-
公开(公告)号：CN114169364B
公开(公告)日：2024-07-26
申请号：CN202111366669.9
申请日：2021-11-18
Applicant: 南京邮电大学
IPC: G06F18/20 , G06F18/24 , G06N3/0464 , G06N3/0442 , G06F18/22
Abstract: 本发明提出了一种基于时空图模型的脑电情感识别方法，包括获取脑电情感数据库，并对数据进行预处理，将数据集划分为训练集和测试集；对时长为T的脑电信号进行样本划分，用一个时间长度为M的滑动窗口对脑电信号进行采样，得到T/M个脑电样本；构建基于Bert的图模型网络，对脑电样本各时刻信号的空间特征进行学习分析；构造时间LSTM网络，用LSTM网络分析脑电样本各时刻之间的时间相关性；利用训练集对所构建的时空Bert图模型网络进行训练，优化网络模型，利用测试集对优化模型网络进行测试，统计分类识别。本发明不仅考虑脑电空间信息，还加入时间信息，实现对脑电信号特征的较全面学习，提高识别准确率。
-
公开(公告)号：CN113935435B
公开(公告)日：2025-01-17
申请号：CN202111360121.3
申请日：2021-11-17
Applicant: 南京邮电大学
IPC: G06V20/40 , G06V10/82 , G06V10/80 , G06N3/0464 , G06V10/764
Abstract: 本发明提出了一种基于时空特征融合的多模态情感识别方法，包括以下步骤：建立一个包含语音、表情和姿态的多模态情感数据库；构建基于不对称非局部神经网络和空时LSTM的结合网络；将表情图像、语谱图和姿态图像输入到ResNet101模型中，获得深度特征图；将深度特征图构建深度特征序列作为空间LSTM的输入，学习特征序列的空间结构相关性；将空间LSTM的输出作为时间LSTM的输入，学习每一帧图像上时间相关性；将表情、语音和姿态特征进行融合，并将融合后的特征输入DBN网络进行进一步的融合训练，最后输入softmax层得到多分类结果。本发明基于时空LSTM和不对称非局部神经网络提取语音、表情和姿态情感特征并进行多模态特征融合分类。
-
Patent Agency Ranking
公开(公告)号：CN112101401A
公开(公告)日：2020-12-18
申请号：CN202010660341.7
申请日：2020-07-10
Applicant: 南京邮电大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于稀疏监督最小二乘多类核典型相关分析的多模态情感特征融合方法。具体步骤：处理原始数据中的多个模态的数据，提取特征；对收集到的各模态的数据做预处理；使用稀疏监督最小二乘多类核典型相关分析方法进行多模态特征融合，调试模型的参数。本发明针对多类情感分类问题，将数据库中各种维度的情感从不高兴到高兴整理成7类，提出一种基于稀疏监督最小二乘多类核典型相关分析的多模态情感特征融合方法，是情感计算领域中基于特征层融合情感分类的一种新方法，由此方法计算各模态特征间的强相关性，能使计算机更好的分辨人类的情绪变换。
-
公开(公告)号：CN104103692A
公开(公告)日：2014-10-15
申请号：CN201410334950.8
申请日：2014-07-14
Applicant: 南京邮电大学
CPC classification number: H01L29/0669 , B82Y10/00 , H01L29/36 , H01L29/7831
Abstract: 本发明公开了一种峰值掺杂结合对称线性掺杂结构的碳纳米场效应管，构建了适用于峰值掺杂结合对称线性掺杂结构的碳纳米场效应管的输运模型，利用该模型分析计算了HALO-Linear掺杂策略对碳纳米场效应管电学特性的影响。通过与采用其他掺杂策略CNTFET的电学特性对比分析，发现这种掺杂结构的碳纳米场效应管具有更大的开关电流比、更低的泄漏电流、更小的亚阈值摆幅，更高的截止频率和更小的延迟时间，即表明采用HALO-Linear掺杂策略的CNTFET具有更好的栅控能力，更好的开关特性，能够有效的抑制短沟道效应和热载流子效应。
-
公开(公告)号：CN114169364A
公开(公告)日：2022-03-11
申请号：CN202111366669.9
申请日：2021-11-18
Applicant: 南京邮电大学
Abstract: 本发明提出了一种基于时空图模型的脑电情感识别方法，包括获取脑电情感数据库，并对数据进行预处理，将数据集划分为训练集和测试集；对时长为T的脑电信号进行样本划分，用一个时间长度为M的滑动窗口对脑电信号进行采样，得到T/M个脑电样本；构建基于Bert的图模型网络，对脑电样本各时刻信号的空间特征进行学习分析；构造时间LSTM网络，用LSTM网络分析脑电样本各时刻之间的时间相关性；利用训练集对所构建的时空Bert图模型网络进行训练，优化网络模型，利用测试集对优化模型网络进行测试，统计分类识别。本发明不仅考虑脑电空间信息，还加入时间信息，实现对脑电信号特征的较全面学习，提高识别准确率。
-
公开(公告)号：CN113935435A
公开(公告)日：2022-01-14
申请号：CN202111360121.3
申请日：2021-11-17
Applicant: 南京邮电大学
Abstract: 本发明提出了一种基于时空特征融合的多模态情感识别方法，包括以下步骤：建立一个包含语音、表情和姿态的多模态情感数据库；构建基于不对称非局部神经网络和空时LSTM的结合网络；将表情图像、语谱图和姿态图像输入到ResNet101模型中，获得深度特征图；将深度特征图构建深度特征序列作为空间LSTM的输入，学习特征序列的空间结构相关性；将空间LSTM的输出作为时间LSTM的输入，学习每一帧图像上时间相关性；将表情、语音和姿态特征进行融合，并将融合后的特征输入DBN网络进行进一步的融合训练，最后输入softmax层得到多分类结果。本发明基于时空LSTM和不对称非局部神经网络提取语音、表情和姿态情感特征并进行多模态特征融合分类。
-
公开(公告)号：CN112101401B
公开(公告)日：2022-08-26
申请号：CN202010660341.7
申请日：2020-07-10
Applicant: 南京邮电大学
IPC: G06V10/80 , G06V10/774 , G06K9/62
Abstract: 本发明公开了一种基于稀疏监督最小二乘多类核典型相关分析的多模态情感特征融合方法。具体步骤：处理原始数据中的多个模态的数据，提取特征；对收集到的各模态的数据做预处理；使用稀疏监督最小二乘多类核典型相关分析方法进行多模态特征融合，调试模型的参数。本发明针对多类情感分类问题，将数据库中各种维度的情感从不高兴到高兴整理成7类，提出一种基于稀疏监督最小二乘多类核典型相关分析的多模态情感特征融合方法，是情感计算领域中基于特征层融合情感分类的一种新方法，由此方法计算各模态特征间的强相关性，能使计算机更好的分辨人类的情绪变换。
-
-
-
-
-
-
Search Results
7
records
(took 0.026 seconds)
