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！

龙图腾网获悉华东交通大学申请的专利一种基于深度学习的上肢动作识别方法及系统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：CN121543040B 。

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：202610070526.X，技术领域涉及：G06F18/25；该发明授权一种基于深度学习的上肢动作识别方法及系统是由姚道金;陈卓超;于小四;任宇航;王晓明;董文涛设计研发完成，并于2026-01-20向国家知识产权局提交的专利申请。

本一种基于深度学习的上肢动作识别方法及系统在说明书摘要公布了：本发明提供一种基于深度学习的上肢动作识别方法及系统，涉及上肢动作识别技术领域，方法包括：根据多个传感器采集不同上肢动作构建序列数据，对序列数据进行预处理以根据预处理后的数据转换得到频谱图，预处理后的数据包括预处理后的时域序列；利用深度学习网络对预处理后的时域序列与频谱图分别进行特征提取以输出对应的时序特征向量与频谱特征向量；根据注意力机制结合传感器实时可靠性评估值，融合多传感器的时序特征向量与频谱特征向量以得到动态加权融合特征，并通过预设模型对融合特征进行模型训练获得目标模型，以根据目标模型识别上肢动作。本发明获得的目标模型进行上肢动作识别时，特征提取精准、大大提高了相似动作识别准确率。

本发明授权一种基于深度学习的上肢动作识别方法及系统在权利要求书中公布了：1.一种基于深度学习的上肢动作识别方法，其特征在于，包括： 根据多个传感器采集不同上肢动作构建序列数据，对所述序列数据进行预处理以根据预处理后的数据转换得到频谱图，预处理后的数据包括预处理后的时域序列； 利用深度学习网络对预处理后的时域序列与频谱图分别进行特征提取以输出对应的时序特征向量与频谱特征向量，所述时序特征向量和所述频谱特征向量均为模型可训练融合的结构化特征向量； 根据注意力机制结合传感器实时可靠性评估值，融合多传感器的时序特征向量与频谱特征向量以得到动态加权融合特征，并通过预设模型对融合特征进行模型训练获得目标模型，以根据目标模型识别上肢动作； 其中，在利用深度学习网络对预处理后的时域序列与频谱图分别进行特征提取以输出对应的时序特征向量与频谱特征向量的步骤中， 时序特征向量的提取方法包括： 获取预处理后的三维加速度数据，输入由时间卷积网络以及双向门控循环单元相融合的深度学习网络组成的时序特征提取模型以实现时序特征向量的自动提取； 其中，时间卷积网络以残差块为核心，通过残差块中的因果卷积获取预处理后的时域序列的局部特征关系；所述双向门控循环单元从预处理后的时域序列的正向和反向两个方向提取数据时间顺序特征，并通过时序对齐模块消除双向提取的相位偏移，用于提取时域序列中的长期依赖性；所述时序特征提取模型包括输入适配层、时间卷积网络层、维度转换层、双向门控循环单元层，自适应平均池化层及全连接层； 频谱特征向量的提取方法包括： 将频谱图的幅度进行数值归一化，通过双线性插值将不同数据段频谱图统一至固定尺寸，再将多传感器的频谱图沿通道维度排列，形成多通道频谱图张量；其中，在所述双线性插值过程中，引入多传感器通道对齐策略，确保不同部位传感器频谱图数据的空间一致性； 通过二维卷积神经网络提取频谱图局部时频纹理，将经过维度压缩与特征筛选操作后的特征图按像素顺序展平，输入二维空间长短期记忆网络建模时间与频率维度的全局依赖关系； 对二维空间长短期记忆网络输出的多维频谱特征向量进行主成分分析，去除冗余特征，筛选出关键特征，所述关键特征包括高频分量占比与时频熵，输出相应的频谱特征向量；其中，所述主成分分析的过程包括：结合时频熵加权筛选机制，并结合上肢动作类别先验知识动态调整预设方差阈值，以保留累计方差符合该方差阈值的主成分。

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华东交通大学，其通讯地址为：330000 江西省南昌市经济技术开发区双港东大街808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。