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！

龙图腾网获悉西北工业大学申请的专利基于多段信号随机重组与交互式双向RNN的EEG信号分类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：CN115982617B 。

龙图腾网通过国家知识产权局官网在2025-07-22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：202211508440.9，技术领域涉及：G06F18/24；该发明授权基于多段信号随机重组与交互式双向RNN的EEG信号分类方法是由张枢;史恩泽;赵世杰;喻四刚;王若洋;王嘉琪设计研发完成，并于2022-11-29向国家知识产权局提交的专利申请。

本基于多段信号随机重组与交互式双向RNN的EEG信号分类方法在说明书摘要公布了：本发明公开了一种基于多段信号随机重组与交互式双向RNN的EEG信号分类方法，首先对采集到的原始脑电数据进行分割，然后依次对每种类别的信号随机切片，并使其长度保持在原来的70％至90％，随后再将多种任务的片段重新组合在一起，这个处理过程叫做“多段信号随机切片重组McRFS”；在每次迭代中，模型的全连接层用于提取被激活的大脑区域，从而降低复杂数据的维度；具有随机长度且源自随机位置的片段被馈送到IBiRNN网络中，进一步融合前向和后向特征；最终使用Softmax层对特征进行激活得到分类结果，实现不同大脑状态的区分。本发明能有效提高脑电信号分类性能，一定程度上解决了区分大脑状态任务。

本发明授权基于多段信号随机重组与交互式双向RNN的EEG信号分类方法在权利要求书中公布了：1.一种基于多段信号随机重组与交互式双向RNN的EEG信号分类方法，其特征在于，包括如下步骤： 步骤1：脑电信号预处理； 针对每个受试者进行数据预处理，每个受试者包含多个类型的任务； 去除脑电数据集中原始脑电信号中被噪声污染的数据，并对其余数据进行转置和预处理，得到单个受试者的每种类型任务的信号矩阵；然后，再将信号矩阵分割成多个数据段；将每个受试者的所有类型任务的数据段从时间维度上进行拼接构成拼接数据段，再随机选取大部分拼接数据段作为训练集，其余少部分拼接数据段作为测试集； 步骤2：多片段信号随机切片重组； 对训练集中的每个拼接数据段依次从每种类型任务所对应片段的随机位置进行随机长度切片，使其长度保持在原始序列长度的70%-90%；随后再将每个拼接数据段切片后的数据片段重新组合在一起成为新的数据段； 步骤3：使用交互式双向RNN构建脑电信号分类模型； 步骤3-1：定义一组输入到循环层的信号序列，在每个时间点的输出计算公式为： 其中，分别表示隐藏层和输入特征的权重矩阵，为偏置项，表示时刻的隐层状态，； 步骤3-2：对步骤2得到的新的数据段，首先经过两层GRU循环层，分别记为F1和F2，GRU的第一层隐藏状态定义如下： 其中表示矩阵按元素相乘，是更新门激活，是重置门激活，为sigmoid函数；表示时刻的隐藏层状态，表示候选隐藏层状态，和分别表示相应隐藏层和输入特征的权重矩阵，表示对应的偏置项； 循环层F1的神经元依据输入序列的时间顺序，结合正向状态对信号进行顺序处理，然后将计算结果反馈给当前循环层的下一个神经元和循环层F2对应的神经元，对所有神经元重复上述步骤，经过两层正向处理后，就得到最终状态； 反向循环层B1和B2结构与循环层相同，不同的地方在于反向循环层两层的状态从序列末尾读取，从后向前传播，得到最终的输出； 步骤3-3：交互式双向RNN在B1F1层和B2F2层之间增加了一个串联函数，将循环层F1和反向循环层B1的输出串联在一起，并输送给循环层F2和反向循环层B2；循环层F2和反向循环层B2都接收相同的输入，并且有一个显式连接；计算公式如下： 其中是相同大小的前向状态和后向状态的拼接；表示F1层的GRU输出，表示B1层的GRU输出，表示F2层的GRU输出，表示B2层的GRU输出； 步骤4：深度稀疏惩罚； 在训练过程中，优化目标如下： 其中是全局误差损失，定义为模型输出与真实标签之间的交叉熵；表示全连接层输出矩阵的稀疏性惩罚，使用范数表示，用来调节稀疏惩罚项的权重；是全连接层权重矩阵的稀疏性惩罚，作为该惩罚项的权重参数来控制稀疏性； 步骤5：将训练集和测试集经过步骤2处理后对步骤3构建的脑电信号分类模型进行训练和测试，得到最终的基于多段信号随机重组与交互式双向RNN的脑电信号分类模型McRFS-IBiRNN，McRFS-IBiRNN的输出为最终的分类结果。

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西北工业大学，其通讯地址为：710072 陕西省西安市友谊西路；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”。