-
公开(公告)号：CN118014848A
公开(公告)日：2024-05-10
申请号：CN202410204437.0
申请日：2024-02-23
Applicant: 杭州电子科技大学 , 杭州电子科技大学上虞科学与工程研究院有限公司
IPC: G06T5/00 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/09 , G06T5/60
Abstract: 本发明公开了一种基于自动筛选机制的通用图像复原方法，该方法首先从公开数据集中下载图像，各随机选取n张不同损坏程度的图像组成图片集合，按比例划分为训练集与测试集，并对训练集和测试集中的图像进行预处理。其次使用残差网络对预处理后的训练集数据提取特征，判断其待修复类型。然后对多任务图像复原模型中的不同预训练参数进行微调，实现降质图像复原。最后计算损失，得到残差网络和多任务图像复原模型的最优参数，并测试。本发明实现高效率高质量的图像修复功能，有助于降低图像复原技术的使用成本，提高工作效率。
-
公开(公告)号：CN117152010A
公开(公告)日：2023-12-01
申请号：CN202311124855.0
申请日：2023-09-02
Applicant: 杭州电子科技大学 , 杭州电子科技大学上虞科学与工程研究院有限公司
IPC: G06T5/00 , G06N3/094 , G06N3/0475 , G06N3/0455 , G06N3/0464 , G06T7/10 , G06T3/60 , G06V10/764 , G06N3/084
Abstract: 本发明公开了一种基于多个稀疏先验的可学习双层优化实现图像去模糊方法，包括如下步骤：S1、获取数据集并进行预处理；S2、构建上层优化模型，所述上层优化模型使用多尺度编码器‑解码器网络作为生成器，学习从模糊图像到清晰图像的映射；S3、基于多个稀疏约束构建下层优化模型，所述下层优化模型使用双分支鉴别器；S4、优化由上层优化模型和下层优化模型组成的双层模型，采用交替迭代的方式进行优化网格参数；S5、最优参数下测试新样本：基于步骤S4训练得到网络参数θG代入生成器中，并将新样本输入到网络参数为θG的生成器中，得到去模糊之后的清晰图像。该方法平衡生成器和判别器的博弈，提升GAN模型的学习能力，改善图像去模糊效果。
-
公开(公告)号：CN119475109B
公开(公告)日：2025-04-08
申请号：CN202510067971.6
申请日：2025-01-16
Applicant: 杭州电子科技大学
IPC: G06F18/2415 , G06F18/214 , G06F18/25
Abstract: 本发明公开一种基于数据增强和多模态特征融合的运动想象脑电信号分类识别方法及系统。本发明对原始脑电数据进行基于时间序列分解和预测的数据增强；对数据增强后数据和原始数据进行时间序列分割，再将同一时间窗口内所有通道时序块进行堆叠后再提取时序特征；对数据增强后数据和原始数据进行时频分析后提取时频图像特征；将时序特征和时频图像特征拼接后输入到分类器，得到运动想象分类结果。本发明提出基于时间序列分解和预测的时序数据增强技术，为下游基于深度学习的脑电分类模型提供更充足的训练样本，提升模型的泛化能力和分类效果。还利用时序和时频进行多模态特征提取，进一步提升脑电信号分类识别的效果。
-
公开(公告)号：CN119475109A
公开(公告)日：2025-02-18
申请号：CN202510067971.6
申请日：2025-01-16
Applicant: 杭州电子科技大学
IPC: G06F18/2415 , G06F18/214 , G06F18/25
Abstract: 本发明公开一种基于数据增强和多模态特征融合的运动想象脑电信号分类识别方法及系统。本发明对原始脑电数据进行基于时间序列分解和预测的数据增强；对数据增强后数据和原始数据进行时间序列分割，再将同一时间窗口内所有通道时序块进行堆叠后再提取时序特征；对数据增强后数据和原始数据进行时频分析后提取时频图像特征；将时序特征和时频图像特征拼接后输入到分类器，得到运动想象分类结果。本发明提出基于时间序列分解和预测的时序数据增强技术，为下游基于深度学习的脑电分类模型提供更充足的训练样本，提升模型的泛化能力和分类效果。还利用时序和时频进行多模态特征提取，进一步提升脑电信号分类识别的效果。
-
公开(公告)号：CN119097840A
公开(公告)日：2024-12-10
申请号：CN202410991019.0
申请日：2024-07-23
Applicant: 杭州电子科技大学
Abstract: 本发明公开一种基于肌肉协同补偿模型的个性化功能性电刺激系统。包括数据采集及预处理模块、肌肉激活系数补偿模块、电刺激模块。通过对健患侧肢体的肌电信号和运动姿态角度信号进行解析，提取健侧的肌肉协同结构，建立在健侧协同结构指导下的患侧肌肉激活补偿模型，利用补偿模型和健侧的肌肉协同结构来定制个性化的电刺激策略。本发明利用患者健侧的协同结构指导患侧进行运动，且能在不同的运动状态下根据健患侧肌肉激活程度的差异大小进行相应强度的电刺激补偿，更有针对性的对受损肌肉群进行恢复和提高中枢系统的神经可塑性；通过对协同结构的提取也提高了电刺激仪的工作效率。
-
Patent Agency Ranking
公开(公告)号：CN118656779A
公开(公告)日：2024-09-17
申请号：CN202410708534.3
申请日：2024-06-03
Applicant: 杭州电子科技大学
IPC: G06F18/25 , A61B5/378 , A61B5/00 , A61B3/113 , G06F18/213 , G06F18/241 , G06F18/2415 , G06N3/045 , G06N3/0442 , G06N3/0895
Abstract: 本发明公开了一种基于注意力机制的双模态双向融合网络目标检测方法。该方法首先针对双模态数据分布进行特征提取以及样本对间的对比学习，然后在两个模态的特征层面采用一种相互指导的双向模态融合方法，运用注意力机制进行模态间的特征对齐融合，使脑电信号和眼动信号各自寻找对方与自身特征相耦合的特征，力求最大限度地保留模态内部的本质特征和挖掘模态间相关联的特征。最后使用融合后的特征进行分类预测。这种方法解决了两个模态由于时段不一致带来的不良影响，同时利用解耦对比学习方法消除类不平衡的影响，并捕获各个模态内部类别之间的特征差异，从而提高模型的目标检测性能。
-
公开(公告)号：CN118470300A
公开(公告)日：2024-08-09
申请号：CN202410568120.5
申请日：2024-05-09
Applicant: 杭州电子科技大学
IPC: G06V10/25 , G06V20/40 , G06V10/80 , G06V10/44 , G06V10/82 , G06V10/771 , G06T7/246 , G06N3/045 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开了一种基于脑眼融合的多模态视频流目标检测方法。该方法采集被试观看步复杂视频内容时的脑电数据与眼动数据，制作脑电正负样本对、眼动正负样本对，以及在通道维度拼接的脑电—眼动拼接样本。然后将正负样本对输入特征提取模型中，进行对比学习，训练模型参数。再将脑电样本、眼动样本以及拼接样本输入分类器中进行学习。最后将未知样本输入训练好的分类器中，并将预测为目标的对应样本眼动数据取出，根据注视点和注视时间绘制注视区域，生成热点图，获得目标的运动轨迹，实现目标检测。该方法利用多模态信息搜索同类别相似信息，实现了信息的互补，在较高的识别率下揭示了目标的移动轨迹，提高了识别的可靠性。
-
公开(公告)号：CN112488081B
公开(公告)日：2024-08-09
申请号：CN202011541187.8
申请日：2020-12-23
Applicant: 杭州电子科技大学
IPC: G06F18/241 , G06F18/10 , G06F18/213 , G06N3/096 , G06F17/16 , G06F17/18
Abstract: 本发明公开基于DDADSM跨被试迁移学习脑电精神状态检测方法。本发明采用先进行双子空间特征空间映射再动态分布对齐的迁移学习方法对脑电数据进行分类检测的方法。是脑电迁移学习检测方法的重大创新与尝试，能够减少传统单一子空间迁移学习方法的空间漂移问题以及忽略条件分布和边缘分布重要性定量计算造成的精确性不足、迁移能力有限等问题。该方法在疲劳驾驶脑电数据的分类问题上能够取得很好的效果，能够为复杂脑电数据的处理提高新的研究手段。
-
公开(公告)号：CN114145754B
公开(公告)日：2024-04-02
申请号：CN202111522093.0
申请日：2021-12-13
Applicant: 杭州电子科技大学
Abstract: 本发明公开了基于EEG交叉频率耦合的卒中脑功能评估装置。对卒中状态或健康状态被试在运动想象任务下的多通道脑电数据进行采集和预处理，提取刺激后的有效数据段；计算每个数据段的频段内以及频段间相相耦合关系；提取多尺度脑网络指标，包括全脑平均功能连接值、半球尺度上的平均功能连接值、特征路径长度、以及聚类系数指标，依据欧几里德距离评估脑功能状态。本发明突破了单频段脑网络分析的局限性，通过交叉频率脑网络进行有效的卒中脑功能评估。
-
公开(公告)号：CN116934828A
公开(公告)日：2023-10-24
申请号：CN202310917452.5
申请日：2023-07-25
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于想象计算强化的激光雷达稠密测量方法，将激光雷达采集的数据投影至二维平面，生成深度图与强度图。构建N个层级的稀疏体素八叉树，对有向距离场SDF进行编码。采样插值后，使用耦合神经网络融合激光雷达提供的深度信息与强度信息，挖掘稀疏激光雷达数据中共同蕴含的空间信息与先验认知信息，构建三维隐式神经有向距离场，预测场景表面的距离值与强度值，想象连续的三维空间分布，实现稀疏数据的稠密化，提供高分辨率的深度及强度信息。预测结果更精准，同时解决了增加硬件来获取激光雷达稠密数据需要高成本的问题。
-
-
-
-
-
-
-
-
-
Search Results
87
records
(took 0.042 seconds)
