-
公开(公告)号：CN116138755A
公开(公告)日：2023-05-23
申请号：CN202211411382.8
申请日：2022-11-11
Applicant: 中国科学院计算技术研究所
IPC: A61B5/022 , A61B5/00 , G06F18/2431 , G06F18/214
Abstract: 本发明提供了一种构建用于无创血压监测的模型的方法以及可穿戴设备，方法包括A1、获取源域训练集和目标域训练集，任意一个训练集均包括多个样本和指示每个样本对应血压真值的标签，每个样本为一个被测人员在一段时间中多个模态的生理信号；A2、利用源域训练集对用于从多种模态的生理信号提取样本特征的多模态编码器和用于根据样本特征输出血压预测值的回归层进行训练；A3、利用经步骤A2训练的多模态编码器从目标域训练集的样本提取样本特征，利用目标域训练集的样本对应的样本特征以及标签对用于输出血压预测值的非线性回归器进行训练；A4、将经步骤A2训练的多模态编码器和经步骤A3训练的非线性回归器进行组合，构建用于无创血压监测的模型。
-
公开(公告)号：CN117763420A
公开(公告)日：2024-03-26
申请号：CN202311788225.3
申请日：2023-12-25
Applicant: 中国科学院计算技术研究所
IPC: G06F18/241 , G06F18/213 , G06F18/25 , G06N3/045 , G06N3/0464 , G06N3/084 , G01S13/88 , G01S13/08
Abstract: 本发明提供一种神经网络模型，用于根据雷达人体活动数据识别人体活动，包括：时空信息编码器，用于根据所述雷达人体活动数据同步编码时间信息和空间信息；特征提取模块，用于融合所述时间信息和空间信息以提取人体活动特征；外部注意力模块，用于根据所提取的人体活动特征对人体活动分类。本发明的神经网络模型能有效提高模型的泛化性能，在更复杂的人体活动上也能实现较高的准确率，可以应用于跌倒检测、灾害救援等实际场景中。
-
公开(公告)号：CN116702025A
公开(公告)日：2023-09-05
申请号：CN202310556186.8
申请日：2023-05-17
Applicant: 中国科学院计算技术研究所
IPC: G06F18/241 , G06F18/214 , G06F18/213 , G06F18/25 , G06N3/0464 , G06N3/044 , G06F18/27
Abstract: 本发明提供了一种基于惯性传感器数据的基础设施状态识别方法和系统，该方法包括：获取部署在基础设施上的惯性传感器采集的传感数据和该传感数据被采集前该基础设施的前序状态序列；利用经训练的状态识别模型根据所述传感数据和所述前序状态序列确定该基础设施当前的状态，其中，所述经训练的状态识别模型包括两种预测模式，第一预测模式下根据传感数据和对应前序状态序列进行预测，第二预测模式下根据传感数据和对应前序状态序列的掩码值进行预测；利用校准器确定基础设施当前的状态是否需要校准，若是，由经训练的状态识别模型在第二预测模式下预测的基础设施的状态更新基础设施当前的状态。
-
公开(公告)号：CN116701954A
公开(公告)日：2023-09-05
申请号：CN202310559427.4
申请日：2023-05-17
Applicant: 中国科学院计算技术研究所
IPC: G06F18/22 , G06F18/213 , G06F18/214 , G06F18/241 , G06N3/0464 , G06N3/0442 , G06N3/0455 , G06N3/08 , G01C21/16 , G01C21/20
Abstract: 本发明实施例提供一种基于IMU数据的基础设施状态识别方法，所述方法包括：获取部署在基础设施上的惯性测量单元采集的IMU数据，利用特征提取器从所述IMU数据中提取该基础设施对应的特征向量；将提取的该基础设施对应的特征向量与为该基础设施预设的多种状态的基准特征向量进行相似度计算，得到相似度结果；根据相似度结果，确定基础设施当前所处的状态，本发明实施例的技术方案根据将提取的基础设施的特征向量与为该基础设施预设的多种状态的基准特征向量进行相似度计算得到的相似度结果，确定基础设施的状态的方式，可广泛应用在任意基础设施中并识别用户指定的任一基础设施状态，普适性高且成本小。
-
Patent Agency Ranking
公开(公告)号：CN119745355A
公开(公告)日：2025-04-04
申请号：CN202411622930.0
申请日：2024-11-14
Applicant: 中国科学院计算技术研究所
IPC: A61B5/021 , A61B5/00 , G06F18/15 , G06F18/213 , G06F18/2433 , G06N3/0464 , G06N3/045 , G06N3/088 , G06N3/09 , G06N3/048
Abstract: 本发明提供了一种生理语义一致的无袖带血压模型对比学习预训练方法，所述血压预测模型构建方法首先采用无标签PPG信号对模型进行无监督训练以提高模型的泛化能力，再采用有标签的PPG信号对模型进行有监督训练以训练模型的预测性能，最后采用少量的目标对象的有标签PPG信号对模型进行个性化训练以使模型具备预测目标对象血压数据的性能，其中，在无监督训练过程中，基于血压关键生理知识实现数据增强以确保增强数据的质量和实用性，并通过随机特征掩蔽、特征重采样以提高模型提取特征的多样性。本发明与现有的血压预测方法相比，减少了训练过程中有标签数据的需求量，同时，基于血压关键生理信息进行数据增强与特征重建以提高血压预测模型的泛化能力。
-
公开(公告)号：CN119673469A
公开(公告)日：2025-03-21
申请号：CN202411608809.2
申请日：2024-11-12
Applicant: 中国科学院计算技术研究所
IPC: G16H50/70 , A61B5/021 , A61B5/00 , G16H50/30 , G06F18/27 , G06F18/213 , G06F18/214 , G06F18/25 , G06N3/0985 , G06N3/0464 , G06N3/0442
Abstract: 本发明提供了一种基于元学习的域泛化血压估计训练方法，本发明的技术方通过两阶段元学习的策略，将学习过程分为元训练阶段和元测试阶段，其中元训练阶段进一步分为训练子阶段和优化子阶段，学习过程中，变换地选定源域组成元优化域，其余源域作为元训练域，在每一轮元训练阶段，模型在元训练域内的多个源域上训练，以模拟不同个体的数据分布，通过对不同个体数据的学习，提升模型的泛化性能；在元测试阶段，模型利用源域数据进行微调，以提升在真正的目标域上的预测精度。
-
公开(公告)号：CN118537637A
公开(公告)日：2024-08-23
申请号：CN202410609169.0
申请日：2024-05-16
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06V10/44 , G06N3/045 , G06N3/08
Abstract: 本发明提供了一种图像分类模型训练方法，其包括：步骤S1、数据获取步骤：获取多个图像数据集，每个图像数据集与其他图像数据集属于不同的领域，每个图像数据集中包括多个不同类别的图像样本及其对应的类别标签和域标签，其中，类别标签指示图像样本对应的类别，域标签指示图像样本所属的图像数据集，且每个图像数据集拥有相同的类别标签集合；步骤S2、模型训练步骤：步骤S21、构建初始图像分类模型，其包括共享特征提取器、一个一类分支网络和多个二类分支网络；步骤S22、采用所述多个图像数据集对初始图像分类模型进行多次训练直至模型收敛。本发明提出的训练方法使模型具备了提取跨域不变特征和域正交不变特征的能力，使模型提高了分类准确率。
-
公开(公告)号：CN117761654A
公开(公告)日：2024-03-26
申请号：CN202311788337.9
申请日：2023-12-25
Applicant: 中国科学院计算技术研究所
IPC: G01S7/41 , G06V40/20 , G06V10/34 , G06V10/44 , G06V10/764 , G06V10/766 , G06V10/77 , G06V10/80 , G06V10/82 , G06F18/213 , G06F18/25 , G06N3/045 , G06N3/0464 , G06N3/084 , G01S13/86
Abstract: 本发明提供一种神经网络模型，根据雷达人体活动数据识别人体活动，包括：特征变换网络，用于根据所述雷达人体活动数据生成多视角融合特征图；特征提取网络，用于从多视角融合特征图中提取人体姿态特征；姿态回归网络，用于根据人体姿态特征识别出人体姿态类别。本发明利用深度摄像机提供的人体深度图和关键骨骼点图作为网络的中间层监督和底层监督，提高了人体姿态识别准确率，该系统可应用于跌倒检测、灾害救援等实际场景中。
-
公开(公告)号：CN117442173A
公开(公告)日：2024-01-26
申请号：CN202311329592.7
申请日：2023-10-13
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种基于元学习对血压预测模型训练的方法，所述方法包括以下步骤：获取训练集，将训练集划分成第一训练集、第二训练集和第三训练集；利用第一训练集对血压预测模型进行预训练，得到预训练血压预测模型；用所述预训练血压预测模型的参数对初始元学习器进行初始化；基于元学习算法利用第二训练集中的多个训练任务对所述初始元学习器进行训练，得到目标元学习器；针对所述第三训练集中的每个患者用所述目标元学习器分别进行初始化，得到每个患者对应的初始个性化血压预测模型，利用第三训练集中每个患者的训练数据对其对应的初始个性化血压预测模型进行训练，得到该患者对应的个性化血压预测模型。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.023 seconds)
