-
公开(公告)号：CN117591875A
公开(公告)日：2024-02-23
申请号：CN202311488377.1
申请日：2023-11-09
Applicant: 北京工业大学
IPC: G06F18/214 , G06F18/241 , G06F18/213 , G06N3/0464 , G06N3/0985
Abstract: 一种基于滤波器组轻量网络的精细运动想象脑电信号分类方法属于计算机软件领域。针对脑电不同频率可能蕴含不同类型的运动想象信息的特点，提出了一种基于滤波器组的网络模型Filter Bank Shallow Convolution Net，简称“FBShallowConvNet”的。首先，使用不同波段的带通滤波器对原始脑电进行滤波，利用滤波后的信号放入卷积网络中进行特征提取，卷积网络通过时域卷积和空间卷积提取特征，并添加通道自注意力模块利用通道间的相似性分配通道的权重，最后通过特征完成对脑电信号的分类。本发明利用了脑电信号不同波段蕴含不同的运动想象特征信息，有效的提高了精细运动想象的分类准确率。
-
公开(公告)号：CN116304815A
公开(公告)日：2023-06-23
申请号：CN202310212631.9
申请日：2023-03-07
Applicant: 北京工业大学
IPC: G06F18/24 , G06F18/10 , G06F18/213 , G06F18/214 , G06F18/2415 , G06N3/0464 , G06N3/049 , G06N3/045 , G06N3/084
Abstract: 一种基于多头自注意力机制和并行卷积的运动想象脑电信号分类方法，属于计算机软件领域。针对脑电信号信噪比低导致特征提取困难的问题，提出一种基于EEGNet改进的网络模型，简称EEG‑MATCNet。首先，使用并行卷积层对原始脑电信号进行初步的特征提取，不同尺度的卷积核能够提取不同步长的时间特征。同时通过多头自注意力机制计算各个电极之间脑电信号的注意力权重，使网络训练时更好得提取空间特征。此外，通过时间卷积网络提升了卷积核的感受野，让模型能够提取更高级的时间特征。经过实验证明，本发明提出的分类方法更能有效地提升对运动想象脑电信号的特征提取和分类性能。
-
公开(公告)号：CN119415847A
公开(公告)日：2025-02-11
申请号：CN202411514007.5
申请日：2024-10-29
Applicant: 北京工业大学
IPC: G06F18/15 , A61B5/372 , G06F18/24 , G06F18/214 , G06N3/0475 , G06N3/094 , G06F123/02
Abstract: 本发明公开了基于生成对抗网络的跨被试认知负荷脑电信号数据增强方法，将源域数据和目标域校准数据输入到本发明的SIE‑GAN数据增强方法中。该方法加入了编码器模块，用于提取原始认知负荷脑电信号的特征。同时，该数据增强方法摒弃了传统的GAN方法中以随机噪声作为输入的设置，改为将源域数据和目标域校准数据作为输入，由于源域数据和目标域校准数据能够提供更多的上下文信息，使模型更好地适应不同被试之间的差异，从而提高模型跨被试的泛化能力。本发明已在认知负荷脑电信号自采数据集上通过多个深度学习模型进行了验证，结果表明有效提高了跨被试认知负荷识别的分类准确率。
-
公开(公告)号：CN119385578A
公开(公告)日：2025-02-07
申请号：CN202411455009.1
申请日：2024-10-17
Applicant: 北京工业大学
IPC: A61B5/372 , A61B5/369 , A61B5/00 , G06F18/213 , G06F18/2415 , G06F18/25 , G06N3/045 , G06N3/0464 , G06N3/084 , G06F123/02
Abstract: 本发明提出了一种基于自适应通道混合注意力机制和解耦学习的RSVP类不平衡脑电信号分类方法，旨在提升RSVP脑电信号的特征提取和分类性能。首先，对采集的RSVP脑电信号进行预处理，包括共平均参考、带通滤波和标准化处理并对训练集和测试集进行划分。然后，通过并行卷积层和空间卷积层提取多尺度时间和空间特征，利用插值法融合不同层次的特征。训练过程解耦为表示学习和分类器学习，表示学习使用基于难度样本采样的三元组损失函数，分类器学习使用优化后的Focal Loss进行特征学习和分类器优化。引入自适应通道混合注意力机制，通过动态加权和多层次特征融合，增强了模型的灵活性和鲁棒性。该方法解决了RSVP任务中的类别不平衡问题。
-
公开(公告)号：CN114533085B
公开(公告)日：2024-05-28
申请号：CN202210152738.4
申请日：2022-02-18
Applicant: 北京工业大学
IPC: A61B5/369 , A61B5/372 , A61B5/1455
Abstract: 本发明提出了一种基于注意力机制的EEG‑fNIRS的多模态的时空融合分类算法。EEG具有高时间分辨率但是空间分辨率较低，而fNIRS具有高空间分辨率但是时间分辨率较低，本发明利用EEG、fNIRS的多模态融合信息提取在运动想象中的大脑指令，以充分利用EEG、fNIRS之间的信息优势互补。本发明针对运动想象的时空特征的提取，本发明采用CNN提取空间特征，然后再利用LSTM提取时间特征，同时在CNN中使用ECA注意力机制以将有限的资源专注于重要的特征。本发明能够在运动想象的分类任务中，充分利用多模态的时空特性，可以有效的提高大脑中指令的识别。
-
Patent Agency Ranking
公开(公告)号：CN117216631A
公开(公告)日：2023-12-12
申请号：CN202311124936.0
申请日：2023-09-03
Applicant: 北京工业大学
IPC: G06F18/24 , G06F18/214 , G06N3/042 , G06N3/0464
Abstract: 一种基于图神经网络的运动想象脑电信号分类方法，属于计算机软件领域。针对大脑区域处于非欧式空间的特点，提出一种基于图神经网络模型的Multi‑View Graph Convolution Net。首先，空间图卷积模块采用两个脑视图实现信息互补，使用自学习图构建功能脑视图，同时利用脑电电极的空间位置构建距离脑视图。然后，利用已构建的脑视图对输入的脑电信号进行特征提取，提取完成后将特征加权融合。空间图卷积模块能充分考虑脑电通道间的联系，提升脑电通道之间的信息交互。最后，利用时间卷积和空间卷积完成脑电信号的分类。本发明的分类方法能更有效地提取运动想象脑电信号的空间特征，进一步提高分类准确率。
-
公开(公告)号：CN116340825A
公开(公告)日：2023-06-27
申请号：CN202310308602.2
申请日：2023-03-28
Applicant: 北京工业大学
IPC: G06F18/24 , G06F18/214 , G06N3/0464 , G06N3/0475 , G06N3/045 , G06N3/096 , G06N3/084 , A61B5/372 , A61B5/00
Abstract: 一种基于迁移学习的跨被试RSVP脑电信号的分类方法属于计算机软件领域，针对RSVP‑BCI系统在更换被试时需要花费大量时间进行校准的问题。首先，使用基于结果和基于距离相结合的源域被试算法MSS对多源域被试进行筛选，以减少训练时间并在一定程度上减少或消除负迁移现象。随后，ADCN采用分窗深度卷积模型对RSVP脑电信号进行时空域上的分析，加入反向对抗网络对源域、当前被试进行区分，使得网络能够提取出两者的共同特征，最后进行分类。相比较没有MSS的ADCN算法，加入MSS算法后，训练时间减少而分类精度提升。MSS‑ADCN在被试提供少量校准试次的情况下达到可接受精度，并优于其他迁移学习算法。
-
公开(公告)号：CN103499920A
公开(公告)日：2014-01-08
申请号：CN201310393336.4
申请日：2013-09-03
Applicant: 北京工业大学
IPC: G05B13/04
Abstract: 向量时间序列预测专家模糊变比控制参数优化方法和系统，可应用到控制、决策、人工智能等领域。本发明方案：（1）根据控制系统各状态和输出的时间序列采用向量时间序列预测方法预测输出作为控制参数在线优化整定的输入，（2）采用专家规则表或模糊控制器预测控制参数在线优化整定的变比值进而在线优化整定控制参数，（3）将上述两点结合经典的控制方法形成了向量时间序列预测专家模糊变比控制参数优化方法，进一步设计具体的装置、链接关系并构成了系统。本发明使得控制器参数可以根据工作环境的差异和不确定性进行在线优化整定控制参数，控制系统可以对于环境的各种突发性变化进行应对，动态性能和抗扰性能、静态性能提高；克服了超调。
-
公开(公告)号：CN100488149C
公开(公告)日：2009-05-13
申请号：CN200710177973.2
申请日：2007-11-23
Applicant: 北京工业大学
Abstract: 本发明涉及一种智能家居保姆系统和多网络单点接入集成方法，可以应用到智能楼宇家居、高危险作业等领域。包括有中央控制器、机器人终端执行器、远程控制终端和设备终端执行器。本系统使PDA、计算机或手机可以通过Internet网络或GSM、CDMA、3G手机网络，在家中无人时，帮助主人实现远程家务，可移动的小机器人可环顾家庭每个角落，采集温度等信号，采集家庭图像声音信息，并且可以对突发事件进行紧急处理。当本发明应用于有毒有害和危险环境作业时，可以代替人在危险环境中采集图像信息、开关电源，小机器人还可用于危险环境下的勘测和强电开关量、模拟量动力输出进行操作，特别可以应用在救援和管道作业中。
-
公开(公告)号：CN114266276B
公开(公告)日：2024-05-31
申请号：CN202111606161.1
申请日：2021-12-25
Applicant: 北京工业大学
IPC: G06F18/213 , G06F18/24 , G06F18/214 , G06N3/0464 , A61B5/00 , A61B5/372
Abstract: 一种基于通道注意力和多尺度时域卷积的运动想象脑电信号分类方法属于计算机软件领域。针对脑电信号信噪比低导致特征提取困难的问题，提出一种基于EEGNet改进的网络模型，简称“MCA‑EEGNet”。首先，使用并行多尺度的时间卷积层代替EEGNet模型中的普通卷积层，以更好地进行特征提取，从而提高分类准确率。同时添加通道注意力模块ECA，使网络训练时更加关注与输入数据相关度高的通道信息，从而进一步提高模型的鲁棒性。相比较EEGNet模型，本发明提出的分类方法更能有效地提升对运动想象脑电信号的特征提取和分类性能。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.032 seconds)
