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！

龙图腾网获悉中国科学院自动化研究所申请的专利基于迁移学习的针对脑电信号情感特征分类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：CN114886383B 。

龙图腾网通过国家知识产权局官网在2025-08-08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：202210526697.0，技术领域涉及：A61B5/00；该发明授权基于迁移学习的针对脑电信号情感特征分类方法是由左年明;蒋田仔;潘天旭设计研发完成，并于2022-05-16向国家知识产权局提交的专利申请。

本基于迁移学习的针对脑电信号情感特征分类方法在说明书摘要公布了：本发明属于医疗人工智能、情感脑机交互领域，具体涉及一种基于迁移学习的针对脑电信号情感特征分类方法、系统、设备，旨在解决现有的基于脑电情感特征分类方法无法克服不同个体脑电数据分布不一致所导致的在跨个体脑电情绪分类上分类的准确性较差的问题。本方法包括：获取待分类的情感脑电信号数据，作为输入数据；提取输入数据的微分熵特征，并将微分熵特征输入脑电信号情感分类模型的多层感知机，得到深度特征；基于深度特征，通过脑电信号情感分类模型的分类器，得到输入数据对应的分类结果。本发明不仅克服了不同个体脑电波数据分布不一致的问题，而且在跨个体脑电情绪分类上具有良好的分类效果，同时也保证必要的泛化性和鲁棒性。

本发明授权基于迁移学习的针对脑电信号情感特征分类方法在权利要求书中公布了：1.一种基于迁移学习的针对脑电信号情感特征分类方法，其特征在于，该方法包括以下步骤： S100，获取待分类的情感脑电信号数据，作为输入数据； S200，提取所述输入数据的微分熵特征，并将所述微分熵特征输入脑电信号情感分类模型的多层感知机，得到输入数据对应的深度特征； S300，基于所述深度特征，通过脑电信号情感分类模型的分类器，得到所述输入数据对应的分类结果； 其中，所述脑电信号情感分类模型包括多层感知机、分类器； 其中，所述脑电信号情感分类模型，其训练方法为： A100，获取第一数据集、第二数据集；所述第一数据集为源域训练数据集，其包括训练样本及其对应的真实分类标签；所述第二数据集为目标域训练数据集；所述训练样本为情感脑电信号数据； A200，分别提取所述第一数据集各训练样本的微分熵特征Ds和第二数据集中各训练样本的微分熵特征Dt，提取后，将微分熵特征输入脑电信号情感分类模型的多层感知机，得到第一数据集各训练样本的深度特征fs、第二数据集中各训练样本的深度特征ft； A300，将fs、ft输入预构建的全局域对抗模块，计算全局域对抗损失；将fs、ft输入所述分类器的softmax中，然后输入预构建的局部域对抗模块，计算局部域对抗损失； A400，结合预设的平衡系数，对全局域对抗损失与局部域对抗损失进行平衡处理，得到全局-局部域对抗损失； A500，通过一个全连接层将Ds、Dt映射到低维空间，记为Ai和Bj；计算Ai、Bj之间的相似度，并通过所述相似度计算从第一矩阵的任一元素转移到第二矩阵任一元素的概率从第二矩阵的任一元素转移到第一矩阵任一元素的概率通过计算和的乘积得到从第一矩阵的任一元素转移到第二矩阵任一元素再转移到第一矩阵中任一元素的概率计算与均匀分布之间的交叉熵作为同类别标签数据相似度大的衡量损失、计算源域与目标域间相似度大的衡量损失； 其中，A表示源域训练样本映射到低维空间后的特征矩阵，将其作为第一矩阵，B表示目标域训练样本映射到低维空间后的特征矩阵，作为第二矩阵； Lvisit＝V,Pvisit 其中，Mij表示Ai、Bj之间的相似度，exp表示期望，Lvisit表示源域与目标域间相似度大的衡量损失，表示矩阵A对应的特征样本，V表示Pab转移概率符合均匀分布的标签； A600，将全局-局部域对抗损失、同类别标签数据相似度大的衡量损失、源域与目标域间相似度大的衡量损失进行加权求和，得到联合域适应损失； A700，将深度特征输入所述分类器，得到分类结果，将其作为预测结果；基于所述预测结果、所述真实分类标签，通过交叉熵损失函数计算分类损失；将所述分类损失与所述联合域适应损失进行求和，得到总损失，进而对脑电信号情感分类模型的网络参数进行更新； A800，循环步骤A100-A700，直至得到训练好的脑电信号情感分类模型。

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中国科学院自动化研究所，其通讯地址为：100190 北京市海淀区中关村东路95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”。