-
公开(公告)号：CN119867786A
公开(公告)日：2025-04-25
申请号：CN202411932992.1
申请日：2024-12-26
Applicant: 成都信息工程大学
IPC: A61B5/372 , A61B5/00 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/09
Abstract: 本发明公开了一种用于脑电伪迹去除的基于卷积注意力的自适应分离网络，包括顺序连接的编码模块、分离模块和解码模块；编码模块包含一个输入模块、三个子模块A和三个下采样模块，三个子模块A顺次连接，每个子模块A后连接一个下采样模块；所述分离模块包括由多个时序卷积模块组合而成的子模块B、PRelu激活函数、点卷积、sigmod激活函数；解码模块包括三个子模块C、三个上采样模块和输出模块，三个子模块C依次连接，每个子模块C之前连接一个上采样模块，第三个子模块C的输出与输出模块相连。本发明可以高效的从受污染的原始脑电图中提取干净的脑电信号，对脑电信号的自动且实时的预处理有重要意义。
-
公开(公告)号：CN119312041A
公开(公告)日：2025-01-14
申请号：CN202411349783.4
申请日：2024-09-26
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种流形‑欧几里得交叉空间下的MEI‑TID框架，用于对EEG信号的拓扑‑隐式EEG表征进行精准解码，包括以下步骤：S1、通过构建流形空间上的自适应簇中心策略来聚合子拓扑特征；S2、在流形‑欧几里得交叉空间中解码EEG信号的拓扑‑隐式表征；S3、建立自适应校准机制，并进行解码。本发明提出的MEI‑TID框架，在流形‑欧几里得交叉空间下来实现对EEG的这种拓扑‑隐式表征的高精度解码。该框架通过流形空间上的动态簇中心策略，流形‑欧几里得交叉空间结构以及自适应校准机制，来捕获EEG信号的不可知的隐式拓扑关系和表征。
-
公开(公告)号：CN116662782A
公开(公告)日：2023-08-29
申请号：CN202310648362.0
申请日：2023-05-29
IPC: G06F18/213 , G06F18/214 , G06F18/241 , G06F18/25 , G06N3/045 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/08 , A61B5/374 , G06F123/02
Abstract: 本发明公开了一种基于MSFF‑SENet的运动想象脑电图解码方法，包括：S1、构建MSFF‑SENet模型；其中，MSFF‑SENet模型包括多尺度时空块、多尺度时间块、PSD‑Conv块、SE特征融合块和分类块；S2、构建EEG信号数据集，对MSFF‑SENet模型进行训练；S3、将预处理的EEG信号输入至MSFF‑SENet模型中，获得运动想象脑电图解码分类结果。本发明提出了一种新的MSFF‑SENet模型，其相较于常见的时空模型更为敏感且准确地捕获MI‑EEG数据中的时间和多光谱特征。
-
公开(公告)号：CN119989192A
公开(公告)日：2025-05-13
申请号：CN202510028543.2
申请日：2025-01-08
Applicant: 成都信息工程大学
IPC: G06F18/2431 , G06F18/10 , G06F18/15 , G06F18/2131 , G06F18/213 , G06F18/23213 , G06F18/21 , G06N3/045 , G06N3/042 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本申请公开一种基于自适应升阶学习策略的分类识别方法、装置、计算设备及存储介质，其方法包括：获取不同被试个体在不同认知状态下的多个数据集，并通过对每个数据集进行预处理和特征提取，得到每个数据集中每个被试个体的包含微分熵和皮尔逊系数的图结构；利用动态簇中心策略和所述每个数据集中每个被试个体的包含微分熵和皮尔逊系数的图结构，得到每个数据集中每个被试个体的最优子图；利用双图驱动交互自适应升阶网络和所述每个数据集中每个被试个体的最优子图，获得各阶图隐式表征；构建解码器，通过将所述各阶图隐式表征输入至所述解码器中，得到分类识别结果。
-
公开(公告)号：CN119606378A
公开(公告)日：2025-03-14
申请号：CN202411747546.3
申请日：2024-12-02
Applicant: 成都信息工程大学
IPC: A61B5/16 , A61B5/372 , G06F18/241 , G06F18/213 , G06F18/25 , G06N3/042 , G06N3/045 , G06N3/0464 , G06N3/084 , G06F123/02
Abstract: 本发明公开一种受自适应认知图启发的多域约束情绪识别系统及情绪识别方法，应用于脑电图信号处理领域；针对传统的情绪分类方法是对脑电信号进行人工提取特征之后筛选关键特征输入支持向量机(SVM)等传统分类器中，但手动提取特征需要专业的先验知识，且大多数方法主要集中在特征的选择以及时间信息的利用从而对空间信息的利用不充分；本发明设计了一个空间引导的动态图约束学习模块，通过自适应生成拓扑结构并对拓扑结构的功能关系进行约束，实现了克服认知先验信息的复杂空域特征提取；同时，提出一个时间激励的序列注意模块，通过关注序列中更为重要的时间来捕捉全局时序依赖特征；进一步，本发明设计了一个新的多域交互关注模块，克服了传统的静态跨域交互，实现多域差异信息的约束与互补信息的聚合。此外，为了更好地利用不同域之间的信息迁移，本发明还引入一个约束来减少源域与目标域特征之间的分布差异，提高跨域特征的相似性和可迁移性。
-
Patent Agency Ranking
公开(公告)号：CN119832551A
公开(公告)日：2025-04-15
申请号：CN202411902988.0
申请日：2024-12-23
Applicant: 成都信息工程大学
Abstract: 本发明公开一种根据脑电信号重建人类视觉信息的方法，应用于人工智能领域，针对现有视觉重建任务在粗粒度尺度上取得了一定的进展，但这些方法往往无法精确还原视觉刺激的细节，导致重建的图像丢失了大量重要的语义信息的问题；本发明采用了新的嵌入对齐方式来降低模型的参数量并使得脑电信号特征能更好的表示视觉刺激的细粒度信息，同时使用更好的频域编码器来提升模型的分类准确率。
-
公开(公告)号：CN119745389A
公开(公告)日：2025-04-04
申请号：CN202510274811.9
申请日：2025-03-10
Applicant: 成都信息工程大学
IPC: A61B5/18 , A61B5/398 , A61B5/374 , A61B5/00 , G06F18/213 , G06F18/25 , G06N3/045 , G06N3/048 , G06N3/082 , G06F18/241
Abstract: 本发明公开了一种基于脑电与眼电双模态时频空融合特征的疲劳检测方法，属于疲劳检测技术领域，包括以下步骤：S1、采集用户的EEG信号和EOG信号，并生成人工特征；S2、将人工特征输入至网络框架中，得到最终特征结果；S3、利用激活函数对最终特征结果进行处理，输出疲劳等级。本发明有效地融合脑电和眼电的特征，与当前最先进的模型相比，在预测性能和噪声鲁棒性方面均有显著提升，为多模态警觉性评估提供了新的视角。
-
公开(公告)号：CN116616797A
公开(公告)日：2023-08-22
申请号：CN202310622556.3
申请日：2023-05-29
IPC: A61B5/369 , G06F18/211 , G06F18/2135 , G06F18/214 , G06F18/2337 , G06F18/2415 , G06F18/24 , G06F18/27 , G06N7/02 , A61B5/18 , A61B5/16 , A61B5/00
Abstract: 本发明提供了一种基于深度集成优化模糊分类器的疲劳驾驶检测方法，该方法包括：将经预处理后的数据输入至深度集成优化模糊分类器，得到第一输出向量和第一疲劳驾驶检测结果，并同时随机选择第一模糊规则；先对第一疲劳驾驶检测结果是否达到预设的分类精度进行判断，然后再对第二疲劳检测结果是否达到预设的分类精度进行判断，达到则输出疲劳驾驶检测结果，否则，以不断增加输出向量的拼接和模糊规则累乘运算。本发明解决了疲劳驾驶数据不平衡以及模型解释性差的问题。
-
公开(公告)号：CN115965950A
公开(公告)日：2023-04-14
申请号：CN202310038860.3
申请日：2023-01-12
Applicant: 成都信息工程大学
IPC: G06V20/59 , G06V40/16 , G06V40/18 , G06V10/26 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开一种基于多特征融合状态识别网络的驾驶员疲劳检测方法，应用于疲劳驾驶检测领域，针对现有技术检测效率低，并且存在错误检测的问题；本发明提出了一个结合了两个子网的多特征融合状态识别网络，分别选取NTHU‑DDD数据集中的眼睛和嘴巴以及头部姿态特征，从视频图像来检测疲劳；首先训练了一个MTCNN人脸检测器来对驾驶员面部特征定位，再提出了一个多特征分割提取算法来在压缩参数的同时也能提取到有效的面部特征，然后提出了一个基于Inception模块、残差模块和通道注意力机制的多特征融合状态识别网络用于检测眼睛、嘴巴和头部姿态来判断驾驶员是否疲劳；本发明的方法优于现有技术，且具有很好的稳定性和实用性。
-
公开(公告)号：CN118885907A
公开(公告)日：2024-11-01
申请号：CN202410900776.2
申请日：2024-07-05
Applicant: 成都信息工程大学
IPC: G06F18/2415 , A61B5/372 , A61B5/369 , A61B5/18 , A61B5/00 , G06F18/15 , G06F18/213 , G06F18/2321 , G06F18/25 , G06F18/27 , G06N3/043 , G06N3/0464 , G06N3/045 , G06N5/048 , G06N3/048
Abstract: 本发明公开了基于深度多特征TSK模糊系统的疲劳驾驶检测方法，涉及安全驾驶技术领域，包括：S1、采集驾驶员的脑电信号，并进行数据模糊化处理，得到模糊集合；S2、使用全局模糊模块对模糊集合进行特征提取，分别得到时间特征、空间特征以及频域特征；S3、将时间特征、空间特征以及频域特征通过线性层降维后进行拼接，得到拼接后的特征；S4、根据拼接后的特征，使用TSK模糊系统计算驾驶员的疲劳水平，并基于驾驶员的疲劳水平，完成疲劳驾驶检测，本方法使用模糊系统对模糊数据进行计算，可灵活适应不同的驾驶场景或任务。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.022 seconds)
