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！

龙图腾网获悉杭州电子科技大学申请的专利一种基于多粒度信息融合的言语想象脑电信号识别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：CN120105157B 。

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：202510259499.6，技术领域涉及：G06F18/24；该发明授权一种基于多粒度信息融合的言语想象脑电信号识别方法是由叶果果;陈琪琪;孔知洋;周明锐;彭勇设计研发完成，并于2025-03-06向国家知识产权局提交的专利申请。

本一种基于多粒度信息融合的言语想象脑电信号识别方法在说明书摘要公布了：本发明公开了一种基于多粒度信息融合的言语想象脑电信号识别方法，该方法首先采集受试者想象多种任务时的脑电数据，对采集得到的脑电数据进行预处理和特征提取，得到样本向量，以及样本向量对应的标签。其次构建结合视图重要性、样本重要性、特征重要性的机器学习模型，得到联合优化的目标函数。然后初始化每个视图重要性、样本重要性、特征重要性的权重，根据目标函数，通过交替优化法进行迭代优化。最后迭代优化后将样本向量输入机器学习模型，得到言语想象脑电信号的预测分类类别。本发明能够有效地从复杂的脑电信号中提取出任务相关的信息，确保在多变环境下仍能保持良好的分类效果。

本发明授权一种基于多粒度信息融合的言语想象脑电信号识别方法在权利要求书中公布了：1.一种基于多粒度信息融合的言语想象脑电信号识别方法，其特征在于，包括以下步骤： 步骤1、采集受试者想象N种任务时的脑电数据； 步骤2、对采集得到的脑电数据进行预处理和特征提取，得到样本向量，以及样本向量对应的标签； 步骤3、构建结合视图重要性、样本重要性和特征重要性的机器学习模型，得到联合优化的目标函数，具体实现过程如下： 3-1.建立有视图重要性、样本重要性、特征重要性的目标函数： 式中，为视图v的重要性权重的标量形式，视图重要性α＝[α1，α2，...，αv]T；βi表示样本i的权重，样本重要性β＝[β1，β2，...，βn]T；表示视图v中的特征重要性的权重矩阵，是对角矩阵，其中每个对角线元素代表视图v中第j个特征的重要性；表示在视图v下的权重矩阵，将特征映射到言语想象任务的分类空间，是偏置项，dv是视图v的特征数量，c表示言语想象任务的类别数；视图v中第i个样本的特征向量用表示，而表示第i个言语想象脑电信号样本的分类标签； 目标函数满足：αv≥0,1Tα＝1；βi≥0,1Tβ＝1； 3-2.引入正则化项限制Wv的复杂度，引入约束βi，f为自步函数；得到目标函数如下： 3-3.对式步骤3-2得到的目标函数进行化简，重写目标函数；所述的化简过程如下： 引入中间变量Sv代替ΘvWv，步骤3-2中目标函数写为: 当β，Sv和固定时，根据Θv和的定义和约束1TΘv1＝1，有如下等式： 关于的拉格朗日函数为：其中η和μ为两个拉格朗日算子，令导数为0； 目标函数被重写为： 构建增广矩阵，将纳入Sv中，引入替代βi，将和yi矩阵化得到重写的目标函数： 其中 3-4.给定固定参数Sv，B，令重写后的目标函数对回归目标Y的导数为0： BTB为满秩矩阵可逆，等式两边同时左乘BTB-1，化简得到： 其中δv为一个可视权重因子； 对重写后的目标函数进行化简，引入δv，得到： 将Y与非负标签修正矩阵组建一个新的回归目标R＝Y+Y⊙M，其中⊙表示逐元素求积，并合并得到： 其中为对角矩阵， 步骤4、初始化视图重要性、样本重要性和特征重要性的权重，根据目标函数，通过交替优化法进行迭代优化； 步骤5、迭代优化后将样本向量输入机器学习模型，得到言语想象脑电信号的预测分类类别。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市钱塘区白杨街道2号大街1158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。