公开(公告)号：CN118535858A

公开(公告)日：2024-08-23

申请号：CN202410658818.6

申请日：2024-05-27

Applicant: 广州大学

Inventor： 伍冯洁 ,  杨藉森 ,  张栩云 ,  黄双萍 ,  柳佳瑞 ,  何演 ,  林肇隆

IPC: G06F18/10 ,  G06F18/214 ,  G06F18/213 ,  G06N3/045 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/049 ,  G06N3/0475 ,  G06N3/0455 ,  G06N3/08 ,  A61B5/372 ,  A61B5/00 ,  G06F123/02

Abstract: 本发明公开了一种基于深度学习与判决去噪的脑电伪影去除方法及系统，该方法包括：生成包含长期伪影和短期伪影的受污染脑电信号，构建半模拟数据集；构建脑电伪影去除网络模型，包括分割网络、短期去噪网络和长期去噪网络；受污染脑电信号添加噪声伪影的位置编码标签，与受污染脑电信号输入到分割网络进行预训练，得到受长期伪影和短期伪影干扰的脑电信号对应的位置编码；基于半模拟数据集训练脑电伪影去除网络模型；将受污染脑电信号的测试集输入训练完成的脑电伪影去除网络模型，输出去噪信号。本发明通过对分割网络的位置编码的判决，引导短期去噪网络和长期去噪网络去除短期分布的伪影和长期分布的伪影，实现对混合伪影的高效去除。

公开(公告)号：CN118033537A

公开(公告)日：2024-05-14

申请号：CN202410269473.5

申请日：2024-03-11

Applicant: 广州大学

Inventor： 伍冯洁 ,  何演 ,  黄学纬 ,  杨藉森 ,  柳佳瑞 ,  王天昊 ,  戴兴培 ,  赖卓彬

IPC: G01S5/06 ,  G01S5/02

Abstract: 本发明公开了一种基于协同定位的UWB三维动态目标定位方法，该方法包括下述步骤：设置基站三维布局作为固定基站组，建立空间直角坐标系，以定位区域的各几何边界中点进行区域划分；基于无人机搭载辅助节点，基于改进的TL‑LFL算法对定位目标和辅助节点进行定位，初步确定定位目标和辅助基站所在位置，保持辅助节点工作状态的切换，将辅助节点移动至定位目标附近并保持设定距离，辅助节点与固定基站组中的部分基站构成辅助基站组，基于辅助基站组对定位目标进行定位。本发明有效提高了UWB定位的精度和稳定性。

公开(公告)号：CN116509392A

公开(公告)日：2023-08-01

申请号：CN202310326884.9

申请日：2023-03-29

Applicant: 广州大学

Inventor： 伍冯洁 ,  陈晓斌 ,  张倩 ,  黄昱勋 ,  柳佳瑞 ,  何演 ,  刘泽霖 ,  杨籍森 ,  宁毓轩

IPC: A61B5/16 ,  A61B5/369 ,  A61B5/372 ,  A61B5/00 ,  G06F18/2415 ,  G06F18/10 ,  G06F18/2131 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/045 ,  G06N3/08

Abstract: 本发明提出了一种基于脑电波和卷积神经网络的情绪检测识别方法，所述方法包括：采集受试者的原始脑电信号，去除相关噪声，根据受试者的自我评估对脑电信号的情绪种类进行划分和预处理，获得受试者单次的情绪数据；采集多位受试者的原始脑电信号并获取所有受试者的情绪数据，对情绪数据进行整合，建立数据集；生成特征图，并合并为情绪特征立方体，输入GCN+NGCU神经网络；通过GCN+NGCU神经网络获得与情绪的种类相关的脑电波序列的时间‑空间特征向量；构建Softmax情绪分类器模型，将GCN‑NGCU神经网络学习到的脑电波情绪特征输入到Softmax情绪分类器模型中，自动匹配及识别受试者的情绪。本发明可实现准确高效地提取和处理脑电波的情绪状态变化特征，自动识别情绪的种类。

公开(公告)号：CN119048795A

公开(公告)日：2024-11-29

申请号：CN202410940703.6

申请日：2024-07-15

Applicant: 广州大学

Inventor： 刘葵 ,  柳佳瑞 ,  何演 ,  伍冯洁 ,  杨藉森 ,  张立汉 ,  林肇隆

IPC: G06V10/764 ,  G06V10/40 ,  G06N3/0464

Abstract: 本发明公开了一种基于卷积神经网络的轻量级脑电情感识别方法及系统，该方法包括下述步骤：获取原始脑电图数据并进行特征提取，生成三维特征张量；将时序卷积网络TCN和三维卷积神经网络3DCNN串联构建得到TCNN模型；将三维特征张量输入到TCNN模型，时序卷积网络TCN进行多频段关系学习，输出3D张量块，3D张量块输入三维卷积神经网络3DCNN，学习得到多频段‑时间空间的代表性特征；构建分类器对学习到的多频段‑时间空间的代表性特征进行分类，得到每种情绪类别的概率，选择概率最大的情绪类别作为最后的情感预测结果。本发明通过可视化特征并对其分析来提高TCNN模型的可解释性，分类准确率高。

公开(公告)号：CN118152946A

公开(公告)日：2024-06-07

申请号：CN202410375392.3

申请日：2024-03-29

Applicant: 广州大学

Inventor： 伍冯洁 ,  柳佳瑞 ,  张立汉 ,  杨藉森 ,  何演 ,  林肇隆 ,  宁毓轩 ,  黄学纬

IPC: G06F18/2431 ,  A61B5/374 ,  A61B5/00 ,  G06F18/214 ,  G06N3/0464 ,  G06N3/047

Abstract: 本发明公开了一种基于脑电波与深度学习的实时疲劳检测方法及系统，该方法包括下述步骤：构建疲劳程度数据集；提取脑电信号微分熵特征；构建TCN‑GCN‑TCN网络分类模型；脑电信号微分熵特征分别输入时间卷积网络TCN得到脑电信号时间特征，经过图卷积网络GCN得到不同图结构的脑电信号空间特征，再分别输入到另一个时间卷积网络TCN的各个分支，另一个时间卷积网络TCN输出学习到的脑电波疲劳程度特征；将学习到的脑电波疲劳程度特征输入Softmax疲劳分类器模型进行训练，待检测的脑电数据输入至训练后的Softmax疲劳分类器模型得到疲劳检测结果。本发明通过简单的特征提取实现评估人体的实时疲劳程度。