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！

龙图腾网获悉成都信息工程大学申请的专利一种用于EEG-fNIRS融合的联邦自监督训练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：CN121683920B 。

龙图腾网通过国家知识产权局官网在2026-04-28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：202610188533.X，技术领域涉及：G06N3/0895；该发明授权一种用于EEG-fNIRS融合的联邦自监督训练方法是由陈丁;陈珊如;李天瑞设计研发完成，并于2026-02-10向国家知识产权局提交的专利申请。

本一种用于EEG-fNIRS融合的联邦自监督训练方法在说明书摘要公布了：本发明公开了一种用于EEG‑fNIRS融合的联邦自监督训练方法，涉及人工智能技术领域。该方法基于客户端与联邦服务器的分布式系统，客户端本地完成数据预处理、HRF个体化时滞估计与对齐、跨模态自监督特征学习，生成投影嵌入均值、稀疏跨相关矩阵等低维统计量，经差分隐私处理后上传；服务器通过安全聚合统计量，构建含对角相关增强、非对角抑制、均值对齐及不确定度权重调节的代理损失函数，优化更新全局模型并下发，客户端迭代训练至模型收敛。本发明无需集中原始敏感数据，兼顾隐私安全与通信效率，通过个体化HRF对齐与自适应对比学习，提升跨模态联合表征的鲁棒性与泛化能力。

本发明授权一种用于EEG-fNIRS融合的联邦自监督训练方法在权利要求书中公布了：1.一种用于EEG-fNIRS融合的联邦自监督训练方法，其借助于由客户端和云端服务器两个层面所构成的系统来实现，其特征在于，所述方法包括以下步骤： 步骤S1、数据预处理与片段生成： 在客户端中，由数据采集与预处理模块对客户端本地存储的原始EEG信号和fNIRS信号进行规范化处理，获得标准化数据片段； 步骤S2、个体化时滞估计与对齐： 基于步骤S1所获取的标准化数据片段，客户端通过生理建模与动态估计，显式校正EEG与fNIRS两模态信号在时间尺度上的差异，生成生理可信的跨模态正样本对，并输出对齐不确定度； 步骤S3、跨模态自监督特征学习： 客户端通过构建基于对齐片段的跨模态对比任务，使编码器能够在不依赖人工标注的条件下学习EEG-fNIRS的联合表征空间； 步骤S4、客户端完成低维统计量生成、差分隐私处理与上传： 在完成跨模态自监督特征学习后，客户端仅提取支撑服务器全局更新的低维统计量，经隐私保护处理后上传至联邦服务器； 步骤S5、服务器安全聚合与全局近似更新： 在客户端完成统计量生成、差分隐私扰动上传后，服务器端进入全局聚合与模型更新阶段，即，在不获取任何原始EEG-fNIRS数据及片段级高维特征的前提下，利用客户端上传的低维统计量近似构建跨模态对比学习的全局优化方向； 步骤S6、将更新后的全局共享模型参数下发至客户端，启动下一轮联邦训练迭代； 步骤S7、客户端以新的全局模型为初始值，重新执行步骤S1至步骤S6，进入下一轮联邦训练循环，直至模型收敛； 其中，步骤S2包括以下小步骤： S21、构建双伽马HRF模型，所述双伽马HRF模型的模型公式为： ； 式中，ht为血流动力学响应函数，表示单位神经激活下，在时间t产生的标准化血氧信号变化；α1、β1、A1表示正峰响应的形状、尺度和幅值参数；α2、β2、A2表示负峰响应的形状、尺度和幅值参数；Γ表示伽马函数； S22、从步骤S1输出的标准化EEG片段中，提取能反映神经激活强度的驱动信号，将其作为HRF模型的卷积输入，以生成期望的fNIRS波形； S23、在客户端采用状态空间模型结合扩展卡尔曼滤波或无迹卡尔曼滤波的方式进行递推，动态估计HRF参数与时滞； S24、通过局部动态时间规整，得到修正后的最终时滞； S25、基于修正后的最终时滞，完成跨模态片段的时序匹配并构造正样本对； 步骤S3包括以下小步骤： S31、跨模态编码器的设计：在客户端设置两个独立的特征编码子网络，分别用于处理EEG与fNIRS片段，其中，EEG编码器与fNIRS编码器的输出维度相同； S32、跨模态投影空间构建，将EEG与fNIRS的特征编码映射到同一潜在表示空间； S33、基于HRF对齐构造跨模态正负样本对，生成正负样本集； S34、基于自适应温度Ti进行InfoNCE损失计算，其中，自适应温度Ti根据HRF时滞估计的不确定度为每个样本分配动态温度。

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成都信息工程大学，其通讯地址为：610225 四川省成都市双流区西航港街道西南航空港经济开发区学府路1段24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。