-
公开(公告)号：CN108937968B
公开(公告)日：2021-11-19
申请号：CN201810565890.9
申请日：2018-06-04
Applicant: 安徽大学
Abstract: 本发明公开了一种基于独立分量分析的情感脑电信号的导联选择方法，使用多导联情感脑电信号并对其进行滤波处理，将滤波后的数据使用ICA分析，建立对应不同情感任务背景下的空域滤波器组，然后进行线性投影，获取全导联的情感信号的空域特征参数，然后使用导联选择的方法选择出受试者的最优导联集合。本发明获得了较高的识别正确率，实现了根据不同受试者自动选择情感相关独立分量，相对于提取全通道的独立分量，选取最优导联位置的独立分量不仅能够降低算法的时间复杂度，同时能更准确地描述情感相关独立源的真实情况，同时能够有效抑制与情感信号无关的分量及外部噪声的干扰。
-
公开(公告)号：CN106491129B
公开(公告)日：2019-09-10
申请号：CN201610885750.0
申请日：2016-10-10
Applicant: 安徽大学
IPC: A61B5/0496 , G06K9/00 , G06F3/01
Abstract: 本发明公开了一种基于EOG的人体行为识别系统及方法，首先建立一个基于Hjorth参数的EOG信号识别模型，用于实现对原始单元EOG信号的识别；同时，使用N‑gram方法统计背景任务下不同行为状态的上下文关系，并建立一个眼动信号‑行为状态关系模型；最后，通过置信度参数对两个模型输出的结果进行综合的分析与判断，以获取受试者最可能的行为状态。本发明的一种基于EOG的人体行为识别方法，具有识别正确率更高、扩展性更强、应用前景良好等优点。
-
公开(公告)号：CN106096544A
公开(公告)日：2016-11-09
申请号：CN201610404549.6
申请日：2016-06-02
Applicant: 安徽大学
CPC classification number: G06K9/00496 , A61B5/024 , A61B5/72
Abstract: 本发明涉及一种基于二阶盲辨识的非接触式眨眼与心率联合检测系统及方法，在受试者自然放松的状态下采集包含眼睛的面部视频数据，采集原始视频数据后选定检测面部区域并对所选视频数据进行预处理，得到预处理后的六通道信号，标记为x＝[xR1,xR2,xG1,xG2,xB1,xB2]T；使用Meanshift算法得到连续帧中的目标区域，并以同样的方法获取六通道信号；将经过预处理后的原始信号作为输入信号，使用二阶盲辨识算法进行盲源分离，将分离后的源信号记为y＝[y1,y2,y3,y4,y5,y6]T；对上述步骤S101中得到的分离信号y进行信号辨识与筛选，使用基于谱峭度的分离分量自动识别方法选出所需的眨眼和BVP信号；对得到的眨眼信号进行眨眼频率和时长计算，并对得到的BVP信号进行功率谱谱分析，得到心率估计值，本发明具有准确度高、抗干扰能力强、算法效率高等优点。
-
公开(公告)号：CN105816181A
公开(公告)日：2016-08-03
申请号：CN201610140400.1
申请日：2016-03-11
Applicant: 安徽大学
IPC: A61B5/11 , A61B5/0496 , A61B5/00
CPC classification number: A61B5/4088 , A61B5/0496 , A61B5/11
Abstract: 本发明涉及一种基于EOG的阅读行为识别方法及设备，该识别方法包括如下步骤，采集待检测者的EOG信号，并对采集到的EOG信号进行预处理；通过端点检测，识别出预处理后的EOG信号阅读状态的起始点和终止点；得到的阅读EOG信号，通过小波包变化方法进行字符串编码；通过编码字符串和模板字符串之间的编辑距离实现字符串匹配，得到识别结果。本发明作为一种阅读障碍诊断的辅助方法，具有识别正确率高、可拓展性强、潜在应用价值高等优点。
-
公开(公告)号：CN103892829B
公开(公告)日：2016-04-27
申请号：CN201410156043.9
申请日：2014-04-17
Applicant: 安徽大学
IPC: A61B5/0496
Abstract: 本发明公开了一种基于共同空间模式的眼动信号识别系统及其识别方法，眼动信号识别系统包括眼动信号预处理模块、空域滤波器训练模块及眼动信号识别模块。识别方法包括：采集基于眼电图的眼动数据并对眼动数据进行预处理；将预处理后的所有数据分成训练数据和测试数据两个部分；对于训练数据，采用CSP算法对其进行空域滤波，并将滤波后结果作为特征参数输入到SVM分类器中进行SVM模型训练；对测试数据，同样使用CSP算法进行特征提取，并将结果送入已训练好的SVM分类器中进行识别，最终得到眼部动作的识别结果。本发明的眼动信号识别系统及其识别方法，具有对眼动信号识别正确率较高、眼动信号扩展分类能力较强、应用潜力大等优点。
-
Patent Agency Ranking
公开(公告)号：CN103338265B
公开(公告)日：2016-03-30
申请号：CN201310290388.9
申请日：2013-07-10
Applicant: 安徽大学
IPC: H04L29/08 , H04W84/18 , A61B5/0496 , A61B5/0476
Abstract: 本发明公开了一种结合脑电和眼电的信息交互系统及信息交互方法，信息交互系统的无线通信模块包括多个Zigbee通信终端，且以其中一个Zigbee通信终端作为网络协调器；每个信息交互子终端包括信息融合模块和串口通信模块；每个信息交互子终端通过各自的串口通信模块与多个Zigbee通信终端之一相连接；每个信息交互子终端上连接有一个眼电与脑电信号采集模块；眼电与脑电信号采集模块采集用户的眼电信号与脑电信号并将所采集的眼电信号与脑电信号放大处理后发送至信息融合模块。本发明实现了一种结合脑电和眼电的信息交互系统及方法，提供了一种非言语与肢体的全新信息交互方式，具有应用范围广、扩展性强、使用舒适、交互性好、鲁棒性强等优点。
-
公开(公告)号：CN104810018A
公开(公告)日：2015-07-29
申请号：CN201510222045.8
申请日：2015-04-30
Applicant: 安徽大学
IPC: G10L15/04
Abstract: 本发明公开了一种基于动态累积量估计的语音端点检测方法，包括了基于滑动窗的高阶累积量递推计算和基于滑动窗峭度的端点检测。基于滑动窗的高阶累积量递推计算是指对原始样本数据加矩形窗，对窗内数据进行累积量估计，每滑动一个样本点对窗内数据进行更新，实现累积量的动态估计。基于滑动窗峭度的端点检测是结合高阶累积量递推计算方法计算滑动窗峭度和能量特征进行语音信号的端点检测。本发明相比现有技术具有以下优点：本发明中的基于动态累积量估计的语音信号端点检测方法是基于滑动窗峭度、能量双门限的端点检测，参数滑动窗峭度对语音段起始点具有较强敏感性且对噪声具有更好的抗干扰能力，在噪声环境下具有较好的鲁棒性。
-
公开(公告)号：CN115601801B
公开(公告)日：2025-04-04
申请号：CN202211113140.0
申请日：2022-09-13
Applicant: 安徽大学
Abstract: 本发明公开了一种面向远距离大景深场景的非接触式鲁棒心率检测方法及其系统，包括以下步骤：S1：在远距离场景下，使用图像采集设备对用户进行面部视频数据采集，获取用户的面部近景图像；S2：利用人脸检测算法获取人脸区域，并在远距离的高动态场景下，获取人脸中的稳定区域SROI作为检测区域，并使用稳定感兴趣区域跟踪算法在每帧图像中确定该检测区域；S3：对所述SROI图像序列进行预处理、分割和降维，由SROI二维图像序列生成多通道原始观测数据；S4：利用FastICA算法从多通道原始观测信号中分离多种生理信号，通过计算短时峭度的方法从多通道生理信号中确定BVP信号，并进行心率计算。
-
公开(公告)号：CN119377876A
公开(公告)日：2025-01-28
申请号：CN202411301655.2
申请日：2024-09-18
Applicant: 安徽大学
IPC: G06F18/25 , G06F18/213 , G06F18/214 , G06F18/22 , G06N3/0464
Abstract: 本发明公开了一种基于多模态融合数据增强框架的情感识别方法，包括以下步骤：S1：提取包括n个生理信号的多模态输入序列，将这些多模态输入序列使用CNXAF模型进行模态融合，得到多模态融合数据；S2：使用条件自注意力生成对抗网络C‑SAGAN对所述多模态融合数据进行数据增强，得到增强数据集，C‑SAGAN网络包括生成器和判别器两个组件；S3：利用预先训练的改进型ConvNeXt‑t模型对增强数据集进行情感识别。还公开了一种基于多模态融合数据增强框架的情感识别系统。本发明能够对多模态生理信号进行数据融合和数据扩充，端到端地实现高精度的多模态情感识别。
-
公开(公告)号：CN115054272B
公开(公告)日：2025-01-07
申请号：CN202210893898.4
申请日：2022-07-27
Applicant: 安徽大学
IPC: A61B5/369 , G06F18/213 , G06N3/042 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种面向运动障碍功能重塑的脑电信号识别方法及系统。识别方法包括以下步骤：S1：设置采样周期，获取多个脑电信号；S2：对脑电信号预处理并提取训练集；S3：将训练集中的脑电信号分为不重叠的时间窗口，计算每个时间窗口的皮尔逊系数，获取时域脑功能连接；S4：根据时域脑功能连接和空间域信息建立脑部生物拓扑模型；S5：提取特定频段范围内的初始特征，校准后训练集上的特征作为输入特征；S6：根据输入特征和脑部生物拓扑模型构造可学习图卷积神经网络模型，输出预测标签。本发明通过充分融合时‑频‑空域的脑电信息，学习更具有鉴别性的运动想象特征，使得模型在训练过程中合理优化电极关系，提高了脑电信号识别的准确率。
-
-
-
-
-
-
-
-
-
Search Results
140
records
(took 0.07 seconds)
