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！

龙图腾网获悉北京科技大学;北京科技大学顺德创新学院申请的专利基于生成对抗网络的肌电控制系统鲁棒性提升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：CN116491962B 。

龙图腾网通过国家知识产权局官网在2026-02-10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：202310190007.3，技术领域涉及：A61B5/389；该发明授权基于生成对抗网络的肌电控制系统鲁棒性提升方法是由肖文栋;王骋;张杰;冯子阳;刘璐瑶;张玭设计研发完成，并于2023-03-02向国家知识产权局提交的专利申请。

本基于生成对抗网络的肌电控制系统鲁棒性提升方法在说明书摘要公布了：本发明公开了一种基于生成对抗网络的肌电控制系统鲁棒性提升方法，包括：使用生成对抗网络GAN的判别器作为判断肌电控制器的分类模型结果是否为已知动作类别的判别器。在展现本方法的效果时，首先会搭建一个简单的CNN模型为K类已知类分类器作为原执行器分类模型的模拟，CNN模型会对测试数据给出K维的预测输出。判别器需要据此挑选出已知分类的结果，拒绝掉未知的结果。最后，允许输出的分类结果将被执行器执行，拒绝掉未知动作后则维持默认或前一时刻状态，降低了执行器的执行动作错误率。判别器使用GAN训练得来。本发明的优点是：提升实际输出的动作的准确率，提升动作执行过程的鲁棒性，能够区分已知与未知动作，结构简洁，所需算力小。

本发明授权基于生成对抗网络的肌电控制系统鲁棒性提升方法在权利要求书中公布了：1.一种基于生成对抗网络的肌电控制系统鲁棒性提升方法，其特征在于，包括以下步骤： 步骤1，数据预处理；肌电执行器使用者穿戴好执行器后，表面肌电信号采集设备会采集肌电信号；肌电信号经滤波、加时间窗后成为肌电信号片段，用于输入肌电信号分类器； 在模型训练阶段需要建立两个数据集，其中： 已知类数据集：用于卷积神经网络CNN,生成对抗网络GAN模型训练，同时在CNN测试场景出现； 未知类数据集：不用于模型训练，仅在GAN测试场景出现； 步骤2，分类器计算特征向量 构建一个分类已知类的CNN分类器，其中包含卷积层和全连接层；已知类数据集上预训练CNN模型，输出的特征向量的维数就是其能区分的已知类类别数；对于每个样本，CNN会输出一个预测结果，计算到最后一层全连接层，然后将这一层的输出作为未知类判别器的输入； 步骤3，判断是否为已知类动作，并输出被接受动作的最终分类结果； 1训练未知类判别器 训练未知类的判别器只使用已知类数据集；将已知类作为真实样本，由GAN的生成器生成的样本作为假样本，交给GAN的判别器判别真假； 每训练一个轮次，GAN的判别器会在同时含有已知类数据与未知类数据的测试集上验证区分已知未知的效果；训练结束后，区分效果最好的判别器会作为未知类判别器； 2挑选最佳未知类判别器 GAN的判别器对输入的样本会给出预测的概率，表示其真假程度；训练判别器的优化指标是在训练时的测试集上区分真假样本的效果；使用AUCAreaUnderCurve作为GAN判别器在测试集上的分类评价指标；在训练过程中，选择获取到最高的AUC值的判别器作为最佳未知类判别器； 被挑选出的最佳未知类判别器在使用时仍然需要一个阈值，因为判别器输出的是0-1之间的数值；高于阈值则判定为真，即已知类动作，低于阈值则判定为假，即未知类动作；在AUC值基础上，可以作出对应的ROC曲线；ROC曲线上最靠近左上角的点就是所需的阈值； 3使用未知类判别器完成未知判定 当由分类模型计算出的特征向量输入未知类判别器时，如果输出概率大于等于阈值，认为这个样本属于已知类，接受这个样本并计算最终的动作分类结果；当样本的概率低于这个阈值，会拒绝这个样本，维持默认动作或前一刻的动作，直到下一个被接受的动作执行。

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北京科技大学;北京科技大学顺德创新学院，其通讯地址为：100083 北京市海淀区学院路30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。