CN112580436B - 一种基于黎曼流形坐标对齐的脑电信号域适应方法 - Google Patents
一种基于黎曼流形坐标对齐的脑电信号域适应方法 Download PDFInfo
- Publication number
- CN112580436B CN112580436B CN202011342014.3A CN202011342014A CN112580436B CN 112580436 B CN112580436 B CN 112580436B CN 202011342014 A CN202011342014 A CN 202011342014A CN 112580436 B CN112580436 B CN 112580436B
- Authority
- CN
- China
- Prior art keywords
- data
- electroencephalogram
- space
- riemann
- points
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20216—Image averaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明请求保护一种基于黎曼流形坐标对齐的脑电信号域适应方法,属于于迁移学习域适应方法,特别是脑机接口中跨会话、跨对象分类的数据对齐方法。包括以下步骤:首先对采集到的脑电数据进行去均值、滤波、归一化等预处理;然后使用协方差矩阵对其进行处理,将脑电数据转化为对称正定(SPD)矩阵;根据对称正定矩阵构建黎曼流形空间;接着,将流形空间中的脑电数据点映射到对应的切线空间中进行坐标对齐;最后,将对齐后的脑电数据点映射回黎曼流形空间,并进行矢量化处理。本发明能够减少脑机接口系统中不同受试者脑电信号之间的差异,使得不同对象间的数据分布趋于一致。
Description
技术领域
本发明属于迁移学习域适应方法,特别是脑机接口中跨会话、跨对象分类的数据对齐方法。
背景技术
机器学习已经在许多领域中成功应用,但是收集并标注与目标数据具有相同分布的样本的代价是高昂的。当源域数据集和目标域数据集的分布存在差异时,由源域不能在目标域上取得良好的预测结果。迁移学习就是解决源域和目标域之间存在分布差异的机器学习方法,其核心是找到源域和目标域之间的相似性,并利用相似性将在源域中获得的知识应用于目标域。
域适应是迁移学习领域下的一个子问题。与迁移学习相比,域适应的背景条件约束更加严格,它需要保证源域、目标域的标签空间和特征空间都相同且条件概率分布相同。
在脑机接口(BCI)领域中,由于受试者之间的差异很大,每次开始时都需要20-30分钟的校准阶段,以获取足够的标记数据来训练受试者特定的BCI模型。在目标对象的训练集较小的情况下,如何提高分类性能是目前需要解决的问题。而迁移学习下的域适应方法可以寻找源域和目标域之间的关系,使两个域的数据在某个高维空间中满足相似分布,以利用通过源域所获得的先验知识。
因此,需要一种数据对齐的域适应方法,降低BCI系统中不同受试者脑电信号之间的差异,使得不同对象间的数据分布在某个高维空间中趋于一致。
发明内容
本发明旨在解决脑机接口领域中因不同受试者脑电信号差异较大,而造成校准阶段耗时的问题。提出了一种基于黎曼流形坐标对齐的脑电信号域适应方法。本发明的技术方案如下:
一种基于黎曼流形坐标对齐的脑电信号域适应方法,其包括以下步骤:
步骤1:获取已知对象的脑电信号和新加入对象的脑电信号,已知对象的脑电信号为源域数据,新加入对象的脑电信号为目标域数据,分别对源域、目标域的原始脑电数据进行包括去均值、带通滤波和归一化在内的预处理;
步骤2:将经过预处理的源域和目标域的脑电数据均使用协方差矩阵进行处理,使数据形式转化为对称正定SPD矩阵;
步骤3:构建黎曼流形空间,将步骤2中处理好的脑电数据点一一对应到黎曼流形空间中;黎曼流形是一个对称、正定的二阶张量场的光滑流形,它是具有黎曼度量的微分流形;
步骤4:分别计算源域数据和目标域数据在黎曼流形空间中各自的黎曼均值点,两个数据域总的黎曼均值点;
步骤5:将两个域的脑电数据点和对应的黎曼均值点通过对数映射投射到对应的切线空间中;
步骤6:在对应的切线空间中,利用坐标变换将两个域的脑电数据点进行平移对齐;
步骤7:将平移对齐后的两个域的脑电数据点通过指数映射投射回原来的黎曼流形空间;
步骤8:将经过域适应对齐后的源域数据和目标域数据进行矢量化处理,并输入分类器进行分类识别。
进一步的,所述步骤2:将源域和目标域的脑电数据都使用协方差矩阵进行处理,使数据形式转化为对称正定SPD矩阵;具体为:
其中Xi为预处理后的原始脑电数据,Ci为其构建的协方差矩阵,它是对称正定的。
进一步的,所述步骤3构建黎曼流形空间,将步骤2中处理好的脑电数据点一一对应到黎曼流形空间中,具体为:
进一步的,所述步骤4:分别计算源域数据和目标域数据在黎曼流形空间中各自的黎曼均值点和所有数据总的黎曼均值点;具体为:
根据黎曼均值计算公式
计算出源域数据的黎曼均值Ms,目标域数据的黎曼均值Mt和全部数据总的黎曼均值MD,ν表示求解点C1~CN黎曼均值点的函数,CN表示第N个数据点,N表示数据点个数,C(n)表示数据点集合,表示点Ci到切点C间距离的平方。
进一步的,所述步骤5:将步骤4中计算出的总的黎曼均值点作为切点,将源域脑电数据点、目标域脑电数据点和对应的黎曼均值点映射到对应的切线空间中;具体为:
根据对数映射公式
将上述所有数据点从流形空间映射到切线空间中。这里的C为切点对应数值。
进一步的,所述步骤6:在对应的切线空间中,利用坐标变换将两个域的脑电数据点进行平移对齐,具体为:
通过两点间距离公式分别计算Ms和Mt到MD间的距离ds、dt,再根据对应的距离,将切线空间中的源域数据点和目标域数据进行平移对齐。即将两个域的数据点按照对应的距离ds、dt,在切线空间中沿着Ms→MD、Mt→MD方向进行平移,使得它们内部的特征相匹配。
进一步的,所述步骤7将对齐后的两个域的脑电数据点通过指数映射映射回原来的黎曼流形空间;具体为:
根据指数映射公式
将对齐后的两个域的脑电数据点从黎曼流形空间映射到切线空间中。
进一步的,所述步骤8:将经过域适应对齐后的源域数据和目标域数据进行矢量化处理,以适用于各种分类器;具体为:
经过之前的步骤,源域和目标域的脑电数据转化为了对称的矩阵形式,将矩阵数据进行矢量化,只需要提取上三角或者下三角矩阵的信息,这样,m×m维的矩阵数据就矢量化为m(m+1)/2维的向量数据,便于输入到各种分类器中处理。
本发明的优点及有益效果如下:
本发明利用黎曼流形相关的性质,并通过简单易懂的坐标变换,不仅将源域和目标域在高维空间中进行了数据对齐,而且保留了两个数据域各自内部的属性。与传统的需要大量训练数据的特定的BCI模型相比,基于黎曼流形坐标对齐的脑电信号域适应方法将先前已经获得的源域数据利用起来,这减少了对目标对象的数据收集,从而减少了BCI系统中校准阶段的耗时。
本发明的其他优点还有采用了无监督的方式,不需要任何数据标签。采用的坐标变换方法简单易懂,便于实现,也适用于其他能够转化为对称正定矩阵的数据。
本发明的创新主要在于步骤6中运用简单的平移变换,数据域整体沿着同一方向进行平移,在保留内部数据特征的同时实现了数据对齐。步骤5和步骤7利用黎曼几何的相关性质,使数据在流形空间和切线空间之间进行切换,便于坐标平移变换的实现。此外,步骤4通过计算黎曼均值来获得步骤6中的平移距离,能够包含数据整体的特征。与现有的基于模型的迁移学习域适应方法比较而言,本发明不需要大量的数据标签参与训练,仅仅通过一些空间变换和简单的平移变换就实现了数据对齐的效果。
附图说明
图1是本发明提供优选实施例基于黎曼流形坐标对齐的脑电信号域适应方法流程图。
图2为由对称正定矩阵构建的黎曼流形空间和对应的切线空间示意图。
图3为本发明将源域和目标域脑电数据进行坐标对齐的过程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是:
如图所示,本实施例提供的一种基于黎曼流形坐标对齐的脑电信号域适应方法,包括以下步骤:
步骤1:已知对象的脑电信号为源域数据,新加入对象的脑电信号为目标域数据,对两个域的原始脑电数据进行预处理,包括去均值、带通滤波和归一化
其中Xi为原始脑电数据,Ci为其构建的协方差矩阵,它是对称正定的。
步骤4:根据黎曼均值计算公式
计算出源域数据的黎曼均值Ms,目标域数据的黎曼均值Mt和全部数据总的黎曼均值MD。
步骤5:如图3(a)、(b)所示,根据对数映射公式
将步骤4中计算出的总的黎曼均值点作为切点,将源域数据点、目标域数据点和对应的黎曼均值点映射到对应的切线空间中。
步骤6:通过两点间距离公式分别计算Ms和Mt到MD间的距离ds、dt。如图3(b)、(c)所示,再根据对应的距离,利用坐标变换将切线空间中的源域数据点和目标域数据进行平移对齐。
步骤7:如图3(c)、(d)所示,根据指数映射公式
将对齐后的两个域的脑电数据点从流形空间映射到切线空间中。
步骤8:将经过域适应对齐后的源域和目标域矩阵数据进行矢量化,只需要提取上三角或者下三角矩阵的信息。这样,m×m维的矩阵数据就矢量化为m(m+1)/2维的向量数据,便于输入到各种分类器中处理。
上述实施例阐明的方法,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (6)
1.一种基于黎曼流形坐标对齐的脑电信号域适应方法,其特征在于,包括以下步骤:
步骤1:获取已知对象的脑电信号和新加入对象的脑电信号,已知对象的脑电信号为源域数据,新加入对象的脑电信号为目标域数据,分别对源域、目标域的原始脑电数据进行包括去均值、带通滤波和归一化在内的预处理;
步骤2:将经过预处理的源域和目标域的脑电数据均使用协方差矩阵进行处理,使数据形式转化为对称正定SPD矩阵;
步骤3:构建黎曼流形空间,将步骤2中处理好的脑电数据点一一对应到黎曼流形空间中;黎曼流形是一个对称、正定的二阶张量场的光滑流形,它是具有黎曼度量的微分流形;
步骤4:分别计算源域数据和目标域数据在黎曼流形空间中各自的黎曼均值点,两个数据域总的黎曼均值点;
步骤5:将两个域的脑电数据点和对应的黎曼均值点通过对数映射投射到对应的切线空间中;
步骤6:在对应的切线空间中,利用坐标变换将两个域的脑电数据点进行平移对齐;
步骤7:将平移对齐后的两个域的脑电数据点通过指数映射投射回原来的黎曼流形空间;
步骤8:将经过域适应对齐后的源域数据和目标域数据进行矢量化处理,并输入分类器进行分类识别;
所述步骤4:分别计算源域数据和目标域数据在黎曼流形空间中各自的黎曼均值点和所有数据总的黎曼均值点;具体为:
根据黎曼均值计算公式
计算出源域数据的黎曼均值Ms,目标域数据的黎曼均值Mt和全部数据总的黎曼均值MD,ν表示求解点C1~CN黎曼均值点的函数,CN表示第N个数据点,N表示数据点个数,C(n)表示数据点集合,表示点Ci到切点C间距离的平方;
所述步骤6:在对应的切线空间中,利用坐标变换将两个域的脑电数据点进行平移对齐,具体为:
通过两点间距离公式分别计算Ms和Mt到MD间的距离ds、dt,再根据对应的距离,将切线空间中的源域数据点和目标域数据进行平移对齐,即将两个域的数据点按照对应的距离ds、dt,在切线空间中沿着Ms→MD、Mt→MD方向进行平移,使得它们内部的特征相匹配。
6.根据权利要求5所述的一种基于黎曼流形坐标对齐的脑电信号域适应方法,其特征在于,所述步骤8:将经过域适应对齐后的源域数据和目标域数据进行矢量化处理,以适用于各种分类器;具体为:
经过之前的步骤,源域和目标域的脑电数据转化为了对称的矩阵形式,将矩阵数据进行矢量化,只需要提取上三角或者下三角矩阵的信息,这样,m×m维的矩阵数据就矢量化为m(m+1)/2维的向量数据,便于输入到各种分类器中处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011342014.3A CN112580436B (zh) | 2020-11-25 | 2020-11-25 | 一种基于黎曼流形坐标对齐的脑电信号域适应方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011342014.3A CN112580436B (zh) | 2020-11-25 | 2020-11-25 | 一种基于黎曼流形坐标对齐的脑电信号域适应方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112580436A CN112580436A (zh) | 2021-03-30 |
CN112580436B true CN112580436B (zh) | 2022-05-03 |
Family
ID=75124243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011342014.3A Active CN112580436B (zh) | 2020-11-25 | 2020-11-25 | 一种基于黎曼流形坐标对齐的脑电信号域适应方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580436B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191206B (zh) * | 2021-04-06 | 2023-09-29 | 华南理工大学 | 基于黎曼特征迁移的脑磁图信号分类方法、装置及介质 |
CN113705437B (zh) * | 2021-08-25 | 2024-03-12 | 杭州电子科技大学 | 一种基于多流形嵌入式分布对齐的领域自适应方法 |
CN114224341B (zh) * | 2021-12-02 | 2023-12-15 | 浙大宁波理工学院 | 基于可穿戴前额脑电的抑郁症快速诊断筛查系统及方法 |
CN116049639B (zh) * | 2023-03-31 | 2023-06-23 | 同心智医科技(北京)有限公司 | 脑电图信号的选择性迁移学习方法、装置及存储介质 |
CN117195040A (zh) * | 2023-08-25 | 2023-12-08 | 浙江大学 | 一种基于静息态脑电数据校准的脑机接口迁移学习方法 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102835955A (zh) * | 2012-09-08 | 2012-12-26 | 北京工业大学 | 一种无需设定阈值的脑电信号中眼电伪迹自动去除的方法 |
WO2014043847A1 (zh) * | 2012-09-18 | 2014-03-27 | Lu Ming | 求解亚音速流动的反问题的数值方法 |
CN103942405A (zh) * | 2013-12-31 | 2014-07-23 | 北京航空航天大学 | 三维医学数据仿真模拟的远程共享与交互研讨方法 |
CN105868162A (zh) * | 2016-03-31 | 2016-08-17 | 北京工业大学 | 一种黎曼流形上的快速优化方法 |
CN106529476A (zh) * | 2016-11-11 | 2017-03-22 | 重庆邮电大学 | 一种基于深层堆叠网络的脑电信号特征提取及分类方法 |
CN107154016A (zh) * | 2016-03-01 | 2017-09-12 | 腾讯科技(深圳)有限公司 | 立体图像中目标对象的拼接方法和装置 |
CN107274223A (zh) * | 2017-06-13 | 2017-10-20 | 杭州电子科技大学 | 融合脑电信号与注视跟踪特征的广告评估方法 |
CN107979431A (zh) * | 2017-11-28 | 2018-05-01 | 广东工业大学 | 基于黎曼中值的频谱感知的方法、装置以及设备 |
CN108053430A (zh) * | 2017-12-20 | 2018-05-18 | 中国地质大学(武汉) | 基于黎曼流形的非线性形变影像特征点匹配方法及系统 |
US10055836B1 (en) * | 2014-09-26 | 2018-08-21 | Koninklijke Philips N.V. | Automated method for tissue-based contrast media arrival detection for dynamic contrast enhanced MRI |
CN109409416A (zh) * | 2018-09-29 | 2019-03-01 | 上海联影智能医疗科技有限公司 | 特征向量降维方法和医学图像识别方法、装置及存储介质 |
CN109698951A (zh) * | 2018-12-13 | 2019-04-30 | 潍坊歌尔电子有限公司 | 立体图像重现方法、装置、设备和存储介质 |
CN109886419A (zh) * | 2019-01-23 | 2019-06-14 | 中山大学 | 一种基于对称矩阵空间子空间学习的格拉斯曼流形域自适应方法 |
CN110472595A (zh) * | 2019-08-20 | 2019-11-19 | 郑州大学 | 脑电信号的识别模型构建方法、装置以及识别方法、装置 |
CN110596687A (zh) * | 2019-09-19 | 2019-12-20 | 吉林大学 | 一种基于黎曼流形的单基地mimo雷达目标检测方法 |
CN111461201A (zh) * | 2020-03-30 | 2020-07-28 | 重庆大学 | 基于相空间重构的传感器数据分类方法 |
CN111544256A (zh) * | 2020-04-30 | 2020-08-18 | 天津大学 | 基于图卷积和迁移学习的脑控智能全肢体康复方法 |
CN111723661A (zh) * | 2020-05-18 | 2020-09-29 | 华南理工大学 | 一种基于流形嵌入分布对齐的脑机接口迁移学习方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103765436B (zh) * | 2011-08-26 | 2017-05-31 | 皇家飞利浦有限公司 | 失真减小的信号检测 |
WO2014192187A1 (ja) * | 2013-05-31 | 2014-12-04 | 国立大学法人東北大学 | 乳房画像病変検出システム、乳房画像病変検出方法、乳房画像病変検出プログラムおよび乳房画像病変検出プログラムを記録したコンピュータ読み取り可能な記録媒体 |
TWI678188B (zh) * | 2017-05-22 | 2019-12-01 | 艾德腦科技股份有限公司 | 腦波檢測裝置 |
US11432757B2 (en) * | 2017-08-31 | 2022-09-06 | Zeto, Inc. | Method for hosting mobile access to high-resolution electroencephalography data |
CN108764351B (zh) * | 2018-05-30 | 2021-08-31 | 佛山科学技术学院 | 一种基于测地距离的黎曼流形保持核学习方法及装置 |
CN109657642A (zh) * | 2018-12-29 | 2019-04-19 | 山东建筑大学 | 一种基于黎曼距离的运动想象脑电信号分类方法及系统 |
CN110689049A (zh) * | 2019-09-04 | 2020-01-14 | 绍兴文理学院 | 基于黎曼核字典学习算法的视觉分类方法 |
CN110866442B (zh) * | 2019-09-30 | 2021-06-04 | 重庆特斯联智慧科技股份有限公司 | 基于实时人脸识别的人证合一查验系统和方法 |
CN111080649B (zh) * | 2019-12-10 | 2023-05-30 | 桂林电子科技大学 | 一种基于黎曼流形空间的图像分割处理方法及系统 |
CN111965632B (zh) * | 2020-08-10 | 2022-06-17 | 中国人民解放军国防科技大学 | 一种基于黎曼流形降维的雷达目标检测方法 |
-
2020
- 2020-11-25 CN CN202011342014.3A patent/CN112580436B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102835955A (zh) * | 2012-09-08 | 2012-12-26 | 北京工业大学 | 一种无需设定阈值的脑电信号中眼电伪迹自动去除的方法 |
WO2014043847A1 (zh) * | 2012-09-18 | 2014-03-27 | Lu Ming | 求解亚音速流动的反问题的数值方法 |
CN103942405A (zh) * | 2013-12-31 | 2014-07-23 | 北京航空航天大学 | 三维医学数据仿真模拟的远程共享与交互研讨方法 |
US10055836B1 (en) * | 2014-09-26 | 2018-08-21 | Koninklijke Philips N.V. | Automated method for tissue-based contrast media arrival detection for dynamic contrast enhanced MRI |
CN107154016A (zh) * | 2016-03-01 | 2017-09-12 | 腾讯科技(深圳)有限公司 | 立体图像中目标对象的拼接方法和装置 |
CN105868162A (zh) * | 2016-03-31 | 2016-08-17 | 北京工业大学 | 一种黎曼流形上的快速优化方法 |
CN106529476A (zh) * | 2016-11-11 | 2017-03-22 | 重庆邮电大学 | 一种基于深层堆叠网络的脑电信号特征提取及分类方法 |
CN107274223A (zh) * | 2017-06-13 | 2017-10-20 | 杭州电子科技大学 | 融合脑电信号与注视跟踪特征的广告评估方法 |
CN107979431A (zh) * | 2017-11-28 | 2018-05-01 | 广东工业大学 | 基于黎曼中值的频谱感知的方法、装置以及设备 |
CN108053430A (zh) * | 2017-12-20 | 2018-05-18 | 中国地质大学(武汉) | 基于黎曼流形的非线性形变影像特征点匹配方法及系统 |
CN109409416A (zh) * | 2018-09-29 | 2019-03-01 | 上海联影智能医疗科技有限公司 | 特征向量降维方法和医学图像识别方法、装置及存储介质 |
CN109698951A (zh) * | 2018-12-13 | 2019-04-30 | 潍坊歌尔电子有限公司 | 立体图像重现方法、装置、设备和存储介质 |
CN109886419A (zh) * | 2019-01-23 | 2019-06-14 | 中山大学 | 一种基于对称矩阵空间子空间学习的格拉斯曼流形域自适应方法 |
CN110472595A (zh) * | 2019-08-20 | 2019-11-19 | 郑州大学 | 脑电信号的识别模型构建方法、装置以及识别方法、装置 |
CN110596687A (zh) * | 2019-09-19 | 2019-12-20 | 吉林大学 | 一种基于黎曼流形的单基地mimo雷达目标检测方法 |
CN111461201A (zh) * | 2020-03-30 | 2020-07-28 | 重庆大学 | 基于相空间重构的传感器数据分类方法 |
CN111544256A (zh) * | 2020-04-30 | 2020-08-18 | 天津大学 | 基于图卷积和迁移学习的脑控智能全肢体康复方法 |
CN111723661A (zh) * | 2020-05-18 | 2020-09-29 | 华南理工大学 | 一种基于流形嵌入分布对齐的脑机接口迁移学习方法 |
Non-Patent Citations (1)
Title |
---|
"复合肢体想象动作脑-机接口中黎曼核支持向量机递归特征筛选方法";陶学文 等;《机械工程学报》;20190605;第55卷(第11期);第131-137页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112580436A (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112580436B (zh) | 一种基于黎曼流形坐标对齐的脑电信号域适应方法 | |
Teh et al. | Proxynca++: Revisiting and revitalizing proxy neighborhood component analysis | |
Hatami et al. | Classification of time-series images using deep convolutional neural networks | |
Christlein et al. | Writer identification using GMM supervectors and exemplar-SVMs | |
CN110555399B (zh) | 手指静脉识别方法、装置、计算机设备及可读存储介质 | |
CN109740686A (zh) | 一种基于区域池化和特征融合的深度学习图像多标记分类方法 | |
CN111191786A (zh) | 一种基于主动学习的迁移学习算法 | |
Cheng et al. | Multi-label few-shot learning for sound event recognition | |
CN115105076A (zh) | 基于动态卷积残差多源迁移的脑电情绪识别方法及系统 | |
CN107403618B (zh) | 基于堆叠基稀疏表示的音频事件分类方法及计算机设备 | |
Jiang et al. | MTFFNet: a multi-task feature fusion framework for Chinese painting classification | |
CN116912924B (zh) | 一种目标图像识别方法和装置 | |
CN111767710B (zh) | 印尼语的情感分类方法、装置、设备及介质 | |
CN115049546A (zh) | 样本数据处理方法、装置、电子设备及存储介质 | |
Omiecinski et al. | Concurrent file reorganization for record clustering: A performance study | |
CN110796167B (zh) | 基于提升方案深度神经网络的图像分类方法 | |
Liang et al. | Random forest with suppressed leaves for Hough voting | |
Cui et al. | Semisupervised classification of hyperspectral images based on tri-training algorithm with enhanced diversity | |
Wu et al. | A unified framework for age invariant face recognition and age estimation | |
Yuan et al. | A decoupled yolov5 with deformable convolution and multi-scale attention | |
Chen et al. | Adaptive Re-Balancing Network with Gate Mechanism for Long-Tailed Visual Question Answering | |
CN114648803B (zh) | 自然场景下人脸表情识别方法、系统、设备及存储介质 | |
Weiyue et al. | Facial Expression Recognition with Small Samples under Convolutional Neural Network | |
CN113408556B (zh) | 身份识别方法及装置 | |
Mohanty et al. | Machine learning approach for emotional speech classification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |