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！

龙图腾网恭喜厦门大学申请的专利一种基于互信息驱动下的脑电情绪分类模型生成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：CN115444431B 。

龙图腾网通过国家知识产权局官网在2025-03-21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：202211076101.8，技术领域涉及：A61B5/369；该发明授权一种基于互信息驱动下的脑电情绪分类模型生成方法是由吴清锋;王颖东;阮群生;周昌乐设计研发完成，并于2022-09-02向国家知识产权局提交的专利申请。

本一种基于互信息驱动下的脑电情绪分类模型生成方法在说明书摘要公布了：本申请涉及一种基于互信息驱动下的脑电情绪分类模型生成方法，其通过估计两个特征之间的互信息的上界和下界，尽量结纠缠脑电的特征分为个性化和分类无关的特征，以及共性和分类相关的特征。通过共性相关的特征提取器进模型进行泛化，进而提升领域未知下的脑电情感分类的准确率。

本发明授权一种基于互信息驱动下的脑电情绪分类模型生成方法在权利要求书中公布了：1.一种基于互信息驱动下的脑电情绪分类模型生成方法，其特征在于：所述方法包括以下步骤：S101：采集脑电情绪训练数据；S102：对脑电情绪训练数据进行数据预处理，然后对预处理之后的脑电情绪训练数据进行α、β、θ和γ四个频段滤波，并将滤波后的脑电情绪训练数据与原始脑电情绪训练数据相结合以形成脑电输入数据；S103：使用二维卷积网络对脑电输入数据进行二维卷积，获得脑电信号初始特征： 其中，Em_or为脑电信号初始特征，为脑电输入数据；S104：将脑电信号初始特征输入基于自注意力机制的特征提取器，并输出基于注意力的脑电特征，所述基于自注意力机制的特征提取器包括多个采用了多头注意力机制的注意块，所述多头注意力机制的算法具体为： Em_a＝A*Em_or；其中，M为二维卷积核的个数，K代表键向量，V代表值向量，Q是查询向量，是包含了M个特征且与q大小相同的系数矩阵，Lk为脑电数据的长度，qi代表第i个查询向量，kj代表第j个键值，代表向量qi和向量kj的模；S105：将基于注意力的脑电特征输入到一维卷积和池化中进行低维特征映射，从而获得基于时间维度和通道的关键特征；S106：将基于时间维度和通道的关键特征进行特征分割：[Fre，Fir]＝split[Cov1dEm_a]；其中，Fre为类相关特征，Fir为类无关特征，split代表分割函数，Cov1d代表一维卷积；然后利用全局特征提取器对分割后的特征进一步降维，从而获得全局特征： 其中，l代表不同神经网络层，fre即Fre，为类相关特征，w代表变形参数，b代表偏执参数，Fg代表gobal特征提取器；S107：使用全连接神经网络对全局特征进行标签预测，以获得训练初始模型：Pre＝SoftmaxFgfre·W+b；其中，Softmax为归一化函数，Fg为gobal特征提取器，W为映射参数，b为偏置参数；S108：利用损失函数对训练初始模型进行优化，以获得脑电情绪分类模型，所述损失函数为：loss＝α·L1+β·L2+γ·L3； 其中，α、β、γ为权重系数，xs和ys分别表示来自不同主题的不同域数据和对应的标签，K代表标签的不同种类，E代表期望，prek代表预测值；L2＝minE1，E2，C，D1maxM1Iθfir；fre；IθX；Y＝Ep[-spTθx，y]-Eq[spTθx，y′]；spz＝log1+ez；其中，Iθ为互信息，x和y是需要进行互信息估计的对应变量，Tθ是由θ组成的神经网络，而y′是由沿着批量数据轴y随机打乱后的变量，Ep为pq的联合分布，而Eq代表边缘分布，min代表优化网络参数的最小化互信息，max代表优化网络参数的最大化互信息，fir即Fir，为类无关特征；L3＝losslocal+lossglobal； 其中，E1为基本的特征提取器，E2为全局特征提取器，C为情绪分类器，D1为解纠缠，Z为变量，M2为子网络Mloc，F2为分类之前的最后一层神经网络的输出，N和h分别代表特征的长和宽，losslocal通过引入M2网络将两者均变成一维特征后进行互信息计算，lossgloball通过引入M3网络将F2的一维数据复制映射为二维数据后再与Fre进行细颗粒度互信息计算。

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厦门大学，其通讯地址为：361000 福建省厦门市思明区思明南路422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”。