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！

龙图腾网获悉西安理工大学申请的专利浅层镜像变形器网络的多主体运动想象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：CN115933879B 。

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：202211607736.6，技术领域涉及：G06F3/01；该发明授权浅层镜像变形器网络的多主体运动想象识别方法是由王耀杰;罗靖;马梦豪;闫珂;王研婷设计研发完成，并于2022-12-14向国家知识产权局提交的专利申请。

本浅层镜像变形器网络的多主体运动想象识别方法在说明书摘要公布了：本发明公开一种浅层镜像变形器网络的多主体运动想象识别方法，具体实施步骤如下：步骤1、对脑电信号数据进行截取；步骤2、选取所需的C个脑电通道，并使用0‑38hz的3阶带通滤波器进行滤波；步骤3、对滤波后的脑电数据的每个通道做指数加权平均标准化操作，进行脑电信号标准化；步骤4、通过制造镜像脑电信号，进行脑电信号的扩充；步骤5、将步骤4生成的镜像脑电信号连同原始脑电信号一起输入ST模型进行训练；步骤6、在预测阶段使用集成学习提高模型准确率。该方法可以提高网络模型在主体间的泛化能力，从而提高多主体脑机接口的性能。

本发明授权浅层镜像变形器网络的多主体运动想象识别方法在权利要求书中公布了：1.浅层镜像变形器网络的多主体运动想象识别方法，其特征在于，具体实施步骤如下： 步骤1、对脑电信号数据进行截取； 步骤1中，截取范围为运动想象任务开始前0.5秒到运动想象开始后4s； 步骤2、选取所需的C个脑电通道，并使用0-38hz的3阶带通滤波器进行滤波； 步骤2中，使用C3、C4、Cz三个脑电通道； 步骤3、对滤波后的脑电数据的每个通道做指数加权平均标准化操作，进行脑电信号标准化； 步骤3中的指数加权平均标准化操作的具体流程如下： 首先，计算指数移动均值mt： mt＝f·meanxt+1-f·mt-11 式1中，xt是原始脑电信号的第t个采样点的值，mt是脑电信号在第t个采样点的移动均值，f是预先设置的更新因子,meanxt是脑电信号xt在多通道上求平均； 再计算指数移动方差vt： vt＝f·mt-xt2+1-f·vt-12 最后，求指数加权移动平均标准化后的脑电信号xt'： 式3中，为最大值函数，取两个参数最大值，ε＝10-6； 步骤4、通过制造镜像脑电信号，进行脑电信号的扩充； 对经过步骤3标准化后的脑电信号，交换C3和C4通道对应的脑电数据构造镜像脑电，之后交换左右手运动想象脑电信号标签； 步骤5、将步骤4生成的镜像脑电信号连同原始脑电信号一起输入ST模型进行训练； 步骤5中的ST模型包括有基于CNN的特征提取层，基于变形器的编码器层以及运动想象脑电分类层；其中，基于变形器的编码器层由位置嵌入层、多头自注意力层和前馈层组成；运动想象脑电分类层由一个全连接层与softmax函数组成，输出节点个数为运动想象类别个数； 步骤5的具体步骤如下： 步骤5.1、定义步骤4生成的镜像脑电信号和原始脑电信号的集合为X∈RK×C,其中K为采样点数，C为EEG的通道数；模型训练的批次大小为B，因此输入数据的维度大小为B×1×K×C； 因此，基于CNN的特征提取层的计算如式4所示： F＝BNCsCtX4 式4中，X表示步骤4生成的镜像脑电信号和原始脑电信号的集合，Ct表示大小为1×25的时域卷积，用来模拟FBCSP算法中的带通滤波器；Cs表示大小为C×1的空间滤波器，用来融合来自所有EEG通道的信息，从而模拟CSP空间滤波器；BN表示对提取的特征进行批处理规范化，F表示基于CNN的特征提取层所提取的特征； 步骤5.2、特征提取层提取到的脑电特征信息F将被输入基于变形器的编码器层获取全局时域信息，具体如下： 变形器的编码器层中的位置嵌入层的表示如式5所示： 式5中，F为基于CNN的特征提取层所提取的特征，Pos为一组标准的可学习的位置嵌入参数，为嵌入了位置信息的特征； 经过位置嵌入层处理后，将嵌入了位置信息的特征输入到以残差网络结构进行的多头自注意力层中；在残差网络中，首先进行层归一化；然后，多头自注意力层将查询向量和键向量、值向量以值向量的加权和的形式映射到输出，查询向量、键向量、值向量的计算方式如式6所示： 式6中，为嵌入了位置信息的特征，Wiq、Wik和Wiv分别是查询向量、键向量和第i个头的值向量的投影矩阵，LN表示层归一化，Qi、Ki、Vi分别代表第i个头的查询向量、键向量、值向量；之后，通过点积计算查询向量与键向量的相似度，缩放后应用softmax函数得到对应值向量的注意权重；因此，输出是所有值向量的加权和，如式7所示： 式7中，Oi为第i个头的输出，表示对第i个头的键向量进行转置，Qi为第i个头的查询向量，Vi为第i个头对应的值向量，dk用于缩放键向量的尺寸； 然后，将所有输出连接起来，如式8所示： 式8中，O1、O2、ON为各个头的输出，Concat为维度连接函数，为嵌入了位置信息的特征，O为N个头的输出； 之后，多头自注意力层的输出O被输入到前馈层进行计算；前馈层的计算如式9所示： M＝PFLNO+O9 式9中，O为多头自注意力层的输出，LN表示层归一化，PF表示前馈层，M为整个编码器层的输出； 步骤5.3、使用运动想象脑电分类层预测运动想象任务类别，如式10所示： P＝FCLogPoolM⊙M10 式10中，⊙为点乘运算，M为基于变形器的编码器层的输出，Pool为池化层，用来缩小特征尺寸；Log为对数激活函数，FC表示全连接层；P为浅层变形器ST模型对运动想象脑电的预测概率； 步骤6、在预测阶段使用集成学习提高模型准确率。

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西安理工大学，其通讯地址为：710048 陕西省西安市碑林区金花南路5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。