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！

龙图腾网获悉大连理工大学申请的专利一种基于图表示学习模型的EEG数据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：CN116687425B 。

龙图腾网通过国家知识产权局官网在2025-08-26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：202310667953.2，技术领域涉及：A61B5/372；该发明授权一种基于图表示学习模型的EEG数据分类方法是由韩卓阳;孙克;于硕;原旭设计研发完成，并于2023-06-07向国家知识产权局提交的专利申请。

本一种基于图表示学习模型的EEG数据分类方法在说明书摘要公布了：本发明属于图嵌入领域，公开了一种基于图表示学习模型的EEG数据分类方法，包括：步骤100，构建测地距离矩阵和基于功率谱密度特征的谱相干性生成的邻接矩阵；步骤200，根据测地距离矩阵和基于功率谱密度特征的谱相干性生成的邻接矩阵计算自适应邻接矩阵，并且获取EEG数据的功率谱密度作为输入的节点特征；步骤300，将脑功能网络进行多通道注意力卷积，获得最终的模型参数，实现对EGG的分类。本发明采用了全局注意力池化机制对节点特征进行粗化，实现整图的嵌入。根据整图分类任务，使用构建损失函数进行图卷积训练，反向传播损失，更新参数和嵌入。最后使用得到的模型实现EGG更准确的分类任务。

本发明授权一种基于图表示学习模型的EEG数据分类方法在权利要求书中公布了：1.一种基于图表示学习模型的EEG数据分类方法，其特征在于，包括以下步骤： 步骤100，构建测地距离矩阵和基于功率谱密度特征的谱相干性生成的邻接矩阵； 步骤101，根据每个节点的空间坐标和大脑表面的弧面半径计算测地距离矩阵Ageo，所述节点为EEG数据中采集电位差值的输入端；节点i到节点j的测地距离Ageo,ij的计算方法如下： 其中，节点i和节点j的空间坐标分别为ai,bi,ci和aj,bj,cj，大脑表面的弧面半径为r； 步骤102，根据每个节点之间的交叉谱密度的期望和每个节点的功率谱密度的期望计算基于功率谱密度特征的谱相干性生成的邻接矩阵Apsd，节点i到节点j的基于功率谱密度特征的谱相干性生成的邻接权重Apsd,i,j的计算方法如下： 其中，节点i和节点j的交叉谱密度的期望表示为节点i和节点j的功率谱密度的期望分别表示为和Si和Sj分别表示节点i和节点j的EEG信号；EXP·是期望函数；DFT·是交叉谱密度函数；PSD·是功率谱密度函数； 步骤200，根据测地距离矩阵和基于功率谱密度特征的谱相干性生成的邻接矩阵计算自适应邻接矩阵； 步骤201，将测地距离矩阵和基于功率谱密度特征的谱相干性生成的邻接矩阵进行拼接，得到拼接后的矩阵Ageo||Apsd；其中，Ageo是依据步骤101计算得到的测地距离矩阵，Apsd是依据步骤102计算得到的基于功率谱密度特征的谱相干性生成的邻接矩阵； 步骤202，计算自适应邻接矩阵A，计算方法如下： A＝Ageo||Apsd*WCat； 其中，WCat是实现测地距离矩阵和邻接矩阵自适应聚合的参数矩阵； 步骤203，采用EEG数据的功率谱密度作为输入的节点特征，xi表示上述步骤101中所述节点i的节点特征，xi的计算方法如下： xi＝PSDSi； 其中，PSD·是步骤102所述功率谱密度函数，Si是步骤102所述节点i的EEG信号； 步骤300，通过步骤101所述节点与步骤200所述节点的自适应邻接矩阵A构建脑功能网络图，对该脑功能网络图进行多通道注意力卷积，获得最终的多通道注意力卷积参数： 步骤301，将节点的特征xi转换成特定长度的向量zi，节点i在第l层上的向量的计算方法如下： 其中，是节点i在第l层上的特征，Wl是第l层上的参数矩阵； 步骤302，每个节点包含m个特征，对应不同频段下的功率谱特征，分别用zim表示；计算每个特征对应的注意力系数 其中，LeakyReLU·是激活函数，是用于实现特征向量zi的长度转换的可学习参数； 步骤303，计算对应特征下的注意力值 其中，特征的类别数为k； 步骤304，由步骤301至步骤303得到节点在多通道注意力机制下的嵌入 其中，σ·表示Sigmoid函数； 步骤305，计算节点最终的特征向量： 其中，Aggregate·表示聚合函数；为节点i的邻居集合；是第l层的可学习图卷积参数；Cat·表示向量联结函数； 步骤306，利用全局注意力池化机制粗化节点的特征，实现整图嵌入；整图嵌入的计算方法为： 其中，Softmaxfgate·表示一种软注意力机制，等效于注意力机制，决定了节点对当前图嵌入任务的重要性；ffeat·函数采用一层神经网络，输出维的特征向量；为标签类别，包含正常和异常两类标签； 步骤307，根据整图分类任务，定义损失函数 其中，是样本标签，当样本为正例时样本为负例时 表示正例样本的嵌入向量，表示负例样本的嵌入向量； 步骤308，反向传播步骤307计算出的损失更新步骤301每层的参数Wl、步骤302每层的参数步骤305每层的参数和步骤306所述整图嵌入当前循环次数小于总循环次数，则返回步骤301继续循环，否则，结束循环过程； 步骤309，使用步骤308得到的每层的多通道注意力卷积参数Wl、和以及整图嵌入实现对EEG的分类。

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大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2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”。