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！

龙图腾网获悉合肥工业大学申请的专利一种基于深度学习的WiFi手语翻译系统及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：CN115188073B 。

龙图腾网通过国家知识产权局官网在2025-09-16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：202210805408.0，技术领域涉及：G06V40/20；该发明授权一种基于深度学习的WiFi手语翻译系统及方法是由郭丹;刘泽宽;郭义臣;唐申庚;武梓龙;文则涵;陈颖男设计研发完成，并于2022-07-08向国家知识产权局提交的专利申请。

本一种基于深度学习的WiFi手语翻译系统及方法在说明书摘要公布了：本发明公开了一种基于深度学习的WiFi手语翻译系统及方法，该方法包括：1采集WiFi信号，获取原始CSI数据包中包含幅度和相位信息的CSI矩阵信息；2处理CSI数据，对提取的CSI子载波的幅度值用PCA主成分分析法进行信号滤波；3构建局部‑全局序列特征提取器建模手语动作的深度特征，建立手语动作信息的局部依赖以及全局依赖；4使用长短期记忆网络作为解码器将序列特征转换为手语句子并使用联结主义时序分类模型对手语句子进行后处理。本发明能有效降低手语识别翻译识别难度，提高手语识别翻译的便捷性和效率，能将手语实时翻译成文字。

本发明授权一种基于深度学习的WiFi手语翻译系统及方法在权利要求书中公布了：1.一种基于深度学习的WiFi手语翻译系统，其特征包括：数据采集模块、数据预处理模块、局部-全局序列特征提取器和实时翻译模块； 所述数据采集模块采集原始CSI数据包，并从所述原始CSI数据包中提取WiFi信号的信道状态信息，再从信道状态信息中获取包含原始幅度和相位信息的三维CSI矩阵； 所述数据预处理模块，是对所述三维CSI矩阵进行降维处理后，得到时序序列向量，再通过Hampel标识符方法除去所述时序序列向量中的异常点，然后利用滤波算法过滤与主成分无关的量，最后利用离散小波变换去除时序序列向量中的噪声，从而得到预处理后的时序序列向量； 所述局部-全局序列特征提取器，是利用含有残差卷积网络的局部特征提取器对所述预处理后的时序序列向量进行各通道的特征提取，得到各通道的局部特征向量；再使用含有门控机制的特征强化器动态调整各通道的局部特征向量的权重；最后用含有Transformer编码器的全局特征提取器对各通道的局部特征向量及其权重进行编码，得到全局层特征向量，包括： 步骤3.1、时序信息嵌入： 利用式1得到位置嵌入向量： 1 式1中，表示全连接层，表示由特征嵌入矩阵和时间戳向量组成的查找表；表示预处理后的时序序列向量； 步骤3.2、构建局部-全局序列特征提取器的深度神经网络模型，包括：局部特征提取器，特征强化器和全局特征提取器； 步骤3.2.1、所述局部特征提取器利用式2对n-1层特征手语动作的局部特征进行编码，并输出第n层的手语动作的局部特征： 2 式2中，为ReLU激活函数，BN1和BN2分别表示第一和第二批归一化层，Conv1和Conv2分别表示第一和第二卷积层，表示局部特征提取器的中间变量，当n=1时，令； 步骤3.2.2、所述特征强化器利用式3和式4对手语动作的第N层的局部特征进行特征提取，得到通道增强的手语动作局部特征： 3 4 式3中，为Sigmoid激活函数，为ReLU激活函数，，表示第一层全连接层的预训练权值和偏置，，表示第二层全连接层的预训练权值和偏置；表示通道注意力特征权重矩阵； 步骤3.2.3、所述全局特征提取器利用式5输出手语的第l层全局特征： 5 式5中，为多头注意力层，为多层感知机层，为层标准化函数， 为Transformer编码器的层数，表示全局特征的中间变量，当l=1时，令； 所述实时翻译模块，是对所述全局层特征向量进行解码，得到词向量并转为单词序号，从而根据所述单词序号找到语料库中相应的单词并构成单词序列，再对所述单词序列进行后处理，从而输出完整的手语自然语句。

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合肥工业大学，其通讯地址为：230009 安徽省合肥市包河区屯溪路193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”。