-
公开(公告)号：CN111528836A
公开(公告)日：2020-08-14
申请号：CN202010375284.8
申请日：2020-05-06
Applicant: 北京工业大学
IPC: A61B5/0476 , A61B5/00
Abstract: 本发明公开了基于动态定向传递函数的脑功能网络特征提取方法，该方法主要包括：首先对原始运动想象脑电信号进行共平均参考、导联优选等预处理；接着采用提出的DDTF算法对经过预处理的脑电信号计算网络连接边并分别构建不同频段脑功能网络；进而根据脑功能网络计算得到网络特征参数流出信息及信息流增益，将两种特征参数串行融合作为特征向量送入支持向量机进行特征评估；最后根据识别率闭环确定最优参数及最优频段，得到最终分类结果。本发明将其用于构建运动想象脑功能网络，计算得到网络参数用于MI-EEG特征提取，该方法不仅能够精确刻画MI-EEG在频域的变化特性，而且准确反映了BFN的动态演化过程，对MI-EEG分类准确率的提升有很大帮助。
-
公开(公告)号：CN108210246B
公开(公告)日：2020-04-03
申请号：CN201810023630.9
申请日：2018-01-10
Applicant: 北京工业大学
IPC: A61H1/02
Abstract: 本发明公开了一种四自由度康复机械臂装置，该装置由基座和康复机械臂两部分组成，康复机械臂安装在基座上。康复机械臂由肩部外展关节，肩部屈伸关节，肘部屈伸关节，腕部屈伸关节组成。运动想象脑电信号被采集后，通过预处理，特征提取，模式分类得到的二分类信号作为机械臂控制单元的输入信号。控制单元输出PWM波控制肩部外展电机、肩部屈伸电机、肘部屈伸电机和腕部外展电机转动。通过算法实现运行想象脑电信号的分类，将信号传输给控制单元。控制单元发出相应控制信号。控制信号对伺服电机转动进行控制。本发明的机械臂结构设计的简单化，方便安装拆卸。
-
公开(公告)号：CN110569901A
公开(公告)日：2019-12-13
申请号：CN201910838283.X
申请日：2019-09-05
Applicant: 北京工业大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于特征通道选择的对抗消除弱监督目标检测方法，用于解决弱监督目标检测定位误差的问题。首先，以弱监督深度目标检测为底层框架，采用选择性搜索方法在训练集数据上生成候选框，并与训练集图像和对应的图像标签一起作为弱监督网络的输入；其次，以VGG16为基础网络构建特征提取网络模型，并对得到的特征图像用特征通道压缩的方式进行通道加权选择，激励有利于分类的图像特征层，而抑制对分类有干扰的特征层；然后，采用对抗消除方法得到能够表达图像目标的完整特征表达作为预测网络的输入；最后，根据多任务交叉熵损失来训练预测网络，实现目标检测。本发明不仅可以更加精确定位目标物体的位置，而且能够提高物体识别的精度。
-
公开(公告)号：CN109241879A
公开(公告)日：2019-01-18
申请号：CN201810956897.3
申请日：2018-08-21
Applicant: 北京工业大学
IPC: G06K9/00
Abstract: 本发明公开了基于加权复合多尺度模糊熵的运动想象脑电信号的特征提取方法，首先，计算MI-EEG的复合多尺度模糊熵时间序列，根据每个运动想像任务T不同导联的CMFE熵值差异和变化情况确定最优时间段，并将该时间段内的MI-EEG信号进一步用于特征提取；然后，对CMFE粗粒化过程中不同采样点引入权重因子以获取τ个加权粗粒化序列，再求各粗粒化序列的模糊熵，并将其平均值定义为WCMFE；针对各种运动想像任务T任意导联Ci计算单尺度τ下的WCMFE；确定尺度因子τ的变化范围，计算多个尺度下的WCMFE，依次构造各尺度τ下的特征向量 和各类运动想像任务T的特征向量FT，并进一步融合为MI-EEG的特征向量F，进一步提高了分类准确率。
-
公开(公告)号：CN105559777B
公开(公告)日：2018-10-12
申请号：CN201610154659.1
申请日：2016-03-17
Applicant: 北京工业大学
IPC: A61B5/0476 , G06N3/04
Abstract: 基于小波包和LSTM型RNN神经网络的脑电识别方法，属于生物信息技术领域。具体包括：首先，利用平均功率谱法分析脑电信号的时域特性，确定有效的时域范围。其次，对脑电信号进行小波包分解，基于改进的距离准则获取小波包最优子空间，并选取小波包最优子空间的小波包系数构成脑电特征。最后，以LSTM型RNN神经网络作为分类器对脑电信号进行分类。本发明能够自适应地选取小波包最优子空间，并自动确定最佳频段的小波包系数构成脑电时频特征，其保留了脑电信号的时序信息，而LSTM型RNN神经网络能够充分利用基于小波包变换提取的脑电特征的时序信息，从而提高脑电信号的分类准确率，为脑电信号的识别提供一种新思路。
-
Patent Agency Ranking
公开(公告)号：CN108564012A
公开(公告)日：2018-09-21
申请号：CN201810273078.9
申请日：2018-03-29
Applicant: 北京工业大学
Abstract: 本发明涉及一种基于人体特征分布的行人解析方法，从人体特征分布的角度出发，提出了一种智能的融合人体特征分布模型和自监督结构敏感学习策略的行人解析方法。以自监督结构敏感学习方法为底层框架，首先，通过超像素分割的方法产生候选区域，对每个区域提取颜色和纹理特征建立表象模型，然后再利用高斯函数建立面积比例模型，最后通过将两个模型叠加得到总的人体特征分布模型。并将解析损失函数、关节结构损失函数和人体特征分布模型的特征分布损失函数相叠加的得到最终的损失函数。本发明利用自监督结构敏感学习方法使得生成的解析结果在语义上与人体的结构具有很强的一致性，更符合人体特征分布的特性，并且对遮挡，视角，复杂背景具有不变性。
-
公开(公告)号：CN108334094A
公开(公告)日：2018-07-27
申请号：CN201810183994.3
申请日：2018-03-06
Applicant: 北京工业大学
CPC classification number: G05D1/0223 , G05D1/0225 , G05D1/0276 , H04L12/40078 , H04L2012/40215
Abstract: 一种用于全向移动机器人运动控制系统的CAN总线通信方法，属于控制局域网CAN总线通信和机器人运动控制领域。本发明所用的硬件设计简单，避免了大量硬件设备带来的不确定性干扰，在多组数据报文快速循环发送过程中，对于同一节点，减少了因标识符相同而出现的报文传输混乱，传输失败的现象以及大量消息因竞争总线而出现的低优先级报文被堵塞的情况。在接收数据报文时，采用对返回报文分时段全部接收分别存储的方式，减少了利用标识符滤波的方式带来的数据丢失情况。本发明可以在现有硬件的情况下，提高速度监控和反馈效果，并且可以完成每一节点中多组数据的循环发送与接收，减少错误帧、数据传输失败以及数据帧丢失的情况。
-
公开(公告)号：CN104091172B
公开(公告)日：2018-03-16
申请号：CN201410319149.6
申请日：2014-07-04
Applicant: 北京工业大学
Abstract: 本发明涉及一种运动想象脑电信号的特征提取方法。所述方法首先将采集到的脑电信号进行预处理，然后对每导信号进行经验模态分解(EMD)，得到多阶的固有模态函数(IMF)信号，接着选取相同阶数的IMF信号作为新的信号，通过共同空间模式算法(CSP)获得空间滤波器，提取脑电信号的特征，并输入到分类器中进行分类，并根据分类准确率选取EMD和CSP中参数的最优值，最终获得最优参数下的脑电特征。本发明采用基于EMD与CSP对运动想象脑电信号进行特征提取，可以根据每个人脑电信号的特点，将信号自适应地分解成多个IMF信号，只需较少的电极就可以进行脑电信号的特征提取，并且从而较大程度地提高了脑电信号的分类准确率。
-
公开(公告)号：CN104035563B
公开(公告)日：2017-05-10
申请号：CN201410274341.8
申请日：2014-06-19
Applicant: 北京工业大学
IPC: G06F3/01
Abstract: 本发明涉及基于W‑PCA和无监督GHSOM的脑电信号识别方法。所述方法包括：脑电信号采集，脑电信号预处理，基于小波变换结合主元分析对脑电信号进行特征提取，利用无监督GHSOM神经网络对特征向量进行分类。GHSOM神经网络在训练中能自组织学习，无需标记训练数据，根据数据的相似性进行分类，克服了现实中许多数据无标签的困难；同时，GHSOM神经网络根据数据结构自适应地确定分类所需要的神经元个数，减少了被抑制神经元的浪费现象，进而加快训练速度，缩短训练所有时间，更有利于在线分析；此外，在对数据训练的过程中，能够提供多层次、可视化的拓扑结构图，有利于对数据进行解释。
-
公开(公告)号：CN105700689A
公开(公告)日：2016-06-22
申请号：CN201610154660.4
申请日：2016-03-17
Applicant: 北京工业大学
IPC: G06F3/01
CPC classification number: G06F3/015 , G06F2203/011
Abstract: 本发明涉及基于镜像虚拟和Skinner强化学习的个性化MI-EEG训练与采集方法，该方法将康复治疗领域的镜像疗法和Skinner强化学习理论融合到MI-EEG的训练与采集过程当中。在训练模式中设计个性化视听联合刺激，在一种较为放松的状态下通过健侧手佩戴数据手套并执行张/握动作，利用计算机串口实时读取并解码健侧手部动作的数据，进而钳制采集界面中镜像虚拟患侧手模型的动作。使受试者通过自身健侧手的动作激励诱导镜像虚拟手的运动，加强大脑运动功能区镜像神经元的电活动,并基于Skinner强化学习理论设计闭环脑电采集与控制模式检验训练效果，同时，通过Skinner在线奖励反馈，进一步增强内动机，提高MI-EEG质量。本发明操作简单，以期取得更好的实际应用。
-
-
-
-
-
-
-
-
-
Search Results
114
records
(took 0.024 seconds)
