-
公开(公告)号：CN119760530A
公开(公告)日：2025-04-04
申请号：CN202411724595.5
申请日：2024-11-28
Applicant: 重庆邮电大学
IPC: G06F18/2415 , G06F18/15 , G06N3/08 , G06F18/213 , G06N3/0464 , G06N3/049 , G06N3/045 , A61B5/369 , A61B5/00
Abstract: 本发明请求保护一种基于特征嵌入增强和耦合的脑电信号识别方法。首先对采集到的脑电数据进行滤波和归一化对脑电信号进行去噪，以提高信号质量；然后使用数据翻转、通道交换和裁剪等操作捕获信号中的潜在特征模式；接着设计了一种神经网络框架对增强的信号和原始信号进行特征提取和耦合；通过特征嵌入的学习与耦合，本发明能够在低维嵌入空间中将神经模式相似的样本聚集，同时有效分离不同神经模式的样本，从而提高脑电信号分类的准确性和鲁棒性。
-
公开(公告)号：CN114494203A
公开(公告)日：2022-05-13
申请号：CN202210101903.3
申请日：2022-01-27
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于旋转框定位改进的Faster‑RCNN极性元器件检测方法，属于自动化领域。该方法为：获取大量PCB板图像数据集并对其元器件进行标识；利用主干网络提取到的不同层次特征图输入特征金字塔网络结构中，开展多尺度特征融合；构建有向目标检测模块，在特征金字塔中尺度不同的每一层进行有向目标检测，获得极性元器件的旋转定位框和元器件类别；根据旋转定位框的正负子旋转区域，对正负子旋转区域进行分类得到极性元器件的正负极方向，最后结合旋转定位框的旋转角度得到极性元器件的极性方向。该方法实现对电路板上极性元器件的类别、位置、极性方向等信息的一并检测，提高了检测的自动化程度和精确度。
-
公开(公告)号：CN119760529A
公开(公告)日：2025-04-04
申请号：CN202411724583.2
申请日：2024-11-28
Applicant: 重庆邮电大学
IPC: G06F18/2415 , G06F18/25 , G06F18/15 , G06F18/2131 , G06N3/0464 , G06N3/045 , G06N3/0442 , G06F18/22 , A61B5/369 , A61B5/372 , A61B5/377 , A61B5/378 , A61B5/389 , A61B5/397 , A61B5/00
Abstract: 本发明请求保护一种基于时频融合与双分支网络的脑肌电信号解码方法，包括步骤：设计脑肌电同步实验范式；对采集的脑肌电信号进行去噪与规范化处理；利用小波相干性分析来筛选脑电通道，利用短时傅里叶变换获取时频特征。按以下两种方式融合：一种按通道进行堆叠获取全局特征，一种利用瑞丽熵获取每个通道的显著特征频段并拼接成新的时频图。设计双分支网络来进行特征提取，利用时域残差模块和通道注意力模块来提取拼接时频图的特征，利用3D残差模块和ConvLSTM模块来捕获堆叠时频图的动态变化和时空特征。最后将两个分支的提取到的特征进行拼接融合，利用分类模块进行误差计算与分类解码，有效的提高了脑肌电融合解码的准确率和稳定性。
-
公开(公告)号：CN115221969A
公开(公告)日：2022-10-21
申请号：CN202210898574.X
申请日：2022-07-28
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于EMD数据增强和并行时空卷积网络(SCN)的运动想象脑电信号识别方法，该方法包括步骤：先对原始脑电信号进行预处理，将预处理的脑电信号采用EMD分解得到本征模态，本征模态按照时间维度分段，并与另一相同标签样本不重复的本征模态段进行组合，进而生成更多符合原始脑电信号特征的人造数据，以解决脑电信号样本量少的问题。接着设计了一种并行时空卷积网络，第一层在时间上做卷积，第二层在通道上做卷积，可充分提取脑电信号的时空特征，并考虑运动想象的节律主要分布在μ和β节律，所以分别将脑电信号的μ和β频段作为并行时空卷积网络的输入，以提取脑电信号时、空、频域的特征并分类。本发明可以有效克服因脑电信号数据量少导致的识别准确率低的问题。
-
公开(公告)号：CN114501576A
公开(公告)日：2022-05-13
申请号：CN202210107090.9
申请日：2022-01-28
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于强化学习的SDWSN最优路径计算方法，属于软件定义无线传感网络领域。该方法包括：S1：结合节点位置和时延信息，构建网络节点能耗估算模型，并根据该模型估算所有节点的能耗速率；S2：根据能耗和节点密度空间的相关性，采用动态半径的簇头选择算法，计算出事件区域需要选取的簇头节点数k；同时选取k个副簇头节点作为簇头节点的簇内数据转发节点；S3：采用基于强化学习的最优路径选择算法，计算传输的最优路径。本发明能有效提高生存周期、均衡网络能耗和提高数据包传输率。
-
Patent Agency Ranking
公开(公告)号：CN114501458B
公开(公告)日：2024-07-23
申请号：CN202210116000.2
申请日：2022-01-27
Applicant: 重庆邮电大学
IPC: H04L9/40 , H04W12/126
Abstract: 本发明涉及一种基于扩展有限状态机的WIA‑PA协议模糊测试数据生成方法，属于工业无线协议漏洞挖掘领域，包括以下步骤：对WIA‑PA协议进行描述，构建协议的扩展有限状态机模型；转化为最简等价等效扩展有限状态机模型；分离出不等价的状态配置；构造WIA‑PA协议数据的协议树模型，对协议树剪枝；设计变异因子，选择初次变异方式；得到变异协议消息，获得模糊测试序列，将所有测试序列作为模糊测试用例；S5：将生成的测试数据发送到被测设备，监控并记录被测设备响应报文；S6：根据被测系统是否异常或者系统响应报文推断协议状态，回溯调整可变异节点，动态调整后续输入消息；S7：重复步骤S4‑S6直到回溯过程结束。
-
公开(公告)号：CN116250849A
公开(公告)日：2023-06-13
申请号：CN202211559232.1
申请日：2022-12-06
Applicant: 重庆邮电大学
IPC: A61B5/372 , A61B5/00 , G06F18/2415 , G06N3/0464 , G06N3/048 , G06N3/047 , G06N3/08
Abstract: 本发明请求保护一种基于信息分离器和区域卷积网络的脑电信号识别方法，包括：采集脑电数据，并对脑电数据进行滤波、小波包分解和数据标准化等预处理；根据电极安装位置构建拓扑图，再将经过预处理的脑电数据嵌入图中；使用所构建的图创建信息分离器获取每个节点独立的源信息，然后使用聚焦区域特征并且关注的区域范围依次递增的区域卷积网络提取脑电信号特征，区域卷积网络包含三个卷积层，分别为提取节点自身特征的节点卷积层、提取以节点为中心的领域特征的领域卷积层和提取全局特征的全局卷积层；最后由全连接层完成分类识别。本发明可显著降低电极之间的信息冗余度并有效提高脑电信号的识别准确率。
-
公开(公告)号：CN114501458A
公开(公告)日：2022-05-13
申请号：CN202210116000.2
申请日：2022-01-27
Applicant: 重庆邮电大学
IPC: H04W12/126 , H04L9/40
Abstract: 本发明涉及一种基于扩展有限状态机的WIA‑PA协议模糊测试数据生成方法，属于工业无线协议漏洞挖掘领域，包括以下步骤：对WIA‑PA协议进行描述，构建协议的扩展有限状态机模型；转化为最简等价等效扩展有限状态机模型；分离出不等价的状态配置；构造WIA‑PA协议数据的协议树模型，对协议树剪枝；设计变异因子，选择初次变异方式；得到变异协议消息，获得模糊测试序列，将所有测试序列作为模糊测试用例；S5：将生成的测试数据发送到被测设备，监控并记录被测设备响应报文；S6：根据被测系统是否异常或者系统响应报文推断协议状态，回溯调整可变异节点，动态调整后续输入消息；S7：重复步骤S4‑S6直到回溯过程结束。
-
公开(公告)号：CN112580436B
公开(公告)日：2022-05-03
申请号：CN202011342014.3
申请日：2020-11-25
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于黎曼流形坐标对齐的脑电信号域适应方法，属于于迁移学习域适应方法，特别是脑机接口中跨会话、跨对象分类的数据对齐方法。包括以下步骤：首先对采集到的脑电数据进行去均值、滤波、归一化等预处理；然后使用协方差矩阵对其进行处理，将脑电数据转化为对称正定(SPD)矩阵；根据对称正定矩阵构建黎曼流形空间；接着，将流形空间中的脑电数据点映射到对应的切线空间中进行坐标对齐；最后，将对齐后的脑电数据点映射回黎曼流形空间，并进行矢量化处理。本发明能够减少脑机接口系统中不同受试者脑电信号之间的差异，使得不同对象间的数据分布趋于一致。
-
公开(公告)号：CN111489364A
公开(公告)日：2020-08-04
申请号：CN202010277654.4
申请日：2020-04-08
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于轻量级全卷积神经网络的医学图像分割方法。首先对数据集进行灰度化、归一化、对比度受限自适应直方图均衡(CLAHE)、伽马校正等预处理；然后，对训练集进行随机的提取patch和测试集顺序提取patch图以完成数据增强；接着，搭建由收缩路径(左侧)和扩张路径(右侧)组成的全卷积神经网络架构，针对图像数量较少的数据集设计留一法(leave-one-out)训练方法；最后，通过通道稀疏正则化训练、裁剪比例因子小于设定阈值的通道以及微调裁剪后的网络完成BN通道模型裁剪，得到轻量级全卷积神经网络，并将测试数据输入到该网络中快速测试完成图像分割。轻量级全卷积神经网络即保证了深度网络的高分割精度优势，又提高了图像分割网络的测试速度。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.022 seconds)
