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！

龙图腾网获悉杭州电子科技大学申请的专利一种基于鲁棒低秩子空间自表示特征的脑电情绪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：CN114118298B 。

龙图腾网通过国家知识产权局官网在2025-11-14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：202111505229.7，技术领域涉及：G06F18/241；该发明授权一种基于鲁棒低秩子空间自表示特征的脑电情绪识别方法是由高云园;薛云峰;佘青山;马玉良;张卷卷设计研发完成，并于2021-12-10向国家知识产权局提交的专利申请。

本一种基于鲁棒低秩子空间自表示特征的脑电情绪识别方法在说明书摘要公布了：本发明公开了一种基于鲁棒低秩子空间自表示特征的脑电情绪识别方法。与传统的固定模式的时频域特征不同，该方法采用数据驱动的方式求解脑电样本位于低秩子空间中的自表示，并在求解自表示特征的过程中，结合了鲁棒主成分分析的思想来分离脑电中的噪声部分。同时为了充分利用不同脑电频带的有效信息，还提出了一种基于张量Tucker分解的数据降维方法，有效的降低了自表示特征提取的复杂度并进一步提高了所提取特征的准确性。为了验证该特征的有效性，在公开情感数据集DEAP进行了实验，并于几种最新方法进行了比较，结果显示所提特征在对情绪脑电效价和唤醒度的二分类，四分类上均具有优越性。

本发明授权一种基于鲁棒低秩子空间自表示特征的脑电情绪识别方法在权利要求书中公布了：1.一种基于鲁棒低秩子空间自表示特征的脑电情绪识别方法，其特征在于，该方法包括如下步骤： 步骤1：对脑电信号进行预处理，使用滑动时间窗分割脑电信号； 步骤2：采用小波包变换提取脑电信号的时频域信息，得到θ,α,β,γ四个频带相应的重构信号； 步骤3：根据步骤2得到的重构信号，分别计算样本的协方差，将同类样本以样本维度构建三阶张量数据； 步骤4：使用基于张量Tucker分解的数据降维方法，在保证张量数据第三维不变的情况下，对每个样本数据进行降维； 步骤5：根据步骤4得到的降维后的张量数据，使用鲁棒低秩子空间自表示的特征提取方法，获得每个样本的特征向量，并使用支持向量机进行分类； 步骤4中Tucker降维方法具体实现如下： 其中，其中N为脑电采集的通道数，V为样本总数，子空间矩阵A∈RNxN，B∈RNxN,C∈RVxV； 通过保持核心张量的维度不变，使其仍然是对的完全表示，分别提取前两个子空间矩阵的前n维向量，nN；而保持第三个子空间C即样本子空间不变，再进行的重构，从而在考虑了多个样本的高维联系的情况下，对每个样本进行了维度削减，使得待提取特征数据的维度由NxNxV变为nxnxV； 步骤5中的特征向量提取具体为求解如下的优化问题： 其中c＝1…C为脑电数据的类别，C为所分析脑电样本的总类别；标号v＝1…Vc表示第v个数据，Vc为c类脑电样本总数量；为由同类的每个样本自表示矩阵Zv构成的三阶张量，通过核范数进行低秩限制；为由同类的每个样本噪声矩阵Ev垂直排列构成的总体噪声矩阵，通过||·||2,1范数进行稀疏限制；Sc∈RNxN为同类自表示矩阵的均值，通过||·||F限制使得同类的自表示矩阵相似；Xv∈RNxN为输入样本张量在第三维度上的v处切片矩阵，对应第v个脑电样本数据，Zv∈RNxN和Ev∈RNxN分别是由脑电样本数据Xv分解获得的自表示矩阵和噪声矩阵；函数Φ表示将c类所有的自表示矩阵Zv构造为三阶张量的操作；λ1、λ2为惩罚系数； 该优化问题使用增广拉格朗日乘子法转换为无约束问题，通过引入辅助张量变量将优化问题转化为最小化以下无约束问题： 其中矩阵Yv和张量表示两个拉格朗日乘子，μ和ρ是惩罚参数； 为了解决上式中的无约束优化问题，采用交替最小化的方案，依次更新Zv、Ev、 Zv子问题:当Ev和固定时，将求解以下子问题: 通过将上式的导数设置为零，获得Zv的迭代解为： Ev子问题： 其中D是通过沿列将矩阵Xv-XvZv+1μYv垂直连接而构造，这个子问题有如下解: 其中D:,i，表示矩阵D的第i列； 子问题:为了更新张量求解以下子问题： 在获得每个脑电样本的自表示矩阵Zv后，通过计算每个自表示矩阵Zv矩阵的自协方差矩阵，将每个自协方差矩阵的上三角部分抽取为向量格式作为每个脑电样本对应的最终的特征向量。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市钱塘区白杨街道2号大街；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。