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！

龙图腾网获悉华南理工大学申请的专利一种基于自适应流形卷积宽度网络的脑电情感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：CN120470454B 。

龙图腾网通过国家知识产权局官网在2026-01-09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：202510383093.9，技术领域涉及：G06F18/2431；该发明授权一种基于自适应流形卷积宽度网络的脑电情感识别方法是由陈俊龙;雷春雨;张通设计研发完成，并于2025-03-28向国家知识产权局提交的专利申请。

本一种基于自适应流形卷积宽度网络的脑电情感识别方法在说明书摘要公布了：本发明提供了一种基于自适应流形卷积宽度网络的脑电情感识别方法，自适应流形卷积宽度网络模型包括多尺度情感表征学习模块、域差异消除模块、标签流形信息探索模块和输出层；模型训练方法为：随机地从源域脑电数据中取出样本块并标准化、白化、聚类，聚类中心被作为卷积特征层的参数；将源域脑电数据和目标域脑电数据输入卷积特征层计算得到特征节点，然后输入随机初始化的卷积增强层得到增强节点；之后输入两阶段多尺度特征融合层得到相应的多尺度情感表征；最后，在域差异消除模块和标签流形信息探索模块的帮助下，学习得到跨域鲁棒的输出层权重。该方法有效提升了脑电情感识别任务的性能，适合于实时性要求高的边缘端场景。

本发明授权一种基于自适应流形卷积宽度网络的脑电情感识别方法在权利要求书中公布了：1.一种基于自适应流形卷积宽度网络的脑电情感识别方法，其特征在于：采用自适应流形卷积宽度网络模型进行情感识别；所述自适应流形卷积宽度网络模型包括多尺度情感表征学习模块、域差异消除模块、标签流形信息探索模块和输出层；多尺度情感表征学习模块包括源域多尺度学习单元和目标域多尺度学习单元；源域多尺度学习单元和目标域多尺度学习单元均包括依次连接的卷积特征层、卷积增强层和两阶段多尺度特征融合层； 将待识别的脑电数据输入到目标域多尺度学习单元，得到多尺度情感表征；多尺度情感表征输入到输出层得到情感标签预测结果，从而实现情感识别； 所述自适应流形卷积宽度网络模型，采集将源域脑电数据XS、源域情感标签YS和目标域脑电数据XT作为训练样本；训练方法包括如下步骤： S1、利用源域脑电数据XS中各个特征组中随机提取的样本块集合来迭代优化源域多尺度学习单元的卷积特征层滤波器组； S2、源域脑电数据XS和目标域脑电数据XT分别输入至对应的源域多尺度学习单元和目标域多尺度学习单元，分别得到对应的多尺度情感表征AS、AT； S3、将多尺度情感表征AS、AT输入到域差异消除模块，计算源域和目标域的差异函数LD； S4、将源域脑电数据XS和源域情感标签YS输入到标签流形信息探索模块，得到目标函数LM； S5、计算分类损失 S6、将差异函数LD、目标函数LM和分类损失组合成总损失函数L，并进行最小化；计算输出层权重； 所述步骤S3为： 首先，计算源域和目标域的差异LD为： 其中，和分别表示第i个源域脑电数据XS的多尺度情感特征和第j个目标域脑电数据XT的多尺度情感表征；Θ表示待优化的输出层权重；以矩阵的形式重写差异LD公式为： 其中，表示源域脑电数据XS和目标域脑电数据XT的多尺度情感表征的集合；Tr·代表矩阵的迹运算；V表示最大均值差异矩阵，计算为： 其中，表示元素全为1的ns行nt列的矩阵； 所述步骤S4为： 设定目标函数LM： 其中，Θ是待优化的输出层权重；W是描述源域脑电数据XS和目标域脑电数据XT组成的样本对之间连接关系的邻接矩阵，定义为： 其中，为第k个情感状态的源域脑电数据的样本数量；所有情感状态的脑电数据样本数量的和满足：以矩阵的形式重写LM公式为： 其中，图拉普拉斯矩阵LS＝D-W；D是一个对角矩阵，D的元素表示为： 所述步骤S5为： 计算分类损失 其中，Θ表示输出层权重；λ代表控制自适应流形卷积宽度网络模型复杂度的正则化系数； 所述步骤S6为： 将总损失函数L设定为输出层的优化目标，总损失函数L为： 其中，η和μ分别表示正系数； 以闭式解的形式同时解决三个问题；令 其中，US是ns×ns的单位矩阵；表示ns行nt列的元素全为0的矩阵；总损失函数L公式表示为： 当多尺度情感表征维度M满足M≤ns+nt时，其中ns是源域脑电数据的样本数，nt代表目标域脑电数据的样本数，输出层权重计算为： 否则，输出层权重计算为：

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华南理工大学，其通讯地址为：510640 广东省广州市天河区五山路381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。