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！

龙图腾网恭喜杭州电子科技大学申请的专利基于聚类的对抗部分域适应跨被试EEG情绪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：CN114239652B 。

龙图腾网通过国家知识产权局官网在2025-06-24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：202111539147.4，技术领域涉及：G06F18/2431；该发明授权基于聚类的对抗部分域适应跨被试EEG情绪识别方法是由张桦;吴政轩;赵月;戴国骏;曾虹;方欣;刘洋;吴琪设计研发完成，并于2021-12-15向国家知识产权局提交的专利申请。

本基于聚类的对抗部分域适应跨被试EEG情绪识别方法在说明书摘要公布了：本发明公开了一种基于聚类的对抗部分域适应跨被试EEG情绪识别方法，利用源域样本的特征计算类簇中心，并将源域真实标签作为类簇标签，并引入一致性匹配算法和跨域聚类共识指标，利用Kmeans聚类得到无标签目标域样本相应的类簇标签和类簇中心，将源域类簇中心与目标域类簇中心进行一致性匹配，对于匹配成功的两个类簇，将源域标签分配给共同语义的目标域类簇，同时计算跨域聚类共识指标实现最优目标域类簇个数的搜索，最终实现源域和目标域的共有类别的关联和私有类别的分离，该方法充分考虑无标签数据的特征空间分布结构，具有较高的普适性，能够大大提高模型训练效率，并为临床应用提供技术支持。

本发明授权基于聚类的对抗部分域适应跨被试EEG情绪识别方法在权利要求书中公布了：1.基于聚类的对抗部分域适应跨被试EEG情绪识别方法，其特征在于，步骤如下： 步骤1：数据预处理； 采用公开的SEED数据集作为训练数据集；脑电图信号数据输入模型前需要进行预处理；每秒从SEED数据集的5个频带中提取微分熵特征：δ：1-3Hz，θ：4-7Hz，α：8-13Hz，β：14-30Hz，γ：31-50Hz；特征维度为310个； 步骤2：数据定义 给定N个存在个体差异的EEG数据，将所有被试个体作为源域并且已知其认知状态标签，该源域表示为Xs，源域标签表示为Ys，类别数C，而无标签的新被试个体作为目标域Xt，类别数K未知； 步骤3：构建并训练EEG情绪识别模型； 所述的EEG情绪识别模型包括共享特征提取器G、分类器F和判别器D； 步骤3具体方法如下： 输入：带有标签的源域数据{Xs,Ys}，该源域表示为Xs，源域标签表示为Ys，类别数C，不带标签的目标域数据Xt，类别数K未知，和最大迭代次数T； 3-1.利用共享特征提取器G提取源域和目标域样本数据潜在的公共特征，将提取的公共特征映射到一个公共的特征空间； 3-2.以源域样本数据Xs特有的类别标签为约束优化分类器F，目标函数为有监督的分类损失Lce； 3-3.利用域对抗方法，使特征提取器G能学习到来自源域和目标域两个领域的不变特征，以混淆判别器D，使其认为特征来自相同域，使得两个域在特征空间的边缘分布对齐，对抗目标函数为Ld； 3-4.源域数据Xs和目标域数据Xt通过特征提取器G能提取到领域不变的特征向量Vs和Vt，将真实标签为c的特定类源域数据表示为从中提取到的特征向量为最后通过特定类特征向量计算源域中类别为c的样本的类簇中心而源域样本的类簇标签是基于真实标签分配的，最后得到所有类别的源域类簇中心和类簇标签{1,…,C}； 3-5.采用Kmeans聚类方法对目标域样本特征Vt进行聚类，得到对应的目标域样本类簇中心和类簇标签{1,…,K}； 3-6.由于通过Kmeans聚类得到的类簇标签与源域的真实标签不成立对应关系，使用一致性匹配来关联语义一致的共有类别的源域类簇中心与目标域类簇中心给定一对源域和目标域的类簇特征为和其中来自一个域的类簇在另一个域中搜索距离该类簇最近的类簇中心μ，然后确定是否两者同时为彼此最近的类簇中心，如果两者同时为彼此最近的类簇中心则这样的一对匹配类簇就被认为是公共类簇，该对匹配类簇的类簇标签为{c,k}，然后将对应的第k个类簇目标域样本的伪标签分配为匹配的源域标签c； 3-7.使用余弦相似度来计算来自某一个域的样本到另一个域的所有类簇中心的距离；对于一对类簇中源域的第i个样本，计算其与所有目标域类簇中心的余弦相似度同理计算目标域第i个样本与所有源域类簇中心的余弦相似度 3-8.利用3-7得到的结果计算源域聚类共识得分以及目标域聚类共识得分 3-9.然后对由3-8得到的源域聚类共识得分与目标域聚类共识得分取平均值，得到这对类簇的跨域聚类共识得分Sc,k，最后计算所有类簇对的共识得分的平均值Stotal； 3-10.为了确定目标域聚类的类簇数量K，对Kmeans算法设置不同的K，重复步骤3-4至3-9进行多次聚类，根据跨域聚类共识得分Stotal确定最优类簇数量，最后以最优类簇数进行聚类，得到最优的目标域类簇中心； 3.11.为了提高目标聚类的可判别性，重新构建带伪标签的目标域数据集并利用带伪标签目标数据为神经网络施加了一个原型正则化项促进聚类的优化，使得特征在类别层面对齐； 3-12.总的目标优化函数为： 其中，λ1，λ2为模型的超参数； 3-13.在对神经网络进行优化之前先进行一次初始化聚类得到带伪标签的目标域数据集为了避免不准确标签的积累，在优化模型的同时交替更新聚类；每对神经网络进行五次优化，就重新执行一次聚类，重构伪标签数据，直至迭代T次； 输出：目标域样本对应于类簇原型中心距离最近的类簇标签； 步骤3-1具体实现如下： 利用共享特征提取器G提取源域和目标域样本数据潜在的公共特征，将提取的公共特征映射到一个公共的特征空间，公共特征提取器采用3层隐藏层的神经网络，且网络的每个隐藏层都有512个节点，并使用ReLU激活函数，网络的输出与输入数据具有相同的310维度； 步骤3-2具体实现如下： 以源域样本数据Xs特有的类别标签为约束优化分类器F，分类器F的网络层数设为3层；网络的每个隐藏层都有64个节点，并都使用了ReLU激活函数，网络的输入为310维度，输出为3维度，目标函数为有监督的分类损失loss： 对抗目标函数为Ld如下： Ld＝Ladv_gXs,Xt，G+Ladv_dXs，Xt，D 源域类簇中心计算如下所示： GXs＝Vs 其中表示第c类源域样本的个数； 3-7具体实现如下： 使用余弦相似度来计算来自某一个域的样本到另一个域的所有类簇中心的距离；对于一对类簇中源域的第i个样本，计算其与所有目标域类簇中心的余弦相似度计算公式如下： 同理可以计算目标域第i个样本与所有源域类簇中心的余弦相似度公式如下： 源域跨域聚类共识得分能够表示为达到共识的样本的比例： 其中是一个判断第i个源域特征向量是否持有相应的类簇索引k的指标，目标域同理得到 原型正则化项如下： 其中，是独热编码的目标域类簇标签，并且： vi是第i个目标域样本特征向量，τ是一个控制分布密度的温度参数，根据经验将其设为0.1。

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”。