-
公开(公告)号：CN112132856B
公开(公告)日：2024-05-24
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：CN117909822A
公开(公告)日：2024-04-19
申请号：CN202410043702.1
申请日：2024-01-11
Applicant: 北京工业大学
IPC: G06F18/241 , A61B5/00 , A61B5/369 , G06F18/2135 , G06F18/214 , G06F18/2131 , G06F18/10 , G06N3/0464
Abstract: 本发明公开了基于多尺度注意力网络的癫痫检测方法，根据癫痫脑电的多尺度、时空特点、不同尺度下导联间的信息流动特征和尺度间隐式关联特征，设计基于多尺度注意力的神经网络，并与多尺度主元分析法相结合，实现癫痫自动检测。利用MSPCA对原始癫痫脑电信号进行去噪和特征增强；进而，设计MAN模型结构与参数。其中，多尺度注意力模块、时空特征提取模块、尺度重构模块和分类模块相继完成基于注意力加权机制的信号重表达、基于注意力机制的多尺度‑时空特征提取与重表达、融合与分类。基于CHB‑MIT公共数据集进行五折交叉验证实验研究，MAN模型能够在癫痫信号不同尺度下有效利用其脑网络特征强化导联间差异性和不同尺度间差异性，具有与流行方法相当的性能。
-
公开(公告)号：CN112932503B
公开(公告)日：2023-05-02
申请号：CN202110058756.1
申请日：2021-01-16
Applicant: 北京工业大学
IPC: A61B5/372 , G06F18/241 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了基于4D数据表达和3DCNN的运动想象任务解码方法，对原始运动想象脑电信号MI‑EEG进行基线校正和带通滤波处理；将预处理后的MI‑EEG信号从低维头皮空间映射到高维脑皮层空间，获得偶极子源估计；结合偶极子坐标系转换、插值和体积下采样等操作，构建3D偶极子幅值矩阵；在TOI内设置滑窗，将窗内采样时刻对应的3D偶极子幅值矩阵按照采样顺序堆叠为4D偶极子特征矩阵；设计三模块级联结构的三维卷积神经网络3M3DCNN，对4DDFM含有的三维空间位置信息以及一维时间信息的复合特征进行提取和识别，实现运动想象任务解码；本发明避免了ROI的选择带来的大量信息丢失，并省去了时频分析等复杂操作步骤，有效提高了脑电信号的识别效果。
-
公开(公告)号：CN111528836B
公开(公告)日：2023-04-28
申请号：CN202010375284.8
申请日：2020-05-06
Applicant: 北京工业大学
Abstract: 本发明公开了基于动态定向传递函数的脑功能网络特征提取方法，该方法主要包括：首先对原始运动想象脑电信号进行共平均参考、导联优选等预处理；接着采用提出的DDTF算法对经过预处理的脑电信号计算网络连接边并分别构建不同频段脑功能网络；进而根据脑功能网络计算得到网络特征参数流出信息及信息流增益，将两种特征参数串行融合作为特征向量送入支持向量机进行特征评估；最后根据识别率闭环确定最优参数及最优频段，得到最终分类结果。本发明将其用于构建运动想象脑功能网络，计算得到网络参数用于MI‑EEG特征提取，该方法不仅能够精确刻画MI‑EEG在频域的变化特性，而且准确反映了BFN的动态演化过程，对MI‑EEG分类准确率的提升有很大帮助。
-
公开(公告)号：CN112932505A
公开(公告)日：2021-06-11
申请号：CN202110058776.9
申请日：2021-01-16
Applicant: 北京工业大学
IPC: A61B5/372
Abstract: 本发明公开了一种基于时频能量的符号传递熵及脑网络特征计算方法，首先，基于共平均参考对采集的运动想象脑电信号(MI‑EEG)进行预处理；然后，对各导联MI‑EEG进行连续小波变换，求得其时‑频‑能量矩阵，并将与运动想象密切相关的频带内各频率所对应的时间‑能量序列依次拼接，得到该导联的一维时频能量序列；进而，计算任意两个导联时频能量序列之间的符号传递熵，构建大脑连通性矩阵，并使用皮尔逊特征选择算法优化矩阵元素；最后，计算脑功能网络的度和中间中心性，构成特征向量，用于MI‑EEG的分类。结果表明，本发明可以有效地提取MI‑EEG的频域特征和非线性特征，相比于传统的基于脑功能网络的特征提取方法具有明显的优势。
-
Patent Agency Ranking
公开(公告)号：CN112329794A
公开(公告)日：2021-02-05
申请号：CN202011235688.3
申请日：2020-11-06
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于双重自注意力机制的图像描述网络，包括特征提取器、双重自注意力模块、解码器。其中，Faster R‑CNN网络作为特征提取器用于提取图像的重要特征。双重自注意力模块由两个自注意力分支组成，利用自注意力机制能够捕获长范围依赖关系的特性分别从空间和通道维度捕获特征的依赖性。解码器由两层LSTM构成，分别为注意层和语言层，注意层来预测生成当前词汇在图像上的注意力分布，语言层生成描述。本发明能自适应地将局部特征与全局相关性结合起来，从而获得图像的上下文信息，有利于生成更精确的描述，提高了描述语句的准确性。
-
公开(公告)号：CN112244878A
公开(公告)日：2021-01-22
申请号：CN202010895392.8
申请日：2020-08-31
Applicant: 北京工业大学
Abstract: 本发明公开了用并联型多模块CNN和LSTM识别关键频带图像序列的方法，基于短时傅里叶变换对脑电信号进行时频分析，选取与运动想象任务密切相关的关键频带；然后，采用关键频带成像方法，针对每个离散时间，将各导联的关键频带时频融合信息同时插值于相应导联在网格中的离散位置上，并利用最近邻插值法对空值处进行信息增补，获得两个关键频带图像序列；最后，设计并联型多模块CNN和LSTM网络，用于关键频带图像序列的频域、空域与时域特征的提取与融合识别，实现脑电信号的自动分类。本发明通过短时傅里叶变换获得脑电信号丰富的时频信息，利用网络结构能充分的学习图像序列所包含的特征，有效的提高了脑电信号的识别效果。
-
公开(公告)号：CN109726751B
公开(公告)日：2020-11-27
申请号：CN201811574691.0
申请日：2018-12-21
Applicant: 北京工业大学
Abstract: 本发明公开了基于深度卷积神经网络识别脑电成像图的方法，对采集到的运动想象脑电信号进行基线消除预处理；将每导联信号分成若干时间窗口，对每个窗口MI‑EEG型号分别进行快速傅里叶变换，将之分别进行快速傅里叶逆变换，计算其相应的时域功率值；将每个窗口得到的时域功率值求均值，得到时域功率特征；将提取的三频带功率特征在数据矩阵中进行插值成像，得到MI‑EEG信号的伪RGB图像；DCNN模型设计成五段卷积，每段卷积结束后使用卷积层替代最大池化层进行数据降维；使用训练好的DCNN模型在测试集上进行评估，完成分类测试。MI‑EEG成像图在特征表达方面的优势，配合模型拟合能力更强的30层DCNN，对于提升MI‑EEG信号特征表达、分类精度具有重要意义。
-
公开(公告)号：CN110584660A
公开(公告)日：2019-12-20
申请号：CN201910838431.8
申请日：2019-09-05
Applicant: 北京工业大学
IPC: A61B5/0476 , A61B5/0478
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：CN108829257A
公开(公告)日：2018-11-16
申请号：CN201810955270.6
申请日：2018-08-21
Applicant: 北京工业大学
Abstract: 本发明公开了一种运动想象脑电信号的特征提取方法。根据平均功率谱确定对运动想象脑电信号进行特征提取的最优时间段，然后对这一时间段内的运动想象脑电信号进行四层双树复小波分解，利用每个子带的复小波系数进行信号重构，通过计算重构后信号最有时间段内数据的平均能量特征作为运动想象脑电信号的时频特征；提出IL-MVU算法对重构后的脑电信号的最有时间段内数据进行降维，将降维后得到的低维向量作为运动想象脑电信号的非线性特征，最后通过对最优时间段内运动想象脑电信号的时频特征与非线性特征进行标准化处理与特征融合，得到运动想象脑电信号的特征向量。本发明极大地降低了算法的时间消耗，有助于提高MI-EEG信号的分类准确率。
-
-
-
-
-
-
-
-
-
Search Results
114
records
(took 0.026 seconds)
