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！

龙图腾网获悉郑州大学申请的专利一种基于手部姿态视频的帕金森运动迟缓量化分析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：CN116189296B 。

龙图腾网通过国家知识产权局官网在2025-12-19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：202310059396.6，技术领域涉及：G06V40/20；该发明授权一种基于手部姿态视频的帕金森运动迟缓量化分析方法是由李桂森;王治忠;王松伟;牛晓可设计研发完成，并于2023-01-13向国家知识产权局提交的专利申请。

本一种基于手部姿态视频的帕金森运动迟缓量化分析方法在说明书摘要公布了：本发明公开了一种基于手部姿态视频的帕金森运动迟缓量化分析方法，包括以下步骤：A：构建手部姿态数据集；B：构建包含特征提取网络、区域候选网络、边界框头部网络和关键点头部网络的MaskR‑CNN深度神经网络模型；C：对MaskR‑CNN深度神经网络模型进行训练，获得手部21个关键点组成的关键点序列；D：对关键点序列进行运动特征提取得到对应的运动特征；E：依据运动特征获得波峰序列和波谷序列；F：基于波峰序列和波谷序列，对五种运动迟缓参数进行量化，五种运动迟缓参数分别为慢速、低振、幅度衰减、迟疑和停顿。本发明能够以手部姿态视频片段为载体，实现灵活、可解释的运动迟缓量化。

本发明授权一种基于手部姿态视频的帕金森运动迟缓量化分析方法在权利要求书中公布了：1.一种基于手部姿态视频的帕金森运动迟缓量化分析方法，其特征在于，包括以下步骤： A：构建用于PD临床视频手部姿态估计的手部姿态数据集； B：构建MaskR-CNN深度神经网络模型，MaskR-CNN深度神经网络模型包含特征提取网络、区域候选网络、边界框头部网络和关键点头部网络； 特征提取网络，用于对输入的手部姿态数据集中的原始图像进行特征提取，并对不同尺度特征进行融合，将融合后的五种不同尺度的特征图送入区域候选网络； 区域候选网络，用于根据设定的初始锚框生成区域候选；然后结合区域候选和分辨率最大的前四种尺度的特征图生成两种不同分辨率的RoI特征图，并分别送入并行设置的边界框头部网络和关键点头部网络； 边界框头部网络，用于根据输入的RoI特征图进行手部目标分类和边界框回归，输出精确的手部边界框； 关键点头部网络，用于对输入的RoI特征图进行手部目标关键点检测，最终输出手部21个关键点； 关键点头部网络包含特征提取子网络、分布期望解码子网络和分布方差解码子网络； 特征提取子网络用于对区域候选网络输出的RoI特征图进行特征提取，特征提取子网络首先通过第二卷积层将ROI特征图映射为特征图，然后通过第三卷积层对特征图进行进一步的特征提取并映射为特征图； 分布期望解码子网络用于解码控制关键点底层分布位置的期望；分布期望解码子网络首先通过第四卷积层对特征图进行通道数改变并映射为特征图；分布期望解码子网络再对特征图使用2倍双线性上采样模块进行上采样，输出概率图；最后，分布期望解码子网络对概率图采用Soft-Argmax操作，基于以下定义解码分布期望，即手部21个关键点坐标： ； 其中，表示预测目标出现在的概率，表示概率图的离散网格位置； 分布方差解码子网络用于解码控制关键点底层分布尺度的方差；分布方差解码子网络首先对特征图采用全局平均池化操作以实现降维，并将生成的一维向量作为第二全连接层的输入，再经过Sigmoid激活函数最终生成的偏差； 网络训练过程中，基于分布期望解码子网络输出的期望和分布方差解码子网络输出的方差，使用RLELoss建模关键点底层分布，RLELoss的定义为： ； 其中，，表示关键点坐标标签；=表示标准高斯分布；表示关键点底层分布，； C：利用手部姿态数据集中的训练集对构建的MaskR-CNN深度神经网络模型进行训练，获得手部姿态视频中受试者的手部21个关键点组成的关键点序列； D：对步骤C中得到的关键点序列进行运动特征提取，得到对应的运动特征； E：依据步骤D中得到的运动特征，获得表征手部姿态视频中受试者的周期性动作变化的波峰序列和波谷序列； F：基于步骤E中得到的波峰序列和波谷序列，对五种运动迟缓参数进行量化，五种运动迟缓参数分别为慢速、低振、幅度衰减、迟疑和停顿。

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郑州大学，其通讯地址为：450001 河南省郑州市高新技术开发区科学大道100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。