曹茹燁　曹樹金

關(guān)鍵詞： 高價(jià)值專利； 技術(shù)創(chuàng)新演化； 知識(shí)圖譜； 腦機(jī)接口

ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００８－０８２１．２０２４．０６．００１

〔中圖分類號(hào)〕Ｇ２５５ ５３ 〔文獻(xiàn)標(biāo)識(shí)碼〕Ａ 〔文章編號(hào)〕１００８－０８２１ （２０２４） ０６－０００３－１５

隨著新一輪科技革命的加速推進(jìn)， 科技創(chuàng)新已經(jīng)成為影響國家競爭力和世界發(fā)展格局的關(guān)鍵變量。

黨的二十大報(bào)告強(qiáng)調(diào)， 要加快實(shí)施創(chuàng)新驅(qū)動(dòng)發(fā)展戰(zhàn)略， 集聚力量進(jìn)行原創(chuàng)性引領(lǐng)性科技攻關(guān)， 堅(jiān)決打贏關(guān)鍵核心技術(shù)攻堅(jiān)戰(zhàn)［１］ 。攻克關(guān)鍵核心技術(shù)領(lǐng)域難題， 首先需要把握技術(shù)的演進(jìn)特征和發(fā)展規(guī)律［２］ 。鑒于高價(jià)值性是關(guān)鍵核心技術(shù)的主要特征［３］ ， 而專利又是科技創(chuàng)新的重要載體， 精準(zhǔn)識(shí)別高價(jià)值專利，分析技術(shù)創(chuàng)新演化態(tài)勢， 對國家科技戰(zhàn)略布局、科技機(jī)構(gòu)和企業(yè)的創(chuàng)新發(fā)展規(guī)劃， 以及科研人員理解技術(shù)核心要素并發(fā)現(xiàn)創(chuàng)新規(guī)律和創(chuàng)新機(jī)會(huì)具有重要意義。

“ 十四五” 規(guī)劃中首次將“每萬人口高價(jià)值發(fā)明專利擁有量” 納入經(jīng)濟(jì)社會(huì)發(fā)展的主要指標(biāo)［４］ ，培育高價(jià)值專利、提升創(chuàng)新質(zhì)量越來越成為國家科技創(chuàng)新體系的重要一環(huán)。目前， 對高價(jià)值專利的研究主要集中在高價(jià)值專利的識(shí)別、價(jià)值評估、專利挖掘以及技術(shù)擴(kuò)散分析等方面， 少有針對高價(jià)值專利的技術(shù)創(chuàng)新演化研究， 較多的是在不區(qū)分專利價(jià)值高低的基礎(chǔ)上對專利技術(shù)的演化分析， 用于技術(shù)預(yù)測、優(yōu)勢技術(shù)或顛覆性技術(shù)識(shí)別。從方法上看，多從技術(shù)主題視角， 采用文本挖掘和社會(huì)網(wǎng)絡(luò)分析法實(shí)現(xiàn)。然而， 專利尤其是高價(jià)值專利的技術(shù)創(chuàng)新價(jià)值體現(xiàn)在多個(gè)維度， 蘊(yùn)藏在包含復(fù)雜語義關(guān)系的專利文本內(nèi)容中。若要對技術(shù)研判或未來技術(shù)研發(fā)提供更具體、明確的落點(diǎn)， 就需要對專利文本進(jìn)行更加細(xì)粒度的揭示， 進(jìn)而從多維度、多視角挖掘高價(jià)值專利的技術(shù)演化規(guī)律。據(jù)此， 本研究擬解決的科學(xué)問題是如何挖掘一個(gè)領(lǐng)域內(nèi)高價(jià)值專利的多面的、細(xì)粒度的、具體的技術(shù)創(chuàng)新點(diǎn)并發(fā)現(xiàn)其演化規(guī)律， 從而為科技創(chuàng)新主體提供多維和具體的參考？具體包括３ 個(gè)子研究問題： 一是如何設(shè)計(jì)一套新穎且合理的指標(biāo)體系來評估和識(shí)別高價(jià)值專利？ 二是如何提取高價(jià)值專利文本中的細(xì)粒度技術(shù)要素并對其進(jìn)行語義化組織， 以便從多維視角理解專利技術(shù)的本質(zhì)和特征？ 三是如何基于多維技術(shù)要素及其關(guān)聯(lián)關(guān)系， 從更加細(xì)微且多面而非僅僅是粗淺的主題角度來分析高價(jià)值專利的技術(shù)創(chuàng)新演化現(xiàn)象？

為解決以上問題， 本研究將以“腦機(jī)接口” 領(lǐng)域?yàn)槔?從優(yōu)化部分指標(biāo)測算方法及指標(biāo)組合的角度設(shè)計(jì)能夠反映技術(shù)價(jià)值、專利權(quán)利和市場前景的指標(biāo)體系以識(shí)別高價(jià)值專利， 并利用知識(shí)圖譜對高價(jià)值專利進(jìn)行細(xì)粒度的技術(shù)要素提取和關(guān)聯(lián)關(guān)系揭示， 在此基礎(chǔ)上從多角度分析技術(shù)創(chuàng)新演化的趨勢，旨在促進(jìn)關(guān)鍵技術(shù)領(lǐng)域的創(chuàng)新發(fā)展。

１ 相關(guān)研究

１.１ 高價(jià)值專利識(shí)別相關(guān)研究

現(xiàn)有研究多從技術(shù)、法律和市場３ 個(gè)角度評估專利價(jià)值以識(shí)別高價(jià)值專利， 具體包括單一維度的縱深化評估和多維度的綜合評估。比如根據(jù)ＴＲＩＺ的功能分析， 從技術(shù)價(jià)值視角識(shí)別高價(jià)值專利［５］ ；或者基于技術(shù)的轉(zhuǎn)移轉(zhuǎn)化對專利價(jià)值進(jìn)行評估［６］ ；但更多的是構(gòu)建高價(jià)值專利識(shí)別的多維指標(biāo)體系，如， 付振康等［７］ 綜合了能夠反映技術(shù)價(jià)值的技術(shù)生命周期、引證數(shù)等指標(biāo)， 反映法律維度的權(quán)利要求數(shù)、審查周期等指標(biāo)， 以及反映市場價(jià)值的ＰＣＴ申請等指標(biāo)篩選高價(jià)值專利。宋凱等［８］ 從保護(hù)范圍、研發(fā)水平、市場前景和主體特征４ 個(gè)維度構(gòu)建了一套專利價(jià)值評估的指標(biāo)體系。從高價(jià)值專利識(shí)別的方法來看， 常見的有基于指標(biāo)權(quán)重的綜合評價(jià)法， 如層次分析法和熵權(quán)法的結(jié)合［９］ 、多目標(biāo)決策分析中的ＴＯＰＳＩＳ 方法［１０］ 以及Ｃｒｉｔｉｃ 賦權(quán)法的應(yīng)用［１１］ 。近年來， 較多研究使用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的方法， 將高價(jià)值專利識(shí)別問題轉(zhuǎn)化為分類問題。王思培等［１２］ 基于隨機(jī)森林算法， 將反映專利價(jià)值的多維指標(biāo)作為輸入變量， 高價(jià)值專利類別作為分類變量， 構(gòu)建潛在高價(jià)值專利的預(yù)測模型。Ｌｉｕ ＷＤ 等［１３］ 提出了基于多任務(wù)學(xué)習(xí)的高價(jià)值專利識(shí)別模型。Ｗｏｏ Ｈ 等［１４］ 采用貝葉斯結(jié)構(gòu)方程模型， 從技術(shù)性、權(quán)利性和可用性３ 個(gè)維度對專利價(jià)值進(jìn)行評估建模和分類識(shí)別。此外， 還有研究將綜合評價(jià)法與機(jī)器學(xué)習(xí)方法結(jié)合識(shí)別高價(jià)值專利， 如基于機(jī)器學(xué)習(xí)改進(jìn)的ＡＨＰＳｏｒｔ Ⅱ方法［１５］ 。

１.２ 基于專利分析的技術(shù)創(chuàng)新演化相關(guān)研究

基于專利的技術(shù)創(chuàng)新演化研究主要集中在兩個(gè)方面， 一是技術(shù)主題的演化分析； 二是技術(shù)創(chuàng)新網(wǎng)絡(luò)的演化分析。關(guān)于技術(shù)主題創(chuàng)新演化， 較多學(xué)者采用主題識(shí)別、機(jī)器學(xué)習(xí)的方法進(jìn)行分析。如基于Ｗｏｒｄ２Ｖｅｃ 詞向量模型和ＬＤＡ 主題模型的干細(xì)胞治療技術(shù)在“科學(xué)發(fā)現(xiàn)—技術(shù)創(chuàng)新—技術(shù)應(yīng)用” 全生命周期的演化脈絡(luò)與特征研究［１６］ ； 基于專利數(shù)據(jù)，引入技術(shù)主題時(shí)序共現(xiàn)網(wǎng)絡(luò)和主題引用網(wǎng)絡(luò)的技術(shù)主題演化趨勢分析［１７］ ； 利用專利摘要， 結(jié)合ＬＤＡ和隱馬爾科夫模型分析３Ｄ 打印技術(shù)主題的分布和演化模式［１８］ ； 以及融合ＳＡＯ 三元組抽取、主題識(shí)別與相似度計(jì)算分析石墨烯超級(jí)電容器領(lǐng)域技術(shù)主題的創(chuàng)新演化路徑［１９］ 等。關(guān)于技術(shù)創(chuàng)新網(wǎng)絡(luò)的演化， 現(xiàn)有研究多利用網(wǎng)絡(luò)分析法， 對基于專利的技術(shù)創(chuàng)新合作網(wǎng)絡(luò)或引文網(wǎng)絡(luò)的演化路徑進(jìn)行探索。如ＨｓｕＣ Ｗ 等［２０］ 基于專利引用關(guān)系所產(chǎn)生的社會(huì)網(wǎng)絡(luò)來討論生物質(zhì)發(fā)酵產(chǎn)氫技術(shù)的演化； 束超慧等［２１］ 以專利申請人作為網(wǎng)絡(luò)節(jié)點(diǎn)構(gòu)建顛覆性技術(shù)創(chuàng)新網(wǎng)絡(luò)， 從而分析了智能語音技術(shù)專利合作創(chuàng)新網(wǎng)絡(luò)的演化過程。趙靚等［２２］ 利用基于專利分類代碼構(gòu)建的專利共現(xiàn)網(wǎng)絡(luò)分析了軍事智能技術(shù)演化趨勢。

１.３ 基于科技文獻(xiàn)的知識(shí)圖譜構(gòu)建與應(yīng)用研究

知識(shí)圖譜是谷歌在２０１２ 年提出的概念， 本質(zhì)是一種語義網(wǎng)絡(luò)， 被廣泛用于智能語義搜索、智能問答和信息推薦等領(lǐng)域。近年來， 諸多學(xué)者將其引入科技領(lǐng)域的知識(shí)組織和知識(shí)發(fā)現(xiàn)研究， 探索基于科技文獻(xiàn)（主要為專利、科技論文）的領(lǐng)域知識(shí)圖譜構(gòu)建方法， 以及在此基礎(chǔ)上的技術(shù)創(chuàng)新識(shí)別與創(chuàng)新知識(shí)檢索、新興技術(shù)預(yù)測、技術(shù)推薦等現(xiàn)實(shí)應(yīng)用。在面向科技文獻(xiàn)的知識(shí)圖譜構(gòu)建中， 有研究基于數(shù)據(jù)增強(qiáng)方法構(gòu)建了新能源汽車電池技術(shù)領(lǐng)域的知識(shí)圖譜［２３］ ， 融合聯(lián)合抽取模型ＳｐＥＲＴ 以及關(guān)系抽取模型Ａｇｇｃｎ 構(gòu)建了綠色合作領(lǐng)域的專利知識(shí)圖譜［２４］ ， 以及基于圖嵌入算法構(gòu)建非全氟化質(zhì)子交換膜領(lǐng)域?qū)＠R(shí)圖譜等［２５］ 。在知識(shí)圖譜的應(yīng)用中， 曹樹金等［２６］ 基于所構(gòu)建的專利文獻(xiàn)創(chuàng)新知識(shí)圖譜分析了其在創(chuàng)新知識(shí)檢索及專利文獻(xiàn)創(chuàng)新點(diǎn)對比中的應(yīng)用； Ｄｅｎｇ Ｗ Ｗ 等［２７］ 提出了一種在專利知識(shí)圖譜的基礎(chǔ)上對專利和公司進(jìn)行加權(quán)圖分析的方法， 用于向企業(yè)推薦專利； Ｄｏｅｒｐｉｎｇｈａｕｓ Ｊ 等［２８］ 基于ＰｕｂＭｅｄ 數(shù)據(jù)庫中的生物醫(yī)學(xué)論文數(shù)據(jù)構(gòu)建了大型的生物醫(yī)學(xué)領(lǐng)域知圖譜， 用于上下文挖掘、基于圖的知識(shí)查詢以及知識(shí)發(fā)現(xiàn)； 還有將所構(gòu)建的知識(shí)圖譜用于產(chǎn)業(yè)新興技術(shù)預(yù)測［２９］ 、專利布局意圖挖掘中［２５］ 。此外， 也有研究構(gòu)建了技術(shù)演化圖譜， 用于識(shí)別優(yōu)勢專利的技術(shù)研發(fā)方向［３０］ 。

綜上所述， 現(xiàn)有研究已有相對成熟的高價(jià)值專利評估和篩選的方法， 然而測度技術(shù)價(jià)值的指標(biāo)較少深入到專利文本的潛在語義層面， 尤其是不易測度的主題新穎度之類的指標(biāo)。已有研究表明， 主題新穎性與專利質(zhì)量［３１］ 及專利影響力［３２－３３］ 有較大關(guān)系。因此， 本研究將重點(diǎn)聚焦于專利技術(shù)主題新穎性， 結(jié)合反映技術(shù)價(jià)值的其他指標(biāo)， 以及專利權(quán)利和市場前景來識(shí)別高價(jià)值專利。鑒于已有的主題新穎度測度方法較多以專利技術(shù)出現(xiàn)時(shí)間遠(yuǎn)近為依據(jù)，并未從主題本身考慮， 本研究將提出一種新的測度方法加以優(yōu)化； 另一方面， 從專利文本內(nèi)容層面開展的技術(shù)創(chuàng)新演化研究多從主題角度切入， 分析的粒度較粗， 維度較單一。而將知識(shí)圖譜用于科技文獻(xiàn)挖掘的相關(guān)研究為該問題的解決提供了新的思路和理論依據(jù)。基于此， 本文將結(jié)合知識(shí)圖譜的優(yōu)勢，對高價(jià)值專利的技術(shù)演化趨勢進(jìn)行更加具體和多角度的分析， 為科技創(chuàng)新的各類主體提供更明確的參考。

２ 研究設(shè)計(jì)

２.１ 研究思路

本研究總體思路如圖１ 所示。主要分為４ 個(gè)階段： 數(shù)據(jù)收集與預(yù)處理、高價(jià)值專利識(shí)別、高價(jià)值專利知識(shí)圖譜構(gòu)建、高價(jià)值專利的技術(shù)創(chuàng)新演化分析。首先， 在數(shù)據(jù)集的選取上， 鑒于腦機(jī)接口是新一代人機(jī)交互和人機(jī)混合智能的關(guān)鍵核心技術(shù)， 被美國商務(wù)部列為１４ 項(xiàng)出口管制技術(shù)之一［３４］ 。因此， 本研究采集了“腦機(jī)接口” 領(lǐng)域的專利文獻(xiàn)作為樣本， 經(jīng)過預(yù)處理后形成語料集； 其次， 在高價(jià)值專利識(shí)別過程中， 重點(diǎn)考慮技術(shù)主題的新穎性，借助ＫｅｙＢＥＲＴ 模型從專利標(biāo)題和摘要中抽取關(guān)鍵詞， 采用一種新的方法設(shè)計(jì)主題新穎性測度的指標(biāo)，該方法主要通過與申請年以前的專利技術(shù)進(jìn)行對比，而非僅依據(jù)申請年遠(yuǎn)近來判斷新穎性， 如此能夠評估在專利申請的當(dāng)下所體現(xiàn)的價(jià)值， 以便識(shí)別出在技術(shù)發(fā)展的各個(gè)不同階段具有高新穎性的專利。與此同時(shí)， 結(jié)合技術(shù)維度的其他指標(biāo)以及反映專利權(quán)利和市場前景的指標(biāo)， 利用Ｃｒｉｔｉｃ 權(quán)重法綜合評估專利價(jià)值， 從而篩選出高價(jià)值專利。然后， 針對識(shí)別出的高價(jià)值專利構(gòu)建知識(shí)圖譜， 具體包括實(shí)體及關(guān)系類型定義、數(shù)據(jù)標(biāo)注、采用ＣａｓＲｅｌ 聯(lián)合抽取模型進(jìn)行訓(xùn)練、利用訓(xùn)練好的模型對未標(biāo)注語料進(jìn)行知識(shí)抽取、知識(shí)融合與消歧， 并利用Ｎｅｏ４ｊ 圖數(shù)據(jù)庫實(shí)現(xiàn)知識(shí)圖譜的存儲(chǔ)與可視化； 最后， 基于所構(gòu)建的知識(shí)圖譜進(jìn)行技術(shù)創(chuàng)新演化分析， 分析的維度依據(jù)知識(shí)圖譜中所涉及的不同類型的實(shí)體及關(guān)系。

２.２專利價(jià)值評估指標(biāo)設(shè)計(jì)與綜合評價(jià)

明確高價(jià)值專利的內(nèi)涵是識(shí)別高價(jià)值專利的前提。對于高價(jià)值專利的內(nèi)涵存在多種說法， 尚未形成統(tǒng)一的定義。國家知識(shí)產(chǎn)權(quán)局曾對高價(jià)值發(fā)明專利的范圍進(jìn)行了說明［３５］ ， 在此基礎(chǔ)上綜合學(xué)者們的不同觀點(diǎn)， 發(fā)現(xiàn)領(lǐng)域內(nèi)普遍認(rèn)為高價(jià)值專利應(yīng)具有較高的技術(shù)創(chuàng)新性、較穩(wěn)定的專利權(quán)利、較高的市場應(yīng)用價(jià)值幾大特征［７，３６－３７］ 。因此， 根據(jù)相關(guān)研究中所涉及的多種指標(biāo)， 從中歸納出３ 個(gè)重要維度作為本研究指標(biāo)設(shè)計(jì)的基準(zhǔn)， 即技術(shù)價(jià)值、專利權(quán)利和市場前景。技術(shù)維度的指標(biāo)主要包括技術(shù)主題新穎性、技術(shù)覆蓋范圍和技術(shù)投入。關(guān)于技術(shù)新穎性有多種度量方法， 比如采用專利授權(quán)的時(shí)間度量，即時(shí)間越近新穎度越高［１１，２９］ ； 也有以新詞的早期出現(xiàn)率低于１５％作為度量依據(jù)； 以主題詞組合在專利申請年之前的所有專利中出現(xiàn)的頻次來度量技術(shù)新穎性［３８］ ； 以及通過與歷史主題的相似度計(jì)算進(jìn)行度量［３９］ 等?？梢姡?技術(shù)新穎度大都反映在時(shí)間維度的對比中。鑒于關(guān)鍵詞是判斷文獻(xiàn)主題的重要依據(jù)［４０］ ， 本研究設(shè)計(jì)兩個(gè)指標(biāo)來反映技術(shù)主題的新穎性， 即關(guān)鍵詞早期出現(xiàn)率Ｘ１ 與關(guān)鍵詞相似度Ｘ２。關(guān)鍵詞通過ＫｅｙＢＥＲＴ 從專利標(biāo)題和摘要中抽取。Ｘ１ 計(jì)算方法如式（１）： 對于某一專利， 第ｉ 個(gè)關(guān)鍵詞在其申請年之前出現(xiàn)的專利總數(shù)ｎｉ 與申請年之前所有專利總數(shù)Ｎ 的比值設(shè)為Ｋ， 參考Ｐｏｒ?ｔｅｒ Ａ Ｌ 等［４１］ 的經(jīng)驗(yàn)， 當(dāng)Ｋ≤０ １５ 時(shí)認(rèn)為該詞具有新穎性， 記為１， 該專利的總新穎度得分為所有關(guān)鍵詞新穎性計(jì)數(shù)的總和Ｓ。指標(biāo)Ｘ２ 的計(jì)算方式為：將抽取出的專利關(guān)鍵詞組合與申請年之前的每份專利的關(guān)鍵詞組合進(jìn)行相似度計(jì)算， 按照相似度遞減排列， 獲得與該專利關(guān)鍵詞組合相似度最高的前１５％個(gè)專利， 以其相似度得分的平均值作為Ｘ２ 的值。根據(jù)付振康等［７］ 和張彪等［１１］ 的研究， 技術(shù)覆蓋范圍可由ＩＰＣ 小類的個(gè)數(shù)（Ｘ３）來反映， 技術(shù)投入可由發(fā)明人數(shù)量（Ｘ４）反映。綜合宋凱等［８］ 和王思培等［３７］ 提出的專利價(jià)值評估指標(biāo)， 專利權(quán)利維度主要由權(quán)利要求數(shù)（Ｘ５）來測度， 而市場前景維度則由簡單同族數(shù)量（Ｘ６）測度。

在對各項(xiàng)指標(biāo)進(jìn)行測度后， 采用Ｃｒｉｔｉｃ 賦權(quán)法確定指標(biāo)權(quán)重。Ｃｒｉｔｉｃ 賦權(quán)法利用指標(biāo)間的沖突性和信息量大小來確定指標(biāo)權(quán)重值， 是一種利用數(shù)據(jù)自身的客觀屬性進(jìn)行科學(xué)評價(jià)的方法。最后將專利價(jià)值得分降序排列， 選取高于平均值的專利作為高價(jià)值專利。

在構(gòu)建了此套高價(jià)值專利識(shí)別的指標(biāo)體系之后，為了驗(yàn)證其合理性、科學(xué)性和適用性， 首先邀請科學(xué)評價(jià)領(lǐng)域的兩名專家對指標(biāo)本身進(jìn)行定性評估；其次， 由于本研究對評價(jià)指標(biāo)的優(yōu)化主要體現(xiàn)在專利技術(shù)主題新穎性的測度上， 為了驗(yàn)證該方法相較于根據(jù)時(shí)間遠(yuǎn)近評價(jià)的方法更為合理， 隨機(jī)選取了腦機(jī)接口領(lǐng)域若干篇專利文獻(xiàn)， 利用該方法計(jì)算反映主題新穎性的兩項(xiàng)指標(biāo)值， 即上述的Ｘ１ 和Ｘ２，結(jié)果發(fā)現(xiàn)有部分近些年（２０２０ 年以后）申請的專利新穎性并不高， 如“基于腦機(jī)接口的設(shè)備控制方法、裝置ＸＸＸ” “一種ＸＸＸ 的半侵入式腦機(jī)接口模塊”。經(jīng)領(lǐng)域?qū)＜遗袛噙@些專利技術(shù)的新穎性的確相對較低， 若僅用時(shí)間遠(yuǎn)近判斷并不合理， 由此也驗(yàn)證了本研究所提方法的優(yōu)越性； 最后， 將所設(shè)計(jì)的整套指標(biāo)體系分別用于腦機(jī)接口和教育機(jī)器人領(lǐng)域的高價(jià)值專利識(shí)別， 并由各自領(lǐng)域的專家對篩選出的高價(jià)值專利文獻(xiàn)進(jìn)行了評估， 結(jié)果較好。

２.３ 高價(jià)值專利知識(shí)圖譜構(gòu)建

以高價(jià)值專利的摘要作為知識(shí)圖譜構(gòu)建的語料。首先， 需要對摘要文本進(jìn)行分析， 歸納出實(shí)體及關(guān)系類型。此過程主要依據(jù)已有研究中關(guān)于專利特征的總結(jié)以及專利摘要構(gòu)成要素的概括， 并根據(jù)特定領(lǐng)域?qū)＠墨I(xiàn)自身的特點(diǎn)進(jìn)行設(shè)計(jì)； 其次， 知識(shí)圖譜構(gòu)建最重要的就是知識(shí)抽取環(huán)節(jié)， 針對非結(jié)構(gòu)化文本的知識(shí)抽取一般涉及實(shí)體識(shí)別與關(guān)系抽取。本研究將采用ＣａｓＲｅｌ 聯(lián)合抽取模型同時(shí)進(jìn)行以上兩種抽取任務(wù)。ＣａｓＲｅｌ 聯(lián)合抽取模型是吉林大學(xué)人工智能學(xué)院的Ｗｅｉ Ｚ Ｐ 等［４２］ 提出的模型， 主要解決三元組重疊的問題， 即一個(gè)句子中的多個(gè)三元組共用同一實(shí)體。該模型的本質(zhì)是基于參數(shù)共享的聯(lián)合實(shí)體關(guān)系抽取方法， 一般又被稱為層疊指針網(wǎng)絡(luò)。模型架構(gòu)如圖２ 所示， 包括編碼端和解碼端， 其中編碼端是基于ＢＥＲＴ 的編碼層， 解碼端包括頭實(shí)體識(shí)別層和關(guān)系與尾實(shí)體聯(lián)合識(shí)別層。在進(jìn)行實(shí)體關(guān)系聯(lián)合抽取時(shí)主要涉及兩個(gè)步驟： 一是對句子中所有可能的主語進(jìn)行識(shí)別； 二是在每個(gè)關(guān)系類別下再去抽取與主語（即頭實(shí)體）對應(yīng)的尾實(shí)體。鑒于本研究所涉及的專利文本涵蓋復(fù)雜的語義關(guān)系， 存在較多三元組重疊的問題， 選用ＣａｓＲｅｌ 聯(lián)合抽取模型較為合適。確定采用的知識(shí)抽取模型之后， 對專利摘要進(jìn)行分句， 提取部分語料進(jìn)行人工標(biāo)注與訓(xùn)練， 并利用訓(xùn)練好的模型對未標(biāo)注的語料進(jìn)行三元組抽取。在完成知識(shí)抽取工作以后， 參照領(lǐng)域?qū)I(yè)詞典進(jìn)行實(shí)體對齊、消歧與知識(shí)融合。最后， 利用Ｐｙｔｈｏｎ 中的Ｐａｎｄａｓ、Ｐｙ２ｎｅｏ 等工具包將所有的實(shí)體關(guān)系數(shù)據(jù)導(dǎo)入至Ｎｅｏ４ｊ 圖數(shù)據(jù)庫中， 形成高價(jià)值專利知識(shí)圖譜。

２.４ 高價(jià)值專利的技術(shù)創(chuàng)新演化分析

高價(jià)值專利的技術(shù)創(chuàng)新演化分析基于所構(gòu)建的知識(shí)圖譜。首先需要確定技術(shù)創(chuàng)新演化分析的維度，鑒于知識(shí)圖譜對高價(jià)值專利進(jìn)行了更加細(xì)粒度的揭示， 涵蓋技術(shù)的多個(gè)方面（如應(yīng)用領(lǐng)域、性能優(yōu)勢、方法基礎(chǔ)等）。因此， 技術(shù)創(chuàng)新演化分析的維度可根據(jù)知識(shí)圖譜中涉及的各個(gè)實(shí)體及關(guān)系類型確定，同時(shí)也可涉及粗粒度的主題分析； 其次， 在每個(gè)分析維度下， 提取不同時(shí)間段的高價(jià)值專利文本子圖，總結(jié)每個(gè)階段的技術(shù)創(chuàng)新特征。進(jìn)而揭示隨著時(shí)間推移， 在技術(shù)創(chuàng)新的各個(gè)維度上， 哪些內(nèi)容逐漸縮減， 哪些內(nèi)容被持續(xù)關(guān)注， 以及某個(gè)時(shí)間段新出現(xiàn)的內(nèi)容有哪些， 以便更加具體地反映高價(jià)值專利的技術(shù)創(chuàng)新演化態(tài)勢?；谥R(shí)圖譜而非簡單的技術(shù)實(shí)體識(shí)別來開展技術(shù)創(chuàng)新演化分析的優(yōu)勢在于： 專利摘要中的技術(shù)實(shí)體所屬類型依關(guān)系而定， 如一個(gè)系統(tǒng)設(shè)備或器件可能是專利本身也可能是專利的組件， 一種方法可能是發(fā)明專利本身也可能是專利所依賴的技術(shù)， 抽取三元組而非單個(gè)實(shí)體有助于明確區(qū)分這些技術(shù)實(shí)體。此外， 知識(shí)圖譜還可用于考察具有關(guān)聯(lián)關(guān)系的技術(shù)組合的演化現(xiàn)象。

３ 實(shí)證研究

３.１ 數(shù)據(jù)采集與預(yù)處理

選取“腦機(jī)接口” 領(lǐng)域的專利文獻(xiàn)作為分析樣本， 以ｉｎｃｏＰａｔ 全球?qū)＠麛?shù)據(jù)庫作為數(shù)據(jù)源。首先，參考已有相關(guān)研究制定檢索策略： ＴＩＡＢＣ＝（腦機(jī)接口ＯＲ 腦－機(jī)接口ＯＲ 腦機(jī)交互ＯＲ 腦－機(jī)交互ＯＲ神經(jīng)控制接口ＯＲ 直接神經(jīng)接口） ＯＲ （（“ｂｒａｉｎｃｏｍｐｕｔｅｒ” ＯＲ “ ｂｒａｉｎ － ｃｏｍｐｕｔｅｒ” ＯＲ “ ｂｒａｉｎ ｍａ?ｃｈｉｎｅ” ＯＲ “ｂｒａｉｎ－ｍａｃｈｉｎｅ” ＯＲ “ｎｅｕｒａｌ ｃｏｎｔｒｏｌ” ＯＲ“ｍｉｎｄ ｍａｃｈｉｎｅ” ＯＲ “ｄｉｒｅｃｔ ｎｅｕｒａｌ”） ＡＮＤ （ｉｎｔｅｒ?ｆａｃｅ? ＯＲ ｃｏｍｍｕｎｉｃａｔ?））， 專利類型限定為發(fā)明專利和實(shí)用新型專利， 檢索日期為２０２３ 年５ 月３ 日，共獲得相關(guān)專利文獻(xiàn)４ ０６０篇。之后將本研究所需的專利題名、摘要、ＩＰＣ 分類號(hào)、申請日、權(quán)利要求數(shù)、公開號(hào)等字段信息導(dǎo)出作為初始語料集。在數(shù)據(jù)預(yù)處理階段， 對數(shù)據(jù)進(jìn)行清洗和去噪， 去除重復(fù)專利。少數(shù)專利的摘要字段缺失， 對此采用簡單同族專利的摘要替代， 并利用翻譯軟件對部分僅有外文摘要的專利進(jìn)行處理， 統(tǒng)一為中文摘要。經(jīng)過預(yù)處理之后共獲得３ ９２７篇專利文獻(xiàn)， 以此作為最終的語料集。

形成語料集后， 因分詞處理需要加載專業(yè)領(lǐng)域詞典， 但目前并沒有“腦機(jī)接口” 領(lǐng)域的專門詞典?！澳X機(jī)接口” 具有交叉學(xué)科研究的特性， 涉及生物醫(yī)學(xué)工程、電子、材料、信息技術(shù)等多個(gè)學(xué)科。因此， 本研究獲取了“腦機(jī)接口” 研究論文中的關(guān)鍵詞， 結(jié)合神經(jīng)病學(xué)、人工智能以及微電子等領(lǐng)域的現(xiàn)有詞典， 人工構(gòu)建了“腦機(jī)接口” 領(lǐng)域詞典，共包括５ ５８６個(gè)詞。

３.２ “腦機(jī)接口”領(lǐng)域高價(jià)值專利識(shí)別

３.２.１ 技術(shù)主題新穎性指標(biāo)測度

根據(jù)本研究設(shè)計(jì)的高價(jià)值專利評估指標(biāo)體系，專利技術(shù)主題新穎性需要計(jì)算關(guān)鍵詞的早期出現(xiàn)率與關(guān)鍵詞相似度。由于專利文本缺少作者標(biāo)注的關(guān)鍵詞集， 本文采用ＫｅｙＢＥＲＴ 模型從標(biāo)題和摘要中進(jìn)行提取。ＫｅｙＢＥＲＴ 是一種易用的關(guān)鍵詞提取模型， 原理是利用ＢＥＲＴ 嵌入來創(chuàng)建與文檔最為相似的關(guān)鍵短語。在關(guān)鍵詞提取過程中， 將專利的標(biāo)題和摘要拼接為ＴＩＡＢ 字段， 利用加載了自定義詞典的Ｊｉｅｂａ 進(jìn)行分詞處理， 詞嵌入模型選擇“ｐａｒａ?ｐｈｒａｓｅ－ｍｕｌｔｉｌｉｎｇｕａｌ－ＭｉｎｉＬＭ－Ｌ１２－ｖ２”， 超參數(shù)設(shè)置為ｕｓｅ＿ｍｍｒ＝Ｔｒｕｅ， ｄｉｖｅｒｓｉｔｙ＝０ ４， ｔｏｐ＿ｎ＝ ６， 即每個(gè)專利抽取６ 個(gè)關(guān)鍵詞， 抽取結(jié)果示例如表１。提取關(guān)鍵詞之后， 按照式（１） 計(jì)算指標(biāo)Ｘ１（關(guān)鍵詞早期出現(xiàn)頻率）的得分值。指標(biāo)Ｘ２ 采用余弦相似度計(jì)算， 詞向量模型同上。需要特別說明的是， 本研究對技術(shù)主題新穎性的度量是與先前專利對比實(shí)現(xiàn)的， 而獲取的專利數(shù)據(jù)集最早年份為１９８６ 年，最早的專利沒有對比項(xiàng)， 鑒于２００３ 年以前的專利數(shù)不足３０ 篇， 因此在進(jìn)行專利價(jià)值評估時(shí)僅計(jì)算２００３年以后的專利。

３.２.２ 專利價(jià)值綜合評估

除技術(shù)主題新穎性指標(biāo)以外， 技術(shù)覆蓋范圍、技術(shù)投入、專利權(quán)利和市場前景維度的指標(biāo)均可從ｉｎｃｏＰａｔ 數(shù)據(jù)庫中直接獲取。之后， 利用Ｃｒｉｔｉｃ 賦權(quán)法對６ 類指標(biāo)進(jìn)行加權(quán)， 在計(jì)算綜合得分時(shí)采用百分制。表２ 呈現(xiàn)了部分專利６ 個(gè)指標(biāo)的初始分值和專利價(jià)值的綜合得分。按照綜合得分值降序排列，篩選出高于平均值的專利， 即高價(jià)值專利共２ ５００個(gè)。

３.３ “腦機(jī)接口”領(lǐng)域高價(jià)值專利知識(shí)圖譜構(gòu)建

３.３.１ 確定實(shí)體及關(guān)系類型

有研究總結(jié)了專利摘要包括的一般內(nèi)容， 主要有技術(shù)的新穎性、技術(shù)功效、用途、詳細(xì)描述等，涉及對技術(shù)結(jié)構(gòu)、應(yīng)用領(lǐng)域、性能提升情況、關(guān)鍵組成部件等技術(shù)特征的概括說明［４３－４４］ 。本研究以此作為依據(jù)， 結(jié)合“腦機(jī)接口” 領(lǐng)域?qū)＠猩婕暗膶I(yè)術(shù)語及語義關(guān)系對需要抽取的實(shí)體與關(guān)系類型進(jìn)行定義， 考慮到后續(xù)技術(shù)創(chuàng)新演化分析需要時(shí)間要素， 因此將專利申請年作為了實(shí)體類型之一。共歸納出１２ 類實(shí)體和１２ 類關(guān)系， 具體如表３ 所示。這些實(shí)體及關(guān)系類型是“腦機(jī)接口” 領(lǐng)域的專利摘要中普遍存在的， 而非所有的。

３.３.２ 數(shù)據(jù)標(biāo)注與知識(shí)抽取

訓(xùn)練ＣａｓＲｅｌ 深度學(xué)習(xí)模型需要先對原始的部分?jǐn)?shù)據(jù)進(jìn)行標(biāo)注， 利用訓(xùn)練好的模型抽取未標(biāo)注數(shù)據(jù)中的實(shí)體及關(guān)系。本研究在識(shí)別出２ ５００篇高價(jià)值專利之后， 對其摘要進(jìn)行分句， 清洗重復(fù)句后共獲得２８ ９００多條句子。從中選?。?０００條數(shù)據(jù)進(jìn)行人工標(biāo)注， 標(biāo)注工作由１ 名情報(bào)學(xué)博士生和１ 名醫(yī)學(xué)信息學(xué)博士生完成， 之后邀請領(lǐng)域?qū)＜液藢?。需要特殊說明的是， 實(shí)體關(guān)系類型“專利本身—申請于—申請年” 不需要預(yù)先標(biāo)注和抽取， 因?yàn)樯暾埬曜侄慰蓮膶＠麛?shù)據(jù)庫中直接導(dǎo)出。最后， 人工標(biāo)注的數(shù)據(jù)以Ｊｓｏｎ 格式存儲(chǔ)， 具體如表４ 所示。

模型訓(xùn)練的實(shí)驗(yàn)環(huán)境配置為： 在Ｇｏｏｇｌｅ Ｃｏｌａｂ平臺(tái)上配置Ｔｏｒｃｈ２ ０ １＋ｃｕ１１８、Ｔｅｎｓｏｒｆｌｏｗ４ １８ ０、ｆａｓｔＮＬＰ０ ７、Ｐｙｔｈｏｎ３ １０ 環(huán)境。訓(xùn)練時(shí)， 將標(biāo)注好的數(shù)據(jù)以６ ∶２ ∶２ 的比例劃分為訓(xùn)練集、驗(yàn)證集和測試集， 實(shí)驗(yàn)參數(shù)設(shè)置為： ｍａｘ＿ｅｐｏｃｈ ＝ ５０、ｂａｔｃｈ＿ｓｉｚｅ＝４、ｌｅａｒｎｉｎｇ＿ｒａｔｅ＝ １ｅ－５、ｍａｘ＿ｌｅｎ ＝ ２００。模型訓(xùn)練的最優(yōu)結(jié)果為Ｆ１ 值達(dá)到０ ８１、準(zhǔn)確率為０ ８１、召回率為０ ８０。最后， 用訓(xùn)練好的模型抽取未標(biāo)注的句子中的三元組， 并進(jìn)行人工校對。

３.３.３ 知識(shí)融合與存儲(chǔ)

利用ＣａｓＲｅｌ 深度學(xué)習(xí)模型抽取完三元組之后，需要對實(shí)體進(jìn)行對齊， 參考專業(yè)詞典將同一實(shí)體的多種表述（如“ＥＥＧ 信號(hào)” 與“腦電信號(hào)”）進(jìn)行統(tǒng)一?；诒恚?定義的實(shí)體關(guān)系類型， 共獲得１０ ３５８個(gè)三元組。之后， 將融合后的三元組存儲(chǔ)到Ｎｅｏ４ｊ圖數(shù)據(jù)庫中。需要特殊說明的是， “專利本身” 這個(gè)類型的實(shí)體指代的是整個(gè)專利， 從句子中抽取三元組時(shí)， 該實(shí)體一般為“本發(fā)明” “本申請” “本實(shí)用新型” 等。如果直接導(dǎo)入圖數(shù)據(jù)庫會(huì)導(dǎo)致無法區(qū)分每個(gè)專利， 如果用標(biāo)題和摘要作為節(jié)點(diǎn)內(nèi)容過長， 因此這里采用序號(hào)指代不同的專利。圖３ 是所構(gòu)建的高價(jià)值專利知識(shí)圖譜的局部示意圖。

３.４ “腦機(jī)接口”領(lǐng)域高價(jià)值專利的技術(shù)創(chuàng)新演化

本研究識(shí)別出的“腦機(jī)接口” 領(lǐng)域高價(jià)值專利的申請年分布在２００３—２０２３ 年。腦機(jī)接口技術(shù)形成于２０ 世紀(jì)７０ 年代， １９９９ 年和２００２ 年兩次ＢＣＩ 國際會(huì)議為腦機(jī)接口技術(shù)的發(fā)展指明了方向。２０００ 年以后腦機(jī)接口進(jìn)入技術(shù)爆發(fā)階段， ２１ 世紀(jì)前十年發(fā)展成為一個(gè)研究領(lǐng)域， 涌現(xiàn)出多種新型的腦機(jī)接口實(shí)驗(yàn)范式。２０１０ 年以后腦機(jī)接口研究的規(guī)模急劇擴(kuò)大并滲透至其他領(lǐng)域［４５］ 。２０１６ 年該領(lǐng)域又取得了幾項(xiàng)重大突破， 出現(xiàn)了第一個(gè)有觸覺的可靈活控制機(jī)械手臂的人腦控機(jī)器人［４６］ ， 癱瘓患者用ＢＣＩ＋ＶＲ 實(shí)現(xiàn)行走［４７］ ， 腦機(jī)接口技術(shù)迎來新的發(fā)展高潮。根據(jù)其發(fā)展歷程及關(guān)鍵轉(zhuǎn)折點(diǎn)， 在技術(shù)創(chuàng)新演化分析時(shí)劃分為３ 個(gè)階段， 分別是２００３—２００９年、２０１０—２０１６ 年、２０１７—２０２３ 年。技術(shù)創(chuàng)新演化分析的維度從粗粒度到細(xì)粒度， 包括主題維度、專利本質(zhì)維度、應(yīng)用領(lǐng)域維度、方法／ 技術(shù)維度、解決問題維度以及其他維度（性能優(yōu)勢、硬件（組件）維度等）。

３.４.１ “腦機(jī)接口” 領(lǐng)域高價(jià)值專利的“技術(shù)主題” 創(chuàng)新演化

在構(gòu)建的“腦機(jī)接口” 領(lǐng)域高價(jià)值專利知識(shí)圖譜中， 序號(hào)指代的是專利本身。針對專利本身可以先從粗粒度的技術(shù)主題角度分析演化趨勢。本研究利用Ｂｅｒｔｏｐｉｃ 主題模型， 基于高價(jià)值專利的標(biāo)題和摘要對３ 個(gè)時(shí)間段的專利主題進(jìn)行識(shí)別， 并利用余弦相似度計(jì)算相鄰時(shí)間段的主題間的相似度， 繪制技術(shù)主題演化的?；鶊D， 如圖４ 所示。該圖中，相鄰主題間連線越粗， 主題相似度越高。從圖中可以看出， 隨著時(shí)間的推移“腦機(jī)接口” 領(lǐng)域的技術(shù)主題越來越多樣化。而關(guān)于“腦機(jī)接口改進(jìn)與優(yōu)化” “腦電信號(hào)處理方法” “腦機(jī)接口在輔助運(yùn)動(dòng)與康復(fù)中的應(yīng)用” “用戶神經(jīng)狀態(tài)監(jiān)測” 等的研發(fā)始終是領(lǐng)域關(guān)注的重點(diǎn)。在２０１０ 年以前腦機(jī)接口領(lǐng)域重點(diǎn)關(guān)注基礎(chǔ)原理以及技術(shù)框架研究， 集中于腦機(jī)接口裝置和腦波信號(hào)基本處理技術(shù)等主題。２０１０—２０１６ 年間， 技術(shù)研究更加深入并逐漸開始涉及臨床應(yīng)用， 腦機(jī)接口系統(tǒng)優(yōu)化、腦機(jī)接口技術(shù)在診療與康復(fù)干預(yù)中的應(yīng)用， 以及對多類腦電信號(hào)的深度處理等主題成為重點(diǎn)。２０１７ 年以來， 人工智能、虛擬現(xiàn)實(shí)、增強(qiáng)現(xiàn)實(shí)等技術(shù)的發(fā)展為腦機(jī)接口技術(shù)的進(jìn)步注入了新的動(dòng)能， 基于機(jī)器學(xué)習(xí)、智能算法、無人機(jī)、ＶＲ 等的腦機(jī)接口技術(shù)研發(fā)、實(shí)際應(yīng)用與產(chǎn)業(yè)化等相關(guān)主題的研究激增， 主題更加多樣化并呈現(xiàn)跨領(lǐng)域特性， 如腦機(jī)接口與無人機(jī)設(shè)備的結(jié)合、腦信號(hào)用于認(rèn)知任務(wù)等。

３.４.２ “腦機(jī)接口” 領(lǐng)域高價(jià)值專利的“專利本質(zhì)” 創(chuàng)新演化

本研究中的“專利本質(zhì)” 是指專利的實(shí)質(zhì)，具體體現(xiàn)為系統(tǒng)、方法或裝置。該維度的技術(shù)創(chuàng)新演化分析主要是為了了解在不同階段“腦機(jī)接口”領(lǐng)域研發(fā)的重點(diǎn)對象是什么， 隨著時(shí)間推移呈現(xiàn)何種發(fā)展態(tài)勢。分析過程中， 利用ｎｅｏ４ｊ 的查詢語言進(jìn)行條件查詢。比如， 構(gòu)建查詢語句： ｍａｔｃｈ（ｎ：‘專利序號(hào)） －［ｒ：‘申請于］ －＞（ｐ：‘申請年），（ｎ）－［ｓ：‘是］ －＞（ｍ：‘系統(tǒng)／ 方法／ 裝置） ｗｈｅｒｅｐ．ｎａｍｅ ＝ ‘２０１０ ｏｒ ｐ．ｎａｍｅ ＝ ‘２０１１ ｏｒ ｐ．ｎａｍｅ ＝‘２０１２ ｏｒ ｐ．ｎａｍｅ＝‘２０１３ ｏｒ ｐ．ｎａｍｅ＝‘２０１４ ｏｒ ｐ．ｎａｍｅ＝‘２０１５ ｏｒ ｐ．ｎａｍｅ＝‘２０１６ ｒｅｔｕｒｎ ｎ，ｓ，ｍ， 可獲取第二個(gè)階段專利本質(zhì)的實(shí)體及關(guān)系， 圖５ 為局部示意圖。

在知識(shí)圖譜中檢索３ 個(gè)階段的“系統(tǒng)／ 方法／裝置” 類型的實(shí)體之后， 分別進(jìn)行人工歸納， 總結(jié)出每個(gè)時(shí)間段主要的“專利本質(zhì)”， 演化路線如圖６ 所示。從圖６ 可以看出， ２０１０ 年以前“腦機(jī)接口” 領(lǐng)域的研發(fā)重點(diǎn)是腦機(jī)接口的裝置、控制系統(tǒng)與方法、腦波信號(hào)檢測和處理的系統(tǒng)與方法；隨著各項(xiàng)技術(shù)的發(fā)展， 研發(fā)對象趨向多樣化和細(xì)分化， 腦機(jī)接口系統(tǒng)的類型逐漸增多， 且不僅局限于腦機(jī)接口系統(tǒng)本身的開發(fā)， 還涉及應(yīng)用腦機(jī)接口技術(shù)的各領(lǐng)域系統(tǒng)的研發(fā)， 如智能家居的控制系統(tǒng)。近年來， “腦機(jī)接口” 領(lǐng)域的研發(fā)對象更是拓展至無人機(jī)模擬訓(xùn)練系統(tǒng)、車輛控制方法和系統(tǒng)等。從方法研究來看， 早期注重對腦機(jī)接口控制和實(shí)現(xiàn)方法的探索， 之后越來越側(cè)重于腦機(jī)接口的應(yīng)用與優(yōu)化方法。

３.４.３ “腦機(jī)接口” 領(lǐng)域高價(jià)值專利的“應(yīng)用領(lǐng)域” 創(chuàng)新演化

基于所構(gòu)建的知識(shí)圖譜， 可通過條件查詢分別獲?。?個(gè)階段的“專利本身—應(yīng)用于—應(yīng)用領(lǐng)域”三元組。比如， 構(gòu)建查詢： ｍａｔｃｈ（ｎ：‘專利序號(hào)）－［ｒ：‘申請于］ －＞（ｐ：‘申請年），（ｎ） －［ｓ：‘應(yīng)用于］－＞（ｍ：‘應(yīng)用領(lǐng)域） ｗｈｅｒｅ ｐ．ｎａｍｅ＝‘２０１７ ｏｒｐ．ｎａｍｅ ＝ ‘２０１８ ｏｒ ｐ．ｎａｍｅ ＝ ‘２０１９ ｏｒ ｐ．ｎａｍｅ ＝‘２０２０ ｏｒ ｐ．ｎａｍｅ＝‘２０２１ ｏｒ ｐ．ｎａｍｅ＝‘２０２２ ｏｒ ｐ．ｎａｍｅ＝‘２０２３ ｒｅｔｕｒｎ ｎ，ｓ，ｍ， 返回結(jié)果（局部）如圖７所示。

在獲?。?個(gè)階段“應(yīng)用領(lǐng)域” 類型的實(shí)體之后， 分別進(jìn)行分類、歸納， 總結(jié)出每個(gè)時(shí)間段腦機(jī)接口技術(shù)的主要應(yīng)用領(lǐng)域， 結(jié)果如表５ 所示。

從表５ 可以看出， “腦機(jī)接口” 技術(shù)的應(yīng)用范圍不斷擴(kuò)大， 從前期主要用于醫(yī)療領(lǐng)域的患者狀態(tài)檢測、康復(fù)訓(xùn)練、輔助交流， 到中期用于外部設(shè)備控制、娛樂和輔助睡眠、交通領(lǐng)域等生活場景中，再到近年來延伸至航空航天模擬訓(xùn)練、教育、科研、ＡＲ／ ＶＲ 設(shè)備應(yīng)用等更廣泛的領(lǐng)域中。說明“腦機(jī)接口” 作為前沿科技交叉融合領(lǐng)域， 應(yīng)用前景非常廣闊。

３.４.４ “腦機(jī)接口” 領(lǐng)域高價(jià)值專利其他維度的創(chuàng)新演化

將“腦機(jī)接口” 領(lǐng)域高價(jià)值專利在“方法／技術(shù)” “解決問題” “性能／優(yōu)勢” “組件” 等維度的技術(shù)創(chuàng)新演化總結(jié)為圖８。從“方法／技術(shù)” 維度來看， 主要呈現(xiàn)“傳統(tǒng)生物信號(hào)處理方法—機(jī)器學(xué)習(xí)方法與虛擬現(xiàn)實(shí)技術(shù)—深度學(xué)習(xí)方法與增強(qiáng)現(xiàn)實(shí)及混合現(xiàn)實(shí)技術(shù)” 的發(fā)展趨勢； 從“方法／ 技術(shù)—處理—生物信號(hào)” 關(guān)系類型來看， 隨著技術(shù)方法種類的增多和智能化， 所處理的生物信號(hào)更加精細(xì)和多樣， 如瞬態(tài)ＥＥＧ 信號(hào)、多通道運(yùn)動(dòng)想象腦電信號(hào)、腦電肌電雙模態(tài)信號(hào)等； 從“解決問題” 維度來看， 前期較為關(guān)注功能性問題， 到后來重視技術(shù)問題、效果和效率問題， 而近年來“人機(jī)交互體驗(yàn)” 問題逐漸成為重點(diǎn)； 從“性能／ 優(yōu)勢” 維度來看， 簡單、可靠、方便使用一直是專利研發(fā)追求的目標(biāo)， 中期開始從使用者角度改進(jìn)腦機(jī)接口的性能（比如減少受試者疲勞）， 近年來又逐漸兼顧醫(yī)護(hù)人員的體驗(yàn)， 以及除了功能和操作性能以外的趣味性， 逐漸體現(xiàn)人文關(guān)懷的特點(diǎn)； 從組件構(gòu)成來看，設(shè)備更加多樣化、便攜化， 除了腦電采集設(shè)備以外，越來越多地涉及一些外控外聯(lián)設(shè)備。

４ 研究結(jié)論

本研究以“腦機(jī)接口” 領(lǐng)域的專利文獻(xiàn)為例，構(gòu)建了反映專利價(jià)值的多維指標(biāo)體系以識(shí)別高價(jià)值專利， 進(jìn)而構(gòu)建“腦機(jī)接口” 領(lǐng)域的高價(jià)值專利知識(shí)圖譜， 在此基礎(chǔ)上從技術(shù)主題、本質(zhì)、應(yīng)用領(lǐng)域、方法、解決問題、性能優(yōu)勢、組件等維度分析了技術(shù)創(chuàng)新演化態(tài)勢。研究主要得出以下結(jié)論：

設(shè)計(jì)的高價(jià)值專利篩選指標(biāo)具有側(cè)重性與合理性， 通過實(shí)證檢驗(yàn)與專家評價(jià)驗(yàn)證了技術(shù)新穎性指標(biāo)計(jì)算方法的優(yōu)越性以及整套評價(jià)指標(biāo)體系的可用性， 使后續(xù)的高價(jià)值專利技術(shù)創(chuàng)新演化分析具有可靠性。

知識(shí)圖譜能夠深度、直觀、細(xì)粒度地揭示專利文獻(xiàn)中的技術(shù)特征， 從而為技術(shù)創(chuàng)新演化分析提供了更多維的視角， 使得分析的層次更加深入， 有助于為研發(fā)者、政策制定者、科技戰(zhàn)略制定者提供更具體的參考。

基于研究結(jié)論， 本文提出以下建議： 在現(xiàn)有的專利數(shù)據(jù)庫中， 參考本研究設(shè)計(jì)的高價(jià)值專利評估體系及知識(shí)圖譜構(gòu)建方法， 嵌入高價(jià)值專利自動(dòng)識(shí)別、知識(shí)問答和創(chuàng)新情報(bào)推送的功能模塊。一方面，提供基于知識(shí)圖譜的智能檢索或問答服務(wù)， 根據(jù)用戶需求為其返回各個(gè)時(shí)期特定領(lǐng)域的高價(jià)值專利；另一方面， 基于知識(shí)圖譜為用戶提供多維度的技術(shù)創(chuàng)新演化、專利技術(shù)的對比分析、創(chuàng)新情報(bào)咨詢等各項(xiàng)服務(wù)。

本文的創(chuàng)新之處與研究貢獻(xiàn)主要體現(xiàn)如下： 首先在高價(jià)值專利識(shí)別的指標(biāo)設(shè)計(jì)中， 提出了一種測度專利技術(shù)主題新穎性的新方法， 并與反映專利市場價(jià)值和法律價(jià)值的其他指標(biāo)進(jìn)行組合， 形成了多維度的評估指標(biāo)體系； 其次， 利用知識(shí)圖譜提供了更加精細(xì)的、多點(diǎn)的、具體的專利技術(shù)創(chuàng)新演化分析視角， 而非局限于粗粒度的主題分析， 能夠?yàn)檠芯空咛峁└迂S富的參考。本研究存在的不足主要體現(xiàn)在： 用于識(shí)別高價(jià)值專利的指標(biāo)仍有補(bǔ)充的空間， 并且僅采用了一個(gè)領(lǐng)域的專利文獻(xiàn)進(jìn)行實(shí)驗(yàn)，數(shù)據(jù)的范圍和規(guī)模都有待擴(kuò)展。未來將進(jìn)一步豐富高價(jià)值專利篩選的指標(biāo)體系， 選取更多領(lǐng)域、更大規(guī)模的數(shù)據(jù)進(jìn)行分析， 使該方法具有更廣泛的適用性。

（責(zé)任編輯： 郭沫含）