Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 积分商城 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 南京大学李丽获国家专利权

南京大学李丽获国家专利权

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!

龙图腾网获悉南京大学申请的专利一种面向癫痫监测的小样本脑电信号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:CN119441950B

龙图腾网通过国家知识产权局官网在2025-10-24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:202411575006.1,技术领域涉及:G06F18/24;该发明授权一种面向癫痫监测的小样本脑电信号分类方法是由李丽;谭新宇;张恒;王琳翔;罗又宾;潘皓川;傅玉祥;李伟;何书专设计研发完成,并于2024-11-06向国家知识产权局提交的专利申请。

一种面向癫痫监测的小样本脑电信号分类方法在说明书摘要公布了:本发明公开了一种面向癫痫监测的小样本脑电信号分类方法,属于脑电信号处理及分类技术领域,其方法具体包括:构建癫痫四分类融合模型,包括:共享网络层、二分类子网络层和三分类子网络层,获取癫痫脑电信号样本,将癫痫脑电信号样本输入到共享网络层,对癫痫脑电信号样本进行特征提取,捕捉癫痫脑电信号的复杂特征,将提取的癫痫脑电信号的复杂特征输入至癫痫四分类融合模型中,输出脑电信号分类结果,利用条件加权投票算法对脑电信号分类结果进行加权投票,输出投票结果,考虑了不同时期的数据特征差异以及数据量差异,通过将四分类任务拆分为二分类和三分类,结合条件加权投票算法,使得模型在发作期很少的小样本情况下也能保持较好的学习效果和速率。

本发明授权一种面向癫痫监测的小样本脑电信号分类方法在权利要求书中公布了:1.一种面向癫痫监测的小样本脑电信号分类方法,其特征在于,包括以下具体步骤: 步骤S1:构建癫痫四分类融合模型,包括:共享网络层、二分类子网络层和三分类子网络层; 步骤S2:获取癫痫脑电信号样本,将癫痫脑电信号样本输入到共享网络层,对癫痫脑电信号样本进行特征提取,捕捉癫痫脑电信号的复杂特征; 步骤S3:将提取的癫痫脑电信号的复杂特征输入至癫痫四分类融合模型中,输出脑电信号分类结果; 步骤S4:利用条件加权投票算法对脑电信号分类结果进行加权投票,输出投票结果; 步骤S201中图中节点之间的关系通过邻接矩阵表示,邻接矩阵计算具体步骤为: 步骤S2011:设定由N个癫痫脑电信号通道,每个通道包含T个时间点的数据,癫痫脑电信号集合为X,X={x1,x2,...,xN},其中,xN表示癫痫脑电信号第N个通道的时间序列数据; 步骤S2012:计算癫痫脑电信号每对通道之间的斯皮尔曼相关系数、皮尔逊相关系数和欧氏距离,具体公式为: , , , 其中,表示癫痫脑电信号每对通道之间的斯皮尔曼相关系数,表示癫痫脑电信号每对通道之间的皮尔逊相关系数,表示癫痫脑电信号每对通道之间的欧氏距离,t表示通道第t个时间点的数据,T表示通道中时间点的数据总数,xi[t]表示癫痫脑电信号第i个通道第t个时间点的数据,xj[t]表示癫痫脑电信号第j个通道第t个时间点的数据,Rxi[t]和Rxj[t]分别表示xi[t]和xj[t]的秩,表示癫痫脑电信号第i个通道中数据的平均值,表示癫痫脑电信号第j个通道中数据的平均值; 步骤S2013:基于癫痫脑电信号每对通道之间的斯皮尔曼相关系数、皮尔逊相关系数和欧氏距离的计算结果,构建三个邻接矩阵,具体公式为: ,, , 其中,表示斯皮尔曼邻接矩阵,表示皮尔逊邻接矩阵,表示欧氏邻接矩阵,表示求绝对值函数,exp表示指数函数,表示调整参数,通常根据数据分布进行选择, 步骤S201中图中节点之间的关系通过邻接矩阵表示,邻接矩阵计算具体步骤,还包括: 步骤S2014:根据构建的三个邻接矩阵,计算综合邻接矩阵,具体公式为: , 其中,表示综合邻接矩阵,、和表示权重参数,可以通过交叉验证或其他方法进行调整; 步骤S2015:对综合邻接矩阵进行归一化处理,具体公式为: , 其中,表示归一化处理后的综合邻接矩阵,D表示度矩阵,; 步骤S2016:设定阈值,对归一化处理后的综合邻接矩阵进行二值化或加权,具体公式为: ,, 其中,表示二值化后的邻接矩阵,表示加权后的邻接矩阵,表示权重; 所述步骤S3的具体步骤为: 步骤S301:首先将提取的癫痫脑电信号的复杂特征输入至二分类子网络中,使用LSTM模型对癫痫脑电信号的复杂特征进行处理,最终通过全连接层进行二分类输出; 步骤S302:二分类输出结果为癫痫发作期和癫痫非发作期,当二分类输出结果为癫痫发作期时,直接输出结果; 步骤S303:当二分类输出结果为癫痫非发作期时,则将二分类输出结果为癫痫非发作期的癫痫脑电信号输入至三分类子网络中,通过LSTM对时间序列特征进行处理,最后通过三分类的全连接层输出,三分类输出结果为癫痫发作前期、间期和后期。

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南京大学,其通讯地址为:210046 江苏省南京市栖霞区仙林大道163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”。

以上内容由龙图腾AI智能生成。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。