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！

龙图腾网获悉吉林大学申请的专利基于脑电-语音双模态决策融合的抑郁症识别系统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：CN116467672B 。

龙图腾网通过国家知识产权局官网在2026-01-02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：202310319507.2，技术领域涉及：G06F18/25；该发明授权基于脑电-语音双模态决策融合的抑郁症识别系统是由陈万忠;龚琳琳设计研发完成，并于2023-03-29向国家知识产权局提交的专利申请。

本基于脑电-语音双模态决策融合的抑郁症识别系统在说明书摘要公布了：一种基于脑电‑语音双模态决策融合的抑郁症识别方法，属于数字信号处理技术领域。本发明的目的是采用胶囊图神经网络和Transformer网络结合的D‑S证据理论决策融合策略，旨在于提高检测设备对抑郁症人群识别分类客观性和精准性的基于脑电‑语音双模态决策融合的抑郁症识别系统。本发明的步骤是：采集脑电及语音信号、数据预处理、脑电及语音的特征提取、构建及训练胶囊图神经网络和Transformer网络、测试集的抑郁症分类识别。本发明克服仅依据单一模态导致的个体差异影响大、抑郁症分类辨识度低的问题，有效挖掘和融合了脑电及语音信息中包含的抑郁因素，提高了抑郁症分类识别准确率。

本发明授权基于脑电-语音双模态决策融合的抑郁症识别系统在权利要求书中公布了：1.一种基于脑电-语音双模态决策融合的抑郁症识别系统，其特征在于：构建及训练胶囊图神经网络和Transformer网络： S1、对于脑电特征，采用胶囊图神经网络处理，其包括：图结构输入、图卷积层、初始胶囊生成层、注意力机制、图胶囊生成层、分类胶囊生成层、脑电mass函数输出： a、图结构输入：功率谱熵特征被构造为图结构，其中为由N个脑电导联组成的节点集，为邻接矩阵，为节点特征；各节点间的特征相关系数得到皮尔逊相关矩阵： 1 其中，表示中第和第个节点特征的相关系数； 比较和阈值的大小，将相关矩阵转换为由元素0和1构成的邻接矩阵，即 2； b、图卷积层：根据图结构输入，采用层图卷积层学习更高质量的节点嵌入，每层图卷积层公式为 3 其中，表示第层图卷积层第个节点的节点特征，并有，；表示第层图卷积层中第个节点到第层中第个节点的特征变换权重，构成矩阵；表示激活函数，具体为函数，以增强特征的非线性表达能力，其公式为 4； c、初始胶囊生成层：重组及堆叠每层图卷积层的输出生成初级胶囊；将每层图卷积层的输出重组为的三维矩阵，其中表示节点个数，表示为各节点建立的胶囊个数，表示每个胶囊的维数，且；沿着维度堆叠各三维矩阵，得到初级胶囊，其中；初级胶囊可以看作是由组节点胶囊组成，每组节点胶囊为，其中表示第个节点的第个胶囊，； d、注意力机制：对各组节点胶囊进行重新校准，过程如下： 5 其中，是由平铺获得的，即，表示全连接层，其输入神经元数目为，输出神经元数目为，每个胶囊的注意力系数由全连接层输出的归一化值获得，使用此注意力系数来重新校准各组节点胶囊，得到； e、图胶囊生成层：将注意力校准后的初级胶囊经过动态路由过程循环次生成图胶囊，其中表示图胶囊的个数，表示各个图胶囊的维数； f、分类胶囊生成层：将图胶囊经过动态路由过程循环次生成分类胶囊；其中表示分类胶囊的个数，表示各个分类胶囊的维数； g、脑电mass函数输出：计算分类胶囊中每个胶囊的模长，对应每种类别的识别概率；模型根据输入特征判别其为每一类的概率，得到和，进一步得到脑电基本概率分配mass函数，即 6 S2、对于语音特征，采用Transformer网络处理，其包括：Fbank特征输入、轻量级多头自注意模块、多层感知机前馈模块、分类层、语音mass函数输出： a、Fbank特征输入：将Fbank特征作为Transformer网络的输入，； b、轻量级多头自注意模块：输入特征首先经过批归一化BN操作，得到，注意力头的数量设置为，将划分为组：查询矩阵、键矩阵、值矩阵，即每组的矩阵大小均变换为，采用平均池化操作对和的维度进行减维，因此，每组和的维度变为，其中s为步长，分别用和表示，将每组的和经过乘积缩放、柔性最大值计算、dropout策略得到每个头的注意力系数矩阵，将此系数矩阵与进行乘积，得到经过每个注意力头的输出： 7 其中；接着，将所有头的注意力输出拼接，用符号||表示，并馈入线性层；最后进行残差操作： 8； c、多层感知机前馈模块：模块的输入为；模块由两层二维卷积层构成，其输入端首先经过批归一化BN操作，在两层二维卷积层间使用激活函数： 9 10 11 12 其中，表示第一层卷积层的偏差，表示第一层卷积层的可学习权重矩阵，和分别表示的维数大小，表示输出通道数，表示第二层卷积层的偏差，表示第二层卷积层的可学习权重矩阵，和分别表示的维数大小，表示输出通道数；最后对输出进行残差操作，即 13 继续重复过程b和c，以作为过程b的输入，直到共进行次后完成计算； d、分类层：由一层全连接层和softmax层构成，分类器的输出分别表示为和； e、语音mass函数输出：分类器输出和组成语音mass函数，具体为 14； S3、D-S证据理论决策层融合： 设定分类全域为，根据步骤S1和步骤S2分别得到脑电特征和语音特征两种证据的基本概率分配mass函数和，计算全域的概率分配，其中每种状态概率分配为： 15 16 其中，为证据之间的冲突系数，；最后，比较和，将最大概率的假设判定为真，并且此最大概率对应的状态设置为最终的决策结果； S4、模型的整体损失函数： 在模型的训练过程中，使用三种损失函数更新模型中的参数，即边际损失、交叉熵损失、分类损失； 基于胶囊图神经网络的边际损失： 17 其中，当预测结果为类时，否则，表示第个分类胶囊的模长，表示边际系数； 基于Transformer网络的交叉熵损失： 18 其中，表示分类标签，当预测结果为真时，否则；表示预测为真的概率； D-S决策融合的分类损失： 19 其中，为预测类别，为真实类别； 模型的训练目标是使损失函数最小化，即 20 其中，和为比例系数，为训练更新后模型的最优参数集合。

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吉林大学，其通讯地址为：130012 吉林省长春市人民大街5988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。