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！

龙图腾网获悉电子科技大学申请的专利一种基于多扩展率压缩卷积的太极拳动作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：CN116503956B 。

龙图腾网通过国家知识产权局官网在2025-10-31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：202310592102.6，技术领域涉及：G06V40/20；该发明授权一种基于多扩展率压缩卷积的太极拳动作识别方法是由刘济宁;李巧勤;傅翀;刘勇国;朱嘉静;张云设计研发完成，并于2023-05-24向国家知识产权局提交的专利申请。

本一种基于多扩展率压缩卷积的太极拳动作识别方法在说明书摘要公布了：本发明公开了一种基于多扩展率压缩卷积的太极拳动作识别方法，首先采集太极拳动作肌电数据，并进行数据预处理，然后提取源信号的时域特征，构建特征矩阵，通过多扩展率压缩卷积算法提取跨通道压缩特征序列，进行融合得到多维度融合特征矩阵，再通过长短期记忆网络得到时序关系特征，最后通过全连接层得到动作识别结果，完成太极拳动作识别。本发明的方法通过多扩展率的扩张卷积实现对肌电信号的多尺度跨通道特征提取，打破普通卷积中只能提取相邻通道之间的空间关系的局限性，可将任意尺寸的肌电信号序列所包含信息压缩为一维的压缩特征序列，以提取其高度融合的特征，降低数据冗余、参数数量和模型计算量，提高太极拳动作识别准确度。

本发明授权一种基于多扩展率压缩卷积的太极拳动作识别方法在权利要求书中公布了：1.一种基于多扩展率压缩卷积的太极拳动作识别方法，具体步骤如下： S1、采集太极拳动作肌电数据，并进行数据预处理； S2、提取源信号的时域特征，构建特征矩阵； S3、通过多扩展率压缩卷积算法提取跨通道压缩特征序列； 所述步骤S3具体如下： 多扩展率压缩卷积CConv算法通过两层卷积分别对源信号S及步骤S2提取的时域特征矩阵SMAV、SRMS、SWL、SSD进行压缩卷积得到一维向量； 其中，对S进行多扩展率压缩卷积，具体如下： 1对维度为C×T的源信号S进行扩充； 每个通道序列长度为T，C表示数据序列的通道总数，给定扩张卷积的扩展率d，根据公式C＝k-1d+k求取对应卷积核的大小k，结果向上取整，并且需要满足k≥d，然后根据d和k的值反求此时扩充矩阵的行数C′，记为C′＝k-1d+k； 以信号序列值依序的每一行填充行使其达到C′行，即填充的第一行是原序列第一行的值，填充的第二行是原序列第二行的值，以此类推；得到尺寸为C′×T的扩充矩阵； 通过不同的扩展率获得多种肌肉组合的协同信息，得到一组d值d1,d2,…,dZ、一组k值k1,k2,…,kZ、和一组C′C′1,C′2,…,C′Z； 其中，Z表示不同扩展率的个数； 2通过压缩卷积提取压缩特征序列； 压缩卷积包含两层卷积核，第一层为扩张卷积，卷积核大小为kz，z∈1,Z，扩展率为dz，步长为1，第二层为普通卷积，即扩展率为1，其卷积核大小也为kz，步长为1； 其中，各层的单步卷积公式为：∑i∑jkijs′ij，kij表示卷积核的第i行j列的值，s′ij表示扩充矩阵中卷积核覆盖范围内第i行第j列的值； 两层卷积的公式如下： 其中，T表示矩阵的转置，i表示第i层卷积，i＝1，2，S′表示填充后的数据矩阵，W表示权重参数矩阵，b表示偏移参数矩阵，O表示最终的输出矩阵，两层权重矩阵权重值可以不同；f·表示激活函数，使用LeakyReLU函数，其公式如下： 其中，a表示一个超参数； 通过压缩卷积，得到扩展率dz，z∈1,Z下的压缩特征序列尺寸为1×Mz； 其中，Mz＝T-kz-1dz，通过压缩卷积后的特征序列包含了太极拳肌电信号或时域特征序列的压缩特征； 不同扩展率下可以得到不同的压缩特征序列，即对于d1,d2,…,dZ及其对应的k1,k2,…,kZ可以得到长度分别为M1,M2,…,MZ的压缩特征序列，取记为M，表示最长的压缩特征序列的长度； 以M为基准将所有长度不足的压缩特征序列填零补齐，得到长度相同的多个压缩特征序列；将所有扩展率下压缩卷积得到的压缩特征序列进行加和后，得到源信号S最终的压缩特征序列，记为尺寸为1×M； 综上，同理可得，分别对时域特征矩阵SMAV、SRMS、SWL、SSD进行多扩展率压缩卷积，得到压缩特征序列 S4、基于步骤S3得到的源数据和四种时域特征的压缩特征序列，进行融合得到多维度的融合特征矩阵，再通过长短期记忆网络得到时序关系特征，最后通过全连接层得到动作识别结果，完成太极拳动作识别。

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电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006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。