-
公开(公告)号：CN108888281A
公开(公告)日：2018-11-27
申请号：CN201810937534.5
申请日：2018-08-16
Applicant: 华南理工大学
Abstract: 本发明提供一种精神状态评估方法、设备及系统，涉及精神状态评估技术领域。该精神状态评估方法包括：在预设时间内采集待评估人员的音频数据和视频数据；提取音频数据和视频数据中待评估人员的多模态生理特征，多模态生理特征包括：面部瞳孔数据特征、语音数据特征以及心率和心率变异性数据特征；根据多模态生理特征和预设的关联模型，输出待评估人员的精神状态评估结果，所述关联模型为基于神经网络或SVM支持向量机对不同精神状态下的个体数据进行分类的训练模型。该精神状态评估方法能够灵活适用于多种设备，对不同场合人员中的精神状态进行评估。
-
公开(公告)号：CN119917993A
公开(公告)日：2025-05-02
申请号：CN202411775543.0
申请日：2024-12-05
Applicant: 华南理工大学
IPC: G06F18/25 , G06F18/10 , G06F18/213 , G06F18/21 , G06N3/0455 , G06N3/082
Abstract: 本发明公开了一种基于离散小波变换的脑电特征增强方法、装置、设备及介质，其中方法包括：获取脑电数据，对脑电数据进行预处理，获得脑电信号；对脑电信号进行离散小波分解，获得近似信号与细节信号；对近似信号与细节信号分别进行切片操作，并进行特征提取，获得细节信号特征和近似信号特征；将细节信号特征进行特征增强处理后，与近似信号特征进行拼接，得到增强特征；将原始特征与增强特征分别输入模型，对模型进行训练；其中，使用一致性约束让原始特征的分类结果与增强特征的分类结果互相逼近。本发明通过使用离散小波变换对信号进行分解后再增强，避免增强破坏类别相关特征，增强模型的泛化性。本发明可广泛应用于脑电领域。
-
公开(公告)号：CN119152562A
公开(公告)日：2024-12-17
申请号：CN202411646839.2
申请日：2024-11-18
Applicant: 华南理工大学
IPC: G06V40/16 , G06N3/0464 , G06V10/44 , G06V10/80 , G06V10/82
Abstract: 本发明公开的一种基于双特征融合的微表情识别方法及系统，包括获取用于训练的微表情数据；使用微表情图像特征提取器获取微表情单帧特征；计算表情发生帧特征与峰值帧特征之间的梯度特征；计算表情发生帧与峰值帧之间的运动特征；获取加权融合后的梯度特征和运动特征，作为完整的微表情特征；使用分类器将完整的微表情特征输入分类器中以预测所属类别。本发明考虑了两种互补的特征，使用梯度特征学习模块计算微表情梯度特征，使用运动特征学习模块计算微表情运动特征。结合可学习的融合系数获得完整的特征。最后将特征输入分类器进行情感识别。
-
公开(公告)号：CN118968151A
公开(公告)日：2024-11-15
申请号：CN202411012963.3
申请日：2024-07-26
Applicant: 华南理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/77 , G06N3/0455 , G06N3/06 , G06N3/084 , G06N3/048
Abstract: 本申请公开了一种基于宽度脉冲神经网络的图像分类模型的训练方法及设备，获取训练样本集；根据样本图像，构建原始输入矩阵；通过特征层对原始输入矩阵进行特征提取，得到映射特征矩阵；通过脉冲编码层对映射特征矩阵进行编码，得到特征脉冲序列；通过脉冲增强层，根据特征脉冲序列生成增强脉冲序列；将特征脉冲序列和增强脉冲序列输入到脉冲输出层，通过脉冲输出层处理得到输出脉冲序列；输出脉冲序列用于表征样本图像对应的类别的预测结果；根据输出脉冲序列和输出矩阵，对图像分类模型中的参数进行更新，得到训练好的图像分类模型。该方法可以在低能耗的情况下高效训练图像分类模型，且预测的精度更好。本申请可广泛应用于人工智能技术领域内。
-
公开(公告)号：CN114372557B
公开(公告)日：2024-11-05
申请号：CN202111612510.0
申请日：2021-12-27
Applicant: 华南理工大学
Abstract: 本发明公开了一种通用的深宽网络结合框架的构建方法，包括以下步骤：S1、初始化宽度学习参数，包括映射特征组个数、组内特征个数以及增强节点个数；S2、由输入数据，使用具有随机值的深度网络或其组件初始化宽度学习中的映射特征节点组；S3、由得到的映射特征使用深度网络或其组件构建增强特征节点组；S4、将两组提取的特征合并，共同连接到最终输出层；S5、使用优化算法对深宽网络参数进行优化，包括最后一层连接权重和特征层中深度网络的参数，直到达到停止条件。本发明将深度学习或其组件提取特征的能力融合到宽度学习中，实现深宽结合的模型，有效解决了深度学习中参数量大，时间消耗长的问题。
-
Patent Agency Ranking
公开(公告)号：CN118711726A
公开(公告)日：2024-09-27
申请号：CN202410856313.0
申请日：2024-06-28
Applicant: 华南理工大学
Abstract: 本发明公开了一种无标签数据辅助的半监督宽度网络水泥抗压强度预估方法，该方法包括确定需要使用的水泥抗压强度影响因素，按照水泥抗压强度测定方法对水泥样品进行测试记录，得到标记数据及无标签数据；使用标记数据和无标签数据训练半监督多层宽度网络；利用训练好的半监督多层宽度网络对待测水泥样品的抗压强度进行预测。本发明引入无标签数据提高预测效果，降低预测误差，更贴合于实际应用场景，避免了数据资源的浪费。
-
公开(公告)号：CN118194105A
公开(公告)日：2024-06-14
申请号：CN202410121096.0
申请日：2024-01-29
Applicant: 华南理工大学
IPC: G06F18/241 , G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/094 , A61B5/16 , A61B5/369 , A61B5/00
Abstract: 本发明公开的基于脑功能联通模式和个体特性融合的脑电情感识别方法，包括以下步骤：采集与预处理信号脑电信号；利用个体差异性提取模块提取脑电数据中的个体差异性特征；将预处理后的数据和通过个体差异性提取模块得到的个体差异性特征输入到图构建模块，通过图构建模块构造脑电数据图；采用图卷积模块提取样本自适应图的情感分类特征；将图卷积模块输出的特征和个体差异性提取模块的特征提取器提取的特征输入时域对抗模块进行时域对抗训练，以消除不同时段之间的差异，促进时间稳定特征的提取；将图卷积模块输出特征和个体差异性提取模块的特征提取器提取的特征输入到情感分类模块中，通过拼接的方式获得最终的情感分类特征。
-
公开(公告)号：CN118154945A
公开(公告)日：2024-06-07
申请号：CN202410239982.3
申请日：2024-03-04
Applicant: 华南理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种数据流驱动的动态节点宽度学习图像分类方法，包括以下步骤：S1、设置初始映射特征节点和增强节点个数，输入初始批次图像数据，基于设置参数建立宽度学习模型；S2、判断是否有新的图像数据流到达或未达到预设终止条件，若否，则输出训练完成的宽度学习模型并测试性能；若是，则进入步骤S3；S3、计算需要增加的增强节点数量；S4、调整宽度学习模型节点配置，利用增量数据流更新宽度学习模型权重，跳转至步骤S2。本发明通过数据驱动自动计算出适应数据流场景下的增强节点调整幅度，解决了数据流场景下由于大量数据涌入导致性能不佳问题，同时也避免了人为设置模型参数的繁琐步骤。
-
公开(公告)号：CN118154527A
公开(公告)日：2024-06-07
申请号：CN202410239981.9
申请日：2024-03-04
Applicant: 华南理工大学
IPC: G06T7/00 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0895 , G06N20/20
Abstract: 本发明公开了一种基于集成自训练的半监督宽度乳腺癌诊断方法，包括：S1、采集乳腺癌图像数据并标注及预处理；S2、训练多个同质打标BLS；S3、所有同质打标BLS进行投票决策，产生预标签；S4、根据投票计算分类标签纯度，选择一组无标签乳腺癌图像数据赋予其伪标签并作为辅助训练数据；S5、动态节点机制调整所有打标BLS的结构，并将辅助训练数据加入训练集，训练这些打标BLS；S6、若达到终止条件，利用当前带标签的乳腺癌图像数据训练最终决策BLS并应用到实际乳腺癌数据，输出诊断结果。本发明结合集成学习和自训练机制解决了乳腺癌诊断领域的标签和非平衡问题，使用宽度学习作为基分类器避免了基于深度学习乳腺癌诊断方法成本高、部署难度大的问题。
-
公开(公告)号：CN117992832A
公开(公告)日：2024-05-07
申请号：CN202410227495.5
申请日：2024-02-29
Applicant: 华南理工大学 , 人工智能与数字经济广东省实验室(广州)
IPC: G06F18/24 , G06F18/25 , G06F18/213 , G06V40/16 , G06V10/82 , G06V10/44 , G06N3/0464 , G06N3/045 , G06N3/0442 , G06F3/01
Abstract: 本发明提供了一种基于生理与非生理多模态数据融合的情感感知智能眼镜，包括镜架、摄像模块、音频采集模块、供电模块、数据处理装置、脑电检测装置；脑电检测装置包括插口和若干与插口相连的电极；镜架上设有用于插接插口的脑电采集接口；数据处理装置执行多模态数据情感感知方法，包括如下步骤：接收佩戴者多模态信号；多模态信号包括脑电信号、音频数据、脸部图片和脸部视频；分别进行情感特征提取；将各个情感特征进行融合，通过分类得到复合情感识别结果。该智能眼镜支持对生理和非生理多模态情感数据进行情感特征提取，融合，具备多模态情感数据相互支持、相互补充的能力，提高情感状态评估准确率，可有效、便捷地评估用户的日常精神状态。
-
-
-
-
-
-
-
-
-
Search Results
125
records
(took 0.03 seconds)
