公开(公告)号：CN113159223A

公开(公告)日：2021-07-23

申请号：CN202110532794.6

申请日：2021-05-17

Applicant: 湖北工业大学

Inventor： 甘海涛 ,  颜家璇 ,  许宵闻 ,  周然 ,  杨智

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于自监督学习的颈动脉超声图像识别方法。所述方法包括以下步骤：(1)采集颈动脉超声图像并预处理；(2)根据预处理后所得的超声图像数据集使用自监督学习的辅助任务函数扩充数据集和生成对应的伪标签；(3)将从步骤(2)所得的新的超声图像数据集载入神经网络中训练，保存学习到的最优网络权重参数；(4)将网络权重参数迁移到目标神经网络中，对步骤(1)所得的预处理后的超声图像数据集进行学习，得到目标神经网络的最优网络模型，再对测试集进行测试获得最终测试精度。本方法将自监督学习方法应用于颈动脉超声图像提取特征的表面变化和内部特性，为病变区域的预测提供了一种定量的分析方法。

公开(公告)号：CN113158949A

公开(公告)日：2021-07-23

申请号：CN202110478028.6

申请日：2021-04-30

Applicant: 湖北工业大学

Inventor： 甘海涛 ,  许宵闻 ,  欧阳瀚 ,  林姗 ,  周然

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开一种基于自监督学习的运动想象脑电信号分类方法，包括辅助任务和目标任务学习；在辅助任务学习中，对每条运动想象脑电信号样本分割成多个块，并随机排列组合得到乱序的脑电信号样本，采用卷积神经网络对正序和乱序脑电信号样本分类，得到辅助任务最优模型；在目标任务学习中，将辅助任务最优模型迁移至目标任务网络初始化权重，并采用少量标记样本，更新目标任务网络，得到运动想象脑电信号分类模型；使用该模型对测试样本进行分类，得到分类结果。本发明提出的自监督学习方法，可有效提高目标任务网络的收敛效率，提升运动想象脑电信号分类的准确率。