-
Patent Agency Ranking
公开(公告)号：CN104166548B
公开(公告)日：2017-06-13
申请号：CN201410387838.0
申请日：2014-08-08
Applicant: 同济大学
IPC: G06F9/44
Abstract: 一种基于运动想象脑电数据的深度学习方法，包括：步骤一，对于运动想象脑电数据，对原始数据进行去噪处理，然后通过滤波提取8HZ～30HZ的α波和β波段的数据，然后利用傅里叶变换算法将时域数据转化为频域数据。步骤二，首先利用单导联数据训练每个弱分类器，然后采用boost方法将弱分类器结合为最终的强分类器。步骤三，训练后得到判别模型，测试数据放入模型后利用已学习参数进行学习特征，最后根据各个特征进行判别分析。无需人工挑选特征；通过多层抽象后的特征能更好的表达原有数据所要表达的信息，滤除掉多余无用信息，为分类提供方便；利用DL可以有效进行特征提取的优势，分类特征的提取精确性有了保证；依托分类器的分类功能，达到预期的分类效果。
-
公开(公告)号：CN104166548A
公开(公告)日：2014-11-26
申请号：CN201410387838.0
申请日：2014-08-08
Applicant: 同济大学
IPC: G06F9/44
Abstract: 一种基于运动想象脑电数据的深度学习方法，包括：步骤一，对于运动想象脑电数据，对原始数据进行去噪处理，然后通过滤波提取8HZ～30HZ的α波和β波段的数据，然后利用傅里叶变换算法将时域数据转化为频域数据。步骤二，首先利用单导联数据训练每个弱分类器，然后采用boost方法将弱分类器结合为最终的强分类器。步骤三，训练后得到判别模型，测试数据放入模型后利用已学习参数进行学习特征，最后根据各个特征进行判别分析。无需人工挑选特征；通过多层抽象后的特征能更好的表达原有数据所要表达的信息，滤除掉多余无用信息，为分类提供方便；利用DL可以有效进行特征提取的优势，分类特征的提取精确性有了保证；依托分类器的分类功能，达到预期的分类效果。
-
公开(公告)号：CN104182621B
公开(公告)日：2017-06-13
申请号：CN201410387706.8
申请日：2014-08-08
Applicant: 同济大学
Abstract: 一种基于深度信念网络的ADHD判别分析方法，包括步骤为：步骤1，预处理；步骤2，特征提取和分类：依赖于深度信念网络，深度信念网络由限制玻尔兹曼机堆叠组成最后由softmax分类并逐层进行反向调节，限制玻尔兹曼机逐层训练时目标是最大化概率函数的似然函数并引入对比散度，更新权重，使得隐藏层成为可视层的近似表示，并且将第一层的隐藏层作为第二层的可视层，以此类推，得到DBN的RBM层，将最后一个隐藏层作为softmax的输入，得到相应的输出即分类。本发明利用的深度信念网络是一种概率生成模型，通过堆叠多个含有隐藏层和可视层的受限波尔兹曼机构成，它模拟了人脑处理信号的逐层抽象特征的过程，抽象出原始信号的等效特征表达，应用到多动症的分类领域中。
-
公开(公告)号：CN104161518A
公开(公告)日：2014-11-26
申请号：CN201410387812.6
申请日：2014-08-08
Applicant: 同济大学
Abstract: 一种基于社会网络分析的儿童多动症判别方法，分为：步骤1，对核磁数据的预处理：首先，对数据进行规范化统一处理，空间归一化用标准大脑空间衡量不同形状的实验者大脑使其可用一个坐标系来描述；然后，对预处理后的fMRI数据标准划分子分区，以进行后续的处理分析；步骤2，计算基于脑网络的各属性特征集，以图表、折线图的形式展现出来。与社会网络属性特征相结合，提供更加适合的属性特征对特定区域进行深入分析，更好的发挥了社会网络分析相对于现有网络分析研究的优势，利用ADHD和控制组之间的差异性突出表现属性特征的典型意义，同时发现ADHD在特定区域的不同于控制组的表现，以便通过这些特定区域特定表现分析研究ADHD的病变和发展。
-
公开(公告)号：CN104182621A
公开(公告)日：2014-12-03
申请号：CN201410387706.8
申请日：2014-08-08
Applicant: 同济大学
Abstract: 一种基于深度信念网络的ADHD判别分析方法，包括步骤为：步骤1，预处理；步骤2，特征提取和分类：依赖于深度信念网络，深度信念网络由限制玻尔兹曼机堆叠组成最后由softmax分类并逐层进行反向调节，限制玻尔兹曼机逐层训练时目标是最大化概率函数的似然函数并引入对比散度，更新权重，使得隐藏层成为可视层的近似表示，并且将第一层的隐藏层作为第二层的可视层，以此类推，得到DBN的RBM层，将最后一个隐藏层作为softmax的输入，得到相应的输出即分类。本发明利用的深度信念网络是一种概率生成模型，通过堆叠多个含有隐藏层和可视层的受限波尔兹曼机构成，它模拟了人脑处理信号的逐层抽象特征的过程，抽象出原始信号的等效特征表达，应用到多动症的分类领域中。
-
-
-
-
Search Results
5
records
(took 0.013 seconds)
