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！

龙图腾网获悉福州大学申请的专利一种基于CNN-KELM的下肢运动识别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：CN116226632B 。

龙图腾网通过国家知识产权局官网在2025-07-25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：202211340664.3，技术领域涉及：G06F18/213；该发明授权一种基于CNN-KELM的下肢运动识别方法是由涂娟;代尊翔;黄紫娟;陈建国设计研发完成，并于2022-10-29向国家知识产权局提交的专利申请。

本一种基于CNN-KELM的下肢运动识别方法在说明书摘要公布了：本发明涉及一种基于CNN‑KELM的下肢运动识别方法，包括以下步骤：步骤S1、采集肌电信号；步骤S2、对采集到的肌电信号进行预处理；步骤S3、构建CNN‑KELM识别分类模型，所述CNN‑KELM识别分类模型包括输入层、基于CNN网络的特征提取层和基于KELM的分类输出层；将预处理后的肌电信号输入CNN‑KELM识别分类模型，输入层将预处理后的肌电信号组成输入矩阵，并输入到特征提取层进行特征提取，然后将提取的特征信号输入分类输出层进行下肢运动的分类；步骤S4、输出分类结果。该方法有利于提高下肢运动的识别准确率。

本发明授权一种基于CNN-KELM的下肢运动识别方法在权利要求书中公布了：1.一种基于CNN-KELM的下肢运动识别方法，其特征在于，包括以下步骤： 步骤S1、采集肌电信号； 步骤S2、对采集到的肌电信号进行预处理； 步骤S3、构建CNN-KELM识别分类模型，所述CNN-KELM识别分类模型包括输入层、基于CNN网络的特征提取层和基于KELM的分类输出层；将预处理后的肌电信号输入CNN-KELM识别分类模型，输入层将预处理后的肌电信号组成输入矩阵，并输入到特征提取层进行特征提取，然后将提取的特征信号输入分类输出层进行下肢运动的分类； 步骤S4、输出分类结果； 步骤S3中，所述CNN网络，即卷积神经网络包括交替设置的多个卷积层和池化层；所述卷积层是CNN网络的核心部分，利用卷积核的规则移动对sEMG信号矩阵进行特征提取；所述卷积层的计算公式为： 式中，Mj表示输入卷积层的sEMG信号矩阵的集合，f为非线性函数；kij m表示连接m-1层中的第i个sEMG信号矩阵和第m层的第j个sEMG信号矩阵的卷积核；bj m为偏置； 连续的卷积层之间设置池化层，用于数据和参数的压缩，以降低数据维度；为减少过拟合的影响，所述池化层采用平均池化，以最大程度上维持矩阵数据信息有效，抑制主要边缘数据； 设第m层为池化层，则池化层的输出公式为： 式中，pool·为池化函数；为权值；为偏置； 设第i层为全连接输出层，第j个sEMG信号特征矩阵为： xm＝fβm·v+bm 式中，v为m-1层的池化层输出的sEMG信号矩阵；βm为权值；bm为偏置； 所述CNN网络中，前向传播利用上述公式进行网络输出值的获取，反向传播采用Adam优化反向传播； 步骤S3中，所述KELM，即核极限学习机是在ELM的基础上引入核函数来解决ELM随机选择权重参数和隐含层神经元个数所造成的分类结果稳定性差问题；KELM初始模型的搭建方法为： 初始化输入层和隐含层间的连接权值和隐含层神经元的阈值，设置隐含层的神经元的个数，选择径向基RBF作为KELM的核函数，搭建KELM初始模型； β＝H+ti 式中，H+是矩阵H的Moore-Penrose广义逆矩阵，ti是样本的类型； 所述KELM初始模型采用RBF径向基函数： 所以KELM初始模型的输出函数为： 式中：Kc,c1是核函数，c1,c2…cm为经过基于CNN网络的特征提取层输出的sEMG特征矩阵的每一列数据，m是sEMG数据矩阵的行数，即维数，C是惩罚参数，I是单位矩阵，ΩKELM是核矩阵，T是训练样本的类标志向量组成的矩阵。

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州大学，其通讯地址为：350108 福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学；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”。