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！

龙图腾网获悉中国科学院合肥物质科学研究院申请的专利基于双分支自注意力机制网络的上臂肌力估计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：CN119055216B 。

龙图腾网通过国家知识产权局官网在2025-09-19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：202411233739.7，技术领域涉及：A61B5/0536；该发明授权基于双分支自注意力机制网络的上臂肌力估计方法是由高理富;张筱笛;孙玉香;王大庆;曹会彬设计研发完成，并于2024-09-04向国家知识产权局提交的专利申请。

本基于双分支自注意力机制网络的上臂肌力估计方法在说明书摘要公布了：本发明涉及一种基于双分支自注意力机制网络的上臂肌力估计方法，包括：得到归一化后的原始电阻抗成像电压序列、归一化后的真实力序列；得到二维电阻抗图像、电压序列频域表征；得到电阻抗图像张量、电压频域张量和真实力张量；构建双分支自注意力机制网络，将电阻抗图像张量、电压频域张量输入双分支自注意力机制网络，输出肌力估计结果；将肌力估计结果和六维力传感器采集到的真实力序列进行对比。本发明有效填补了肌电信号、肌音信号等其他生物信号缺失的深层肌肉信息；通过提取更多的全局信息从而计算出更复杂的特征，从而提高检测的准确性；能够更加准确的实现无损伤上臂肌力大小估计，具有轻量级、估计精度高、迁移性好等优势。

本发明授权基于双分支自注意力机制网络的上臂肌力估计方法在权利要求书中公布了：1.一种基于双分支自注意力机制网络的上臂肌力估计方法，其特征在于：该方法包括下列顺序的步骤： （1）在一个测量周期内，通过电阻抗成像传感器测量人体上臂肌肉收缩时产生的原始电阻抗成像电压信号，并进行归一化，得到归一化后的原始电阻抗成像电压序列其中，M1为一个测量周期内所记录归一化后的原始电阻抗成像电压序列的总数，i为当前时刻归一化后的原始电阻抗成像电压序列的索引下标，i为整数且1≤i≤M1；同时通过六维力传感器采集人体上臂肌肉收缩时产生的三个方向上的力Fx、Fy、Fz和三个方向上的力矩Mz、My、Mz，Fx、Fy、Fz和Mz、My、Mz共同组成真实力序列，对真实力序列进行归一化，得到归一化后的真实力序列其中，M2为一个测量周期内所记录真实力的总数，j为当前时刻真实力的索引下标，j为整数且1≤j≤M2； （2）对归一化后的原始电阻抗成像电压序列分别进行一步高斯-牛顿图像重建、傅里叶变换，得到二维电阻抗图像电压序列频域表征其中，M3为一个测量周期内所记录二维电阻抗图像的总数，v为当前时刻二维电阻抗图像的索引下标，v为整数且1≤v≤M3；M4为一个测量周期内所记录电压序列频域表征的总数，u为当前时刻电压序列频域表征的索引下标，u为整数且1≤u≤M4； （3）电压序列频域表征二维电阻抗图像和归一化后的真实力序列组成数据集，对数据集进行分批次划分，得到大小为batchsize×1×64×64的电阻抗图像张量VIMG、大小为batchsize×1×28的电压频域张量Vfft和大小为batchsize×1×6的真实力张量VF，batchsize表示每批次包含的数据量大小； （4）构建双分支自注意力机制网络，所述双分支自注意力机制网络由第一分支网络、第二分支网络和时频域特征融合模块组成；将电阻抗图像张量VIMG、电压频域张量Vfft输入双分支自注意力机制网络，双分支自注意力机制网络输出肌力估计结果； （5）将得到的肌力估计结果和六维力传感器采集到的真实力序列进行对比，采用均方误差来反映两者的差异程度； 在步骤（4）中，所述第一分支网络包括图像序列化模块和第一多头自注意力机制模块，所述第二分支网络包括第一全连接层和第二多头自注意力机制模块； 所述时频域特征融合模块包括第一全局平均池化层、第二全局平均池化层、第一RELU激活层、第二RELU激活层、第一Sigmoid激活层、第二Sigmoid激活层，以及第二、三、四、五、六、七、八、九全连接层； 首先将电阻抗图像张量VIMG送入第一分支网络进行处理：图像序列化模块将VIMG分为patchsize×patchsize个区域小图像，其中patchsize＝16，表示图像被均分为16行16列；对分割后的图像先进行线性变换，再为每一部分线性变换后的图像增加位置编码；最终，将增加位置编码后的各部分图像数据前后拼接，将拼接得到的整个数据作为一个序列送入第一多头自注意力机制模块中运算；第一多头自注意力机制模块采用缩放点积注意力机制，公式如下： 其中，Q、K和V分别表示查询、键和值，Attention表示输出张量，表示矩阵Q的维度数； 将通过可训练的权重矩阵相乘进行线性变换，得到三个初始的向量表示，公式如下： Q＝WqVIMG K＝WkVIMG V＝WvVIMG 其中，Wq、Wk和Wv均表示可训练的权重矩阵； 将得到的Q、K和V代入公式1进行运算，计算得到输出张量Attention；对VIMG独立学习多次，随后将多个输出拼接起来，送入第一多头自注意力机制模块的一个全连接层，得到尺寸为batchsize×patchsize×dim的特征张量,第一维batchsize表示每批次包含的数据量大小，第二维patchsize＝16，第三维dim＝1024，dim表示通过图像序列化之后每个图像向量的长度；在第二维上计算均值，最终得到尺寸为8×1024的时域特征张量UT； 将电压频域张量Vfft送入第二分支网络进行处理：首先将大小为batchsize×1×28的Vfft输入第一全连接层，将Vfft在第三维上进行扩展，得到大小为batchsize×1×1024特征张量，随后送入第二多头自注意力机制模块，得到大小为8×1024频域特征张量UF； 将得到的时域特征张量UT和频域特征张量UF整形为8×1024×1送入时频域特征融合模块中：首先通过第一全局平均池化层、第二全局平均池化层进行全局平均池化操作，将时域特征张量UT和频域特征张量UF进行压缩，得到压缩后的时域特征张量和频域特征张量再将和分别送入第二全连接层、第四全连接层，再分别经第一ReLU激活层、第二ReLU激活层实现通道维度的降维，再分别送入第三全连接层、第五全连接层，经第一Sigmoid激活层、第二Sigmoid激活层将和向量中的每个元素压缩到0到1之间，得到每个通道的权重和接着，将权重与时域特征张量UT相乘后送入第六全连接层，得到时域通道注意力特征张量将权重与频域特征张量UF相乘后送入第七全连接层，得到频域通道注意力特征张量同时，将UT、UF分别送入第八全连接层、第九全连接层进行下采样，得到下采样后的时域特征张量和下采样后的频域特征张量随后，将频域通道注意力特征张量和下采样后的时域特征张量进行矩阵乘法后再和下采样后的时域特征张量相加，得到第一融合张量UFusion1；同时，对时域通道注意力特征张量和下采样后的频域特征张量进行矩阵乘法后再和下采样后的频域特征张量相加，得到第二融合张量UFusion2；将第一融合张量UFusion1、第二融合张量UFusion2相加得到尺寸为8×6的输出具体公式如下： 式中，GAP表示全局平均池化，W1、W2、W3、W4均表示全连接层，δ、σ分别表示ReLU激活函数和Sigmoid激活函数，⊙为矩阵元素乘法。

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中国科学院合肥物质科学研究院，其通讯地址为：230031 安徽省合肥市蜀山区蜀山湖路350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。