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半监督协同聚类的情感脑电特征与样本耦合分析方法、设备及其存储介质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：CN118948297B 。

龙图腾网通过国家知识产权局官网在2025-06-10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：202411028849.X，技术领域涉及：A61B5/369；该发明授权一种半监督协同聚类的情感脑电特征与样本耦合分析方法、设备及其存储介质是由彭勇;陈雨欣;王艺谚;杨子玥设计研发完成，并于2024-07-30向国家知识产权局提交的专利申请。

本一种半监督协同聚类的情感脑电特征与样本耦合分析方法、设备及其存储介质在说明书摘要公布了：本发明公开了一种半监督协同聚类的情感脑电特征与样本耦合分析方法，包括如下步骤：利用任意不同的情感诱发场景，对多名被试者的脑电数据进行采集；对采集的脑电数据进行预处理，并提取预处理后的脑电数据不同通道和频段的特征，进而得到样本集；构建半监督协同聚类的情感脑电特征与样本耦合分析模型的目标函数；根据构建的目标函数，对特性标签矩阵P、未标记的离散标签矩阵Qu、关联矩阵S、特征权重矩阵Θ及样本权重向量v进行联合迭代优化；根据未标记的离散标签矩阵Qu判断被测者在进行脑电数据采集时的情感类别。该方法根据样本和特征在模型中的贡献程度，可以在脑电采集、预处理和特征提取时选取更有价值的通道和频段，从而提高识别的效率。

本发明授权一种半监督协同聚类的情感脑电特征与样本耦合分析方法、设备及其存储介质在权利要求书中公布了：1.一种半监督协同聚类的情感脑电特征与样本耦合分析方法，其特征在于，包括如下步骤：步骤1、利用任意不同的情感诱发场景，对多名被试者的脑电数据进行采集；步骤2、对采集的脑电数据进行预处理，并提取预处理后的脑电数据不同通道和频段的特征，进而得到样本集，并根据样本集得到特性标签矩阵P、未标记的离散标签矩阵Qu和关联矩阵S；步骤3、利用欧氏距离来衡量样本与标签之间的误差，进而联合样本权重和每个样本的特征权重矩阵Θ，并加入自步函数fv,λ,γ最终构建半监督协同聚类的情感脑电特征与样本耦合分析模型的目标函数；所述半监督协同聚类的情感脑电特征与样本耦合分析模型的目标函数的构建方法为：利用基于二部谱图划分的共聚方法，在数据矩阵X的样本和特征之间构造一个二部图G＝{V,A}，其中V为样本和特征对应的顶点集合，A为数据矩阵X构造的邻接矩阵，如式1 利用二部图模型，确定特征聚类Ωl和样本聚类βl，如下 二部谱图划分的目标是通过求解式3中的优化问题找到G的最小归一化割， 其中D＝[dij]∈Φd+n×d+n为对角“度”矩阵，L＝D-A，y＝[pT，qT]T，p∈{1，-1}d×1存储特征的隶属度，并且q∈{1，-1}n×1存储样本的隶属度，当pij＝1时，第i个特征属于第j个情感类簇；同样，当qij＝1时，第i个样本属于第j个情感类簇，其中，L指的是拉普拉斯矩阵，Y指的是指标矩阵，y是指标矩阵Y中的一个列向量；现在将多分区归一化割应用到二部谱图划分中，将式3中的优化问题转化为 由于在Y的每一行中只有一个非零元素，并且D是一个对角矩阵，因此矩阵YTDY是一个k,k元素等于的对角矩阵，因此，将式3中的优化问题转化为矩阵形式 其中Tr.表示矩阵的迹，现将式5中问题的目标函数L＝D-A代入，得到 这里I是单位矩阵，由于在样本和特征之间构造了二部图G，因此指标矩阵Y改写为YT＝[PT，QT]，P包含特征的隶属度，Q包含样本的隶属度，将式3中定义的A代入式6有TrYTlYYTDY-1＝TrI-2PTXQYTDY-1，因此，将式5中的优化问题转成 接着将式7中的优化问题松弛为矩阵分解问题，通过加两项TrYTDY-1PTPYTDY-1QTQ和TrXTX代入式7，可得式7的优化问题变成 式8中的优化问题涉及到矩阵逆，为了简化问题，用对角矩阵S来代替YTDY-1，则S作为待解参数，则优化问题变为如下 其中diag表示对角矩阵，P和Q分别是存储特征和样本聚类结果的指标矩阵，S起着连接P和Q的作用，通过对列和行进行置换，将PSQT变换为对角块矩阵；目标函数表达式如下 其中，P是存储各特征聚类结果的特性标签矩阵；Q是离散标签矩阵，S是关联矩阵，sij是第i个特征与第j个情感类别的关联程度；表示样本集，n表示样本的总个数，n＝l+u，l表示带有标签的样本个数，u表示没有标签样本的个数；X由两个子集构成，一个子集为l个带有标记的样本对应的离散标签矩阵表示类别个数；另一个子集为u个没有标签的样本其对应的离散标签矩阵为是未知的；v＝[v1,v2,…,vn]T表示n个样本在模型中的权重；Θ＝[θ1，θ2，…，θd]T，θk表示样本的第k个特征的权重；步骤4、根据步骤3构建的目标函数，对特性标签矩阵P、未标记的离散标签矩阵Qu、关联矩阵S、特征权重矩阵Θ及样本权重向量v进行联合迭代优化；步骤5、应用迭代后的半监督协同聚类的情感脑电特征与样本耦合分析模型，根据未标记的离散标签矩阵Qu判断被测者在进行脑电数据采集时的情感类别。

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”。