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！

龙图腾网获悉西安电子科技大学申请的专利一种多尺度关系学习的跨域脑电情绪识别方法及装置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：CN119557824B 。

龙图腾网通过国家知识产权局官网在2026-02-03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：202411593187.0，技术领域涉及：G06F18/25；该发明授权一种多尺度关系学习的跨域脑电情绪识别方法及装置是由李阳;乐世权;李甫;付博勋;赵至夫;周祎瑾;张利剑;陈远方设计研发完成，并于2024-11-08向国家知识产权局提交的专利申请。

本一种多尺度关系学习的跨域脑电情绪识别方法及装置在说明书摘要公布了：本发明涉及一种多尺度关系学习的跨域脑电情绪识别方法及装置，包括：将脑电图信号输入多尺度关系学习网络，利用多尺度关系学习网络中依次连接的多尺度分离模块、连接关系学习模块和多尺度融合模块，得到融合情绪特征；其中，融合情绪特征包括多个源域的信息；将融合情绪特征输入通用特征归纳网络，利用通用特征归纳网络中的狄利克雷先验网络排除个性化情绪特征对情绪识别的干扰，得到情绪识别结果。上述技术方案利用多尺度关系学习网络捕获情绪特征，能够学习更加符合脑神经科学的脑连接关系，综合考虑多个源域的情绪信息，并对融合情绪特征进行归纳，排除个性化情绪干扰，提高了泛化能力。

本发明授权一种多尺度关系学习的跨域脑电情绪识别方法及装置在权利要求书中公布了：1.一种多尺度关系学习的跨域脑电情绪识别方法，其特征在于，所述方法包括： 将脑电图信号输入多尺度关系学习网络，利用所述多尺度关系学习网络中依次连接的多尺度分离模块、连接关系学习模块和多尺度融合模块，得到融合情绪特征；其中，所述融合情绪特征包括多个源域的信息； 将所述融合情绪特征输入通用特征归纳网络，利用所述通用特征归纳网络中的狄利克雷先验网络排除个性化情绪特征对情绪识别的干扰，得到情绪识别结果； 其中，所述将脑电图信号输入多尺度关系学习网络，利用所述多尺度关系学习网络中依次连接的多尺度分离模块、连接关系学习模块和多尺度融合模块，得到融合情绪特征，包括： 将所述脑电图信号输入所述多尺度分离模块，得到多个不同尺度的所述脑电图信号； 将多个不同尺度的所述脑电图信号输入所述连接关系学习模块，得到多尺度情绪特征； 将所述多尺度情绪特征输入所述多尺度融合模块，得到所述融合情绪特征； 所述将所述脑电图信号输入所述多尺度分离模块，得到多个不同尺度的所述脑电图信号，包括： 初始化第一权重矩阵； 根据所述第一权重矩阵得到尺度变换矩阵； 根据所述尺度变换矩阵对所述脑电图信号进行处理，得到多个不同尺度的所述脑电图信号； 所述方法还包括： 通过第一损失函数对所述尺度变换矩阵进行约束； 所述第一损失函数表示如下： ； 其中，表示所述第一损失函数，表示第个尺度的尺度变换矩阵，；表示矩阵转置，表示阶单位阵，表示第个尺度的节点数，表示Frobenius范数； 所述将多个不同尺度的所述脑电图信号输入所述连接关系学习模块，得到多尺度情绪特征，包括： 初始化第二权重矩阵； 根据所述第二权重矩阵得到边矩阵； 根据所述边矩阵和掩码矩阵得到稀疏边矩阵； 对所述稀疏边矩阵进行处理，得到拉普拉斯矩阵； 根据所述拉普拉斯矩阵和多个不同尺度的所述脑电图信号得到多尺度情绪特征； 所述拉普拉斯矩阵表示如下： ； 其中，表示第个尺度的拉普拉斯矩阵，；表示阶单位阵，表示第个尺度的节点数，表示矩阵转置，表示第个尺度的经过反掩码处理的稀疏边矩阵，，表示第个尺度的边掩码矩阵，表示所述掩码矩阵，，表示第个尺度的边矩阵； 所述多尺度情绪特征表示如下： ； 其中，表示第个尺度的情绪特征，表示sigmoid激活函数，表示第阶切比雪夫参数向量，；表示在缩放第个尺度的拉普拉斯算子处计算的阶切比雪夫多项式，，表示第个尺度的拉普拉斯矩阵的最大特征值，表示维的实数矩阵集合，表示第个尺度的脑电图信号； 第二损失函数表示如下： ； 其中，表示所述第二损失函数，所述第二损失函数用于对进行正交化，表示Frobenius范数。

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西安电子科技大学，其通讯地址为：710071 陕西省西安市太白南路2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。