-
公开(公告)号：CN119770822A
公开(公告)日：2025-04-08
申请号：CN202411842202.0
申请日：2024-12-13
Applicant: 华南理工大学
Abstract: 本申请公开了一种可调节睡眠状态的眼罩、助眠系统及工作方法，本可调节睡眠状态的眼罩包括眼罩本体；脑电采集装置，其包括若干个电极，电极安装至眼罩本体并且能够与使用者的前额接触；综合采集装置，其包括脉搏血氧仪，脉搏血氧仪安装至眼罩本体并且能够与使用者的眼部接触，用于采集使用者的眼动信号、血氧和心率数据；骨传导振子，其安装至眼罩本体并且能够与使用者的颧突处接触，用于监测使用者的打鼾行为以及播放助眠音乐。本申请的眼罩通过脑电采集装置和综合采集装置采集使用者的脑电波以及眼动信号、血氧和心率等数据，同时还能够通过骨传导振子采集使用者的鼾声数据，对使用者的睡眠质量进行更全面的监测。本申请涉及助眠设备技术领域。
-
公开(公告)号：CN119770062A
公开(公告)日：2025-04-08
申请号：CN202411821224.9
申请日：2024-12-11
Applicant: 华南理工大学
Abstract: 本发明公开了一种可调节睡眠状态的脑波助眠音乐生成方法、装置、设备及介质，其中方法包括：获取脑电信号，对脑电信号进行预处理，获得睡眠时期样本；对睡眠时期样本进行睡眠阶段分析，获得睡眠状态；根据获得的睡眠状态音乐库中获取对应的专业助眠音乐；从脑电信号中提取特征，根据提取的特征生成实时脑波音乐；将专业助眠音乐和实时脑波音乐输入音乐风格迁移模型，学习实时脑波音乐与专业助眠音乐之间的相互迁移关系，并生成针对当前睡眠状态的脑波助眠音乐。本发明基于实时脑波音乐与专业的助眠音乐，生成对受试者的实时睡眠状态有调节状态的助眠脑波音乐，对受试者的不同睡眠状态有针对性的调节作用，在睡眠健康领域有着重要的应用价值。
-
公开(公告)号：CN119152562B
公开(公告)日：2025-03-11
申请号：CN202411646839.2
申请日：2024-11-18
Applicant: 华南理工大学
IPC: G06V40/16 , G06N3/0464 , G06V10/44 , G06V10/80 , G06V10/82
Abstract: 本发明公开的一种基于双特征融合的微表情识别方法及系统，包括获取用于训练的微表情数据；使用微表情图像特征提取器获取微表情单帧特征；计算表情发生帧特征与峰值帧特征之间的梯度特征；计算表情发生帧与峰值帧之间的运动特征；获取加权融合后的梯度特征和运动特征，作为完整的微表情特征；使用分类器将完整的微表情特征输入分类器中以预测所属类别。本发明考虑了两种互补的特征，使用梯度特征学习模块计算微表情梯度特征，使用运动特征学习模块计算微表情运动特征。结合可学习的融合系数获得完整的特征。最后将特征输入分类器进行情感识别。
-
公开(公告)号：CN117709969B
公开(公告)日：2024-08-27
申请号：CN202311760197.4
申请日：2023-12-20
Applicant: 华南理工大学 , 人工智能与数字经济广东省实验室(广州)
IPC: G06Q30/01 , G06N3/0455 , G06N3/0895 , G06N3/084
Abstract: 本发明提供了一种面向客服场景的生成匹配式大模型构建方法、介质及设备；该方法包括依次执行的模型设定阶段、预训练阶段、领域迁移阶段和下游微调阶段；预训练阶段是指：采用跨领域中文语料库的文本作为样本，对智慧客服大模型的大模型基座进行预训练；领域迁移阶段是指：采用客服场景数据作为样本；对智慧客服大模型的大模型基座进行弱监督训练；下游微调阶段是指：采用客服场景人工标注数据作为样本，对智慧客服大模型进行训练以学习新业务的相关知识。该方法分阶段逐步地实现和优化大模型的功能，使其具备深度挖掘大规模客服文本数据知识的能力，同时对新增的业务需求和变化的业务内容具备精准迁移和快速扩展的能力。
-
公开(公告)号：CN118247534A
公开(公告)日：2024-06-25
申请号：CN202410301073.8
申请日：2024-03-15
Applicant: 华南理工大学
IPC: G06V10/762 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0895
Abstract: 本发明公开了一种基于多通道自适应滤波的图聚类方法，包括以下的步骤：通过图采样算法，将原始图数据中生成子图；将生成的各个子图分别输入多通道自适应图对比学习模块，根据各个子图表示的同配性自适应调整不同滤波器的占比，并通过图对比学习的方式，获取各个子图的表示；将各个子图的表示经过特征融合后采用聚类算法完成聚类任务。很好地适配异配图数据集。相较于单通道结构，本发明的多通道结构能充分利用低通信号和高通信号，并且能根据输入的图信号的不同自动调节不同信号的占比，在不同同配性的数据集都取得很好的效果。
-
Patent Agency Ranking
公开(公告)号：CN118195025A
公开(公告)日：2024-06-14
申请号：CN202410250437.4
申请日：2024-03-05
Applicant: 华南理工大学
IPC: G06N20/00 , G06F18/213
Abstract: 本发明公开了一种鲁棒的数据增量宽度学习方法，包括以下步骤：初始批次数据输入特征提取模块，经过特征提取后的数据进入记忆模块生成记忆矩阵并储存，再通过权重计算模块得到初始模型的权重；增量数据通过增量特征提取模块提取增量特征，增量特征经过增量记忆模块生成增量记忆矩阵，记忆快速更新模块将增量记忆矩阵与所述的记忆矩阵融合，得到新的记忆矩阵并储存，新的记忆矩阵通过权重计算模块得到增量模型的权重；后续还有其他的增量数据，则重复上述中的流程，整个网络可以按照这样的方式持续进行动态更新。本发明记忆模块来存储宽度学习网络所学知识，以确保宽度学习网络在增量学习过程中不会遗忘先前学到的知识。
-
公开(公告)号：CN117694902A
公开(公告)日：2024-03-15
申请号：CN202311503175.X
申请日：2023-11-10
Applicant: 华南理工大学
IPC: A61B5/369 , A61B5/372 , A61B5/16 , A61B5/00 , G06F18/241 , G06F18/2431 , G06F18/213 , G06N3/045 , G06N3/042 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于双域注意力机制的脑电情绪识别方法、装置及介质，属于脑电信号识别技术领域。其中方法包括：获取脑电数据，对脑电数据进行预处理；将预处理后的脑电数据输入预设的脑电情绪识别模型，输出识别的情绪类别；脑电情绪识别模型包括双域注意力模块和自适应图卷积网络模块，双域注意力模块用于通过空域注意力机制和频域注意力机制学习到通道和频段的重要性；自适应图卷积网络模块用于根据通道和频段的重要性构建自适应图神经网络，并得到最后的情绪类别输出。本发明利用双域注意力机制学习到的重要性参数作为依据，构建自适应图神经网络，可以适应个体差异，使得模型具有更强的泛化性，提高了脑电情绪识别的准确率。
-
公开(公告)号：CN117152134A
公开(公告)日：2023-12-01
申请号：CN202311412290.6
申请日：2023-10-30
Applicant: 佛山市风旭科技有限公司 , 华南理工大学
Abstract: 本发明提供一种物料混合均匀度在线检测方法及装置，涉及物料混合检测技术领域，所述方法包括：计算所有白点颗粒到中心点距离的平均值和标准差；根据预设的动态阈值，以及所有白点颗粒到中心点距离的平均值和标准差，判断如果白点颗粒到中心点的欧式距离≥动态阈值，则取动态阈值作为白点颗粒的欧式距离，并对调整后的欧式距离进行加权平均，得到平均距离；根据白点颗粒的面积占比以及平均距离，计算物料的混合均匀度。本发明可以实现对不同物料混合均匀度进行准确可靠的检测。
-
公开(公告)号：CN115238835B
公开(公告)日：2023-04-07
申请号：CN202211161210.X
申请日：2022-09-23
Applicant: 华南理工大学
IPC: G06F18/25 , G06F18/22 , G06F18/2415 , G06F18/214 , G06N3/047 , G06N3/0464 , G06N3/08 , A61B5/374 , A61B5/377 , A61B5/16 , A61B5/00
Abstract: 本发明提供了一种基于双空间自适应融合的脑电情感识别方法、介质及设备；其中方法为：输入脑电数据并进行预处理；将脑电数据并行输入到双空间表示自适应融合网络的潜在空间表示模块和图拓扑空间表示模块：潜在空间表示模块得到判别性特征表示；在图拓扑空间表示模块中，脑电通道图构建单元构建脑电通道的邻接矩阵；将邻接矩阵及脑电数据输入到图卷积网络中进行特征提取得到拓扑空间表示；将判别性特征表示、拓扑空间表示及融合表示联合输入到自适应融合模块中提取协同信息表示，实现情感分类。该方法既可捕获脑电数据的潜在空间信息，同时获取脑电通道间的拓扑空间信息，并进行互补融合，可得到更全面特征表示，提高情感识别的性能。
-
公开(公告)号：CN115713966A
公开(公告)日：2023-02-24
申请号：CN202211455475.0
申请日：2022-11-21
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于多模态网络和宽度学习的药物相互作用预测方法，包括：获取药物的多模态特征信息，并求取各个模态下的药物交互图；通过图注意力网络学习药物在不同模态下的特征；利用宽度学习系统进行多模态特征融合，并通过融合后的药物多模态特征来预测每个药物对之间存在相互作用的概率。本发明从多模态数据中提取药物特征信息，并利用图神经网络强大的特征表示能力来建模和学习药物的不同模态特征，通过将药物不同模态的数据特征映射到统一的低维向量空间，利用宽度学习可以融合多种特征的特点，融合四种模态的信息，充分利用了特征信息，增强模型表达能力。利用宽度学习系统可进行增量学习的特性，提高模型的预测性能。
-
-
-
-
-
-
-
-
-
Search Results
124
records
(took 0.029 seconds)
