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！

龙图腾网获悉北京理工大学申请的专利一种基于多模态域适应的抑郁障碍识别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：CN119564205B 。

龙图腾网通过国家知识产权局官网在2025-10-03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：202411521011.4，技术领域涉及：A61B5/16；该发明授权一种基于多模态域适应的抑郁障碍识别系统是由胡斌;沈健;董群喜;田福泽;王康;朱可欣;胡文博设计研发完成，并于2024-10-29向国家知识产权局提交的专利申请。

本一种基于多模态域适应的抑郁障碍识别系统在说明书摘要公布了：本发明公开了一种基于多模态域适应的抑郁障碍识别系统，通过将脑电、皮肤电、心电三种信号的交互关系建模到深度学习框架中，实现了信号之间的动态融合与参数优化。该方法充分利用了多模态信号的互补信息，使得模型能够在复杂的生理数据中提取更具判别性的特征，有效提高了抑郁障碍识别的准确性和鲁棒性；通过两次拉近源域和目标域数据分布，成功挖掘出跨域共性特征；这种跨域对齐策略有效地提升了模型在不同数据域中的适应能力，显著降低了域偏移带来的负面影响。总体而言，本发明提供的识别方法在提高抑郁障碍检测准确性、增强模型泛化能力方面展现了显著的优势。

本发明授权一种基于多模态域适应的抑郁障碍识别系统在权利要求书中公布了：1.一种基于多模态域适应的抑郁障碍识别系统，其特征在于，包括数据采集模块、特征提取模块、多模态域适应模块、神经网络分类模块以及模型训练与抑郁检测模块； 所述数据采集模块用于：采集被试在静息态和音频刺激态下的脑电、皮肤电和心电的三种模态信号； 所述特征提取模块用于提取脑电、皮肤电和心电信号的特征； 所述多模态域适应模块用于： 将被试的三种模态信号数据分为源域数据和目标域数据； 对每个源域和目标域数据，使用脑电信号特征、皮肤电信号特征、心电信号特征组成张量，再将其进行CP分解，具体表示为: 其中，S表示源域特征张量，T表示目标域特征张量；R是分解的秩，表示分解中使用的成分数量；表示源域特征进行分解时对应的标量权重，分别表示源域特征进行分解时脑电信号、皮肤电信号、心电信号在不同秩上的交互特征，均是需要学习的参数；相应的，表示目标域特征进行分解时对应的标量权重，分别表示目标域特征进行分解时脑电信号、皮肤电信号、心电信号在不同秩上的交互特征，也是需要学习的参数； 在张量分解后，计算第一次对齐损失： 其中，φ是特征映射函数，表示将原始特征空间映射到一个更高维的空间中；Si表示源域特征S中第i个样本特征，Tj表示目标域特征T中第j个样本特征；nS和nT分别为源域和目标域样本数； 通过注意力机制提取源域和目标域间的相关信息，具体步骤如下： 从目标域T中提取与源域S相关的信息，使用注意力机制： 构造包含共性信息的新目标域特征T′＝T+A； 其中，Q是查询向量，用于查找相关信息；K是键向量，用于与查询向量进行匹配，从而找到与其相关的信息；V是值向量，表示匹配上的信息，它是最终关注的信息；dk是键的维度； 对于输入的源域特征S和目标域特征T，通过线性变换得到相应的查询向量、键向量个值向量： QS＝SWQ,KS＝SWK,VS＝SWV； QT＝TWQ,KT＝TWK,VT＝TWV； 其中，WQ、WK和WV是需要学习的权重矩阵； 从源域S中提取与目标域T相关的信息，使用注意力机制： 构造包含共性信息的新源域特征S′＝S+B； 计算第二次对齐损失，表示为： 其中，Si′表示新源域特征S′中第i个样本特征，Tj′表示新目标域特征T′中第j个样本特征，nS′和nT′分别为新的源域和目标域样本数； 所述神经网络分类模块用于对输入的特征数据进行分类，得到分类结果； 所述模型训练与抑郁检测模块，用于： 1模型训练： 采用源域数据输入到神经网络分类模块，根据得到的分类结果计算二分类交叉熵损失： 其中，yi是特征数据的真实标签，是预测标签； 最终，结合动态融合和跨域对齐计算得到总的损失函数以优化整个模型： L＝λ1Lmmd1+λ2Lmmd2+Lcls其中，λ1、λ2是超参数，用于平衡不同损失项的影响； 基于该结合动态融合和跨域对齐的损失函数L对神经网络分类模块以及需要学习的参数进行训练，通过反向传播算法更新模型权重，最终得到经过优化的抑郁检测系统； 2抑郁检测： 在实际应用中，将采集新被试的多模态信号输入到特征提取模块进行预处理后，输入至训练好的神经网络分类模块中，生成分类结果。

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北京理工大学，其通讯地址为：100081 北京市海淀区中关村南大街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”。