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层次SE注意力和图卷积的EEG情绪状态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：CN115919330B 。

龙图腾网通过国家知识产权局官网在2026-01-30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：202211503612.3，技术领域涉及：A61B5/372；该发明授权基于多层次SE注意力和图卷积的EEG情绪状态分类方法是由曾虹;潘登;徐非凡;郑浩浩;欧阳瑜;钱东官;罗小峰设计研发完成，并于2022-11-28向国家知识产权局提交的专利申请。

本基于多层次SE注意力和图卷积的EEG情绪状态分类方法在说明书摘要公布了：本发明公开了一种基于多层次SE注意力和图卷积的EEG情绪状态分类方法。本发明先获取数据进行预处理；再通过DE来进行EEG特征提取，从三维EEG时间序列获得二维样本矩阵；然后在两种任务场景下各自划定训练集和测试集，获得不重合的训练集和测试集；对于每个样本，分别经过脑电通道关系矩阵和MSE模块得到脑电通道关系矩阵和重构后的脑电通道特征，最终组成关于样本的图数据结构；接着把图结构送入GCN网络提取更深层次的图结构信息，然后用图池化方法输出整个图的最终表示；最后利用分类准确率对模型进行两种任务场景下的性能评估。本发明解决了脑电情绪识别中通道、频段和结构信息利用不充分的问题，训练出了高精度的被试内和跨被试的情绪状态分类器。

本发明授权基于多层次SE注意力和图卷积的EEG情绪状态分类方法在权利要求书中公布了：1.基于多层次SE注意力和图卷积的EEG情绪状态分类方法，其特征在于该方法以DE特征作为使用的EEG信号频域特征，用结合多层次SE注意力和GCN的模型作为分类器，通过对EEG信号的分析，分别实现跨被试和被试内两种任务下的积极、消极和中性三种情绪状态的有效区分；首先获取数据进行带通滤波，然后用ICA技术去除伪迹；其次通过DE来进行EEG特征提取，从三维EEG时间序列获得二维样本矩阵；然后在两种任务场景下各自划定训练集和测试集，获得不重合的训练集和测试集；对于每个样本，经过网络模块分别得到脑电通道节点关系矩阵A和重构后的脑电通道节点特征，最终组成关于样本的图数据结构；接着把图数据结构送入GCN网络提取更深层特征进行重构和再组合，重构后的数据经过GCN网络得到包含结构信息的输出，然后用图池化方法输出整个图的最终表示；最后利用分类准确率对模型进行两种任务场景下的性能评估； 该方法具体包括如下步骤： 步骤S1.数据处理，对脑电采集设备采集到的原始EEG数据的处理步骤如下： S1-1：数据去噪 S1-2：DE特征提取 步骤S2.数据定义和数据集划分： 情绪状态分类存在两种测试情境：被试内和跨被试，这两种情况下的模型测试有着各自不同的数据定义和数据集划分，具体如下： 假定存在N个被试，N个被试的集合表示为U，每个被试的数据集合表示为其中s表示被试，n表示一个被试中样本的个数，表示被试s的第i个样本，对应的标签为 每个被试有15个情感试验，对于被试内的情感状态分类任务：选择每个被试前9个情感试验并假设其情绪状态标签已知，作为模型的训练集；选择后6个情感试验并假设其情绪状态标签未知，作为模型的测试集； 对于跨被试的情感状态分类采用留一法进行数据集划分：首先取第一个被试的所有15次情感试验的数据并假设其情绪状态标签未知，作为测试集；取其余N-1个被试的所有15次情感试验的数据并假设其情绪状态标签已知，作为训练集；然后再依次取第i'个被试的15次情感试验作为测试集i'＝2,3,···,N，取余下N-1个被试的所有15次情感试验的数据作为训练集；总共进行N次模型实验并计算平均准确率； 步骤S3.构建EEG图结构 S3-1：模型的具体数据输入 对于被试内的情境：模型的训练集输入为表示第s个被试训练集的第i个样本，表示第s个被试训练集中第i个样本相应的真实标签；模型的测试集输入为 对于跨被试的情境：模型的测试集输入为表示被试s1的第i个样本；模型的训练集输入为其中区别于训练集，模型不会从测试集中得到关于样本i的任何标签信息； S3-2：构建脑电通道关系矩阵 在两种任务情境下，训练集和测试集中每一个样本xi∈Rnxd,邻接矩阵构成模块会根据样本的具体输入构建一个描述n个通道间关系的邻接矩阵A∈Rnxn，其中Aij为表示脑电通道i和j之间的关联性权重； S3-3：基于MSE的脑电通道特征重标定，并再组合网络 设计三个注意力机制的集合即MSE模块，在两种任务情境下，对于训练集和测试集中每一个样本xi∈Rnxd,MSE模块会根据样本的具体输入去重标定、再组合出一个新的样本特征x_rei∈Rnx3d； 为了探究不同通道特征的重要性，设计有Channel-SE模块，具体来说先用Fsq函数求出各个通道的平均表示然后用Fex函数获得通道间的非线性关系,求出各个通道的重要性表示v_ci，最后通过Fscale得到Channel-SE模块的最终输出 为了探究不同频段特征的重要性，设计有Frequency-SE模块，具体来说先用Fsq函数求出各个频段的平均表示然后用Fex函数获得频段间的非线性关系,求出各个频段的重要性表示v_fi，最后通过Fscale得到Frequency-SE模块的最终输出 为了探究不同样本xi对模型的不同贡献，设计有Sample-Attention模块，具体来说先用Fsq函数求出各个样本xi的通道平均表示和频段平均表示然后把两者连接在一起组成样本的平均表示再用全连接网络对进行特征转换得到样本的重要性表示v_si，最后通过Fscale得到Sample-Attention模块的最终输出 综上，分别得到了Channel-SE模块、Frequency-SE模块和Sample-Attention模块的重标定样本特征和为了得到MSE模块最终的输出，把上述三个输出进行拼接并得到最终的输出具体公式如下： S3-4：构建图数据结构 由步骤S3-2和步骤S3-3分别得到了图的邻接关系矩阵A和重构后的节点特征接下来构建GCN网络的输入Graphi；Graphi的具体表示为 步骤S4.构建与训练神经网络GCN模型： 步骤S5.被试内和跨被试两种情境下对模型性能进行评估； 步骤S3-3所述的基于MSE的脑电通道特征重标定和再组合网络，具体实现如下： 所述的Channel-SE模块公式具体如下： 其中，此处r为reduction因子，r＝2；最后通过Fscale得到Channel-SE模块的最终输出公式具体如下： 所述的Frequency-SE模块公式具体如下： 其中，此处r为reduction因子，最后通过Fscale得到Frequency-SE模块的最终输出公式具体如下： 所述的Sample-Attention模块公式具体如下： 其中，b1和b2为全连接网络中Linear层对应的Bias，c＝12；最后通过Fscale得到Sample-Attention模块的最终输出公式具体如下：

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。