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！

龙图腾网获悉武汉科技大学申请的专利一种基于时域-频域融合的眼动事件分类方法及装置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：CN120724234B 。

龙图腾网通过国家知识产权局官网在2026-04-17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：202510671591.3，技术领域涉及：G06F18/241；该发明授权一种基于时域-频域融合的眼动事件分类方法及装置是由方红萍;丰耀;张秩赫;陈彬;郑超兵;伍世虔设计研发完成，并于2025-05-23向国家知识产权局提交的专利申请。

本一种基于时域-频域融合的眼动事件分类方法及装置在说明书摘要公布了：本发明涉及一种基于时域‑频域融合的眼动事件分类方法及装置，其方法包括：构建包括频域学习器、堆叠层以及分类层的眼动事件分类模型；对频域学习器进行频域特征训练，对堆叠层进行时域特征训练，对分类层进行分类训练；判断交叉熵损失是否达到最小，若否则利用Adam优化器调整模型参数并返回训练，若是则保存分类效果最佳模型。在本发明通过引入频域学习器，能够从眼动信号中提取潜在的频谱特征，有效抑制噪声干扰，提升了模型在复杂实验场景中的稳定性与鲁棒性；同时，融合时域多变量动态特征与频域信息，并引入自重注意力机制对不同类型特征进行动态加权，使模型能更精准地区分凝视、扫视和平滑追踪等眼动事件类型。

本发明授权一种基于时域-频域融合的眼动事件分类方法及装置在权利要求书中公布了：1.一种基于时域-频域融合的眼动事件分类方法，其特征在于，包括： S1，获取基于时间的眼动数据序列，并将所述眼动数据序列划分为训练集、测试集和验证集； S2，构建基于频域-时域特征融合的改进iTransormer的眼动事件分类模型；其中，所述眼动事件分类模型包括频域学习器、堆叠层以及分类层； S3，利用所述训练集对所述频域学习器进行频域特征训练，并输出频域训练结果；基于自注意力机制，利用所述频域训练结果对所述堆叠层进行时域特征训练，并输出时域训练结果；利用所述时域训练结果对所述分类层进行分类训练，并计算出交叉熵损失； S4，判断所述交叉熵损失是否达到最小；若否，则利用Adam优化器调整所述眼动事件分类模型的模型参数，并返回执行所述S3；若是，则将此时训练得到的眼动事件分类模型保存为分类效果最佳模型； S5，利用所述分类效果最佳模型对眼动事件进行分类，得到分类结果； 在所述S3中，利用所述训练集对所述频域学习器进行频域特征训练，具体为： S301，使用傅里叶变换将所述训练集从时域转换到频域，得到域转换数据； S302，将所述域转换数据输入所述频域学习器进行频率域学习，以迭代更新权重和偏置，进而得到频率分量的实部和虚部； S303，将频率分量的实部和虚部组合形成复数，得到初始频域训练结果； S304，使用反傅里叶变换将所述初始频域训练结果从频域转换到时域，得到所述频域训练结果； 在所述S3中，利用所述频域训练结果对所述堆叠层进行时域特征训练，具体为： S305，将所述频域训练结果中的每个特征变量的时间序列分别独立编码为一个变量时间点；S306，计算不同所述变量时间点之间的相关性,以生成查询、键和值向量； S307，基于注意力机制计算每对查询和键之间的相似度来获得注意力得分，进而得到注意力得分矩阵； S308，对所述注意力得分矩阵进行Softmax操作，得到注意力权重矩阵； S309，利用所述注意力权重矩阵对值向量进行加权聚合，得到注意力数据； S310，对所述注意力数据进行层归一化操作，得到层归一化数据； S311，对所述层归一化数据进行非线性变换，得到初始时域训练结果； S312，对所述初始时域训练结果进行层归一化操作，得到所述时域训练结果； 在所述S3中，利用所述时域训练结果对所述分类层进行分类训练，并计算出交叉熵损失，具体为： 利用Softmax函数将所述时域训练结果转换为概率分布，进而得到各类别的得分，并输出得分最高的类别； 根据各类别的得分，计算出交叉熵损失。

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武汉科技大学，其通讯地址为：430081 湖北省武汉市青山区和平大道947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。