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！

龙图腾网获悉湖南工商大学申请的专利融合CNN与KAN的脑电信号分类方法、装置、设备及存储介质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：CN121859164B 。

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：202610305976.2，技术领域涉及：G06F18/2431；该发明授权融合CNN与KAN的脑电信号分类方法、装置、设备及存储介质是由谭平;韩文杰;张纪元;黄勇;周开军;王海军;钟浩设计研发完成，并于2026-03-13向国家知识产权局提交的专利申请。

本融合CNN与KAN的脑电信号分类方法、装置、设备及存储介质在说明书摘要公布了：本申请公开了一种融合CNN与KAN的脑电信号分类方法、装置、设备及存储介质，涉及人工智能与神经网络技术领域，所述方法包括：基于第一卷积块、第二卷积块和分布适配层构建特征提取编码器，并利用KAN层构建非线性分类解码器，二者级联形成初始脑电分类模型；构建包含源域和目标域数据的混合数据集，结合两阶段迁移学习策略、样条系数更新策略及混合动态网格更新策略，对初始模型进行训练，得到目标脑电分类模型；对待分类的多通道脑电数据进行数据增强，再输入目标脑电分类模型，完成特征提取、分布对齐与非线性映射，输出分类结果。本申请能够在脑电信号高噪声、个体差异显著及小样本的情况下，实现高精度且稳定的脑电信号分类。

本发明授权融合CNN与KAN的脑电信号分类方法、装置、设备及存储介质在权利要求书中公布了：1.一种融合CNN与KAN的脑电信号分类方法，其特征在于，所述方法包括： 根据第一卷积块、第二卷积块以及分布适配层构建特征提取编码器； 根据KAN层构建非线性分类解码器，所述KAN层包含多个基于B样条的可学习激活函数路径； 根据所述特征提取编码器和所述非线性分类解码器构建初始脑电分类模型； 构建包含源域数据和目标域数据的混合数据集，并根据所述混合数据集、两阶段迁移学习策略、基于正则化岭回归的样条系数更新策略及混合动态网格更新策略，对所述初始脑电分类模型进行迭代训练，得到目标脑电分类模型； 对待分类的多通道脑电数据进行带通滤波、通道级标准化及时间片段置换增强，得到增强数据； 通过所述目标脑电分类模型对所述增强数据进行特征提取、分布对齐及非线性映射，得到分类结果； 所述构建包含源域数据和目标域数据的混合数据集，并根据所述混合数据集、两阶段迁移学习策略、基于正则化岭回归的样条系数更新策略及混合动态网格更新策略，对所述初始脑电分类模型进行迭代训练，得到目标脑电分类模型的步骤包括： 获取多个源域被试的脑电数据和目标被试的脑电数据，经预处理和增强处理后，得到混合数据集，所述混合数据集包含源域数据和目标域数据； 根据第一预设学习率、第一预设批量大小及第一预设训练轮次，根据所述源域数据对所述初始脑电分类模型进行全参数更新训练，得到预训练模型； 冻结所述特征提取编码器中除所述分布适配层以外的参数，根据所述目标域数据、第二预设学习率、第二预设批量大小及第二预设训练轮次对所述预训练模型进行微调训练； 在所述微调训练过程中，每间隔预设更新轮次通过混合动态网格更新策略，对所述KAN层的网格节点进行调整； 在每个训练批次中，通过基于正则化岭回归的样条系数更新策略更新所述KAN层的样条控制系数； 通过早停策略停止所述微调训练，得到目标脑电分类模型； 所述在每个训练批次中，通过基于正则化岭回归的样条系数更新策略更新所述KAN层的样条控制系数的步骤包括： 在每个训练批次中，获取输入到所述KAN层的当前特征向量批次和所述训练批次对应的目标输出矩阵； 根据所述当前特征向量批次和当前网格节点位置，计算B样条基函数激活矩阵； 构建包含L2正则化项的最小二乘目标函数，所述最小二乘目标函数包含拟合误差项和正则化项； 求解所述最小二乘目标函数对应的正规方程，得到更新后的样条控制系数，并将所述更新后的样条控制系数应用于所述KAN层； 所述正规方程表示如下： 其中，为更新后的样条控制系数，为B样条基函数激活矩阵，为矩阵的转置，为目标输出矩阵，是预设岭回归系数，是单位矩阵。

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湖南工商大学，其通讯地址为：410000 湖南省长沙市岳麓区岳麓大道569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。