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！

龙图腾网获悉电子科技大学申请的专利一种基于轻量级注意力网络的运动想象动作识别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：CN119557733B 。

龙图腾网通过国家知识产权局官网在2025-10-14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：202411693105.X，技术领域涉及：G06F18/241；该发明授权一种基于轻量级注意力网络的运动想象动作识别系统是由李发礼;宋熙鹏;姜林;王广英;卢竞;尧德中;徐鹏设计研发完成，并于2024-11-25向国家知识产权局提交的专利申请。

本一种基于轻量级注意力网络的运动想象动作识别系统在说明书摘要公布了：本发明提出了一种基于轻量级注意力网络的运动想象动作识别系统，本发明属于生物医学工程领域。该系统以EEGNet网络为基础，通过集成两个独特的注意力模块——通道注意力模块和深度注意力模块，实现从多个维度有效整合特征，以提取更有判别性的特征，从而显著提升了运动想象分类任务中的性能。本发明采用深度学习方法，避免了传统方法中手动特征提取步骤，在保持较低计算成本的同时实现了令人满意的分类效果，该系统对于神经康复、人机交互等相关领域具有重要应用价值和潜在学术意义。

本发明授权一种基于轻量级注意力网络的运动想象动作识别系统在权利要求书中公布了：1.一种基于轻量级注意力网络的运动想象动作识别系统，包括以下步骤： 步骤S1：对原始脑电信号进行如下预处理步骤： 对采集到的脑电信号应用4-38HZ的带通滤波提取感兴趣频段、将滤波后数据归一化放缩至[-1,1]范围、使用欧几里得对齐方法对原始信号进行白化处理； 步骤S2：基准网络EEGNet的实现与模型初始化： 基准网络EEGNet依次包括：Block1，Block2，Block3；Block1包括：二维卷积层、深度卷积层；Block2包括：深度卷积层、点式卷积层；Block3包括：含有线性层的分类模块；基准网络EEGNet在pytorch环境下实现，同时对模型应用Xavier网络初始化操作； 步骤S3：通道注意力模块的构建： 构建通道注意力模块，并将其嵌入至EEGNet的Block2与Block3之间； 所述通道注意力模块的构建步骤如下： 步骤S31：通道注意力模块采用自适应的全局最大池化层和平均池化层，从输入数据中提取每个通道的最大值和平均值，之后将这些统计量拼接成一个特征向量；随后通过一个线性层序列计算得出每个通道的注意力权重；这些权重之后与原始输入数据相乘，生成加权后的数据作为本模块的最终输出； 步骤S32：对输入通道注意力模块的数据分别使用大小为1,1的自适应平均池化、自适应最大池化； 步骤S33：通过squeeze函数去除两类池化结果的最后两个维度； 步骤S34：将步骤S33得到的两类结果沿着通道维度进行拼接，将通道维度的大小扩展为模块输入数据的两倍； 步骤S35：将S34所得结果送入不带偏置的线性层，将通道数转化为模块输入数据通道数大小，随后经过Relu激活函数：fx＝max0,x，其中x为输入数据； 步骤S36：将S35所得结果送入不带偏置的线性层，其输入输出均为模块输入数据通道数； 步骤S37：将S36所得结果送入Sigmoid激活函数：得到通道注意力模块的注意力权重： 步骤S38：将S37所得注意力权重重新塑形以匹配模块输入数据的形状，并通过逐元素乘法应用于模块输入数据，从而实现对各通道的加权调整； 步骤S4：深度注意力模块的构建： 构建深度注意力模块，并将其嵌入至通道注意力模块与Block3之间； 所述深度注意力模块的构建步骤如下： 步骤S41：对于深度注意力模块，首先使用自适应平均池化层对模块输入数据的空间维度进行全局池化操作，同时保持时间维度的完整性；在之后卷积层对池化后的结果进行深度信息的进一步提取；可调节的卷积核在深度维度上滑动，通过局部跨深度交互的方式捕捉不同维度特征之间的关联性，并筛选出对解码任务相关的信息；模块最后利用Softmax函数对卷积处理后的结果在最后一个维度上进行概率化转换，生成深度注意力权重之后利用插值函数重塑为模块输入数据形状，并与模块输入数据和参数b进行相乘，从而生成加权后的数据作为本模块的最终输出，参数b值为16； 步骤S42：对输入深度注意力模块的数据使用大小为1,a的自适应平均池化，其中参数a为可调整参数； 步骤S43：将S42所得结果送入输入输出通道分别为16和1的二维卷积层，其中卷积核大小为7,1，步长为1，填充大小为3； 步骤S44：将S43所得结果送入Softmax，表示函数对卷积输出进行归一化处理； 步骤S45：将S44所得结果进行插值处理以恢复到模块输入数据形状，得到深度注意力模块的注意力权重； 步骤S46：将S45所得深度注意力权重与模块输入数据进行逐元素相乘，并且在相乘过程中引入参数b对模块输出进行放缩，防止权重过小进而影响模块加权过程，参数b值为16； 步骤S5：模型训练以及分类系统输出： 将S1步骤处理后的数据进行划分得到训练集、验证集以及测试集，使用Adam优化器同时采用交叉熵损失函数训练模型，并保存模型参数；将保存好的最优模型应用在测试集中，输出模型各类别分类准确率、总准确率以及Kappa值。

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电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006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。