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！

龙图腾网恭喜西安电子科技大学申请的专利一种脑不在环路应用的脑机信息融合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：CN113887559B 。

龙图腾网通过国家知识产权局官网在2025-04-04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：202111017290.7，技术领域涉及：G06F18/214；该发明授权一种脑不在环路应用的脑机信息融合分类方法及系统是由梁继民;闫健璞;任胜寒;郭开泰;胡海虹;郑洋;王梓宇设计研发完成，并于2021-08-31向国家知识产权局提交的专利申请。

本一种脑不在环路应用的脑机信息融合分类方法及系统在说明书摘要公布了：本发明属于脑机接口技术应用技术领域，公开了一种脑不在环路应用的脑机信息融合分类方法及系统，所述脑不在环路应用的脑机信息融合分类系统由数据加载装置、图像预处理装置、大脑响应生成装置、图像特征可靠性预测装置和脑机特征融合分类装置组成；与现有技术相比，本发明的大脑响应生成模型利用深度学习技术在特征域构建图像特征到大脑响应特征的预测模型，预测模型整体结构简单，与共享表征空间的方法相比，不需要过多成对的大脑响应和刺激图像数据集就能训练成功，此大脑响应生成模型能够有效的集成到现有的脑机信息融合分类模型中，实现脑不在环路的推理应用，具有较高的实用意义。

本发明授权一种脑不在环路应用的脑机信息融合分类方法及系统在权利要求书中公布了：1.一种脑不在环路应用的脑机信息融合分类方法，其特征在于，所述脑不在环路应用的脑机信息融合分类方法，包括：步骤一，在训练数据集上，利用数据加载装置加载成对的大脑响应和刺激图像数据，送入预处理装置，分别对大脑响应进行预处理，对刺激图像提取图像特征，构成大脑响应和图像特征集；步骤二，在配对的特征集上训练图像特征到大脑响应的预测模型，并在大脑响应和图像特征集上分别训练特征可靠性预测模型；步骤三，利用大脑响应和刺激图像的特征可靠性构建加权级联融合特征集，并在融合特征集上训练线性SVM分类模型；步骤四，在测试数据集上，利用数据加载装置仅加载刺激图像数据，并送进预处理装置提取图像特征；步骤五，将提取到的图像特征输入大脑响应生成装置，加载模型参数，前行推理，重建刺激图像对应的大脑响应；步骤六，将重建生成的大脑响应和图像特征分别输入特征可靠性预测装置，加载模型参数，前行推理，分别输出大脑响应和图像特征的可靠性值；步骤七，将重建的大脑响应、提取到的图像特征、以及步骤六获取的特征可靠性值送入脑机信息融合分类装置，根据特征可靠性值加权级联大脑响应和图像特征，获取融合特征，加载线性SVM分类模型参数，输出融合特征所属的类别以及每个类别的分类概率；所述特征可靠性预测装置分别构建大脑响应和刺激图像的特征可靠性预测模型具体过程为：以获取的特征可靠性值作为标签，在大脑响应和图像特征集上分别进行训练，将训练好的两个特征可靠性预测模型参数保存在特征可靠性预测装置中；其中特征可靠性预测模型的构建与训练步骤如下：构建图像特征可靠性预测模型，模型采用全连接神经网络结构，由三层组成分别为输入层、隐藏层和输出层，神经元的数量分别为168、32和1，激活函数采用ELU，隐层与输出层之间加入了批归一化处理BatchNormalization；网络的输出值即可认为是网络预测的特征可靠性值；将计算到的可靠性值作为图像特征的可靠性标签，利用均方误差损失函数LMSE监督预测模型的训练过程： 其中y表示特征可靠性预测值，y′表示特征可靠性标签值，n表示batchsize大小；预测模型训练采用均方误差损失函数和Adam优化器，初始学习率为1e-3，学习率衰减为0.1，共训练100个epoch，每40个epoch学习率衰减一次；分别训练图像特征和大脑响应的特征可靠性预测模型，训练成功后保存各自的模型参数；利用计算的特征可靠性标签加权级联大脑响应和图像特征，构建脑机信息融合特征集，并在融合特征集上训练线性SVM分类模型，将训练成功的模型参数保存在脑机特征融合分类装置中；具体的特征加权方法步骤如下：从大脑响应和图像特征集中加载成对的数据Bi和Ii，并将计算到的可靠性值作为大脑响应和图像特征的可靠性标签和根据两者的可靠性值计算各自的加权系数和 根据两者的加权系数获取融合特征Fi，构成融合特征集： 在获取到的融合特征集上训练线性SVM分类模型，作为融合特征集的分类输出，保存训练成功的SVM模型参数。

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电子科技大学，其通讯地址为：710071 陕西省西安市太白南路2号西安电子科技大学；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”。