-
公开(公告)号：CN117390424A
公开(公告)日：2024-01-12
申请号：CN202311234219.3
申请日：2023-09-24
Applicant: 北京工业大学
IPC: G06F18/213 , G06F18/10 , G06N3/0442 , G06N5/01 , G06N20/20 , G06N3/0464 , G06N3/045 , G06N3/08
Abstract: 本发明公开了基于脑源域ROI重要性的MI解码方法。首先，利用脑源成像技术及短时傅里叶变换，获得了ROI综合偶极子源估计的时频分析，提出一种基于随机森林的ROI重要性量化方法，对综合偶极子时频信息个性化处理；其次，结合等距方位投影算法和最近邻插值算法，利用ROI综合偶极子的空间位置信息，生成ROI重要性增强的偶极子时‑频‑空特征图序列(ERDFIS)；同时，将二维可分离卷积和门控递归卷积单元相融合，提出了一种轻量化神经网络融合识别方法，其中二维可分离卷积用于提取ERDFIS的空‑频特征，门控递归卷积单元则用于提取ERDFIS中丰富的时间信息，充分挖掘具有易鉴别性的时‑频‑空特征，以提高运动想象任务的识别精度。
-
公开(公告)号：CN116172575A
公开(公告)日：2023-05-30
申请号：CN202310045589.6
申请日：2023-01-30
Applicant: 北京工业大学
IPC: A61B5/369 , A61B5/00 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了基于通道优选和动态卷积神经网络的癫痫检测方法,本发明利用癫痫发作时脑电图的高频振荡特征初步定位癫痫发作起始区域，并经统计计算确定发作起始区域的中心导联；进而，计算中心导联与其他导联间的互信息与基尼指数，获得中心导联的动态相关性指数；接着，设计一种具有通道注意力机制的动态卷积神经网络模型，并结合导联的动态相关性指数实现癫痫检测。该模型具有根据输入通道特征动态改变卷积层参数的能力，增强了癫痫检测过程中的自适应性和鲁棒性。本发明方法能够获取源于发作起始区域的最优导联排序，且在不同受试者身上有良好的癫痫检测效果。
-
公开(公告)号：CN110584660B
公开(公告)日：2022-02-15
申请号：CN201910838431.8
申请日：2019-09-05
Applicant: 北京工业大学
Abstract: 本发明公开了基于脑源成像与相关性分析的电极选择方法，根据电极帽的初始电极配置确定基础电极组；然后，对采集到的运动想象脑电信号进行带通滤波预处理；接着，使用标准化低分辨率脑电磁断层扫描成像算法对MI‑EEG进行脑源成像，得到脑源域偶极子幅值时间序列；进而，根据每次实验的偶极子幅值峰值确定脑皮层激活区域，计算激活区域内偶极子幅值时间序列与各电极MI‑EEG信号的皮尔逊相关系数并降序排列；最后，选择相关系数较大的电极与基础电极组结合组成最优电极组。本发明排除了与想象任务相关性弱且不利于分类的电极，对于提高计算效率和实验便捷性具有重要意义。
-
公开(公告)号：CN109965869B
公开(公告)日：2021-09-10
申请号：CN201811539310.5
申请日：2018-12-16
Applicant: 北京工业大学
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。
-
公开(公告)号：CN112932504A
公开(公告)日：2021-06-11
申请号：CN202110058762.7
申请日：2021-01-16
Applicant: 北京工业大学
IPC: A61B5/372
Abstract: 本发明公开了偶极子成像与识别方法，采用标准化低分辨率脑电磁断层扫描成像sLORETA算法将经过带通滤波后的头皮层脑电信号逆变换到脑皮层；将四类运动想象任务分成两个两分类任务，计算每个两类任务之间的偶极子幅值差值，将其差异明显的共同时段选取为感兴趣时间TOI，并将TOI内每类任务激活的区域取并集，得到感兴趣区域ROI，提取ROI内偶极子的坐标和幅值；再针对每个离散时间点，通过对偶极子坐标进行平移、放大和取整等操作，并将偶极子幅值赋于到对应的坐标点处，构建二维偶极子成像图，再按照时间维度将二维偶极子成像图堆叠成二维图像序列；最后利用滑动时间窗法进行数据增广，获得三维偶极子特征数据，并输入到三维卷积神经网络3DCNN进行分类。
-
Patent Agency Ranking
公开(公告)号：CN109241879B
公开(公告)日：2021-06-04
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：CN112330681A
公开(公告)日：2021-02-05
申请号：CN202011235609.9
申请日：2020-11-06
Applicant: 北京工业大学
IPC: G06T7/10
Abstract: 本发明涉及一种基于注意力机制的轻量级网络实时语义分割方法，用以解决分割精度与分割效率难以达到平衡，不能满足实际应用的问题。包括：图像数据准备；构建基于注意力机制的轻量级实时语义分割网络，提出一种新的非对称编码‑解码网络结构，在编码器中，使用了轻量化模块‑可分离非对称模块，该模块结合了深度可分离非对称卷积和空洞卷积的优点，在保持精度的同时大大降低了计算量；在解码器中设计了一个注意力特征融合模块，将编码器中的特征与解码器中的特征进行融合，将其融合后的的特征经过注意力机制的选择和组合，增强对恢复图像信息有用的特征，有效提高了网络分割的精度；最终利用训练完成的分割网络实现语义分割。
-
公开(公告)号：CN112132856A
公开(公告)日：2020-12-25
申请号：CN202011056564.9
申请日：2020-09-30
Applicant: 北京工业大学
IPC: G06T7/20
Abstract: 本发明涉及一种基于自适应模板更新的孪生网络跟踪方法，用于解决目标跟踪过程中面对遮挡和快速变形等问题时的跟踪精度和鲁棒性低的问题。首先将待跟踪的视频帧和目标模板输入到孪生跟踪模块中，输出预测的目标跟踪边界框；然后将历史跟踪信息输入到轨迹预测模块中，判断是否启动模板更新模块；若启动了模板更新模块，模板更新模块对当前帧使用的目标模板进行更新，更新后的目标模板代替更新前的目标模板作为孪生跟踪模块的输入；重复这一过程完成视频跟踪。本发明使目标模板特征能够适应目标的外观变化，实现了实时跟踪，有效解决了目标在发生被遮挡或快速变形等问题时目标跟踪精度和鲁棒性低的问题。
-
公开(公告)号：CN110490884A
公开(公告)日：2019-11-22
申请号：CN201910784087.9
申请日：2019-08-23
Applicant: 北京工业大学
Abstract: 本发明涉及一种基于对抗的轻量级网络语义分割方法，用以解决预测准确率低，网络处理速度慢，难以达到实时预测的要求的问题。本发明从提升语义分割速度和精度的角度出发，提出一种基于对抗的轻量化语义分割方法。首先，通过减少通道数量，利用非对称卷积减少跳跃连接中参数量，空洞卷积增加特征图感受野，通道打乱操作提升网络信息获取能力，构建轻量级非对称的编码解码语义分割网络；然后，利用对抗思想，使用判别网络对分割图像和标定的语义标签进行判别，并设计判别损失函数和分割损失函数，通过反向传播的方法交替更新分割网络和判别网络，直至判别网络无法分辨分割网络生成的标注和真实标注，实现图像的语义分割。本发明利用轻量化模型和对抗思想使得分割网络确保实时性的同时，具有较高的分割精度。
-
公开(公告)号：CN109199376A
公开(公告)日：2019-01-15
申请号：CN201810956896.9
申请日：2018-08-21
Applicant: 北京工业大学
IPC: A61B5/0476
Abstract: 本发明基于OA-WMNE脑源成像的运动想象脑电信号的解码方法，首先采用基线校正和时域上的叠加平均进行脑电信号的预处理，得到每种运动想象任务的叠加平均信号；进而，采用WMNE脑源成像算法将之逆变换到脑源空间，得到偶极子估计，并根据两种运动想象偶极子波形变化差异确定感兴趣时段区间(TOI)；再对所有单次运动想象脑电信号进行逆变换，并将TOI中每个采样点上所有的偶极子幅值构成特征向量，获得该采样点上的一组特征；然后将所有采样点上的特征构成特征样本集，对其进行零均值标准化处理，并采用单变量特征选择方法进行特征降维；最后利用支持向量机进行特征分类，获得最高平均解码精度，提高了脑电空间分辨率，有利于提高运动想象任务的解码精度。
-
-
-
-
-
-
-
-
-
Search Results
114
records
(took 0.026 seconds)
