-
公开(公告)号：CN116596036A
公开(公告)日：2023-08-15
申请号：CN202310525734.0
申请日：2023-05-11
Applicant: 杭州电子科技大学
IPC: G06N3/0464 , G06N3/08 , G06F18/10 , G06F18/2134 , G06F18/2411 , G06F18/214 , A61B5/369 , A61B5/374 , A61B5/00
Abstract: 本发明公开了一种基于频率带组合增强和多视野卷积神经网络的解码方法，包括如下步骤：S1、通过运动想象，采集人体的脑电信号；S2、对步骤S1中采集的脑电信号进行预处理；S3、构建频率带组合增强和多视野卷积神经网络；S3‑1、构建频率带组合增强模块FBC(·)、构建多视野卷积模块FMV(·)、1D‑CNN构建；S3‑2、将构建的频率带组合增强模块FBC(·)、多视野卷积模块FMV(·)和1D‑CNN按顺序组合成基于频率带组合增强和多视野卷积神经网络FFBC_MV_CNN(·)；S4、利用步骤S2中得到预处理后的脑电信号训练频率带组合增强和多视野卷积神经网络，该方法在运动想象脑电信号(MI‑EEG)在脑‑机接口(BCI)研究中能够进行有效解码，从而有效提高了预测正确率。
-
公开(公告)号：CN109657858B
公开(公告)日：2023-06-23
申请号：CN201811541675.1
申请日：2018-12-17
Applicant: 杭州电子科技大学
IPC: G06Q10/04 , G06Q10/0637 , G06Q50/26 , G06N20/00
Abstract: 本发明公开了一种基于不平衡修正半监督学习的道边空气污染预测方法。本发明包括以下步骤：（1）获取道边空气监测站点的历史污染物数据。(2)对历史污染物数据进行预处理，并且划分为训练集和测试集。(3)采用带多数类权重的少数类过采样技术对训练集中的有标记污染物数据进行不平衡修正。(4)将经过不平衡修正的有标记污染物数据和无标记污染物数据作为输入，训练半监督超限学习机模型。(5)将测试集数据输入到道边空气污染预测模型中，即可得到预测结果。本发明基于类别不平衡数据处理算法和半监督学习技术，考虑了污染物数据的不平衡性、缺少标记这一特性，提高了道边监测站点空气污染预测精度。
-
公开(公告)号：CN111708978B
公开(公告)日：2023-05-02
申请号：CN202010727716.7
申请日：2020-07-23
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种多尺度时频肌间耦合分析方法。本发明首先进行多通道表面肌电信号同步采集并进行预处理；并对预处理后的数据进行噪声辅助的多元经验模态分解，得到有用的IMF尺度分量。其次对IMF尺度分量进行同步提取变换；具体为：对每个IMF尺度分量进行短时傅里叶变换，再乘以一个相位因子后进行同步压缩变换。然后计算时频互信息、时频归一化互信息和时频条件互信息；最后将上述计算结果进行多尺度时频肌间耦合统计分析。本发明为定量研究脑卒中患者上肢康复运动过程中不同时频尺度下的肌间非线性耦合强度特性提供了一种新方法。
-
公开(公告)号：CN115545023A
公开(公告)日：2022-12-30
申请号：CN202211225982.5
申请日：2022-10-09
Applicant: 杭州电子科技大学
IPC: G06F40/284 , G06F40/242 , G06N3/04
Abstract: 本发明提供了一种面向医疗会诊场景对话分析的多信息融合词向量生成方法，包含以下步骤：1、对原始数据预处理建立原始语料库；2、利用新词典对原始语料库进行分词处理，得到单词词性序列、字符词性序列；3、对于单词词性序列和字符词性序列使用one‑hot编码为50维的词性向量进行编码得到单词词性向量序列和字符词性向量序列；4、引入一位置加权向量；5、融合单词词性向量序列和字符词性向量序列，得到字词融合向量；6、对于给定句子，预测的目标词的融合向量；7、利用霍夫曼树进行梯度上升迭代至梯度收敛，从而得到多信息融合的词向量。
-
公开(公告)号：CN109636045B
公开(公告)日：2022-12-16
申请号：CN201811541299.6
申请日：2018-12-17
Applicant: 杭州电子科技大学
Abstract: 本发明中涉及到一种基于智能算法的机动车拦截路径规划方法。本发明将城市路网的拓扑结构和车辆运动轨迹抽象成多为矩阵，以所有车辆为核心在矩阵中形成泰森多边形，计算目标车辆所在泰森多边形区域内的目标可到达路径总长，以目标车辆的预测路径为终点，用智能算法求在拦截车辆运动过程中使目标车辆泰森多边形区域内路径最短的路口位置，连接这些路口位置便得到最优拦截路径。本发明需要路网及车辆的轨迹信息，路网信息可直接通过地图获得，轨迹信息需要依靠城市路口监控，方法通过结合常用的路径寻优算法及简化面积计算的图形方法，为城市环境下的车辆拦截问题提供了新思路。
-
Patent Agency Ranking
公开(公告)号：CN114469641A
公开(公告)日：2022-05-13
申请号：CN202111665127.1
申请日：2021-12-31
Applicant: 杭州电子科技大学
Abstract: 本发明提出了一种基于肌电识别的功能性电刺激脑卒中运动障碍镜像训练方法，具体为：受试者患侧固定于外骨骼机器人上，可通过外骨骼机器人带动患侧手臂完成相应动作。健侧手臂放置肌电采集装置。训练时，受试者想象双手同时做同一动作，且健侧手臂实际完成此动作。通过采集健侧的表面肌电信号，识别出相应手势动作，由外骨骼机器人带动患侧进行相应的手势动作。同时，对患侧相应动作的肌肉施加功能性电刺激。通过选取受试者进行实验，采集此方法训练前后的脑电数据，与传统镜像训练前后脑电数据，计算评估指标E进行对比分析，得出此方法的效果相比于传统方法效果更佳。
-
公开(公告)号：CN114259242A
公开(公告)日：2022-04-01
申请号：CN202111611263.2
申请日：2021-12-27
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于多时间尺度传递谱熵的功能性皮质肌肉耦合分析方法。首先，在实验过程中采集受试者的脑电信号和上肢相关肌肉的肌电信号。然后对脑电信号和肌电信号去除伪影，去噪，滤波处理。计算处理后的脑电信号和肌电信号之间的多时间尺度传递谱熵以及尺度为s时，特定频段内的显著性面积值。然后分析双侧运动区的脑电信号与指浅屈肌的肌电信号之间的功能性皮质肌肉耦合。本发明的多时间尺度传递谱熵不仅抑制了虚假耦合，而且还描述了局部频段内的信息传递。此外，多时间尺度传递谱熵为研究功能性皮质肌肉耦合的多尺度特性提供了新的视角，而且可以更好的分析功能性皮质肌肉耦合的耦合强度、信息流、局部频带等特性。
-
公开(公告)号：CN114052751A
公开(公告)日：2022-02-18
申请号：CN202111579894.0
申请日：2021-12-22
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于脑肌电的运动功能皮层肌肉耦合方法。本发明首先，通过传递熵计算脑电与肌电两两通道之间的耦合值，构建传递熵连接矩阵；其次将传递熵矩阵的每个边作为一个特征，设置标签，构建成数据集D；然后通过Relief‑F算法对数据集D进行特征提取，同时将提取的特征可视化，分析每个动作之间皮层与肌肉耦合差异；将选择的特征整合成一个新的数据集D1，输入SVM和LR分类器进行动作识别对提取特征的有效性进行验证。
-
公开(公告)号：CN113974652A
公开(公告)日：2022-01-28
申请号：CN202111247517.7
申请日：2021-10-26
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于皮层肌肉功能网络模型的肌肉控制精准度确定方法。本发明首先获取待测人员四个表面肌电信号和脑电信号。通过能量阈值法确定动作的起始位置和终止位置作为动作肌电信号。然后，用小波分析法对原始表面肌电信号与脑电进行多尺度分解，去除信号的噪声，再使用ICA独立分量分析方法去除脑电信号的伪影。最后使用传递熵计算不同肌肉与电极之间的传递熵，并构建邻接矩阵。将邻接矩阵二值化后构建有向皮层肌肉功能网络，使用网络的分析法对皮层与肌肉在运动时的状态进行分析。本发明体现了脑电信号与肌电信号之间的信息流动关系，将大脑皮层与肌肉整合为一个网络进行深度分析，从整体上对皮层与肌肉的关系进行了更深层次的解析。
-
公开(公告)号：CN113558639A
公开(公告)日：2021-10-29
申请号：CN202110758891.7
申请日：2021-07-05
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于格兰杰因果关系和图论的运动意图脑肌网络构建方法。本发明首先同步采集到两种不同运动模式下的脑电和肌电信号，对信号进行预处理、分频段，选择与运动区域相关的部分电极进行分析，计算两种运动模式不同频段的脑电信号的功率谱密度，再构建自回归模型计算脑电或肌电信号之间的格兰杰因果关系，分析两种不同运动模式下，脑电信号和肌电信号之间的耦合强度，然后根据得到的信号之间的格兰杰因果关系构建脑肌网络，并利用图论的方法计算其网络特征参数，评估主动训练和被动训练的康复效果。本发明发明拓展了评估方法，有助于理解内在的机制，构建脑肌网络，可以研究大脑和肌肉之间的信息流动。
-
-
-
-
-
-
-
-
-
Search Results
204
records
(took 0.032 seconds)
