买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西安理工大学申请的专利时空特征集成和全局-局部特征融合的抑郁强度识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118506421B 。

龙图腾网通过国家知识产权局官网在2025-06-24发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410609548.X，技术领域涉及：G06V40/16；该发明授权时空特征集成和全局-局部特征融合的抑郁强度识别方法是由孙强;李正设计研发完成，并于2024-05-16向国家知识产权局提交的专利申请。

本时空特征集成和全局-局部特征融合的抑郁强度识别方法在说明书摘要公布了：本发明公开了时空特征集成和全局‑局部特征融合的抑郁强度识别方法，步骤如下：1、构建全局特征学习分支模型，将抑郁症患者人脸全局图像序列输入该模型得到人脸全局特征；2、构建局部特征学习分支模型，将抑郁症患者眼睛区域图像序列输入该模型得到局部特征；3、构建人脸全局特征和局部特征语义相关性特征融合模块，计算人脸全局特征和局部特征相关度权重，融合全局特征和局部特征语义一致性信息，获得融合特征；4、将融合特征输入到全连接层，再与仅包含一个神经元的全连接层相连输出抑郁强度分数，通过抑郁强度分数识别抑郁强度。本发明时空特征集成和全局‑局部特征融合的抑郁强度识别方法合理有效，能够有效提高识别抑郁强度的准确率。

本发明授权时空特征集成和全局-局部特征融合的抑郁强度识别方法在权利要求书中公布了：1.时空特征集成和全局-局部特征融合的抑郁强度识别方法，其特征在于，具体步骤如下： 步骤1、构建LSTIA-PLEGDF全局特征学习分支模型，将抑郁症患者人脸全局图像序列输入该模型得到人脸全局特征； 所述LSTIA-PLEGDF全局特征学习分支模型由短时信息聚合模块、全局抑郁特征局部感知力增强模块及长时信息聚合模块组成，在LSTIA-PLEGDF全局特征学习分支模型中，短时信息聚合模块、全局抑郁特征局部感知力增强模块及长时信息聚合模块堆叠设置，通过分层堆叠的方式对全局特征的时空信息进行有效地提取； 所述LSTIA-PLEGDF全局特征学习分支模型的具体构建过程如下： 步骤1.1、构建短时信息聚合模块，获取人脸全局图像序列的初始全局特征； 短时信息聚合模块构建过程如下： 步骤1.1.1、获取人脸全局图像序列Xinput，在时间方向使用固定尺寸的滑动窗口来获取人脸全局图像序列连续的短时特征{X1,X2,...,Xi}，沿着通道维度将每个短时特征Xi分别分成四个片段，得到四个通道子片段{Xi1,Xi2,Xi3,Xi4}； 其中，Xinput为人脸全局图像序列，C表示图像通道数，T1表示图像序列长度，H表示图像高度，W表示图像宽度；{X1,X2,...,Xi}表示连续的短时特征；{Xi1,Xi2,Xi3,Xi4}表示Xi通道维度分割后的通道子片段； 步骤1.1.2、对每个短时特征Xi四个通道子片段的前两个片段{Xi1,Xi2}，分别使用时间卷积层进行特征学习，对每个短时特征Xi四个通道子片段的后两个片段{Xi3,Xi4}，分别使用空间卷积层进行特征学习，后三个片段{Xi2,Xi3,Xi4}进行特征学习之后，依次分别与上一个片段的输出相加，再通过时空卷积层进行特征学习得到输出特征具体计算过程如下： 其中，Conv3×1×1·、Conv3×3×3·、Conv1×3×3·分别表示3D卷积操进行特征学习，+表示特征元素叠加，输出特征表示的时间信息和空间信息； 步骤1.1.3、对输出特征进行聚合，得到聚合后特征 接着计算和对应的时间注意力权重wT和空间注意力权重wS，计算过程如下： 其中，ConcateC·表示通道维度拼接，SP·和TP·分别表示空间维度最大池化和时间维度最大池化，Sigmoid·是激活函数，FC*·表示全连接层，表示通道子片段{Xi1,Xi2,Xi3,Xi4}进行特征学习后的输出特征，表示通道拼接后的特征，表示通道拼接后的特征，wT表示的时间注意力权重，wS表示的空间注意力权重； 步骤1.1.4、通过wT和wS分别增强的时间信息表达力和的空间信息表达力，并聚合时空特征，计算过程如下： 其中，×表示元素相乘，-表示元素相减，+表示元素相加，ConcateC·表示通道维度拼接，表示通道拼接后的特征，表示通道拼接后的特征，wT表示的时间注意力权重，wS表示的空间注意力权重，表示对进行时间维度和空间维度特征权重加权后的特征，表示对进行时间维度和空间维度特征权重加权后的特征，表示和进行通道拼接后的短时特征； 步骤1.1.5、重复步骤1.1.2至步骤1.1.4，获得全部短时特征Xi通道拼接后的短时特征得到完整的初始全局特征XG1： 其中，ConcateT·表示时间维度拼接，表示每个时间子片段Xi通道拼接后的短时特征，XG1表示短时信息聚合模块最终输出的初始全局特征； 步骤1.2、将初始全局特征作为输入特征，构建全局抑郁特征局部感知力增强模块，获取高级人脸全局特征； 步骤1.3、将高级人脸全局特征作为输入，构建长时信息聚合模块，得到人脸全局图像序列的全局特征； 长时信息聚合模块的构建过程如下： 步骤1.3.1、对高级人脸全局特征XG3＝{X1',X2',X3',...,Xti'}进行时间维度下间隔采样，获取采样时间子特征Xt1'和Xt2'，具体如下： Xt1'＝{X1',X3',X5',...,Xti-1'}22 Xt2'＝{X2',X4',X6',...,Xti'}23 其中，Xt1'和Xt2'表示全局特征XG3进行时间维度下采样的时间子特征； 步骤1.3.2、对时间子特征Xt1'和Xt2'进行第一次时域信息交互，计算粗融合后的时间注意力权重W1，具体计算过程如下： Xft1＝Conv1×1×1Xt1'+Xt2'24 Wf1＝SigmoidConcatTGAPXft1,GMPXft125 W1＝Conv3×1×1Wf126 其中，Conv1×1×1·和Conv3×1×1·是3D卷积操作，+是元素相加，GAP·是空间维度全局平均池化，作用是捕捉变化平缓的面部信息，GMP·是全局最大池化，作用是捕捉变化剧烈的面部信息，Sigmoid·是激活函数，ConcatT·是时间维度特征拼接，拓展权重感知不同面部行为的能力，Xt1'和Xt2'表示全局特征XG3进行时间维度下采样的时间子特征，Xft1表示Xt1'和Xt2'粗粒度融合特征，W1表示Xt1'和Xt2'粗融合后的时间注意力权重，Wf1表示W1进行时间维度降维前Xt1'和Xt2'的融合后权重； 步骤1.3.3、利用时间注意力权重W1更新时间子特征Xt1'和Xt2'的时间信息，在此过程中生成时间关系感知向量M，该计算过程如下： Xt1”＝W1×Xt1'27 Xt2”＝1-W1×Xt2'28 X′ft1＝GMPXt1”+Xt2”29 M＝Conv3×1×1Wf1×XG330 其中，×是元素相乘，-是元素相减，+是元素相加，GMP·是全局最大池化，Conv3×1×1·是3D卷积操作，作用是对时间维度进行降维，Xt1'和Xt2'表示全局特征XG3进行时间维度下采样的时间子特征，Xt1”表示Xt1'经过时间注意力权重W1加权后的时间子特征，Xt2”表示Xt2'经过时间注意力权重1-W1加权后的时间子特征，Xf′t1表示Xt1”和Xt2'粗粒度融合特征，M表示时间关系感知向量； 步骤1.3.4、通过时间关系感知向量M、时间子特征Xt1”和Xt2”进一步增强模块感知长时信息的能力，获得计算过程如下： W2＝SigmoidGMPXt1”+Xt2”+M31 Xt1”'＝W2×Xt1”32 Xt2”'＝1-W2×Xt2”33 Xft2＝Conv1×1×1ConcatTXt1”',Xt2”'34 其中，×是元素相乘，-是元素相减，+是元素相加，GMP·是全局最大池化，Conv1×1×1·是3D卷积操作，Sigmoid·是激活函数，ConcatT·是时间维度特征拼接，Xt1”表示Xt1'经过时间注意力权重W1加权后的时间子特征，Xt2”表示Xt2'经过时间注意力权重1-W1加权后的时间子特征，M表示时间关系感知向量，W2表示Xt1”和Xt2”粗融合后的时间注意力权重，Xt1”'表示Xt1”经过时间注意力权重W2加权后的时间子特征，Xt2”'表示Xt2”经过时间注意力权重1-W2加权后的时间子特征，Xft2表示Xt1”'和Xt2”'粗粒度融合特征； 步骤1.3.5、利用时间子特征Xt1”'和Xt2”'的粗粒度融合特征提升输入特征的时间感知力，获取长时信息聚合模块的输出全局特征XG4，具体计算过程如下： XG4＝Xft2×XG3+XG335 其中，×是元素相乘，+是元素相加，Xft2表示Xt1”'和Xt2”'粗粒度融合特征，XG3表示输入长时信息聚合模块的全局特征，表示长时信息聚合模块的输出全局特征； 步骤1.3.6、将长时信息聚合模块的输出全局特征XG4作为输入，再依次通过一个通道数再次翻倍的全局特征局部感知力增强模块、一个通道数翻倍的3维卷积残差块以及一个通道数翻倍的长时特征信息聚合模块学习，得到人脸全局图像序列的全局特征Xglobal； 步骤2、使用三维残差卷积网络构建局部特征学习分支模型，将抑郁症患者眼睛区域图像序列输入该模型得到局部特征； 步骤3、构建人脸全局特征和局部特征语义相关性特征融合模块，计算人脸全局特征和局部特征相关度权重，融合全局特征和局部特征语义一致性信息，获得全局和局部语义一致的融合特征； 步骤4、将融合特征输入到全连接层，再与仅包含一个神经元的全连接层相连输出抑郁强度分数，通过抑郁强度分数识别抑郁强度。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安理工大学，其通讯地址为：710048 陕西省西安市碑林区金花南路5号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。