-
公开(公告)号：CN118658519A
公开(公告)日：2024-09-17
申请号：CN202410637501.4
申请日：2024-05-22
Applicant: 东北林业大学
IPC: G16B20/30 , G06F18/25 , G16B40/00 , G06N3/0464 , G06N3/045 , G06N3/0442 , G06N3/084 , G06F18/241 , G06N3/06
Abstract: 本发明涉及一种基于多特征融合与改进胶囊网络预测翻译起始位点预测算法：首先获取公开数据集，并对正负样本进行随机打乱并进行数据集的划分。然后使用四种编码方法提取TIS序列中具有生物学意义的多种特征信息。接着使用多尺度卷积神经网络对特征信息进行融合以消除冗余信息。最后使用改进胶囊网络有效的捕捉TIS序列中的层级关系，通过在胶囊网络中添加残差块、通道注意力机制以及BiLSTM网络来进一步优化模型对复杂TIS序列特征的处理能力，从而实现对TIS进行高效的分类。
-
公开(公告)号：CN118657710A
公开(公告)日：2024-09-17
申请号：CN202410637428.0
申请日：2024-05-22
Applicant: 东北林业大学
Abstract: 本发明涉及一种基于多阶段特征融合的糖尿病视网膜病变检测方法，主要用于简单有效的检测DR严重程度这一迫切需求。该模型由两部分组成，BC‑Net(二分类网络)用于特征提取并进行二分类，对患者病情初级判断。FC‑Net(四分类网络)对糖尿病视网膜病变区域对添加像素级别细粒度关注，经过注意力机制对病变部位分割，然后，基于像素级注释数据的初步预测病变图，通过融合分割特征与原图像来改善DR四分类准确性，输出预测分类结果。本发明为糖尿病视网膜检测提供了更全面、精准的解决方案，为患者的视觉健康水平和生活质量的提升做出了显著的贡献。
-
公开(公告)号：CN117917653A
公开(公告)日：2024-04-23
申请号：CN202211290013.8
申请日：2022-10-21
Applicant: 东北林业大学
IPC: G06F16/35 , G06F40/30 , G06F40/242 , G06N3/0442 , G06N3/045
Abstract: 本发明涉及一种基于RoBERTa‑wwm‑ext模型的新浪微博社交机器人检测方法，其中基于RoBERTa‑wwm‑ext模型的新浪微博社交机器人的检测方法包括：获取新浪微博数据集并进行预处理，使用BiLSTM提取基于用户元数据的时间模式的特征，使用RoBERTa‑wwm‑ext提取微博文本的语义特征，使用情感词典提取情感特征，接着使用串行连接的方式进行特征融合，输入基于基于BiGRU的深度神经网络模型中进一步提取特征，最后通过Sigmoid激活函数得到分类结果。本发明使用的RoBERTa‑wwm‑ext提取微博文本语义特征进行社交机器人检测的方法可以有效提升社交机器人检测的性能。
-
公开(公告)号：CN116784847A
公开(公告)日：2023-09-22
申请号：CN202210266007.2
申请日：2022-03-15
Applicant: 东北林业大学
Abstract: 本发明涉及一种基于CNN‑LSTM混合框架的脑电信号抑郁检测方法，其中基于CNN‑LSTM混合框架的脑电信号抑郁检测方法包括：首先获取了抑郁相关的数据集，对数据集做预处理，利用最小均方算法(LMS)、带通滤波器、FastICA算法消除EMG、EOG等伪迹，得到干净的信号；然后使用裁剪策略对每条样本切分为1s长度的数据，对每条样本的每个通道使用小波变换提取频带功率。最后，将每条样本的频带功率按照通道进行分类组合放入CNN‑LSTM模型训练。由于采用了裁剪策略，数据集的样本数和多样性增强。CNN‑LSTM模型层数较少，具有较低的复杂度，可以用于脑电信号的抑郁检测。
-
公开(公告)号：CN112883855A
公开(公告)日：2021-06-01
申请号：CN202110159365.9
申请日：2021-02-04
Applicant: 东北林业大学
Abstract: 本发明涉及一种基于卷积神经网络+数据增强算法Borderline‑SMOTE的脑电信号情感识别方法，主要包括以下内容：首先导入情感识别标准数据集————DEAP数据集(本身已经过降采样至128Hz并去除伪迹)，取出32个数据文件的前32个通道的后60s脑电信号数据，并进行预处理；然后对预处理后的数据提取频域特征，并基于数据增强算法Borderline‑SMOTE对少数类分类边界及其附近的样本进行一定的过采样，使得不同类别的数据量尽可能平衡；最后，设计了一个卷积神经网络，在情感维度Valence和Arousal上进行情感三分类的模型训练与测试，并采用10折分层交叉验证的方法对结果进行多角度性能评估。与现有方法相比，本发明中的脑电信号情感识别方法性能有了一定的提升，具有一定的使用价值。
-
Patent Agency Ranking
公开(公告)号：CN102915519A
公开(公告)日：2013-02-06
申请号：CN201210334472.1
申请日：2012-09-12
Applicant: 东北林业大学
IPC: G06T1/00 , H04N21/2347
Abstract: 基于混沌映射与数列变换的图像加密算法，包括以下步骤：将图像的像素值与通过Logistic混沌序列形成的同样大小的二维矩阵进行二进制按位异或处理；再将Logistic混沌序列进行映射变换，形成两个二维方阵；用行矩阵乘以图像矩阵再乘以列矩阵，完成位置混乱操作；所得的加密图像在视觉上不可感知原始图像的信息，能够完全隐藏。本发明的方法使加密后的图像能够抵御来自灰度值统计分析的攻击以及剪切、噪声、高斯低通滤波的普遍干扰攻击。
-
公开(公告)号：CN118656691A
公开(公告)日：2024-09-17
申请号：CN202410643288.8
申请日：2024-05-22
Applicant: 东北林业大学
IPC: G06F18/241 , A61B5/372 , A61B5/00 , A61B5/16 , G06F18/25 , G06F18/214 , G06F18/213
Abstract: 本发明的有益成果：本发明综合考虑当前的深度学习模型没有充分利用空间、频域和时间特征之间的互补关系，影响了模型的分类的准确率。为解决该问题，本文提出了基于特征图像序列与时间序列的时空特征融合网络(SFFNet)用于脑电抑郁症识别。在EEG数据方面充分考虑EEG在受试者之间的差异性，从EEG中识别具有判别能力的稳健特征，对数据窗口化后，使用信号通道在大脑空间中拓扑结构与其电压密度构造特征矩阵图并将多频段的特征图进行通道叠加，组成多通道特征图序列，并将与其对应的窗口化EEG时间序列用作时间特征提取。利用SFFNet中的SCCN与LGTN网络模块对相关的特征进行提取，使用PAM与SWAM注意力模块对提取的特征进行特征融合，实现EEG的多特征互补融合，提高了网络在多特征上的学习能力与网络识别的精准度。
-
公开(公告)号：CN117456591A
公开(公告)日：2024-01-26
申请号：CN202310325179.7
申请日：2023-03-30
Applicant: 东北林业大学
IPC: G06V40/18 , G06V10/52 , G06V10/80 , G06V10/774 , G06V10/776 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/045 , A61B3/12 , A61B3/103
Abstract: 本发明涉及一种融合多尺度信息增强的糖尿病性视网膜病变检测方法，一种融合多尺度信息增强的糖尿病性视网膜病变检测方法：首先获取相关的Kaggle EyePACS和DDR两个公开的数据，并对数据集进行降噪、裁剪、归一化等预处理工作。为了在下采样过程中获取到更加丰富的特征从而提高分类网络的性能，我们设计了多尺度最大池化和多尺度卷积两个模块，对基础网络ResNet‑50的模型进行改进。进一步，为了提高网络的鲁棒性，我们设计了一个双分支网络，用局部信息为全局信息做辅助，最终设计了一个糖尿病视网膜病变检测模型。
-
公开(公告)号：CN117455829A
公开(公告)日：2024-01-26
申请号：CN202310325151.3
申请日：2023-03-30
Applicant: 东北林业大学
IPC: G06T7/00 , G06V10/82 , G06V10/764 , G06N3/0475 , G06N3/096
Abstract: 本发明涉及一种基于对抗学习(Adversarial learning)的视网膜眼底图像域适应算法CA‑GAN，主要用于提升糖尿病性视网膜病变(Diabetic retinopathy,DR)自动检测模型在现实世界中的性能。CA‑GAN由图像到图像(Image‑to‑Image,I2I)翻译模块和病理描述符提取模块组成。CA‑GAN的图像到图像翻译模块使用解纠缠表示框架将来自不同眼底相机品牌的视网膜眼底图像分别映射到域不变的结构空间和域特异性的风格空间得到结构编码和风格编码，随后交换输入图像对的风格编码实现风格迁移。病理描述符提取模块提取原始视网膜眼底图像的DR相关病变信息并注入到迁移后的视网膜眼底图像中，从而实现原始视网膜眼底图像中DR相关病变信息的迁移。使用CA‑GAN进行域适应有效缩小因眼底相机品牌的不同引起的视网膜眼底图像的域差异，提升DR自动分类模型在现实世界中的性能。
-
公开(公告)号：CN115644870A
公开(公告)日：2023-01-31
申请号：CN202211289985.5
申请日：2022-10-21
Applicant: 东北林业大学
Abstract: 本发明涉及一种基于TSM‑ResNet模型的脑电信号情感识别方法。包括如下步骤：1：对原始脑电信号进行预处理和时间分段，利用小波变换进行时频转换和DE特征提取；2：利用Clough‑Tocher对皮层扩散DE值进行插值，并根据DE值计算脑电信号的LASM和RASM值，之后使用AEP进行拓扑保持的特征降维映射，得到多通道特征图像序列；3：利用迁移学习预训练ResNet50模型权重，在模型上添加TSM模块得到TSM‑ResNet，并针对数据集微调，之后进行情绪的分类识别。本发明在一个统一的网络框架内同时集成空间特征和光谱特征，同时在不增加计算成本情况下充分考虑时间序列特征，最终提升了在跨主体和主体内情感分类任务上的性能。
-
-
-
-
-
-
-
-
-
Search Results
43
records
(took 0.034 seconds)
