-
公开(公告)号:CN118277917A
公开(公告)日:2024-07-02
申请号:CN202410405926.2
申请日:2024-04-06
申请人: 北京航空航天大学
IPC分类号: G06F18/2431 , G06F18/214 , G06F18/25 , G06F18/213 , G06F18/10 , G06F3/01 , G06F123/02
摘要: 本发明提供了一种基于时空动态聚合和频谱自适应滤波网络的运动想象脑电解码方法,其采用公开的运动想象数据集BCI IV 2b和HGD进行有效性验证,包括:首先对公开数据集预处理,并建立训练集和测试集;其次构建时空动态聚合和频谱自适应滤波网络模型结构;再将预处理后的训练集输入模型进行训练;最后将测试集输入训练好的模型中,测试模型性能。本发明的优点包括:设计时空特征动态图聚合模块,捕捉脑电时空信息间的动态关联,提升了模型分类精度;设计频谱自适应滤波模块,自适应提取脑电最具判别力频域特征,减少了模型冗余信息,增强了模型泛化性能。在BCI IV 2b和HGD上对本方法进行了有效性验证,平均识别准确率分别达到了85.92%和95.17%%,均优于现有最优方法。
-
公开(公告)号:CN117632086A
公开(公告)日:2024-03-01
申请号:CN202311459313.9
申请日:2023-11-03
申请人: 北京航空航天大学
摘要: 本发明提供了一种基于需求模型的微服务识别的方法,包括:以面向对象的用带有合约的需求模型为输入,自动提取系统软件的依赖关系图;根据依赖关系图对通过需求模型描述的系统软件的微服务进行识别,并生成每个微服务的交互接口后得到包含多个微服务架构的微服务架构群;微服务架构群中每个微服架构使用多目标遗传算法和多个优化目标进行迭代优化,直至得到最优的微服务架构。本发明的方法可以解决现有技术中通过架构师手动进行微服务识别导致的难确定是否要划分微服务、如何划分以及划分的粒度的问题,以及通过基于需求的微服务识别时会影响系统的准确性和完备性,导致微服务架构系统的可用性低等技术问题。
-
公开(公告)号:CN117370828A
公开(公告)日:2024-01-09
申请号:CN202311040020.7
申请日:2023-08-17
申请人: 北京航空航天大学 , 北京航天测控技术有限公司
IPC分类号: G06F18/24 , A61B5/16 , A61B5/369 , A61B3/113 , A61B5/00 , G06F18/25 , G06F18/214 , G06N3/0442 , G06N3/0464 , G06N3/084 , G06F18/21
摘要: 本发明提供了一种基于门控跨注意力机制的多模态特征融合情感识别方法。通过采集受试者多模态生理数据,分别设计针对脑电信号的时频域双分支动态图卷积特征提取网络,以及针对眼动信号的多维度特征编码网络;基于捕捉到的不同模态特征图,构建基于门控跨注意力机制的多模态特征融合模块;进一步训练模型,并测试其性能,验证方法有效性。本方法的优点包括:设计时频域双分支动态图卷积脑电信号特征提取网络,弥补了传统方法单域特征提取不充分的问题;引入门控跨注意力机制,实现了脑电特征与眼动特征的有效融合,提升了模型识别准确率。本发明采用公开的多模态情感识别数据集SEEDIV进行方法有效性验证,平均识别准确率达到了89.97%,优于现有最优方法。
-
公开(公告)号:CN117193537A
公开(公告)日:2023-12-08
申请号:CN202311236959.0
申请日:2023-09-23
申请人: 北京航空航天大学
IPC分类号: G06F3/01 , G06F18/214 , G06F18/213 , G06F18/241 , G06N3/0464 , G06N3/096 , G06N3/084
摘要: 本发明提供了一种基于自适应迁移学习的双分支卷积神经网络运动想象意图解码方法。采用公开的运动想象数据集BCIIV 2a和BCIIV 2b进行有效性验证:首先对公开数据集预处理,建立训练集和测试集;其次构建双分支卷积神经网络的模型结构;再将预处理后的训练集输入模型,采用自适应迁移学习方法训练模型;最后将测试集输入训练好的模型中,测试模型性能。本发明的优点包括:设计双分支卷积神经网络,深度挖掘源域和目标域的共有特征,提高了运动想象意图解码准确率;采用自适应迁移学习训练方法,通过制定个体化的迁移策略,增强了模型泛化性能。在BCIIV 2a和BCIIV 2b上对本方法进行了有效性验证,平均识别准确率分别达到了81.3%和85.6%,均优于现有最优方法。
-
公开(公告)号:CN117079328A
公开(公告)日:2023-11-17
申请号:CN202311049241.0
申请日:2023-08-20
申请人: 北京航空航天大学
IPC分类号: G06V40/16 , G06V10/52 , G06V10/764 , G06V10/774 , G06V10/82 , G06V10/80 , G06V10/25 , G06N3/045 , G06N3/0464 , G06N3/084
摘要: 本发明提供了一种基于多尺度特征交叉融合和对比分离多头注意力的面部表情识别方法。采用公开的面部表情数据集RAF‑DB进行有效性验证:首先建立训练集和测试集;其次将训练集进行数据增强,并设计多尺度特征交叉融合和对比分离多头注意力网络,将训练集输入模型中训练;最后将测试集输入训练好的网络中进行性能测试。本发明的主要创新点在于设计了基于奖惩机制的多尺度特征交叉融合模块,使模型学到了更丰富特征,同时提高了样本的可分离性;提出了分离多头注意力模块,从多个区域建模特征信息;设计了基于对比学习的注意力一致性平衡框架,计算注意力热图的一致性损失,提高了对潜知识的学习,模型在RAF‑DB数据集上的识别准确率为89.93%,优于现有最优方法。
-
公开(公告)号:CN113786204B
公开(公告)日:2023-10-03
申请号:CN202111029876.5
申请日:2021-09-03
申请人: 北京航空航天大学
摘要: 本发明提供了一种基于深度卷积注意力网络的癫痫颅内脑电信号预警方法,通过采集癫痫患者丘脑前核(Anterior Nucleus of the Thalamus,ANT)处的颅内脑电信号(Intracranial electroencephalography,iEEG)信号进行分析,提取并融合了颅内脑电信号的多尺度时序特征和多频谱特征,同时采取了注意力机制,关注癫痫发作期颅内脑电信号最显著特征,使得本网络的预警准确率有明显提高。在本发明的一个实施例中,在包含5名癫痫患者的颅内脑电信号数据集上进行验证,其中单个病人的平均癫痫预警准确率(Sensitivity,Sn)可达95.0%,每小时误报次率(False Predicting Rate,FPR)小于0.15,在预警效果和模型泛化能力上均优于现有的癫痫预警方法,实现了癫痫的准确快速预警,对临床癫痫疾病的诊断与神经调控具有重要意义。
-
公开(公告)号:CN116303713A
公开(公告)日:2023-06-23
申请号:CN202310161485.1
申请日:2023-02-24
IPC分类号: G06F16/25 , G06F16/21 , G06F16/23 , G06F16/27 , G06F16/906 , G06F16/9535 , G06Q50/02
摘要: 本发明涉及区块链领域,具体涉及一种基于区块链和基因组学的热带作物种质资源溯源方法。包括区块链管理模块、资源管理模块、文章管理模块和消息管理模块;所述区块链管理模块包括底层支撑层、服务管理层和应用层,所述底层支撑层包括合约层、激励层、共识层、网络层、数据层,所述服务管理层包括智能合约管理、安全管理、运营监控、查询引擎和访问控制的API,所述应用层包括种质资源监管方、种质资源服务方、种质资源服务方和种质资源需求方;所述资源管理模块包括集中架设和客户端,所述客户端包括热带作物种质资源统一监管平台、热带作物种质资源库和热带作物资源统一服务平台;结构简单,设计合理。
-
公开(公告)号:CN108509933B
公开(公告)日:2022-09-30
申请号:CN201810324132.8
申请日:2018-04-12
申请人: 北京航空航天大学
摘要: 本发明提出一种基于多小波基函数展开的锋电位时变格兰杰因果准确辨识方法,属于信号分析与处理技术领域。如图1所示,该方法首先使用AIC方法选择每个神经元对应的最佳记忆长度;接着,建立广义L‑V模型,使用多小波基函数方法对其进行展开,得到时不变参数模型;随后通过OFR算法对展开式模型进行稀疏,并估计稀疏模型参数,逆向重构广义L‑V模型中的时变核函数;最后,求解模型点过程对数似然值,计算最终对应神经元的时变格兰杰因果值。本发明提出方法与现有基于SSPPF的时变格兰杰估计方法相比,能够更好地追踪快速变化的因果关系,提高时变因果关系识别精度,为神经元锋电位时变功能连接辨识提供了理论计算框架及新的解决途径。
-
公开(公告)号:CN109598175B
公开(公告)日:2022-05-31
申请号:CN201710914104.7
申请日:2017-09-30
申请人: 北京航空航天大学
摘要: 本发明提出了一种基于多小波基函数和超正交前向回归的非平稳信号时频分析方法。该方法首先建立参数随时间变化的时变自回归模型,然后用基函数扩展法辨识模型参数,即将时变参数表示为一组多小波基函数的线性加权组合,时变模型转化为时不变模型辨识问题;接着,采用超正交前向回归方法辨识稀疏模型结构,排除模型冗余项,并估计稀疏模型参数,其中交互信息准则作为模型项选择标准;最后,利用所估计参数反向求解自回归模型时变参数,并根据时变参数估计值和功率谱密度公式计算信号的时频特征。与现有时频分析方法对比,本发明能同时获得较高的时间分辨率和频率分辨率,准确提取非平稳信号的时频分布特征,为非平稳信号的辨识分析提供了新的思路与计算框架。
-
公开(公告)号:CN110334573B
公开(公告)日:2022-04-29
申请号:CN201910281057.6
申请日:2019-04-09
申请人: 北京航空航天大学
摘要: 本发明提供了一种多维信息融合的步态数据采集方式,以及基于密集连接卷积神经网络的运动状态判别方法。在多维信息融合的步态数据采集过程中,同时测量实验对象在直行、左转、右转时左小腿(LS)、右小腿(RS)和腰上(L5)的加速度和角速度信息以及足底压力信息,可操作性强、复杂度低。本发明提出的针对原始步态序列的密集连接卷积神经网络不再需要特征提取,无需先验知识,同时配合特征选择,减少了所需的配套测量装备个数和特征数目,降低了网络模型的复杂度。且通过将中间部分卷积层的输入和输出特征图连接形成下一层的输入,使得本网络的准确率有明显提高。在上述自采数据集上测试单人多任务(直行、左转、右转)的运动状态判别(直行、左转、右转)准确率可达99.1%,和SVM的91.79%相比,准确率有所提高。
-
-
-
-
-
-
-
-
-