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脑电通道和频率权重重分配的注意力评估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：CN115500827B 。

龙图腾网通过国家知识产权局官网在2026-02-10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：202211162258.2，技术领域涉及：A61B5/16；该发明授权一种基于脑电通道和频率权重重分配的注意力评估方法是由王天磊;张俊阳;曹九稳设计研发完成，并于2022-09-23向国家知识产权局提交的专利申请。

本一种基于脑电通道和频率权重重分配的注意力评估方法在说明书摘要公布了：本发明公开了一种基于脑电通道和频率权重重分配的注意力评估方法。本发明通过对多通道脑电信号的电极通道，以及各通道信号在脑电频率上的特征权重进行重分配；然后通过构建端到端的深度神经网络，实现自动获取最优的特征权重分布，从而构建快速有效的智能注意力状态评估。本发明包括如下步骤：步骤1：数据预处理；步骤2：时频图构建；步骤3：构建权重重分配网络分支；步骤4：构建端到端深度卷积神经网络；步骤5：深度神经网络训练与推理。本发明提出的方法可以快速、简单、精确的对注意状态进行评估，采用通道权重重分配方法，针对电极通道和频率进行权重重分配，对有意义的通道频率赋予更大的权重，以此放大有效通道频率。

本发明授权一种基于脑电通道和频率权重重分配的注意力评估方法在权利要求书中公布了：1.一种基于脑电通道和频率权重重分配的注意力评估方法，其特征在于，包括如下步骤： 步骤1：数据预处理： 步骤2：时频图构建； 步骤3：构建权重重分配网络分支； 步骤4：构建端到端深度卷积神经网络； 步骤5：深度神经网络训练与推理； 步骤2所述的时频图构建实现如下： 2-1.对单个脑电通道进行分帧加窗，设帧长为L，帧移为L2；窗函数采用汉明窗； 2-2.假设采样频率为Fs，采样信号为xn，N为样本数量，对分帧后的每一帧信号进行快速离散傅里叶变换，离散傅里叶变换公式为： 然后去除对称部分和零频率点幅值； 2-3.取连续的M帧信号进行拼接，横坐标为帧数，纵坐标为频率，像素为相应幅值，从而构建L2×M的灰度时频图； 2-4.分别对E个脑电通道实施步骤2-1、2-2和2-3，从而构建E×L2×M的多通道时频图； 步骤3所述的构建权重重分配网络分支，包括两种实现方式：基于脑电通道的权重重分配和基于频率的权重重分配； 所述的基于脑电通道的权重重分配具体实现如下： 首先分别对E个通道使用L2×M的自适应平均池化来压缩特征，得到形状为E×1×1的输出张量，公式如下： Ui,j是形状为L2×M的灰度图； 然后构建多层感知机，假设具有KM个隐藏层，设第i层隐藏层神经元数量设为Hi,i＝1,...,KM，那么第i层的输出为yi＝wixi，其中输入xi形状为1×Hi，wi是第i层隐藏层权重，形状为Hi×Hi+1，得到输出yi形状为1×Hi+1； 经过多层感知机，最终得到权重重分配后的权重参数1×KM，调整为KM×1×1，该权重参数与原多通道时频图的特征相乘得到权重重分配特征Ⅰ； 所述的基于频率权重重分配具体实现如下： 对于E×L2×M的多通道时频图，对L2这个频率维度同步做全局平均池化和全局最大池化，其中全局平均池化为对每一个E×M维度的张量数据计算一个平均值，获得形状为1×L2×1的输出张量；全局最大池化为对每一个E×M维度的张量数据取最大值，获得形状为1×L2×1的输出张量；把全局平均池化和全局最大池化得到的这两个张量拼接得到形状为2×L2×1的张量，然后通过k个7*7的卷积层对L2这个频率维度进行自适应的权重调整，得到1×L2×1的权重参数，将此权重参数和E×L2×M的原多通道时频图特征相乘，得到权重重分配特征Ⅱ； 步骤4中将步骤3得到的权重重分配特征作为深度卷积神经网络的输入，该输入为同时使用权重重分配特征Ⅰ和权重重分配特征Ⅱ； 当深度卷积神经网络的输入为权重重分配特征Ⅰ和权重重分配特征Ⅱ时，通过权重重分配特征Ⅰ得到最终的权重参数KM×1×1以及权重重分配模型Ⅱ得到最终的权重参数1×L2×1，把两个权重参数同时和E×L2×M的原多通道时频图特征相乘，即可得到同时使用两种方式的权重重分配特征；该方式得到的特征形状与权重重分配特征Ⅰ得到的特征形状、权重重分配特征Ⅱ得到的特征形状均相同，均为E×L2×M，作为深度卷积神经网络的输入。

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 浙江省杭州市下沙高教园区2号大街；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。