-
公开(公告)号：CN116382477A
公开(公告)日：2023-07-04
申请号：CN202310330742.X
申请日：2023-03-30
Applicant: 常州大学
IPC: G06F3/01 , G06N3/08 , G06N3/0464 , B25J9/16
Abstract: 本发明涉及AR‑脑控技术领域，尤其涉及一种用于作业机器人的AR‑脑控识别方法及系统，包括构建被检测目标数据集，并对被检测目标进行标注；通过改进YOLOv5s模型对被检测目标进行识别，得到被检测目标的检测框的类别概率、得分和检测框位置；对检测框进行不同颜色、粗细和不同频率设置，通过不同频率形成视觉刺激范式。本发明利用YOLOV5s目标检测方法降低计算复杂度和空间复杂度，提高作业机器人的响应速度；同时利用OpenCV函数将目标检测矩形框进行不同频率闪烁，从而形成视觉刺激范式。
-
公开(公告)号：CN113288171A
公开(公告)日：2021-08-24
申请号：CN202110551977.2
申请日：2021-05-20
Applicant: 常州大学
Abstract: 本发明公开一种基于脑电特征的ADHD儿童认知功能监测系统，包括：认知功能测试任务呈现设备，用于诱发认知相关的神经电活动；脑电采集设备，用于获取脑电数据；数据存储和分析服务器，用于对脑电数据进行本地存储、预处理和原始数据分析；云平台，用于基于大数据进行认知功能综合评定；移动访问设备，用于获取认知功能监测信息和数据报告。采用本发明，用户通过认知功能测试任务呈现设备参与到认知实验中，采集的脑电信号传输到数据存储和分析服务器上进行脑电特征分析，通过云平台进行大数据分析并输出认知功能评估报告，提升了认知功能监测的客观性和准确性，有助于认知功能障碍的及早发现和介入，促进医疗服务的质量和效率，降低服务成本。
-
公开(公告)号：CN106447023B
公开(公告)日：2019-03-05
申请号：CN201610691569.6
申请日：2016-08-18
Applicant: 常州大学
Abstract: 本发明涉及一种基于模体结构的大脑默认网络有向连接分析方法。对大脑fMRI图像进行格式转换、预处理和低频滤波，并与标准分区模板匹配；对fMRI图像进行ALFF计算，提取相关脑区的时间序列进行Granger因果分析，构建默认网络；搜索网络中存在的模体结构，确定模体的种类及数量；根据p值、Z得分等指标判断模体在默认网络有向连接中的重要程度；计算模体中的节点度和模体平均距离，分析脑区在模体和默认网络中的作用及信息传递速率；对患者组与正常人组进行统计分析，通过模体分布情况找出默认网络有向连接的显著差异。该方法有助于区分脑疾病患者与正常人默认网络的功能性差异，对于脑疾病的诊断和治疗具有一定的参考价值。
-
公开(公告)号：CN105469544A
公开(公告)日：2016-04-06
申请号：CN201510808324.2
申请日：2015-11-19
Applicant: 常州大学
IPC: G08B21/04 , G08B25/00 , A61B5/0488 , A61B5/11
CPC classification number: G08B21/043 , A61B5/0488 , A61B5/1112 , A61B5/1117 , A61B5/746 , G08B21/0461 , G08B25/00
Abstract: 本发明公开了一种基于手部肌电的多功能拐杖，包括：拐杖护臂、拐杖杆、无线充电供电装置。其特征在于：拐杖护臂与拐杖杆之间接口可锁定，拐杖护臂设置有显示屏、肌电采集装置及陀螺仪；所述的拐杖杆中设置有定位系统、导航系统、摔跤报警系统、记步系统、肌电和陀螺仪数据交互系统、主控芯片以及无线充电供电系统；另外拐杖杆头部手柄上设置有握力检测系统以及控制按键。多功能拐杖特征在于实时检测拄拐人手部肌电信号并结合陀螺仪数据，判断拄拐人运动状态，判断拄拐人是否出现突发情况。
-
公开(公告)号：CN113837039B
公开(公告)日：2023-10-24
申请号：CN202111067533.8
申请日：2021-09-13
Applicant: 常州大学
IPC: G06V20/68 , G06V10/82 , G06V10/774 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明涉及卷积神经网络技术领域，涉及一种基于卷积神经网络的果实生长形态视觉辨识方法，包括以下步骤：S1、图像采集：采集果园不同形态的果实图像，并对图像进行标注；S2、图像增强：将采集到的图像进行数据增强以扩充数据集；S3、搭建卷积神经网络模型；S4、使用SGD优化器对网络参数进行优化；S5、使用训练完的最优模型对测试集进行检测，给出每个目标的预测框、类别和置信度。本发明基于深度学习技术提出了果实生长形态的辨识方法，该方法与Faster‑RCNN、YOLO算法相比，有更高的识别准确率和更快的识别速度，同时模型参数量也更少。
-
Patent Agency Ranking
公开(公告)号：CN114861702A
公开(公告)日：2022-08-05
申请号：CN202210307716.0
申请日：2022-03-27
Applicant: 常州大学
Abstract: 本发明涉及神经网络算法技术领域，尤其涉及一种利用深度神经网络对EEG数据的噪声识别方法，包括S1、通过脑电帽采集被试卒中关节的组合动作时诱发的EEG数据；S2、对数据集中数据进行降采样、粗滤波和独立成分分解；S3、将IC地形图进行裁剪；S4、将IC地形图送入二维CNN卷积网络，IC激活送入一维卷积网络，并将两个卷积网络的输出值送入DNN卷积网络；S5、将DNN卷积网络输出值通过softmax分类器进行分类，并对EEG数据进行噪声剔除。本发明利用一维CNN卷积、二维CNN卷积和DDN卷积搭建深度神经网络可以有效分类出噪声成分，对实时采集的EEG噪声敏感度高，能够有效的剔除噪声成分。
-
公开(公告)号：CN109994204A
公开(公告)日：2019-07-09
申请号：CN201910383332.5
申请日：2019-05-08
Applicant: 常州大学
Abstract: 本发明公开了一种大脑功能网络关键节点搜索方法，包括以下步骤：对采集的静息态功能磁共振成像进行格式转换和预处理并提取时间序列；将时间序列进行分段处理并对各段进行线性处理以去除噪音；利用滑窗法将时间序列划分为长度固定的重叠子段，计算各时间子段间的相关系数，构建出随时间变化的多层大脑功能网络；将脑网络依据线性模型将每个矩阵转化为列向量形式；根据每一组列向量的先验分布和结构似然信息用贝叶斯公式求出每一组的后验分布，计算出后验分布的均值，以均值代入公式算出组向量，继而得出稀疏后的矩阵。本发明有助于精确定位对网络连通性贡献较大的关键节点，在脑结构研究和脑疾病诊断等领域具有重要的应用价值。
-
公开(公告)号：CN109730678A
公开(公告)日：2019-05-10
申请号：CN201910083223.1
申请日：2019-01-28
Applicant: 常州大学
Abstract: 本发明涉及一种多层大脑功能网络的模块划分方法，主要步骤如下：对大脑功能磁共振图像进行预处理，将处理后的图像进行脑区划分和时间序列提取；利用滑窗法将时间序列划分为长度相同的子段，计算各脑区对应时间子段间Pearson相关性，构建随时间变化的多层大脑功能网络；利用k-means选择不同脑区作为初始化聚类中心，进行多次基聚类划分，每次划分对应一个隶属矩阵和相似性矩阵；利用聚类有效性指标对每次划分进行评估，将评估值作为相似性矩阵的权值，构造加权相似性矩阵；利用模糊C-means聚类对加权相似性矩阵进行划分，对划分结果利用Q函数进行评价，得到各层大脑功能网络的模块划分结果。
-
公开(公告)号：CN107358022A
公开(公告)日：2017-11-17
申请号：CN201710408764.8
申请日：2017-06-02
Applicant: 常州大学
CPC classification number: G06T7/0012 , G06T2207/10088 , G06T2207/30016
Abstract: 本发明涉及一种大脑功能网络的模块化分析方法。主要步骤包括：首先，将大脑fMRI图像进行预处理后与标准分区模板匹配，并进行ALFF计算；其次，提取大脑所有脑区时间序列，计算任意两个脑区时间序列的相关系数，根据时间序列相关系数矩阵对大脑功能网络进行模块划分；再次，对划分出的模块构建功能连接网络，利用最短路径长度、集聚系数等指标分析模块的信息传递速率和集团化程度等特征，并由节点中心性确定网络中的核心节点；最后，对ALFF结果进行统计，结合节点能量分布分析特定节点的活跃程度以及节点间功能连接强度的差异性。将大脑功能网络进行模块化分析，对研究脑疾病患者与正常人大脑的局部功能结构具有一定的参考价值。
-
公开(公告)号：CN114861702B
公开(公告)日：2024-11-22
申请号：CN202210307716.0
申请日：2022-03-27
Applicant: 常州大学
IPC: G06F18/241 , G06F18/10 , G06N3/0464 , G06N3/048 , G06N3/082 , A61B5/00 , A61B5/256 , A61B5/377
Abstract: 本发明涉及神经网络算法技术领域，尤其涉及一种利用深度神经网络对EEG数据的噪声识别方法，包括S1、通过脑电帽采集被试卒中关节的组合动作时诱发的EEG数据；S2、对数据集中数据进行降采样、粗滤波和独立成分分解；S3、将IC地形图进行裁剪；S4、将IC地形图送入二维CNN卷积网络，IC激活送入一维卷积网络，并将两个卷积网络的输出值送入DNN卷积网络；S5、将DNN卷积网络输出值通过softmax分类器进行分类，并对EEG数据进行噪声剔除。本发明利用一维CNN卷积、二维CNN卷积和DDN卷积搭建深度神经网络可以有效分类出噪声成分，对实时采集的EEG噪声敏感度高，能够有效的剔除噪声成分。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.02 seconds)
