-
公开(公告)号：CN109815786B
公开(公告)日：2021-04-13
申请号：CN201811487250.7
申请日：2018-12-06
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于区域熵特征的步态识别方法。本发明包括预处理、特征提取和分类识别三个部分。具体步骤如下：所述预处理，用于获取标准统一大小的运动目标轮廓序列，包括以下步骤：1‑1.提取运动目标轮廓序列；1‑2.图像标准化；所述特征提取，用于获得具有良好表征性的步态特征参数，包括以下步骤：2‑1.提取步态周期；2‑2.提取区域图像熵特征；步骤3.采用最近邻准则分类识别。本发明提取的区域图像熵特征具有很好的表征性,无需借助复杂的图像处理过程，提取方式简单，避免了降维和数据归一化的步骤，降低了系统复杂度，取得了较高的步态身份认证的识别率。
-
公开(公告)号：CN109961017A
公开(公告)日：2019-07-02
申请号：CN201910141760.7
申请日：2019-02-26
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于卷积循环神经网络的心音信号分类方法，包括以下步骤：对心音数据进行噪声处理；提取心音信号的心音特征；数据标准化；构建卷积循环神经网络模型；利用训练样本数据特征对构建的神经网络进行训练，并将训练后的网络结构和参数进行保存；使用训练后的模型参数对测试样本数据进行测试，得到最终分类识别结果。本发明降低了系统复杂度，而且提取的心音特征无需对心音信号进行分割，减少系统的计算量，本发明利用卷积神经网络与循环神经网络串联的方式，提出了一种兼备卷积神经网络与循环神经网络处理优势的深度学习模型，对心音信号分类有更好的表现力，为正常与异常心音信号的检测提供了有效、便利的工具。
-
公开(公告)号：CN110151165B
公开(公告)日：2022-02-01
申请号：CN201910364525.6
申请日：2019-04-30
Applicant: 杭州电子科技大学
IPC: A61B5/346
Abstract: 本发明公开了一种基于非线性动力学特征的心电向量图分类方法，属于心电检测技术领域；该方法包括如下步骤：采集Frank三导联心电向量图信号；利用中值滤波去除噪声；分别提取每个导联的10个非线性动力学特征；将各特征进行归一化处理，进行特征融合，利用训练心电向量图模式与测试心电向量图模式之间在非线性动力学指标上的差异，实现正常心电向量图与异常心电向量图的分类。上述方法首次将非线性动力学分析方法运用在心电向量图分类上，所提取的非线性动力学特征能够表征心电向量图的动态属性，更好地挖掘了心电向量图的内在特征，将异常和正常的心电向量图区分开，适合在常规的心电检查中使用。
-
公开(公告)号：CN109446884B
公开(公告)日：2020-07-14
申请号：CN201811037563.2
申请日：2018-09-06
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于非线性动力学指标的速度无关的步态识别方法。本发明包括以下步骤：采集人体步态运动轮廓图；提取人体下肢轮廓宽度、周长及面积参数曲线；基于轮廓参数，构建径向基函数神经网络对不同速度下的步态动力学进行建模，得到三维可视的步态动力学信息；计算三种非线性动力学指标，利用不同速度下的步态模式之间在非线性动力学指标上的差异，实现速度无关的步态识别。本发明直接从人体轮廓图上提取速度无关的步态动力学特征，不用进行复杂的图像处理过程，简单方便、容易操作。本发明所提取的动力学特征可以有效地应对多种步行速度下的识别挑战，实现多速度下的无限制步态识别。
-
公开(公告)号：CN109815786A
公开(公告)日：2019-05-28
申请号：CN201811487250.7
申请日：2018-12-06
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于区域熵特征的步态识别方法。本发明包括预处理、特征提取和分类识别三个部分。具体步骤如下：所述预处理，用于获取标准统一大小的运动目标轮廓序列，包括以下步骤：1-1.提取运动目标轮廓序列；1-2.图像标准化；所述特征提取，用于获得具有良好表征性的步态特征参数，包括以下步骤：2-1.提取步态周期；2-2.提取区域图像熵特征；步骤3.采用最近邻准则分类识别。本发明提取的区域图像熵特征具有很好的表征性,无需借助复杂的图像处理过程，提取方式简单，避免了降维和数据归一化的步骤，降低了系统复杂度，取得了较高的步态身份认证的识别率。
-
Patent Agency Ranking
公开(公告)号：CN113643722A
公开(公告)日：2021-11-12
申请号：CN202110995007.1
申请日：2021-08-27
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于多层矩阵随机神经网络的城市噪声识别方法。本发明包括如下步骤：1、对采集到的城市噪声进行预处理，包括去噪、预加重、分帧、加窗等，其中帧长为L，帧移为2、将经过预处理的噪声信号转换成时频图；3、构建矩阵随机自编码器，以城市噪声二维时频图作为矩阵随机自编码器的输入，通过输出重建输入的方式进行训练，获得最优的输出权重作为编码器；同时将上一个相邻矩阵随机自编码器的编码输出作为下一个矩阵随机自编码器的输入，堆叠K个矩阵随机自编码器；4、构建矩阵均方误差损失函数，进行城市噪声分类识别。本发明加快了矩阵随机自编码器的训练速度。免去矢量化步骤、保留时频图信息同时实现有效的城市噪声识别。
-
公开(公告)号：CN110731770A
公开(公告)日：2020-01-31
申请号：CN201910886444.2
申请日：2019-09-19
Applicant: 杭州电子科技大学
IPC: A61B5/024 , A61B5/0456 , A61B5/00
Abstract: 本发明发明公开了一种基于短时HRV信号小波包特征的心肌梗塞检测方法，本发明方法首先对常规十二导联心电图进行数据预处理，R波定位，确定RR间期，获得HRV信号，然后对HRV信号进行小波包分解获得小波包系数，然后对小波包系数进行小波包特征提取，最后将提取的小波包特征进行归一化处理进行分类识别，应用于心肌梗塞的检测，能够在更短时间内进行有效的检测，不需要增加新的检测设备，简单方便，容易操作，预测效率高。
-
公开(公告)号：CN110693489A
公开(公告)日：2020-01-17
申请号：CN201911030739.6
申请日：2019-10-28
Applicant: 杭州电子科技大学
IPC: A61B5/0402 , A61B5/00
Abstract: 本发明公开了一种基于多分类器强化学习的心肌梗塞检测方法。本发明步骤：1、对原始常规12导联心电图进行预处理、R波定位、获取HRV信号；2、对每个导联HRV信号分别提取时域、频域、非线性动力学特征序列；3、利用强化学习让分类器模型不断进行学习，调整模型参数，将不同动作对应的Q值作为一个序列输出，最终训练得到三个主分类器模型，每个主分类器模型里面根据强化学习得分机制产生若干BP分类器；4、利用强化学习训练得到的三个主分类器对测试样本进行分类识别，获得三个测试结果；5、利用投票法则进行最终投票，获得识别结果。本发明引入强化学习机制，能够更有效准确地快速识别检测，能够为心肌梗塞的检测与预防提供有效便利的工具。
-
公开(公告)号：CN110151189A
公开(公告)日：2019-08-23
申请号：CN201910362778.X
申请日：2019-04-30
Applicant: 杭州电子科技大学
IPC: A61B5/11
Abstract: 本发明公开了一种用于帕金森步态风险评估的非线性步态动力学判别方法。本发明方法提出了基于非线性动力学特征的多维特征判别图以用于帕金森患者的步态风险评估，联合了支持向量机、非线性动力学特征和图形化显示方法，将5维的非线性动力学特征在二维平面中以图形的方式展示。本发明方法适用于帕金森患者的步态风险评估。在正常的人群中，如果非线性步态动力学判别图的多个指标都超出判别图的分界点，则说明其患病的概率或者病症的严重程度将大大的提升，需要引起个体自身的密切关注以及医生的进一步检查。
-
公开(公告)号：CN109512423A
公开(公告)日：2019-03-26
申请号：CN201811487253.0
申请日：2018-12-06
Applicant: 杭州电子科技大学
IPC: A61B5/0402 , A61B5/00
Abstract: 本发明公开了一种基于确定学习与深度学习的心肌缺血危险分层方法。本发明采集常规12导联心电图信号，基于确定学习理论对浅层心电信号蕴含的内在心电动力学特征进行神经网络建模、辨识，得到心电信号内在动态特征，运用深度学习框架下的卷积神经网络实现对心肌缺血的危险分层。本发明方法首次联合使用了确定学习动态建模方法与深度学习分类方法，并应用于心肌缺血的早期危险分层，基于常规12导联心电信号，不需附加新的检测设备，简单方便、容易操作。确定学习方法提取到对缺血状态更敏感的动态特征，而深度神经网络能够自主学习数据特征，不用进行进一步数据刻画，降低了系统的复杂度。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.024 seconds)
