-
公开(公告)号：CN109711278B
公开(公告)日：2020-06-23
申请号：CN201811497670.3
申请日：2018-12-07
Applicant: 浙江大学
Abstract: 本发明公开了一种低复杂度的脑电波信号压缩重建和分类方法，涉及将长时间、多通道的非平稳信号通过脑机接口系统转化为可被识别和处理的信号。对于压缩重建问题，采用压缩感知以及其优化算法降低采集信号的维度，通过稀疏信号恢复算法来解决非确定性多项式问题，并通过低秩分解改进块稀疏贝叶斯恢复算法模型的计算复杂度；而对于分类模型存在难以对脑电信号直接进行分类的问题，利用共模式空间方法识别大脑想象思维引起的事件相关去同步，可准确评估测量左右脑半球之间的方差差异，利用小波变换提取信号高频、低频特征并进行脑电特征选择；重建结果和分类结果的精度明显优于传统算法的结果且具备保证较低复杂度的能力。
-
公开(公告)号：CN110390351B
公开(公告)日：2020-07-24
申请号：CN201910549416.1
申请日：2019-06-24
Applicant: 浙江大学
Abstract: 本发明公开了一种基于深度学习的致痫灶三维自动定位系统，该系统包括：PET图像采集和标记模块；PET图像与标准对称脑模版的配准模块；PET图像数据预处理模块，生成左右脑图像块的镜像对；孪生网络SiameseNet训练模块，包含两个共享权重参数的深度残差卷积神经网络，输出层连接多层感知机和softmax层，利用携带致痫灶的图像和正常图像的训练集对所述网络进行训练获得网络模型；分类模块和致痫灶定位模块，利用训练好的网络模型对新输入的PET图像生成概率热图，先通过分类器判断图像为正常或者携带致痫灶样本，再预测致痫灶区域的位置。该系统通过引入图像块的镜像对和孪生网络SiameseNet，来自动定位PET图像的致痫灶，能有效地提高致痫灶定位的准确度和效率，并具有较高的鲁棒性。
-
公开(公告)号：CN110390351A
公开(公告)日：2019-10-29
申请号：CN201910549416.1
申请日：2019-06-24
Applicant: 浙江大学
Abstract: 本发明公开了一种基于深度学习的致痫灶三维自动定位系统，该系统包括：PET图像采集和标记模块；PET图像与标准对称脑模版的配准模块；PET图像数据预处理模块，生成左右脑图像块的镜像对；孪生网络SiameseNet训练模块，包含两个共享权重参数的深度残差卷积神经网络，输出层连接多层感知机和softmax层，利用携带致痫灶的图像和正常图像的训练集对所述网络进行训练获得网络模型；分类模块和致痫灶定位模块，利用训练好的网络模型对新输入的PET图像生成概率热图，先通过分类器判断图像为正常或者携带致痫灶样本，再预测致痫灶区域的位置。该系统通过引入图像块的镜像对和孪生网络SiameseNet，来自动定位PET图像的致痫灶，能有效地提高致痫灶定位的准确度和效率，并具有较高的鲁棒性。
-
公开(公告)号：CN109711278A
公开(公告)日：2019-05-03
申请号：CN201811497670.3
申请日：2018-12-07
Applicant: 浙江大学
Abstract: 本发明公开了一种低复杂度的脑电波信号压缩重建和分类方法，涉及将长时间、多通道的非平稳信号通过脑机接口系统转化为可被识别和处理的信号。对于压缩重建问题，采用压缩感知以及其优化算法降低采集信号的维度，通过稀疏信号恢复算法来解决非确定性多项式问题，并通过低秩分解改进块稀疏贝叶斯恢复算法模型的计算复杂度；而对于分类模型存在难以对脑电信号直接进行分类的问题，利用共模式空间方法识别大脑想象思维引起的事件相关去同步，可准确评估测量左右脑半球之间的方差差异，利用小波变换提取信号高频、低频特征并进行脑电特征选择；重建结果和分类结果的精度明显优于传统算法的结果且具备保证较低复杂度的能力。
-
-
-
Search Results
4
records
(took 0.014 seconds)
