-
公开(公告)号：CN118892315A
公开(公告)日：2024-11-05
申请号：CN202410926283.6
申请日：2024-07-11
申请人： 电子科技大学
IPC分类号： A61B5/16 , A61B5/055 , A61B5/00 , G06F18/214 , G06F18/241 , G06F18/213 , G06N3/042 , G06N3/08
摘要： 本发明公开了一种基于图神经网络的孤独症分类方法，分为以下步骤：步骤1：对磁共振和核磁共振数据进行预处理；步骤2：基于大脑灰质序列和Bold信号时间序列分别构建每个个体对应的结构网络和功能网络；步骤3：通过结构网络和功能网络构建分类方法的特征输入模块；步骤4：构建分类方法多层图注意力机制的网络层；步骤5：构建全连接的分类模块。本申请主要是在特征上选取了结构网络和功能网络，相对于只选取功能网络而言，结构网络携带了大脑网络的基础网络特征，功能网络与大脑所实现的功能有关会不断地变化，不同个人在不同时间的功能网络不完全相同，同时结合大脑结构特征和功能特征提取大脑更多的信息提高分类准确性。
-
公开(公告)号：CN116389639A
公开(公告)日：2023-07-04
申请号：CN202310103596.7
申请日：2023-02-03
申请人： 电子科技大学
IPC分类号： H04M1/72454
摘要： 本发明公开了一种基于移动终端的动作识别方法，属于移动终端的动作识别技术领域。本发明包括：获取移动终端的加速度，x和y轴的加速度均大于或等于第一阈值，则基于加速度识别移动终端的翻转状态；若x和y轴的加速度与第一阈值的偏差在指定范围内，则基于线性加速度识别移动终端的翻转状态；若x和y轴的加速度均小于第一阈值，且与其偏差不在指定范围内，则结合线性加速度识别移动终端的运动状态：匀速和加速；以及结合光线传感器和接近传感器识别移动终端的接电话状态。本发明借助于传感器采样技术，通过对获得的数据进行分析，根据不同区域所进行的互动，计算出移动终端大致的运动或者位置，从而实现手机动作识别的人机交互。
-
公开(公告)号：CN118886185A
公开(公告)日：2024-11-01
申请号：CN202410926286.X
申请日：2024-07-11
申请人： 电子科技大学
摘要： 本发明公开一种脑区静息态信号强度变化的模拟方法，包括以下步骤：步骤一：采集被试人群的磁共振和功能核磁共振数据并进行预处理；步骤二：通过脑区模板对预处理后的大脑灰质数据和血氧数据进行分割，对于磁共振数据提取其经过预处理后的每个脑区的大脑灰质密度，对于fMRI数据进行划分并计算每一个脑区之间的Bold信号的相关系数；步骤三：构建模拟静息态下大脑的信号强度网络模型；步骤四：根据构建好的网络模型模拟大脑信号的传递过程。本发明通过复杂网络模拟大脑交互过程可解释性强；本发明是基于宏观尺度模拟大脑信号交互，相比于基于微观神经元层面模拟大脑信号的传递过程，宏观层面中模拟的数量更少，解释性更强同时运行速度会更快。
-
公开(公告)号：CN117814793A
公开(公告)日：2024-04-05
申请号：CN202211169018.5
申请日：2022-09-26
申请人： 电子科技大学
IPC分类号： A61B5/16 , A61B5/00 , A61B5/372 , G06F18/214 , G06F18/2415 , G06F18/243 , G06F18/2431 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/08
摘要： 本发明公开了一种基于脑电图的人类情绪分类方法，属于基于脑电图的识别技术领域。本发明包括：采集应试者的原始脑电信号，并确定与情绪相关的脑电通道，提取对应的脑电信息组成信号样本并配置其对应的分类标签；构建并训练卷积双向循环注意力模型，基于信号样本进行训练，基于训练好的训练卷积双向循环注意力模型获取目标对象的情绪分类结果。本发明中可以较为准确的分别在效价维度和唤醒维度对人类情绪进行二分类。且由于基于脑电信息这种生理信号来实现对人类情绪的分类，因此在很大程度上可以避免被试对其真实情感进行隐藏或者伪装。同时采用卷积神经网络、循环神经网络可以更加有效的综合脑电信息中的时空信息。
-
公开(公告)号：CN117288205A
公开(公告)日：2023-12-26
申请号：CN202311449016.6
申请日：2023-11-02
申请人： 电子科技大学
摘要： 本发明公开了一种基于自主学习的视觉导航方法，属于导航技术领域。本发明构建了基于深度强化学习的视觉导航模型，其将智能体的目标作为输入传入网络使模型具有通用性，通过ResNet‑50处理当前观测和目标的图像，并将提取的特征传入A3C网络，输出智能体的下一步动作与策略的评估，经过不断地优化策略网络和价值网络输出性能稳定的视觉导航模型。为了稳定靠近损失函数的最优值，学习率呈阶梯状指数式下降，最后稳定在一个很小的学习率，避免模型在损失函数最优值附近振荡。通过对学习率算法的优化，使得视觉导航模型的训练效率更高，损失函数收敛更快。
-
公开(公告)号：CN116933849A
公开(公告)日：2023-10-24
申请号：CN202310848823.9
申请日：2023-07-12
申请人： 电子科技大学
IPC分类号： G06N3/0499 , G06N3/084
摘要： 本发明公开了一种能够自主选择隐藏层神经元个数的自主学习算法；本申请所述的算法是以分布式并行存储以及并行的协同信息处理为基础，依靠复杂的网络系统，调整网络中不同层节点之间的连接关系以及层与层之间的权值，最终得到能够处理具体信息的网络。它具备传统BP神经网络的优点，能够进行并行信息处理、模式分类、记忆学习以及非线性映射，同时还具有自主学习和自适应的特点，能够自主确定隐含层神经元个数。因为本算法增加了神经元个数自主选择算法，省略了人工选择神经元个数的步骤，故提高了自身自主学习的能力。
-
公开(公告)号：CN117808728A
公开(公告)日：2024-04-02
申请号：CN202211168858.X
申请日：2022-09-25
申请人： 电子科技大学
IPC分类号： G06T7/00 , G06T7/62 , G06V10/80 , G06V10/764 , G06V10/77 , G06V10/771
摘要： 本发明公开了一种针对双相情感障碍疾病的辅助诊断装置，包括：结构像预处理单元、功能像预处理单元、结构像特征提取单元、功能像特征提取单元、特征融合单元、分类器训练单元和辅助诊断输出单元。本发明通过结合患者磁共振结构像和功能像的多模态信息，对患者的形态学、低频振幅信号、体素对称同伦连接性信号、功能网络属性、功能网络的边等特征进行融合，充分利用已有信息来提高辅助诊断模型的准确率。同时为了解决医学图像中数据集较少而特征量较多而产生的结果过拟合现象，采用PCA进行特征降维和使用过滤法来进行特征选择，以降低特征冗余量，进而很好的选择出具有显著差异的特征来进行分类诊断，进一步提升辅助诊断的准确率。
-
公开(公告)号：CN117669660A
公开(公告)日：2024-03-08
申请号：CN202310848826.2
申请日：2023-07-12
申请人： 电子科技大学
摘要： 本发明公开了一种能对特征进行自主决策的无监督学习算法，用于解决传统DBN本身的分类决策能力较弱的问题。本发明将DBN同决策树算法结合起来，组成具备自主决策能力的ADDBN(Autonomous DecidingDeep Belief Networks)算法。该算法首先利用深度置信网络对原始数据进行处理，提取出优化后的特征，随后利用决策树算法对提取出来的特征进行进一步分类处理，最终得到分类结果。ADDBN算法既能够保留原始特征的属性并获取更利于分类的特征，同时也能对特征进行自主决策。所述的ADDBN算法既能够保留原始特征的属性并获取更利于分类的特征，同时也能对特征进行自主决策。
-
公开(公告)号：CN117197528A
公开(公告)日：2023-12-08
申请号：CN202310933939.2
申请日：2023-07-27
申请人： 电子科技大学
IPC分类号： G06V10/764 , G06V10/82 , G06V10/774 , G06N3/048 , G06N3/045 , G06N3/096 , G06N3/0464
摘要： 本发明公开了一种基于图像检测识别的目标行为分析方法，属于图像识别技术领域。本发明包括：构建基于边缘计算设备的算法协同分析系统，包括终端设备、边缘计算设备和服务器；用户向边缘计算设备发出操作指令，确定选取的目标对象，以使得服务器获取到该目标对象的第一任务数据和第二任务数据，以完成飞机分类识别结果、行为类型识别结果。本发明突破了基于小样本训练数据的表示学习、面向开放场景的目标行为迁移学习、多视角场景下的算法协同分析等关键技术，基于所搭建的基于边缘计算设备的算法协同分析系统，实现了一种基于边缘计算设备的算法协同目标行为分析方法，并优化了Inception V3卷积神经网络，进而提升了对目标对象的检测准确性。
-
公开(公告)号：CN116310359A
公开(公告)日：2023-06-23
申请号：CN202310196144.8
申请日：2023-03-03
申请人： 电子科技大学
IPC分类号： G06V10/32 , G06V10/10 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
摘要： 本发明公开了一种复杂环境光电成像弱小目标智能检测方法，属于目标检测技术领域。本发明包括：对待检测的图像进行尺寸归一化处理，然后进行分组卷积处理，接着再进行下采样后通过四层堆叠的残差模块层对第二特征图进行多尺度特征提取；采用阶梯型结构特征融合方式对第二层、第三层和第四层的残差模块层的输出特征图进行多尺度融合处理，得到融合特征图；最后通过分类检测判定器对融合特征图进行弱小目标检测处理，得到弱小目标的检测处理结果；本发明通过对检测网络的改进，以使得本发明的网络模型算法具备特征信息更加丰富的特点。本发明在有效提高精度表现的同时，减少了误检率，降低了模型复杂度。
-
-
-
-
-
-
-
-
-
搜索结果
14 条记录 (耗时 0.018 秒)
