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！

龙图腾网获悉暨南大学申请的专利一种基于迁移学习的跨时段脑电运动想象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：CN119167170B 。

龙图腾网通过国家知识产权局官网在2025-12-05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：202411232039.6，技术领域涉及：G06F18/241；该发明授权一种基于迁移学习的跨时段脑电运动想象分类方法是由龙锦益;陈煜廷;刘斯为;张佳设计研发完成，并于2024-09-04向国家知识产权局提交的专利申请。

本一种基于迁移学习的跨时段脑电运动想象分类方法在说明书摘要公布了：本发明公开了一种基于迁移学习的跨时段脑电运动想象分类方法，具体涉及运动脑机接口领域，包括：S1.利用数据预处理得到源域与目标域脑电数据；S2.利用基于注意力的可分离卷积神经网络提取频率、空间和时间信息；S3.利用监督学习最小化源域样本数据的分类损失；S4.利用迁移学习最大化源域与目标与样本特征之间的相似性，以训练适用于跨时段脑电的神经网络；S5.用训练的模型对目标域进行分类，并与选定几种常用先进算法对比在公开数据集上的运动想象分类效果。并验证了跨时段问题在运动脑机接口中普遍存在。发明提出的方法提供科学可靠的运动想象分类方案，构建了比选定几种常用先进算法更高准确度的运动想象分类模型。

本发明授权一种基于迁移学习的跨时段脑电运动想象分类方法在权利要求书中公布了：1.一种基于迁移学习的跨时段脑电运动想象分类方法，其特征在于：包括以下步骤： S1.对原始脑电数据数据预处理得到源域与目标域脑电数据； S2.使用基于注意力的可分离卷积神经网络提取频率、空间和时间信息； S3.监督学习最小化源域样本数据的分类损失； S4.迁移学习最大化源域与目标域样本特征之间的相似性，用于训练适用于跨时段脑电的神经网络； S5.用训练的模型对目标域进行分类，并与选定算法对比在公开数据集上的运动想象分类效果，得到跨时段问题在运动脑机接口中普遍存在； 所述S3中具体包括： S31.使用源域预测结果和源域数据标签进行监督学习，并用交叉熵损失函数作为分类损失，损失函数公式为： 其中，N为分类类别的数量；yic为符号函数0或1，如果样本i的真实类别等于c取1，否则取0；pic为观测样本i属于类别c的预测概率； 所述S4中具体包括： S41.将一个线性层和Relu非线性激活函数组成自适应层，将步骤S2输出的源域与目标域特征图经过进行迁移学习； S42.计算自适应层输出的源域与目标域数特征之间的损失，最大化源域与目标与样本特征之间的相似性，并用推土机距离作为迁移损失，损失函数公式为： EMD_loss＝infγ＝∏p,qEx,y～γ[||x-y||]4 其中∏p,q表示分布p和q组合起来的所有可能的联合分布的集合，对于每一个可能的联合分布γ可以从中采样x,y～γ得到一个样本x和y，并计算出这对样本的距离||x-y||，Ex,y～γ[||x-y||]表示该联合分布γ下样本对距离的期望值； S43.迁移损失与步骤S3中得到的分类损失共同构成整个网络的损失函数，总损失函数公式为： Loss＝clf_loss+τ*EMD_loss5 clf_loss为分类损失，EMD_loss为迁移损失，τ为迁移率，调整τ以调整迁移损失在总损失的占比训练适用于跨时段脑电的神经网络。

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暨南大学，其通讯地址为：510630 广东省广州市黄埔大道西601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。