-
公开(公告)号：CN110327055A
公开(公告)日：2019-10-15
申请号：CN201910690101.9
申请日：2019-07-29
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于高阶谱和卷积神经网络的心冲击信号的分类方法，步骤为：S1、获取数据集训练样本；S2、采用切比雪夫和小波变换的滤波方法对步骤S1获得的数据集训练样本进行去噪预处理，得到纯净的心冲击信号；S3、对步骤S2得到的心冲击信号进行高阶谱特征分析，得到信号的幅值和相位的特征信息；S4、构建卷积神经网络模型，将步骤S3得到的特征信息，作为卷积神经网络模型的输入，得到分类结果。该方法利用高阶谱具有时移不变性、尺度变化性和相位保持性进行特征提取得到特征以保留更多的信号信息，还能够抑制高斯有色噪声，从而提升心冲击信号分类的性能；同时，该方法具有更好的泛化性能，并有效解决了高阶谱谱应用的二维模板匹配问题。
-
公开(公告)号：CN108445406A
公开(公告)日：2018-08-24
申请号：CN201810205365.6
申请日：2018-03-13
Applicant: 桂林电子科技大学
IPC: G01R31/36
Abstract: 本发明公开一种动力电池健康状态估计方法，由采集电池恒流充电的电池电压V、电流I、时间t求得充电容量Q、建立V-Q关系曲线、容量增量曲线峰值及峰值位置信息获取、RBF神经网络建立、粒子群算法训练RBF神经网络模型、利用已经生成的RBF神经网络估计电池健康状态几个步骤组成。本发明在不需要建立电动汽车动力电池等效电路的情况下，通过数据驱动的方式建立恒流充电的容量增量曲线峰值、峰值位置与电池健康状态的映射关系，提高估计精度，实现在线实时估计，可以实现电池组整体估计。
-
公开(公告)号：CN105675996B
公开(公告)日：2018-04-17
申请号：CN201610234571.0
申请日：2016-04-15
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种动力电池内阻在线监测系统与方法，由电源变换单元、信号产生单元、检测电路单元、信号采集单元和主控制单元组成。检测电路单元包括隔直模块、三项选择开关K、四线标准电阻r1、四线标准电阻r2和参考电阻r0。信号产生单元发出驱动信号，通过检测电路单元实现参考电阻r0的参考电压值U、四线标准电阻r1所对应的一个电压值U1、四线标准电阻r2所对应的一个电压值U2和待测四线夹具动力电池E所对应的一个电压值U3的检测并由信号采集单元感应到主控制单元中来实现动力电池内阻检测。本发明在不用采集交流信号的情况下可完成动力电池内阻的在线检测，对动力电池的损害小；测量电路可以消除接触电阻和导线电阻对测量结果的影响，性能可靠。
-
公开(公告)号：CN107485387A
公开(公告)日：2017-12-19
申请号：CN201710863101.5
申请日：2017-09-21
Applicant: 桂林电子科技大学
CPC classification number: A61B5/04 , A61B5/4854 , A61B5/4887 , A61B5/7267 , A61H39/002 , A61H2201/0184 , A61H2201/1635 , A61H2201/165 , A61H2201/50 , A61H2205/065 , A61N1/36014
Abstract: 本发明提供了一种穴位自动跟踪系统以及方法，该系统包括穴位采集装置以及服务器。所述穴位采集装置包括手环本体以及设置在所述手环本体上的加速传感器、电子针灸模块、经络信号采集模块、预处理模块、无线通信模块以及报警模块，所述预处理模块与所述加速传感器、所述经络信号采集模块、所述电子针灸模块、所述无线通信模块以及所述报警模块连接，所述穴位采集装置与所述服务器建立无线通信连接。该系统可以缓解目前用户只有在主动进行测量时，才能获取到自己的身体状况，且获取到的身体状况不能体现用户病情严重程度的问题。
-
公开(公告)号：CN106923840A
公开(公告)日：2017-07-07
申请号：CN201710228520.1
申请日：2017-04-10
Applicant: 桂林电子科技大学
IPC: A61B5/11
CPC classification number: A61B5/1102 , A61B5/6891 , A61B5/746
Abstract: 本发明提供了一种坐式生命体征检测装置及系统，属于医学设备领域。所述系统包括用户终端、云服务器和坐式生命体征检测装置，所述装置包括心冲击图采集模块、经络信号采集模块、信号处理模块、报警模块及LORA无线通信模块，云服务器从获取的所述处理后的心冲击图信号和经络信号中提取出信号特征，将信号特征与预先存储的表示身体状况的模型进行比对，以获取用户的生命体征检测结果，再将生命体征检测结果生成对应的报警信号发送给报警模块，报警模块再根据云服务器发送的报警信号进行报警，从而可以快速检测出用户的身体状况并且及时让用户知晓危险情况，并且用户可在用户终端上实时查看和了解自身的身体状况，以避免不幸的事情发生。
-
Patent Agency Ranking
公开(公告)号：CN119540553A
公开(公告)日：2025-02-28
申请号：CN202411584340.3
申请日：2024-11-07
Applicant: 桂林电子科技大学
IPC: G06V10/26 , G06V10/20 , G06V10/30 , G06V10/44 , G06V10/52 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开了一种基于WKA‑Unet的MRI图像分割方法，包括如下步骤：1）数据预处理；2）构建WKA‑Unet网络；3）测试。本技术方案以U‑Net网络结构为基础，改进MRI图像分割模型；将传统Unet网络与自设计的WKA模块结合，利用小波变换卷积以及KAN卷积充分捕捉多尺度特征，缓解传统Unet全局信息的丢失；引入注意力机制关注关键部位，去除冗余信息；从而更灵活、准确地训练网络，获得更加精准的分割结果，本技术方案分割精度高，模型结构高效稳定。
-
公开(公告)号：CN114387264B
公开(公告)日：2023-04-18
申请号：CN202210054661.7
申请日：2022-01-18
Applicant: 桂林电子科技大学
IPC: G06T7/00 , G06T5/00 , G06N20/00 , G06V10/774
Abstract: 本发明属于医学图像技术领域，具体涉及一种HE染色病理图像数据扩充与增强的方法；所述方法包括模型训练和模型推理两个阶段：在模型训练阶段，对病理图像数据集进行划分，得到训练集、验证集及测试集；构建基于生成对抗网络的深度学习模型；将上述训练集和验证集送入网络模型进行训练，获得网络模型参数；网络模型训练完成后，对源病理图像数据集以外的随机生成图像进行推理，获得合成的病理图像分割掩码和病理图像。本方法通过构建用于病理图像数据扩充的模型，合成更多符合该数据特征分布的病理图像及其对应的分割掩码，从而扩充原本有限数量的病理图像数据集，可有效帮助现有病理图像分割方法提升分割性能。
-
-
公开(公告)号：CN112215226B
公开(公告)日：2022-06-07
申请号：CN202011184567.0
申请日：2020-10-30
Applicant: 桂林电子科技大学
IPC: G06V20/62 , G06K9/62 , G06N3/04 , G06T7/11 , G06V10/26 , G06V10/774 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种基于改进EAST算法的栅格地质图文本检测方法，该方法采用多尺度对象分割算法进行图像背景和图像文本的分割，同时结合按比例尺方法切割训练样本，然后运用focal‑loss函数改进模型损失函数，最后采用难、易检测文本目标权重动态调整策略来改进文本目标漏检的问题。实验验证了该算法具有检测准确率较高、对不同的地质图像的适应力较强的优点。能够有效降低地质图像文本检测的漏检率，具有一定的工程应用价值。实验结果表明，对多比例尺栅格地质图像进行文本检测，采用改进后EAST算法准确率相对改进前提高了5.1%，可更加快速、准确的检索到相关地质图像文字。
-
公开(公告)号：CN114387264A
公开(公告)日：2022-04-22
申请号：CN202210054661.7
申请日：2022-01-18
Applicant: 桂林电子科技大学
IPC: G06T7/00 , G06T5/00 , G06K9/62 , G06N20/00 , G06V10/774
Abstract: 本发明属于医学图像技术领域，具体涉及一种HE染色病理图像数据扩充与增强的方法；所述方法包括模型训练和模型推理两个阶段：在模型训练阶段，对病理图像数据集进行划分，得到训练集、验证集及测试集；构建基于生成对抗网络的深度学习模型；将上述训练集和验证集送入网络模型进行训练，获得网络模型参数；网络模型训练完成后，对源病理图像数据集以外的随机生成图像进行推理，获得合成的病理图像分割掩码和病理图像。本方法通过构建用于病理图像数据扩充的模型，合成更多符合该数据特征分布的病理图像及其对应的分割掩码，从而扩充原本有限数量的病理图像数据集，可有效帮助现有病理图像分割方法提升分割性能。
-
-
-
-
-
-
-
-
-
Search Results
60
records
(took 0.02 seconds)
