-
公开(公告)号：CN114781442B
公开(公告)日：2025-02-28
申请号：CN202210359058.X
申请日：2022-04-07
Applicant: 成都信息工程大学
IPC: G06F18/2433 , G06F18/25 , G06N3/045 , G06N3/042 , G06N3/0464 , G06N3/084 , A61B5/00 , A61B5/16
Abstract: 本发明公开了一种基于四维注意力卷积循环神经网络的疲劳分类方法，包括以下步骤：S1、采集脑电信号并输入四维特征提取模块，提取脑电信号的四维特征；S2、将提取到的四维特征输入注意力模块，到拥有空间‑通道注意力的特征；S3、将拥有空间‑通道注意力的特征输入卷积循环神经网络模块，进行疲劳分类。本发明解决了基于脑电信号的神经网络可解释性差的问题，它不仅提高了分类的准确率，并且通过它可以从空间和频带的角度进行可视化，提高网络的可解释性。使用深度可分离卷积层，相比于普通卷积层，模型大小降低了70％左右，准确率却提高1.44％，并且提出一种双分支深度可分离卷积，对空间信息的处理上融合了两种尺度感受野，进一步将准确率提高0.45％。
-
公开(公告)号：CN119442038A
公开(公告)日：2025-02-14
申请号：CN202510028443.X
申请日：2025-01-08
Applicant: 成都信息工程大学
IPC: G06F18/2415 , G06F18/25 , G06F18/213 , G06F18/10 , G06N3/0464 , G06N3/042
Abstract: 本申请涉及脑电波信号处理技术领域，公开一种基于EEG多分支图卷积的跨被试情绪识别方法、装置及系统和存储介质，其中方法包括：获取EEG数据；对EEG数据进行滤波得到第一信号；对第一信号进行五个频段的滤波得到第二信号；在第二信号中，以设定时间的时间窗口提取微分熵特征；基于微分熵特征，通过多分支图卷积网络提取到各频段的图特征；将各频段的图特征输入至图特征融合模块中进行融合，得到情绪特征；将情绪特征输入多层感知机，得到情绪的预测概率，并且在训练阶段使用域适应技术拉近源域和目标域之间的特征分布。本申请可有效减少跨域数据分布差异对模型性能的影响，提高情绪状态识别的准确性和鲁棒性。
-
公开(公告)号：CN118981748B
公开(公告)日：2025-01-24
申请号：CN202411451285.0
申请日：2024-10-17
Applicant: 成都信息工程大学
IPC: G06F18/25 , G06F18/2431 , G06F17/14 , G06N3/048 , G06N3/0464
Abstract: 本发明公开了一种基于EEG的动静态功能脑网络时空拓扑融合方法和装置，属于功能脑网络时空信号分类的技术领域，包括：获取复用划分EEG静息信号片段序列和复用划分连续EEG静息信号片段序列；将复用划分EEG静息信号片段序列输入静态功能连通空间拓扑学习模块中，得到高判别性局部和全局的空间拓扑特征；将复用划分连续EEG静息信号片段序列输入动态功能连通时序学习模块中，得到高判别性时序特征；将高判别性局部和全局的空间拓扑特征以及高判别性时序特征进行拼接，并将拼接结果输入至多层感知机分类层，得到脑认知静息任务分类结果。本发明在探究功能脑网络时，从动态功能连通和静态功能连通两个尺度考虑，充分考虑了大脑活动的时空变化。
-
公开(公告)号：CN119312041A
公开(公告)日：2025-01-14
申请号：CN202411349783.4
申请日：2024-09-26
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种流形‑欧几里得交叉空间下的MEI‑TID框架，用于对EEG信号的拓扑‑隐式EEG表征进行精准解码，包括以下步骤：S1、通过构建流形空间上的自适应簇中心策略来聚合子拓扑特征；S2、在流形‑欧几里得交叉空间中解码EEG信号的拓扑‑隐式表征；S3、建立自适应校准机制，并进行解码。本发明提出的MEI‑TID框架，在流形‑欧几里得交叉空间下来实现对EEG的这种拓扑‑隐式表征的高精度解码。该框架通过流形空间上的动态簇中心策略，流形‑欧几里得交叉空间结构以及自适应校准机制，来捕获EEG信号的不可知的隐式拓扑关系和表征。
-
公开(公告)号：CN117493974A
公开(公告)日：2024-02-02
申请号：CN202311590968.X
申请日：2023-11-27
Applicant: 成都信息工程大学
IPC: G06F18/241 , G06F18/213 , G06N3/042 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提供了基于时空特征的TSMNet网络包括：时间特征提取模块，用于对输入数据进行时间维度信息的提取，得到时间特征；空间拓扑转换模块，用于将所述时间特征的每个通道映射到图卷积网络的节点上,得到非负数特征；多图子空间模块，用于将所述非负数特征映射在n个子空间中，在每个子空间内,将单个数据中键向量和查询向量进行点积操作得到相似度得分矩阵，并将相似度得分矩阵进行缩放和softmax处理,并将处理值与值向量相乘得到一个特征输出，最后连接所有子空间,得到最终特征输出。本发明解决了空间信息上特征提取的局限性。
-
Patent Agency Ranking
公开(公告)号：CN116756657B
公开(公告)日：2023-11-17
申请号：CN202311031625.X
申请日：2023-08-16
Applicant: 成都信息工程大学
IPC: G06F18/2415 , G06F18/25 , G06F18/10 , G06N3/0464 , G06N3/0455 , G06N3/047 , G06N3/0499 , G06N3/048 , G06N3/084 , G06F123/02
Abstract: 本发明公开了一种基于CNN和Transformer的fNIRS脑力负荷检测方法，其包括获取fNIRS采集设备采集的原始数据，并对原始数据进行预处理得到氧合血红蛋白和脱氧血红蛋白浓度的信号#imgabs0#和#imgabs1#；对信号#imgabs2#和#imgabs3#进行一维卷积操作，并在通道维度上对卷积操作后的两个信号进行组合，得到组合信号Hb；采用卷积神经网络对组合信号Hb进行局部细粒度时间特征的提取，得到特征矩阵；采用Transformer模块对特征矩阵进行特征增强提取，得到状态特征；将状态特征输入多层感知机分类层，得到脑力负荷检测的分类结果。
-
公开(公告)号：CN116662782A
公开(公告)日：2023-08-29
申请号：CN202310648362.0
申请日：2023-05-29
IPC: G06F18/213 , G06F18/214 , G06F18/241 , G06F18/25 , G06N3/045 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/08 , A61B5/374 , G06F123/02
Abstract: 本发明公开了一种基于MSFF‑SENet的运动想象脑电图解码方法，包括：S1、构建MSFF‑SENet模型；其中，MSFF‑SENet模型包括多尺度时空块、多尺度时间块、PSD‑Conv块、SE特征融合块和分类块；S2、构建EEG信号数据集，对MSFF‑SENet模型进行训练；S3、将预处理的EEG信号输入至MSFF‑SENet模型中，获得运动想象脑电图解码分类结果。本发明提出了一种新的MSFF‑SENet模型，其相较于常见的时空模型更为敏感且准确地捕获MI‑EEG数据中的时间和多光谱特征。
-
公开(公告)号：CN111353995B
公开(公告)日：2023-03-28
申请号：CN202010240762.4
申请日：2020-03-31
Applicant: 成都信息工程大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于生成对抗网络的宫颈单细胞图像数据生成方法，包括以下步骤：S1、准备包含正常细胞图像和异常细胞图像的宫颈单细胞数据集，并对宫颈单细胞数据集进行预处理；S2、模型设计：以传统的生成对抗网络为基础，在生成对抗网络模型过程中使用约束条件指导模型生成指定类别的宫颈单细胞图像。本发明的生成对抗网络由两部分组成：生成器用于捕获训练数据的分布，判别器用于判断输入数据是来自真实数据还是生成数据。模型通过这种竞争的学习方式，使生成对抗网络可以生成逼近真实的图像，提升模型表现。本发明可以通过生成器在消耗很少的时间和人力的前提下获得大量的有效数据，可以通过扩大数据集获得更高的疾病检测准确率。
-
公开(公告)号：CN114569101A
公开(公告)日：2022-06-03
申请号：CN202210222186.X
申请日：2022-03-09
Applicant: 成都信息工程大学
Abstract: 本发明提供了一种非接触式心率检测方法、装置和电子设备，其中，该方法包括：通过预设摄像头，采集包含有目标对象的目标图像；基于目标图像，确定感兴趣区域；对感兴趣区域对应的图像区域进行颜色空间转换，得到指定颜色空间下的图像信号；对指定颜色空间下的图像信号进行信号提取，得到血液容积脉冲信号，该血液容积脉冲信号中包含有信号的时频信息；基于血液容积脉冲信号确定目标对象的心率。该方式通过摄像头实时采集目标对象的图像，并对该图像进行时频分析处理，得到心率值，从而实现了非接触式心率检测，并满足在实际场景中的应用，能够在自然光状态下对心率进行检测，具有操作便捷、设备要求低、受环境制约小、实时性强和准确度高等特点。
-
公开(公告)号：CN111353995A
公开(公告)日：2020-06-30
申请号：CN202010240762.4
申请日：2020-03-31
Applicant: 成都信息工程大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于生成对抗网络的宫颈单细胞图像数据生成方法，包括以下步骤：S1、准备包含正常细胞图像和异常细胞图像的宫颈单细胞数据集，并对宫颈单细胞数据集进行预处理；S2、模型设计：以传统的生成对抗网络为基础，在生成对抗网络模型过程中使用约束条件指导模型生成指定类别的宫颈单细胞图像。本发明的生成对抗网络由两部分组成：生成器用于捕获训练数据的分布，判别器用于判断输入数据是来自真实数据还是生成数据。模型通过这种竞争的学习方式，使生成对抗网络可以生成逼近真实的图像，提升模型表现。本发明可以通过生成器在消耗很少的时间和人力的前提下获得大量的有效数据，可以通过扩大数据集获得更高的疾病检测准确率。
-
-
-
-
-
-
-
-
-
Search Results
95
records
(took 0.025 seconds)
