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！

龙图腾网获悉华中科技大学申请的专利一种基于对齐参考源域的脑电迁移学习分类方法及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：CN119441982B 。

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：202411540800.2，技术领域涉及：G06F18/241；该发明授权一种基于对齐参考源域的脑电迁移学习分类方法及系统是由赵兴炜;丁涛;张宇豪;林宇辰;王梦迪;唐洲平;陶波设计研发完成，并于2024-10-31向国家知识产权局提交的专利申请。

本一种基于对齐参考源域的脑电迁移学习分类方法及系统在说明书摘要公布了：本发明属于脑电信号处理及分类领域，并具体公开了一种基于对齐参考源域的脑电迁移学习分类方法及系统，其包括：获取多个被试的脑电信号，对每个被试，计算各脑电数据间的欧式距离，以类内相似度高、类间相似度低的被试作为参考源域，剩余被试作为目标域构建训练集；基于参考源域，通过训练集对分类模型进行训练，分类模型包括特征提取器、特征分解器和分类器，特征提取器根据参考源域和目标域的脑电数据提取得到参考标准特征和目标域特征；特征分解器对目标域特征进行特征解缠，得到类相关特征与领域不变特征，使类相关特征向参考标准特征对齐；分类器根据类相关特征确定目标域脑电数据的类别。本发明可有效提高脑电信号的分类准确率。

本发明授权一种基于对齐参考源域的脑电迁移学习分类方法及系统在权利要求书中公布了：1.一种基于对齐参考源域的脑电迁移学习分类方法，其特征在于，包括如下步骤： 模型训练阶段： 获取多个被试的脑电信号，每个被试的脑电信号包括多个类别已知的脑电数据； 对每个被试的脑电信号，计算各脑电数据间的欧式距离，据此衡量脑电数据的相似性，以类内相似度高、类间相似度低的被试作为参考源域；剩余被试作为目标域，根据其脑电数据和对应类别构建训练集； 参考源域确定方式具体为：对每个被试，将获取的每个脑电数据对应表征为空间协方差矩阵，分别计算各空间协方差矩阵之间的欧式距离，进而确定该被试的分布评价指标rCD；取rCD值最大的被试作为参考源域；所述分布评价指标，CHS表示Calinski-Harabasz指数，DBI表示Davies-Bouldin指数； 基于参考源域，通过训练集对分类模型进行训练，得到训练好的分类模型；所述分类模型包括特征提取器F、特征分解器D和分类器C，其中，特征提取器F用于根据参考源域和目标域的脑电数据，分别提取得到参考标准特征和目标域特征；特征分解器D用于对目标域特征进行特征解缠，得到类相关特征与领域不变特征，并使类相关特征向参考标准特征对齐；分类器C用于根据类相关特征确定目标域脑电数据的类别； 具体将通过特征提取器F得到的参考标准特征表示为矩阵形式，将特征分解器D解耦后的类相关特征表示为矩阵形式，其中d是特征提取器F的输出神经元个数，与特征分解器D的输出神经元个数相同，和分别表示参考源域和目标域的一个mini-batch中的样本数；结合基于二阶统计量的协方差校准与整体数据的深度典型相关分析，使得类相关特征向参考标准特征对齐； 为了最小化参考源域特征样本集和目标域类相关特征样本集的二阶统计量距离，引入CORAL作为距离损失； 为了最大化参考源域特征样本集和目标域类相关特征样本集的整体相关性，进一步引入深度典型相关分析DCCA的相关系数损失；对应的整体相关性损失函数计算式为： 其中，表示矩阵T的第k大奇异值，K表示矩阵T用于计算的奇异值个数，矩阵T定义为：，表示参考源域脑电的协方差矩阵，表示参考源域脑电与目标域脑电的协方差矩阵，表示目标域脑电的协方差矩阵；、分别表示参考源域和目标域的仿射变换矩阵；、分别表示对应的最优化仿射变换矩阵，表示最优化目标域网络的参数；1表示所有元素都等于1的列向量； 模型应用阶段： 将待分类的脑电数据输入训练好的分类模型，得到该脑电数据的所属类别。

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华中科技大学，其通讯地址为：430074 湖北省武汉市洪山区珞喻路1037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。