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！

龙图腾网获悉合肥工业大学申请的专利基于在线测试时间域适应的跨受试者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：CN116746947B 。

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：202310719543.8，技术领域涉及：A61B5/372；该发明授权基于在线测试时间域适应的跨受试者脑电信号分类方法是由李畅;毛婷婷;宋仁成;刘羽;成娟;陈勋设计研发完成，并于2023-06-16向国家知识产权局提交的专利申请。

本基于在线测试时间域适应的跨受试者脑电信号分类方法在说明书摘要公布了：本发明公开了一种基于在线测试时间域适应的跨受试者脑电信号分类方法，其步骤包括：1，对于原始EEG数据进行预处理，包括去除噪声、片段分割以及利用短时傅里叶变换提取时间频率特征，并获得源域数据和目标域数据；2，基于CNN网络构建源模型，学生模型，教师模型，输入数据对源模型进行训练获得预训练源模型；3.使用已有的预训发明模型初始化学生模型和教师模型；4，学生模型和教师模型在目标数据流上基于互学习策略在线调优并实现脑电信号的分类。本发明能在保护患者隐私的条件下实现对脑电信号的快速分类，从而能满足实际场景中脑电信号的分类系统的实时性需求。

本发明授权基于在线测试时间域适应的跨受试者脑电信号分类方法在权利要求书中公布了：1.一种基于在线测试时间域适应的跨受试者脑电信号分类方法，其特征在于，是按如下步骤进行： 步骤1.1、获取带有标注类别信息的脑电信号源域数据集，并对所述脑电信号源域数据集中的原始脑电信号进行通道数据选择，得到C个通道的源域脑电信号；通过滑动窗对所述的C个通道的源域脑电信号进行切片后，采用短时傅里叶变换提取切片后的源域脑电信号的时频特征，并重新构建短时傅里叶处理之后的源域脑电信号的输入形状，从而得到NS段时间步长为的CS类源域脑电信号样本，记为源训练集 ，其中，表示第j类脑电信号中第个源域脑电信号样本，为脑电信号样本所对应的标签；CS代表脑电信号的类别数，表示脑电信号样本的通道数，w表示滑动窗的宽度，h表示脑电信号样本的高度； 步骤1.2、获取无标注类别信息的脑电信号目标域数据集，并对所述脑电信号目标域数据集中的原始脑电信号进行通道数据选择，得到C个通道的目标域脑电信号；通过滑动窗对所述的C个通道的目标域脑电信号进行切片后，采用短时傅里叶变换提取切片后的目标域脑电信号的时频特征，并重新构建短时傅里叶处理之后的目标域脑电信号的输入形状，从而得到个脑电信号片段构成的目标域数据集，其中，表示目标域数据集中第n段脑电信号，且，其中，表示目标域数据集中第n个脑电片段在时间步长t下的一小批样本中的第b个脑电信号样本；B表示一批样本个数； 步骤2、基于CNN网络构建源模型f、学生模型fs，教师模型ft； 所述CNN网络包含：第一卷积模块Conv3D、第二卷积模块Conv2D1、第三卷积模块Conv2D2、分类模块； 所述第一卷积模块Conv3D依次包括：第一批量归一化层，步长为1，s1，s1且卷积核为c，k1，k1的第一卷积层、第一ReLU非线性激活函数层、卷积核为1，d1，d1的最大池化层； 所述第二卷积模块依次包括：第二批量归一化层，步长为s2且卷积核为k2的第二卷积层、第二ReLU非线性激活函数层、卷积核为d2的最大池化层； 所述第三卷积模块Conv2D2依次包括：第三批量归一化层、步长为s3且卷积核为k3的第三卷积层、第三ReLU非线性激活函数层、卷积核为d3的最大池化层； 所述分类模块包括：两个连接层和，第一Sigmoid非线性激活函数； 步骤2.1、对CNN网络中所有卷积核的权重使用kaiming初始化器进行初始化； 步骤2.2、将第个源域脑电信号样本输入所述源模型f中，并经过所述源模型f中的第一卷积模块进行初始特征提取和特征降维，并得到第一特征序列，其中，表示第一特征序列的高度； 步骤2.3、所述第一特征序列依次经过所述第二卷积模块Conv2D1的处理后，得到第二特征序列；其中，表示第二特征序列的通道数，表示第二特征序列的宽度，表示第二特征序列的高度； 所述第二特征序列依次经过第三卷积模块Conv2D2的处理后，输出第三特征序列，其中，表示第三特征序列的高度，表示第三特征序列的宽度，表示第三特征序列的通道数； 步骤2.4、对第三特征序列经过flatten展平操作处理后得到第四特征序列； 第四特征序列输入所述分类模块中，并经过第一个全连接层和第一Sigmoid非线性激活函数的处理后，得到第段脑电信号样本的第五特征序列，其中，a表示第五特征序列的高度，b表示第五特征序列的宽度； 所述第五特征序列再输入第二个全连接层中进行处理，得到源模型f对第段脑电信号样本最终的个logit输出值，其中，表示源模型f预测第i段脑电信号样本属于第j类的logit值，表示的宽度，且； 步骤2.5、利用式1所示的类再平衡损失函数建立反向传播的损失函数： 1 式1中，表示第j类脑电信号中第i个脑电信号样本的损失，并由式2得到： 2 式2中，表示学生模型预测第i个脑电信号样本属于第j类的概率值，并由式3得到： 3 步骤2.6、基于所述源训练集DS，利用Adam优化器对所述源模型f进行训练，并计算损失函数，当训练迭代次数达到设定的次数或损失误差达小于所设定的阈值时，训练停止，从而得到最优源分类模型f0； 步骤3、初始化n=1； 步骤4、初始化t=1； 步骤4.0、利用最优源分类模型f0的参数分别初始化学生模型fs和教师模型ft获得时间步长t下的学生模型和教师模型； 步骤4.1、将一小批样本分别输入时间步长t下的教师模型和和学生模型中，并分别得到教师模型输出的个logit值，学生模型输出的个logit值，其中，表示教师模型预测一小批样本中第b个脑电信号样本属于第j类的logit值；表示学生模型预测一小批样本中第b个脑电信号样本属于第j类的logit值； 步骤4.1利用式4计算损失无监督损失： 4 式4中，和均表示正则化系数，表示测试熵，并由式5得到，表示KL散度，并由式6得到，表示对称交叉熵，并由式6得到； 5 式中，表示学生模型预测一小批样本中第b个脑电信号样本属于第j类的概率值，并由式6得到： 6 7 式中，表示教师模型预测一小批样本中第b个脑电信号样本属于第j类的概率值，并由式8得到： 8 9 式9中，表示教师模型预测第i个脑电信号样本属于第j类的概率值，表示学生模型预测第i个脑电信号样本属于第j类的概率值； 步骤4.2基于，利用Adam优化器对时间步长t下的学生模型进行训练，并最小化无监督损失损失函数，当学生模型经历一个历元之后，得到时间步长t+1下的学生模型；同时，利用式7对教师模型在时间步长t的参数进行更新，得到教师模型在时间步长t+1下的参数： 10 式10中，表示学生模型在时间步长t+1的参数；是滑动因子，并有： 11 式11中，和分别指学生模型对时间步长t下的一小批样本进行预测时得到的最自信和次自信的平均预测概率，并有： ；12 式12中，和表示学生模型在时间步长t下一小批样本中第b个样本的最自信和次自信的预测概率； 步骤4.3采用时间步长t+1下的学生模型对一小批样本进行分类，得到分类结果； 步骤4.4将t+1赋值给t后，若tT，则表示中的样本全部分类完成，执行步骤4.5，否则，返回步骤4.0顺序执行； 步骤4.5将n+1赋值给n后，若n，则表示目标域数据集中的样本全部分类完成；否则，返回执行步骤4顺序执行。

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合肥工业大学，其通讯地址为：230009 安徽省合肥市包河区屯溪路193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。