-
公开(公告)号：CN118429711B
公开(公告)日：2025-03-28
申请号：CN202410564130.1
申请日：2024-05-08
Applicant: 暨南大学
IPC: G06V10/764 , G06V10/20 , G06V10/774
Abstract: 本发明公开了一种基于一致性和特异性子空间的多视图多标签分类方法，涉及多视图多标签子空间技术领域，S1.获取多视图多标记图像数据集，进行预处理；S2.通过核函数将数据集的各个实例的特征向量映射到高维空间；S3.基于多视图数据的一致性和特异性构造子空间并利用每个信息源的特征表征及其类别信息分别构造特征流形和标记流形结构。本发明所述的一种基于一致性和特异性子空间的多视图多标签分类方法，首先通过核函数将多视图数据扩展至非线性空间，然后提出一种凸松弛交替优化的算法来恢复一致性子空间和特异性子空间；在此基础上，利用特征流形和标记流形增强模型泛化性，从而为多视图多标记分类难题提供更为准确和有效的解决方案。
-
公开(公告)号：CN114036980B
公开(公告)日：2024-08-09
申请号：CN202111273468.4
申请日：2021-10-29
Applicant: 暨南大学
IPC: G06F18/24 , G06F18/25 , G06N3/0464 , G06N3/0475 , G06N3/045 , G06N3/084 , G06N3/094 , G06N3/096
Abstract: 本发明公开了基于域对抗网络的跨用户EEG信号融合识别方法，具体步骤为：对多被试多分类的EEG数据集进行预处理；每个被试的数据都会轮流作为目标域数据，同时其他被试的数据作为不同的源域数据，每组源域数据都会与目标域训练数据训练生成一个域对抗网络模型，用于识别测试数据；利用每个域对抗网络模型计算出的特征信息和类别信息分别对测试数据的实际类别进行分析，得到多个域对抗网络模型对测试数据的辅助决策信息；构建信息融合模型，对多个对抗网络模型识别结果进行融合优化，使得多个对抗网络模型决策一致性最大化，用于返回优化的目标域数据识别的结果；对比测试数据的实际结果与相应的预测结果来评价所提算法的性能。
-
公开(公告)号：CN118429711A
公开(公告)日：2024-08-02
申请号：CN202410564130.1
申请日：2024-05-08
Applicant: 暨南大学
IPC: G06V10/764 , G06V10/20 , G06V10/774
Abstract: 本发明公开了一种基于一致性和特异性子空间的多视图多标签分类方法，涉及多视图多标签子空间技术领域，S1.获取多视图多标记数据集，进行预处理；S2.通过核函数将数据集的各个实例的特征向量映射到高维空间；S3.基于多视图数据的一致性和特异性构造子空间并利用每个信息源的特征表征及其类别信息分别构造特征流形和标记流形结构。本发明所述的一种基于一致性和特异性子空间的多视图多标签分类方法，首先通过核函数将多视图数据扩展至非线性空间，然后提出一种凸松弛交替优化的算法来恢复一致性子空间和特异性子空间；在此基础上，利用特征流形和标记流形增强模型泛化性，从而为多视图多标记分类难题提供更为准确和有效的解决方案。
-
公开(公告)号：CN118245835A
公开(公告)日：2024-06-25
申请号：CN202311752879.0
申请日：2023-12-19
Applicant: 暨南大学
IPC: G06F18/24 , G06F18/213 , G06N3/042 , G06N3/0464 , G06N3/048 , G06N3/0895 , A61B5/16 , A61B5/369 , A61B5/372 , A61B5/00
Abstract: 本发明涉及情感脑机接口技术领域，且公开了一种基于自监督对比学习的小样本脑电情感识别方法，包括以下具体步骤：S1.将小样本数量的无标签信息的脑电的微分熵特征经过数据增强模块进行强弱增强得到两组增强数据样本。该基于自监督对比学习的小样本脑电情感识别方法，通过利用无标签的脑电数据预训练基于图卷积的脑电空间编码器，再用少量特定目标任务有标签数据进行微调，使得构建更为准确可靠的情绪识别模型，为现实小样本场景下的情绪识别提供科学参考，且图网络更有利于提取脑电的空间表示，从而获得更加准确可靠的识别结果，且本发明能提供准确可靠的情感识别模型，为情感脑机接口解码情绪提供了有利的方法。
-
公开(公告)号：CN116779148A
公开(公告)日：2023-09-19
申请号：CN202310766491.X
申请日：2023-06-27
Applicant: 暨南大学
IPC: G16H50/20 , G16H50/70 , G06F18/211 , G06F18/243 , G06N20/00
Abstract: 本发明公开了基于多粒度级联森林的慢性阻塞性肺疾病早期预警方法，具体涉及医疗智能领域，包括以下步骤：步骤一：原始数据预处理；步骤二：采用最大相关最小冗余特征选择算法对从合作医院获取的病人慢性阻塞性肺疾病原始数据进行相关性分析和确定慢性阻塞性肺疾病预测模型的输入变量；步骤三：采用多粒度级联森林实现基于机器学习的慢性阻塞性肺疾病早期预测模型构建；步骤四：在线检测阶段。本发明使用最大相关最小冗余特征选择的方法，提取出与慢性阻塞性肺疾病相关的特征，简化输入数据，提出的算法可以达到比普遍流行的支持向量机、决策树、随机森林等算法更好的效果，该方法可以更准确地判断慢性阻塞性肺疾病是否发生。
-
Patent Agency Ranking
公开(公告)号：CN114898865A
公开(公告)日：2022-08-12
申请号：CN202210446552.X
申请日：2022-04-26
Applicant: 暨南大学
Abstract: 本发明公开了一种基于深度置信网络的退行性膝骨关节炎早期预警方法，具体涉及医疗智能技术领域，包括以下步骤：步骤一：原始数据预处理；步骤二：采用最大相关最小冗余特征选择算法对从合作医院获取的病人退行性膝骨关节炎原始数据进行相关性分析和确定退行性膝骨关节炎预测模型的输入变量；步骤三：采用DBN实现基于深度学习的退行性膝骨关节炎早期预测模型构建；步骤四：在线检测阶段。本发明使用最大相关最小冗余特征选择的方法，提取出与退行性膝骨关节炎相关的特征，简化输入数据，提出的算法可以达到比普遍流行的支持向量机和随机森林等算法更好的效果，该方法可以更准确地判断早期退行性膝骨关节炎是否发生。
-
公开(公告)号：CN114999628A
公开(公告)日：2022-09-02
申请号：CN202210445525.0
申请日：2022-04-26
Applicant: 暨南大学
Abstract: 本发明公开了一种利用机器学习寻找退行性膝骨关节炎显著性特征方法，具体涉及智能医疗技术领域，包括以下具体步骤：S1.采集临床就诊患者的中医和西医信息，对信息预处理，构建膝骨关节炎特征数据集；S2.利用自编码器的特征降维特性去训练编码器学习膝骨关节炎的风险性特征；S3.使用6种现有的特征选择算法对膝骨关节炎特征数据集进行特征排序；S4.利用SVM分类器训练模型；S5.取出6种算法结果中高频出现的特征，并对比自编码器与传统特征选择方法对于选择风险性因素的效果。本发明筛选出的风险性因素可为中医诊断膝骨关节炎提供科学可靠的参考，构建更为准确可靠的疾病辨识模型。
-
公开(公告)号：CN114036980A
公开(公告)日：2022-02-11
申请号：CN202111273468.4
申请日：2021-10-29
Applicant: 暨南大学
Abstract: 本发明公开了基于域对抗网络的跨用户EEG信号融合识别方法，具体步骤为：对多被试多分类的EEG数据集进行预处理；每个被试的数据都会轮流作为目标域数据，同时其他被试的数据作为不同的源域数据，每组源域数据都会与目标域训练数据训练生成一个域对抗网络模型，用于识别测试数据；利用每个域对抗网络模型计算出的特征信息和类别信息分别对测试数据的实际类别进行分析，得到多个域对抗网络模型对测试数据的辅助决策信息；构建信息融合模型，对多个对抗网络模型识别结果进行融合优化，使得多个对抗网络模型决策一致性最大化，用于返回优化的目标域数据识别的结果；对比测试数据的实际结果与相应的预测结果来评价所提算法的性能。
-
公开(公告)号：CN119808881A
公开(公告)日：2025-04-11
申请号：CN202411647669.X
申请日：2024-11-18
Applicant: 暨南大学
IPC: G06N3/094 , G06N3/096 , G06N3/0464 , G06V10/764 , G06V10/82 , G06V10/80
Abstract: 本发明公开了一种基于正则化logit校准和截断特征混合的定向对抗攻击算法，去生成定向的对抗样本。首先，本发明引入了一种新颖的正则化logit校准模块，可以同时考虑logit margin和logit的标准差设计损失函数，此外，进一步提出了截断特征混合策略模块，通过从原始的干净特征中去除显著特征，在一定程度上减小了用于训练的白盒模型的影响，提升对抗样本的迁移性，适用于多种不同的白盒模型来执行定向对抗攻击。
-
公开(公告)号：CN119167170A
公开(公告)日：2024-12-20
申请号：CN202411232039.6
申请日：2024-09-04
Applicant: 暨南大学
IPC: G06F18/241 , G06F18/22 , G06F18/213 , G06N3/0464 , G06N3/045 , G06N3/096 , G06N3/09
Abstract: 本发明公开了一种基于迁移学习的跨时段脑电运动想象分类方法，具体涉及运动脑机接口领域，包括：S1.利用数据预处理得到源域与目标域脑电数据；S2.利用基于注意力的可分离卷积神经网络提取频率、空间和时间信息；S3.利用监督学习最小化源域样本数据的分类损失；S4.利用迁移学习最大化源域与目标与样本特征之间的相似性，以训练适用于跨时段脑电的神经网络；S5.用训练的模型对目标域进行分类，并与选定几种常用先进算法对比在公开数据集上的运动想象分类效果。并验证了跨时段问题在运动脑机接口中普遍存在。发明提出的方法提供科学可靠的运动想象分类方案，构建了比选定几种常用先进算法更高准确度的运动想象分类模型。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.026 seconds)
