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！

龙图腾网获悉合肥工业大学申请的专利基于多目标域适应的脑电信号分类方法及应用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：CN116340816B 。

龙图腾网通过国家知识产权局官网在2025-12-23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：202310205395.8，技术领域涉及：G06F18/24；该发明授权基于多目标域适应的脑电信号分类方法及应用是由李畅;肖慧琳;宋仁成;刘羽;成娟;陈勋设计研发完成，并于2023-03-06向国家知识产权局提交的专利申请。

本基于多目标域适应的脑电信号分类方法及应用在说明书摘要公布了：本发明公开了一种基于多目标域适应的脑电信号分类方法及应用，其步骤包括：1，对原始脑电数据进行预处理，包括样本选择、转换为图像数据、滑窗切片等；2，建立基于多目标域适应的轻型网络Effnet模型，初始化网络参数；3，输入数据训练网络不断优化模型参数，获得最终分类模型用于待测试脑电信号的分类。本发明将多目标域适应方法结合到Effnet网络中，能够改进模型以适应源域和目标域之间不同的特征分布，从共享表示中学习更多的特征，并将从源域学习到的知识迁移到目标域，从而获得更好的泛化性能。

本发明授权基于多目标域适应的脑电信号分类方法及应用在权利要求书中公布了：1.一种基于多目标域适应的脑电信号分类方法，其特征在于，是按如下步骤进行： 步骤1、对n个受试者的原始脑电信号进行通道数据选择，得到n个受试者的c个通道的脑电信号，再利用短时傅里叶变换将c个通道的脑电信号转换成由频率和时间组成的二维图像，从而得到n个受试者的Nd个脑电图像样本，令任意第i个受试者为源域受试者，所述源域受试者的第j个脑电图像样本记为Xi,j∈Rc×w×h，且Xi,j所对应的标签为Yi,j，c表示脑电图像样本的通道数，w表示滑动窗的宽度，h表示脑电图像样本的高度；令剩余n-1个受试者均为目标域受试者，其中，任意第p个目标域受试者的第j个脑电图像样本记为Xp,j；且p≠i； 步骤2、建立基于多目标域适应的Effnet网络，包含：由三个Block块、Flatten层和一个全连接层组成，且每个Block块均有五个二维卷积块； 第一个二维卷积块依次包括：卷积核大小为1×1且步长为1×1的点卷积层，LeakyReLU激活函数、批量归一化层； 第二个二维卷积块依次包括：卷积核大小为1×3且步长为1×1的卷积层、激活函数和批量归一化层； 第三个二维卷积块为卷积核大小为2×1且步长为2×1的最大化池化层； 第四个二维卷积块依次包括：卷积核大小为3×1且步长为1×1的卷积层、激活函数和批量归一化层； 第五个卷积模块依次包括：卷积核大小为1×2且步长为1×2的卷积层、激活函数和批量归一化层； 步骤3、Effnet网络的训练： 步骤3.1、将第i个受试者的第j个脑电图像样本Xi,j输入所述Effnet网络中，并经过第一个Block块的初步提取和特征降维处理后，得到第一图像特征序列其中，c1表示第一图像特征序列的通道，w1和h1分别为第一图像特征序列的宽度和高度； 步骤3.2、所述第一图像特征序列经过第二个Block块的特征提取和降维处理后，得到第二图像特征序列其中，c2表示第二图像特征序列的通道，w2和h2分别第二图像特征序列的宽度和高度； 步骤3.3、所述第二图像特征序列经过第三个Block块的特征提取和降维后，得到第三图像特征序列其中，c3表示第三图像特征序列的通道，w3和h3分别为第三图像特征序列的宽度和高度； 步骤3.4、将第三图像特征序列经过所述Flatten层的扁平化处理后，得到第四图像特征序列令S表示特征长度，且S＝c3×w3×h3； 步骤3.5、所述源域图像特征序列经过所述全连接层的处理后输出第j个脑电图像样本Xi,j的预测标签 步骤3.6、利用式1构建源域分类损失函数cls_lossi： 步骤3.7、利用式2构建源域受试者与第p个目标域受试者的域适应损失函数mmd_lossi,p： 步骤3.8、利用式3构建总损失函数lossi,p： lossi,p＝cls_lossi+λ×mmd_lossi,p3 式3中，λ为超参数； 步骤4、利用SGD优化器对所述Effnet网络进行训练，并计算总损失函数lossi,p，当训练迭代次数达到设定的次数时，训练停止，从而得到最优脑电信号分类模型，用于实现不同脑电信号的分类。

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合肥工业大学，其通讯地址为：230009 安徽省合肥市包河区屯溪路193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。