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！

龙图腾网获悉重庆邮电大学申请的专利基于生理信号的驾驶员信任状态评估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：CN119405316B 。

龙图腾网通过国家知识产权局官网在2025-11-25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：202411459418.9，技术领域涉及：A61B5/18；该发明授权基于生理信号的驾驶员信任状态评估方法是由胡敏;梅馨予;黄宏程设计研发完成，并于2024-10-18向国家知识产权局提交的专利申请。

本基于生理信号的驾驶员信任状态评估方法在说明书摘要公布了：本发明涉及一种基于生理信号的驾驶员信任状态评估方法，属于智能驾驶技术领域。该方法包括：S1：对心率信号和皮肤电信号进行预处理和特征提取；S2：信号融合：将步骤S1提取的心率特征和皮肤电特征归一化，然后将归一化后的心率的各个特征和皮肤电的各个特征分别融合为特征矩阵；S3：构建模型输入；S4：构建信任评估模型，包括卷积模块、深层通道注意力模块、Transformer模块和回归预测模块；S5：模型输出：将目标向量定义为[0,1,2]，然后将回归预测模块的输出与目标向量之间建立关联，即采用线性映射将回归输出映射到[0,2]的区间；最后进行阈值映射，根据映射后的输出使用阈值将其转换为分类结果。

本发明授权基于生理信号的驾驶员信任状态评估方法在权利要求书中公布了：1.一种基于生理信号的驾驶员信任状态评估方法，其特征在于，该方法具体包括以下步骤： S1：对心率信号和皮肤电信号进行预处理和特征提取； S2：信号融合：将步骤S1提取的心率特征和皮肤电特征归一化，然后将归一化后的心率的各个特征和皮肤电的各个特征分别融合为特征矩阵； S3：构建模型输入； S4：构建信任评估模型，包括卷积模块、深层通道注意力模块、Transformer模块和回归预测模块； 1卷积模块 首先使用卷积模块提取原始特征，将特征映射到不同的特征空间，并在卷积层中使用卷积核提取空间特征，从数据中学习有用的信息；融合特征经过一个步长为s，填充为p的2D-CNN，然后经过一个整流线性单元层； 2深层通道注意力模块 在该模块中，使用多层高效通道注意力ECA来提取深层次的局部特征； 首先是压缩空间维度，同时保留不同渠道的关键信息；并使用全局平均池化；接下来的部分利用通道注意力来捕获局部的跨通道交互；给定聚合特征y： σ 其中，表示经过非线性变换后的特征向量，表示一个非线性激活函数，用于增加模型的表达能力；ECA模块使用带通矩阵来学习通道注意力，包含k×C个参数，其中k表示邻居节点数，C表示信道数；通过这样做，的权重将只考虑他的k个邻居，因此可以得到下面的结果： 其中，表示第i个通道的最终注意力权重，表示第i个通道在第j个邻居通道上的权重，表示第j个邻居通道的特征值，属于通道i的邻居集合，表示的k个相邻通道的集合；本方法使用一维卷积进行实现，其中k代表卷积核的大小；为了避免不必要的计算，卷积核的大小依赖于通道维数C；卷积核的大小k可以自适应地确定： odd 其中，|t|odd表示t的最近奇数，用于控制卷积核大小和计算量；将y和b分别设置为2和1；在卷积之后，提取的特征通过激活函数进行非线性变换，方便下一步进行归一化；最后一步是通过这些归一化的特征对原始输入进行缩放；在每个ECA层之间，还使用了一个残差网络，以防止梯度爆炸； 3Transformer模块 本模块从Transformer中选择了一个模型来提取全局特征，弥补了卷积模块感受野有限的问题；前级模块的输出经过线性变换后，送入查询Q、键K、值V元件； 编码器架构利用点积运算来确定各种特征之间的相关性；随后，通过Softmax函数对所得矩阵进行归一化处理，从而生成加权矩阵；然后通过另一个点积将这个注意力分数应用于V矩阵，最终形成一个体现模型聚焦注意力机制的加权表示；在自我关注的情况下，Q、K、V的内容保持一致；计算过程如下： 其中，表示特征的长度；此外还采用多传感头注意力MHA机制来进一步增强特征的多样性；在该机制中，特征被均匀地划分为h个部分；每个部分单独送入自注意力模块进行计算；最后，将各部分的结果进行拼接，得到最终的输出结果；整个过程表示为： 其中，分别表示第l个注意力头的查询、密钥和值矩阵；此外，还在前馈层和MHA层之间进行残差连接，然后进行层标准化；在整个Transformer层内，编码器结构重复N次； 4回归预测模块 该模块将特征转化为限定在0~1之间的连续输出值；首先是LayerNorm模块，该模块对输入的各个特征进行归一化处理；经过归一化处理后，使用AvgPool层降低数据维度，同时保留本质信息；随后，通过线性层对数据进行线性变换，将其映射为每个实例的奇异输出值，以符合回归目标；该过程最后应用tanh激活函数，并进一步调整，将输出范围移动和缩放到[0,1]，从而确保该模块的输出适合需要有界连续预测的回归任务； S5：模型输出：将目标向量定义为[0,1,2]，其中0表示不信任，1表示适度信任，2表示过度信任；然后将回归预测模块的输出与目标向量之间建立关联，即采用线性映射将回归输出映射到[0,2]的区间；最后进行阈值映射，根据映射后的输出使用阈值将其转换为分类结果。

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重庆邮电大学，其通讯地址为：400065 重庆市南岸区黄桷垭崇文路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”。

以上内容由龙图腾AI智能生成。