-
公开(公告)号：CN113967022A
公开(公告)日：2022-01-25
申请号：CN202111356372.4
申请日：2021-11-16
Applicant: 常州大学
Abstract: 本发明公开了一种基于个体自适应的运动想象脑电特征表征方法，包括：获取受试者多通道运动想象脑电数据，并通过前期预处理、频带及样本划分，将其存储为多频带高维脑电数据样本；基于所得的信号样本，使用基于ReliefF的自适应通道选择方法，完成各频带最优通道集选择；通过使用SBH‑CSP完成各子频带最有效特征提取，并进行各频带特征融合；使用SVM构建训练模型并完成分类识别。本发明通过基于ReliefF的自适应频带通道选择方法，根据不同个体和频带信号的特点有效选择出信息显性通道，避免了全通道信息处理数据量大、噪声多、普适性弱等缺点；通过对各频带优劣性的区分从而获得各子频带CSP最佳特征个数，进而实现运动想象脑电状态最有效的表征。
-
公开(公告)号：CN113569924B
公开(公告)日：2024-03-12
申请号：CN202110778426.X
申请日：2021-07-09
Applicant: 常州大学
IPC: G06F18/2411 , G06F18/25 , G06F18/214 , A61B5/16
Abstract: 本发明公开了一种基于支持向量机多核协作的情绪辨识分类方法，包括获取样本数据，所述样本数据分为训练样本和测试样本；将训练样本输入两个不同核函数类型的支持向量机分类器进行模型训练；将测试样本输入至两个已完成训练的不同核函数类型的支持向量机分类器，比较和判别两者输出的预测标签；若两者预测标签一致则直接输出该类标签；若两者预测标签不一致，则利用多核协作策略，通过分析各核的决策值，制定相应的表决机制来共同判别该样本的最终标签。本发明从多核协作分类的角度出发，减少了传统的支持向量机单核作用的局限性。
-
公开(公告)号：CN113967022B
公开(公告)日：2023-10-31
申请号：CN202111356372.4
申请日：2021-11-16
Applicant: 常州大学
IPC: A61B5/369 , A61B5/00 , G06F18/214 , G06F18/2411
Abstract: 本发明公开了一种基于个体自适应的运动想象脑电特征表征方法，包括：获取受试者多通道运动想象脑电数据，并通过前期预处理、频带及样本划分，将其存储为多频带高维脑电数据样本；基于所得的信号样本，使用基于ReliefF的自适应通道选择方法，完成各频带最优通道集选择；通过使用SBH‑CSP完成各子频带最有效特征提取，并进行各频带特征融合；使用SVM构建训练模型并完成分类识别。本发明通过基于ReliefF的自适应频带通道选择方法，根据不同个体和频带信号的特点有效选择出信息显性通道，避免了全通道信息处理数据量大、噪声多、普适性弱等缺点；通过对各频带优劣性的区分从而获得各子频带CSP最佳特征个数，进而实现运动想象脑电状态最有效的表征。
-
公开(公告)号：CN113553535B
公开(公告)日：2023-09-01
申请号：CN202110778508.4
申请日：2021-07-09
Applicant: 常州大学
IPC: G06F17/10 , G06F18/10 , G06F18/213 , G06F18/24 , G06F18/2411 , G06F18/214
Abstract: 本发明公开了一种基于改进的ReliefF多路信号特征优化方法，所述方法包括获取预处理信号；根据信号特性，进行单路信号特征提取；选出各单路信号下合适的维度特征，进行多信号多特征的融合，并进行归一化处理；利用ReliefF算法分析特征与目标类别间的相关性，并根据特征权重大小将特征进行排序；利用对称不确定性分析比较特征间的冗余性，通过把每轮与主特征比较后删除的特征重新恢复再比较并设定删除阈值，最终输出的主特征集为最优的维度特征集。本发明在特征维度优化时从特征的相关性和冗余性两个角度出发，最大程度地保留了仍具有贡献力度的特征，减少了原始特征信息的不必要的损失。
-
公开(公告)号：CN113554073B
公开(公告)日：2024-03-15
申请号：CN202110778531.3
申请日：2021-07-09
Applicant: 常州大学
IPC: G06F18/25 , G06F18/2411 , G06N20/10
Abstract: 本发明公开了一种融合稀疏学习和二分法的情绪状态特征选择优化方法，包括获取特征集，并作归一化处理，所述特征集根据预处理生理信号特性，进行特征提取，初步筛选出表征效果好的单特征组建；利用稀疏学习算法，通过最小范数最小二乘方法求解稀疏学习系数以此判别每类信号下特征与目标类别间的相关性，并按每类特征的贡献度进行排序，结合二分法搜索出每类信号下不同的最优特征子集；把不同类生理信号下各自的最优特征子集进行融合，得到最优的情绪状态表征。本发明提出融合稀疏学习和二分法的方法，使每类信号下都具有各自不同的最优特征子集，有利于更客观的表征每类生理信号；融合不同生理信号下各自的最优特征子集，使得情绪的表征更加全面。
-
Patent Agency Ranking
公开(公告)号：CN113569924A
公开(公告)日：2021-10-29
申请号：CN202110778426.X
申请日：2021-07-09
Applicant: 常州大学
Abstract: 本发明公开了一种基于支持向量机多核协作的情绪辨识分类方法，包括获取样本数据，所述样本数据分为训练样本和测试样本；将训练样本输入两个不同核函数类型的支持向量机分类器进行模型训练；将测试样本输入至两个已完成训练的不同核函数类型的支持向量机分类器，比较和判别两者输出的预测标签；若两者预测标签一致则直接输出该类标签；若两者预测标签不一致，则利用多核协作策略，通过分析各核的决策值，制定相应的表决机制来共同判别该样本的最终标签。本发明从多核协作分类的角度出发，减少了传统的支持向量机单核作用的局限性。
-
公开(公告)号：CN113332098A
公开(公告)日：2021-09-03
申请号：CN202110641714.0
申请日：2021-06-09
Applicant: 常州大学
IPC: A61H1/02
Abstract: 本发明涉及一种七自由度上肢康复机器人，包括肩关节组件、肘关节组件、腕关节组件和机架组件，肩关节组件主要实现三个自由度运动，分别是肩关节的前伸/后屈、外展/内收以及自旋，肘关节组件主要实现两个自由度运动，分别是肘关节的的屈伸和自旋，腕关节组件主要实现两个自由度运动，分别是腕关节的外翻/内收和桡屈/尺屈。本发明从人体结构学考虑，空间布局合理紧凑，穿戴方便，运动范围大，自由度灵活，便于实现单一关节运动和整体上肢的复合运动，可依据不同康复时期的控制要求，调整主动、助力或被动的控制策略，满足不同康复时期患者的训练需求。
-
公开(公告)号：CN113332098B
公开(公告)日：2023-04-14
申请号：CN202110641714.0
申请日：2021-06-09
Applicant: 常州大学
IPC: A61H1/02
Abstract: 本发明涉及一种七自由度上肢康复机器人，包括肩关节组件、肘关节组件、腕关节组件和机架组件，肩关节组件主要实现三个自由度运动，分别是肩关节的前伸/后屈、外展/内收以及自旋，肘关节组件主要实现两个自由度运动，分别是肘关节的的屈伸和自旋，腕关节组件主要实现两个自由度运动，分别是腕关节的外翻/内收和桡屈/尺屈。本发明从人体结构学考虑，空间布局合理紧凑，穿戴方便，运动范围大，自由度灵活，便于实现单一关节运动和整体上肢的复合运动，可依据不同康复时期的控制要求，调整主动、助力或被动的控制策略，满足不同康复时期患者的训练需求。
-
公开(公告)号：CN113554073A
公开(公告)日：2021-10-26
申请号：CN202110778531.3
申请日：2021-07-09
Applicant: 常州大学
Abstract: 本发明公开了一种融合稀疏学习和二分法的情绪状态特征选择优化方法，包括获取特征集，并作归一化处理，所述特征集根据预处理生理信号特性，进行特征提取，初步筛选出表征效果好的单特征组建；利用稀疏学习算法，通过最小范数最小二乘方法求解稀疏学习系数以此判别每类信号下特征与目标类别间的相关性，并按每类特征的贡献度进行排序，结合二分法搜索出每类信号下不同的最优特征子集；把不同类生理信号下各自的最优特征子集进行融合，得到最优的情绪状态表征。本发明提出融合稀疏学习和二分法的方法，使每类信号下都具有各自不同的最优特征子集，有利于更客观的表征每类生理信号；融合不同生理信号下各自的最优特征子集，使得情绪的表征更加全面。
-
公开(公告)号：CN113553535A
公开(公告)日：2021-10-26
申请号：CN202110778508.4
申请日：2021-07-09
Applicant: 常州大学
Abstract: 本发明公开了一种基于改进的ReliefF多路信号特征优化方法，所述方法包括获取预处理信号；根据信号特性，进行单路信号特征提取；选出各单路信号下合适的维度特征，进行多信号多特征的融合，并进行归一化处理；利用ReliefF算法分析特征与目标类别间的相关性，并根据特征权重大小将特征进行排序；利用对称不确定性分析比较特征间的冗余性，通过把每轮与主特征比较后删除的特征重新恢复再比较并设定删除阈值，最终输出的主特征集为最优的维度特征集。本发明在特征维度优化时从特征的相关性和冗余性两个角度出发，最大程度地保留了仍具有贡献力度的特征，减少了原始特征信息的不必要的损失。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.015 seconds)
