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！

龙图腾网获悉复旦大学申请的专利基于迁移学习的抗姿态干扰腕部肌电模式识别校准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：CN116304689B 。

龙图腾网通过国家知识产权局官网在2026-01-09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：202310167653.8，技术领域涉及：G06F18/214；该发明授权基于迁移学习的抗姿态干扰腕部肌电模式识别校准方法是由万慧颖;戴晨赟设计研发完成，并于2023-02-27向国家知识产权局提交的专利申请。

本基于迁移学习的抗姿态干扰腕部肌电模式识别校准方法在说明书摘要公布了：本发明属于肌电模式识别技术领域，具体为一种基于迁移学习的抗姿态干扰腕部肌电模式识别校准方法。本发明方法包括：利用腕部肌电采集设备采集手腕处八通道肌电信号，对采集的连续序列通过划窗处理得到连续的四个特征值组成特征矩阵；采用原型分类器对腕部肌电模式识别；采用迁移学习的无监督模型进行校准，把控构建最小化特征分布距离的目标函数、最小化原型分类器经验误差目标函数，将两者组合得到优化问题；最后通过有标签的源域数据和无标签的目标域数据本身结构化信息对伪标签进行选择；本发明不需要提前对用户进行不同姿态的训练，减轻用户训练负担；在不重新训练分类器的情况下有效提升识别准确率；本发明可用于不同姿态下的假肢手控制。

本发明授权基于迁移学习的抗姿态干扰腕部肌电模式识别校准方法在权利要求书中公布了：1.一种基于迁移学习的抗姿态干扰腕部肌电模式识别校准方法，其特征在于，具体包括两个步骤：腕部肌电信号特征提取和腕部肌电模式识别；基于迁移学习的无监督校准；其中： 步骤一，所述腕部肌电信号特征提取和腕部肌电模式识别： 肌电信号特征提取，是利用腕部肌电采集设备以1000-1200Hzd频率采集手腕处的八通道肌电信号，分别获取同一受试者处于静坐、站立、行走和平躺四种状态下不同手势的连续时间序列肌电数据；以静坐状态下获取的肌电数据作为训练集；训练集肌电数据中，对连续时间序列以0.1s-1s窗长和0.05s-0.2s步长进行划窗，计算每个窗内连续样本的四个特征值，分别为：肌电信号的均方根值，方差，次方和的绝对值，Teager-Kaiser能量的log值；连续样本的四个特征值组成特征矩阵；对得到的特征矩阵进行特征Z-Score标准化以及基于样本的L2范数归一化，将不同量级的特征数据转化为同一度量，便于后续分类计算以及迁移部分转换矩阵的计算； 腕部肌电模式识别，采用原型分类器，它是一个无参数分类器，主要是对每一类别维护一个原型来代表该类别，然后通过原型匹配进行分类，根据样本到每类原型的代表向量间的距离来确定分类结果；其中，采用类中心作为每一类别的原型，给定一个训练集该训练集共有|D|个样本属于C个不同类别；其第c类的类中心μc定义为： 其中，nc＝|Dc|，Dc＝{Xi:Xi∈D,yXi＝c}，xi表示第i个样本的特征矩阵，yi表示第i个样本的标签值，第c类中，c＝1,2,…,C； 对于给定一个样本x，其属于类别y的条件概率表示成如下形式： 对于一个样本xi∈c，其到不同的类别原型的条件分布概率为： 该样本的真实分布是一个C维向量[0,0,…,1,…,0]，其中，该样本所属类别的第c维是1，其他维为0；为了减少分类误差，希望对于一个样本xi∈c，它距离第c类中心的距离近的同时距离其他C-1类中心的距离远；于是，得到该分类器的目标函数为： 其中，是xi其他类中心的平均，是其他类的样本总数，β是正则项系数； 步骤二，基于迁移学习的无监督模型校准，分为三个子步骤：最小化特征分布距离子步骤，最小化原型分类器经验误差子步骤和伪标签选择性传播子步骤； 2.1最小化特征分布距离 将某一姿态下的肌电数据作为源域数据，标记为其中表示某信号样本的特征向量，i∈{1,2，...，NS}，其标签已知为Ys；将其他姿态下的少量肌电信号作为目标域，标记为其中Nf＝F×C是特征向量维度；NS和NT为源域和目标域的样本数；源域和目标域的数据矩阵分别标记为和矩阵的每一行表示某一数据样本的特征向量；为了减少源域和目标域之间特征分布的偏移，采用最大均值差异MMD作为两个分布之间距离的度量；假设存在一个特征转换矩阵P，使得映射后的两个域数据的边缘分布和条件分布MMD距离最小；源域DS和目标域DT域之间的边缘分布MMD距离表示为： 上式等价于： DDS,DT＝trPTXM0XTP，6 其中，P为特征转换矩阵，X为源域和目标域拼接后的数据，M0为MMD矩阵，ns为源域样本数，nt为目标域样本数： 利用源域数据训练一个原型分类器，利用分类器得到目标域数据的伪标签，然后用于计算条件分布的MMD距离，表示为： 其中， 式9中，ns,c为源域样本中属于第c类的样本数，nt,c为目标域样本中属于第c类的样本数； 将5式和8式所示的两个分布距离组合，得到最小化特征分布距离的目标函数为： 其中， 2.2最小化原型分类器经验误差 对于源域的有标签数据，每一类的原型都由类中心来表示，而分类误差则由样本到所属类的距离来表示，最小化样本到所属类中心的距离的同时最大化样本到其他类中心的距离； 对于目标域数据，由于缺乏标签，首先利用源域的原型分类器生成目标域数据的伪标签，再根据伪标签计算目标域数据的每一类的类中心作为目标域的原型表示，得到目标域原型分类器；将源域分类误差和目标域分类误差相组合，得到误差目标函数为： 进行变换后，上式等价于： 其中， 其中，ns,c表示源域中属于第c类的样本数，表示源域中不属于第c类的样本数；nt,c表示目标域中属于第c类的样本数，表述目标域中不属于第c类的样本数，β是正则项系数； 考虑到如果源域数据和目标域数据满足同一分布，则根据源域和目标域数据所得到的原型分类器应尽可能相似，即两域的同一类中心的距离应最小化；故将跨域分类器误差也作为目标函数的一部分，即将源域数据放入目标域分类器中，将目标域数据放入源域分类器中，使得分类误差最小化，其误差目标函数表示为： 其中，εs和εt分别是源域分类器和目标域分类器的分类误差； 结合2.12.2，将最小化分布距离和最小化分类误差的目标函数进行组合，得到优化问题： s.t.PTXHXTP＝I，17 其中， I为中心矩阵； 通过拉格朗日乘数法求解上述有约束条件的优化问题，得到特征转换矩阵P； 2.3伪标签选择性传播 通过有标签的源域数据和无标签的目标域数据本身的结构化信息来对伪标签进行选择；首先，利用源域分类器中的类中心μs,c来对目标域数据进行分类，对于样本x来说，其属于第y类的条件概率定义为： 对目标域数据，用无监督聚类算法K-Means来迭代计算目标域数据的类中心μt,c，其初始化的值为源域类中心；同样的，样本x属于目标域中第y类的条件概率定义为： 根据式17、18两个条件概率，得到两个伪标签；选择的策略是首先选择两个伪标签预测结果一致的数据，并且按照预测概率由大到小进行排序，优先选择预测概率高的伪标签；最终的预测标签为两个条件概率的动态组合，利用权重因子在迭代过程中对两个概率的占比进行调节，对于样本xt，最终的类条件概率Py|xt和伪标签表示为： 其中，t为当前迭代次数，T为总迭代次数。

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复旦大学，其通讯地址为：200433 上海市杨浦区邯郸路220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。