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混合级联架构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：CN119807851B 。

龙图腾网通过国家知识产权局官网在2026-03-20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：202510012830.4，技术领域涉及：G06F18/241；该发明授权一种混合级联架构的太极拳动作识别方法是由王任重;陈智;刘勇国;李巧勤;兰刚设计研发完成，并于2025-01-06向国家知识产权局提交的专利申请。

本一种混合级联架构的太极拳动作识别方法在说明书摘要公布了：本发明属于动作识别技术领域，具体地说是一种混合级联架构的太极拳动作识别方法。本发明提出的技术方案主要针对处理后的肌电信号进行格拉姆角场化，丰富时序信息，利用格拉姆角场时序进一步做特征提取，便于捕获肌电信号的时序信息，提高识别的稳定性和精度；然后通过双流CNN结构进行高维特征的充分提取，借助CNN的局部感受野优势，在保持高维特征提取效率的同时减少计算资源的消耗。最后提出级联融合变压器结构，将侧重于空间信息的肌电信号图分支和侧重于时序信息的格拉姆角场时序图分支得到的高维特征进行有效融合，得到丰富的高维特征表示。本发明在对计算资源要求较低的情况下保证了太极拳动作识别的精度。

本发明授权一种混合级联架构的太极拳动作识别方法在权利要求书中公布了：1.一种混合级联架构的太极拳动作识别方法，其特征在于，包括以下步骤： S1、采集数据集，具体为通过肌电传感器采集进行太极拳运动时所产生的肌电信号，将每个传感器采集的数据作为一个通道数据，将每个观测时刻获取的全部通道数据作为当前时刻获取的观测数据，从太极拳运动的起始时刻到结束时刻，按照设定时刻进行数据采集，从而获得整套太极拳招式的数据集；进行数据采集时共采集30个通道的数据，对应上下肢的30块肌肉；同时设定太极拳共有24个招式动作，对每个招式动作分别进行上下肢的采集，每个招式动作采集7次，信号采样率设置为1000Hz；将采集的肌电信号表示为,1≤i≤30，共有n个观测时刻； S2、对数据集进行处理，包括对每个通道的肌电信号进行去噪处理，得到肌电信号数据，再根据每个通道数据的获取时间序列从而得到每个通道的肌电信号序列图； 利用去噪处理后的肌电信号数据获得格拉姆角场化后的时序特征图； 具体方法为： 对进行滤波处理，通过50Hz陷波滤波器去除电源线干扰噪声、20Hz-450Hz带通滤波消除运动伪影和高频噪声，并进行全波整流，得到n个观测值的时间序列： ， 最后使用python的CV库转换成肌电信号序列图； 基于处理后的肌电信号数据建立格拉姆角场，即建立时序特征图： 定义代表第i个通道的第j个观测值，i代表第i个通道，j代表第j个时间观测值，1≤j≤n，对进行归一化，使得所有值都落在[-1,1]内，得到归一化后的数据，定义代表归一化后的第i个通道的第j个观测值： ， ， 利用极坐标保留序列的绝对时间关系，将值编码为角余弦、时间戳编码为半径： ， ， ， 其中，和是信号数据经过极坐标转化规则得到的极坐标中的角度和半径，为时间序列中的时间戳，即第j个观测值对应的时间，由于1≤j≤n，即时间序列共有n个时间戳，N为最后时间点与开始时间点的差值，即N=tn-t1； 最后，得到格拉姆角场GASF表示如下： ， 其中，GASF是一个n×n的矩阵，代表归一化后第i个通道的时间序列的第p个观测值通过反余弦公式转换成的弧度值，代表归一化后第i个通道的时间序列的第q个观测值通过反余弦公式转换成的弧度值，1≤p≤n，1≤q≤n； 处理后的GASF矩阵数据使用python的CV库转换成时序特征图； S3、基于混合级联架构构建太极拳动作识别模型，包括CNN特征提取模块、级联融合变压器、全连接层、Softmax层、太极拳动作识别模块； 所述CNN特征提取模块包括两个结构相同的支路，分别对肌电信号序列图和时序特征图进行特征提取；所述CNN特征提取模块中的两个支路均由三个卷积层构成，每个卷积层卷积操作后，使用激活函数处理，然后做批量归一化操作，定义两个支路分别输出特征和，a； 所述级联融合变压器由两个多头注意层和一个全连接层构成，CNN特征提取模块输出的两个特征作为不同的角色在交叉注意力机制中被馈送到不同的多头注意层，通过多头注意力机制获得每个特征的注意力计算结果，再进行互补融合分别得到两个融合输出，最后将两个融合输出沿最后一个维度连接起来输入到全连接层，全连接层输出多模态特征； 得到的多模态特征依次经过全连接层和Softmax层后得到针对单通道特征的不同动作类别的概率值，最后在太极拳动作识别模块中将每一个单通道特征对应的概率值进行相加，得到针对全通道特征预测得到的每个类别的概率值，并且概率值最高的类别即为所识别出的太极拳动作类别； S4、利用得到的数据集对构建的太极拳动作识别模型进行训练，训练中使用交叉熵作为损失函数，得到训练好的太极拳动作识别模型； 具体方法是： 对于特征，为dx维向量，每个头部h的输入向量query、key和value由学习的线性投影计算： ， 其中，为参数矩阵，设为，H表示多头数量；将query-key-value向量通过比例点积映射到头部为的向量上： H， 其中，代表自注意力操作； 将所有头部的输出连接起来，并通过权重为的线性变换进行投影，得到多头自注意力计算结果： ， 同理对进行处理，最后对输入的两个特征和进行互补融合分别得到两个融合输出和:： ， ， 将两个交叉注意层的融合输出和沿最后一个维度连接起来，得到合并后的多模态特征，采用残差连接和层归一化函数进行优化： ， 输入到全连接层后得到的输出为： ， 其中，是一个长度为的向量，是类别的总数，对应太极拳的招式动作，是全连接层的权重矩阵，b是偏置向量； Softmax层获得针对单通道特征的不同动作类别的概率值为： ， 其中，是全连接层输出的第个元素，表示第个类别的未归一化得分，是针对单通道特征预测得到的第个类别的概率值； 太极拳动作识别模块将每一个单通道特征对应的概率值进行相加，得到针对全通道特征预测得到的第个类别的概率值，选择概率最高的类别作为模型的预测输出，具体为通过找到概率分布中最大值的索引来实现，概率值最高的类别即为识别出的太极拳动作类别： ， S5、将获取的目标动作输入到训练好的太极拳动作识别模型进行识别。

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。