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！

龙图腾网恭喜中山大学申请的专利一种基于深度学习的多元时间序列分类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：CN114154551B 。

龙图腾网通过国家知识产权局官网在2025-06-13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：202111217841.4，技术领域涉及：G06F18/241；该发明授权一种基于深度学习的多元时间序列分类方法是由王梓曼;印鉴;刘威;陈仲;朱怀杰;邱爽设计研发完成，并于2021-10-19向国家知识产权局提交的专利申请。

本一种基于深度学习的多元时间序列分类方法在说明书摘要公布了：本发明提供一种基于深度学习的多元时间序列分类方法，该方法在使用BaseCNN捕获变量间交互的同时，还使用具有长距离依赖能力的LSTM来构建了一个子网络，利用其长期记忆特性，强化模型的全局时序特性，帮助模型更好的捕获全局时序特征。此外，巧妙的设计了三步训练模式，有效发挥CenterLoss、TripletLoss的作用，来处理该数据集波动性和特异性的特征，为最终的分类网络提供了良好的特征嵌入。本发明大力推动现有人工智能前交叉韧带辅助诊断的研究，具有重大临床意义与实际应用价值。

本发明授权一种基于深度学习的多元时间序列分类方法在权利要求书中公布了：1.一种基于深度学习的多元时间序列分类方法，其特征在于，包括以下步骤： S1：通过关节三维运动测量系统，捕捉到个体单腿关节六自由度运动数据，变量包括：外展内收，前屈后伸，内旋外旋，前后位移，内外位移，上下位移；设置了按腿排列和按自由度排列两组输入：1）按腿排列：将同一条腿的6自由度放在一起，然后按照待预测腿、辅助腿、两腿差值的顺序连接变量；2）按6自由度排列：将相同自由度的变量放在一起，然后连接6组变量；对变量进行特征转换；所述步骤S1的具体过程是： 第i个变量对应的时间序列表示为时间序列向量，其中l是序列长度，通过使用延时嵌入对原时序向量进行相位空间重构后，第i个变量对应的重构向量的第j项表示为： 其中，为相空间的嵌入维数，t表示时延，延时嵌入后第s个样本表示如下： 其中，新的相空间中的每一个点，表示一种状态，延迟嵌入维度为3，时延t为1； S2：对进行特征转换后的变量进行全局特征提取和局部特征提取；所述步骤S2中进行全局特征提取的过程是： 每个多元时间序列样本学习一个低维的嵌入，其中是最终嵌入维度，总使用基于神经网络的方法，其中是函数参数集，是延迟嵌入后的时间序列数据； 先在时间序列数据的第三维度上进行池化操作并进行permute操作，使3维转化为2维，然后得到，其中是LSTM层hiddensize参数的大小，即完成全局特征提取； 在步骤S2中，局部特征提取部分由四个子网络构成；第一个子网络用来捕获全部变量间的特征；第二个子网络专注于单腿内部特征；第三个子网络专注于单自由度内部的特征；第四个子网络则用来捕获单一变量内部的特征；通过压缩和扩展通道以及相应层中维度间的交换，使1D-CNN和2D-CNN友好地集成到一个网络中，从而充分发挥其作用来获取特征；4个子网络之间的差异反映在第一阶段，通过调整阶段1中1D-CNN的卷积步长和卷积核大小参数来实现；一个局部特征提取子网络进行局部特征提取的过程是： 1）、利用两层卷积，将96个时间点看作96个通道，重点学习18个变量间的关联特征，此时在延迟嵌入的三个相邻时间维度上没有进行卷积，两层卷积之后的平均池化则强化了延迟嵌入的作用，实现了相邻时间点不同变量间局部特征的提取；同时在特征方向上进行池化，减少了后续的计算量，这里使用平均池化，是因为此时处于初步特征挖掘阶段，相比起最大值池化，平均池化能保留更多的信息； 2）、首先使第1）步学习到的全部通道的特征，转换进一个通道里，完成维度转换后，方便后续卷积层对第一部分学习到的特征间关系，进行更深层次的挖掘，最后利用squeeze降维，方便后续使用1DCNN，相比起一直使用2DCNN，1DCNN减少后续卷积的参数量，在卷积后，使用最大池化，因为深挖阶段，忽略一些不明显的特征，将注意力放在最显著的特征上即可； 3）、利用1D-CNN以及池化，在捕捉深层交互的同时，为减少后续的全连接层的参数量，而减少数据维度； S3：搭建分类网络； S4：对搭建分类网络进行多目标学习训练，将步骤S2中得到的特征输入训练好的分类网络，最终使得同类样本特征距离拉近，异类样本距离拉远；通过分类网络对新获得的个体单腿关节六自由度运动数据进行分类，判断前交叉韧带是否断裂。

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山大学，其通讯地址为：510275 广东省广州市海珠区新港西路135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”。