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 > 北京科技大学文冬获国家专利权

北京科技大学文冬获国家专利权

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!

龙图腾网获悉北京科技大学申请的专利一种基于脑电信号时空特征的跨被试跨场景迁移学习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:CN119598158B

龙图腾网通过国家知识产权局官网在2025-11-11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:202411439354.6,技术领域涉及:G06F18/213;该发明授权一种基于脑电信号时空特征的跨被试跨场景迁移学习方法是由文冬;伍凌宇;李小玲;万象隆;段丁娜;于昊;谢雪光设计研发完成,并于2024-10-15向国家知识产权局提交的专利申请。

一种基于脑电信号时空特征的跨被试跨场景迁移学习方法在说明书摘要公布了:本发明提供一种基于脑电信号时空特征的跨被试跨场景迁移学习方法及装置,涉及脑机接口技术领域。该方法包括:对原始脑电信号进行预处理,获得时空特征信号;根据时空特征信号,通过时间‑空间特征卷积网络进行卷积处理,获得训练阶段迁移特征数据;使用训练阶段迁移特征数据对Transformer模型进行训练,获得脑电迁移学习模型;获取学习阶段脑电信号;对学习阶段脑电信号进行预处理以及卷积处理,获得学习阶段迁移特征数据;根据训练阶段迁移特征数据以及学习阶段迁移特征数据,对时间‑空间特征卷积网络以及脑电迁移学习模型进行更新;根据学习阶段脑电信号,基于更新卷积网络以及更新迁移学习模型进行迁移学习。本发明是一种基于脑电信号时空特征的高效且稳定的跨被试跨场景的迁移学习方法。

本发明授权一种基于脑电信号时空特征的跨被试跨场景迁移学习方法在权利要求书中公布了:1.一种基于脑电信号时空特征的跨被试跨场景迁移学习方法,其特征在于,所述方法包括: 获取原始脑电信号;对所述原始脑电信号进行预处理,获得时空特征信号; 根据所述时空特征信号,通过时间-空间特征卷积网络进行卷积处理,获得训练阶段迁移特征数据; 使用所述训练阶段迁移特征数据对Transformer模型进行训练,获得脑电迁移学习模型; 其中,所述使用所述训练阶段迁移特征数据对Transformer模型进行训练,获得脑电迁移学习模型,包括: 对所述训练阶段迁移特征数据进行嵌入空间映射,获得预处理训练数据; 根据所述预处理训练数据构建位置嵌入矩阵;将所述位置嵌入矩阵添加到所述预处理训练数据中,获得位置嵌入训练数据; 根据所述位置嵌入训练数据,对待训练编码器进行训练,获得编码器; 基于多头注意力机制,根据所述位置嵌入训练数据,通过所述编码进行编码输出,获得输出数据; 根据所述位置嵌入训练数据以及所述输出数据构建损失函数; 根据所述损失函数,对Transformer模型进行优化,获得脑电迁移学习模型; 其中,所述编码器包括axe_x编码器、axe_y编码器和ave_z编码器; 所述编码器对应Transformer模型的输入数据的3个维度; 获取学习阶段脑电信号;对所述学习阶段脑电信号进行预处理,获得学习阶段预处理信号;对所述学习阶段预处理信号,通过所述时间-空间特征卷积网络进行卷积处理,获得学习阶段迁移特征数据; 根据所述训练阶段迁移特征数据以及所述学习阶段迁移特征数据,对所述时间-空间特征卷积网络进行更新,获得更新特征卷积网络; 其中,所述根据所述训练阶段迁移特征数据以及所述学习阶段迁移特征数据,对所述时间-空间特征卷积网络进行更新,获得更新特征卷积网络,包括: 根据所述训练阶段迁移特征数据以及所述学习阶段迁移特征数据进行散度损失计算,得到KL散度损失; 根据所述KL散度损失,对所述时间-空间特征卷积网络进行反向传播,获得更新特征卷积网络; 根据所述学习阶段迁移特征数据,对所述脑电迁移学习模型进行更新,获得更新迁移学习模型; 其中,所述根据所述学习阶段迁移特征数据,对所述脑电迁移学习模型进行更新,获得更新迁移学习模型,包括: 根据所述学习阶段迁移特征数据构建迁移位置嵌入矩阵;将所述迁移位置嵌入矩阵添加到所述学习阶段迁移特征数据中,获得嵌入后学习阶段迁移特征数据; 冻结所述axe_x编码器以及所述axe_y编码器,根据所述嵌入后学习阶段迁移特征数据,对所述ave_z编码器进行训练,获得更新ave_z编码器; 基于多头注意力机制,根据所述学习阶段迁移特征数据,通过所述axe_x编码器、所述axe_y编码器和所述更新ave_z编码器进行编码输出,获得迁移学习输出数据; 根据所述学习阶段迁移特征数据以及所述迁移学习输出数据构建交叉熵损失函数; 根据所述交叉熵损失函数,对所述脑电迁移学习模型进行优化训练,获得更新迁移学习模型; 根据所述学习阶段脑电信号,基于所述更新特征卷积网络以及所述更新迁移学习模型进行迁移学习。

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北京科技大学,其通讯地址为:100083 北京市海淀区学院路30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。