-
公开(公告)号：CN119132557B
公开(公告)日：2025-03-14
申请号：CN202311536439.1
申请日：2023-11-17
Applicant: 东北电力大学
IPC: G16H50/20 , G16H50/70 , G16B20/20 , G16B40/00 , G06T7/00 , G06V10/764 , G06V10/80 , G06V10/82 , G06F18/2415 , G06F18/2431 , G06F18/25 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于多模态数据的阿尔兹海默病诊断方法与相关性分析，属于阿尔兹海默病诊断技术领域，步骤包括，选取两种模态的阿尔兹海默症数据集；对MPI数据预处理；对SNP数据预处理；构建处理MPI数据和SNP数据的模型，还公开了基于多模态数据阿尔兹海默病诊断方法的相关性分析。本发明采用一种基于多模态数据的阿尔兹海默病诊断方法与相关性分析，二维MRI切片、形态学特征和单核苷酸多态性相结合，建立成像数据和遗传数据的联系，提高了诊断阿尔兹海默并的敏感性和准确性。
-
公开(公告)号：CN119157540A
公开(公告)日：2024-12-20
申请号：CN202311748093.1
申请日：2023-12-19
Applicant: 东北电力大学
Abstract: 本发明公开了一种基于多生理信号的电力作业人员疲劳状态检测方法。属于电力防护技术领域，步骤包括，基于CNN网络模型脑电信号和眼电信号疲劳特征；将提取到的脑电信号和眼电信号的特征输入Transformer模型，对生理信号疲劳特征进行融合。本发明采用上述的一种基于多生理信号的电力作业人员疲劳状态检测方法，提高了特征提取的准确性和有效性，弥补传统深度学习在疲劳检测方面的不足。
-
公开(公告)号：CN119279611A
公开(公告)日：2025-01-10
申请号：CN202311536434.9
申请日：2023-11-17
Applicant: 东北电力大学
IPC: A61B5/372 , A61B5/16 , G06F18/213 , G06F18/2131 , G06F18/25 , G06F18/241 , G06F18/10 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于EEG时空频特征融合的情感识别方法，包括：S1、对原始脑电信号进行了一系列预处理步骤，包括基线校正、标准化以及添加时间窗；S2、对上述S1处理过的脑电信号进行形式转换，以获得脑电信号的空间信息和时频信息；S3、进行多方面的特征提取；S4、融合所提取的情感特征，并进行多特征情感识别；S5、使用添加通道注意力机制的BILSTM进一步提取脑电信号的时间特征并进行特征的深度融合；S6、获取情感分类结果。本发明采用上述的一种基于EEG时空频特征融合的情感识别方法，充分考虑脑电信号的时频空三个维度的特征信息，在唤醒和效价维度上实现了最高的识别准确率，提高了情感识别准确性和鲁棒性，验证了本方法的有效性。
-
公开(公告)号：CN118680582B
公开(公告)日：2024-11-15
申请号：CN202411194588.9
申请日：2024-08-29
Applicant: 东北电力大学
IPC: A61B5/374 , A61B5/00 , G16H50/20 , G16H50/70 , G06F18/2433 , G06F18/15 , G06F18/2131 , G06F18/25 , G06N3/0464 , G06N3/045 , G06N3/0475 , G06N3/094 , G06N3/088 , G06N3/048
Abstract: 本发明涉及癫痫诊断技术领域，具体公开了一种基于脑电信号多域特征的癫痫发病预测诊断方法，包括生成对抗网络以无监督的方式进行训练，然后将训练后的鉴别器用作特征提取器，特征提取器生成的特征由两个全连接层对标记的EEG信号进行预测，Liu等人提出了一个多视图卷积神经网络框架，目的是获得时域和频域特征的共享表示，以此来预测癫痫发作，然后，我们使用1D‑CNN从EEG信号中提取额外特征，并使用这两个特征来估计癫痫发作事件的概率，本发明通过胶囊网络的向量化表示和动态路由机制使其对复杂和微妙的变化更敏感，不仅关注特征的存在与否，能够关注特征之间的相对位置和姿态变化，更好的捕捉时频图中的空间和层次关系，提高癫痫发作预测的准确率。
-
公开(公告)号：CN118490232A
公开(公告)日：2024-08-16
申请号：CN202410954182.X
申请日：2024-07-17
Applicant: 东北电力大学
IPC: A61B5/16 , A61B5/374 , A61B5/00 , G06F18/241 , G06F18/25 , G06F18/21 , G06N3/0464
Abstract: 本发明涉及抑郁症治疗技术领域，具体公开了一种基于多频域分解的脑电抑郁症诊断方法，包括通道特征提取模块，首先对EEG信号进行带通滤波，将其分为δ(1—4Hz)、θ(4—8Hz)、α(8—12Hz)、β(12—30Hz）和γ(30—50Hz）多个频段，通过通道选择策略选出每个频段的最优通道，以提取关键的时空特征，将空频特征融合在一起，构建一个分类模型实现高效抑郁症识别，本方案设计了时间趋势感知注意力机制，通过为每个节点提取局部的上下文信息，从而使每个节点拥有感知上下文环境的能力，然后通过局部趋势－局部趋势（trend‑wise）的形式来构建注意力矩阵，相比传统的注意机制，所提出的趋势感知注意力机制有助于更准确的分类，并且稳定性更强。
-
Patent Agency Ranking
公开(公告)号：CN118319330B
公开(公告)日：2024-08-06
申请号：CN202410766878.X
申请日：2024-06-14
Applicant: 东北电力大学
Abstract: 本发明涉及抑郁症治疗技术领域，具体公开了一种用于诊断抑郁症的脑电波分析方法，包括S1：将预处理后的脑电信号分成Delta、Theta、Alpha、Beta、Gamma五个不同的频段，在每个频段上选择出抑郁症诊断脑电通道；S2：进行通道排序；S3：特征提取，得到通道数和通道组合；S4：通过频域分析提取不同频段的特征，利用空域分析评估特征在不同脑区的空间分布，并将每个频段的空间和频域特征结合，选择前K个通道的脑电数据进行PSD特征提取，本方案该方法结合频域和空域特征，通过频域分析提取不同频段的特征（δ波、θ波、α波、β波、γ波），并结合空域分析评估这些特征在不同脑区的空间分布，实现对抑郁症的有效诊断。
-
公开(公告)号：CN118319330A
公开(公告)日：2024-07-12
申请号：CN202410766878.X
申请日：2024-06-14
Applicant: 东北电力大学
Abstract: 本发明涉及抑郁症治疗技术领域，具体公开了一种用于诊断抑郁症的脑电波分析方法，包括S1：将预处理后的脑电信号分成Delta、Theta、Alpha、Beta、Gamma五个不同的频段，在每个频段上选择出抑郁症诊断脑电通道；S2：进行通道排序；S3：特征提取，得到通道数和通道组合；S4：通过频域分析提取不同频段的特征，利用空域分析评估特征在不同脑区的空间分布，并将每个频段的空间和频域特征结合，选择前K个通道的脑电数据进行PSD特征提取，本方案该方法结合频域和空域特征，通过频域分析提取不同频段的特征（δ波、θ波、α波、β波、γ波），并结合空域分析评估这些特征在不同脑区的空间分布，实现对抑郁症的有效诊断。
-
公开(公告)号：CN118352082B
公开(公告)日：2024-11-12
申请号：CN202410509044.0
申请日：2024-04-26
Applicant: 东北电力大学
IPC: G16H50/30 , G16H50/70 , G16B30/00 , G16B40/00 , G06F18/213 , G06F18/25 , G06F18/2415
Abstract: 本发明公开了一种基因序列和大脑灰质特征的阿尔茨海默病预测方法，涉及计算机科学技术领域，包括预测框架，所述预测框架由多模态特征提取网络、特征融合模块与预测输出层组成；所述多模态特征提取网络包含三个可变参数的隐藏层，能根据输入数据的特点动态调整神经元数量及网络参数，所述特征融合模块通过跨模态注意力机制捕捉对形态学特征、sMRI和SNPs之间的交互作用，实现特征的融合，此基因序列和大脑灰质特征的阿尔茨海默病预测方法，通过该方法，同时考虑形态学特征、sMRI和SNPs多种模态的数据，该方法能够捕捉到更为全面和丰富的信息，从而提高情感识别的准确性和可靠性，多模态数据的融合有助于捕捉不同数据之间的互补性，使得识别结果更加精确。
-
公开(公告)号：CN118680582A
公开(公告)日：2024-09-24
申请号：CN202411194588.9
申请日：2024-08-29
Applicant: 东北电力大学
IPC: A61B5/374 , A61B5/00 , G16H50/20 , G16H50/70 , G06F18/2433 , G06F18/15 , G06F18/2131 , G06F18/25 , G06N3/0464 , G06N3/045 , G06N3/0475 , G06N3/094 , G06N3/088 , G06N3/048
Abstract: 本发明涉及癫痫诊断技术领域，具体公开了一种基于脑电信号多域特征的癫痫发病预测诊断方法，包括生成对抗网络以无监督的方式进行训练，然后将训练后的鉴别器用作特征提取器，特征提取器生成的特征由两个全连接层对标记的EEG信号进行预测，Liu等人提出了一个多视图卷积神经网络框架，目的是获得时域和频域特征的共享表示，以此来预测癫痫发作，然后，我们使用1D‑CNN从EEG信号中提取额外特征，并使用这两个特征来估计癫痫发作事件的概率，本发明通过胶囊网络的向量化表示和动态路由机制使其对复杂和微妙的变化更敏感，不仅关注特征的存在与否，能够关注特征之间的相对位置和姿态变化，更好的捕捉时频图中的空间和层次关系，提高癫痫发作预测的准确率。
-
公开(公告)号：CN118490232B
公开(公告)日：2024-09-10
申请号：CN202410954182.X
申请日：2024-07-17
Applicant: 东北电力大学
IPC: A61B5/16 , A61B5/374 , A61B5/00 , G06F18/241 , G06F18/25 , G06F18/21 , G06N3/0464
Abstract: 本发明涉及抑郁症治疗技术领域，具体公开了一种基于多频域分解的脑电抑郁症诊断方法，包括通道特征提取模块，首先对EEG信号进行带通滤波，将其分为δ(1—4Hz)、θ(4—8Hz)、α(8—12Hz)、β(12—30Hz）和γ(30—50Hz）多个频段，通过通道选择策略选出每个频段的最优通道，以提取关键的时空特征，将空频特征融合在一起，构建一个分类模型实现高效抑郁症识别，本方案设计了时间趋势感知注意力机制，通过为每个节点提取局部的上下文信息，从而使每个节点拥有感知上下文环境的能力，然后通过局部趋势－局部趋势（trend‑wise）的形式来构建注意力矩阵，相比传统的注意机制，所提出的趋势感知注意力机制有助于更准确的分类，并且稳定性更强。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.028 seconds)
