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！

龙图腾网获悉中国科学技术大学申请的专利一种减少用户负担的跨用户肌电模式识别方法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：CN115630324B 。

龙图腾网通过国家知识产权局官网在2025-12-26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：202211341042.2，技术领域涉及：G06F18/241；该发明授权一种减少用户负担的跨用户肌电模式识别方法是由陈勋;薛博;吴乐;刘爱萍;孙启彬;吴曼青设计研发完成，并于2022-10-30向国家知识产权局提交的专利申请。

本一种减少用户负担的跨用户肌电模式识别方法在说明书摘要公布了：本发明公开了一种减少用户负担的跨用户肌电模式识别方法，是通过采集源域背景用户和目标域新用户的少量校准集肌电样本数据，构建基于卷积神经网络的肌电手势分类模型FSSDA，设计正‑负对距离损失，采用点代理的方式优化目标域新用户样本与源域背景用户样本在嵌入空间中的特征距离，使得目标域样本在嵌入空间中可区分，训练好的跨用户模型可以对新用户的手势信息进行预测。本发明能显著减少模型对新用户校准数据的采集和标注时间，同时实现高准确率手势分类性能，从而促进多用户肌电接口的推广应用。

本发明授权一种减少用户负担的跨用户肌电模式识别方法在权利要求书中公布了：1.一种减少用户负担的跨用户肌电模式识别方法，其特征在于，包括如下步骤： 步骤1：利用多个肌电电极采集M位不同受试者执行N种不同动作时所产生的多通道肌电信号，并对所述多通道肌电信号进行滑窗、活动段分割以及特征提取后，得到源域背景用户的训练样本数据集其中，表示源域的第i个训练样本，表示源域的第i个训练样本对应的真实标签；ns表示训练样本数据集中的训练样本数目； 采集目标域新用户的校准样本数据集其中，表示校准样本数据集Dc的第j个校准样本，表示第j个校准样本对应的真实标签；nc表示所述校准样本数据集Dc中的校准样本数目； 构建所述目标域新用户的无标签样本数据集其中，表示无标签样本数据集Dt的第k个测试样本；nt表示无标签样本数据集Dt中的测试样本数目；其中，nc＜＜ns； 步骤2：构建双流肌电手势分类网络，包含两条支路，其中，第一条支路依次是由两个卷积块、一个展开层和两个全连接层构成，每个卷积块依次包含一个卷积层，一个批归一化层和一个最大池化层；第二条支路是在所述第一条支路的基础上添加全连接层作为最后一层，所述第一条支路和第二条支路的权重共享； 步骤3：将所述训练样本数据集和校准样本数据集分别按批输入双流肌电手势分类网络中，所述第一条支路对任意一个训练批次进行处理后，由第二个全连接层输出嵌入空间中的源域特征其中，f·表示从输入空间到嵌入空间的映射函数；表示所述训练批次D′s中的第i′个训练样本，表示第i′个训练样本对应的真实标签；n′s表示所述训练批次D′s中的训练样本数目； 所述第二条支路对任意一个校准批次进行处理后，由第二个全连接层输出嵌入空间中的目标域特征其中，表示所述校准批次D′c中的第j′个校准样本；表示第j′个校准样本对应的真实标签；n′c表示所述校准批次D′c中的校准样本数目； 所述第二条支路的最后一层的全连接层对进行处理后，得到校准样本数据集对应的动作类别的预测概率其中，表示第j′个校准样本对应的动作类别的预测概率；并从中选择最大概率所对应的类别作为的预测标签 步骤4：利用式1构建正-负对距离损失LP-N： 式1中，[·]+＝max·,0，||·||F代表Frobenius范数，α表示嵌入空间中正-负对之间可分性的边际距离，表示与第j′个校准样本不同类别的训练批次D′s内的第r个训练样本，表示与第j′个校准样本相同类别的训练批次D′s内的第q个训练样本，表示第r个训练样本对应的真实标签，表示第q个训练样本对应的真实标签； 步骤5：利用式2构建分类损失LCE； 步骤6：利用式3构建总损失L： L＝LP-N+LCE3 步骤7：基于所述训练样本数据集和校准样本数据集使用Adam优化器按批次对所述双流肌电手势分类网络进行训练，并计算总损失L，同时使用反向传播算法更新网络的参数，优化目标域新用户的校准样本数据集与源域背景用户的训练样本数据集在嵌入空间中的特征距离，拉近每个校准样本分别和同类别的训练样本之间的距离，拉远每个校准样本分别和不同类别的训练样本之间的距离，得到适合新用户的最佳手势分类模型； 步骤8：利用训练好的最佳手势分类模型对所述目标域新用户的无标签样本数据集进行分类，得到每个测试样本的类别标签。

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中国科学技术大学，其通讯地址为：230026 安徽省合肥市包河区金寨路96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。