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！

龙图腾网获悉西安理工大学申请的专利基于窗口注意力机制的自动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：CN116509421B 。

龙图腾网通过国家知识产权局官网在2025-11-21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：202310509949.3，技术领域涉及：A61B5/372；该发明授权基于窗口注意力机制的自动睡眠分期方法是由石争浩;宋远帆;尤珍臻;任晓勇;黑新宏;刘海琴;罗靖;赵明华;冯亚宁设计研发完成，并于2023-05-08向国家知识产权局提交的专利申请。

本基于窗口注意力机制的自动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窗口注意力机制的自动睡眠分期方法，网络包括特征提取模块、特征提炼模块、时序捕获模块和分类器。首先，通过不同的卷积核大小所构成的双路卷积神经网络，实现了对于原始脑电信号高低频的浅层特征提取，并通过堆叠多层卷积层实现深层特征提取；然后，通过由降维和通道注意力机制组成的特征提炼模块，降低了输出特征通道的个数，并尽可能保留了关键的特征通道；最后，通过基于窗口注意力机制实现的时序捕获模块，实现了对于序列信息的有效处理，模型更加聚焦于窗口内的特征通道；同时，在窗口注意力的权重分配中引入了医生判读的经验知识，从而最终实现了更加准确的分类结果。

本发明授权基于窗口注意力机制的自动睡眠分期方法在权利要求书中公布了：1.基于窗口注意力机制的自动睡眠分期方法，其特征在于：具体包括如下步骤： 步骤1，获取含睡眠分期标注的EEG信号数据集，将数据集按照个体划分为训练集和测试集； 步骤2，对步骤1所得的训练集和测试集进行预处理； 所述步骤2的具体过程为： 将数据集中所有个体的记录文件中包含的脑电信号按照30s为一帧进行划分，并与标记文件的标签数据建立对应关系；然后按照序列长度将多个信号帧及其对应标签进行合并；最终得到序列格式的样本集合； 步骤3，构建针对EEG信号的自动睡眠分期模型； 所述步骤3中，自动睡眠分期模型包括： 特征编码模块：采用双分支设计思路，分别提取信号中的低频和高频信息，并通过堆叠多层实现深度特征提取； 特征提炼模块：实现在减小特征通道的同时保留关键特征信息不被丢弃； 时序捕获模块：结合睡眠分期任务的特点，采用基于窗口注意力机制的Transformer实现对于输入信号中序列信息的处理； 分类器：将输出特征映射为类别分布，实现最终的睡眠分期； 所述步骤3中，特征提取模块的具体操作为：步骤a.将训练集中的序列信号经过一个卷积层输出高频浅层特征，同时，再经过一个卷积层输出低频浅层特征；步骤b.将高频浅层特征输入到最大池化层，输出高频浅层特征，将低频浅层特征输入到最大池化层，输出低频浅层特征；步骤c.将低频浅层特征输入到两层卷积层组成的卷积块，输出高频深层特征；将低频浅层特征输入到两层卷积层组成的卷积块CB2，输出低频深层特征；步骤d.将高频深层特征输入最大池化层，输出高频浅层特征将低频浅层特征输入到最大池化层，输出低频深层特征；步骤f.将高频浅层特征和低频深层特征进行通道连接得到组合特征O5； 所述步骤3中，特征提炼模块的具体操作为：步骤g.将组合特征O5输入到两层卷积块，输出特征O6，卷积层的激活函数为ReLU；步骤h.将特征O6输入到由平均池化层和两层线性层组成的通道注意力CA中，两层线性层的激活函数分别为ReLU和Sigmoid，输出特征O7；步骤i.将特征O7按照特征尺寸复制之后与特征O6相乘，输出特征O8；步骤j.将组合特征O5输入到卷积层，输出特征O9；步骤l.将特征O8和特征O9相加，输出特征O10； 所述步骤3中，时序模块的具体操作为：步骤m.将特征O10输入层归一化中，输出特征O11；步骤n.将特征O11输入三个不同的线性层中，输出特征Query、Key、Value，将特征Query和转置后Key特征相乘并归一化后，得到注意力矩阵m1；步骤o.设定窗口掩码mask；将不同特征通道分为三个等级，对于不同重要程度的特征通道，通过赋予不同的权重而使其注意力分数更高，同一帧内的特征通道对应权重相同；假定当前帧为的序号为i，设定窗口大小为3，则其窗口范围则为[i-1,i,i+1]；第i帧的权重最大，i-1帧和i+1帧的权重次之，其余帧的权重最低；然后，将注意力矩阵m1与掩码mask相乘，得到新的注意力矩阵m2；步骤p.将新的注意力矩阵m2与特征Value相乘，输出特征O12；步骤q.将特征O12输入线性层中，同时，与特征O10下采样后相加构成残差连接，输出特征O13；步骤r.将特征O13输入层归一化中，输出特征O14；步骤s.将特征O14输入由两层线性层组成的前馈神经网络FF中，同时，与特征O13相加构成残差连接，输出特征O15； 所述步骤3中，分类器的具体操作为： 步骤t.将特征O15输入线性层中，并通过Softmax函数得到模型预测的概率分布，取值最高值即为对应睡眠帧的分期结果； 步骤4，采用步骤1中的训练集对步骤2中构建的网络模型进行训练，得到最优的自动睡眠分期模型； 步骤5，将步骤2中的测试集放入步骤3训练好的自动睡眠分期模型中，输出睡眠分期结果。

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西安理工大学，其通讯地址为：710048 陕西省西安市碑林区金花南路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”。

以上内容由龙图腾AI智能生成。