器人自主定位导航系统应用于智能机器人巡检过程，通过对伺服电机的精确控制实现对智能机器人的精确控制。自主定位导航控制针对传统激光导航和视觉导航无法实现对具有光照条件波动，障碍物动态变化，环境状况不稳定等特点的地下巡检过程稳定和精确控制的问题，实现对智能机器人定位导航的智能控制，提高了自主定位导航的精确性和稳定性。
-
公开(公告)号：CN105809124A
公开(公告)日：2016-07-27
申请号：CN201610125830.6
申请日：2016-03-06
Applicant: 北京工业大学
IPC: G06K9/00
CPC classification number: G06K9/00523 , G06K9/00536
Abstract: 基于DWT和Parametric t?SNE的运动想象脑电信号的特征提取方法，首先，使用Wigner?Ville分布和功率谱确定脑电特征的有效时、频范围，然后对于特定时间段与频率段的脑电信号进行三层离散小波分解，通过计算其均值、能量均值和均方差等统计特征量作为该脑电信号的时频特征；同时利用参数化t?SNE算法对上述小波系数进行非线性特征映射，并将对应低维空间中的嵌入坐标作为非线性特征；将两种特征标准化得到同时包含特定时频段脑电信号时频信息和非线性信息的特征向量。本发明不仅获得具有紧致性、完备性的脑电特征，还提出以多层前向传播神经网络拟合非线性映射来解决传统流形学习算法在模式分类应用中泛化性能不足的问题，进一步提高了MI?EEG信号的模式分类准确性。
-
公开(公告)号：CN105574527A
公开(公告)日：2016-05-11
申请号：CN201510927756.5
申请日：2015-12-14
Applicant: 北京工业大学
CPC classification number: G06K9/3216 , G06K9/6269 , G06K2209/21
Abstract: 一种基于局部特征学习的快速物体检测方法，在测试阶段采用窗口遍历测试样本进行分类从而检测出物体的位置以及类别。由于需要遍历，因此传统物体检测方法的计算代价较大。本发明提出一种基于局部特征学习快速的物体检测方法：在训练阶段，以范例支撑向量机为学习框架，利用线性支撑向量机训练范例模板。在检测阶段，首先利用快速物体粗检测，提取出可能存在物体的区域，再利用训练得到的范例模板进行物体细检测。本发明方法不仅可以有效提高物体检测准确率，而且能够有效提高物体检测的速度。
-
-
-
-
-
-
-
-
-
Search Results
86
records
(took 0.026 seconds)
