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时-空-频注意力的癫痫脑电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：CN118319247B 。

龙图腾网通过国家知识产权局官网在2025-12-16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：202410547531.6，技术领域涉及：A61B5/00；该发明授权一种基于时-空-频注意力的癫痫脑电信号分类方法是由范晓娅;徐鹏志;王忠;赵正;赵奇;郝晨汝设计研发完成，并于2024-05-06向国家知识产权局提交的专利申请。

本一种基于时-空-频注意力的癫痫脑电信号分类方法在说明书摘要公布了：本发明属于深度学习技术领域，公开了一种基于时‑空‑频注意力的癫痫脑电信号分类方法，主要分为数据集获取、数据预处理、特征提取三个阶段。本发明综合考虑脑电信号的空间域、频域、时域特征，基于注意力机制构建了一个癫痫分类模型，用以完成对癫痫脑电信号的检测及多分类任务。其中癫痫检测任务可以看作癫痫二分类任务，即将脑电片段分为癫痫发作和非癫痫发作两类；癫痫多分类任务将癫痫脑电片段分为不同的类别。

本发明授权一种基于时-空-频注意力的癫痫脑电信号分类方法在权利要求书中公布了：1.一种基于时-空-频注意力的癫痫脑电信号分类方法，其特征在于，该癫痫脑电信号分类方法主要分为数据集获取、数据预处理、特征提取三个阶段； 具体步骤如下： 1数据集获取阶段 数据集中至少包含癫痫脑电信号、信号采样频率、信号类别标注； 2脑电信号预处理阶段 预处理阶段分为数据筛选、TCP蒙太奇、重采样、滤波、数据切片、时序信号归一化、短时傅里叶变换及时频矩阵归一化七个阶段； 3特征提取阶段 提出基于注意力机制的时-空-频模型来区分不同种类的癫痫脑电信号，该基于注意力机制的时-空-频模型主要由时间注意力模块、空-频注意力模块、一次聚合模块、过渡模块和分类层组成；利用短时傅里叶变换构建多通道脑电信号的时-空-频三维表示作为基于注意力机制的时-空-频模型的输入；时间注意力模块和空-频注意力模块均基于挤压-激励模式设计而成，使基于注意力机制的时-空-频模型将注意力集中在对癫痫分类任务贡献较大的时间步、脑电通道以及频率范围内；一次聚合模块增强了特征重用，同时限制了基于注意力机制的时-空-频模型整体的参数量和计算量；过渡模块则限制了特征通道的增长速度、同时降低了特征图的大小；采用卷积核大小为1*1*1的三维卷积层代替全连接层，进一步限制了基于注意力机制的时-空-频模型的参数量； 3.1时间注意力模块 将时间维度视为特征通道维度，即时间注意力模块的输入特征表示为输入特征经过全局平均池化层和全局最大池化层对空间域和频域维度进行处理后保持时间维度不变，再经过降维及转置后输入到一维卷积层中；一维卷积层的卷积核大小为K，并通过填充操作使特征图大小不发生改变；表示为如下两个公式： 其中，Conv代表一维卷积；经过GMP和GAP后，空间域和频域信息得以聚合到一维向量中，一维卷积层用以完成跨时间步的信息交融； 随后将Xavg与Xmax在第一维度进行拼接，并通过卷积核大小为1的卷积层达到特征融合和降维处理；融合的特征经过激活函数进行处理后得到注意力权重，再利用广播机制对注意力权重和输入特征做逐元素乘法；表示如下公式： 其中，Concat为拼接操作，Conv代表一维卷积，Mul代表逐元素相乘； 3.2空-频注意力模块 空-频注意力模块主要由一个时间维度三维最大池化层、一个时间维度三维平均池化层以及一个二维卷积层组成； 输入特征同时通过两个并行的最大池化层TMP和平均池化层TAP进行特征提取及降维处理；经过最大池化层TMP和平均池化层TAP处理后的特征分别表示为和随后将经过池化的两组特征在通道维度进行拼接，拼接后的特征表示为经过二维卷积层对通道维度进行降维处理后得到融合特征再将其通过sigmoid激活函数得到注意力权重最后利用广播机制将注意力权重与输入特征做逐元素乘法以完成对特征的加权；空-频注意力模块对输入特征的整体运算表示如下公式： 其中，MaxPool表示最大池化层，AvgPool表示平均池化层，Concat表示通道维度拼接，Mul表示逐元素乘法； 3.3一次聚合模块和过渡模块 一次聚合模块的输入特征表示为其中，C为特征通道维度；每个一次聚合模块由M个相同的子模块构成，每个子模块由一个批归一化层、ReLU激活函数以及一个三维卷积层组成；每个子模块的输入通道数为前一个模块的输出通道数，所有子模块的输出通道数相同，并在最后一个子模块输出特征后在特征通道维度进行拼接以达到特征重用；一次聚合模块中的三维卷积层卷积核大小统一为3*3*3，同时设置padding为same模式，保证特征图大小不变； 过渡模块由一个批归一化层、一个ReLU激活函数、一个卷积核大小为1*1*1的三维卷积层以及一个池化核大小与步长均为2*2*2的三三维平均池化层组成；其中三维卷积层用以在不改变特征图大小的条件下降低特征通道数量，限制特征通道增长速度，三维平均池化层用于将特征图大小转变为输入特征图大小的一半； 3.4分类层 分类层由一个三维自适应平均池化层、一个卷积核大小和步长均为1*1*1的三维卷积层和softmax层组成；分类层的输入表示为其首先经过三维自适应平均池化层在时-空-频3个维度对输入特征做平均池化运算，得到中间特征其次，引入输出通道数等于癫痫类别数的三维卷积层代替全连接层，以达到增加模型非线性运算同时减少参数数量；最终，特征经过展平和softmax函数，获得模型预测的癫痫类别。

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”。

以上内容由龙图腾AI智能生成。