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！

龙图腾网获悉西安交通大学申请的专利一种跨模态手部动作评估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：CN116849679B 。

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：202310647873.0，技术领域涉及：A61B5/369；该发明授权一种跨模态手部动作评估方法是由王刚;陶怡;伍晨旭;徐芯语;陈霸东;余晓阳设计研发完成，并于2023-06-01向国家知识产权局提交的专利申请。

本一种跨模态手部动作评估方法在说明书摘要公布了：一种跨模态手部动作评估方法，包括获取多通道运动执行脑肌电信号并对脑肌电信号进行预处理；通过脑电独立分量分析和皮层肌肉相干性分析提取出动作相关脑电信号；脑电源成像，对脑电信号进行计算以求得其在脑电源空间的映射，并根据Brodmann分区计算各脑区活动分布；通过动态图卷积神经网络建立源空间动作相关脑电与动作模式的关系模型，提取脑电时间序列特征和脑电位置空间特征；建立源空间动作相关脑电信号和肌电信号之间的信息融合模型完成四种动作模式的识别；本发明对脑肌电信号两种模态信号进行分析，利用融合信息模型进行识别分类，降低了脑电信号数据量，提高了分析准确率，提高了计算效率和分类精度。

本发明授权一种跨模态手部动作评估方法在权利要求书中公布了：1.一种跨模态手部动作评估方法，其特征在于，包括以下步骤： 步骤一：获取多通道运动执行脑肌电信号并对脑肌电信号进行预处理； 步骤二：通过脑电独立分量分析和皮层肌肉相干性分析，对预处理后的脑肌电信号提取出与动作相关的脑电信号； 步骤三：脑电源成像，对脑电信号进行计算以求得其在脑电源空间的映射，并根据Brodmann分区，计算各脑区活动分布； 步骤四：通过动态图卷积神经网络建立源空间动作相关脑电与动作模式的关系模型，提取脑电时间序列特征和脑电位置空间特征； 步骤五：基于脑电时间序列特征和脑电位置空间特征，建立脑电源空间动作相关脑电信号和肌电信号之间的信息融合模型，完成四种动作模式的识别； 所述步骤四中通过动态图卷积神经网络建立源空间动作相关脑电与动作模式的关系模型，提取脑电时间序列特征和脑电位置空间特征过程包括： 1将步骤三获得的源空间单个被试的源分布矩阵利用动态图卷积神经网络建立脑网络图Graph；脑网络图Graph是一个无方向的带权重的有Nc个顶点的图，其公式可以表示为： Graph＝{V,E,WG}7 式中，Nc为脑电的导联个数，WG为Nc×Nc的邻接矩阵，该矩阵描述V中任意两个节点之间的连接，其中第i行和第j列中WG的项记为wij，表示第i个节点和第j个节点之间连接的重要性，最终得到的顶点集合V包含有Nc个顶点和每个顶点所对应的特征，表示为为点，为其对应的特征向量，有几个特征，就有几个元素；E为边集合,含有脑连接信息和其连接的权重，通过WG和V去确定； 2动态学习表征各顶点节点关系的邻接矩阵WG，令表示要学习的最佳邻接矩阵，将源空间单个被试的源分布矩阵进行分离，每一行分出一个向量nc∈{1,2,3,…,Nc}为运动相关脑电信号Ym,n,back映射在源空间内的通道编号，与空间滤波gL*确定的U*gΛ*U*T矢量的图卷积表示为: 上式中，L*表示脑网络图Graph的拉普拉斯矩阵，L*可表示为： 是一个对角矩阵，第i个对角元素可由计算得到，表示的第i行第j列元素；对于给定其图傅里叶变换表示为: 表示在频域中转换后的脑电相关信号的向量，U*是一个正交矩阵,可以通过奇异值分解图的拉普拉斯算子矩阵L*获得: L*＝U*×Λ*×U*T11 U*的列构成傅里叶基,是一个对角矩阵，由式10可知，图傅里叶变换的逆表示为: 式8中，g·为滤波函数，由式11可知，经过gL滤波后的信号表示为而其中gΛ表示为: 根据公式9-13，公式8写为公式14，式中，⊙表示按元素划分的Hadamard乘积： 表示Λ的对角线项中的最大元素，并用表示规范化Λ，使得的对角线元素位于[-1,1]的区间内，其中I是N×N单位矩阵，在K阶切比雪夫多项式的框架下,得到gΛ近似于: 上式中，θk为切比雪夫多项式的系数，根据如下16式和17式递归表达式递归计算： 根据式15，得到式8中定义的图形卷积运算改写为： 式18表示计算的图形卷积可以表示为的卷积结果与切比雪夫多项式各分量的组合，式中基于式18，建立源空间动作相关脑电的脑网络与动作模式的关系模型，框架由四个主要层组成，即图数据过滤层，卷积层，ReLu激活层，全连接层，其中每个源空间内的通道在模型中表示为一个节点,接下来是一个1×1卷积层，采用ReLu激活函数来保证图数据滤波层的输出非负,最后，将激活函数的输出发送到多层全连接网络； 采用反向传播算法迭代更新网络参数，直到得到最优或次优解，具体为：采用一个基于交叉熵损失函数，其形式如下: LOSS＝cross_entropyI,Ip+α||Θ||19 I和Ip分别表示训练数据和预测的实际标签向量，Θ表示所有模型参数，α是权衡正则化权重；计算损失函数相对于的偏导数，其表达式为: 其中表示的第i行第j列元素；根据链式法则，的计算式可以表示为: 在计算了后，使用以下规则来更新最优的邻接矩阵 21式中，ρ表示网络的学习速率； 所述步骤五中建立源空间动作相关脑电信号和肌电信号之间的信息融合模型完成四种动作模式的识别过程包括： 1训练模型： 将肌电信号通过两层一维卷积网络进行处理用来提取动作相关的肌电特征，之后将肌电的一维卷积输出和源空间动作相关脑电的脑网络与动作模式的关系模型输出通过全连接层进行信息融合后再输出分类结果；通过反向传播算法来对该模型进行训练，就会自动提取肌电和脑电网络的特征并自动选择最突出的特征，实现四种动作尝试的分类； 2模型评估： 采用M折交叉验证的方法，每个受试者每种动作一共采集了Kn次，以每次动作尝试开始后Tvault秒的数据作为一个时间窗，每个窗提取一个图特征，四种动作共4×Kn个特征样本；随机抽取每种动作中的样本，共计个样本作为训练集，剩下的样本为测试集，其中训练集分为两部分，80％用来训练模型，20％用来验证模型，看是否出现模型过拟合；以上操作循环M次，最终计算得到平均识别准确率，用来评价所提出的新算法和现有算法对不同动作尝试区分识别的能力。

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西安交通大学，其通讯地址为：710049 陕西省西安市碑林区咸宁西路28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。