-
公开(公告)号：CN112800928B
公开(公告)日：2024-04-09
申请号：CN202110092972.8
申请日：2021-01-25
Applicant: 北京工业大学
IPC: G06F18/213 , G06F18/24 , G06F18/214 , G06F18/25 , G06N3/0464
Abstract: 本发明公开了融合通道和频谱特征的全局自注意力残差网络的癫痫发作预测方法，将脑电信号数据分割为发作前期和发作后期，然后计算发作前期和发作后期的数据比，对发作前期数据进行重叠采样，得到数据量相等的两类信号片段；再利用短时傅立叶变换将原始EEG信号转化成频谱图来表示EEG信号的时频特征；然后分别使用3种不同维度的3D卷积核挖掘各个通道映射之间的相互依赖性并将他们的结果进行拼接，利用一个卷积操作将上述的通道特征进行融合；通过全局自注意力模块将频谱图的局部特征与其全局特征进行集成，以加强脑电信号特征之间的关联性来获得上下文信息，使每个位置的特征都带有全局感受野，提高网络的表征能力，从而达到更好的分类效果。
-
-
公开(公告)号：CN112800928A
公开(公告)日：2021-05-14
申请号：CN202110092972.8
申请日：2021-01-25
Applicant: 北京工业大学
Abstract: 本发明公开了融合通道和频谱特征的全局自注意力残差网络的癫痫发作预测方法，将脑电信号数据分割为发作前期和发作后期，然后计算发作前期和发作后期的数据比，对发作前期数据进行重叠采样，得到数据量相等的两类信号片段；再利用短时傅立叶变换将原始EEG信号转化成频谱图来表示EEG信号的时频特征；然后分别使用3种不同维度的3D卷积核挖掘各个通道映射之间的相互依赖性并将他们的结果进行拼接，利用一个卷积操作将上述的通道特征进行融合；通过全局自注意力模块将频谱图的局部特征与其全局特征进行集成，以加强脑电信号特征之间的关联性来获得上下文信息，使每个位置的特征都带有全局感受野，提高网络的表征能力，从而达到更好的分类效果。
-
公开(公告)号：CN112903625B
公开(公告)日：2024-01-19
申请号：CN202110092929.1
申请日：2021-01-25
Applicant: 北京工业大学
IPC: G01N21/359 , G16C20/20 , G16C20/70
Abstract: 本发明公开了基于偏最小二乘法分析药物中活性物质含量的集成参数优化建模方法，引入相关系数找到活性物质含量与光谱指数之间的线性关系，对不同光谱预处理方法得到的各种光谱参数进行了组合运算，综合考虑不同预处理提供的不同贡献，将光谱预处理、变量选择、潜在因子集合到光谱参数、潜在因子。光谱系数有一维相关系数(皮尔逊相关)和组合波段相关系数，建立潜在因子数1‑6的全连接PLS组合模型。模型性能通过均方根误差、R2和预测标准误差与标准偏差之比进行评估。该方法采用所有可能参数组合的全局最优策略和轨迹路径，分析不同药物的近红外光谱数据集，该模型可作为药物活性物质含量的测定。
-
公开(公告)号：CN112957054A
公开(公告)日：2021-06-15
申请号：CN202110092953.5
申请日：2021-01-25
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于通道注意力分组残差网络的12导联心电信号分类方法，由于原始12导联心电信号的长度不一或时间过长，无法对其直接分类，需要对每条记录以等长的时间间隔分割处理，把分割好心电信号片段经过SIFT变换到频域中，得到频谱图，然后对频谱图取对数最后得到对数频谱图，然后将对数频谱图输入到设计好的基于通道注意力分组残差网络(XSENet)网络中进行分类。该方法的主干网络主要采用分组残差网络和Senet结合的思想。该方法具有分类识别率高等优点。该主干网络的输入为12导联心电信号在频域上取对数后的频谱图，每个输出分别为所属类别的概率，是一种端对端的心电信号分类方法；本发明降低了解决问题的繁琐复杂过程，有效地提高了心电信号分类准确率。
-
Patent Agency Ranking
公开(公告)号：CN112903625A
公开(公告)日：2021-06-04
申请号：CN202110092929.1
申请日：2021-01-25
Applicant: 北京工业大学
IPC: G01N21/359 , G16C20/20 , G16C20/70
Abstract: 本发明公开了基于偏最小二乘法分析药物中活性物质含量的集成参数优化建模方法，引入相关系数找到活性物质含量与光谱指数之间的线性关系，对不同光谱预处理方法得到的各种光谱参数进行了组合运算，综合考虑不同预处理提供的不同贡献，将光谱预处理、变量选择、潜在因子集合到光谱参数、潜在因子。光谱系数有一维相关系数(皮尔逊相关)和组合波段相关系数，建立潜在因子数1‑6的全连接PLS组合模型。模型性能通过均方根误差、R2和预测标准误差与标准偏差之比进行评估。该方法采用所有可能参数组合的全局最优策略和轨迹路径，分析不同药物的近红外光谱数据集，该模型可作为药物活性物质含量的测定。
-
公开(公告)号：CN112801971B
公开(公告)日：2024-04-16
申请号：CN202110092920.0
申请日：2021-01-25
Applicant: 北京工业大学
IPC: G06V10/25 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于把目标视为点改进的目标检测方法，该方法直接将任意尺度多目标的图像作为网络的输入，使用损失函数计算训练的损失值，通过优化损失值，反向传播更新模型参数，训练网络模型直至该模型收敛。在训练过程中选取预测的中心点热度图中的前N个点，计算对应包围框与真值包围框之间的相似度，来完成权重计算，赋予网络特征图对应的权重，告诉网络应该注意哪些点。通过在公开的数据集PascalVOC2007和2012上进行测试，体现了该网络模型具有较强的目标检测能力，证明了本发明能在保证在提高网络精度的同时，缓解中心点发散，减少冗余检测框，不影响网络的推理速度，不花费额外的计算量的情况下完成检测任务。
-
公开(公告)号：CN112957054B
公开(公告)日：2023-06-23
申请号：CN202110092953.5
申请日：2021-01-25
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于通道注意力分组残差网络的12导联心电信号分类方法，由于原始12导联心电信号的长度不一或时间过长，无法对其直接分类，需要对每条记录以等长的时间间隔分割处理，把分割好心电信号片段经过SIFT变换到频域中，得到频谱图，然后对频谱图取对数最后得到对数频谱图，然后将对数频谱图输入到设计好的基于通道注意力分组残差网络(XSENet)网络中进行分类。该方法的主干网络主要采用分组残差网络和Senet结合的思想。该方法具有分类识别率高等优点。该主干网络的输入为12导联心电信号在频域上取对数后的频谱图，每个输出分别为所属类别的概率，是一种端对端的心电信号分类方法；本发明降低了解决问题的繁琐复杂过程，有效地提高了心电信号分类准确率。
-
公开(公告)号：CN112957052B
公开(公告)日：2023-06-23
申请号：CN202110092923.4
申请日：2021-01-25
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于NLF‑CNN导联融合深度网络的多导联心电信号分类方法，具体采用运用NLF‑CNN非局部性导联融合的深度卷积神经网络，首先通过深层CNN在单一导联下提取心电信号的深度特征，然后通过浅层CNN将得到的多个导联特征进行交叉组合，设计不同的卷积核的大小组合不同导联的特征，同时，引入Non‑local非局部注意力机制，弥补卷积核感受野受限问题；本发明在心电图检测场景中的多导联心电信号分类方面提供了完整的解决方案，针对在不同心电图导联之间表现不同的关系，构建NLF‑CNN网络实现导联信息的提取和融合，同时在导联融合之前引入Non‑local自注意力机制，关注不同导联特征的差别和联系，大大提高了多导联心电信号检测和分类的准确率。
-
公开(公告)号：CN112957052A
公开(公告)日：2021-06-15
申请号：CN202110092923.4
申请日：2021-01-25
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于NLF‑CNN导联融合深度网络的多导联心电信号分类方法，具体采用运用NLF‑CNN非局部性导联融合的深度卷积神经网络，首先通过深层CNN在单一导联下提取心电信号的深度特征，然后通过浅层CNN将得到的多个导联特征进行交叉组合，设计不同的卷积核的大小组合不同导联的特征，同时，引入Non‑local非局部注意力机制，弥补卷积核感受野受限问题；本发明在心电图检测场景中的多导联心电信号分类方面提供了完整的解决方案，针对在不同心电图导联之间表现不同的关系，构建NLF‑CNN网络实现导联信息的提取和融合，同时在导联融合之前引入Non‑local自注意力机制，关注不同导联特征的差别和联系，大大提高了多导联心电信号检测和分类的准确率。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.018 seconds)
