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Ghost网络和不平衡学习的脑电信号分类方法及应用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：CN115130524B 。

龙图腾网通过国家知识产权局官网在2026-01-06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：202210858327.7，技术领域涉及：G06F18/241；该发明授权基于Ghost网络和不平衡学习的脑电信号分类方法及应用是由李畅;毛婷婷;宋仁成;刘羽;成娟;陈勋设计研发完成，并于2022-07-20向国家知识产权局提交的专利申请。

本基于Ghost网络和不平衡学习的脑电信号分类方法及应用在说明书摘要公布了：本发明公开了一种基于GhostNet和不平衡学习的脑电信号分类方法及应用，其步骤包括：1，对于原始脑电数据进行预处理，包括数据选择、滑窗切片和数据输入形状的选择；2，建立基于不平衡学习和Ghost网络的深度学习模型，初始化网络参数；3，在模型头部嵌入一个一维卷积层，建立Ghost网络的深度学习模型；4，输入数据并通过类再平衡CRB‑loss损失不断优化模型参数，获得最终分类模型用于待测试脑电信号的分类。本发明将成本敏感学习结合到GhostNet中，能够解决脑电信号分类任务中数据不平衡学习问题，能显著提升脑电信号分类准确率，从而增加脑电信号在医疗等领域的应用价值。

本发明授权基于Ghost网络和不平衡学习的脑电信号分类方法及应用在权利要求书中公布了：1.一种基于Ghost网络和不平衡学习的脑电信号分类方法，其特征在于，是按如下步骤进行： 步骤1、获取带有标注类别信息的脑电信号数据集，并对所述脑电信号数据集中的原始脑电信号进行通道数据选择，得到C个通道的脑电信号，再通过滑动窗对所述C个通道的脑电信号进行切片，并重新构建切片后的脑电信号的输入形状，从而得到N段总时长为T的脑电信号样本并构成有D类脑电数据的训练集Dr，且每一类有Nd个样本，记为 其中，Xi，j∈Rc×w×h表示第j类中的第i个脑电信号样本，Yi，j为脑电信号样本Xi，j所对应的标签；c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2、建立基于模型不平衡学习的Ghost网络，包含：一维卷积模块Conv2D1、M个Ghost瓶颈模块G-bottleneck1，....，G-bttleneckm，....，G-bottlebckM、压缩模块、分类模块；其中，G-bottleneckm表示第m个Ghost瓶颈模块；m＝1,2，....M； 所述一维卷积模块Conv2D1依次包括：步长为s且卷积核为k×1的第一卷积层、第一ReLU非线性激活函数层、卷积核为d的最大池化层、第一批量归一化层； 当第m个Ghost瓶颈模块G-bottleneckm的步长s＝1时，主干通路由两个相同的Ghos模块G-module1、G-module2串联组成，其中，每个Ghos模块均由步长为d，卷积核为1×1标准卷积以及步长为d′，卷积核为3×3分组卷积组成； 当第m个Ghost瓶颈模块G-bottleneckm的步长s＝2时，主干通路是在两个相同的Ghos模块G-module1、G-module2之间串联一个步长为s，卷积核为k的通道卷积组成； 所述压缩模块依次包括：一个卷积核为1×1，步长为1的卷积层、第二批量归一化层、第二ReLU非线性激活函数和自适应平均值池化层； 所述分类模块包括：两个全连接层FC、FC，第三批量归一化层和第三ReLU非线性激活函数； 步骤2.1、对Ghost网络中所有卷积核的权重使用kaiming_normal_初始化； 步骤2.2、将输入形状重建后的第i段脑电信号样本Xi，j∈Rc×w×h输入所述Ghost网络中，并经过所述一维卷积模块Conv2D的初步提取和特征降维，得到第一特征序列其中，h′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M个Ghost瓶颈模块后输出第二特征序列其中，h″表示第二特征序列的高度，并包括： 当m＝1，且s＝1时，所述第一特征序列输入第m个Ghost瓶颈模块G-bottleneckm中的第一个Ghost模块G-module1，m，将第一特征序列的通道数放大为c′，得到隐藏层特征序列所述隐藏层特征序列再输入第m个Ghost瓶颈模块G-bottleneckm中的第二个Ghost模块G-module2，m，对的通道数进行降维，使隐藏层特征序列的通道数恢复至的通道数，得到输出特征图为并将特征图和拼接后形成得到第m个Ghost瓶颈模块G-bottleneckm的输出特征图 当m＝2，且s＝1时，第m-1个Ghost瓶颈模块G-bottleneckm-1的输出特征图输入第m个Ghost瓶颈模块G-bottleneckm中进行处理，并得到输出特征图 当m＝3,4，…，M且s＝1时，第m-1个Ghost瓶颈模块G-bottleneckm-1的输出特征图与第m-2个Ghost瓶颈模块G-bottleneckm-2的输出特征图求和后再输入第m个Ghost瓶颈模块G-bottleneckm中进行处理，并得到输出特征图 当m＝1，且s＝2时，将第一特征序列输入第m个Ghost瓶颈模块G-bottleneckm中的第一个Ghost模块G-module1，m，将第一特征序列的通道数放大为c′，得到隐藏层特征序列所述隐藏层特征序列再输入第m个Ghost瓶颈模块G-bottleneckm中的通道卷积进行处理，得到特征图所述特征图再输入第m个Ghost瓶颈模块T-bottleneck中的第二个Ghost模块G-module2，m，用于对的通道数进行降维，使隐藏层特征序列的通道数恢复至的通道数，得到输出特征图并将特征图拼接后形成得到第m个Ghost瓶颈模块G-bottleneck的输出特征图 当m＝2，且s＝2时，第m-1个Ghost瓶颈模块G-bottleneckm-1的输出特征图输入第m个Ghost瓶颈模块G-bottleneck中进行处理，并得到输出特征图 当m＝3,4，…，M，且s＝2时，第m-1个Ghost瓶颈模块G-bottleneckm-1的输出特征图与第m-2个Ghost瓶颈模块G-bottleneckm-2的输出特征图求和后输入第m个Ghost瓶颈模块G-bottleneckm中进行处理，并得到输出特征图 步骤2.4、所述第二特征序列依次经过压缩模块中的卷积层、第二批量归一化层、第二ReLU非现象激活函数和自适应平均值池化层的展平处理后，得到第三特征序列 步骤2.5、第三特征序列输入所述分类模块中，并依次经过第一个全连接层FC1的处理后，得到第i段脑电信号样本Xi，j∈Rc×w×h对应每种类别的分数scorei，j∈Ra×b，其中a表示scorei，j的宽度，b表示scorei，j的高度，所述分数scorei，j再依次输入第三批量归一化层、第三ReLU非线性激活函数和第二个全连接层FC2中进行处理，得到Ghost网络最终的输出值score′i，j∈Ra×b′，其中，b′表示score′i，j的高度，且b′＜b； 步骤2.6、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L： 式1中，Li，j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： 式2中，α表示第一个超参数，pi，j表示第j类中的第i个脑电信号样本Xi，j属于第j类的概率值，并由式3得到，W表示不同类别脑电信号的不平衡比率，并由式4得到： 式3中，zi，j表示第j类的第i个脑电信号样本Xi，j的logit值，τ是第二个超参数； 式4中，Nmax是训练集Dr中类别最多的脑电信号样本数，Nj是第j类的脑电信号样本数； 步骤3、模型训练： 基于所述训练集Dr，利用ADAM优化器对所述Ghost网络进行训练，并计算损失函数L，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，从而得到最优分类模型，用于实现不同脑电信号的分类。

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。