-
公开(公告)号：CN116861245A
公开(公告)日：2023-10-10
申请号：CN202310864841.6
申请日：2023-07-14
Applicant: 中国科学院计算技术研究所
IPC: G06F18/214 , G06N3/0464 , G06F18/25 , G06F18/213 , G06F18/241
Abstract: 本发明提供了一种用于识别认知障碍等级的系统和方法，系统包括：数据获取模块，用于获取受试者进行预定的认知障碍测试时所采集的不同模态的行为数据和认知数据，两者分别为具有至少两种变量的时序数据，认知数据是基于多个脑区的脑电数据得到的；第一推断模块，用于在每种模态内根据各变量进行因果推断，得到第一因果关联图；第二推断模块，利用经训练的卷积自编码器中的编码器将所述认知数据映射为与所述行为数据的变量数据结构一致的脑区特征，并基于所述行为数据的变量和所述脑区特征进行跨模态的因果推断，得到跨模态的变量间的第二因果关联图；认知障碍识别模块，用于根据所述每种模态的第一因果关联图和第二因果关联图，确定认知障碍等级。
-
公开(公告)号：CN110517773B
公开(公告)日：2023-08-22
申请号：CN201910635805.6
申请日：2019-07-15
Applicant: 中国科学院计算技术研究所
Abstract: 本发明涉及一种测试装置、方法、存储介质和系统，该装置包括：一标签模块，包括至少一标签，该每一标签内设置一传感单元，该每一传感单元内置一第一维度信息；一感知模块，包括至少一感知单元，该每一感知单元内包括一感应接收子单元，该每一感应接收子单元用于接收和识别所述第一维度信息，并内置一第二维度信息；一计算模块，包括：一规则选择子模块，用于选择测试规则，并根据该测试规则随机生成一测试提示；一时钟子模块，用于记录每一测试操作时间以及每一测试规则时间；一测试评价子模块，用于获取测试信息，根据该测试信息生成测试结果；以及一显示模块，用于显示所述测试提示、所述测试结果。该装置具有很好的应用价值。
-
公开(公告)号：CN111046731B
公开(公告)日：2023-07-25
申请号：CN201911094608.4
申请日：2019-11-11
Applicant: 中国科学院计算技术研究所
Abstract: 一种基于表面肌电信号进行手势识别的迁移学习方法，该方法以下步骤：采集新用户不同手势的表面肌电信号；将有标注的已有用户的不同手势的表面肌电信号数据作为源域数据，无标注的新用户的不同手势的表面肌电信号数据作为目标域数据，对新用户的不同手势的表面肌电信号数据进行分类并将其划分为候选集和残余项；将所述候选集作为源域数据，所述残余项作为目标域数据，对残余项中新用户的不同手势的表面肌电信号数据进行再次分类。
-
公开(公告)号：CN115795347A
公开(公告)日：2023-03-14
申请号：CN202211554412.0
申请日：2022-12-06
Applicant: 中国科学院计算技术研究所
IPC: G06F18/24 , G06F18/214 , G06N3/08 , G06N3/0442 , G06N3/0464
Abstract: 本发明提供一种基于可穿戴设备数据的行为识别模型构建方法，所述方法包括如下步骤：S1、获取可穿戴设备的数据并进行预处理以获得训练集，所述训练集中包括已知行为类别中的部分行为类别，每个行为类别分别对应于一组行为属性，且每个行为类别包括多个带行为类别标签的样本；S2、采用所述训练集将基本行为识别模型训练至收敛，其中，所述基本行为识别模型包括特征提取网络、属性分支网络、特征分支网络以及分类器，且属性分支网络包括属性编码器和属性解码器、特征分支网络包括特征编码器和特征解码器；S3、以经步骤S2训练至收敛的基本行为识别模型中的特征提取网络、属性解码器、特征编码器、分类器构建行为识别模型。
-
公开(公告)号：CN113297485B
公开(公告)日：2023-01-24
申请号：CN202110562646.9
申请日：2021-05-24
Applicant: 中国科学院计算技术研究所
IPC: G06F16/9535 , G06N3/04 , G06N3/08
Abstract: 本发明实施例提供了一种生成跨模态的表示向量的方法以及跨模态推荐方法，本发明基于不同模态的条目用相应的信息提取方式从该条目中提取包括不同模态的共有内容对应的特征向量和当前模态的专属内容对应的特征向量的跨模态一致性标引，基于各条目的文本信息提取核心词集合，根据跨模态一致性标引生成包含多个条目和多个核心词对应的节点连接的跨模态内容图，并用跨模态内容图通过多模态图神经网络生成跨模态的表示向量，从而更精准地将跨模态的数据对应的特征映射到同一语义空间，有利于提高推荐系统的性能，提高用户体验。
-
Patent Agency Ranking
公开(公告)号：CN115471700A
公开(公告)日：2022-12-13
申请号：CN202211126235.6
申请日：2022-09-16
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06N3/04 , G06N3/08 , G06V10/77 , G06V10/774 , G06V10/82
Abstract: 本发明提供一种基于知识传输的图像分类模型训练方法，用于对预训练好的图像分类模型进行增量训练，其中，所述预训练好的图像分类模型包括特征提取网络和分类器，其特征在于，所述方法包括采用新的图像数据集对预训练好的图像分类模型按照如下方式进行增量训练：S1、对当前新的图像数据集进行增强处理；S2、利用上一次训练后的图像分类模型的参数初始化所述图像分类模型，并采用增强后的当前新的图像数据集将其训练至收敛，其中在训练过程中采用交叉熵损失、蒸馏损失以及知识传输损失更新模型参数。本发明能够实现模型特征空间的迁移，缓解增量训练过程中的灾难性遗忘问题。
-
公开(公告)号：CN115456201A
公开(公告)日：2022-12-09
申请号：CN202211188985.6
申请日：2022-09-28
Applicant: 中国科学院计算技术研究所
IPC: G06N20/00 , G06F21/62 , G06T7/00 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种面向联邦的联邦的模型训练方法，用于多个子联邦的子联邦模型训练，其中，每个子联邦是由同一组织的多个客户端构成的联邦，该方法包括：S1、在每个子联邦利用该子联邦的训练集在本地初始化训练其子联邦模型，其中，不同子联邦对应的子联邦模型的分类空间相同；S2、按照预定的传递顺序将前一个子联邦的子联邦模型传递给相邻的下一个子联邦，分别进行多轮联邦训练，得到含有公共知识的子联邦模型；S3、将含有公共知识的子联邦模型传递给每一个子联邦作为最终的教师模型，每个子联邦分别利用最终的教师模型的知识和本地的训练集训练其子联邦模型以得到每个子联邦最终的子联邦模型。
-
公开(公告)号：CN114041780A
公开(公告)日：2022-02-15
申请号：CN202111489019.3
申请日：2021-12-08
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种呼吸监测模型，包括处理总路和多个处理支路，每个处理支路和总路均包括卷积滤波器，每个卷积滤波器中包括用于对输入的数据进行滤波的多个卷积网络以及设置在相应卷积网络间的用于增强全局感受野的多头自注意力机制层，其中，呼吸监测模型被配置为：将基于惯性传感器数据得到的多模态数据中的各模态数据分别输入到对应的处理支路进行卷积滤波，得到各模态数据的滤波结果；以及将对各模态数据的滤波结果进行叠加得到的多模态呼吸特征输入到处理总路进行卷积滤波，得到关联性呼吸特征，基于关联性呼吸特征生成呼吸波形。本发明通过该模型生成呼吸波形，从而监测人体呼吸情况。
-
公开(公告)号：CN114027786A
公开(公告)日：2022-02-11
申请号：CN202110917103.4
申请日：2021-08-11
Applicant: 中国科学院计算技术研究所 , 鹏城实验室
Abstract: 本发明提出一种基于自监督式记忆网络的睡眠呼吸障碍检测方法和系统，利用自监督学习模块丰富正常数据并从正常数据中学习一种通用模式，还引入了一种自适应记忆融合网络，包括全局记忆模块、局部记忆模块和自适应融合模块，分别通过全局和局部记忆模块学习正常数据的共有特征和特有特征，最后采用自适应融合模块将共有特征和特有特征融合到最终的特征表示中，将其用于重构输入数据。本发明实现了无监督的端到端模型训练方法，即无需异常数据就能够完成训练。
-
公开(公告)号：CN110232119B
公开(公告)日：2021-11-09
申请号：CN201910381081.7
申请日：2019-05-08
Applicant: 中国科学院计算技术研究所
IPC: G06F16/335 , G06F16/33
Abstract: 本发明涉及一种基于元分析的通用智能度量模型构建方法，包括：获取多个智能度量的研究数据；确定筛选标准，以对该研究数据进行筛选得到分析数据，构建分析数据集；对该分析数据集进行元分析，获取关于该分析数据的时间权重、复杂度权重和回报权重；构建智能度量的回报模型和复杂度模型；以该时间权重、该复杂度权重、该回报权重、该回报模型和该复杂度模型构建通用智能度量模型。本发明有效的将人类、机器、企业、政府和机构等异质、异构的智能体的度量结合起来，并考虑智能度量的时间、复杂度和回报等因素之间的关系，利用已有的研究数据进行元分析得到各个因素在智能度量中的权重，以构建一个可量化的，准确度更高的通用智能度量模型。
-
-
-
-
-
-
-
-
-
Search Results
321
records
(took 0.05 seconds)
