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！

龙图腾网获悉长春大学申请的专利一种基于加速度运动数据的冻结步态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：CN120938362B 。

龙图腾网通过国家知识产权局官网在2025-12-12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：202511491838.X，技术领域涉及：A61B5/00；该发明授权一种基于加速度运动数据的冻结步态识别方法及系统是由史丽娟;张静;赵剑;孙磊;于赫;王柳;王一帆;梅海霞;孟柯妤设计研发完成，并于2025-10-20向国家知识产权局提交的专利申请。

本一种基于加速度运动数据的冻结步态识别方法及系统在说明书摘要公布了：一种基于加速度运动数据的冻结步态识别方法及系统，涉及冻结步态识别领域。解决了现有的冻结步态数据集中正常步态与冻结步态样本数量失衡，导致模型学习时偏向正常步态特征、忽略冻结步态特征，影响识别效果等问题。所述方法包括：获取帕金森患者冻结步态加速度数据，并进行预处理，得到包含正常步态和冻结步态的数据样本集；构建基于残差网络的深度学习冻结步态识别深度特征提取模型；并引入多尺度卷积模块和注意力模块，构建完整的冻结步态识别模型，将处理后得到的关键特征集在完整的冻结步态识别模型上进行冻结步态识别。本发明还适用于深度学习冻结步态识别方法等应用领域。

本发明授权一种基于加速度运动数据的冻结步态识别方法及系统在权利要求书中公布了：1.一种基于加速度运动数据的冻结步态识别方法，其特征在于，所述方法包括以下步骤： 步骤1、获取帕金森患者冻结步态加速度数据，并对所述帕金森患者冻结步态加速度数据进行预处理，得到包含正常步态和冻结步态的数据样本集； 步骤2、基于步骤1所得到的包含正常步态和冻结步态的加速度数据样本集，输入到多尺度卷积网络，并行提取不同时间尺度下的特征，并将不同时间尺度下的特征进行融合，得到初步融合特征； 步骤3、基于步骤2中提取的初步融合特征输入到基于残差网络的冻结步态识别深度特征提取模型中进行深度特征提取； 步骤4、基于步骤3中输出的深度特征，依次输入到通道注意力模块和空间注意力模块，分别在两个维度通过自适应加权聚焦关键特征，并抑制冗余信息； 步骤5、将步骤4中得到的关键特征集通过下降维和分类器，最终输出结果； 步骤6、基于步骤1至步骤5，分别采用三个不同采集位置收集到的冻结步态加速度数据对冻结步态识别模型训练、验证和测试实现对不同位置加速度数据的冻结步态识别； 步骤2中所述的多尺度卷积网络通过采用搭建一维多尺度特征提取融合模块实现； 即分支一，采用卷积核为1×1大小的一维卷积进行特征提取； 分支二，采用卷积核为1×1大小的一维卷积和卷积核为1×3大小的一维卷积串联进行特征提取； 分支三，采用卷积核为1×1大小的一维卷积和两个卷积核为1×3一维卷积串联进行特征提取； 分支四，采用卷积核为1×3大小的一维最大池化层和一个卷积核为1×1一维卷积串联进行特征提取； 将四个分支的输出在通道维度拼接，构建出一个包含多尺度信息的综合特征，输出表示为：FilterConcatenation=torch.cat[Branch_1,Branch_2,Branch_3,Branch_4],dim=1； 步骤3中构建基于残差网络的冻结步态识别深度特征提取模型，是基于一维残差块构建深度学习模型，使用一维卷积处理时序步态信号，通过连续堆叠多个残差块，形成了由浅到深的特征提取架构； 步骤4中通道注意力模块和空间注意力模块依次在通道和空间两个维度实现对通道维度特征和空间维度特征的加权优化的方法为： 所述通道注意力模块实现对通道维度特征进行优化的方法为： 通过全局平均池化与最大池化生成通道描述符，利用共享多层感知机生成通道权重，实现对关键特征通道加权优化； 所述空间维度特征的加权优化的方法为： 通过通道维度双池化与特征拼接融合空间信息，经卷积层生成空间权重，实现对重要区域的特征聚焦。

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长春大学，其通讯地址为：130022 吉林省长春市卫星路6543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。