-
公开(公告)号：CN118521876A
公开(公告)日：2024-08-20
申请号：CN202410978491.0
申请日：2024-07-22
申请人： 华侨大学 , 杭州电子科技大学 , 厦门亿联网络技术股份有限公司
IPC分类号： G06V10/98 , G06N3/045 , G06N3/0464 , G06V10/40 , G06V10/54 , G06V10/74 , G06V10/776 , G06V10/82 , G06V20/40
摘要： 本发明公开了一种基于相似性度量的沉浸式视频质量评价方法及装置，涉及视频处理领域，为了尽可能地解决视频中所存在的冗余信息问题，首先采用随机抽样的方式筛选视频帧；然后考虑到卷积神经网络能够很好地模拟人类视觉感知过程充分捕捉从低层次到高层次的视觉信息进而提取纹理和结构特征，采用预训练的ResNet50模型进行特征提取；并考虑到人类的视觉感知系统在观看视频时不仅会受视频内容的影响还会受到记忆时间的影响，利用一个受主观启发的时间池化策略得到纹理和深度视频的质量分数；最后根据人眼视觉的偏好对纹理和深度视频质量评分进行权重调整得到最终的沉浸式视频质量分数。本发明具有较好的沉浸式视频质量评价效果。
-
公开(公告)号：CN118521876B
公开(公告)日：2024-10-22
申请号：CN202410978491.0
申请日：2024-07-22
申请人： 华侨大学 , 杭州电子科技大学 , 厦门亿联网络技术股份有限公司
IPC分类号： G06V10/98 , G06N3/045 , G06N3/0464 , G06V10/40 , G06V10/54 , G06V10/74 , G06V10/776 , G06V10/82 , G06V20/40
摘要： 本发明公开了一种基于相似性度量的沉浸式视频质量评价方法及装置，涉及视频处理领域，为了尽可能地解决视频中所存在的冗余信息问题，首先采用随机抽样的方式筛选视频帧；然后考虑到卷积神经网络能够很好地模拟人类视觉感知过程充分捕捉从低层次到高层次的视觉信息进而提取纹理和结构特征，采用预训练的ResNet50模型进行特征提取；并考虑到人类的视觉感知系统在观看视频时不仅会受视频内容的影响还会受到记忆时间的影响，利用一个受主观启发的时间池化策略得到纹理和深度视频的质量分数；最后根据人眼视觉的偏好对纹理和深度视频质量评分进行权重调整得到最终的沉浸式视频质量分数。本发明具有较好的沉浸式视频质量评价效果。
-
公开(公告)号：CN117122336A
公开(公告)日：2023-11-28
申请号：CN202311165323.1
申请日：2023-09-11
申请人： 杭州电子科技大学
IPC分类号： A61B5/377 , A61B5/00 , G06F18/10 , G06F18/213 , G06F18/241
摘要： 本发明公开了基于多任务深度网络的睡眠中癫痫性电持续状态量化方法。首先对信号进行预处理操作。然后将预处理后的信号输入到共享特征提取网络进行特征提取，获得任务共享的特征。之后将任务共享特征分别输入到任务专用信号通道注意力模块，获得任务独立的自适应加权后的特征图。将癫痫样活动分割任务的特征图输入到癫痫样活动解码器，获得总的放电时间长度，并得到单个样本的棘慢波放电指数。将睡眠分期任务的特征图输入到睡眠分期分类器，得到每一个样本的睡眠阶段。最后将两者结合，实现儿童睡眠中癫痫性电持续活动识别与量化。本发明方法可以有效地对ESES综合征的睡眠中癫痫样活动进行识别与量化，并能可靠地进行睡眠分期。
-
公开(公告)号：CN115500827A
公开(公告)日：2022-12-23
申请号：CN202211162258.2
申请日：2022-09-23
申请人： 杭州电子科技大学
摘要： 本发明公开了一种基于脑电通道和频率权重重分配的注意力评估方法。本发明通过对多通道脑电信号的电极通道，以及各通道信号在脑电频率上的特征权重进行重分配；然后通过构建端到端的深度神经网络，实现自动获取最优的特征权重分布，从而构建快速有效的智能注意力状态评估。本发明包括如下步骤：步骤1：数据预处理；步骤2：时频图构建；步骤3：构建权重重分配网络分支；步骤4：构建端到端深度卷积神经网络；步骤5：深度神经网络训练与推理。本发明提出的方法可以快速、简单、精确的对注意状态进行评估，采用通道权重重分配方法，针对电极通道和频率进行权重重分配，对有意义的通道/频率赋予更大的权重，以此放大有效通道/频率。
-
公开(公告)号：CN111387974B
公开(公告)日：2022-12-02
申请号：CN202010105835.9
申请日：2020-02-19
申请人： 杭州电子科技大学
摘要： 本发明公开了一种基于深度自编码的脑电特征优化与癫痫发作检测方法。本发明步骤：步骤1：将原始脑电信号进行预处理，然后按顺序排列脑电信号的通道，以每4s的脑电图为一个数据样本，进行离散傅里叶变换，并获得样本的幅值谱，将样本的幅值谱整理成合适的特征矩阵；步骤2：设置卷积自编码器的网络结构；步骤3：通过步骤1中的数据训练卷积自编码器，再将数据输入训练好的卷积自编码器的编码器对特征矩阵进行降维，得到低维特征；步骤4：使用低维特征训练基于最近邻分类器的纠错输出编码模型；最后使用整个模型对新的脑电图进行癫痫发作检测，测试模型性能。本发明能滤除干扰特征，降低特征维数和模型学习复杂度，实现更有效的癫痫发作检测。
-
公开(公告)号：CN115345284A
公开(公告)日：2022-11-15
申请号：CN202211042453.1
申请日：2022-08-29
申请人： 杭州电子科技大学
摘要： 本发明公开了一种基于多通道矩阵随机自编码器的自动特征提取方法。本发明针对多通道矩阵数据(设大小为D1×D2×K，K是通道数，D1是行数即长度，D2是列数即宽度)，以矩阵形式分别获取各通道的隐藏层输出，并求和作为最终网络的隐藏层输出。然后根据隐藏层输出，分别重建各个通道的输入，在重建过程中学习到包含各个通道结构信息的特征表示，保留原始数据结构信息的同时也综合提取了所有通道的有效特征，实现了原始输入的极小化误差重建，使得能够高效的处理多种复杂高维多通道特征。
-
公开(公告)号：CN114677389A
公开(公告)日：2022-06-28
申请号：CN202210331876.9
申请日：2022-03-30
IPC分类号： G06T7/11 , G06T7/00 , G06V10/774 , G06V10/778 , G06V10/72 , G06V10/82 , G06N3/04 , G06N3/08 , G06K9/62 , A61B5/055
摘要： 本发明公开了一种深度半监督分割的儿童脑部MRI脱髓鞘病灶定位方法，首先进行数据集构建，然后构建分割模型，分割模型包括Student网络和Teacher网络两个部分；利用构建的数据集进行Student网络训练，并根据反向传播后的Student网络参数进行参数漂移得到Teacher网络参数；本发明方法针对性设计预处理方式，使得本发明对成像过程中可能出现的问题具有良好的补偿。利用图像增强、图像加噪声和半监督的方式，使得模型只需要少量的标注图像就能获得很好的分割性能，并对噪声和伪影获得良好的鲁棒性能，解决了标注过程存在的难度大、不准确、费时费力的问题。
-
公开(公告)号：CN114587381A
公开(公告)日：2022-06-07
申请号：CN202210246380.1
申请日：2022-03-14
申请人： 杭州电子科技大学
摘要： 本发明公开了基于多通道脑电智能筛选与加权样本生成的棘波检测方法，首先利用多种脑电波形特征基于阈值法对脑电各个通道数据进行样本筛选，最终通过数据分割得到多通道棘波候选样本；对所得多通道棘波候选样本进行数据分析，并基于最优通道进行多种权值计算，通过加权算法由多通道棘波候选样本生成单通道候选样本数据；最后利用单通道棘波分类算法完成对生成数据的分类检测。本发明不仅可以通过多通道数据的加权生成算法，提取各通道数据中有效信息，提高棘波识别性能，还提供了一种筛选多通道棘波候选样本的流程，为后续其他同类型算法建立数据集提供了一种标准。另外进一步分析加权数据生成时所用到的权值，还能够检测棘波产生具体的通道位置。
-
公开(公告)号：CN114081508A
公开(公告)日：2022-02-25
申请号：CN202111279893.4
申请日：2021-10-28
申请人： 杭州电子科技大学
摘要： 本发明公开了一种基于深度神经网络与CCA特征融合的棘波检测方法。首先对输入的原始单通道脑电信号进行预处理操作，分割后得到脑电信号片段；分别通过连续小波变换得到频谱图特征和平滑非线性能量滤波后的传统特征；通过DenseNet121深度神经网络对频谱图提取2维深度特征，使用方差过滤式方法筛选出4维的传统特征；使用典型相关分析并采取相加的融合策略，得到2维的融合特征；再通过随机森林算法构建单通道棘波和非棘波样本数据集的棘波检测模型；最后通过建立的棘波检测模型进行脑电棘波检测。本发明通过频谱图深度特征与传统特征的CCA特征融合，并结合随机森林分类算法，达到对棘波放电精准检测的效果，能够同时检测棘波以及其产生的位置信息。
-
公开(公告)号：CN113850192A
公开(公告)日：2021-12-28
申请号：CN202111129277.0
申请日：2021-09-26
申请人： 杭州电子科技大学
摘要： 本发明公开了一种基于EMD‑CSP脑电特征学习与智能融合的眨眼伪迹检测方法。本发明基于经验模态分解与共同空间模式算法脑电特征学习与智能融合的眨眼伪迹检测方法，结合支撑向量机分类模型能够达到精准的眨眼伪迹与非伪迹信号的精准检测。步骤2至4提取的特征包含了脑电信号的空间域、频域信息，而步骤5‑2到5‑11提取的特征则主要包含了脑电信号的时域、频域信息，而步骤5‑12至5‑15提取的特征则是为了保证多通道脑电信息的空间性以及完全性。本发明既可以克服临床脑电EEG信号多通道数据损坏问题，又可以解决现有模型缺乏空间滤波和频域信息且复杂度较高的问题，在此基础上实现眨眼伪迹的精准检测。
-
-
-
-
-
-
-
-
-
搜索结果
171 条记录 (耗时 0.061 秒)
