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！

龙图腾网获悉电子科技大学申请的专利一种基于脉冲神经网络的EEG情感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：CN119856930B 。

龙图腾网通过国家知识产权局官网在2025-07-01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：202510053917.6，技术领域涉及：A61B5/16；该发明授权一种基于脉冲神经网络的EEG情感识别方法是由郭大庆;孙宏泽;尧德中设计研发完成，并于2025-01-14向国家知识产权局提交的专利申请。

本一种基于脉冲神经网络的EEG情感识别方法在说明书摘要公布了：本发明公开了一种基于脉冲神经网络的EEG情感识别方法，首先采集EEG数据并在时间方向上对EEG数据进行分割，然后构建具有相同网络结构的ANN和SNN模型，输入EEG数据到ANN模型进行训练，当反向传播训练的ANN模型精度稳定后，完成ANN模型的训练，最后利用训练好的ANN模型权重对SNN模型进行权重初始化，并使用混合损失和反向传播协同训练SNN的权重和内在参数，当模型的精度稳定后，结束训练，得到训练好的SNN模型。本发明的方法将具有生物学合理性的内在参数集成到脉冲神经元中，从而在神经元层面优化信息处理并稳定信号传递，通过使用跨模型初始化和融合损失优化实现SNN模型的协同训练，使SNN模型能够用于EEG情感识别，显著提升了EEG情感识别的精度和稳定性。

本发明授权一种基于脉冲神经网络的EEG情感识别方法在权利要求书中公布了：1.一种基于脉冲神经网络的EEG情感识别方法，具体步骤如下： S1、采集EEG数据并在时间方向上对EEG数据进行分割； 采集一段EEG信号XC×N，将其在时间方向上分割为T个片段，则EEG数据表达式如下： 其中，C表示通道数，N表示采样点数量； S2、构建具有相同网络结构的ANN和SNN模型； S21、构建ANN模型； 所述ANN模型提出一种用于时序数据处理的新型脉冲神经网络结构，包括：全连接结构FC，一维卷积结构Conv1d； 其中，全连接结构的输入神经元数量和EEG数据的通道数相同，输出神经元数量与EEG类别数相同；一维卷积结构的卷积核大小和EEG信号的通道数相同，输出层神经元数量与EEG类别数相同； 所述ANN模型使用ReLU神经元或Sigmoid神经元搭建，使用步骤S1中得到的EEG数据作为输入数据，则模型的输出YANN表达式如下： 其中，在ANN模型中，可训练参数为模型的权重WANN； S22、使用改进的LIF模型构建SNN模型； 其中，所述SNN模型和步骤S21中的ANN模型具有完全相同的网络结构；SNN模型使用改进的LIF脉冲神经元，将改进的LIF模型的生物参数进行协同学习，即将具有生物学合理性的内在参数集成到脉冲神经元中；则神经元膜电位ut的迭代公式如下： ut＝αt·ut-1+It, 其中，It表示神经元在t时刻的输入电流，ut表示神经元在t时刻的膜电位与脉冲发放情况，αt表示膜电位衰减系数；则神经元放电ot的表达式如下： ot＝Hut-Vth, 其中，Vth表示神经元放电阈值，H·表示阶跃激活函数；当神经元膜电位大于放电阈值，则ot＝1，否则ot＝0；且膜电位衰减系数αt的表达式如下： 其中，τ表示膜时间常数； 所述改进的LIF模型的输入和输出为脉冲序列，可训练参数包括膜时间常数和放电阈值；使用改进的LIF神经元搭建SNN模型，则SNN模型的可训练参数包括：模型的权重WSNN、放电阈值Vth和膜时间常数τ；使用步骤S1中得到的EEG数据作为输入数据，SNN模型的输出YSNN表达式如下： 其中，Ot表示SNN输出层在t时刻的放电脉冲； S3、基于步骤S2，提出一种基于时间平均的ANN模型监督学习方法，使用反向传播方法和数据标签进行ANN模型预训练，当ANN模型的损失函数维持不变，即精度稳定后停止模型训练，得到训练好的ANN模型； 所述ANN模型的输出为步骤S21中的YANN，数据标签LableEEG为EEG数据的真实类别；使用ANN模型的输出和数据标签进行监督训练，得到的损失函数值LANN表达式如下： LANN＝MSEYANN-LableEEG, 其中，MSE表示最小均方误差； 最后使用损失函数值和反向传播方法对ANN模型的参数进行训练，得到训练好的ANN模型，且训练好的ANN模型权重参数为WANN； S4、基于步骤S3，进行SNN模型参数的协同训练，得到训练好的SNN模型； S41、跨模型初始化； 利用ANN和SNN模型之间相同的结构，使用步骤S3中训练好的ANN模型权重WANN对SNN模型的权重进行初始化，即将WANN直接迁移到SNN模型中；同时对SNN模型的生物参数膜时间常数τ和放电阈值Vth进行初始化； S42、混合损失优化； 使用训练好的ANN模型的预测结果YANN和EEG数据标签LableEEG一起构建混合损失函数，使用混合损失函数对SNN模型进行监督训练； 在SNN模型的训练过程中，混合损失函数Loss包括：信息损失Linfo和标签损失Llabel，表达式如下： Loss＝Llabel+Winfo·Linfo, 其中，Winfo表示控制信息约束的权重，Llabel表示真实标签与SNN模型预测值YSNN之间的均方误差MSE；信息损失Linfo基于由ANN输出生成信息标签info_label的与BISNN预测值YSNN之间的KL散度计算得出；其中信息标签定义表达式如下： info_label＝softmaxYANNtemp 其中，temp表示温度参数，用于调整ANN模型中softmax输出的平滑度； 基于混合损失函数值Loss，使用反向传播方法，协同训练SNN模型的权重参数WSNN、放电阈值Vth和膜时间常数τ，当SNN模型的损失函数维持不变，即精度稳定后停止模型训练，得到训练好的SNN模型。

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电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006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”。