-
公开(公告)号：CN112200016A
公开(公告)日：2021-01-08
申请号：CN202010977310.4
申请日：2020-09-17
Applicant: 东北林业大学
Abstract: 本发明涉及一种基于集成学习方法AdaBoost的脑电信号情感识别方法，其中脑电信号情感识别的方法包括：首先导入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数据，并提取出数据和0/1标签；然后进行特征提取和特征选择，从脑电信号数据中提取出与情感相关的时域、频域和非线性特征；接下来，进行4个维度(Valence,Arousal,Dominance,Liking)上的情感二分类，将提取出的特征数据划分成训练集和测试集，训练集输入到训练好的AdaBoost分类器，测试集采用5折交叉验证的方法验证分类效果。此外，使用Random Forest和XGBoost分类器进行对比实验，发现本发明中的方法性能最优，使得情感识别准确率得到了较为明显的提升。
-
公开(公告)号：CN116784848A
公开(公告)日：2023-09-22
申请号：CN202210266032.0
申请日：2022-03-15
Applicant: 东北林业大学
Abstract: 本发明涉及一种基于共空间模式算法的脑电信号抑郁检测方法，其中基于共空间模式算法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；然后使用基于共空间模式算法提取特征；为降低输入脑电信号数据矩阵的维数，采用基于排序的特征选择方法进行降维，该方法以ROC为准则。将显著特征在LR模型进行训练和测试。最后，对LR分类器进行100次10‑CV迭代训练和测试。该方法通过共空间模式算法提取有效特征，基于ROC准测，将排序的特征进一步选择，提高了特征的识别性，使得分类准确性提升，突破了共空间模式算法在脑电信号抑郁检测的准确性。
-
公开(公告)号：CN116386860A
公开(公告)日：2023-07-04
申请号：CN202211654263.5
申请日：2022-12-22
Applicant: 东北林业大学
IPC: G16H50/30 , G16H10/60 , G06F18/25 , G06N3/096 , G06N3/098 , G06N3/0499 , G06N7/08 , G06T7/00 , G06V10/764 , G06V10/82
Abstract: 基于多模态的糖尿病及其并发症智能辅助预测与诊断平台，本发明涉及人工智能，医疗诊断，深度学习，图像处理，辅助诊断系统。糖尿病的主要血管并发症如DR及CAD的诊断则需要多种医疗技术进行辅助诊断，DR的诊断主要通过眼底检查明确，CAD的诊断则需要依靠于患者的症状、体征、心电图、运动试验、冠脉CT或者冠脉造影等结果综合进行诊断。通过人工智能的方式，开发一款自动化的、实时的糖尿病及DR和CAD的预测评估模型，进而辅助医生诊断。本发明应用于在给出患者视网膜眼底图像以及相应临床指标的前提下，利用人工智能的算法实现糖尿病及DR和CAD的准确预测与评估。
-
公开(公告)号：CN115661066A
公开(公告)日：2023-01-31
申请号：CN202211290018.0
申请日：2022-10-21
Applicant: 东北林业大学
IPC: G06T7/00 , G06V10/26 , G06V10/764 , G06V10/82
Abstract: 本发明涉及一种基于分割和分类相融合的糖尿病性视网膜病变检测方法，基于分割和分类相融合的糖尿病性视网膜病变检测方法：首先获取相关IDRiD和DDR的数据集。对数据集进行预处理，将其裁剪为512x512的尺寸，同时进行对比度增强，使得图像的病变信息表现的更加明显。为了降低DR分类的难度和解决图像域差异的问题，我们采用两阶段的分类网络实现DR的五分类。在第一阶段中，使用ST‑Net对NPDR和PDR数据进行分类。在第二阶段中，使用改进的UNet和ViSion Transformer相结合(称为MT‑SNet)对病变进行分割，再融入到原始图像中。在分割后的NPDR数据中，再使用SRVGG进行分类。
-
公开(公告)号：CN115641915A
公开(公告)日：2023-01-24
申请号：CN202211290019.5
申请日：2022-10-21
Applicant: 东北林业大学
Abstract: 本发明涉及一种基于堆叠集成模型的囊泡转运蛋白识别方法，其中基于堆叠集成模型的囊泡转运蛋白识别方法包括：首先，我们对数据集进行训练集和测试集的划分，并使用随机欠采样对不平衡数据集进行处理；其次，从蛋白质序列提取PSSM特征，随后从PSSM中进一步提取氨基酸伪组成、二肽伪组成、氨基酸组成和二肽组成特征，并使用MRMD算法选择最优特征子集；最后，将最优特征子集输入到堆叠分类器进行囊泡转运蛋白进行识别。
-
Patent Agency Ranking
公开(公告)号：CN113902941A
公开(公告)日：2022-01-07
申请号：CN202110892668.1
申请日：2021-08-04
Applicant: 东北林业大学
IPC: G06V10/764 , G06V10/774 , G06K9/62 , G06N20/00
Abstract: 本发明涉及一种基于随机森林的蔗糖转运蛋白识别方法，其中基于随机森林的蔗糖转运蛋白识别方法包括：首先从蛋白质数据库中获取初始数据，并对其进行预处理，将含有非标准字母的序列删除，长度过短的序列删除，相似度大于60％的序列删除；然后根据蛋白质的理化性质和进化信息提取不同的特征，并将每个特征以及组合特征作为特征输入；接下来，由于正例和反例的样本数相差较大，所以对该数据集进行过采样；最后在十折交叉验证下，使用随机森林、支持向量机、随机梯度下降、朴素贝叶斯对过采样后的训练集特征训练，使用测试集进行测试，分析结果。该方法通过使用k‑separated‑bigrams‑PSSM和随机森林结合方法，并引入Borderline‑SMOTE算法解决数据不平衡问题，有效地提高了蔗糖转运蛋白识别的准确率。
-
公开(公告)号：CN103761743B
公开(公告)日：2016-06-29
申请号：CN201410043711.7
申请日：2014-01-29
Applicant: 东北林业大学
IPC: G06T7/00
Abstract: 一种基于图像融合分割的实木地板表面缺陷检测方法，涉及地板表面缺陷检测领域，本发明针对区域生长算法存在的分割速度慢、分割不准确的问题，致使实木地板的表面缺陷检测速度慢、精度低的问题，影响其质量与分选等级。首先提取缺陷的R分量图像并进行图像缩小，在低维图像空间内运用区域生长方法完成缺陷的快速定位；利用梯度信息插值对缩小图像进行放大复原，并对缺陷进行标记生成参考图像；应用小波变换检索标记参考图像的边缘，以边缘像素点为种子在原图像进行禁忌快速搜索，实现缺陷区域的快速、精准分割。对20幅含有活节、死节、裂纹的样本图像进行缺陷检测试验，该方法平均分割时间为13.21ms，缺陷分割区域的准确率达到96.8%。
-
公开(公告)号：CN103761743A
公开(公告)日：2014-04-30
申请号：CN201410043711.7
申请日：2014-01-29
Applicant: 东北林业大学
IPC: G06T7/00
Abstract: 一种基于图像融合分割的实木地板表面缺陷检测方法，涉及地板表面缺陷检测领域，本发明针对区域生长算法存在的分割速度慢、分割不准确的问题，致使实木地板的表面缺陷检测速度慢、精度低的问题，影响其质量与分选等级。首先提取缺陷的R分量图像并进行图像缩小，在低维图像空间内运用区域生长方法完成缺陷的快速定位；利用梯度信息插值对缩小图像进行放大复原，并对缺陷进行标记生成参考图像；应用小波变换检索标记参考图像的边缘，以边缘像素点为种子在原图像进行禁忌快速搜索，实现缺陷区域的快速、精准分割。对20幅含有活节、死节、裂纹的样本图像进行缺陷检测试验，该方法平均分割时间为13.21ms，缺陷分割区域的准确率达到96.8%。
-
公开(公告)号：CN118656723A
公开(公告)日：2024-09-17
申请号：CN202410637544.2
申请日：2024-05-22
Applicant: 东北林业大学
IPC: G06F18/2415 , G06F18/10 , G06F18/22 , G06F18/23213 , G06N3/088 , G06N3/084 , G06Q50/00
Abstract: 本发明涉及一种多角度基于深度DAE网络实现社交机器人检测的无监督方法SC‑DAE，主要用于提高对快速变化的社交机器人检测。首先在微博平台获取最新的数据集，在对数据进行预处理后，然后使用BERT和热编码获得向量表示，并对时间序列使用本文提到的多角度时间计算方法。最后对处理后的数据进行聚类后，每个用户在这三个类别中获得本文提到的两种活跃模式，通过用户的历史活动模式计算出用户的活动偏好值。网络的输入同时连接了用户社交网络关系，进一步约束模型，得到用户对活跃模式的最大概率偏好，从而达到社交机器人检测的目的。
-
公开(公告)号：CN116820223A
公开(公告)日：2023-09-29
申请号：CN202210263640.6
申请日：2022-03-17
Applicant: 东北林业大学
IPC: G06F3/01 , G06F18/213 , G06N3/0464 , G06F18/2415 , G06N3/08
Abstract: 本发明涉及一种基于递归图和卷积自动编码CAE的脑电信号情感识别方法，其中基于递归图和卷积自动编码CAE的脑电信号情感识别方法包括：首先获取相关脑电信号的数据集，对数据集进行预处理，利用滤波法除去其中的伪迹，使用主成分分析发对其进行降维，得到干净的脑电信号，然后将干净的脑电信号进行相空间重构，再选择合适的阈值得到递归矩阵，之后将递归矩阵转换成递归图。将得到的递归图送入卷积神经网络CNN进行特征提取，将经过作为图像特征提取结果的CNN网络的输出输入到自动编码器(SAE)中，最后经过一层SotfMax层计算类别标签的结果，输出情感识别的结果。
-
-
-
-
-
-
-
-
-
Search Results
43
records
(took 0.035 seconds)
