基于專利共被引方法的研究前沿識別
——以腦機接口領(lǐng)域為例*

高　楠，傅俊英，趙蘊華（中國科學(xué)技術(shù)信息研究所，北京 100038）

基于專利共被引方法的研究前沿識別
——以腦機接口領(lǐng)域為例*

高楠，傅俊英，趙蘊華
（中國科學(xué)技術(shù)信息研究所，北京 100038）

探索基于專利共被引分析來識別領(lǐng)域研究前沿的方法。采用基于原始觀測值和余弦距離兩種相似度算法，建立專利相似度矩陣，利用社會網(wǎng)絡(luò)分析，獲得研究前沿簇，再進行簇類命名，得到研究前沿。利用Innography數(shù)據(jù)庫的腦機接口領(lǐng)域?qū)＠麛?shù)據(jù)對此方法進行驗證，并對兩種算法獲得的結(jié)果進行比較，發(fā)現(xiàn)相對于基于原始觀測值的相似度算法，余弦距離相似度算法能識別出更多的研究前沿，且識別結(jié)果的內(nèi)容更為豐富。

研究前沿；專利；共被引分析；腦機接口；相似度算法

對科技信息實時追蹤、識別領(lǐng)域研究前沿，是科技情報工作的重要內(nèi)容之一。目前文獻計量學(xué)領(lǐng)域?qū)τ谘芯壳把氐淖R別分析，多以論文作為數(shù)據(jù)源，較少涉及專利數(shù)據(jù)。世界知識產(chǎn)權(quán)組織公布的一組數(shù)據(jù)顯示［1］，專利說明書中含有90％～95％的研發(fā)成果，其中85％以上的技術(shù)將不再出現(xiàn)于其他技術(shù)文獻中，且要比其他載體早公開1-2年。專利數(shù)據(jù)涵蓋了更為廣博豐富的技術(shù)信息，適于領(lǐng)域的研究前沿分析。但專利數(shù)據(jù)具有其特殊性如專利家族，在實際分析中要針對具體情況加以研究。

1　研究進展

1965年P(guān)rice［2］首次基于文獻計量提出研究前沿的概念及識別方法，認(rèn)為研究前沿由30～50篇最近發(fā)表的高被引文獻組成，涉及的方法是被引頻次統(tǒng)計。1974年，Small和Griffith［3］首先提出共被引分析（Co-Citation Analysis, CCA）方法，認(rèn)為共被引聚類得到的聯(lián)系緊密的簇就是研究前沿，同時利用不同時間段內(nèi)共被引網(wǎng)絡(luò)的差異分析研究前沿的產(chǎn)生、發(fā)展和衍化情況，并預(yù)測未來走向，進而得到研究前沿演進圖。Garfield［4］對SCI數(shù)據(jù)庫收錄的高被引文獻的前100,000篇進行共被引聚類，提出研究前沿是由共被引文獻簇和這些簇類的引文組成。同樣采用共被引分析法，Gonzalex和Castro［5］識別了管理科學(xué)領(lǐng)域的研究前沿，侯海燕［6］對科學(xué)計量學(xué)領(lǐng)域進行了研究前沿分析。另外，有學(xué)者將其他分析方法和共被引分析結(jié)合，對研究前沿進行識別。如崔雷等［7］按時間排序篩選出不同時段的高被引文獻，然后結(jié)合主題詞聚類分析，對支氣管肺泡灌洗術(shù)領(lǐng)域的研究前沿進行識別和預(yù)測；劉則淵等［8］則結(jié)合知識圖譜分析對管理學(xué)理論前沿、國際創(chuàng)新管理領(lǐng)域前沿和戰(zhàn)略管理學(xué)領(lǐng)域前沿進行了識別。共被引分析方法的缺點是具有一定的時滯性，因為文獻被其他文獻引用需要時間。

與論文共被引相似，專利的共被引是指兩條專利同時被其他專利引用的現(xiàn)象，反映了兩條專利所代表的技術(shù)在理論或方法上的相似性或同源性［9］。但是，專利共被引分析的時滯性問題會更突出，因為專利從申請到公開有最多18個月的滯后。本文將探討以專利為數(shù)據(jù)源，對其做相應(yīng)處理后，識別研究前沿的方法。

2　研究方法

2.1 數(shù)據(jù)源的選擇

專利數(shù)據(jù)存在專利家族的特殊性，一個專利家族的同族專利是指擁有相同優(yōu)先權(quán)專利，在不同國家或組織多次申請、多次公布或?qū)徍伺鷾?zhǔn)的一系列內(nèi)容相同或相似的專利文獻［10］，表征相同或相似的技術(shù)。故本文對專利家族，而非單個專利進行研究。ProQuest Dialog公司的Innography專利信息檢索和分析平臺有專利家族號（Family ID, FID）字段，同族專利的家族成員擁有相同的FID，代表一個技術(shù)點，因而本研究采用該數(shù)據(jù)庫作為數(shù)據(jù)源進行研究前沿分析。數(shù)據(jù)庫中的專利前向引用指標(biāo)（Forward Citations）即專利的被引用情況，反映了專利的技術(shù)重要性和社會價值［11］，在本研究中用于共被引分析。

2.2 時間窗劃分

時間窗的劃分一般通過技術(shù)周期（Technology Cycle Time, TCT）設(shè)置或人為劃分，但采用TCT設(shè)置滑窗寬度在實際操作中難度較大，對于大樣本數(shù)據(jù)的可操作性不強；而人為劃分主觀性太強。專利計量學(xué)中已有的專利技術(shù)生命周期測度方法［12］，是以專利申請數(shù)量為縱坐標(biāo)，專利權(quán)人數(shù)量為橫坐標(biāo)，繪制散點圖得到的。專利權(quán)人數(shù)反映了研發(fā)機構(gòu)或個人的數(shù)量，專利申請量反映了該領(lǐng)域的科技產(chǎn)出情況，數(shù)量越多則該領(lǐng)域的科技活動越頻繁。通過觀察二者之間的關(guān)系，可以初步判斷某技術(shù)領(lǐng)域的技術(shù)成熟度，即該技術(shù)正處于萌芽階段、發(fā)展階段、成熟階段或衰退階段。本文創(chuàng)新性地在研究前沿識別方法中利用領(lǐng)域的專利技術(shù)生命周期圖來劃分時間窗。

2.3 相似度矩陣建立

將同一FID所有家族成員的前引數(shù)據(jù)首先合并，使得每個FID僅出現(xiàn)一次。但是，在合并前引數(shù)據(jù)時，由于有兩種對相同前引專利的計數(shù)方式，本研究采用兩種相似度計算方法，進而衍生出兩種共被引相似度矩陣生成方法。

第一種基于原始觀測值（Observed Value, OV）的相似度計算方法，是在合并前引數(shù)據(jù)時，對于專利家族各成員的相同前引專利全部歸一，只計數(shù)1次，專利對間的相似度即二者相同前引專利的數(shù)量。該方法反映的是樣本間絕對的共現(xiàn)次數(shù)，可以真實地反映共現(xiàn)情況，但無法反映集合的引用偏好，對于兩個集合的相似度判斷存在缺陷。

第二種基于余弦距離（Cosine Distance, CD）的相似度計算方法，是將專利家族各成員的前引專利疊加，轉(zhuǎn)化成空間向量，然后計算兩兩向量間夾角的余弦值，得到余弦距離（也稱為余弦相似度［13］）。該方法反映的是樣本間相對的共現(xiàn)次數(shù)，可以保留集合的引用偏好情況，但缺點是無法還原真實的共現(xiàn)次數(shù)。

兩種方法各有利弊，互為補充，因此本文采用兩種相似度計算方法分別建立共被引相似度矩陣。相似度矩陣的行與列均為FID，根據(jù)專利前向引用指標(biāo)和兩種相似度算法分別計算專利家族對間的相似度，遍歷所有專利家族對后，即可分別建立基于原始觀測值的共被引相似度矩陣（OV-CCA）和基于余弦距離的共被引相似度矩陣（CD-CCA）。

2.4 研究前沿識別

利用UCINET社會網(wǎng)絡(luò)分析法對引文相似度矩陣進行聚類，連續(xù)調(diào)節(jié)閾值直到所得簇類結(jié)果最多為止，該閾值即此時間窗的閾值，所得簇類即研究前沿。統(tǒng)計結(jié)果時，根據(jù)張嘉彬［14］的研究，將包含三個及以上的專利家族聚類算作一個研究前沿。最后，對識別出的研究前沿進行命名，依據(jù)其共同的聯(lián)合專利分類號（Cooperative Patent Classification, CPC）以及專利內(nèi)容，綜合運用人工解讀、切詞技術(shù)和專家智慧對研究前沿簇進行命名。

對命名結(jié)果進行匯總時，對各個聚類簇中專利家族所含家族成員的平均優(yōu)先權(quán)年和平均公布年均進行理論計算。前者反映前沿簇最早出現(xiàn)的平均年份，后者是公眾可查詢的平均年份。另外，還對聚類簇所含的專利家族和專利成員的數(shù)量和所占比例進行統(tǒng)計。因為在同一個時間窗內(nèi)，可以認(rèn)為數(shù)量最多且占比最大的簇類是該時間階段內(nèi)技術(shù)發(fā)展的重點。

3　腦機接口領(lǐng)域?qū)嵶C分析

腦科學(xué)領(lǐng)域的腦機接口技術(shù)（Brain Computer Interface, BCI）指在無外周神經(jīng)系統(tǒng)和肌肉組織參與的條件下，通過計算機等電子設(shè)備采集轉(zhuǎn)化大腦活動信號為輸出控制信號，進而與外界環(huán)境進行交流，涉及計算機科學(xué)、神經(jīng)生理學(xué)和康復(fù)醫(yī)學(xué)等領(lǐng)域［15-17］，被國際多個權(quán)威機構(gòu)選為21世紀(jì)的研究前沿和熱點之一［18］，通過科學(xué)計量方法識別腦機接口領(lǐng)域的研究前沿，并與文獻調(diào)研結(jié)果比較，有重要的理論和實踐意義。

3.1 數(shù)據(jù)源

在Innography專利信息檢索和分析平臺檢索腦機接口技術(shù)領(lǐng)域相關(guān)專利，檢索時間范圍為1986年-2015 年5月30日，得到6,374件專利，進行數(shù)據(jù)清洗剔除無關(guān)專利，最終得到相關(guān)專利6,243件。

3.2 基于技術(shù)生命周期劃分時間窗

依據(jù)2.2節(jié)方法對下載數(shù)據(jù)的專利權(quán)人字段進行預(yù)處理，繪制腦機接口領(lǐng)域的專利技術(shù)生命周期曲線（見圖1），從圖中可以看出該領(lǐng)域能細(xì)分為三個發(fā)展階段：

圖1　腦機接口領(lǐng)域?qū)＠夹g(shù)生命周期圖注：由于專利申請日和公開日之間存在18個月的時間間隔，因此近兩年專利申請數(shù)據(jù)的統(tǒng)計不完整，不能真實反映腦機接口技術(shù)的發(fā)展趨勢，圖中用虛線表示。

第一階段：1986-1995年，萌芽階段。該階段由于技術(shù)市場還不明確，研發(fā)風(fēng)險較大，只有少數(shù)幾個機構(gòu)參與相關(guān)的技術(shù)研究與市場開發(fā)，專利權(quán)人數(shù)量和專利申請數(shù)量均增長緩慢。

第二階段：1996-2005年，小幅增長階段。該階段技術(shù)生命周期圖上的點間距離較密集，說明專利研發(fā)者和專利數(shù)量都有增長，但增長幅度并不太大。

第三階段：2006-2015年，大幅增長階段。該階段技術(shù)生命周期圖上的點間距離明顯加大。表明該技術(shù)有了較大突破，其隱含的經(jīng)濟價值開始顯現(xiàn)出來，有較多的機構(gòu)在這一期間加入該領(lǐng)域的研究，專利數(shù)量也增加明顯。

統(tǒng)計各個時間窗內(nèi)的專利數(shù)量和專利家族數(shù)量如表1所示。

表1　各時間窗內(nèi)專利數(shù)量和專利家族數(shù)量

3.3 基于原始觀測值相似度算法

在按優(yōu)先權(quán)年劃分的1986-1995、1996-2005、 2006-2015三個時間窗內(nèi)，根據(jù)2.3節(jié)所述方法，利用VBA編程計算專利對間相似度，分別得到“226×226”、“900 ×900”和“1848×1848”的腦機接口領(lǐng)域的共被引相似度矩陣。識別各時間窗的聚類簇得到圖2-圖4所示結(jié)果，圖中每個圓圈代表一個技術(shù)點，以專利家族號表示，線的粗細(xì)表示FID間聯(lián)系的緊密程度?；贠VCCA識別研究前沿，共得到三個時間窗內(nèi)11個研究前沿簇，涵蓋81個專利家族，共235件專利。其中2006-2015年間，聚類出的研究前沿簇最多，達(dá)到4個。最后，對研究前沿簇進行命名，得到表2中的命名結(jié)果。

（1）1986-1995年間的研究前沿

調(diào)節(jié)觀測值的閾值為23，最終得到1986-1995年間的共4個研究前沿簇，涵蓋24個專利家族，共39件專利（見圖2）。圖中最右側(cè)的研究前沿簇所含專利家族號最多，達(dá)到18個，占總有效聚類結(jié)果的75％，但進一步分析發(fā)現(xiàn)，該簇反映了兩個研究前沿方向，分別是基于誘發(fā)響應(yīng)（如P300）和自發(fā)響應(yīng)（如事件相關(guān)電位）的腦電圖，以及通過神經(jīng)元沖動控制電子游戲，以序號A1 和A4分別表示。

圖2　基于OV-CCA識別1986-1995年間BCI研究前沿

（2）1996-2005年間的研究前沿

調(diào)節(jié)觀測值的閾值為60，最終得到1996-2005年間的共3個研究前沿簇，涵蓋18個專利家族，共58件專利（見圖3）。該聚類結(jié)果以研究前沿A6所占的比例最大，達(dá)到61.1％，反映了這個時間窗內(nèi)技術(shù)發(fā)展重點是評估神經(jīng)系統(tǒng)的檢測、測量或記錄，屬于腦機接口的信號采集部分。

圖3　基于OV-CCA識別1996-2005年間BCI研究前沿

（3）2006-2015年間的研究前沿

調(diào)節(jié)觀測值的閾值為10，最終得到2006-2015年間的共4個研究前沿簇，涵蓋39個專利家族，共138件專利（見圖4）。圖中下側(cè)的聚類簇所含專利家族號最多，達(dá)到33個，進一步可細(xì)化為A8利用誘發(fā)響應(yīng)對腦電信號分類、定量評價精神狀態(tài)和A11利用植入式神經(jīng)刺激器治療癲癇等神經(jīng)系統(tǒng)疾病兩個簇，反映了近十年腦機接口的研究從信號采集，深入到進行信號處理和利用腦機接口輔助診斷和治療。國際腦機接口會議每三年舉行一次，其所展示的研究前沿內(nèi)容具備權(quán)威性，且最能反映近十年，乃至未來一到三年的重要發(fā)展方向。2013年舉行的第五屆國際腦機接口會議也提到與本文識別的研究前沿相同的BCI未來發(fā)展方向［19］：相比于非植入式BCI，植入式BCI展現(xiàn)出其對大腦活動信號控制更好的質(zhì)量和速度，而成為新的研究聚焦點。另外，還可利用BCI進行意識檢測和評估認(rèn)知精神狀態(tài)。

圖4　基于OV-CCA識別2006-2015年間BCI研究前沿

表2　基于OV-CCA的研究前沿識別結(jié)果

續(xù)表

3.4 基于余弦距離相似度算法

在按優(yōu)先權(quán)年劃分的1986-1995、1996-2005、2006-2015三個時間窗內(nèi)，根據(jù)2.3節(jié)所述方法，利用湯森路透數(shù)據(jù)分析（Thomson Data Analyze，TDA）工具計算專利對間余弦相似度，分別得到“226×226”、“900×90”和“1848×1848”的腦機接口領(lǐng)域的共被引相似度矩陣。識別各時間窗的聚類簇得到圖5-圖7所示結(jié)果，基于CD-CCA識別研究前沿，共得到三個時間窗內(nèi)20個研究前沿簇，涵蓋119個專利家族，304件專利。其中2006-2015年，聚類出的研究前沿簇最多，達(dá)到9個。最后，對研究前沿簇進行命名，得到表3中的命名結(jié)果。

（1）1986-1995年間的研究前沿

調(diào)節(jié)余弦距離閾值為0.27，最終得到1986-1995年間的共3個研究前沿簇，涵蓋25個專利家族，共39件專利（見圖5）。該聚類結(jié)果中a1所占比例最大，達(dá)到52％，反映了該時間窗內(nèi)技術(shù)發(fā)展重點是利用視覺誘發(fā)響應(yīng)檢測、測量或記錄腦電信號，屬于腦機接口的信號采集部分，且信號源屬于視覺誘發(fā)電位。視覺誘發(fā)電位是最常見也是最易引發(fā)和記錄的腦電信號，包括瞬態(tài)視覺誘發(fā)電位和穩(wěn)態(tài)視覺誘發(fā)電位，其中又以后者應(yīng)用最多。高信噪比，使得即使在頭皮也能記錄到較強的信號［20］；它屬于人對外界視覺刺激（如閃光、熒光刺激和顏色交替等）的正常反應(yīng)，所以幾乎不需要用戶訓(xùn)練，這都促使了穩(wěn)態(tài)視覺誘發(fā)電位在早期階段大量應(yīng)用。

圖5　基于CD-CCA識別1986-1995年間BCI研究前沿

（2）1996-2005年間的研究前沿

調(diào)節(jié)余弦距離閾值為0.54，最終得到1996-2005年間的共8個研究前沿簇，涵蓋57個專利家族，共204件專利（見圖6）。圖中研究前沿a5所占的比例最大，達(dá)到31.6％，反映了該時間窗內(nèi)技術(shù)發(fā)展重點是診斷或監(jiān)視神經(jīng)系統(tǒng)的活動及異常病變，屬于利用腦機接口輔助診斷或治療。從初步的信號采集逐漸深化到有關(guān)神經(jīng)系統(tǒng)疾病的診斷和治療，尤以癲癇的診斷研發(fā)為最。

（3）2006-2015年間的研究前沿

調(diào)節(jié)余弦距離閾值為0.53，最終得到1996-2005年間的共9個研究前沿簇，涵蓋37個專利家族，共61件專利（見圖7）。該時間窗內(nèi)聚類出許多小的團簇，一定程度上反映了近十年腦機接口發(fā)展的多元化。其中以a19神經(jīng)響應(yīng)測量的市場化應(yīng)用所占比例相對較高，達(dá)到18.9％。隨著腦機接口的不斷發(fā)展，市場化是必然的趨勢，如神經(jīng)刺激材料的研發(fā)等。另外，隨著各種成像技術(shù)的發(fā)展使得作為腦機接口的輸入信號源種類也大為豐富，除了傳統(tǒng)的腦電圖，還有腦磁圖、功能近紅外光譜成像（Functional Near-Infrared Spectroscopy, fNIRS）、功能性磁共振成像等腦部成像，甚至眼動電圖、面部情感等都可以作為人機交互的輸入端。這些對于腦機接口的市場化應(yīng)用都起著重要的推動作用。第五屆國際腦機接口會議上也提到了以上相同內(nèi)容［19］：不斷追求用戶體驗友好性、易用性，便于BCI的市場化推廣。

圖6　基于CD-CCA識別1996-2005年間BCI研究前沿

圖7　基于CD-CCA識別2006-2015年間BCI研究前沿

另外，a6中還涉及基于近紅外光譜的腦機接口（fNIRS-BCI），Sitaram等［21］于2007年才第一次提出fNIRS-BCI的相關(guān)研究，該技術(shù)對頭動不敏感，設(shè)備輕便，收集信號過程無噪音［22］，是目前最新的腦機接口研究方向之一。這是OV-CCA識別結(jié)果中未涉及的重要的BCI研究前沿。a1和a7還提到了目前BCI技術(shù)最常用的信號處理方法，小波變換方法；在輔助診斷和治療方面，除了與OV-CCA類似的利用植入式BCI，還涉及a3基于腦電傳感數(shù)據(jù)的醫(yī)療保健設(shè)備和a5基于生物活性檢測的醫(yī)療診斷系統(tǒng)，利用計算機輔助開具藥物處方或藥物輸送。a7中提到的多模腦電圖，在第五屆腦機接口國際會議上也有重點強調(diào)［19］。由此可見，CD-CCA的識別結(jié)果除了在數(shù)量上占據(jù)明顯優(yōu)勢外，在識別內(nèi)容上也比OV-CCA所涉及的面更廣、更豐富。

表3　基于CD-CCA的研究前沿識別結(jié)果

續(xù)表

3.5 結(jié)果對比

匯總基于OV-CCA和基于CD-CCA的研究前沿識別結(jié)果，得到表4。從表中可以看出單個時間窗內(nèi)，無論是前沿的數(shù)量還是前沿所含的FID總數(shù)，CD-CCA能識別出的數(shù)量更多。同時，由3.4節(jié)可知CD-CCA能識別出OV-CCA識別不出的前沿簇，且識別結(jié)果所涵蓋的內(nèi)容范圍更廣，具有更強的研究前沿識別能力。因而，采用基于余弦距離相似度法更適合于建立共被引相似度矩陣及用于研究前沿的識別。

表4　基于OV-CCA和CD-CCA所得研究前沿匯總

4　結(jié)論

本文采用共被引分析法，利用專利數(shù)據(jù)源，分析了腦機接口領(lǐng)域近30年的研究前沿演變情況。對于共被引相似度矩陣的建立采用了基于原始觀測值和基于余弦距離的兩種相似度算法，并基于研究前沿識別結(jié)果進行了對比分析。

共被引分析法是當(dāng)前最常用的識別研究前沿的方法之一，而共被引相似度矩陣的建立是識別研究前沿最關(guān)鍵的一步，之后便可通過聚類識別出所需前沿結(jié)果。選擇兩種相似度算法建立引文相似度矩陣，是因為專利數(shù)據(jù)的特殊性。專利具有專利家族的概念，一個專利家族對應(yīng)一個技術(shù)點，因而相比于單篇專利更適合于研究前沿中技術(shù)點的識別。但兩個專利家族間相似度的計算，是兩類專利文獻集間相似度的計算，在合并同一FID所有家族成員的前引數(shù)據(jù)時，對相同前引數(shù)據(jù)的計數(shù)有兩種方式，因此，必然導(dǎo)致兩種相似度計算方式的使用。兩種相似度算法各有利弊，但通過比較發(fā)現(xiàn)，這兩種方法都可以識別出腦機接口領(lǐng)域的研究前沿發(fā)展情況；但是，基于余弦距離算法的前沿識別能力更強，所得前沿數(shù)量更多，且包含的技術(shù)點更全面。

因為專利的重要引用關(guān)系除了共被引，還有耦合關(guān)系。下一步將在本文共被引方法研究以及已開展的耦合方法研究的基礎(chǔ)上，進一步探索將共被引和耦合方法進行融合，構(gòu)建更完整的信息網(wǎng)絡(luò)，進行研究前沿識別的方法研究，并比較該融合方法與單個引文信息分析識別研究前沿方法的差異，以期對研究前沿識別這一關(guān)鍵問題獲得較為全面、科學(xué)的解答。

［1］ 張強. 基于專利計量的專利實施許可實證研究［D］. 重慶：西南政法大學(xué),2012.

［2］ Price D.J. Networks of scientific papers［J］. Science,1965,149（3683）:510-515.

［3］ Small H G, Griffith B C. The structure of scientific literatures I: Identifying and graphing specialties［J］. Science Studies,1974（4）:17-40.

［4］ Garfield E. Research fronts［J］. Current Contents,1994,41（10）:3-7.

［5］ Gonzalex F J, Castro B C. Dominant approaches in the field of management［J］. Organizational Analysis,2001,9（4）:327-353.

［6］ 侯海燕. 科學(xué)計量學(xué)知識圖譜［M］. 大連:大連理工大學(xué)出版社,2008.

［7］ 崔雷,沈錫賓,方麗,等. 內(nèi)科學(xué)主要分支學(xué)科研究前沿的文獻計量學(xué)分析［J］. 中華內(nèi)科雜志,2013,52（2）:144-150.

［8］ 劉則淵,王賢文. 生態(tài)經(jīng)濟學(xué)研究前沿及其演進的可視化分析［J］. 西南林學(xué)院學(xué)報,2008,28（4）:3-11.

［9］ 李睿,張玲玲,郭世月,等. 專利同被引聚類與專利引用耦合聚類的對比分析［J］. 圖書情報工作,2012,56（8）:91-95.

［10］ 吳琳,魏星,霍翠婷,等.基于Web的專利雙語語料自動獲取研究及實現(xiàn)——以esp@cenet數(shù)據(jù)庫為例［J］.現(xiàn)代圖書情報技術(shù),2009（9）:57-63.

［11］ 經(jīng)濟合作與發(fā)展組織. 專利統(tǒng)計手冊［M］. 高昌林.北京:科學(xué)技術(shù)文獻出版社,2013:3.

［12］ 牟萍.專利情報檢索與分析［M］.北京：知識產(chǎn)權(quán)出版社,2010:141.

［13］ 劉妍.基于Lucene的余弦距離檢測文檔相似度方法的研究［J］. 信息系統(tǒng)工程,2014,（4）:129-130,142.

［14］ 張嘉彬. 以書目耦合及共被引探討不同引用區(qū)間之研究前沿:以O(shè)LED領(lǐng)域為例［D］.臺北:國立臺灣大學(xué),2011:20-22.

［15］ Boyu W, Chi M, Feng W. Comparison of Different Classication Methods for EEG-Based Brain Computer Interfaces: A Case Study［C］//2009 IEEE International Conference on Information and Automation.

［16］ 楊建,劉進,吳明曦,等. 腦機技術(shù)發(fā)展及其對軍事領(lǐng)域的影響［J］. 國防科技,2013,34（6）:19-23.

［17］ 堯德中,劉鐵軍,雷旭,等. 基于腦電的腦-機接口:關(guān)鍵技術(shù)和應(yīng)用前景［J］. 電子科技大學(xué)學(xué)報,2009,38（5）:550-554.

［18］ Mason S G,Bashashati A,Fatuorechi M,et a1. A comprehensive survey of brain interface technology designs［J］. Ann Biomed Eng,2007,35（2）:137-169.

［19］ Huggins J E, Guger C, Allison B, et al. Workshops of the fifth international brain-computer interface meeting: defining the future［J］. Brain-Computer Interfaces,2014,1（1）:27-49.

［20］ 程明,任宇鵬,高小榕,等.腦電信號控制康復(fù)機器人的關(guān)鍵技術(shù)［J］.機器人技術(shù)與應(yīng)用,2003（4）:45-48.

［21］ Sitaram R, Zhang H, Guan C, et a1. Temporal classification of multichannel near-infrared spectroscopy signals of motor imagery for developing a brain-computer interface［J］. Neuroi mage,2007,34（4）:1416-1427.

［22］ 堯德中.腦機接口:從神奇到現(xiàn)實轉(zhuǎn)變［J］.中國生物醫(yī)學(xué)工程學(xué)報,2014,33（6）:641-643.

Recognition of Research Fronts Based on Patent Co-Citation Analysis in the field of Brain-Computer Interface

GAO Nan, FU JunYing,ZHAO YunHua
（Institute of Scientific and Technical Information of China, 100038 Beijing, China）

Patent Co-Citation method issued to identify research front （RF） in a field in this paper. Based on two similarity algorithms - observed value and cosine distance, two kinds of patent similarity matrixes are then established, social network analysis is applied to get RF clusters which are then named, and we finally get the research fronts. Brain-computer interface （BCI） is selected to perform empirical analysis in terms of the above method, and results from two similarity algorithms are also compared. This study finds that RF can be got by Co-Citation method, while cosine distance algorithm can reveal more and detailed research fronts than observed value algorithm.

Research Front； Patent； Co-Citation Analysis； Brian Computer Interface； Similarity Algorithm

G255.53；R318.6

10.3772/j.issn.1673-2286.2016.1.006

* 本研究得到中央級公益性科研院所基本科研業(yè)務(wù)費專項基金“未來學(xué)”（編號：XK2015-2）資助。

高楠，女，1992年生，碩士研究生，研究方向：情報學(xué)分析，E-mail：gaonan2013@istic.ac.cn。

傅俊英，女，1972年生，博士，研究員，研究方向：科技情報研究、生物技術(shù)研究，通訊作者，E-mail：fujunying@istic.ac.cn。

2015-10-10）