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！

龙图腾网恭喜中国地质大学(武汉)申请的专利基于可解释深度学习的表面肌电信号相似手势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：CN117312985B 。

龙图腾网通过国家知识产权局官网在2025-03-11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：202311272367.4，技术领域涉及：G06F18/2415；该发明授权基于可解释深度学习的表面肌电信号相似手势识别方法是由王峰;佘锦华;赵娟;敖小虎;吴昊;王赫设计研发完成，并于2023-09-27向国家知识产权局提交的专利申请。

本基于可解释深度学习的表面肌电信号相似手势识别方法在说明书摘要公布了：本发明提供了一种基于可解释深度学习的表面肌电信号相似手势识别方法，进行表面肌电信号采集及预处理；基于深度学习搭建识别模型；对所述识别模型引入可解释性分析；对引入了可解释性分析的识别模型进行优化；利用优化后的识别模型对实际获取的表面肌电信号进行识别。本发明的有益效果是：提供了可解释的分析，增强了对识别过程的理解，并作为提高识别性能的反馈。利用深度神经网络自动提取特征，而并非人工提取肌电特征，提高了识别模型的识别效率，使识别模型更具便捷；对识别过程做了可解释性分析，分析了特征相关性与输入特征的重要性归因。

本发明授权基于可解释深度学习的表面肌电信号相似手势识别方法在权利要求书中公布了：1.一种基于可解释深度学习的表面肌电信号相似手势识别方法，其特征在于：包括：S1：采集表面肌电信号并进行预处理；表面肌电信号采集及预处理的过程为：将N个表面肌电信号传感器连接到前臂进行信号采集，在对N个表面肌电信号传感器采集到的表面肌电信号进行去噪处理；设置采集的时间为T，采集频率为F，得到TF×N的数据矩阵；该矩阵的列号表示表面肌电号传感器对应的电极号，行数是采样时间和频率的乘积；数据矩阵的每一行分配一个与所执行的手势对应的标签；每一行都被标记为i，表示在那一刻执行的手势动作种类；为了检测表面肌电图数据中的活动段，根据标签i将其分为动作模式和休息模式，扫描每一行的标签，将标记为i=0的数据分类为休息模式，而非零标签对应的数据分类为动作模式；设置一个M×N大小的分析窗口来分析表面肌电图数据，只选择动作模式的数据，并将分析窗口的滑动步长设置为s，具有相同手势标签i的M×N数组被认为是有效数据，该数组的标签定义为i，数组的数量K计算为： （1）其中，M表示设置的分析窗口的宽度；N表示设置的分析窗口的长度；每个数组被转换为一个M×N矩阵，其中k∈（1，K），然后对矩阵进行归一化，并将其值映射到（0,255）的范围，计算为 （2）其中，min表示映射范围内的最小值，max表示映射范围内的最大值；表示矩阵数值映射到（0，255）之后的新的矩阵，该矩阵为转化灰度图像所需的矩阵；将带有手势标签i的有效阵列数据转换为K个灰度图像，每个图像的大小都为M×N，为了提高相似手势识别的精度，将三个相邻的具有相同手势标签的灰度图像组合起来，形成一个三维彩色图像，得到一个表面肌电信号彩色图像的数据集；S2：根据处理后的表面肌电信号，基于深度学习搭建识别模型；采用图像级深度卷积神经网络架构，建立识别模型，以表面肌电信号彩色图像作为输入，并利用深度学习技术来识别这些图像中的模式；该识别模型包括卷积层、全连接层和softmax层；从表面肌电信号彩色图像中提取特征，第l个卷积层接受输入，并通过将与卷积核进行卷积而产生输出；卷积核的感受野大小为A×B，滑动长度为z，偏差项记为，卷积层执行的计算为： （3）其中，表示图像中的第行；表示图像中的第列；*表示卷积运算；表示第l个卷积层的输入；表示第l层卷积核在感受野中的第a行，第b列的值的大小；a和b表示在感受野中的第a行，第b列；基于交叉熵的损失函数定义为： （4）其中，表示手势i的实际输出概率；表示手势i的期望输出概率；该损失函数用于在离线训练阶段对识别模型进行训练，以确保该识别模型能够准确地预测与表面肌电信号彩色图像相关的每个手势；S3：对所述识别模型引入可解释性分析；步骤S3的具体实现过程为：首先，计算从所有输入电极通道获取的表面肌电信号数据在类似手势识别任务中的总贡献，任务的总贡献是指将所有通道信号输入识别模型后得到的输出与无输入时得到的输出之间的差异，所有通道的总贡献的计算公式为： （5）其中，表示零输入；表示第n个输入电极通道的沙普利值，n=1,2,...,N，N表示输入电极通道的总数；然后，由N个输入电极通道所获得的总贡献必须公平地分配给每个通道，采用沙普利值作为衡量通道参与或不参与识别任务时，每个通道对手势识别性能的影响，每个通道的沙普利值是通过加权和聚合所有电极通道的可能组合来计算的，基于此，每个通道的沙普利值表示其对相似手势识别任务的贡献，计算公式为： （6）其中，表示电极通道的总数；表示参与游戏交互的通道的数量；表示S的贡献值；表示通道N对参与S的边际贡献；|S|!表示参与游戏交互的通道数量的数值阶乘；|N|!表示电极通道的总数的数值阶乘；|S|表示参与游戏交互的通道数量；|N|表示电极通道的总数；N\{n}表示集合N去掉元素n后的集合；在识别相似手势的任务中，沙普利值的计算过程是由表面肌电信号电极通道之间的游戏交互作用决定的，对长度范围从1到N内的所有可能的长度组合进行计算，每个组合都对应于一轮的游戏互动；对于每一轮的游戏交互，根据相应的组合设置输入电极通道，作为组合的一部分的通道保持不变，而未包含的通道被设置为0，然后使用这些输入数据进行手势识别，并在深度神经网络中应用softmax层之前结果的预测矩阵，该矩阵由这一轮中不同渠道的得分组成，作为贡献值，在计算所有可行组合和贡献值后，基于公式（6）计算手势识别各通道的沙普利值，每个通道的沙普利值反映了其对识别相似手势的任务的贡献；通过步骤S3，最终分析每个输入电极通道在相似手势识别中的贡献，计算结果的准确性通过公式（5）进行验证；S4：对引入了可解释性分析的识别模型进行优化；步骤S4的具体实现过程为：在全局解释分析之后，计算出输入电极通道n的贡献率，然后利用公式（7）进行归一化，从而得到每个手势的贡献率，该贡献率反映了不同电极通道在相似手势识别任务中的不同重要程度；其中， （7） 表示第n个输入电极通道的沙普利值，；表示第t个输入电极通道的沙普利值，t=1,2,...,N；通过使用每个电极通道的贡献率作为数据增强的权重来优化识别模型，具体地说，使用贡献率作为对识别模型输入部分的反馈，应用于深度神经网络的第一卷积层，如公式（8）所示： （8）通过将权值纳入卷积核中，增强从关键电极通道获得的数据，从而指导识别模型专注于学习这段数据；此外，模型反馈还需要对模型参数进行微调，在微调阶段，所有的卷积层都是固定的，只有最后一个完全连接的层是可调的；S5：利用优化后的识别模型对实际获取的表面肌电信号进行识别。

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中国地质大学(武汉)，其通讯地址为：430000 湖北省武汉市洪山区鲁磨路388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”。