-
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
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：CN119919510A
公开(公告)日：2025-05-02
申请号：CN202510405346.8
申请日：2025-04-02
Applicant: 广州大学
IPC: G06T9/00 , G06N3/0455 , G06N3/0464 , G06N3/0895 , G06V10/40 , G06V10/764 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种EEG视觉刺激混合模态解码方法及系统，该方法包括下述步骤：获取EEG数据，构建图像‑类别‑语义的三态EEG数据集；混合模态编码器从EEG数据中学习得到对应的图像、类别、语义模态信息；将三态EEG数据集映射到相对应的CLIP空间，获得目标模态；将混合模态编码器输出的模态信息与目标模态进行对比学习，基于图像模态信息进行图像的检索和分类任务；构建扩散先验模型，将混合模态编码器输出的图像、类别、语义模态信息与目标模态在CLIP空间中对齐，输出经扩散先验处理的图像、类别、语义模态信息，并输入预训练的图像生成模型进行生成任务。本发明能有效解码脑数据的多种模态，提高检索与重建任务效果。
-
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
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
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。
-
-
-
Search Results
4
records
(took 0.011 seconds)
