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知识蒸馏和域自适应的双教师睡眠分期特征迁移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：CN116167435B 。

龙图腾网通过国家知识产权局官网在2026-05-12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：202310189447.7，技术领域涉及：G06N3/096；该发明授权基于知识蒸馏和域自适应的双教师睡眠分期特征迁移方法是由段立娟;张岩设计研发完成，并于2023-02-22向国家知识产权局提交的专利申请。

本基于知识蒸馏和域自适应的双教师睡眠分期特征迁移方法在说明书摘要公布了：基于知识蒸馏和域自适应的双教师睡眠分期特征迁移方法，属于信号处理和模式识别领域。首先对睡眠脑电和眼电信号进行预处理，获得若干多模态睡眠信号数据样本。接下来对源域和目标域数据的每一个样本包含的每个通道依次使用不同分辨率的Morlet小波变换提取时频特征，随后输入源域教师和目标域教师进行预训练。在对学生的训练优化时，引入冻结住特征提取器的两个教师进行指导，约束学生学习源域和目标域通用特征和目标域的域特定特征。实验证明本发明提出的模型充分利用了数据的特征进行特征迁移，在目标域数据量较少时也能得到良好效果，可以有效应对现有的自动化睡眠分期方法在面对新数据集时准确率下降的问题。

本发明授权基于知识蒸馏和域自适应的双教师睡眠分期特征迁移方法在权利要求书中公布了：1.一种基于知识蒸馏和域自适应的双教师睡眠分期特征迁移方法，其特征在于，包括以下步骤： 步骤1，获取源域和目标域睡眠生理信号并进行数据预处理； 获取公开睡眠数据作为源域样本，待测数据集的数据作为目标域样本；假定对于该方法框架有两组源域训练数据SourceTrainData1和SourceTrainData2，两组目标域训练数据TargetTrainData1和TargetTrainData2,一组目标域测试数据TargetTestData；根据多导睡眠图，对任意包含个信号通道的原始信号样本选定一个睡眠脑电通道信号和一个眼电通道信号，然后对选定的采样率为的睡眠数据降采样到；接下来使用长度为30秒的滑动窗口不重叠的将数据划分为N个片段的样本数据，每个样本数据包含个通道且每一通道的数据长度为，则切片后的数据矩阵，的大小为； 步骤2，样本数据的时频特征提取； 对于步骤1中的任意一个数据片段包含个通道，；对它的每个通道数据使用多个频率即1Hz-30Hz每隔0.5Hz作为中心频率的Morlet连续小波变换对信号的局部特征进行表达从而提取对应的时频特征，其中表示当前样本数据的通道；同时对提取的时频特征隔50个保留一个以降低数据维度，则一个数据片段提取的时频特征，维度为；由步骤1，划分出来的N个数据片段的时频特征，维度为；对步骤1中的几组训练数据和测试数据提取时频特征得到时频矩阵，，，，； 步骤3，双教师特征提取器的训练； 将训练集经过步骤2所提取的时频矩阵作为教师网络的输入送入教师的深度学习网络进行训练；设计两个教师模型：源域教师和目标域教师；源域训练数据的时频矩阵送入源域教师并使用该训练数据的真实标签训练源域教师的特征提取器；目标域训练数据的时频矩阵送入目标域教师并使用该训练数据的真实标签训练目标域教师的特征提取器； 步骤4，知识蒸馏和域自适应特征迁移； 在学生模型的训练过程中，导入步骤3训练好的教师模型的特征提取器和，然后冻结住其参数，在学生模型训练过程中不再更新；教师模型使用其训练时的先验知识来对输入进行特征提取然后再使用损失来优化学生模型；对学生模型的训练分为两部分，首先经过步骤2所提取的源域数据的时频矩阵作为学生模型的训练输入，随后，目标域数据的时频矩阵继续作为学生模型的输入做训练；输入数据同时输入到学生模型和两个教师模型，然后将教师网络特征提取器中间层提取的特征知识迁移到学生网络，特征迁移过程使用了蒸馏损失约束学生网络向两个教师模型学习源域和目标域的域通用特征以及目标域的域特定特征； 步骤5，学生模型对目标域样本分类： 将待测目标域样本经过步骤2所得到的时频特征输入经过步骤4训练所得的学生模型，经过学生网络的特征提取器所提取的特征再送入到神经元数目为5的线性分类器中获得分类结果。

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。