一种利用生成对抗网络辅助语义分割模型

    公开(公告)号:CN109902809A

    公开(公告)日:2019-06-18

    申请号:CN201910154150.0

    申请日:2019-03-01

    IPC分类号: G06N3/04 G06N3/08 G06T7/10

    摘要: 本发明创造提供一种利用生成对抗网络辅助语义分割模型,包括基于VGG/ResNet50设计的语义分割生成模型;输入原图,真实分割图以及生成分割图的对抗模型;增加对抗损失项的损失函数;在原有的交叉熵分类损失函数的基础上增加对抗损失项,对抗损失项通过二值交叉熵函数进行定义。本发明主要是通过生成对抗网络结构辅助语义分割模型提升分割精度,利用对抗模型强大的特征学习能力,区分生成分割图与真实分割图的特征区别,并拉近双方所属的数学分布,使得生成模型在训练中逐步学习到像素间关系,增强分割图像中像素的空间连续性,提高分割精度。同时又还避免了一般后处理技术提升分割精度所带来的时间成本。

    一种利用生成对抗网络辅助语义分割模型

    公开(公告)号:CN109902809B

    公开(公告)日:2022-08-12

    申请号:CN201910154150.0

    申请日:2019-03-01

    IPC分类号: G06T7/10 G06N3/04 G06N3/08

    摘要: 本发明创造提供一种利用生成对抗网络辅助语义分割模型,包括基于VGG/ResNet50设计的语义分割生成模型;输入原图,真实分割图以及生成分割图的对抗模型;增加对抗损失项的损失函数;在原有的交叉熵分类损失函数的基础上增加对抗损失项,对抗损失项通过二值交叉熵函数进行定义。本发明主要是通过生成对抗网络结构辅助语义分割模型提升分割精度,利用对抗模型强大的特征学习能力,区分生成分割图与真实分割图的特征区别,并拉近双方所属的数学分布,使得生成模型在训练中逐步学习到像素间关系,增强分割图像中像素的空间连续性,提高分割精度。同时又还避免了一般后处理技术提升分割精度所带来的时间成本。

    基于便携式设备姿态角信号的癫痫发作检测系统及方法

    公开(公告)号:CN117995380A

    公开(公告)日:2024-05-07

    申请号:CN202410036606.4

    申请日:2024-01-10

    摘要: 本发明公开了一种基于便携式设备姿态角信号的癫痫发作检测系统及方法。本发明步骤:1、对时间校准后的预标记多模态生理信号数据进行预处理;2、设定不同的信号组合方式,针对不同信号组合组建各自的特征矩阵,先对各个特征矩阵进行特征选择操作,后完成归一化操作得到特征集,再输入到机器学习中训练,之后记录各个分类器的训练结果;3、使用计算机对加速度信号、角速度信号、横滚角信号、俯仰角信号进行预处理操作,并记录不同信号在预处理步骤上所耗费的时间;4、利用特征集训练LSTM模型,通过训练好的LSTM模型设计基于LSTM的癫痫发作检测系统。本发明用姿态角信号实现癫痫的发作检测,提高了癫痫发作检测的准确率。

    基于多通道多维特征优化的脑电眨眼伪迹检测方法

    公开(公告)号:CN112464902B

    公开(公告)日:2024-02-09

    申请号:CN202011485932.1

    申请日:2020-12-16

    摘要: 本发明公开了一种基于多通道多维特征优化的脑电眨眼伪迹检测方法,首先对多通道脑电EEG信号进行滤波处理以及类别划分;然后对处理后的多通道脑电EEG信号进行16维特征提取;针对提取到的16维特征,采用方差过滤式方法做特征选择;再通过支持向量机算法构建针对眨眼伪迹和非眨眼伪迹样本数据集的伪迹检测模型;最后通过建立的伪迹检测模型进行脑电眨眼伪迹检测。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复杂性高实时性低的问题,还能够实现眨眼伪迹的精准自动化检测。

    基于深度特征拓展的多功能雷达工作模式增量识别方法

    公开(公告)号:CN117235618A

    公开(公告)日:2023-12-15

    申请号:CN202310986649.4

    申请日:2023-08-07

    摘要: 本发明公开了一种基于深度特征拓展的多功能雷达工作模式增量识别方法,包括:将获取到的待测雷达的样本数据输入至增量识别模型,增量识别模型在混合损失函数的迭代下,根据由新样本数据和旧样本数据组成的扩展数据集进行训练,得到训练好的模型;再将样本数据输入至训练好的模型,得到识别结果。根据本发明提供的方法,通过将样本数据输入增量模型进行训练,得到训练完成的模型;再将样本数据输入到训练完成的模型,得到雷达工作模式类别的识别结果;由于模型中的扩展特征提取器是在混合损失函数的迭代下训练的,因此模型能够在学习新类型的同时保持对旧知识的记忆,从而能够增强动态环境下的增量识别效果、提高识别的准确率、扩大应用场景。

    多任务深度网络的癫痫综合征脑电分析方法

    公开(公告)号:CN115633938A

    公开(公告)日:2023-01-24

    申请号:CN202211162253.X

    申请日:2022-09-23

    摘要: 本发明公开了一种多任务深度网络的癫痫综合征脑电分析方法。本发明包括如下步骤:步骤1、对原始采集的脑电信号数据进行切分,切割发作期脑电信号和发作间期脑电信号,并为它们打上标签,已备后续神经网络训练;步骤2、对原始采集的脑电信号进行预处理;步骤3、对预处理后的脑电信号每4s一段采用STFT提取时频特征图,最终将21通道提取的时频特征图组合成21*32*32的3D特征;步骤4、得到的3D特征和预处理后的脑电信号作为输入传入多任务深度神经网络进行训练。本发明相比于单任务(癫痫综合征分类或癫痫时期分类)能够获得更高的分类准确率。本发明的多任务双流融合模型的每一任务分类准确率都有提高,实现了对儿童癫痫综合征及癫痫时期的精确分类。

    多分类器融合的自适应脑区脑电伪迹检测方法

    公开(公告)号:CN115486858A

    公开(公告)日:2022-12-20

    申请号:CN202211162255.9

    申请日:2022-09-23

    摘要: 本发明公开了一种多分类器融合的自适应脑区脑电伪迹检测方法。本发明步骤:1、对多通道的脑电EEG信号进行滤波和多类伪迹类别划分;2、针对得到的每类伪迹信号对应的脑部区域分析和通道关联性分析,得到每类伪迹的区域信息和通道信息;3、对每类伪迹的通道信息进行特征提取;4、针对区域信息和提取的特征,使用ReliefF算法和mRMR算法进行两阶段的特征选择,建立特征分组;5、使用机器学习算法结合选取的特征进行分类模型的训练;6、针对步骤5所训练得到的多个分类器进行系统搭建。本发明克服了临床上人工定位伪迹的繁琐,提高了异常信号的快速定位,解决了现有伪迹识别技术的单调性,同时可以实现对多通道脑电EEG数据进行实时的伪迹检测。

    基于多模态癫痫数据智能融合分析与处理方法

    公开(公告)号:CN115486814A

    公开(公告)日:2022-12-20

    申请号:CN202211162248.9

    申请日:2022-09-23

    摘要: 本发明公开了一种基于多模态癫痫数据智能融合分析与处理方法。本发明步骤:1、对多模态数据与脑电数据进行对标,检索多模态数据缺失值进行插值,对多模态数据进行预处理;2、对多模态信号总共8通道,分别以5s步长和0重复率的滑动窗口分割样本,再将所有样本计算时域、频域、以及非线性特征;然后通过T检验以及方差检验筛选出差异特征,最后使用mRMR来实现最优多模态特征组合;3、将得到不同模态信号的最优特征组合,排列组合后放置于不同的分类器,通过改变分类器不同的核函数得到癫痫发作的分类结果。本发明能够实现对多模态癫痫数据进行智能融合分析,对各模态数据进行优化组合,以及筛选不同域的特征,从而达到了更好的癫痫检测效果。

    基于双流3D深度神经网络的儿童癫痫综合征辅助分析方法

    公开(公告)号:CN114224363A

    公开(公告)日:2022-03-25

    申请号:CN202210087829.4

    申请日:2022-01-25

    IPC分类号: A61B5/369 A61B5/374 A61B5/00

    摘要: 本发明公开了一种基于双流3D深度神经网络的儿童癫痫综合征辅助分析方法。首先对脑电数据进行预处理,然后将经过预处理的脑电数据,分别转换为双极纵向导联EEG数据和平均参考导联EEG数据;再提取时频特征和频空特征;最后将得到的时频、频空特征图片传入双流3D卷积神经网络中,通过双流3D卷积神经网络中的注意力机制模块将提取不同通道间的信息,最终把时频输入流和频空输入流的softmax概率输出进行平均加权得到相应儿童癫痫综合征类别。本发明能够获得较高的分类准确率,实现对儿童癫痫综合征的精确分类。

    一种低损耗高频磁介材料及其制备方法

    公开(公告)号:CN113264759A

    公开(公告)日:2021-08-17

    申请号:CN202110549706.3

    申请日:2021-05-20

    摘要: 一种低损耗高频磁介材料,属于电子材料领域。所述磁介材料为Ba3Co2Fe24‑x‑yPrxSmyO41六角晶型铁氧体;x=0.05~0.30,y=0.01~0.10。本发明低损耗高频磁介材料采用溶胶凝胶法制备,实现了低损耗和高频磁介特性,在1MHz~1.8GHz的频率范围内具有低损耗和近等磁介特性(其磁导率和介电常数均在5~15左右,且频段内磁损耗系数和介电损耗系数都低于0.005);该低损耗高频磁介材料作为天线基板时,可以很好地实现天线的小型化和高频化,且有利于提高微带天线的传输效率,降低天线的传输损耗,为高频和集成化的小尺寸无线通信设备的设计提供了新的材料。