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！

龙图腾网获悉北京工业大学申请的专利基于3D插值和3DCNN的运动想象任务分类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：CN115952440B 。

龙图腾网通过国家知识产权局官网在2026-05-05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：202310010193.8，技术领域涉及：G06F18/241；该发明授权基于3D插值和3DCNN的运动想象任务分类方法是由李明爱;张京;孙炎珺设计研发完成，并于2023-01-04向国家知识产权局提交的专利申请。

本基于3D插值和3DCNN的运动想象任务分类方法在说明书摘要公布了：本发明公开了基于3D插值和3DCNN的运动想象任务分类方法，首先，对运动想象脑电信号进行带通滤波处理；然后，利用快速傅里叶变换FFT对每个电极的EEG信号进行频域变换，并求取功率值；接着，将头皮电极的3D坐标投影到3D空间中，并使用3D插值算法对功率值进行插值，生成包含电极的3D真实空间位置信息的3D插值特征图像；最后，设计了一个3D卷积神经网络3DCNN来匹配3D插值特征图像的特点进行特征提取和分类。本发明体现了运动想象激活的深度信息，将电极的精确三维空间信息编码到3D插值成像图中，较好地匹配了3DCNN的空间卷积能力。

本发明授权基于3D插值和3DCNN的运动想象任务分类方法在权利要求书中公布了：1.基于3D插值和3DCNN的运动想象任务分类方法，其特征在于： 首先，对原始运动想象脑电信号MI-EEG进行带通滤波处理；然后，对每个电极的EEG信号进行频域变换，并求取功率值，结合电极的精确三维位置信息，通过三维插值算法生成三维插值成像图，将三维插值成像图拼接为特征矩阵；最后，设计3D卷积神经网络3DCNN来匹配特征矩阵的特点进行特征提取和识别，实现运动想象脑电信号的分类； 其特征在于： Step1EEG信号的预处理； 对脑电信号进行8-32Hz带通滤波，获得与运动想象任务最相关的脑电信号； Step2基于快速傅里叶变换FFT求取功率值； Step2.1使用快速傅里叶变换FFT提取时频特征；为一次采集实验中第m导联的MI-EEG信号，其中m表示导联序号，m∈{1,2,3，...，Nc}为导联总数；Ns代表一次采集实验包含的采样点数量；第m导联的MI-EEG数据可以表示为： 然后将xm划分为ND个窗口，ND∈N+；每个窗口的数据可以表示为： 其中j为窗口序号，j∈{1,2,3，...，ND}；所以包含的采样点数为： FFT被用于将每个窗口的时域信号转换到频域；为了提升频率的计算分辨率，每个窗口的信号序列都会被补零到长度NFFT，变换后的序列表示为： 此外，将FOI对应的8-30Hz频带序列表示为： 频带序列的长度为NF由下式求解： 式中，FH和FL表示每个子频段的频率上限和频率下限，fs是采样频率； Step2.2求取每个电极的功率值；对于频带序列的每个窗口，平均功率都被独立计算如下式： 由ND个窗口中的平均功率值再平均得到，由下式求解： Step3三维插值成像图的生成； Step3.1根据电极的3D空间位置坐标建立三维的网格；电极的三维坐标从BCI系统的电极分布图中获取，根据电极的三维空间位置坐标建立大小为32×32×32的三维网格； Step3.2将功率值根据电极的3D空间位置和建立的网格进行插值；将时频特征扩展到三维空间，生成三维插值成像图； Step4四模块级联3DCNN识别特征矩阵； Step4.1基于三维插值成像图的特点，设计了四个模块级联结构的3DCNN用于特征矩阵的提取与分类；采用四模块级联结构，网络能够有效解码运动想象任务的编码信息；模块1与模块2的结构相同：包含两个3D卷积层和一个最大池化层，具有相同大小的卷积核3×3×3和步长3×3×3，两个卷积层的激活函数均为ReLU；模块3含有一个3D卷积层和一个最大池化层，卷积核大小为3×3×3，步长为3×3×3，卷积层的激活函数为ReLU；模块4含有两个全连接层，将提取的空间特征进行展平，并输出类别；为避免出现网络过拟合的情况，以及加快网络训练过程，四模块中都采用批量归一化技术及Dropout技术； Step4.2用3DCNN识别三维插值成像图特征矩阵；将每次脑电实验获得的三维插值成像图特征矩阵拼接构成总数据集，用于3DCNN的训练与测试，实现运动想象任务分类。

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北京工业大学，其通讯地址为：100124 北京市朝阳区平乐园100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。