-
公开(公告)号：CN115804599B
公开(公告)日：2024-09-20
申请号：CN202211054620.4
申请日：2022-08-30
Applicant: 北京工业大学
Abstract: 本发明涉及一种基于EEG敏感导联的特征选择和特征融合方法，用于解决脑电信号处理过程中过多无用信号导致识别精度不高的问题。采集获取静息态EEG信号，预处理进行滤波、陷波、眼电和肌电的去除等。特征提取获得时域、频域和非线性特征，用皮尔逊相关系数去除相关系数大于0.8的冗余特征得到敏感特征。敏感导联的确定，计算每个导联处所有特征对应的accuracy值和方差检验的p值，当该特征对应的‑ln(p)>3，且0.6
-
公开(公告)号：CN110555479B
公开(公告)日：2023-05-16
申请号：CN201910836235.7
申请日：2019-09-05
Applicant: 北京工业大学
IPC: G06F18/213 , G06F18/25 , G06N3/048 , G06N3/084 , G06N3/0464
Abstract: 本发明公开了一种基于1DCNN与GRU融合的冷水机组故障特征学习与分类方法，解决了现有方法在耗时、难以处理海量数据等方面存在的不足。本发明首先对采集的不同工况下连续时间的故障序列信息进行预处理，构建样本集；其次采用降维算法对样本集进行初步特征提取；然后构建1DCNN‑GRU神经网络模型，训练时将训练样本同一时刻的故障特征作为网络模型一个时间步的输入，采用交叉熵损失函数，结合反向传播BP算法调整模型参数，利用Softmax回归作为分类算法，对网络模型参数进行迭代更新，完成模型的训练。该方法不仅能提取序列局部特征与序列间的动态信息，还能实现故障的实时分类诊断。
-
公开(公告)号：CN103077512B
公开(公告)日：2015-09-09
申请号：CN201210397276.9
申请日：2012-10-18
Applicant: 北京工业大学
IPC: G06T7/00
Abstract: 基于主成分析的数字图像的特征提取与匹配方法及装置，属于图像分析技术领域。所述的方法包括如下步骤：1）尺度空间极值点检测；2）定位极值点；3）极值点方向分配：4）PCA降维及图像特征描述子的生成；5）相似性度量的判定及特征匹配；所述的装置主要包括：数值预处理模块、特征点提取模块、特征点匹配模块。本发明比原有的SIFT特征提取与匹配算法具有更高的精确度与匹配速度，本发明可直接应用于基于内容的数字图像检索、基于内容的数字视频检索、数字图像融合、超分辨率图像重建等机器视觉领域。
-
公开(公告)号：CN104200437A
公开(公告)日：2014-12-10
申请号：CN201410448950.0
申请日：2014-09-04
Applicant: 北京工业大学
IPC: G06T5/00
Abstract: 本发明涉及一种图像去雾处理方法。针对雾霾天气时拍摄的城市街景/交通监控图像存在的清晰化低、图像中车辆和行人等目标物不易识别等问题，通过先对雾天图像实施整体增强，再提取图像高频信息以加强细节的方法得到最终去雾的清晰图像。所述方法包括：雾天图像采集，对所述雾天图像采用Retinex算法进行图像全局增强处理，对图像进行细节调整处理，图像统合。实验表明，采用本发明的Retinex+小波变换方法进行去雾处理，效果优于Retinex算法和Dark Channel算法。本发明不需要深度信息等辅助信息，不需3D建模等繁琐方法，可以简单快速地实现去雾处理，有较好的实时性。
-
公开(公告)号：CN103077512A
公开(公告)日：2013-05-01
申请号：CN201210397276.9
申请日：2012-10-18
Applicant: 北京工业大学
IPC: G06T7/00
Abstract: 基于主成分析的数字图像的特征提取与匹配方法及装置，属于图像分析技术领域。所述的方法包括如下步骤：1）尺度空间极值点检测；2）定位极值点；3）极值点方向分配：4）PCA降维及图像特征描述子的生成；5）相似性度量的判定及特征匹配；所述的装置主要包括：数值预处理模块、特征点提取模块、特征点匹配模块。本发明比原有的SIFT特征提取与匹配算法具有更高的精确度与匹配速度，本发明可直接应用于基于内容的数字图像检索、基于内容的数字视频检索、数字图像融合、超分辨率图像重建等机器视觉领域。
-
Patent Agency Ranking
公开(公告)号：CN113128384B
公开(公告)日：2024-04-05
申请号：CN202110376347.6
申请日：2021-04-01
Applicant: 北京工业大学
IPC: G06F18/241 , G06F18/213 , G06F18/10 , G06F18/27 , G06N3/0464 , G06N3/09 , G06N3/084 , G16H50/20 , A61B5/372
Abstract: 一种基于深度学习的脑卒中康复系统脑机接口软件关键技术方法属于深度学习技术领域。本发明通过在脑电信号特征提取和分类阶段，采用自回归模型和样本熵对其进行特征提取，并利用CNN算法对其进行分类，可以提高脑电信号分类的准确度，应用到脑卒中康复系统脑机接口软件后可以为实现脑卒中患者的康复治疗。
-
公开(公告)号：CN115607111A
公开(公告)日：2023-01-17
申请号：CN202211406085.4
申请日：2022-11-10
Applicant: 北京工业大学
Abstract: 一种基于ECG信号的精神状态预测方法涉及精神状态预测技术领域。所述方法包括采集待测用户的心电信号指标，用于解决目前生活压力下用户精神状态异常的问题。采集阶段利用可穿戴设备获取当前用户的心率信号，进行中值滤波去除噪音等干扰。利用AI算法分别对心电信号指标进行分析获得时域、频域和非线形特征，基于特征参数以及神经网络得到待测用户的综合放松指数，基于综合放松指数评估待测用户的精神状态，若综合放松指数越高，则待测用户的精神状态越好。本发明对心电信号进行特征提取与分析，去除冗余数据，选取最佳的输入特征，输入到本发明提出的CNN‑GRU‑ATTEN网络中进行分类和识别，构建更优化的算法模型。
-
公开(公告)号：CN113339204A
公开(公告)日：2021-09-03
申请号：CN202110488921.7
申请日：2021-05-01
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于混合神经网络的风力发电机故障识别方法，具体包括采集齿轮箱时域波形数据，建立原始样本数据，并为数据打标签；提取波形数据中振幅的最小值、振动速度和峭度指标作为特征；将提取的故障和正常特征值输入到混合网络1D‑CNN_Bi‑GRU中，混合网络串联了1D‑CNN和Bi‑GRU，首先利用1D‑CNN作为初级网络提取序列局部特征，然后将1D‑CNN的输出作为Bi‑GRU的输入，利用Bi‑GRU的特性，同时获得正向来自过去和反向的来自未来的累积依赖信息，进一步提取序列的长期依赖特征来进行故障诊断；保存模型，将待分析的数据输入到模型中，输出故障分类结果。
-
公开(公告)号：CN110555479A
公开(公告)日：2019-12-10
申请号：CN201910836235.7
申请日：2019-09-05
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于1DCNN与GRU融合的冷水机组故障特征学习与分类方法，解决了现有方法在耗时、难以处理海量数据等方面存在的不足。本发明首先对采集的不同工况下连续时间的故障序列信息进行预处理，构建样本集；其次采用降维算法对样本集进行初步特征提取；然后构建1DCNN-GRU神经网络模型，训练时将训练样本同一时刻的故障特征作为网络模型一个时间步的输入，采用交叉熵损失函数，结合反向传播BP算法调整模型参数，利用Softmax回归作为分类算法，对网络模型参数进行迭代更新，完成模型的训练。该方法不仅能提取序列局部特征与序列间的动态信息，还能实现故障的实时分类诊断。
-
公开(公告)号：CN109620223A
公开(公告)日：2019-04-16
申请号：CN201811492294.9
申请日：2018-12-07
Applicant: 北京工业大学
IPC: A61B5/0488
CPC classification number: A61B5/0488 , A61B5/725 , A61B5/7264
Abstract: 本发明公开一种基于生成对抗网络的脑卒中康复系统脑机接口关键技术方法，包括以下步骤：步骤1：脑电信号预处理，得到滤除噪声后的脑电信号；步骤2：改进后的OVR‑CSP算法可对滤除噪声后的多类运动想象EEG信号进行特征提取，得到每一类的运动想象脑电信号的特征，形成一维特征数据，同时将方差作为分类器的输入；步骤3：利用DCGANs网络模型，其中卷积神经网络加入到生成式模型进行二次特征提取并分类。采用本发明的技术方案，将卷积网络再引入到生成式模型当中来做无监督的训练来提高生成网络的学习效果，实现对患者运动想象脑电信号最终的精准分类，为量表评定病患康复程度提供客观的数据支撑。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.028 seconds)
