-
公开(公告)号：CN114027786A
公开(公告)日：2022-02-11
申请号：CN202110917103.4
申请日：2021-08-11
Applicant: 中国科学院计算技术研究所 , 鹏城实验室
Abstract: 本发明提出一种基于自监督式记忆网络的睡眠呼吸障碍检测方法和系统，利用自监督学习模块丰富正常数据并从正常数据中学习一种通用模式，还引入了一种自适应记忆融合网络，包括全局记忆模块、局部记忆模块和自适应融合模块，分别通过全局和局部记忆模块学习正常数据的共有特征和特有特征，最后采用自适应融合模块将共有特征和特有特征融合到最终的特征表示中，将其用于重构输入数据。本发明实现了无监督的端到端模型训练方法，即无需异常数据就能够完成训练。
-
公开(公告)号：CN113057585A
公开(公告)日：2021-07-02
申请号：CN202110274276.9
申请日：2021-03-15
Applicant: 中国科学院计算技术研究所
IPC: A61B5/00
Abstract: 本发明提供一种认知障碍检测模型及其训练方法，所述认知障碍检测模型包括多模态信息表征模块、多模态信息融合模块、无监督深度聚类模块。所述多模态信息表征模块包括眼底图像数据表征网络、多模态生理信号数据表征网络。所述多模态信息融合模块与所述多模态信息表征模块相连接，用于将所述眼底图像数据的特征与多模态生理信号的特征进行融合，得到融合后的特征；所述无监督深度聚类模块与所述多模态信息融合模块相连接，用于根据所述融合后的特征基于无监督聚类模型进行认知障碍检测。
-
公开(公告)号：CN114027786B
公开(公告)日：2023-04-18
申请号：CN202110917103.4
申请日：2021-08-11
Applicant: 中国科学院计算技术研究所 , 鹏城实验室
IPC: A61B5/00 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/0895 , G06F18/2415
Abstract: 本发明提出一种基于自监督式记忆网络的睡眠呼吸障碍检测方法和系统，利用自监督学习模块丰富正常数据并从正常数据中学习一种通用模式，还引入了一种自适应记忆融合网络，包括全局记忆模块、局部记忆模块和自适应融合模块，分别通过全局和局部记忆模块学习正常数据的共有特征和特有特征，最后采用自适应融合模块将共有特征和特有特征融合到最终的特征表示中，将其用于重构输入数据。本发明实现了无监督的端到端模型训练方法，即无需异常数据就能够完成训练。
-
公开(公告)号：CN113177455B
公开(公告)日：2023-01-24
申请号：CN202110442262.3
申请日：2021-04-23
Applicant: 中国科学院计算技术研究所 , 鹏城实验室
IPC: G06V40/20 , G06V10/40 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G16H50/30 , G06N3/04 , G06N3/08
Abstract: 本发明实施例提供了一种训练运动强度识别系统的方法，包括：A1、构建运动强度识别系统，其包括依次连接的数据预处理模块、并行卷积处理流、双线性池化模块和多任务学习模块，所述并行卷积处理流包括两条并行的卷积处理流；A2、通过数据预处理模块对经标注了标签的运动数据进行预处理，得到运动信息和对应的标签组成的训练集，其中，运动数据由惯性传感器采集得到，为运动数据标注的标签包括多种不同的运动强度标签和多种不同的运动行为标签；A3、用所述训练集训练所述运动强度识别系统；本发明从通道和空间两个维度对卷积层提取的特征进行优化，关注重要的特征，抑制不必要的特征，有助于提升运动强度的识别精度。
-
Patent Agency Ranking
公开(公告)号：CN113057585B
公开(公告)日：2022-08-30
申请号：CN202110274276.9
申请日：2021-03-15
Applicant: 中国科学院计算技术研究所
IPC: A61B5/00
Abstract: 本发明提供一种认知障碍检测模型及其训练方法，所述认知障碍检测模型包括多模态信息表征模块、多模态信息融合模块、无监督深度聚类模块。所述多模态信息表征模块包括眼底图像数据表征网络、多模态生理信号数据表征网络。所述多模态信息融合模块与所述多模态信息表征模块相连接，用于将所述眼底图像数据的特征与多模态生理信号的特征进行融合，得到融合后的特征；所述无监督深度聚类模块与所述多模态信息融合模块相连接，用于根据所述融合后的特征基于无监督聚类模型进行认知障碍检测。
-
公开(公告)号：CN106600000A
公开(公告)日：2017-04-26
申请号：CN201611102793.3
申请日：2016-12-05
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供了一种人‑机器人运动数据映射的方法。该方法包括：获取训练数据，所述训练数据包括人体运动数据和相应运动的机器人样本数据；以所述人体运动数据作为输入，以所述机器人样本数据作为期望的输出，通过训练深度学习网络获得深度学习模型，以得到人‑机器人运动数据之间的映射关系。本发明基于深度学习的方法实现人‑机器人运动数据的映射，避免了大量反复的运动学求解，可以更灵活精确地驱动机器人进行运动。
-
公开(公告)号：CN106599922A
公开(公告)日：2017-04-26
申请号：CN201611165253.X
申请日：2016-12-16
Applicant: 中国科学院计算技术研究所
IPC: G06K9/62
CPC classification number: G06K9/6269 , G06K9/6227 , G06K9/6282
Abstract: 本发明提供一种迁移学习方法，该方法利用基于已标定的源域数据训练的至少两个分类器对待标定的目标域数据进行初次标定，根据标定结果将目标域数据划分为候选集和余部；在具有相同标定的源域数据组和候选集中目标域数据组之间进行迁移变换，生成新源域和新候选集；基于在新源域上训练的分类器对新候选集中的目标域数据进行标定，并利用新候选集中各数据的标定结果更新对未经变换的候选集中各数据的二次标定；以及基于经更新标定后的候选集训练分类器，并利用该分类器完成对余部中目标数据的标定。该方法缩短了迁移的时间，提高了迁移标定的效率，更适用于大规模数据的标定。
-
公开(公告)号：CN106599922B
公开(公告)日：2021-08-24
申请号：CN201611165253.X
申请日：2016-12-16
Applicant: 中国科学院计算技术研究所
IPC: G06K9/62
Abstract: 本发明提供一种迁移学习方法，该方法利用基于已标定的源域数据训练的至少两个分类器对待标定的目标域数据进行初次标定，根据标定结果将目标域数据划分为候选集和余部；在具有相同标定的源域数据组和候选集中目标域数据组之间进行迁移变换，生成新源域和新候选集；基于在新源域上训练的分类器对新候选集中的目标域数据进行标定，并利用新候选集中各数据的标定结果更新对未经变换的候选集中各数据的二次标定；以及基于经更新标定后的候选集训练分类器，并利用该分类器完成对余部中目标数据的标定。该方法缩短了迁移的时间，提高了迁移标定的效率，更适用于大规模数据的标定。
-
公开(公告)号：CN113177455A
公开(公告)日：2021-07-27
申请号：CN202110442262.3
申请日：2021-04-23
Applicant: 中国科学院计算技术研究所 , 鹏城实验室
Abstract: 本发明实施例提供了一种训练运动强度识别系统的方法，包括：A1、构建运动强度识别系统，其包括依次连接的数据预处理模块、并行卷积处理流、双线性池化模块和多任务学习模块，所述并行卷积处理流包括两条并行的卷积处理流；A2、通过数据预处理模块对经标注了标签的运动数据进行预处理，得到运动信息和对应的标签组成的训练集，其中，运动数据由惯性传感器采集得到，为运动数据标注的标签包括多种不同的运动强度标签和多种不同的运动行为标签；A3、用所述训练集训练所述运动强度识别系统；本发明从通道和空间两个维度对卷积层提取的特征进行优化，关注重要的特征，抑制不必要的特征，有助于提升运动强度的识别精度。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.041 seconds)
