買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉大連理工大學(xué)申請(qǐng)的專利一種基于圖表示學(xué)習(xí)模型的EEG數(shù)據(jù)分類方法獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN116687425B 。

龍圖騰網(wǎng)通過國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-08-26發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請(qǐng)?zhí)?專利號(hào)為：202310667953.2，技術(shù)領(lǐng)域涉及：A61B5/372；該發(fā)明授權(quán)一種基于圖表示學(xué)習(xí)模型的EEG數(shù)據(jù)分類方法是由韓卓陽;孫克;于碩;原旭設(shè)計(jì)研發(fā)完成，并于2023-06-07向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本一種基于圖表示學(xué)習(xí)模型的EEG數(shù)據(jù)分類方法在說明書摘要公布了：本發(fā)明屬于圖嵌入領(lǐng)域，公開了一種基于圖表示學(xué)習(xí)模型的EEG數(shù)據(jù)分類方法，包括：步驟100，構(gòu)建測(cè)地距離矩陣和基于功率譜密度特征的譜相干性生成的鄰接矩陣；步驟200，根據(jù)測(cè)地距離矩陣和基于功率譜密度特征的譜相干性生成的鄰接矩陣計(jì)算自適應(yīng)鄰接矩陣，并且獲取EEG數(shù)據(jù)的功率譜密度作為輸入的節(jié)點(diǎn)特征；步驟300，將腦功能網(wǎng)絡(luò)進(jìn)行多通道注意力卷積，獲得最終的模型參數(shù)，實(shí)現(xiàn)對(duì)EGG的分類。本發(fā)明采用了全局注意力池化機(jī)制對(duì)節(jié)點(diǎn)特征進(jìn)行粗化，實(shí)現(xiàn)整圖的嵌入。根據(jù)整圖分類任務(wù)，使用構(gòu)建損失函數(shù)進(jìn)行圖卷積訓(xùn)練，反向傳播損失，更新參數(shù)和嵌入。最后使用得到的模型實(shí)現(xiàn)EGG更準(zhǔn)確的分類任務(wù)。

本發(fā)明授權(quán)一種基于圖表示學(xué)習(xí)模型的EEG數(shù)據(jù)分類方法在權(quán)利要求書中公布了：1.一種基于圖表示學(xué)習(xí)模型的EEG數(shù)據(jù)分類方法，其特征在于，包括以下步驟： 步驟100，構(gòu)建測(cè)地距離矩陣和基于功率譜密度特征的譜相干性生成的鄰接矩陣； 步驟101，根據(jù)每個(gè)節(jié)點(diǎn)的空間坐標(biāo)和大腦表面的弧面半徑計(jì)算測(cè)地距離矩陣Ageo，所述節(jié)點(diǎn)為EEG數(shù)據(jù)中采集電位差值的輸入端；節(jié)點(diǎn)i到節(jié)點(diǎn)j的測(cè)地距離Ageo,ij的計(jì)算方法如下： 其中，節(jié)點(diǎn)i和節(jié)點(diǎn)j的空間坐標(biāo)分別為ai,bi,ci和aj,bj,cj，大腦表面的弧面半徑為r； 步驟102，根據(jù)每個(gè)節(jié)點(diǎn)之間的交叉譜密度的期望和每個(gè)節(jié)點(diǎn)的功率譜密度的期望計(jì)算基于功率譜密度特征的譜相干性生成的鄰接矩陣Apsd，節(jié)點(diǎn)i到節(jié)點(diǎn)j的基于功率譜密度特征的譜相干性生成的鄰接權(quán)重Apsd,i,j的計(jì)算方法如下： 其中，節(jié)點(diǎn)i和節(jié)點(diǎn)j的交叉譜密度的期望表示為節(jié)點(diǎn)i和節(jié)點(diǎn)j的功率譜密度的期望分別表示為和Si和Sj分別表示節(jié)點(diǎn)i和節(jié)點(diǎn)j的EEG信號(hào)；EXP·是期望函數(shù)；DFT·是交叉譜密度函數(shù)；PSD·是功率譜密度函數(shù)； 步驟200，根據(jù)測(cè)地距離矩陣和基于功率譜密度特征的譜相干性生成的鄰接矩陣計(jì)算自適應(yīng)鄰接矩陣； 步驟201，將測(cè)地距離矩陣和基于功率譜密度特征的譜相干性生成的鄰接矩陣進(jìn)行拼接，得到拼接后的矩陣Ageo||Apsd；其中，Ageo是依據(jù)步驟101計(jì)算得到的測(cè)地距離矩陣，Apsd是依據(jù)步驟102計(jì)算得到的基于功率譜密度特征的譜相干性生成的鄰接矩陣； 步驟202，計(jì)算自適應(yīng)鄰接矩陣A，計(jì)算方法如下： A＝Ageo||Apsd*WCat； 其中，WCat是實(shí)現(xiàn)測(cè)地距離矩陣和鄰接矩陣自適應(yīng)聚合的參數(shù)矩陣； 步驟203，采用EEG數(shù)據(jù)的功率譜密度作為輸入的節(jié)點(diǎn)特征，xi表示上述步驟101中所述節(jié)點(diǎn)i的節(jié)點(diǎn)特征，xi的計(jì)算方法如下： xi＝PSDSi； 其中，PSD·是步驟102所述功率譜密度函數(shù)，Si是步驟102所述節(jié)點(diǎn)i的EEG信號(hào)； 步驟300，通過步驟101所述節(jié)點(diǎn)與步驟200所述節(jié)點(diǎn)的自適應(yīng)鄰接矩陣A構(gòu)建腦功能網(wǎng)絡(luò)圖，對(duì)該腦功能網(wǎng)絡(luò)圖進(jìn)行多通道注意力卷積，獲得最終的多通道注意力卷積參數(shù)： 步驟301，將節(jié)點(diǎn)的特征xi轉(zhuǎn)換成特定長(zhǎng)度的向量zi，節(jié)點(diǎn)i在第l層上的向量的計(jì)算方法如下： 其中，是節(jié)點(diǎn)i在第l層上的特征，Wl是第l層上的參數(shù)矩陣； 步驟302，每個(gè)節(jié)點(diǎn)包含m個(gè)特征，對(duì)應(yīng)不同頻段下的功率譜特征，分別用zim表示；計(jì)算每個(gè)特征對(duì)應(yīng)的注意力系數(shù) 其中，LeakyReLU·是激活函數(shù)，是用于實(shí)現(xiàn)特征向量zi的長(zhǎng)度轉(zhuǎn)換的可學(xué)習(xí)參數(shù)； 步驟303，計(jì)算對(duì)應(yīng)特征下的注意力值 其中，特征的類別數(shù)為k； 步驟304，由步驟301至步驟303得到節(jié)點(diǎn)在多通道注意力機(jī)制下的嵌入 其中，σ·表示Sigmoid函數(shù)； 步驟305，計(jì)算節(jié)點(diǎn)最終的特征向量： 其中，Aggregate·表示聚合函數(shù)；為節(jié)點(diǎn)i的鄰居集合；是第l層的可學(xué)習(xí)圖卷積參數(shù)；Cat·表示向量聯(lián)結(jié)函數(shù)； 步驟306，利用全局注意力池化機(jī)制粗化節(jié)點(diǎn)的特征，實(shí)現(xiàn)整圖嵌入；整圖嵌入的計(jì)算方法為： 其中，Softmaxfgate·表示一種軟注意力機(jī)制，等效于注意力機(jī)制，決定了節(jié)點(diǎn)對(duì)當(dāng)前圖嵌入任務(wù)的重要性；ffeat·函數(shù)采用一層神經(jīng)網(wǎng)絡(luò)，輸出維的特征向量；為標(biāo)簽類別，包含正常和異常兩類標(biāo)簽； 步驟307，根據(jù)整圖分類任務(wù)，定義損失函數(shù) 其中，是樣本標(biāo)簽，當(dāng)樣本為正例時(shí)樣本為負(fù)例時(shí) 表示正例樣本的嵌入向量，表示負(fù)例樣本的嵌入向量； 步驟308，反向傳播步驟307計(jì)算出的損失更新步驟301每層的參數(shù)Wl、步驟302每層的參數(shù)步驟305每層的參數(shù)和步驟306所述整圖嵌入當(dāng)前循環(huán)次數(shù)小于總循環(huán)次數(shù)，則返回步驟301繼續(xù)循環(huán)，否則，結(jié)束循環(huán)過程； 步驟309，使用步驟308得到的每層的多通道注意力卷積參數(shù)Wl、和以及整圖嵌入實(shí)現(xiàn)對(duì)EEG的分類。

如需購買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人大連理工大學(xué)，其通訊地址為：116024 遼寧省大連市甘井子區(qū)凌工路2號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。