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！

龙图腾网获悉杭州电子科技大学申请的专利一种基于关键脑网络的自适应睡眠分期方法及系统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：CN115844326B 。

龙图腾网通过国家知识产权局官网在2025-07-15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：202211459859.X，技术领域涉及：A61B5/00；该发明授权一种基于关键脑网络的自适应睡眠分期方法及系统是由张建海;刘芬;朱莉;黄慧;陈游;李科;陈文斌设计研发完成，并于2022-11-16向国家知识产权局提交的专利申请。

本一种基于关键脑网络的自适应睡眠分期方法及系统在说明书摘要公布了：本发明公开一种基于关键脑网络的自适应睡眠分期方法及系统。通过多通道脑电采集设备采集脑电信号数据；对采集的脑电信号数据进行预处理；对预处理后的脑电信号数据提取节点特征和边特征，构建全连接的加权有向图，即动态效应脑网络；构建融合时空信息的关键脑网络；利用自适应睡眠分期识别模型实现对脑电信号的睡眠分期识别。本发明使用了不同于以往的结构脑网络或功能脑网络对睡眠分期进行分析，而使用了效应脑网络，即有向图，考虑到大脑信息交互的方向性的同时，使用注意力机制对有向图进行关键边特征和节点特征选取，从而使用自适应睡眠分期识别模型达到了更准确的睡眠分期识别结果。

本发明授权一种基于关键脑网络的自适应睡眠分期方法及系统在权利要求书中公布了：1.一种基于关键脑网络的自适应睡眠分期方法，其特征在于所述方法包括以下步骤： 步骤S1：通过多通道脑电采集设备采集被试睡眠状态下的头皮脑电信号数据； 步骤S2：对采集的脑电信号数据进行预处理，以减少伪迹的干扰； 步骤S3：对步骤S2预处理后的脑电信号数据提取节点特征和边特征，构建全连接的加权有向图，即动态效应脑网络；具体是： S31：提取节点特征；包括以下步骤： S311：平稳性检验； S312：对检验通过的时间序列进行基于平均值的细粒度化，得到重构后的时间序列； S313：根据重构后的时间序列计算KS熵值； S314：由上述KS熵值构成节点特征矩阵Node； S32：提取边特征；包括以下步骤： S321：平稳性检验； S322：对检验通过的时间序列计算格兰杰因果关系矩阵； S33：由上述节点特征和边特征构成动态效应脑网络G，即全连接的加权有向图； 步骤S4：构建融合时空信息的关键脑网络；包括以下步骤： 步骤S41：在动态效应脑网络G中获取包含上下文的效应脑网络{Gi-1,Gi,Gi+1}，i表示第i个时间窗口； 步骤S42：对包含上下文的效应脑网络{Gi-1,Gi,Gi+1}使用空间注意力捕捉节点特征中有价值的空间信息；具体是： 为了自动提取这种空间上的变化，使用空间注意力来捕捉睡眠阶段上下文中节点特征有价值的空间信息； P＝Vp·σNodel-1Z1Z2Z3Nodel-1T+bp15 其中，Vp,bp∈RN×N，这些都是可学习的参数，σ是sigmoid激活函数；是第l层神经网络的输入；P表示空间注意力矩阵； 使用softmax归一化空间注意力关注矩阵P； P’＝softmaxP16 步骤S43：利用步骤S42得到的节点特征中有价值的空间信息P'结合上下文的格兰杰因果关系矩阵，融合时间信息，计算效应脑网络中的关键边特征E′i： 其中i表示第i个时间窗口；Ej表示第j个时间窗口对应的格兰杰因果关系矩阵； 步骤S44：根据关键边特征，选取相连的节点特征，进而得到融合时空信息的关键脑网络； 步骤S5：利用自适应睡眠分期识别模型实现对脑电信号的睡眠分期识别； 所述自适应睡眠分期识别模型包括CNN、GCN、时空特征融合层；CNN用于提取时间特征，其输入为步骤S4含有上下文的三个关键脑网络，输出为时间特征；GCN用于提取空间特征，其输入为步骤S4含有上下文的三个关键脑网络，输出为空间特征；时空特征融合包括残差模块、两层全连接层，所述残差模块根据所述含有上下文的三个关键脑网络中节点特征计算残差，所述两层全连接层用于将时间特征、空间特征、残差融合，得到分类结果。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市下沙高教园区2号大街；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”。