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脑电信号核心网络的提取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：CN115631371B 。

龙图腾网通过国家知识产权局官网在2026-01-23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：202211266313.2，技术领域涉及：G06V10/764；该发明授权一种脑电信号核心网络的提取方法是由杨昆;姚振宁;张建海;朱莉;程世超;杨锡亮设计研发完成，并于2022-10-17向国家知识产权局提交的专利申请。

本一种脑电信号核心网络的提取方法在说明书摘要公布了：本发明提出一种脑电信号核心网络提取方法。本发明通过对脑电信号进行分析和特征提取，使用注意力图卷积神经网络A‑GCN训练获取到脑网络的核心节点，同时也获取了核心网络，使得多种分类预测模型在测试集上只需要计算少量的节点或边特征网络就能够获得更高的识别准确率。本发明提供的方法只需要采集被试少量的通道数据，提升了BCI应用中的实用性。

本发明授权一种脑电信号核心网络的提取方法在权利要求书中公布了：1.一种脑电信号核心网络的提取方法，其特征在于具体包括如下步骤： 步骤1、脑电信号预处理，打上任务类别标签，构建成为数据集； 步骤2、搭建注意力-图卷积神经网络A-GCN； 所述注意力-图卷积神经网络A-GCN以预处理后的某一频段的脑电信号作为输入，将预测任务类别标签作为输出； 所述注意力-图卷积神经网络A-GCN包括串联的图信号生成层、GCN图卷积层、Attention注意力层、Flatten扁平层、第一全连接层和第二全连接层； 所述图信号生成层对每个通道n0，n1，....，nN-1生成统一的节点信号xx0，x1，....，xN-1，该节点信号x和输入的边信号W∈RN*N一起构成图信号特征向量； 所述GCN图卷积层接收所述图信号生成层输出的图信号特征向量，并对其使用傅里叶变换和拉普拉斯矩阵特征分解再进行卷积计算，得到各个邻域节点和相连的边信息聚合后的特征信息y具体是： 由边信号W计算度矩阵D∈RN*N，并得到拉普拉斯矩阵L＝D-W∈RN*N，又L的特征分解形式为UΛUT，其中U＝[u0，u1，....，uN-1]∈RN*N的列构成傅里叶基，Λ＝diag[λ0,λ1，...，λN-1]是一个对角矩阵； gθ为傅里叶域卷积函数，经y＝gθLx＝gθUΛUTx＝UgθΛUTx卷积运算后得到yy0，y1，...yN-1，y∈RN*1； 所述Attention注意力层接收所述GCN图卷积层的输出，与N*1卷积核相乘得到注意力机制处理后特征；具体是： 特征信息yy0，y1，...yN-1与注意力节点对应的卷积核Aa0，a1，...，aN-1相乘： 其中A∈RN*1，代表逐元素相乘； 所述Flatten扁平层接收所述注意力层输出经过ReLU函数激活y＝ReLUy的特征并将数据拉平，然后将处理后数据经第一全连接层、第二全连接层全映射后输出结果，并利用Softmax函数预测标签分类； 步骤3、多轮迭代训练注意力-图卷积神经网络A-GCN，根据训练完成后的注意力-图卷积神经网络A-GCN中所述Attention注意力层的注意力attention得到核心节点集合C；具体是 y在与数据实际标签class进行比较后计算损失loss： 随后张量反向传播进行梯度下降调节卷积核参数，经过多轮训练迭代后，Attention注意力层的卷积核参数Aa0，a1，....aN-1趋于稳定； 注意力-图卷积神经网络A-GCN多轮迭代训练结束后，将Attention注意力层中最终注意力attention按照A中元素绝对值大小进行降序排序，取前K个最终注意力attention，将其对应的原始通道作为核心节点Cc0，c1，c2，...，cK-1； 步骤4、根据核心节点C保留对应相互连接的边wij，其中i，j∈c0，c1，...cK-1，最终得到核心网络S∈RK*K。

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。