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！

龙图腾网获悉杭州电子科技大学申请的专利一种基于核心脑网络和张量分解的驾驶疲劳状态检测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：CN115553781B 。

龙图腾网通过国家知识产权局官网在2025-11-28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：202211190514.9，技术领域涉及：A61B5/18；该发明授权一种基于核心脑网络和张量分解的驾驶疲劳状态检测方法是由杨昆;杨锡亮;张建海;朱莉;程世超;姚振宁设计研发完成，并于2022-09-28向国家知识产权局提交的专利申请。

本一种基于核心脑网络和张量分解的驾驶疲劳状态检测方法在说明书摘要公布了：本发明公开一种基于核心脑网络和张量分解的驾驶疲劳状态检测方法。本发明创新性的结合相关性分析和图论中心性原理为判断节点重要性的依据，考虑功能网络随精神状态的变化，通过保留关键节点和相应边来确定影响精神状态的核心脑网络。针对多层脑网络不同频带的脑网络特征之间的关联无法被有效挖掘的问题，本发明将脑网络数据作为高阶张量，使用连续低秩非负塔克分解算法，使用张量分解的方法保留不同频带脑网络之间的相互联系，快速高效的提取多层核心脑网络的分类特征。

本发明授权一种基于核心脑网络和张量分解的驾驶疲劳状态检测方法在权利要求书中公布了：1.一种基于核心脑网络和张量分解的驾驶疲劳状态检测方法，其特征在于该方法包括以下步骤： 步骤1、脑电信号数据集获取及预处理： 步骤1-1、获取标签为疲劳状态和非疲劳状态的脑电信号； 步骤1-2、对不同标签的脑电信号进行预处理； 步骤1-3、将预处理后脑电信号分解为δ，θ，α和β四个频带； 步骤1-4、对所有分解后的脑电信号数据整合为大小为通道数量×样本点数量×频带数量的脑电信号三维矩阵，并打上任务类别标签；然后将一部分数据作为训练集，另一部分作为测试集； 步骤2、脑网络数据集构建： 不同电极之间存在着功能连接，使用斯皮尔曼相关系数计算不同电极信号之间的相关系数，该系数对应不同电极之间的功能连接强度；同时将步骤1-4处理后的脑电信号三维矩阵转化为通道数量×通道数量×频带数量×样本总量的脑电信号四维脑网络矩阵； 步骤3、构建核心脑网络 步骤3-1、搭建主干脑网络 所述主干脑网络包括Nn个单层脑网络，Nn＝样本总量×频带数量；每个单层脑网络包括Mn个节点Node和连接相邻节点的边Edge，Mn＝通道数量，节点表示电极，边表示相邻节点间的功能连接，边的大小为功能连接强度； 步骤3-2、在训练集主干脑网络中挑选关键节点，最终在全部数据集主干脑网络中保留关键节点和相应边组成核心网络； 步骤3-2-1、根据度中心性与疲劳程度的相关性，得到节点的第一关键程度Nv1；具体是： 1计算训练集主干脑网络每个频带下每个样本的节点度中心性，节点i的度中心性DCi： DCi＝∑j∈Gaij1 其中aij代表节点i和相邻节点j之间边的强度，G代表节点i所在的单层脑网络； 将所有样本同一频带下节点Ni的度中心性DCi展开成一个长度为样本总量的向量Vn1，将所有样本对应的疲劳程度展开为一个样本总量的向量Vn2，计算这两个向量Vn1、Vn2的斯皮尔曼相关系数，该相关系数的绝对值表示在当前频带下节点Ni的重要程度；将四个频带的节点Ni重要程度相加作为该节点Ni的第一关键程度Nv1，计算完所有节点的第一关键程度Nv1后，将每个节点的Nv1更新为节点的第一关键程度占所有节点第一关键程度总和的占比； 步骤3-2-2、根据功能连接与疲劳程度的相关性，得到节点的第二关键程度Nv2；具体是： 1在训练集同一频带、位于同一单层脑网络下，所有样本的节点Ni和相邻节点Nj之间功能连接Eij的强度展开成一个样本总量的向量Ve1，将所有样本对应的疲劳程度展开为一个样本总量的向量Ve2，计算这两个向量Ve1、Ve2的斯皮尔曼相关系数，该相关系数绝对值表示在当前频带下功能连接Eij的重要程度；重复上述操作，获得所有功能连接强度与疲劳程度的相关系数； 2同一频带、位于同一单层脑网络下，将电极作为节点，将功能连接强度与疲劳程度的相关系数的绝对值作为边，构成功能连接强度与疲劳程度对应关联程度图Gc； 3根据公式2计算关联程度图的度中心性DCCi： DCCi＝∑j∈Gcbij2 其中bij代表节点i和相邻节点j之间功能连接强度与疲劳程度的相关系数的绝对值，该度中心性直接反应疲劳程度对节点重要性的改变程度； 以关联程度图的度中心性作为当前频带节点的重要程度，将四个频带下当前节点重要程度相加作为当前节点的第二关键程度Nv2；计算完所有节点的第二关键程度Nv2后，将每个节点的Nv2更新为节点的第二关键程度占所有节点第二关键程度总和的占比； 步骤3-2-3、组合步骤3-2-1和步骤3-2-2更新后的节点Nv1和Nv2，得到节点最终关键程度，然后挑选核心网络，具体是： 1将节点的第一关键程度Nv1和第二关键程度Nv2按照公式3进行组合获取节点的最终关键程度Nv： Nv＝aNv1+1-aNv23 其中a表示权重，0≤a≤1； 2将所有节点的关键程度Nv降序排列，挑选前k个关键程度对应节点，放入关键节点集合Nim；然后保留训练集和测试集中关键节点集合Nim中的所有节点和连接这些节点的边，构成核心脑网络Nc； 步骤4、对核心脑网络Nc进行特征提取 4-1将训练集中核心脑网络Nc的边作为原始张量数据Y1，Y1的格式为I1×I2×I3×I4，即通道数量×通道数量×频带数量×样本总量，根据公式4对Y1使用连续低秩非负塔克分解算法，得到近似因子矩阵1A1，2A2，3A3，4A4，大小分别为I1×R1，I2×R2，I3×R3，I4×R4； Y1≈CT1×1A1×2A2×3A3×4A44 其中CT1表示Y1分解得到的核心张量； 4-2将训练集得到的近似因子矩阵1A1，2A2，3A3应用到训练集和测试集中核心脑网络，对于每个样本的核心脑网络的边作为原始张量数据Y2，Y2的格式为I1×I2×I3，即通道数量×通道数量×频带数量，直接将Y2投影到1A1，2A2，3A3三个近似因子矩阵组成的特征子空间中，根据公式5反向更新出当前样本核心脑网络的核心张量CT2，大小为R1×R2×R3，作为每个样本的核心脑网络的张量特征； Y2≈CT2×1A1×2A2×3A35 步骤5、将核心网络的张量特征CT2输入至分类器，以实现疲劳程度分类。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市下沙高教园区2号大街；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。