-
公开(公告)号：CN117493955A
公开(公告)日：2024-02-02
申请号：CN202311443623.1
申请日：2023-11-01
Applicant: 北京大学 , 北京大学重庆大数据研究院
IPC: G06F18/241 , A61B5/00 , A61B5/369 , A61B5/372 , G06F18/213 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种癫痫患者的脑电信号分类模型的训练方法，属于癫痫检测技术领域，解决了现有技术中跨病人脑电信号分类方法效率和准确率低的问题。方法包括：获取癫痫患者的脑电信号片段，根据脑电信号片段构建训练样本集；构建脑电信号分类模型，所述脑电信号分类模型包括带反馈连接的脉冲神经网络、脑电信号分类器和患者身份分类器；带反馈连接的脉冲神经网络用于提取脑电信号特征；脑电信号分类器用于根据脑电信号特征进行脑电信号分类；患者身份分类器用于根据脑电信号特征进行患者身份分类；基于训练样本集对脑电信号分类模型进行训练，得到训练好的癫痫患者的脑电信号分类模型。实现了快速对癫痫患者脑电信号进行准确分类的模型。
-
公开(公告)号：CN117435993A
公开(公告)日：2024-01-23
申请号：CN202311443629.9
申请日：2023-11-01
Applicant: 北京大学 , 北京大学重庆大数据研究院
IPC: G06F18/2415 , A61B5/369 , G06F18/213 , G06N3/0464 , G06N3/084 , G06N3/094
Abstract: 本发明涉及一种基于数据增强和对抗优化的跨病人癫痫脑电信号分类方法，属于癫痫检测技术领域，解决了现有技术中癫痫跨病人脑电信号分类方法准确率和效率低的问题。方法包括以下步骤：获取脑电信号片段，对其中的癫痫发作期脑电信号片段进行数据增强，基于数据增强后的脑电信号片段构建训练样本集；构建跨病人癫痫脑电信号分类模型，采用对抗优化策略基于所述训练样本集对所述跨病人癫痫脑电信号分类模型进行训练，得到训练好的跨病人癫痫脑电信号分类模型；将待分类脑电信号输入训练好的跨病人癫痫脑电信号分类模型得到待分类脑电信号的分类结果。实现了快速准确的跨病人癫痫患者脑电信号分类。
-
公开(公告)号：CN117435993B
公开(公告)日：2025-03-04
申请号：CN202311443629.9
申请日：2023-11-01
Applicant: 北京大学 , 北京大学重庆大数据研究院
IPC: G06F18/2415 , A61B5/369 , G06F18/213 , G06N3/0464 , G06N3/084 , G06N3/094
Abstract: 本发明涉及一种基于数据增强和对抗优化的跨病人癫痫脑电信号分类方法，属于癫痫检测技术领域，解决了现有技术中癫痫跨病人脑电信号分类方法准确率和效率低的问题。方法包括以下步骤：获取脑电信号片段，对其中的癫痫发作期脑电信号片段进行数据增强，基于数据增强后的脑电信号片段构建训练样本集；构建跨病人癫痫脑电信号分类模型，采用对抗优化策略基于所述训练样本集对所述跨病人癫痫脑电信号分类模型进行训练，得到训练好的跨病人癫痫脑电信号分类模型；将待分类脑电信号输入训练好的跨病人癫痫脑电信号分类模型得到待分类脑电信号的分类结果。实现了快速准确的跨病人癫痫患者脑电信号分类。
-
公开(公告)号：CN117493955B
公开(公告)日：2024-06-07
申请号：CN202311443623.1
申请日：2023-11-01
Applicant: 北京大学 , 北京大学重庆大数据研究院
IPC: G06F18/241 , A61B5/00 , A61B5/369 , A61B5/372 , G06F18/213 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种癫痫患者的脑电信号分类模型的训练方法，属于癫痫检测技术领域，解决了现有技术中跨病人脑电信号分类方法效率和准确率低的问题。方法包括：获取癫痫患者的脑电信号片段，根据脑电信号片段构建训练样本集；构建脑电信号分类模型，所述脑电信号分类模型包括带反馈连接的脉冲神经网络、脑电信号分类器和患者身份分类器；带反馈连接的脉冲神经网络用于提取脑电信号特征；脑电信号分类器用于根据脑电信号特征进行脑电信号分类；患者身份分类器用于根据脑电信号特征进行患者身份分类；基于训练样本集对脑电信号分类模型进行训练，得到训练好的癫痫患者的脑电信号分类模型。实现了快速对癫痫患者脑电信号进行准确分类的模型。
-
公开(公告)号：CN107437096A
公开(公告)日：2017-12-05
申请号：CN201710628311.6
申请日：2017-07-28
Applicant: 北京大学
IPC: G06K9/62
Abstract: 本发明公布了一种基于参数高效的深度残差网络模型的图像分类方法，根据网络的深度、宽度、多样性和基数，建立具有参数高效性的改进的网络模型，用于高效地进行图像分类识别；包括：将图像数据分为训练样本和测试样本；对训练样本图像进行预处理；构建具有参数高效性的深度残差网络模型，并进行模型训练：构建得到的网络模型包括深度金字塔残差网络模型、嵌套网络模型、三角形网络模型；将经过预处理的训练样本对网络模型分别进行训练，得到训练好的网络模型；对测试样本进行识别，分别得到预测的分类标签；由此实现图像分类识别。本发明建立具有参数高效性的改进深度残差网络结构模型具有参数高效性。
-
Patent Agency Ranking
公开(公告)号：CN102663424B
公开(公告)日：2013-11-06
申请号：CN201210086508.9
申请日：2012-03-28
Applicant: 北京大学
IPC: G06K9/62
Abstract: 本发明公布了一种基于全变差和欧拉弹性杆的有监督模式识别方法，首先在所述最小二乘正则化框架下构造出基于全变差和欧拉弹性杆的能量泛函；然后利用变分法将该能量泛函最小化问题转换为求解对应的欧拉-拉格朗日偏微分方程；对所述偏微分方程求解，进而得到最终的分类器；运用该分类器对数据进行模式识别。本发明对有监督模式识别问题提出了新的方法，可以应用于一般情况下的分类问题，例如手写体数字识别；在绝大多数数据集上，本发明提出的方法能达到与现有的流行方法相媲美的效果。
-
公开(公告)号：CN117257242B
公开(公告)日：2024-02-02
申请号：CN202311557824.4
申请日：2023-11-22
Applicant: 北京大学
Abstract: 本发明涉及一种癫痫分类方法和系统，属于癫痫分类技术领域，解决了现有技术中忽略个体差异分类准确性低的问题。方法包括：获取每个患者每次癫痫发作时的多通道脑电信号和对应的癫痫类型作为样本集；构建癫痫分类网络模型，基于样本集训练所述癫痫分类网络得到训练好的癫痫分类网络模型；所述癫痫分类网络模型包括：用于根据训练样本构建对应的图结构的自注意力层；用于基于训练样本和对应的图结构提取对应的深度特征的图神经网络模块；用于基于所述深度特征进行癫痫分类预测的读出层；将待识别的多通道脑电信号输入所述癫痫分类网络模型得到对应的癫痫类型。实现了更加精确的癫痫分类。
-
公开(公告)号：CN102609681B
公开(公告)日：2014-04-30
申请号：CN201210008299.6
申请日：2012-01-12
Applicant: 北京大学
Abstract: 一种基于字典学习模型的人脸识别方法。将训练和测试的人脸图像映射至低维空间，得到训练信号集矩阵；建立字典学习模型，包括不相关的字典学习模型IDL和无约束的不相关字典学习模型U-IDL；将训练信号集矩阵输入到IDL及U-IDL模型中并对模型进行求解，可获得不相关字典和线性分类器；对属于测试样本的每幅图片，基于上一步中得到的字典利用稀疏表达算法得到其相应的稀疏向量；将稀疏向量输入至线性分类器中，得到测试样本图片的类别标签，以类别标签表示的结果作为人脸识别的结果。本发明对稀疏表达中的字典学习问题提出了新的模型和方法，可以应用于一般情况下的模式识别和图像分类问题；特别是针对人脸识别应用，本发明提出的字典学习方法，能达到较高的人脸识别准确度。
-
公开(公告)号：CN117257242A
公开(公告)日：2023-12-22
申请号：CN202311557824.4
申请日：2023-11-22
Applicant: 北京大学
Abstract: 本发明涉及一种癫痫分类方法和系统，属于癫痫分类技术领域，解决了现有技术中忽略个体差异分类准确性低的问题。方法包括：获取每个患者每次癫痫发作时的多通道脑电信号和对应的癫痫类型作为样本集；构建癫痫分类网络模型，基于样本集训练所述癫痫分类网络得到训练好的癫痫分类网络模型；所述癫痫分类网络模型包括：用于根据训练样本构建对应的图结构的自注意力层；用于基于训练样本和对应的图结构提取对应的深度特征的图神经网络模块；用于基于所述深度特征进行癫痫分类预测的读出层；将待识别的多通道脑电信号输入所述癫痫分类网络模型得到对应的癫痫类型。实现了更加精确的癫痫分类。
-
公开(公告)号：CN104050483B
公开(公告)日：2017-05-03
申请号：CN201410290957.4
申请日：2014-06-25
Applicant: 北京大学
IPC: G06K9/62
Abstract: 一种基于局部正交对齐的降维方法，包括：输入初始高维数据矩阵，根据高维数据点之间的欧式距离，获取数据点的局部近邻关系；将局部高维数据进行低维表示；将低维坐标全局对齐；获取降维目标函数；将降维目标函数分解为半正定松弛部分和正交约束部分，并分别通过半正定松弛方法和强制正交化方法进行求解，最终得到降维后的结果。本发明所述的降维方法，能较好地保持原始数据的诸如数据点间距离，角度等几何信息，能对原数据做到极高的几何保真效果。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.046 seconds)
