Document
拖动滑块完成拼图
个人中心

预订订单
服务订单
发布专利 发布成果 人才入驻 发布商标 发布需求

在线咨询

联系我们

龙图腾公众号
首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 恭喜南京航空航天大学张道强获国家专利权

恭喜南京航空航天大学张道强获国家专利权

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!

龙图腾网恭喜南京航空航天大学申请的专利基于时频双流增强的多头注意机制睡眠分期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:CN115399735B

龙图腾网通过国家知识产权局官网在2025-05-16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:202210882992.X,技术领域涉及:A61B5/00;该发明授权基于时频双流增强的多头注意机制睡眠分期方法是由张道强;傅桂丹;周月莹设计研发完成,并于2022-07-26向国家知识产权局提交的专利申请。

基于时频双流增强的多头注意机制睡眠分期方法在说明书摘要公布了:本发明公开了一种基于时频双流增强的多头注意机制睡眠分期方法。属于工程医学领域;步骤:获取睡眠脑电信号并进行预处理;将其作为时域信息并衍生出两条分支,其中一条经时频变换后转换为频域信息;将频域信息经过频域特征提取器提取频域特征;另一条经时域特征提取器提取时域特征;将上述两个特征整合后得到时频双流特征;时频双流特征经过特征上下文学习模块,得到睡眠分期的初步结果;将睡眠分期的初步结果输入到条件随机场中进行优化得到睡眠分期的最终结果。本发明既利用了脑电信号的时域信息和频域信息,又通过多头自注意力机制学习特征上下文的关联,最后还通过条件随机场对睡眠分期结果进一步优化,从而得到准确、客观的睡眠分期结果。

本发明授权基于时频双流增强的多头注意机制睡眠分期方法在权利要求书中公布了:1.基于时频双流增强的多头注意机制睡眠分期方法,其特征在于,其具体操作步骤如下:步骤1.1、从现有的公开数据集中获取睡眠脑电信号;步骤1.2、对获取到的脑电信号进行预处理,得到预处理后的脑电信号;步骤1.3、将预处理后的脑电信号作为时域信息,时域信息衍生出两条分支,将其中一条分支经过时频变换后转换为频域信息,将转换得到的频域信息经过频域特征提取器提取频域特征;将衍生出的另一条分支经过时域特征提取器提取时域特征;将提取得到的时域特征和频域特征整合后得到时频双流特征;步骤1.4、将时频双流特征经过特征上下文学习模块,利用多头自注意力机制学习特征之间的关联性,得到睡眠分期的初步结果;多头自注意将输入特征分成多个头构成的子空间,每个子空间内会学习该空间内的注意权值,不同子空间的头部也会进行信息交互,传递不同子空间之间的注意信息;因此,多头自注意能够整体提高模型对于不同位置的关注能力;对于多核特征处理器输出的特征l是特征长度,d是特征维度;假设多头自注意的头数为H,在本方法中实际为5,则输入特征会平均划分为H个子空间,每个子空间的特征为其中:1≤n≤H;对于每个子空间n,根据可学习的权重矩阵计算其相应的Qn、Kn、Vn: 每个子空间n的自注意力An由Qn、Kn、Vn进行点积运算可得,具体运算公式为: 多头自注意力则会对每个子空间的自注意力An进行拼接操作:MultiHeadAttention=ConcatA1…An…AH多头自注意力计算结果MHA还会与输入特征进行残差加和操作,再进入前向传播模块;前向传播模块会对输入M先进行层归一化,再进入两个全连接层;输出结果会与最初输入再次进行残差操作,输出F进入全连接层,进而输出初步预测的睡眠分期结果;步骤1.5、将得到的睡眠分期的初步结果输入到条件随机场中进行优化,从而得到睡眠分期的最终结果;对于上个模块得到的初步结果,会先对每个30s的时间窗口所处睡眠阶段有个预先地判断,当该时间窗口的脑电信息无法充分进行睡眠阶段判定时,会考虑该30s时间窗口前后所处的阶段来确定当前阶段;条件随机场是一种判别式概率模型,基于线性条件随机场;线性条件随机场定义了两条随机序列,一条是状态序列I={i1,i2,…,iT},一条是观测序列O={o1,o2,…,oT};观测序列O是上一模块初步预测的结果,其中,in、on∈{W,N1,N2,N3,REM}1≤n≤T代表在n时刻的真实标签和观测到的初步睡眠分期结果;需从观测序列和状态序列构成的无向图中根据概率来判别得出最终睡眠分期的预测结果,其条件概率分布为: fkin,in-1,on为其特征函数,具体分为转移特征函数tkin,in-1,on和状态特征函数slin,in-1,on,ωk是特征函数的权重,K为特征函数的总数;对于构建的条件概率分布,采用最大化条件似然函数求解其最优解,其中N为预测序列的长度,Ij和Oj分别代表第j个样本的状态值和观测值;最后得到训练好的模型后,使用维特比算法求解预测值;由于睡眠阶段各个类别存在不均衡问题,使用加权交叉熵损失函数: ωt是根据每个类别可调节的权重参数,M为样本总数,T为样本类别数;为第m个样本的真实标签,为第m个样本的预测标签,其共同构成模型的训练损失Loss。

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南京航空航天大学,其通讯地址为:211106 江苏省南京市江宁区将军大道29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”。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。