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基于未知样本可能性的开放集跨被试EEG情绪识别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：CN116702062B 。

龙图腾网通过国家知识产权局官网在2026-03-27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：202310733999.X，技术领域涉及：G06F18/2415；该发明授权基于未知样本可能性的开放集跨被试EEG情绪识别方法是由张桦;吴政轩;赵月;戴国骏;曾虹;欧阳瑜;贾哲;钱东官设计研发完成，并于2023-06-20向国家知识产权局提交的专利申请。

本基于未知样本可能性的开放集跨被试EEG情绪识别方法在说明书摘要公布了：本发明公开了一种基基于未知样本可能性的开放集跨被试EEG情绪识别方法。本发明提出了一种具有辅助分类器结构的对抗域自适应模型。该模型引入了一个用来评估目标域未知类概率权重的加权模块，为目标样本分配更能代表它们是否可能属于已知类和未知类的权重，实现已知类与未知类合理划分，鼓励模型在对抗性训练中进行正向迁移，同时减少了源域和目标域已知类之间的域差距。另外，本发明对特征范数对齐进行改进，利用目标域样本预测结果的不确定性熵约束特征范数对齐，鼓励模型在两个域中学习具有更大范数的已知类别特征，来避免目标域的退化，该方法充分考虑目标域与源域特征范数层面上的对齐，具有较高的普适性，提高模型泛化能力。

本发明授权基于未知样本可能性的开放集跨被试EEG情绪识别方法在权利要求书中公布了：1.基于未知样本可能性的开放集跨被试EEG情绪识别方法，其特征在于包括如下步骤： 步骤1：数据采集； 选择SEED-IV数据集，包含15个被试，实验中采用包含4种情感类别的电影片段作为情感诱发材料，每种情绪状态对应6个电影片段；因此每个被试在实验中都需要观看24个电影材料； 步骤2：数据预处理和定义； 步骤3：构建并训练EEG情绪识别模型； 输入：带有情绪分类标签的源域样本数据，类别数，为源域样本数据、为源域样本数据的情绪分类标签；不带情绪状态标签的目标域样本数据，类 别数未知，为目标域样本数据，和最大迭代次数T； 3-1、利用生成器提取源域样本数据和目标域样本数据潜在的公共特征，将提取 的特征映射到一个公共的特征空间； 3-2、以源域样本数据特有的类别标签为约束优化分类器，目标函数为有监督的分 类损失； 3-3、通过对抗训练得到一个伪边界来划分已知类和未知类,为了训练分类器输出，让目标域样本是未知类的概率是，训练生成器来欺骗分类器，使 分类器的误差最大化，生成器会选择增大概率或者降低概率来最大化分类器的误差，使用 二分交叉熵损失函数，目标函数为； 3-4、辅助分类器结构包括辅助源分类器、辅助域分类器和分类器；通过辅助分 类器结构对目标域未知类进行可能性评估，并计算每个目标样本的权重概率；其中和结构相同，包含三层全连接层，并且在前两层全连接层后面使用Relu激活函数和Dropout 函数； 3-5、辅助源分类器使用leaky-softmax函数来预测源类标签，该函数能够让概率总 和小于1；将生成器输出的特征转换为维概率； 3-6、由于辅助源分类器只由源域数据进行训练，因此使用对目标域数据进行分类 时，会得到更低的概率值和不确定的预测结果，通过这个特性，计算每个目标样本属于源域 已知类的概率； 3-7、分类器的输出结果包含了未知类的概率，最后得到包含源已知 类信息和目标未知类信息的权重，对于目标样本来说，的值越低就越可能属于未知类； 3-8、通过一对多二分损失函数训练辅助源分类器；同时，训练辅助域分类器， 损失函数为； 3-9、引入基于自适应特征范数的已知类补偿，通过目标域预测的不确定熵来补偿已知类特征范数的适应性，并避免未知样本对训练的影响；使用分类器生成目标域预测概率，并对所有预测标签为未知的目标样本进行过滤； 3-10、为每个目标样本增加一个权重值；该权重值根据目标域预测值的不确定熵H计 算获取，它量化了预测的不确定性； 3-11、不确定熵H用归一化限制在[0,1]内；熵越小表示预测越精确，相应的权重值越 大，权重值用表示； 3-12、得到加权特征范数对齐损失函数； 3-13、进行端到端的训练，通过一个最大最小优化的过程，将未知样本可能性评估与加 权特征范数对齐统一起来，分别将，，的参数定义为，，；在对抗训练中，使用 梯度翻转层GRL，因此能够同步优化，； 3-14、根据以上步骤迭代T次模型； 输出：目标域样本预测标签。

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。