公共文化服务平台

共 6 条记录，以下是 1-6

全选清除导出

排序方式：

基于切片滤波器组共空间模式的跨数据集运动想象分类方法研究: 2022年; 目的:提出一种基于切片滤波器组共空间模式(slice filter bank common spatial pattern,SFBCSP)的运动想象分类方法,降低脑电运动想象数据集之间的系统性差异对分类模型的影响,提升分类准确率。方法:基于SFBCSP进行运动想象分类,首先对原始脑电信号进行预处理,其次通过带通滤波器和滑动窗口将脑电信号切分为不同频带和时间片段,然后利用空间滤波器提取脑电信号不同电极通道之间的空域特征,最后对多维度特征进行筛选和分类。利用神经信息处理系统大会提供的竞赛数据集对SFBCSP方法与脑电神经网络EEGNet、卷积循环注意力模型(convolutional recurrent attention model,CRAM)、共空间模式(common spatial pattern,CSP)和滤波器组共空间模式(filter bank common spatial pattern,FBCSP)的分类准确率进行比较。结果:提出的SFBCSP方法平均分类准确率均高于EEGNet、CRAM、CSP和FBCSP,相较于FBCSP,SFBCSP在单个数据集、跨数据集和混合数据集上的平均分类准确率分别提升了7.26%、5.16%和1.96%。结论:所提出的SFBCSP方法能够降低跨数据集的系统性差异对分类模型的影响,对运动想象和脑机接口的研究具有重要意义。; 张金辉郑宇博邹冰申牧罗莹莹李蕾; 关键词：脑电 CSP 脑机接口

针对虚拟化产品测试的STAF框架扩展功能的设计与实现: 随着虚拟化技术的发展，虚拟化产品日渐成熟并被大量使用。在虚拟化产品发布前，需要对产品进行各种测试，例如产品对各操作系统的兼容性测试。随着虚拟化产品与各操作系统的更新升级速度不断加快，测试任务逐步增加，同时测试周期也随之缩...; 罗莹莹; 关键词：自动化测试框架操作系统模块化设计; 文献传递

一种无监督对比学习的多模态数据增强和编码方法: 本发明公开了一种无监督对比学习的多模态数据增强和编码方法，涉及数据增强方法的设计与应用。本发明方法包括：通过差异化数据增强方法对输入的多模态时间序列进行数据增强，构建正负样本对；将原始样本与增强样本分别通过编码器编码，获...; 郑宇博罗莹莹邵恒益张琳李蕾

基于无线多模态信号采集的驾驶员疲劳监测系统设计研究被引量：3: 2022年; 目的:设计基于无线多模态信号采集的驾驶员疲劳监测系统,用于驾驶员疲劳评价和体征监测,以确保驾驶员的交通安全。方法:针对采集单人、单一模态数据,对不同场景的适应性不足等问题,设计基于无线多模态信号采集的驾驶员疲劳监测系统,系统通过摄像头记录驾驶员的面部状态,结合眼睑闭合度进行预评价,利用无线通信控制多个自行研制的电生理信号采集设备,实时采集驾驶员的脑电、心电及眼电信号。通过巴特沃斯低通滤波器和小波变换减少电生理信号中的伪迹和干扰,利用非线性变换提取脑电信号三频段差分熵特征、差分法提取心电中的心率特征,对驾驶员体征和疲劳状态进行实时监测、分析和可视化。结果:通过共模抑制比、输入噪声和信号完整性测试验证,驾驶员疲劳监测系统能够满足脑电、心电的医学采集标准;多人、多通道数据采集实时性误差<62.5 ppm;基于三频带非线性特征计算的疲劳程度与主观评价相关性达到89.1%,相较于双频带线性特征的相关性提升了14.2%。结论:基于无线多模态信号采集的驾驶员疲劳监测系统可实时采集驾驶员的多模体征,有效检测其疲劳和监测心率,对确保驾驶员交通安全具有重要意义和应用价值。; 张金辉郑宇博罗莹莹邹冰央妮李蕾; 关键词：脑电心电

基于深度学习的多通道脑电信号睡眠分期方法: 2022年; 目的利用脑电信号进行睡眠分期是分析人睡眠状态的重要方法,通过引入人工智能深度学习来研究基于多通道脑电信号的睡眠分期方法。方法提出基于注意力的多通道脑电信号睡眠分期方法(Attention Based Multi-Channel EEG Sleep Net,AMCSleepNet),该方法利用多个分支卷积网络分别提取脑电信号不同通道的时频域特征,设计新型压缩聚合层和残差层自适应融合多通道脑电信号的特征,并通过Transformer编码器挖掘特征的时间相关性。结果在2021全国智能睡眠科学大赛提供的多通道脑电数据上,AMCSleepNet的平均准确率达到了81.86%,相较于基于注意力的单通道模型和多通道深度卷积模型分别提升了5.69%和11.06%。结论AMCSleepNet方法能够利用多通道脑电信号提升睡眠分期的准确率,可更充分利用睡眠数据,潜在应用价值较高。; 张金辉郑宇博罗莹莹邹冰央妮李蕾; 关键词：脑电信号

基于类重平衡无监督域自适应的睡眠分期算法: 2023年; 睡眠障碍严重影响人体健康,基于脑电图的深度学习自动睡眠分期算法可帮助专家正确诊断患者的睡眠障碍。然而,训练数据的不平衡不利于少数类特征的学习,且由于数据分布的差异,训练数据上得到的自动睡眠分期模型在实际数据上的准确性往往会下降。对此,提出了一种融合类重平衡策略和半监督学习的无监督域自适应算法,并引入均衡损失函数以缓解睡眠分期数据集中数据不平衡的问题;同时,设计了平均教师方法,并引入随机的输出插值和相关置信度阈值以提升伪标签的精确度,通过鉴别器网络优化目标域数据的特征分布,从而改善模型在目标域上的分类准确性。在SHHS,Sleep-EDF和ISRUC-Sleep数据集上进行实验,证明所提算法的有效性,相比直接迁移算法的准确率提高了3.28%~13.27%,相比域统计对齐算法的准确率提高了6.73%~14.52%,相比自适应域统计对齐算法的准确率提高了0.78%~5.82%。; 邵恒益郑宇博罗莹莹李蕾张琳

全选清除导出

共1页<1>

罗莹莹

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户反馈

罗莹莹

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户登录

用户反馈