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！

龙图腾网获悉复旦大学申请的专利一种基于目标相似度分布调整的癫痫状态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：CN114141356B 。

龙图腾网通过国家知识产权局官网在2025-09-19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：202111104344.3，技术领域涉及：G16H50/20；该发明授权一种基于目标相似度分布调整的癫痫状态识别方法是由沈雷;王守岩设计研发完成，并于2021-09-18向国家知识产权局提交的专利申请。

本一种基于目标相似度分布调整的癫痫状态识别方法在说明书摘要公布了：本发明提供一种基于目标相似度分布调整的癫痫状态识别方法，其特征在于，包括以下步骤：步骤S1，通过神经网络根据脑电信号提取相应的512维的特征向量；步骤S2，根据提取的特征向量，通过相似度计算，构建正样本对和负样本对的相似度分布；步骤S3，步进设置目标相似度分布，通过KL散度约束正样本对分布和负样本对分布；步骤S4，当正样本对分布和负样本对分布均值达到对应的目标分布时，将正样本对和负样本对的相似度分布向相反方向拉开；步骤S5，重复步骤S4，直到目标分布不再更新，得到训练完成的神经网络；步骤S6，通过训练完成的神经网络进行癫痫状态识别，并将癫痫状态识别状态的512维的特征向量进行输出。

本发明授权一种基于目标相似度分布调整的癫痫状态识别方法在权利要求书中公布了：1.一种基于目标相似度分布调整的癫痫状态识别方法，其特征在于，包括以下步骤： 步骤S1，通过神经网络根据脑电信号提取相应的512维的特征向量； 步骤S2，根据提取的所述特征向量，通过相似度计算，构建正样本对和负样本对的相似度分布； 步骤S3，步进设置目标所述相似度分布，通过KL散度约束所述正样本对分布和所述负样本对分布； 步骤S4，当所述正样本对分布和负样本对分布均值达到对应的目标分布时，所述正样本对分布对所述目标分布均值增加一个步进值，所述负样本对分布对所述目标分布均值减小一个步进值，使得所述正样本对和所述负样本对的所述相似度分布向相反方向拉开； 步骤S5，重复所述步骤S4，直到所述目标分布不再更新，得到训练完成的所述神经网络； 步骤S6，通过训练完成的所述神经网络进行癫痫状态识别，并将癫痫状态识别状态的512维的特征向量进行输出， 其中，所述神经网络采用双向长短期记忆网络， 所述相似度是计算样本的余弦相似度，其具体表达式为： simp,qi,j＝cossimFxpi,Fxqj p,q∈1,…,m,i,j∈1,…,N 式中，Fxpi为第p个类别下的第i个样本的特征向量，Fxqj为在第q个类别下的第j个样本的特征向量，cossim表示计算余弦相似度，N表示在每个pytorch软件内的小批量训练minibatch中包含的类别数，m表示每个类别下包含的样本数，当p＝q，i≠j，正样本对的相似度表示为simP，当p≠q时，负样本对的相似度表示为simN， 按照以下方法进行相似度分布构建：当标签mij＝1表示正样本对，mij＝-1标签表示负样本对；由此获得第c类正样本的相似度为SIMP＝{simpi,j|mij＝1}c，负样本对的相似度为SIMN＝{simNi,j|mij＝-1}，每个样本对的相似度分数范围为[-1:1]，然后用T维直方图节点hn1＝-1,hn2,…,hnT＝1填充[-1,1]范围，同时步长设置为直方图每个节点的值通过下式进行计算： 式中，i,j包含了所有正样本对，δi,j,t的权重通过下式进行计算： 式中，θ表示高斯核函数的扩展参数，hnt表示直方图的第t个节点， 使用KL散度来约束当前分布于目标分布之间的差距，具体计算公式如下： 式中，α1和α2为权重参数， 为了进一步扩大分布之间的距离，引入Meanloss损失函数，由正样本对和负样本对相似度分布的均值差和构成，计算公式如下： 式中，E为期望算子，α3是权重参数， 则渐进目标相似度分布的最终损失函数为： LossPTD＝LossKL+LossMean， 渐进式目标相似度分布调整损失函数设置如下，每次更新目标相似度分布均值的步长为pr，基于pr可得每一次更新目标相似度分布后的分布均值为： 式中，和分别表示第i+1次正样本对和负样本对相似度分布的均值，和分别表示第i次正样本对和负样本对相似度分布的均值。

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复旦大学，其通讯地址为：200433 上海市杨浦区邯郸路220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”。