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！

龙图腾网获悉福建师范大学申请的专利基于多任务图融合学习的可解释异常步态检测方法及模型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：CN119723661B 。

龙图腾网通过国家知识产权局官网在2025-12-30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：202411789697.5，技术领域涉及：G06V40/20；该发明授权基于多任务图融合学习的可解释异常步态检测方法及模型是由吴建宁;黄杰胜;许展宏;王亮;陈琳娜;曹冉冉设计研发完成，并于2024-12-06向国家知识产权局提交的专利申请。

本基于多任务图融合学习的可解释异常步态检测方法及模型在说明书摘要公布了：本发明公开了基于多任务图融合学习的可解释异常步态检测方法及模型，方法为：构建步态图并将多个步态图按照时间排列得到时序步态图；构建LRP‑MGG神经网络模型；将时序步态图通过LRP‑MGG神经网络模型的累加性GRU块提取步态时间依赖性特征；将步态时间依赖性特征利用深层GCN模块获取嵌入在时间依赖特征空间中的局部空间特征；通过DiffPool模块进行基于图的步态模式分类；利用步态时空显著差异特征通过CNN深度卷积神经网络模型学习得到可解释的异常步态信息；再采用分层相关传播LRP计算得到每个特征的重要性得分。本发明将多个任务的训练结合起来，减少数据的量和复杂度，从而提高模型的泛化能力和预测能力。

本发明授权基于多任务图融合学习的可解释异常步态检测方法及模型在权利要求书中公布了：1.基于多任务图融合学习的可解释异常步态检测方法，其特征在于：其包括以下步骤： 步骤1，按照人体自然连接方式构建描述人体拓扑结构的步态图，并将多个同种步态模式的步态图按照时间序列排列组成得到时序步态图； 步骤2，构建LRP-MGG神经网络模型，包括累加型cGRU模型、深层GCN模块、DiffPool分层网络预测模块、分层相关传播解释模块LRP、CNN深度卷积神经网络预测模块， 步骤3，以时序步态图为输入特征，通过LRP-MGG神经网络模型的累加型cGRU块提取步态时间依赖性特征； 步骤4，步态时间依赖性特征为输入，利用深层GCN模块获取嵌入在时间依赖特征空间中的局部空间特征； 步骤5，通过DiffPool分层网络预测模块进行基于图的步态模式分类；即通过在多层级池化网络的每一层学习可微分的节点聚类分配，将所有节点映射到一组聚类图嵌入中，以进行基于图的异常步态模式； 步骤6，利用步态时空显著差异特征，通过CNN深度卷积神经网络模型获取最有概率发生异常的关节节点，并将异常节点可视化，以便学习得到蕴含在时空特征中的可解释的异常步态信息； 步骤7，将时空特征中的可解释的异常步态信息采用分层相关传播解释模块LRP来计算得到每个输入特征对于模型输出的重要性得分，以实现异常步态检测； 其中，步态图为描述人体拓扑结构的未加权图，且为按照人体自然连接方式构建的无向图，是一组关节节点，表示下肢关节的数量，每个下肢关节作为一个节点；表示传感器节点之间连接边的集合，表示步态图的边数量；步态图等价的表示为，是下肢节点的所有节点的时序步态图特征，表示记录节点的连接关系的一个邻接矩阵； 时序步态图为，等价的表示为；异常步态识别问题看作是训练映射函数，使用预测步态模式，定义为: 2-1 其中，表示待识别的异常步态模式，T表示时间序列步态图的时序长度，t表示t时刻，表示t时刻时序步态图特征。

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福建师范大学，其通讯地址为：350108 福建省福州市大学城科技路1号福建师范大学旗山校区；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。