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！

龙图腾网获悉重庆邮电大学申请的专利基于多状态复杂链路HMM的情绪状态网络估计方法、系统及介质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：CN120011970B 。

龙图腾网通过国家知识产权局官网在2026-04-07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：202510092291.X，技术领域涉及：G06F18/2431；该发明授权基于多状态复杂链路HMM的情绪状态网络估计方法、系统及介质是由李沛洋;胡鑫;唐湘杰;陈智琪;唐豪;张俊;李阳拱;李存波;田银设计研发完成，并于2025-01-21向国家知识产权局提交的专利申请。

本基于多状态复杂链路HMM的情绪状态网络估计方法、系统及介质在说明书摘要公布了：本发明涉及一种基于多状态复杂链路HMM的情绪状态网络估计方法，属于大脑认知加工机制技术领域，包括以下步骤：S101：在正式测试前，受试者按照情绪实验测试要求进行练习一定时间，在第一时长间隔后，受试者进入正式测试阶段；S102：在正式测试过程中，采集受试者的脑电数据组，并对采集到的数据进行预处理，并基于PNN‑CHMM算法得到脑电数据组的情绪加工、情绪状态转换序列；S103：基于情绪加工、情绪状态转换序列，利用图神经网络估计情绪效价值和识别情绪状态。本发明还提供一种基于多状态复杂链路HMM的情绪状态网络估计系统和介质。

本发明授权基于多状态复杂链路HMM的情绪状态网络估计方法、系统及介质在权利要求书中公布了：1.一种基于多状态复杂链路HMM的情绪状态网络估计方法，其特征在于：包括以下步骤： S101：在正式测试前，受试者按照情绪实验测试要求进行练习一定时间，在第一时长间隔后，受试者进入正式测试阶段； S102：在正式测试过程中，采集受试者的脑电数据组，并对采集到的数据进行预处理，并基于PNN-CHMM算法得到脑电数据组的情绪加工、情绪状态转换序列； S103：基于情绪加工、情绪状态转换序列，利用图神经网络估计情绪效价值和识别情绪状态； 所述PNN-CHMM算法包括以下步骤： 定义为安置在头表的C个电极导联在时间段T内采集到的脑电序列，假设每一个导联的脑电观测值均可以通过正性、中性和负性三种认知状态联合控制，则不同导联间的认知状态转化过程通过如下多链路隐马尔科夫过程表示： 1 其中，表示在第t个时刻点与导联c对应的隐马尔科夫链的状态输出，为C个导联的联合状态空间，量化的是电极导联对应的隐马尔科夫链与电极导联对应的隐马尔科夫链之间的协同驱动关系；假设各状态对应的观测概率服从混合高斯分布，则导联c对应的隐马尔科夫链HMM-c在t时刻对应的输出概率写为： 2 其中，表示序列HMM-c中的混合高斯分布的数量，，和分别表示高斯混合模型中的各高斯分布的权重、均值和方差；表示第t个时刻点电极c所采集的脑电观测值，其中表示观测序列的维度；定义表示时刻在序列HMM-c取到的认知状态为，其中1表示正性情绪状态，2表示中性情绪状态，3表示负性情绪状态；表示从时间到时间由所有电极记录到的脑电信号，则在的条件下HMM-c链路在时刻t取状态m的概率为： 3 其中表示链路HMM-c的状态nc转换到链路HMM-d的状态m的概率，其中，初始值；写为： 4 各链路状态的后向预测写为： 5 其中采用下式予以逼近： 6 通过下式估计： 7 带入式6有： 8 其中： 9 10 通过估计各链路状态在前向和后向参数，通过极大化下式对链路驱动矩阵、状态转换矩阵、混合高斯分布权重进行估计： 11 此时有： 12 其中， 13 在估计模型参数后，依据公式3得到各时刻各个链路的状态概率分布： 14 然后得到C个电极导联对应的认知状态在时间段T内每个时刻的状态估计概率： 15 由式11导出的链路驱动矩阵反映不同电极导联的认知状态驱动关系，即认知状态网络： 16。

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重庆邮电大学，其通讯地址为：400065 重庆市南岸区黄桷垭崇文路2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。