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基于特征解耦的EEG-fNIRS深度融合的认知状态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：CN119397339B 。

龙图腾网通过国家知识产权局官网在2025-10-17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：202411622630.2，技术领域涉及：G06F18/24；该发明授权基于特征解耦的EEG-fNIRS深度融合的认知状态分类方法是由许海棋;佘青山;孟明;陈强;斯辉健设计研发完成，并于2024-11-14向国家知识产权局提交的专利申请。

本基于特征解耦的EEG-fNIRS深度融合的认知状态分类方法在说明书摘要公布了：本发明公开了基于特征解耦的EEG‑fNIRS深度融合的认知状态分类方法，该方法首先同步采集被试心算任务下的脑电信号EEG与功能性近红外光谱信号fNIRS数据，对采集到的两个数据进行预处理得到脑电信号数据和血红蛋白浓度变化数据。其次取脑电信号数据和血红蛋白浓度变化数据，通过时间窗进行数据增强后送入深度融合网络，获取EEG的公共特征和私有特征、fNIRS的初级特征；以及EEG分类结果、fNIRS分类结果及输出的融合分类结果。最后设计解耦损失和基于标签平滑策略的交叉熵损失，进行训练。本发明有效缓解fNIRS模态深度学习中的过拟合问题，能够准确的进行认知状态分类。

本发明授权基于特征解耦的EEG-fNIRS深度融合的认知状态分类方法在权利要求书中公布了：1.基于特征解耦的EEG-fNIRS深度融合的认知状态分类方法，其特征在于，包括以下步骤： 步骤S1，根据心算实验范式设置实验，同步采集被试心算任务下的脑电信号EEG与功能性近红外光谱信号fNIRS数据，对采集到的两个数据进行预处理得到脑电信号数据和血红蛋白浓度变化数据； 步骤S2，取脑电信号数据和血红蛋白浓度变化数据，通过时间窗进行数据增强后送入深度融合网络，获取EEG的公共特征和私有特征、fNIRS的初级特征；以及EEG分类结果、fNIRS分类结果及输出的融合分类结果；具体实现过程如下： 步骤S21，取步骤S1的预处理后的数据，对数据进行大小为3s，步长为1s的时间窗处理，得到脑电和近红外数据输入矩阵； 步骤S22，将脑电和近红外数据输入矩阵，分别输入深度融合网络的脑电分支和近红外分支进行特征提取，最后进行分类输出分类结果，具体实现过程如下： 步骤S221，脑电输入矩阵首先通过卷积块得到初级特征Eb，该卷积块由时间卷积、空间卷积和平均池化层串行组成；然后通过两个并行Mamba结构得到私有特征和公共特征，两个特征输入深度融合模块得到最终的分类结果，其中深度融合模块由一个交叉注意力块和全连接层串行组成，公共特征和私有特征分别作为自注意力块的Q和K、V进行输入；Mamba计算过程如下： M1＝SSMσDWConvLinearEb M2＝σLinearEb Ep,c＝LinearM1⊙M2 其中，⊙表示点乘，σ表示激活函数，此处采用SiLU，DWConv表示深度可分离卷积，Linear表示线性层，SSM层是基于选择性状态空间序列模型实现的，对脑电特征进行编码和处理，首先通过在二维特征图上的多个不同方向上的选择性扫描扩展补丁序列，通过状态空间建模处理所得序列，然后合并； 步骤S222，近红外输入矩阵首先通过卷积块获得初级特征，其中卷积块由时间卷积、空间卷积和点卷积串行组成，初级特征通过全连接层得到近红外分类结果； 步骤S223，将EEG的公共特征和fNIRS的初级特征进行拼接作为自注意力块的Q，EEG的初级特征和私有特征拼接作为K、V，经过自注意力块后，再通过全连接层输出分类结果； 步骤S3，将EEG公共特征和私有特征、fNIRS初级特征输入解耦损失，将EEG分类结果、fNIRS分类结果和融合结果分别输入基于标签平滑策略的交叉熵损失，进行训练； 所述解耦损失计算如下： 在从EEG和fNIRS中提取特征后，设计解耦损失Ldis，使用余弦嵌入损失衡量不同模态之间的相似性，计算公式如下： 其中ε是一个正数，用于防止分母为0，cosloss为余弦嵌入损失；Ec和Ep分别表示EEG的公共特征和私有特征，Fb表示fNIRS特征； 所述基于标签平滑策略的交叉熵计算思路如下： 引入一个平滑参数调整交叉熵损失函数，将实际标签y从0和1调整为y′i： 其中δ是平滑参数，K是类别数，基于标签平滑策略的交叉熵损失写为： 其中，为预测结果。

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 浙江省杭州市钱塘区白杨街道2号大街1158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”。

以上内容由龙图腾AI智能生成。