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！

龙图腾网获悉天津大学申请的专利基于脑电采集设备的新型下肢康复训练系统及应用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：CN114756131B 。

龙图腾网通过国家知识产权局官网在2026-04-24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：202210466845.4，技术领域涉及：G06F3/01；该发明授权基于脑电采集设备的新型下肢康复训练系统及应用是由董娜;刘首甫;高忠科;马文庆;刘勇;赵思思;吴威设计研发完成，并于2022-04-29向国家知识产权局提交的专利申请。

本基于脑电采集设备的新型下肢康复训练系统及应用在说明书摘要公布了：一种基于脑电采集设备的新型下肢康复训练系统及应用，包括上位机，分别与上位机相连的嵌入式控制器、便携式脑电采集设备、压力传感器，以及与嵌入式控制器无线连接的下肢康复训练模块，所述压力传感器还连接下肢康复训练模块，还设置有给系统整体供电的电源模块，上位机用于对分别接收到的便携式脑电采集设备所采集的脑电信号和压力传感器所采集的下肢康复训练模块的压力信号进行处理，并生成控制信号，通过嵌入式控制器无线传输给下肢康复训练模块，所述的嵌入式控制器还将接收到的下肢康复训练模块输出使用者下肢的位置信息反馈给上位机。本发明，可以很好地实现人机交互，能够动态聚合脑电信号通道信息并且同时提取时域特征。

本发明授权基于脑电采集设备的新型下肢康复训练系统及应用在权利要求书中公布了：1.一种基于脑电采集设备的新型下肢康复训练系统，包括上位机1，分别与上位机1相连的嵌入式控制器2、便携式脑电采集设备3、压力传感器4，以及与嵌入式控制器2无线连接的下肢康复训练模块5，所述压力传感器4还连接下肢康复训练模块5，还设置有给系统整体供电的电源模块6，其特征在于，上位机1用于对分别接收到的便携式脑电采集设备3所采集的脑电信号和压力传感器4所采集的下肢康复训练模块5的压力信号进行处理，并生成控制信号，通过嵌入式控制器2无线传输给下肢康复训练模块5，所述的嵌入式控制器2还将接收到的下肢康复训练模块5输出使用者下肢的位置信息反馈给上位机1； 所述上位机1包括控制模块11、内部模块12、人机交互界面13和脑电信号处理模块14；其中， 所述脑电信号处理模块14采用自适应时空图卷积网络对所述脑电信号进行处理，以对运动想象的脑电信号进行分类；所述自适应时空卷积网络包括通过自适应矩阵W得到的自适应图卷积层；以及 所述控制模块11利用具有自学习能力的模糊逻辑执行器生成控制信号，将编码器采集的下肢康复训练设备54的位置信号、脑电信号处理模块14处理的便携式脑电采集设备3采集的脑电信号和压力传感器4采集的下肢康复训练设备54的压力信号经过数据归一化处理后，输入到模糊逻辑评价器中； 所述的自适应时空图卷积网络由五层组成，分别是依次串接的： 第一卷积层，所述的第一卷积层用于接收脑电信号，卷积核大小为1,64，步长为1,1；设定输入数据维数为N,T，邻接矩阵维数为N,N，其中N为输入卷积层的节点数，T为卷积层输出的节点数，第一次卷积运算得到的特征图维数保持不变； 第一时空块层，所述的第一时空块层用于接收第一卷积层处理后的特征图，时空块中的卷积层的卷积核大小为1,8，步长为1,1，平均池大小为1,2，平均池大小得到的特征图维数为N,T2，时空块中的自适应图卷积层进行自适应图卷积运算，聚合中心节点及中心节点的邻节点的信息，且不改变特征图的维数； 第二时空块层，所述的第二时空块层用于接收第一时空块层处理后的特征图，第二时空块层中的卷积层的卷积核大小为1,8，步长为1,1，平均池大小为1,2，时空块中的自适应图卷积层进行自适应图卷积运算，特征图维数经过两个时空块层处理后的维数为N,T4； 第二卷积层，所述的第二卷积层用于接收经两个时空块层处理后得到的特征图，卷积核大小为N，1，步长为1,1，第二卷积层结合了所有节点的信息，将特征图维数降至1,T4，经过大小为1,4的平均池化操作，得到维数为1,T16的特征图； 全连接层，所述的全连接层用于接收到经第二卷积层处理后的特征图，实现脑电信号分类，全连接层为输入输出维度为T16,2的线性连接层； 所述的自适应时空图卷积网络中，除全连接层使用Softmax激活函数外，其他层均使用ELU激活函数； 所述的自适应时空图卷积网络，采用二值分类交叉熵损失函数，批量大小为20；采用鲁棒归一化策略加快算法的收敛速度；使用dropout来避免过拟合；采用学习率为0.001的Adam优化器进行网络训练； 所述的第一时空块层和第二时空块层均添加可训练的所述自适应矩阵W，动态的对图卷积运算中的归一化邻接矩阵进行调整，得到了所述自适应图卷积层，自适应图卷积层的公式为： ； 其中，是图卷积的输出，对角矩阵是图的度量矩阵，为归一化邻接矩阵，为哈达玛积，为t时刻的脑电信号，是t时刻的切比雪夫多项式的系数，为自适应图卷积在t时刻的偏置，为自适应邻接矩阵； 所述的模糊逻辑执行器和模糊逻辑评价器的设计方法如下： 设定控制模块11的理想控制率为： ； 其中，为不确定部分，为干扰，为过滤误差的正定增益矩阵； 所述的模糊逻辑执行器用于对理想控制率中不确定的部分实现自适应逼近，公式为： ； 其中，为模糊逻辑执行器的权值向量，为模糊基函数，为重构误差，为模糊逻辑执行器的输入； 模糊逻辑执行器权值自适应律为： ； 其中，是正定可逆的常数矩阵，为下肢康复训练设备末端对称的正定惯性矩阵，和为模糊逻辑评价器的权值估计值，为奖励信号，是模糊逻辑执行器的权值估计值的导数，是模糊基函数的导数； 所述的模糊逻辑评价器用于逼近奖励信号，公式为： ； 其中，,为含有高斯函数的中心和宽度矩阵的转置，是评价单元的输入向量，是模糊逻辑评价器的权值估计值，代表模糊基函数，是微分方程的一个解，所述的微分方程为： ； 其中，、为正定控制增益，为符号函数，这是鲁棒补偿项，用于克服系统评价过程中的不确定项，为系统参数，为鲁棒积分误差反馈控制项，为正定控制增益，微分方程中不仅含有系统的跟踪误差，还含有当前的控制策略，这就意味着奖励函能够数评价当前系统的跟踪精度和控制策略。

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天津大学，其通讯地址为：300072 天津市南开区卫津路92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。