-
公开(公告)号：CN112418338B
公开(公告)日：2024-08-23
申请号：CN202011364819.8
申请日：2020-11-27
Applicant: 北京工业大学
IPC: G16H50/70 , G16H10/60 , G06F18/213 , G06F18/23
Abstract: 本发明涉及一种基于显著点自适应等度量映射流形的癫痫数据降维的聚类可视化方法，用于分析癫痫病人不同时期的演化规律，具体包括以下内容：选择癫痫病人的脑电数据集；设置显著点自适应等度量映射流形的各种初始参数；构建脑电样本的邻域图；选择显著脑电样本点，并计算从显著样本点到所有样本点之间的最短路径；分段线性自适应调节机制更新距离矩阵；计算低维嵌入坐标；自适应优化嵌入坐标；2维和3维聚类可视化分析。本发明可视化效果明显，有很好的聚类表现。本发明可以辅助专业的医务员标注数据，并且方便医务人员及交叉领域人员分析导致癫痫病人的脑电在不同时期产生这种聚类规律的内在病理缘由。
-
公开(公告)号：CN113158964B
公开(公告)日：2024-05-28
申请号：CN202110494434.1
申请日：2021-05-07
Applicant: 北京工业大学
IPC: G06F18/24 , G06F18/10 , G06F18/213 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提出了一种基于残差学习和多粒度特征融合的睡眠分期方法，属于信号处理和模式识别领域。首先，对原始睡眠脑电信号进行预处理，获得若干睡眠脑电信号数据样本，且每一个数据样本包含N个通道的数据。接下来，对每一个数据样本的N个通道数据分别进行HHT获得N个脑电数据的时频矩阵特征。最后，将所有样本的上述时频矩阵特征送入基于残差学习和多粒度特征融合的睡眠分期网络中，完成睡眠脑电信号的多粒度特征提取和分类任务。本发明能够在自适应提取到的睡眠脑电信号时频特征上高效融合不同粒度特征，实验证明本发明提出的网络训练速度快，对专家先验知识依赖少，有效提升了现有自动化睡眠分期方法的分类性能和效率。
-
公开(公告)号：CN112989918B
公开(公告)日：2024-05-28
申请号：CN202011558723.5
申请日：2020-12-25
Applicant: 北京工业大学
IPC: G06F18/10 , G06F18/214 , G06N20/00
Abstract: 本发明涉及一种基于核递推最小二乘自适应追踪算法的脑电信号在线预测方法，用于解决在线检测的脑电信号存在不准确、缺失的问题。包括训练和预测两个阶段，训练阶段包括生成脑电信号标签；选择回遗忘策略，更新中间参数；对脑电信号进行在线预测，得到无噪声方差、预测的平均输出信号片段和预测的方差；计算当次迭代的预测的输出信号片段与输出脑电时序序列片段标签之根均方误差，并调节中间参数，如果所有样本中所有片段的根均方误差达到最小，则训练完成，进行在线预测阶段；否则继续训练；本发明实现了脑电信号的预测，解决了脑电信号测量不准确，信号缺失的问题。
-
公开(公告)号：CN109846477A
公开(公告)日：2019-06-07
申请号：CN201910085487.0
申请日：2019-01-29
Applicant: 北京工业大学
IPC: A61B5/0476 , A61B5/00 , G06N3/04
Abstract: 一种基于频带注意力残差网络的脑电分类方法，属于模式识别和生物信息学领域。首先，对原始脑电信号进行预处理来去除信号中的噪声和伪迹；然后，采用固定长度的滑动窗口对预处理后的N导脑电信号进行分段，总共得到S段N导子信号；再使用小波包分解对S段N导子信号进行分解和重构，每段数据的每一导信号均分解为F个子频带信号；之后，将每个频带的多导分解结果转化为电极相关矩阵；再以F个频带的电极相关矩阵作为频带注意力残差网络的输入来完成对脑电信号的分类。与现有的技术相比，本发明优点：使用频带注意力模块来获取频带重要性权值，为每个样本赋予个性化的频带注意力分布。
-
公开(公告)号：CN104799852A
公开(公告)日：2015-07-29
申请号：CN201510256463.9
申请日：2015-05-19
Applicant: 北京工业大学
IPC: A61B5/0476 , G06K9/62
CPC classification number: A61B5/0476 , A61B5/04012 , A61B5/72 , A61B5/7264 , G06K9/62
Abstract: 本发明公开了基于超限学习机自编码的运动想象脑电信号特征的提取方法，包括：筛选训练数据集和测试数据集；利用训练数据集训练多个超限学习机模型；从多个经训练数据集训练后的超限学习机模型中，筛选出对测试数据集的分类正确率最高的超限学习机模型；利用筛选出的超限学习机计算待测脑电信号数据的输出权重矩阵；计算待测脑电信号数据的输出权重矩阵的奇异值，该奇异值即为待测脑电信号数据的数据特征。在使用相同分类器的前提下，本发明公开的方法提取的脑电信号特征数据的分类准确率高达86.69％，比利用传统的分类方法高出10.24％。
-
Patent Agency Ranking
公开(公告)号：CN101984464B
公开(公告)日：2012-05-30
申请号：CN201010522415.7
申请日：2010-10-22
Applicant: 北京工业大学
Abstract: 本发明公开了一种图像中不同区域视觉显著程度的检测方法，包括：将输入图像切分成不重叠的图像块，并将每个图像块向量化；为了降低图像中的噪声和冗余信息，对步骤1所得到的所有向量通过PCA主成分分析方法进行降维；对于每个图像块，利用降维后的向量计算这个图像块与其他所有图像块的不相似度，再结合图像块之间的距离计算得到每个图像块的视觉显著性程度，得到显著图；对于显著图施加中央偏置，得到施加中央偏置后的显著图；对于施加中央偏置后的显著图通过二维高斯平滑算子进行平滑，得到最终反映图像各个区域显著程度的结果图像。与传统方法相比，本发明不用提取颜色、朝向、纹理等视觉特征，避免了特征选择的步骤。具有简单、高效的优点。
-
公开(公告)号：CN106845458A
公开(公告)日：2017-06-13
申请号：CN201710125697.9
申请日：2017-03-05
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于核超限学习机的快速交通标识检测方法，属于图像信号处理及模式识别领域。首先，首先，读取原始样本图像，利用基于BING的objectness方法，产生可能包含交通标识的区域，提取候选区域的HOG特征，送入核超限学习机分类器中，得到最后的检测结果；本发明摒弃传统的滑动窗口扫描方法，使用BING算法减少搜索空间，提高检测速度。传统的ELM算法是单隐层结构，在分析复杂信号方面有很大的局限性，本发明采取KELM进行分类检测，核超限学习机可以使学习模型更加稳定、泛化性能更强，提升了检测性能，并且保持了ELM低耗时的优势。
-
公开(公告)号：CN103413050B
公开(公告)日：2016-08-24
申请号：CN201310364359.2
申请日：2013-08-20
Applicant: 北京工业大学
IPC: G06F19/00
Abstract: 本发明属于模式识别和脑?机接口领域，公开了一种基于极速学习机的运动想象脑电信号投票策略分类方法。包括：将原始运动想象脑电信号分为S段子信号；对每一段子信号通过主成分分析方法进行降维；将降维后的特征向量通过线性判别分析方法进行二次降维；对于S段子信号进行同样处理，最终得到S个K?1维的特征向量，将S个K?1维的特征向量进行组合，得到最终为S*(K?1)维的特征；将S*(K?1)维特征送入多个ELM分类器，利用投票分类策略得到最终分类结果。本发明提出了一种基于ELM的投票分类策略，与传统的多次ELM平均正确率方案相比，在不影响其训练分类低耗时的情况下提高了其分类正确率。
-
公开(公告)号：CN103876734B
公开(公告)日：2015-09-02
申请号：CN201410112806.X
申请日：2014-03-24
Applicant: 北京工业大学
IPC: A61B5/0476
CPC classification number: A61B5/0484 , A61B5/04012 , A61B5/0476 , A61B5/0478 , A61B5/04842 , A61B5/7267 , G06N99/005
Abstract: 本发明涉及一种基于决策树的脑电信号特征选择方法。首先将采集的多通道脑电信号进行预处理；然后利用主成分分析法对预处理后的脑电信号进行特征提取，得到特征向量；将特征提取后的特征向量输入到决策树中，进行优势特征选择；对决策树选出的优势特征进行重组；最后将重组后的优势特征向量输入到支持向量机中，进行脑电信号分类，得到分类正确率。本发明应用决策树进行优势特征选择，操作简单，无需人工参与，节省时间和人力。应用决策树进行优势特征选择，选择过程中避免了人的主观因素的影响，使选择更客观，分类正确率更高。实验表明，运用本发明方法进行脑电信号分类的平均正确率为89.1%，比运用传统的优势电极重组法提高了0.9%。
-
公开(公告)号：CN101894295B
公开(公告)日：2014-07-23
申请号：CN201010199227.5
申请日：2010-06-04
Applicant: 北京工业大学
IPC: G06N3/02
Abstract: 本发明公开了一种用神经网络模拟注意转移的方法，包括视觉图像输入层，神经元振子网络振荡层，注意转移实现层。视觉图像输入层将灰度图像的灰度值输入到神经动力网络中，神经元振子网络振荡层，将神经网络中的每个振子根据FitzHugh-Nagumo模型建立起来的动力学系统模型耦合形成神经动力网络，注意转移实现层通过改变参数实现在已经同步的不同物体间实现注意转移，当前受到关注的物体神经发放的频率会增大。本发明立足于神经动力学系统，通过对FitzHugh-Nagumo模型的分析和改造形成对人眼注意转移视觉处理的简单模拟，对进一步研究人的视觉处理机制有重要的理论和现实意义。
-
-
-
-
-
-
-
-
-
Search Results
51
records
(took 0.026 seconds)
