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基于多分支图卷积网络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：CN116115240B 。

龙图腾网通过国家知识产权局官网在2025-12-12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：202211614998.5，技术领域涉及：A61B5/372；该发明授权基于多分支图卷积网络的脑电情绪识别方法是由张建海;刘伟健;朱莉;刘芬;陈文斌;梅佳伟设计研发完成，并于2022-12-14向国家知识产权局提交的专利申请。

本基于多分支图卷积网络的脑电情绪识别方法在说明书摘要公布了：本发明公开基于多分支图卷积网络的脑电情绪识别方法。本发明建模的图信号特征数据，还原脑电数据本身在空间和功能上的联系，利用多维特征保留了更多的情感信息，用于准确分类识别个体的情感状态。结合注意力机制，在情感信息丰富度上很好的区分不同的样本数据，进而大大降低冗余数据对分类性能的干扰，具有良好的分类效果和可泛化性；采用多支路图卷积模型，该模型同时考虑了通道间的物理性连接和相关性连接，利用基于相关性连接的注意机制来辅助优化基于物理连接的邻接矩阵，解决目前普通图卷积模型中邻接矩阵信息单一化的问题。本发明利用在线脑机接口系统，改以往多是对离线脑电数据进行分析的现象，提高了脑电数据分析的实时性。

本发明授权基于多分支图卷积网络的脑电情绪识别方法在权利要求书中公布了：1.基于多分支图卷积网络的脑电情绪识别方法，其特征在于所述方法包括以下步骤： S1：获取情绪脑电数据，并对情绪脑电数据进行预处理； S101：对情绪脑电数据采用1-50Hz带通滤波器进行滤波处理，然后将其划分为θ频段，α频段，β频段，γ频段； S102：对上述不同频段脑电数据进行切片，以固定长度s进行滑动窗口操作； S103：获取节点特征； 根据国际10-20系统电极位置，对切片处理后的脑电数据进行特征提取，将提取的特征数据从1维数据转变为2维平面格式，得到每个脑电样本的4个频段二维平面，整合4个频段的二维平面得到3维脑电特征数据作为节点特征； S104：获取基于物理距离的边特征A1； 通过2个相同的基于物理距离的邻接矩阵的逐点相乘的融合方式得到情感信息更加丰富的边特征A1: 其中表示逐点相乘； Ad表示基于物理连接的邻接矩阵，其计算方式如下： 其中τ表示预设阈值，θa表示固定参数，distx,y代表第x个节点到第y个节点之间的距离； S105：获取考虑相关性连接的边特征A2； 通过基于相关性连接的注意机制来优化基于物理距离的邻接矩阵得到边特征A2： 其中X是基于自适应网络层进行学习后得到的不同通道之间特征差异性表征的注意力矩阵； S2：构建多分支图卷积网络； 所述多分支图卷积网络包括并行的第一分支、第二分支； 所述第一分支、第二分支的结构相同，均包括输入层、通道注意力模块、时空图卷积神经网络； 所述第一分支用于提取脑电的基于物理距离的情感信息；其输入层用于接收节点特征和边特征A1，构成特征图G1； 所述第二分支用于提取脑电的基于相关性连接的注意机制来优化的情感信息；其输入层用于接收节点特征和边特征A2，构成特征图G2； 所述通道注意力模块采用空间注意力机制提取空间注意力矩阵，其定义如下： Attns＝Vs·σ1XsZ1Z2Z3Xs+Cs式4 Attnsmn＝SoftMaxAttnsm式5 其中Attns表示空间注意力矩阵；Xs∈RN×W×T是对应空间层输入；Attnsmn∈RW×W表示通道m和通道n构成的边的重要性；σ1表示sigmoid激活函数；SoftMax表示矩阵归一化操作；Vs∈RT×T，Cs∈RT×T，Z1∈RW×1，Z2∈RW×N，Z3∈RW×1是待学习参数，N为EEG通道数量，T为待分类样本的上下文长度，W为特征维度； 所述时空图卷积神经网络包括时间注意力块、图卷积块、决策融合层； ①所述时间注意力块考虑到在时间维度上，相邻情绪片段之间存在相关性，且相关性在不同的情况下有所不同；因此，利用时间注意力机制来捕捉大脑情绪网络中的动态时间信息，其定义如下： Attnt＝Vt·σ1XtM1M2M3Xt+Ct式6 Attntef＝SoftMaxAttnte式7 其中Attnt为时间注意力矩阵；Xt∈RN×W×T是对应时间步输入；Attntef∈RW×W表示片段之间的相关性，即第f个时间步的片段信息对分类第e个时间步的样本的贡献；SoftMax函数表示归一化操作；σ1表示sigmoid激活函数；Vt∈RT×T，Ct∈RT×T，M1∈RW×1，M2∈RW×N，M3∈RW×1是待学习参数，N为EEG通道数量，T为待分类样本的上下文长度，W为特征维度； ②所述图卷积块采用多层Gcn堆叠；图卷积块接收所述通道注意力模块输出的赋予通道注意力权重后特征图Gattn，则Gattn的拉普拉斯矩阵可根据公式8求得； L＝D-A式8 其中D为通道的度矩阵，即D是元素为acd的对角矩阵，acd表示通道c与通道d的联系程度；A为图卷积块使用的邻接矩阵，矩阵A中各元素表示为不同通道之间的联系程度；根据公式9计算归一化拉普拉斯矩阵： 其中E是一个单位矩阵； 根据公式10计算切比雪夫多项式项： 其中θk是k阶切比雪夫多项式系数，Tk是k阶切比雪夫多项式，用来代替滤波器的作用； 经过图卷积计算后得到输出特征图Gs,具体计算方式如下： Gs＝σgLG式11 其中G表示特征图G1或G2，σ表示图卷积参数； ③所述决策融合层通过融合函数把第一分支的输出和第二分支的输出融合之后得到特征图Gs； S3:构建预测分类器； 所述预测分类器包括一层全连接层和一层SoftMax，接受所述决策融合层的输出Gs，进而预测得到分类结果。

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 浙江省杭州市下沙高教园区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。