-
公开(公告)号：CN115758105A
公开(公告)日：2023-03-07
申请号：CN202211199934.3
申请日：2022-09-29
Applicant: 厦门大学
IPC: G06F18/213 , G06F18/214 , G06F18/241 , G06N3/045 , G06N3/0464 , G06N3/084 , G01R31/00 , G06F123/02
Abstract: 本发明提出基于深度学习的半自适应式非侵入式电负荷监测方法，通过对从家庭电表获取到的负荷信号进行抽样、重叠窗分段、电器激活信号提取、激活信号随机组合等方式构建数据集。通过设计包含分离主网络和个体特征提取子网络的神经网络模型，将提取电器普遍特征和个体专有特征的步骤模块化、具体化，并通过多任务模式的深度学习对不同模块的功能进行了约束，得到优化后的深度学习模型。本发明的提出有效解决了基于深度学习的非侵入式电负荷分解方法泛化性、普适性不足的问题，方法具备针对不同型号电器个体的半自适应性监测能力。
-
公开(公告)号：CN109557487A
公开(公告)日：2019-04-02
申请号：CN201811436577.1
申请日：2018-11-28
Applicant: 厦门大学
Abstract: 基于残差网络的磁共振信号的时频变换和相位校正的方法，涉及磁共振信号的时频变换方法。根据FID信号的特征，构建同时存在零阶相位失调与一阶相位失调的自由感应衰减时域信号的数学模型和理想的吸收谱，即无相位失调的频谱实部的数学模型，由数学模型生成仿真信号，构建训练集数据和测试集数据；搭建残差网络模型，设置好相关的训练参数；网络训练；网络测试。利用深度学习中的残差神经网络，实现了将时域的自由感应衰减信号自动变换成理想吸收谱，即无相位失调的频谱实部。此过程中完成了从时域自动变换到频域，以及相位失调的自动校正，进而可以得到理想吸收谱。
-
公开(公告)号：CN116309181A
公开(公告)日：2023-06-23
申请号：CN202310342290.7
申请日：2023-04-03
Applicant: 厦门大学
IPC: G06T5/00 , G06F30/23 , G06V10/762 , G06T5/20 , G06F111/04
Abstract: 一种基于空谱特征先验的CEST图像去噪方法,涉及磁共振成像领域。对受莱斯噪声污染的CEST图像方差稳定变换，纠正非高斯噪声引起的偏差；对方差稳定变换后的含噪CEST图像进行子空间学习，求解子空间的基；建立观测模型：将含噪CEST图像进行频谱低维表示，得到子空间低维图像利用子空间图像域非局部相似性，对添加非局部低秩约束；利用CEST图像的频谱局部光滑性对Z谱添加加权全变分约束，构建完整CEST图像去噪模型；对模型用交替极小化算法迭代求解，获得估计的去噪图像对方差逆变换，得到最终去噪图像。在有效去除噪声的基础上，能够达到更高的空谱保真度。
-
公开(公告)号：CN116299105A
公开(公告)日：2023-06-23
申请号：CN202310336123.1
申请日：2023-03-31
Applicant: 厦门大学
IPC: G01R33/54
Abstract: 本发明公开了一种磁共振对称谱非均匀采样方法、磁共振对称谱重建方法及装置，通过构造均匀间隔的磁共振自由感应衰减信号的对称对，并得到第一对称对序列；采用随机泊松间隔从第一对称对序列中选取若干个对称对，得到第二对称对序列；在第二对称对序列中选择对称对，并随机抽取所选的对称对中的其中一个数据点进行采样，得到采样结果；响应于确定所选的对称对由两个交叉数据点组成，将采样结果填充在所选的对称对中的另一个数据点的位置上，得到非均匀采样自由感应衰减信号，并采用压缩感知方法进行快速重建，所得到的谱图交叉峰更精准，解决了现有交叉峰重建精度不足的问题，并且操作简单，适用性广，效果优良。
-
公开(公告)号：CN115329658A
公开(公告)日：2022-11-11
申请号：CN202210820413.9
申请日：2022-07-13
Applicant: 厦门大学
IPC: G06F30/27 , G06F21/60 , G06K9/62 , G06F119/02
Abstract: 本发明提供了一种基于深度学习核磁共振二维扩散排序谱数据处理方法，首先，根据核磁共振二维扩散排序谱信号特征，以相关数学模型生成模拟数据，构建模拟数据集；生成网络训练所用标签，所述标签为二维矩阵，两个维度分别为化学位移系数和扩散系数；搭建深度学习网络模型，设置训练参数；用构建的模拟数据集进行深度学习网络模型训练；深度学习网络模型测试；本发明提供的方法，无需待测样品分子成分的确切数量作为先验知识，且训练数据均为模拟数据，无需大量采集真实数据。
-
Patent Agency Ranking
公开(公告)号：CN116843776A
公开(公告)日：2023-10-03
申请号：CN202310561216.4
申请日：2023-05-18
Applicant: 厦门大学
Abstract: 本发明公开了一种基于非均匀采样模板的磁共振对称谱重建方法，包括：构建采样模板；构建具有稀疏约束的磁共振谱重建模型；将具有稀疏约束的磁共振谱重建模型转换为具有严格对称约束和稀疏约束共同约束的磁共振对称谱重建模型；采用截断牛顿内点法分两步重建谱图。本发明将采样模板和重建方法相结合，可以重建出交叉峰质量较高的磁共振对称谱，在采样模板和重建方法中充分利用了磁共振对称谱的对称性先验，操作简单，针对性强，效果优良，最终实现了磁共振对称谱非均匀采样高质量重建，尤其是磁共振对称谱中交叉峰的高质量重建。
-
公开(公告)号：CN116304783A
公开(公告)日：2023-06-23
申请号：CN202211513588.1
申请日：2022-11-29
Applicant: 厦门大学
IPC: G06F18/24 , G06F18/213 , G06F18/23
Abstract: 本发明公开了一种基于聚类的磁共振扩散排序谱处理方法、装置及可读介质，通过获取若干梯度编码的磁共振扩散排序谱对应的衰减谱，选取衰减谱中化学位移维度上每个谱峰的信号点，并构建每个信号点对应的、长度为梯度个数的特征向量；根据每个谱峰的所有信号点的特征向量通过聚类算法进行分类，得到每个谱峰的信号点的分类结果；根据每个谱峰的信号点的分类结果和每个信号点对应的谱强度进行统计分析，确定每个谱峰的类属别，根据类属别将磁共振扩散排序谱进行成分分离，得到对应不同成分的分离谱。该方法操作简单，适用性广，效果优良，适用于少量梯度，可有效缩短时间，鲁棒性好，并且误差小。
-
公开(公告)号：CN114966508A
公开(公告)日：2022-08-30
申请号：CN202210468209.5
申请日：2022-04-29
Applicant: 厦门大学
Abstract: 本发明提供一种超快速时空编码核磁共振谱畸变的自动校准方法，主要涉及通过优化算法对谱图畸变进行校准。首先，针对采样期间正负梯度场的有效强度不对称的不理想因素导致的畸变进行校准；其次，针对采样期间梯度场打开时间与采样开始时间不一致的不理想因素产生的畸变进行校准；随后，针对采样期间奇偶数据的初始相位不一致的不理想因素引起的畸变进行校准，从而获得一张无畸变的超快速时空编码核磁共振谱。本发明的主要效果是：仅通过采样信号本身就可实现对超快速时空编码核磁共振谱中的畸变校准。
-
公开(公告)号：CN109636725B
公开(公告)日：2022-05-17
申请号：CN201811525909.3
申请日：2018-12-13
Applicant: 厦门大学
IPC: G06T3/40
Abstract: 一种磁共振扩散排序谱的高分辨率重建方法，涉及磁共振扩散排序谱。构建磁共振扩散排序谱稀疏重建模型；将有约束模型化成无约束模型；初始化参数t和x；循环执行以下子步骤：①采用PCG算法计算牛顿线性方程组的解作为下降方向Δx；②采用回溯直线法计算下降步长s；③更新迭代值x＝x+sΔx；④构造对偶可行点v；⑤判断η/G(v)是否小于预设的精度值ε＝10‑8，若满足，则退出循环。⑥更新t，并跳回步骤①；输出重建谱图x。
-
公开(公告)号：CN110940944A
公开(公告)日：2020-03-31
申请号：CN201911226733.6
申请日：2019-12-04
Applicant: 厦门大学
Abstract: 基于深度学习的磁共振信号的去J耦合方法，涉及磁共振信号。根据磁共振波谱信号的特征，构建网络输入数据的数学模型和网络标签，即无J耦合现象的频谱实部的数学模型，由数学模型生成仿真信号，构建训练集数据和测试集数据；搭建网络模型，设置好相关的训练参数；将训练集数据输入到网络模型中训练网络，调整网络参数，直至损失函数下降至收敛并趋于稳定，得到功能化的网络模型；将测试集数据信号输入到训练后的功能化的网络模型中，得到经网络去耦合得到的理想吸收谱图，并与标签进行比较以验证网络的性能。实现去耦合以及去噪的功能，实现端到端的功能，无需对谱信号进行预处理等其他辅助手段操作，使用神经网络真正实现去耦合去噪功能。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.023 seconds)
