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！

龙图腾网获悉西南交通大学申请的专利一种基于脑电信号的驾驶员精神疲劳识别干预方法及系统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：CN119989295B 。

龙图腾网通过国家知识产权局官网在2025-07-15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：202510051731.7，技术领域涉及：G06F18/27；该发明授权一种基于脑电信号的驾驶员精神疲劳识别干预方法及系统是由闫学东;丁红亮;周泳江;韩科设计研发完成，并于2025-01-14向国家知识产权局提交的专利申请。

本一种基于脑电信号的驾驶员精神疲劳识别干预方法及系统在说明书摘要公布了：本发明公开一种基于脑电信号的驾驶员精神疲劳识别干预方法及系统，涉及智慧交通技术领域，解决疲劳识别算法容易受到外界环境的干扰，导致疲劳识别的稳健性不高的问题；本发明包括S1：对驾驶员生理信号进行预处理；S2：根据预处理后的生理信号构建脑功能网络；S3：从脑功能网络中提取脑电拓扑特征；S4：将脑电拓扑特征输入到识别模型中，识别模型根据脑电拓扑特征识别驾驶员精神疲劳状态；S5：根据驾驶员精神疲劳状态确定疲劳干预措施；本发明通过分析脑电信号，系统能够实时检测驾驶员的疲劳状况。

本发明授权一种基于脑电信号的驾驶员精神疲劳识别干预方法及系统在权利要求书中公布了：1.一种基于脑电信号的驾驶员精神疲劳识别干预方法，其特征在于，包括： S1：对驾驶员生理信号进行预处理； S2：根据预处理后的生理信号构建脑功能网络； S3：从脑功能网络中提取脑电拓扑特征； S4：将脑电拓扑特征输入到识别模型中，识别模型根据脑电拓扑的时空特征识别驾驶员精神疲劳状态； S5：根据驾驶员精神疲劳状态确定疲劳干预措施； 所述S4包括： S41：将脑电特征数据集输入到切比雪夫多项式图卷积中学习特征集间存在的依赖关系，计算公式为： 其中，TkA是邻接矩阵A的第k阶切比雪夫多项式，θk是对应第k阶多项式的学习权重，Nt是反映脑电特征的输入矩阵，描述了在某个时间点t，各个脑电通道或电极的特征信息，K是是切比雪夫多项式的阶数； S42：对高阶的切比雪夫多项式递归进行定义： T0A＝I T1A＝A TkA＝2A·Tk-1A-Tk-2Afork≥2 其中，I是单位矩阵，A是邻接矩阵，T0A和T1A分别是单位矩阵和邻接矩阵，TkA通过递归关系不断捕获k阶邻域的信息；通过此递归关系，计算出高阶的切比雪夫多项式； S43：对切比雪夫多项式进行卷积，并将输出进行聚合，得到所有电极通道之间信息传播的总和；最后在卷积结果中加入偏置项b，用来调整特征空间中的偏移，具体计算公式如下： 其中，TkA是邻接矩阵A的第k阶切比雪夫多项式，θk是对应第k阶多项式的学习权重，Nt是时间步t的特征矩阵，b是学习到的偏置项； S44：为了学习θk和b，将Outputt与实际的te进行比较，通过损失函数将误差Z最小化，具体计算公式如下： 其中，I是数据集或样本的总数，ni是第i个数据子集中的元素个数，tei,j是第i个数据集或样本中的第j个元素的实际值或观测值，tai,j是第i个数据集或样本中的第j个元素的预测值或期望值； S45：聚合结果利用时间编码生成时间特征，将时间信息转换为一个具有固定维度的向量，具体计算公式如下： TimeFeature＝W·t 其中，W是学习的权重，t是时间步长的矩阵，TimeFeature是经过时间编码后生成的时间特征； S46：将时间特征与卷积核相结合，通过将时间特征输入到一个全连接层动态生成卷积核的权重，具体计算公式如下： Kernelt＝MetaLayerTimeFeature 其中，MetaLayer是一个全连接层，负责从时间特征中生成卷积核，Kernelt是生成的卷积核； S47：将动态生成的卷积和以滑动窗口的方式对脑电特征数据进行卷积计算，对于每个时间步长i，滑动窗口选择连续的K个时间步的数据，将选择的数据利用生产的卷积核进行卷积，具体的计算公式如下： 其中，Yi是卷积输出结果，Wk是卷积核权重，Ni+k是脑电特征数据中的第i+k个时间步长的数据； S48：利用半回归预测模型对输出值进行预测，对于每个时间步长t，模型的计算公式如下： 其中，yt是时间步长t下的疲劳状态预测值，X1:t是从时间步长1到t的所有历史数据，是从时间步长1到t-1的所有疲劳状态预测值，f·是预测函数。

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西南交通大学，其通讯地址为：610000 四川省成都市金牛区二环路北一段111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”。