-
公开(公告)号：CN112528819B
公开(公告)日：2023-01-20
申请号：CN202011410236.4
申请日：2020-12-05
Applicant: 西安电子科技大学
IPC: G06F18/24 , G06F18/10 , G06N3/0464 , G06N3/049 , G06N3/08
Abstract: 本发明公开了一种基于卷积神经网络的P300脑电信号分类方法。该方法通过构造卷积神经网络，采用可设置标签权重和标签平滑参数的损失函数，使用被试的P300脑电信号来训练卷积神经网络，得到训练好的卷积神经网络，对P300脑电信号做二分类，以确定是否存在目标字符。具体步骤包括：构建卷积神经网络，生成训练集，训练卷积神经网络，处理待分类的P300脑电信号，输出P300脑电信号的分类结果。本发明克服了现有技术标签不平衡和标签人为误差导致分类方法的准确性低的问题，改善了在训练网络的过程不能充分保留P300脑电信号空间和时间信息的缺点，提高了P300脑电信号分类精度。
-
公开(公告)号：CN113111697A
公开(公告)日：2021-07-13
申请号：CN202011493152.1
申请日：2020-12-17
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种虚拟现实环境中三维静态图像的脑电信号识别系统及方法。该系统通过三维静态图像构建模块、脑电信号采集模块、机器学习模型训练模块和脑电信号识别模块。具体方法步骤包括：构建了包括刺激目标和非刺激目标的三维静态图像，采集被试者在三维虚拟现实环境中的脑电信号，训练机器学习模型，对脑电信号进行识别。本发明克服了现有技术中被试者易受到其他事物干扰导致采集到的脑电信号中包含噪声，刺激图片失真导致采集到的脑电信号为无效脑电信号的问题，使得本发明采集到的脑电信号包含噪声更少并且是有效的脑电信号，提高了脑电信号识别结果的精度和脑电信号采集的效率。
-
公开(公告)号：CN112528819A
公开(公告)日：2021-03-19
申请号：CN202011410236.4
申请日：2020-12-05
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于卷积神经网络的P300脑电信号分类方法。该方法通过构造卷积神经网络，采用可设置标签权重和标签平滑参数的损失函数，使用被试的P300脑电信号来训练卷积神经网络，得到训练好的卷积神经网络，对P300脑电信号做二分类，以确定是否存在目标字符。具体步骤包括：构建卷积神经网络，生成训练集，训练卷积神经网络，处理待分类的P300脑电信号，输出P300脑电信号的分类结果。本发明克服了现有技术标签不平衡和标签人为误差导致分类方法的准确性低的问题，改善了在训练网络的过程不能充分保留P300脑电信号空间和时间信息的缺点，提高了P300脑电信号分类精度。
-
公开(公告)号：CN112022153A
公开(公告)日：2020-12-04
申请号：CN202011032598.4
申请日：2020-09-27
Applicant: 西安电子科技大学
IPC: A61B5/0476 , A61B5/0484 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于卷积神经网络的脑电信号检测方法。该方法通过训练卷积神经网络获得深度卷积神经网络用于脑电信号的特征提取，运用XGBoost模型对提取的特征进行筛选组合，用逻辑回归模型做检测。具体步骤包括：构建卷积神经网络，生成训练集和测试集，构成深度卷积神经网络，提取特征向量，特征筛选和组合，移动目标检测。本发明克服了现有技术不能充分保留脑电信号特征，存在大量重要特征丢失，使得检测的精度低的问题，使得本发明更为全面的提取脑电信号的特征，降低脑电信号的重要特征丢失的概率的缺陷，具有改善脑电信号重要特征提取的优点，可以应用于脑电信号移动目标检测。
-
公开(公告)号：CN113111697B
公开(公告)日：2023-07-28
申请号：CN202011493152.1
申请日：2020-12-17
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种虚拟现实环境中三维静态图像的脑电信号识别系统及方法。该系统通过三维静态图像构建模块、脑电信号采集模块、机器学习模型训练模块和脑电信号识别模块。具体方法步骤包括：构建了包括刺激目标和非刺激目标的三维静态图像，采集被试者在三维虚拟现实环境中的脑电信号，训练机器学习模型，对脑电信号进行识别。本发明克服了现有技术中被试者易受到其他事物干扰导致采集到的脑电信号中包含噪声，刺激图片失真导致采集到的脑电信号为无效脑电信号的问题，使得本发明采集到的脑电信号包含噪声更少并且是有效的脑电信号，提高了脑电信号识别结果的精度和脑电信号采集的效率。
-
Patent Agency Ranking
公开(公告)号：CN112022153B
公开(公告)日：2021-07-06
申请号：CN202011032598.4
申请日：2020-09-27
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于卷积神经网络的脑电信号检测方法。该方法通过训练卷积神经网络获得深度卷积神经网络用于脑电信号的特征提取，运用XGBoost模型对提取的特征进行筛选组合，用逻辑回归模型做检测。具体步骤包括：构建卷积神经网络，生成训练集和测试集，构成深度卷积神经网络，提取特征向量，特征筛选和组合，移动目标检测。本发明克服了现有技术不能充分保留脑电信号特征，存在大量重要特征丢失，使得检测的精度低的问题，使得本发明更为全面的提取脑电信号的特征，降低脑电信号的重要特征丢失的概率的缺陷，具有改善脑电信号重要特征提取的优点，可以应用于脑电信号移动目标检测。
-
公开(公告)号：CN112528815A
公开(公告)日：2021-03-19
申请号：CN202011408091.4
申请日：2020-12-05
Applicant: 西安电子科技大学
Abstract: 一种基于多模态信息融合的疲劳驾驶检测方法。该方法通过同时采集脑电信号、面部图像和车辆行驶车道图像，分别构建并训练卷积神经网络，采集待检测数据输入到训练好的卷积神经网络中进行初步预测，综合各初步预测结果融合判定驾驶人是否处于疲劳状态。具体步骤包括：生成训练集，分别构建并训练脑电信号分类、定位眼睛和嘴巴区域、判断眼睛和嘴巴开合状态、定位车道线位置的卷积神经网络，采集待检测数据，初步预测疲劳驾驶状态，融合判定驾驶人疲劳状态。本发明克服了驾驶人疲劳状态判断依据模态单一，表征驾驶人疲劳状态不全面的问题，具有较好的鲁棒性和稳定性，提高了疲劳驾驶检测的精度。
-
公开(公告)号：CN116757943B
公开(公告)日：2025-05-23
申请号：CN202310564192.8
申请日：2023-05-18
Applicant: 西安电子科技大学
IPC: G06T5/70 , G06N3/0464 , G06N3/048 , G06N3/0475 , G06N3/094 , G06T5/77 , G06T5/73 , G06T5/60
Abstract: 本发明提出一种基于级联式特征注意力金字塔空间网络的图像去散光方法，采用生成对抗网络架构，构建构造了级联式特征注意力金字塔网络，克服了现有技术中在对噪声不同强度与种类图像修复时，由于特征提取鲁棒性差导致图像修复效果差的不足的问题，提高了噪声消除的鲁棒性。本发明在级联式特征注意力金字塔网络结构中引入了注意力机制，通过降低由于噪声杂乱带来图像修复时关注区域的不确定性，进而减少了修复噪声给自然图像带来的模糊效果，提升自然图像的修复质量。此外，本发明填补了现有技术仅关注雨水痕迹、雾霾模糊和阴影遮挡等常见噪声的不足，扩展了图像去噪修复应用的应用场景。
-
公开(公告)号：CN116757943A
公开(公告)日：2023-09-15
申请号：CN202310564192.8
申请日：2023-05-18
Applicant: 西安电子科技大学
IPC: G06T5/00 , G06N3/0464 , G06N3/048 , G06N3/0475 , G06N3/094
Abstract: 本发明提出一种基于级联式特征注意力金字塔空间网络的图像去散光方法，采用生成对抗网络架构，构建构造了级联式特征注意力金字塔网络，克服了现有技术中在对噪声不同强度与种类图像修复时，由于特征提取鲁棒性差导致图像修复效果差的不足的问题，提高了噪声消除的鲁棒性。本发明在级联式特征注意力金字塔网络结构中引入了注意力机制，通过降低由于噪声杂乱带来图像修复时关注区域的不确定性，进而减少了修复噪声给自然图像带来的模糊效果，提升自然图像的修复质量。此外，本发明填补了现有技术仅关注雨水痕迹、雾霾模糊和阴影遮挡等常见噪声的不足，扩展了图像去噪修复应用的应用场景。
-
公开(公告)号：CN116682178A
公开(公告)日：2023-09-01
申请号：CN202310649852.2
申请日：2023-06-02
Applicant: 西安电子科技大学
IPC: G06V40/20 , G06V10/40 , G06V10/766 , G06V10/80 , G06V10/764 , G06T7/73 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明提出了一种密集场景下的多人姿态检测方法，主要解决现有技术检测鲁棒性差和分类精度低的问题，其实现方案为：取公开的密集场景下多人姿态的图像集，将其分为训练集和测试集；构建包括浅CNN模块和特征融合模块的定位分类任务并行分支网络；定义定位分类任务并行分支网络中的目标数量损失函数、动态难度权重函数和动态类别权重函数；对定位分类任务并行分支网络进行训练；将测试集输入到训练好的定位分类任务并行分支网络中得到多人姿态检测结果。本发明避免了目标检测中定位任务对分类任务的约束，缓解了前景背景类不平衡和前景类别不平衡问题，提升了目标检测的鲁棒性和分类精度，可用于密集场景下目标识别。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.024 seconds)
