-
公开(公告)号：CN116010840A
公开(公告)日：2023-04-25
申请号：CN202211446534.8
申请日：2022-11-18
Applicant: 西安电子科技大学
IPC: G06F18/24 , G06F18/214 , G06F3/01
Abstract: 本发明公开了一种多源域样本重加权的EEG信号跨设备解码方法，包括：获取采集多个受试者的MI EEG信号得到的多源域样本数据集及采集目标受试者的MI EEG信号得到的目标域样本数据集；利用两者对预设的SRENet网络进行训练得到训练完成的目标SRENet网络；利用目标SRENet网络得到待测样本的解码结果；其中，预设的SRENet网络包括特征提取器、样本重加权分类器和条件重加权判别器；在网络训练过程中通过样本重加权分类器和条件重加权判别器对特征提取器提取的特征进行易迁移性度量，对更易于迁移至目标域的源域样本赋以更高的训练权重。本发明能提高跨设备的MI EEG信号的解码性能。
-
公开(公告)号：CN119557824A
公开(公告)日：2025-03-04
申请号：CN202411593187.0
申请日：2024-11-08
Applicant: 西安电子科技大学
Abstract: 本发明涉及一种多尺度关系学习的跨域脑电情绪识别方法及装置，包括：将脑电图信号输入多尺度关系学习网络，利用多尺度关系学习网络中依次连接的多尺度分离模块、连接关系学习模块和多尺度融合模块，得到融合情绪特征；其中，融合情绪特征包括多个源域的信息；将融合情绪特征输入通用特征归纳网络，利用通用特征归纳网络中的狄利克雷先验网络排除个性化情绪特征对情绪识别的干扰，得到情绪识别结果。上述技术方案利用多尺度关系学习网络捕获情绪特征，能够学习更加符合脑神经科学的脑连接关系，综合考虑多个源域的情绪信息，并对融合情绪特征进行归纳，排除个性化情绪干扰，提高了泛化能力。
-
公开(公告)号：CN117131356A
公开(公告)日：2023-11-28
申请号：CN202310889486.8
申请日：2023-07-19
Applicant: 西安电子科技大学
IPC: G06F18/213 , G06F18/241 , G06N3/0464 , G06N3/048 , G06N3/08 , G06F123/02
Abstract: 本发明公开了一种多头自注意力机制融合的时空卷积脑电解码方法，包括：采集脑电信号；将脑电信号输入脑电解码网络，以使脑电解码网络中的第一时空特征提取模块和第二时空特征提取模块依次对脑电信号进行处理，第一\二时空特征提取模块用于提取输入数据的频谱特征，并基于频谱特征提取时间特征后，利用多头自注意力机制提取空间‑时间特征；对第二时空特征提取模块输出的空间‑时间特征进行分类，得到脑电信号的分类结果。本发明能够准确表征脑电信号，可分离卷积层有效地解耦了脑电任务和脑电信号之间的时间相关关系，在此基础上利用多头自注意力机制关注大脑的空间激活模式，提取互补的空间表征信息，有利于实现脑电信号的准确分类。
-
公开(公告)号：CN119538095A
公开(公告)日：2025-02-28
申请号：CN202411602789.8
申请日：2024-11-11
Applicant: 西安电子科技大学
IPC: G06F18/2415 , A61B5/369 , A61B5/372 , A61B5/00 , G06F18/213 , G06N3/045 , G06N3/042 , G06N3/0464 , G06N5/045
Abstract: 本发明公开了一种基于时空渐进注意力模型的快速序列视觉呈现脑电分类方法，包括：获取待分类脑电数据；将待分类脑电数据输入至训练好的时空渐进注意力模型进行处理，得到待分类脑电数据的类别；其中，训练好的时空渐进注意力模型以采集并处理后的预设数据作为训练数据集，以提取脑电数据空间特征和时间特征为目的，对初始的时空渐进注意力模型进行训练后得到。脑电数据通过采集被试者在以快速序列视觉呈现的方式观看图像序列得到，图像序列包括红外小目标图像和非目标图像。本发明能够最大限度的利用电极和时间片段的有用信息，同时尽可能减少不相关的信息。
-
公开(公告)号：CN115474947A
公开(公告)日：2022-12-16
申请号：CN202211027652.5
申请日：2022-08-25
Applicant: 西安电子科技大学
Abstract: 本发明涉及一种基于深度学习的两类基本情绪强度脑电信号识别方法，包括：通过n个尺度空间特征提取模块分别提取激活模式和尺度空间特征，其中，每个尺度空间特征提取模块对应的卷积核大小不相同，第一个尺度空间特征提取模块的输入为原始脑电信号，其他各个尺度空间特征提取模块的输入为原始脑电信号和前一个尺度空间特征提取模块所提取的尺度空间特征；对原始脑电信号和所有激活模式和尺度空间特征进行维度变换，得到高阶融合的尺度特征；基于N个长短时记忆网络获取高阶融合的尺度特征中的高阶时域信息，根据高阶时域信息获取原始脑电信号对应的分级情绪，分级情绪包括：强正向情绪、弱正向情绪、强负向情绪和弱负向情绪。
-
Patent Agency Ranking
公开(公告)号：CN114118176A
公开(公告)日：2022-03-01
申请号：CN202210001444.1
申请日：2022-01-04
Applicant: 西安电子科技大学
Abstract: 本申请属于信号处理技术领域，涉及一种脑电信号的分类方法，具体提供了一种基于解耦表示学习的连续快速视觉演示脑电信号分类方法，该方法包括如下步骤：S1，脑电信号的获取及预处理；S2，解耦表示学习网络的构建；S3，对构建的解耦表示学习网络进行训练；S4，对训练后的解耦表示学习网络进行测试；S5，对测试后的解耦表示学习网络进行微调；S6，对微调后的解耦表示学习网络进行实时检测。本发明将学习过程解耦为表示学习过程和分类器学习过程，避免分类器对表示学习过程产生影响，解决了连续快速视觉演示分类中存在的类别不平衡问题导致分类准确率低的问题，从而提高脑电信号的分类准确率。
-
公开(公告)号：CN118070036A
公开(公告)日：2024-05-24
申请号：CN202311529824.3
申请日：2023-11-16
Applicant: 西安电子科技大学
IPC: G06F18/213 , A61B5/369 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于情感风格迁移的脑电信号识别方法及装置、电子设备。所述方法包括：对脑电信号进行分解处理，得到多频段脑电信号；将多频段脑电信号输入至训练好的基于情感风格迁移的脑电信号识别模型，得到脑电信号的类别标签；其中，训练好的脑电信号识别模型是根据无标注的目标域样本和有标签源域样本进行训练得到的，目标域样本数据与源域样本中的数据来自不同数据集中的不同受试者。根据本发明提供的方法，通过将脑电信号输入至训练好的基于情感风格迁移的脑电信号识别模型，得脑电信号的类别标签；并且，该模型是根据不同数据集中来自不同的受试者的数据进行训练得到的；能够实现对复杂多变的真实情绪进行识别，扩大应用场景。
-
公开(公告)号：CN114145745B
公开(公告)日：2024-03-29
申请号：CN202111532664.9
申请日：2021-12-15
Applicant: 西安电子科技大学
Abstract: 本申请属于信息技术领域，涉及一种脑电信号的分类方法具体提供了一种基于图的多任务自监督情绪识别方法，其特征在于，该方法包括如下步骤：S1，获取脑电情绪数据并进行预处理；S2，构建自监督辅助任务；S3，构建图卷积神经网络；S4，训练图卷积神经网络；S5，测试图卷积神经网络。本发明首次考虑到设计自监督任务用于脑电情绪识别。设计的空间拼图任务通过学习不同脑区之间的内在空间关系，从而学习脑电情绪相关的空间模式；设计的频率拼图任务旨在于挖掘对情感识别更为关键频带；设计的对比学习任务旨在于进一步规范特征空间，学习内在的表征。本发明情绪识别的准确率较高。
-
公开(公告)号：CN114052734B
公开(公告)日：2022-11-01
申请号：CN202111403187.6
申请日：2021-11-24
Applicant: 西安电子科技大学
Abstract: 本申请涉及信息技术领域，具体提供了一种基于渐进式图卷积神经网络的脑电情感识别方法。该方法包括如下步骤：S1，获取情绪脑电数据，并对其进行预处理；S2，构建渐进式图卷积神经网络；S3，训练图卷积神经网络；S4，对训练好的神经网络进行测试。本发明首次考虑到情绪的层次特性，构造了双粒度分支神经网络模型，充分利用了情绪的层次特性，提高了脑电情感识别的效果。本发明构造了基于大脑区域功能连接性的动态图和基于大脑区域空间邻近性的静态图，本发明充分利用了大脑的动态功能连接信息和空间邻近信息的互补性，提高了脑电情感识别的效果。
-
公开(公告)号：CN119498849A
公开(公告)日：2025-02-25
申请号：CN202411577096.8
申请日：2024-11-06
Applicant: 西安电子科技大学
IPC: A61B5/16 , A61B5/369 , A61B5/372 , A61B5/00 , G06F18/241 , G06N3/0455 , G06N3/0895 , G06F18/22 , G06F18/25 , G06N3/084
Abstract: 本发明提供的基于脑激活区多视角对比学习的情绪识别方法，包括：获取待识别脑电情绪信号；对待识别脑电情绪信号进行时空变换，得到待识别时空信号；将待识别时空信号输入预训练双路解耦多视角模型，得到情绪识别结果；通过在最终双路解耦多视角编码器中设置用于提取时间特征和空间特征的两路编码器，可以充分挖掘和利用待识别时空信号中的多维信息，实现了对应时空特征的解耦；通过将时空信号样本按照脑区的激活程度划分得到高激活区域和低激活区域，可以根据脑区的不同激活程度执行针对性的数据增强策略，在此基础上利用数据增强后的样本训练得到预训练双路解耦多视角模型，提高了预训练双路解耦多视角模型对于情绪识别的精确度和可靠性。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.032 seconds)
