“柯亨进”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果7个，建议您升级VIP下载更多相关专利

[发明专利]一种动态注意力网络非负矩阵分解的抑郁症筛选方法-CN202011264495.0有效
发明人： 柯亨进;刘志远;纪鹏;刘天印;马红樱 -专利权人：湖北理工学院
申请日： 2020-11-12 - 公布日： 2023-06-02 - 主分类号： G16H50/20 文献下载
摘要：本发明公开了一种动态注意力网络非负矩阵分解的抑郁症筛选方法，包括如下步骤：步骤1：对于截取的时间窗口内的所有通道神经数据，对于要处理的两两通道，分别取得相应通道的神经数据，记为X和Y，然后计算X和Y之间的最大信息系数；步骤2：根据自编码器网络，构造步骤1中相关矩阵的非线性注意力；步骤3：根据步骤2，设计基于注意力的非负矩阵分解算法，对步骤1中所有时间窗口的相关矩阵CMMIC进行基于注意力的非负矩阵分解，得到分解后的因子矩阵W和H；步骤4：设计层次卷积神经网络，对步骤3所得到的分解因子矩阵进行分类。
一种动态注意力网络矩阵分解抑郁症筛选方法

[发明专利]一种脑成像融合特征的稳定模式判别方法-CN202111030037.5有效
发明人： 柯亨进;陈丹;李小俚;王凤琴;刘志远 -专利权人：湖北理工学院
申请日： 2021-09-03 - 公布日： 2023-05-30 - 主分类号： A61B5/00 文献下载
摘要：本发明公开了一种脑成像融合特征的稳定模式判别方法，包括如下步骤：步骤1：原始脑成像信号首先通过网关上传到私有云服务器，私有云服务器进行特征提取并传回网关，训练好的模型从私有云平台上被下载到本地网关；步骤2：本地网关依赖雾计算服务平台，重点实现对脑状态个体化精准判别；步骤3：云服务平台负责对特征提取、模型的自动学习与自动超参数优化与所有分类器模型的训练。本发明发展并利用自动机器学习技术，该技术旨在利用数据进行网络的超参数的自动优化；不同于传统深度网络专注于设计并应用模型，其本质是一种无监督的元学习，即建立模型学习建立自适应模型，将极大提高模型对大脑神经电活动动态的自适应性。
一种成像融合特征稳定模式判别方法

[发明专利]一种多尺度注意力的深度非线性因子化方法-CN202111050195.7有效
发明人： 柯亨进;陈丹;李小俚;王凤琴;刘志远 -专利权人：湖北理工学院
申请日： 2021-09-08 - 公布日： 2023-05-30 - 主分类号： G06F18/213 文献下载
摘要：本发明公开了一种多尺度注意力的深度非线性因子化方法，包括如下步骤：步骤1：多模态脑成像大队列特征构建；步骤2：脑成像数据的多尺度注意力特征提取；步骤3：多模态脑成像数据深度非线性因子化；步骤4：因子的前向拟合和反向构造与求精；步骤5：反向更新非线性神经网络参数。本发明融合通道注意力模块和空间注意力模块对输入原始数据进行筛选，对提取的众多特征进行自动注意力加权，从而强调重要特征并压缩不重要特征，并将该注意力机制融入后续的非线性因子化分析方法中，以期构建基于注意力的深度非线性因子化特征，实现对高非线性脑成像数据进行精确建模。
一种尺度注意力深度非线性因子方法

[外观设计]贴纸-CN202130779741.5有效
发明人： 柯亨进;施雨欣;唐嘉伟;何子贤;卢立光 -专利权人：湖北理工学院
申请日： 2021-11-26 - 公布日： 2022-05-06 - 主分类号： 19-08 文献下载
摘要：1.本外观设计产品的名称：贴纸。2.本外观设计产品的用途：本外观设计产品用于贴在3C产品的表面。3.本外观设计产品的设计要点：在于图案。4.最能表明设计要点的图片或照片：主视图。5.本外观设计产品为平面产品，省略后视图;本外观设计产品为平面产品，省略左视图;本外观设计产品为平面产品，省略右视图;本外观设计产品为平面产品，省略俯视图;本外观设计产品为平面产品，省略仰视图。
贴纸

[发明专利]基于时间尺度不变性的视频中人体动作识别方法及系统-CN201710018095.3有效
发明人：胡瑞敏;陈军;陈华锋;李红阳;徐增敏;吴华;柴笑宇;柯亨进;张立国 -专利权人：武汉大学
申请日： 2017-01-10 - 公布日： 2021-10-22 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种基于时间尺度不变性的视频中人体动作识别方法及系统，包括步骤：S1基于原始视频构造子动作视频段；S2分别获取各子动作视频段的代表帧；S3获得各代表帧的光流强度图像集；S4分别获得各代表帧的图像卷积特征和光流卷积特征；S5分别融合各代表帧的图像卷积特征和光流卷积特征，获得融合特征，所有融合特征构成子动作特征集；S6采用LSTM神经网络对子动作特征集中各融合特征分别进行动作识别，获得多阶段的动作识别结果；S7融合多阶段的动作识别结果，得最终的动作识别结果。本发明对视频中持续时长变化差异很大的动作具有很好的适应性，可提升视频中人体动作特征描述的精确性和人体动作识别率。
基于时间尺度不变性视频人体动作识别方法系统

[发明专利]基于梯度边界图和多模卷积融合的动作识别方法及系统-CN201710018537.4有效
发明人：胡瑞敏;陈军;陈华锋;李红阳;徐增敏;吴华;柴笑宇;柯亨进;马宁 -专利权人：武汉大学
申请日： 2017-01-10 - 公布日： 2021-09-03 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种基于梯度边界图和多模卷积融合的动作识别方法及系统，包括步骤：S1基于原始视频构造连续帧集；S2计算连续帧集中相邻两帧图像间的梯度边界值，从而获得梯度边界图集；S3计算连续帧集中相邻两帧图像间的帧间光流，从而获得光流图集；S4以原始视频的代表帧、梯度边界图集和光流图集为输入，采用卷积神经网络获得原始视频的多模CNN特征；S5融合原始视频的多模CNN特征，得到融合特征；S6基于融合特征，采用动作分类算法进行动作识别。本发明增加了梯度边界图这一重要的动作时空信息，并提出了多模数据卷积融合方法，保证了多模时空特征融合的一致性，提升了视频中人体动作特征描述精确性，提高了人体动作识别率。
基于梯度边界卷积融合动作识别方法系统

[发明专利]一种基于轻量卷积神经网络的脑电数据的在线分类方法-CN201910940546.8在审
发明人：陈丹;柯亨进;李小俚;陈培璐 -专利权人：武汉大学
申请日： 2019-09-30 - 公布日： 2020-02-14 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于轻量卷积神经网络的脑电数据的在线分类方法，应用于云服务平台，云服务平台包括传感层、网关和云端，首先，通过传感层采集用户的脑电数据；然后将采集的脑电数据传入网关，通过网关从云端下载训练好的分类器模型；再基于训练好的分类器模型对采集的脑电数据进行在线分类，EEG片段经医生校准后上传到云端服务器，用于增量式训练模型。本发明能够直接应用于原始EEG，无需进行预处理和特征提取，分类结果精度高且具有实时性。
脑电数据网关分类器模型云服务平台在线分类传感层采集云端预处理卷积神经网络云端服务器分类结果特征提取训练模型校准实时性增量式轻量下载应用医生