专利交易市场

本发明涉及视觉重建技术领域，公开了基于人脑fMRI重建视觉刺激图像的方法及系统，方法包括获取fMRI数据集，从fMRI数据集中提取fMRI体素数据进行patch遮罩，对fMRI体素数据的空间冗余进行稀疏编码处理，得到体素小块；体素小块通过一维卷积层转化成嵌入token，并随机遮罩至编码器中，在编码器的末端添加掩码符号、位置嵌入、patch编码，线性投影转化为解码器的嵌入空间，得到fMRI的潜在特征；获取fMRI对应的图像和文本数据集，在fMRI图像和文本数据集中利用训练好的CLIP模型提取CLIP的视觉和文本特征，对CLIP的视觉特征进行解码，得到初步图像；通过自编码器进行编码，利用fMRI的潜在特征和CLIP的文本特征通过线性插值混合，得到像素重建，实现了结构清晰的初步重建图像的快速生成。

一种基于SSVEP的机械臂异步控制方法，通过离线训练、多级刺激页面、数据采集、数据预处理、机械臂启动、意图识别、特征分类、机械臂控制系统实现用户对机械臂的异步控制。该系统使用alpha实现了机械臂系统的状态控制，结合CCA系数与功率谱密度的融合决策实现了机械臂控制状态与空闲状态的判别，更加符合用户的操作，有效地提升了用户通过SSVEP控制机械臂的效率，增加了机械臂操纵的安全性与可靠性。

本发明公开了基于FHLS特征选择的多模态BCI时序优化方法。首先划分每个EEG与fNIRS样本获得多个时间段，然后将不同时间段交叉融合，形成联合时间窗。特征分别由FBCSP与统计方法从每个联合时间窗中提取，形成一个新的特征集。然后计算对应的互信息值，使用互信息值高的特征，最后根据FHLS特征选择方法选择最佳特征子集，并采用LDA分类来评估任务分类精度。本发明选出来的时间组合能有效地避免不同个体以及不同模态多时间段间的差异性，且时间段选取合理，减少多模态信号在时间段之间的冗余信息，一定程度上提高了多模态BCI系统的分类性能，为脑电‑近红外信号的特征提取提供了新的思路。

本发明公开一种基于脑机模态共空间的情绪识别方法。针对情绪识别任务，人脑处理信息后得到的是具有情感的认知表征，而机器学习到的仅仅是图像的形式表征，如果能够建立两者之间的共性关系，通过“人脑”引导“机器”学习，将人脑的情感认知能力赋予机器。为了将人脑感知的信息赋予机器，需要建立图像模态和脑电模态的共空间模型，从而获取形式表征和认知表征之间的共性信息。本发明将探索脑电模态与图像模态之间的共性关系，建立形式表征与认知表征之间的联系，实现脑机协同智能。为了减少认知表征与形式表征间的差异，使得形式表征无限逼近认知表征，本发明设计一种“基于脑机模态共空间的情绪识别方法”。

本发明涉及一种基于RSVP脑电特征的弱小目标检测方法及系统。该方法包括：获取待检测图像；将待检测图像进行分割和放大，得到待检测图片序列；获取观测者观测待检测图片序列的脑电信号数据；待检测图片序列通过RSVP技术呈现给观测者；采用任务相关成分分析方法，提取脑电信号数据中每个待检测图片对应的相关成分特征；根据相关成分特征，基于逐级优化递减欠采样和边界人工少数类过采样结合的支持向量机模型，得到每个待检测图片的预测分值；判断预测分值是否大于预测阈值；如果是，将预测分值对应的待检测图片确定为目标图像；如果否，将预测分值对应的待检测图片确定为非目标图像。本发明可以提高弱小目标检测的准确度。