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！

龙图腾网获悉南京邮电大学申请的专利一种基于特征通道融合和深度学习的癫痫预测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：CN114569141B 。

龙图腾网通过国家知识产权局官网在2026-03-17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：202210216836.X，技术领域涉及：A61B5/369；该发明授权一种基于特征通道融合和深度学习的癫痫预测系统是由徐欣;张尹;纪卓捷;吴建盛设计研发完成，并于2022-03-07向国家知识产权局提交的专利申请。

本一种基于特征通道融合和深度学习的癫痫预测系统在说明书摘要公布了：本发明公开了一种基于特征通道融合和深度学习的癫痫预测系统，该系统采用了非线性降维算法的T分布随机近邻嵌入算法t‑SNE来对癫痫脑电信号的特征通道信息进行融合，并通过短时傅里叶变换计算得到的时域、频域信息作为特征输入到深度残差收缩神经网络中，通过对癫痫的发作间期和发作前期进行识别，从而对癫痫的发作进行预测。该方法从特征维度的改进和分类器设计方面着手，不需要进行人工特征提取，改善了特征信息的表达，这为后续将癫痫预测推向临床应用提供了新的方法。

本发明授权一种基于特征通道融合和深度学习的癫痫预测系统在权利要求书中公布了：1.一种基于特征通道融合和深度学习的癫痫预测系统，其特征在于，该系统包括如下模块： 数据采集模块：采集获取癫痫患者连续脑电图记录的电活动数据，对癫痫数据进行筛选，采用筛选后的全部电活动数据组建原始数据集； 预处理模块：采集到的脑电信号原始数据集进行预处理，去除脑电信号采集过程中设备和环境对信号造成的干扰，预处理步骤依次为滤波、通道筛选、去除工频干扰、剔除伪影，重参考； 数据集组建模块：参照采集信号的癫痫发作起止时间，从预处理后的数据集中截取定义的癫痫发作间期、发作前期数据组建癫痫预测数据集； 分段处理模块：采用时长为30s滑动窗口对数据集组建模块处理后的数据进行分段处理，滑动过程中要求各段之间重叠50％； 通道融合模块：采用非线性降维算法t-SNE对分段处理后的各段数据从通道维度进行特征通道融合； 样本特征模块：采用短时傅里叶变换对进行特征通道融合后的各段数据进行时域和频域信息的提取，将各段脑电图信号转换为由频率轴和时间轴组成的二维时频张量，组成待训练的样本特征； 训练模块：搭建逐通道不同阈值的深度残差收缩神经网络作为分类器，采用网络的软阈值去噪和注意力机制，使用生成的样本特征完成分类器的训练； 识别模块：利用训练好的分类器对待识别的脑电信号进行分类识别，得到识别结果； 分段处理模块具体功能如下： 发作间期数据Xt1，总时长为t1，采用30s的滑动窗口对总时长为t1的发作间期数据进行分段，前一段与后一段的重叠为50％，生成总数为N1＝2t130-1的时长为30s、通道数为q的分段数据；单段数据的大小为q×30f； 发作前期数据Xt2，总时长为t2，采用30s的滑动窗口对总时长为t2的发作前期数据进行分段，前一段与后一段的重叠为50％，生成总数为N2＝2t230-1的时长为30s、通道数为q的分段数据；单段数据的大小为q×30f； 通道融合模块具体功能如下： 选择处理后的分段数据中某一段样本，其大小为q×30f，其中，q为通道数，f为采样频率，30f代表30s的采样点数； 将通道作为高维空间中的样本的全体为X＝{x1,x2,…,xq}，在观测高维空间任意两个样本xi和xj相似的条件概率pj|i和pi|j分别表示为： 其中，‖.‖表示向量2范数，σi和σj分别是以数据点xi和xj为中心的高斯分布方差，则高维空间中联合分布概率pij表示为： 设低维空间中的模拟数据点表示为{y1,y2,…,yn}，低维空间中任意两个模拟数据点yi和yj之间的联合分布概率qij可以表示为： 利用KL散度表示低维空间中模拟点对应高维空间中数据点的模拟正确性，KL散度表示为： 其中，P是高维观测空间的联合概率分布，Q是低维嵌入空间的联合概率分布； 为了获得最佳的低维数据模拟点，利用梯度下降法进行优化，得到最小KL散度，具体表达式如下： 通过最小化上式得到最佳的低维模拟数据点，即结果{y1,y2,…,yn}，由此完成从通道数q到n的特征通道融合；对分段后的各段数据从通道维度进行通道融合操作，即将所有q通道融合为一个通道，完成特征通道的融合。

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邮电大学，其通讯地址为：210003 江苏省南京市鼓楼区新模范马路66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。