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！

龙图腾网恭喜浙江工业大学申请的专利基于深度学习模型融合的步态子相位预测方法与装置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：CN119700094B 。

龙图腾网通过国家知识产权局官网在2025-05-13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：202510208957.3，技术领域涉及：A61B5/11；该发明授权基于深度学习模型融合的步态子相位预测方法与装置是由陈博;程俊;王浙明;周袁;岳康奇;周京设计研发完成，并于2025-02-25向国家知识产权局提交的专利申请。

本基于深度学习模型融合的步态子相位预测方法与装置在说明书摘要公布了：一种基于深度学习模型融合的步态子相位预测方法和装置，所述方法包括：同步采集穿戴者在多种速度下行走的多源步态数据；对收集到的多源步态数据进行预处理，并采用滑动重叠窗口技术划分时间窗口，基于双标签构建监督学习训练数据集；层级融合CNN、Bi‑LSTM及MHA，构建步态子相位预测模型；利用贝叶斯优化算法自动化搜索最优超参数组合；定义稳定预测时间（Pstable）指标，结合经典指标，通过逐一受试者剔除交叉验证和速度迁移鲁棒性实验，全面评估模型性能；基于Simulink平台构建模块化步态子相位预测系统架构，集成多线程缓冲机制实时处理数据流；固化模型参数至在线推理模块，动态输出预测结果。

本发明授权基于深度学习模型融合的步态子相位预测方法与装置在权利要求书中公布了：1.基于深度学习模型融合的步态子相位预测方法，其特征在于，包括以下步骤：S1：采集不同个体穿戴下肢康复外骨骼机器人在多种速度下的多源步态数据，同时使用摄像机记录行走过程视频；采用统一标记事件标志实验开始，以精准对齐多源步态数据与行走过程视频的时间戳；S2：对采集到的多源步态数据进行预处理，并基于地面接触力与行走过程视频为预处理后的多源步态数据分配相应的步态子相位标签；S3：采用滑动重叠窗口技术将多源步态数据划分为固定长度的时间窗口，为每个窗口分配真实标签Tlabel与预测标签Plabel，并设置预测时间提前量Pw，以构建标准化的监督学习训练数据集，其中，Tlabel表示当前时间窗口内步态子相位的最高频次标签，Plabel表示与当前时间窗口相距Pw步长的时间窗口的Tlabel；S4：通过层级融合卷积神经网络CNN、双向长短期记忆网络Bi-LSTM、多头注意力机制MHA，形成深度学习模型融合架构，构建步态子相位预测模型；S5：采用贝叶斯优化算法对模型超参数进行自动化寻优，以探索出最佳的超参数组合；随后，使用分层K折交叉验证策略进行模型训练与评估，并启用模型检查点机制防止过拟合；S6：定义稳定预测时间Pstable，并结合经典指标全面评估步态子相位预测模型的预测性能；所述的稳定预测时间Pstable，其具体定义如下：如果模型对步态子相位切换时刻连续做出三次正确预测，则上述预测被认为是稳定预测；基于这一定义，为了更准确地描述模型的预测性能，使用稳定预测时间Pstable来衡量稳定预测的开始时刻ts与子相位切换时刻tc之间的间隔，计算公式为： （2）S7：设置不同Pw，并统计步态子相位预测模型对应的预测准确度和Pstable；进行可视化对比，展示在不同Pw下模型的性能差异；S8：进行逐一受试者剔除交叉验证和速度迁移鲁棒性验证实验，评估步态子相位预测模型在跨个体和速度变化条件下的适应性与稳定性，并分别绘制箱型图，以可视化实验结果；S9：在Simulink平台上构建模块化步态子相位预测系统架构，集成多源步态数据采集、信号预处理、在线推理及结果输出模块，并将经过预训练和交叉验证的步态子相位预测模型参数固化至在线推理模块中；S10：实时采集多源步态数据并进行存储，将sEMG与IMU信号输入至模块化步态子相位预测系统架构，并采用多线程缓冲机制实时处理数据流，执行信号处理及在线推理模块，动态输出步态子相位的预测结果。

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浙江工业大学，其通讯地址为：310014 浙江省杭州市拱墅区潮王路18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”。