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！

龙图腾网获悉华南理工大学申请的专利基于自监督学习和多视图学习的睡眠分期系统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：CN116439663B 。

龙图腾网通过国家知识产权局官网在2026-03-03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：202310332820.X，技术领域涉及：A61B5/00；该发明授权基于自监督学习和多视图学习的睡眠分期系统是由余天佑;胡欣欣;肖君设计研发完成，并于2023-03-31向国家知识产权局提交的专利申请。

本基于自监督学习和多视图学习的睡眠分期系统在说明书摘要公布了：本发明公开了一种基于自监督学习和多视图学习的睡眠分期系统，包括：数据载入模块，用于加载睡眠脑电信号和构建数据集，并对脑电信号进行预处理和增强变换；自监督预训练模块，通过基于多视图学习的孪生网络进行特征提取，配合TopK算法构造正负样本集合，最终使用对比损失完成网络的预训练；监督训练模块，利用特征表示模块和序列表示模块提取特征，并在经过特征融合后进行网络训练，最终得到最优睡眠分期模型；睡眠阶段预测模块，使用最优睡眠分期模型进行睡眠分期预测。本发明将多视图学习和自监督预训练引入睡眠分期任务中，能够提高分期准确率，减少对标签数据的依赖。

本发明授权基于自监督学习和多视图学习的睡眠分期系统在权利要求书中公布了：1.基于自监督学习和多视图学习的睡眠分期系统，其特征在于，包括： 数据载入模块，用于加载睡眠脑电信号，并构建训练集和测试集，然后对睡眠脑电信号进行预处理和增强变换，得到经过两种不同增强变换后的时间序列和时频图样本； 自监督预训练模块，用于构建基于多视图学习的孪生网络，使用两种不同增强变换后的时间序列和时频图样本作为输入，配合TopK算法进行正负样本集合的构造，然后使用对比损失进行网络的预训练，并且预训练期间不需要任何睡眠脑电信号的标签信息； 监督训练模块，使用基于多视图学习的神经网络得到时间视图和时频视图的特征信息，即时间特征信息和时频特征信息，再将时间特征信息和时频特征信息进行融合，然后使用有标签的睡眠脑电信号进行训练，最终得到最优睡眠分期模型； 睡眠阶段预测模块，使用最优睡眠分期模型进行睡眠阶段的预测，进而对睡眠质量进行分析评估； 所述数据载入模块包括数据集构建模块、数据预处理模块和数据增强模块，其中： 所述数据集构建模块读取睡眠脑电信号，构建训练样本集，包括无标注数据集和有标注数据集，其中无标注数据集包含无标签的睡眠脑电信号，有标注数据集包含有标签的睡眠脑电信号； 所述数据预处理模块将睡眠脑电信号进行切片分割，分割成N个时间长度为δ的训练样本，从而得到样本集为X＝{x1,x2…xi,…xN}，对应的睡眠分期标签集为Y＝{y1,y2…yi,…yN}，其中xi表示第i个样本，yi表示第i个样本xi的睡眠分期标签； 所述数据增强模块对划分的数据集中的睡眠脑电信号进行增强处理；对无标注数据集的睡眠脑电信号，使用两种时间序列增强方式得到两个增强样本，然后通过短时傅里叶变换得到增强样本对应的时频图，则对于单个睡眠脑电样本x，所述无标注数据集中包含四种增强样本：第一增强时间样本第二增强时间样本第一增强时频样本和第二增强时频样本对有标注数据集的睡眠脑电信号，只进行短时傅里叶变换，则对于单个睡眠脑电样本x，所述无标注数据集中包含：时间样本xt、时频样本xs和对应的睡眠分期标签y； 所述自监督预训练模块将无标注数据集作为输入，通过基于多视图学习搭建孪生网络，对网络进行自监督预训练，包括以下步骤： 1搭建孪生神经网络，包括第一神经网络和第二神经网络，所述第一神经网络由时间视图编码器、时频视图编码器、时间视图投影器和时频视图投影器组成，所述第二神经网络和所述第一神经网络的网络结构相同并且参数共享； 2所述无标注数据集中包括两种增强的样本，将所述第一增强时间样本和所述第一增强时频样本作为第一神经网络的输入，得到第一时间特征向量和第一时频特征向量将所述第二增强时间样本和所述第二增强时频样本作为第二神经网络的输入，得到第二时间特征向量和第二时频特征向量 3根据所述第一时间特征向量和所述第一时频特征向量构建正负样本对： 首先，通过余弦向量相似度计算不同视图的第一特征向量与所有第二特征向量的相似度： ωi＝μωi,t+1-μωi,s 式中，ωi,t为数据集中第i个样本对应的时间向量相似度，表示第i个第一时间特征向量与样本集中所有样本的第二时间特征向量的相似度，j用于表示样本所处于的时刻，取值为1到样本集总数N；ωi,s为第i个样本对应的时频向量相似度，表示第i个第一时频特征向量与样本集中所有样本的第二时频特征向量的相似度；ωi为第i个样本对应的总相似度，μ为平衡两个视图相似度的权重值，取值为0到1； 然后，使用TopK算法进行正负样本的选择： 式中，Posi为第i个样本对应的正样本集合，k+表示经过TopK算法得到的总相似度ωi中相似度最高的k+个，和分别表示对应的k+个第二增强时间样本和第二增强时频样本，Negi为第i个样本对应的负样本集合，k-表示经过TopK算法得到的总相似度ωi中相似度最低的k-个，和分别表示对应的k-个第二增强时间样本和第二增强时频样本； 4将所述第一时间特征向量、第一时频特征向量、正样本集合和负样本集合，输入预设的损失函数，得到自监督预训练损失： 式中，LSSL表示自监督预训练损失，zp为属于所述正样本集Posi的特征向量，zn为属于所述负样本集Negi的特征向量，exp为指数函数，i表示属于样本集中的第i个，取值为1到训练集样本总数N，为第i个样本对应的特征向量，t表示时间视图，s表示时频视图，v表示指向时间视图t或时频视图s，当v＝t时，表示第i个样本对应的第一时间特征向量，当v＝s时，表示第i个样本对应的第一时频特征向量； 5基于自监督预训练损失，使用反向传播训练模型，进行第一神经网络和第二神经网络的参数更新。

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华南理工大学，其通讯地址为：510640 广东省广州市天河区五山路381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。