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！

龙图腾网恭喜沈阳工业大学申请的专利一种基于多域特征融合的轻量化肌电手势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：CN119475033B 。

龙图腾网通过国家知识产权局官网在2025-05-27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：202411581992.1，技术领域涉及：G06F18/241；该发明授权一种基于多域特征融合的轻量化肌电手势识别方法是由李恺如;李亚舟;王佩瑶;赵东辉设计研发完成，并于2024-11-07向国家知识产权局提交的专利申请。

本一种基于多域特征融合的轻量化肌电手势识别方法在说明书摘要公布了：本发明借鉴计算机视觉领域的VanillaNet网络结构并改进后，将其应用于基于肌电信号处理的手势识别问题中，考虑到图像信号和肌电信号在数据维度和特征复杂度上的差异，VanillaNet网络难以直接应用在肌电信号处理，因此，本发明对VanillaNet网络结构在数据输入和结构简化上做了改进，以使其能够应用于肌电信号。最终在保证识别精度的情况下，能够实现模型轻量化；进一步的，本发明在数据预处理阶段，对模态分解方式和数据多域融合上进行改进，避免了模式混叠的问题，以进一步提高准确率，并提高鲁棒性；同时，本发明在实时控制过程中，还设计了一种数据缓存方法解决由智能仿生手设备自身引起的延迟现象。

本发明授权一种基于多域特征融合的轻量化肌电手势识别方法在权利要求书中公布了：1.一种基于多域特征融合的轻量化肌电手势识别方法，其特征在于，包括以下步骤：S1：构建输入数据集，所述输入数据集包括公共数据集和自制数据集；S2：对输入数据集中的数据进行预处理操作，并将处理完成的数据划分为训练集和测试集；S3：将训练集中的数据输入到轻量化手势识别模型，对轻量化手势识别模型进行训练；所述轻量化手势识别模型包括两个完全相同的特征提取网络，每一个特征提取网络由1个逐点卷积层、4个改进的Vanilla模块层和1个全局最大池化层组成；S4：将测试集中的数据输入到训练完成的轻量化手势识别模型进行评估，得到权重文件和评估结果；步骤S3中所述轻量化手势识别模型，通过逐点卷积层改变通道维度并进行跨通道信息融合，通过改进的Vanilla模块层提取生成高维特征，通过全局最大池化层将高维特征的空间维度压缩到1，再串行融合不同域的高维特征，最后采用两层卷积层预测结果；所述改进的Vanilla模块层由改进的卷积层和归一化层、激活函数、改进的卷积层和归一化层组成；在步骤S3中，通过改进的Vanilla模块层提取生成高维特征的步骤包括：1:利用激活函数Ax同时训练两个改进的卷积层，所述改进的卷积层采用Omni-Dimensional动态卷积替代普通卷积，当训练达到恒等映射时，两个卷积层输出相同，然后进行合并，恒等映射计算公式如下：A′x＝1-λAx+λx其中，A′x表示修正后的激活函数，λ表示非线性超参数，e和E表示当前轮数和总训练轮数，并且λ＝eE，训练初始阶段e＝0，A′x＝Ax，此时网络具有强非线性，当训练收敛时，A′x＝x，此时两个卷积层中间没有激活函数，无非线性；2：将两个改进的卷积层和归一化层都合并转换为1×1卷积，令和表示为具有Cin个输入通道、Cout个输出通道和核大小为k的权重矩阵和偏置矩阵，归一化层中的大小、偏置、均值和方差分别表示为改进的卷积层和归一化层合并后的权重矩阵和偏置矩阵为以下公式： 其中下标i∈{1,2...,Cout}表示第i个输出通道中的值；3：合并步骤2得到的两个1×1卷积，和作为输入和输出特征，卷积公式如下：y＝Q*x＝Q·im2colx＝Q·X其中，*表示卷积运算，·表示矩阵乘法，是从im2colx运算导出的，两个卷积层的权重矩阵表示为Q1和Q2，对于1×1卷积，im2colx运算不需要重叠的滑动核，因此两个1×1卷积合并公式如下：y＝Q1*Q2*x＝Q1·Q2·im2colx＝Q1·Q2*X；4：在训练过程中通过并发堆叠激活函数来增加每个激活层的非线性程度，堆叠的激活函数表示为以下公式： 其中，x表示为输入，Ax表示为单个激活函数，n表示激活函数数量，ai，bi是每次激活的大小和偏置，给定一个输入特征张量其中H、W和C分别表示其宽度、高度和通道数，激活函数表示为： 其中，h∈{1,2,...,H},w∈{1,2,...,W},和c∈{1,2,...,C}，当n＝0时，激活函数Asx退化为纯激活函数Ax。

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沈阳工业大学，其通讯地址为：110870 辽宁省沈阳市铁西区经济技术开发区沈辽西路111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”。