買(mǎi)專(zhuān)利賣(mài)專(zhuān)利找龍圖騰，真高效！ 查專(zhuān)利查商標(biāo)用IPTOP,全免費(fèi)！專(zhuān)利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉成都大學(xué)申請(qǐng)的專(zhuān)利一種基于改進(jìn)的大數(shù)據(jù)算法識(shí)別患者唇語(yǔ)的方法及系統(tǒng)獲國(guó)家發(fā)明授權(quán)專(zhuān)利權(quán)，本發(fā)明授權(quán)專(zhuān)利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN115546896B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-09-12發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專(zhuān)利申請(qǐng)?zhí)?專(zhuān)利號(hào)為：202211259922.5，技術(shù)領(lǐng)域涉及：G06V40/20；該發(fā)明授權(quán)一種基于改進(jìn)的大數(shù)據(jù)算法識(shí)別患者唇語(yǔ)的方法及系統(tǒng)是由范文杰;古沐松;苗放;游磊;陳二陽(yáng)設(shè)計(jì)研發(fā)完成，并于2022-10-14向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專(zhuān)利申請(qǐng)。

本一種基于改進(jìn)的大數(shù)據(jù)算法識(shí)別患者唇語(yǔ)的方法及系統(tǒng)在說(shuō)明書(shū)摘要公布了：本發(fā)明涉及機(jī)器學(xué)習(xí)技術(shù)領(lǐng)域，公開(kāi)了一種基于改進(jìn)的大數(shù)據(jù)算法識(shí)別患者唇語(yǔ)的方法，包括以下步驟：步驟S1，采集人臉面部圖像，使用改進(jìn)的PCA?SURF算法將人臉面部圖像構(gòu)建成數(shù)據(jù)集；步驟S2，基于改進(jìn)的ResNeST模塊構(gòu)建特征識(shí)別模型，采用數(shù)據(jù)增強(qiáng)方法擴(kuò)充數(shù)據(jù)集后,使用數(shù)據(jù)集對(duì)特征識(shí)別模型進(jìn)行訓(xùn)練；步驟S3，將數(shù)據(jù)集輸入到對(duì)特征識(shí)別模型中進(jìn)行訓(xùn)練，特征識(shí)別模型包括改進(jìn)的ResNeST模型，改進(jìn)的ResNeST模塊依次連接上游模塊和下游分支模塊；步驟S4，采集人臉面部圖像輸入進(jìn)訓(xùn)練好的人臉面部圖像中讀取人的唇語(yǔ)信息。本發(fā)明還提供了一種基于改進(jìn)的大數(shù)據(jù)算法識(shí)別患者唇語(yǔ)的系統(tǒng)。本發(fā)明用于解決PCA降維損失信息量的同時(shí)，提高機(jī)器學(xué)習(xí)模型的泛化力。

本發(fā)明授權(quán)一種基于改進(jìn)的大數(shù)據(jù)算法識(shí)別患者唇語(yǔ)的方法及系統(tǒng)在權(quán)利要求書(shū)中公布了：1.一種基于改進(jìn)的大數(shù)據(jù)算法識(shí)別患者唇語(yǔ)的方法，其特征在于，包括以下步驟： 步驟S1，采集人臉面部圖像，使用改進(jìn)的PCA-SURF算法將采集的人臉面部圖像構(gòu)建成數(shù)據(jù)集； 步驟S2，基于改進(jìn)的ResNeST模塊構(gòu)建特征識(shí)別模型，采用數(shù)據(jù)增強(qiáng)方法擴(kuò)充數(shù)據(jù)集后,使用數(shù)據(jù)集對(duì)特征識(shí)別模型進(jìn)行訓(xùn)練； 步驟S3，將數(shù)據(jù)集輸入到對(duì)特征識(shí)別模型中進(jìn)行訓(xùn)練，所述特征識(shí)別模型包括改進(jìn)的ResNeST模型，所述改進(jìn)的ResNeST模塊依次連接上游模塊和下游分支模塊； 步驟S4，采集人臉面部圖像輸入進(jìn)訓(xùn)練好的人臉面部圖像中讀取人的唇語(yǔ)信息； 所述步驟S1包括： SURF算法通過(guò)Hessian算法提取出人臉面部圖像的特征點(diǎn)，生成SURF特征的描述子特征向量； 將PCA算法進(jìn)行去中心化處理后再和SURF特征的子特征向量結(jié)合生成協(xié)方差矩陣； 將PCA降維過(guò)程中對(duì)協(xié)方差矩陣求出來(lái)的特征向量使用歐式距離進(jìn)行匹配，剔除掉歐氏距離為0的兩個(gè)特征點(diǎn)，再構(gòu)建成數(shù)據(jù)集； 所述步驟S2中改進(jìn)的ResNeST模塊包括三個(gè)并聯(lián)連接的通道層、批歸一化層和線性修正單元層，最終進(jìn)行softmax函數(shù)計(jì)算； 所述上游模塊包括多層感知層MLP和并聯(lián)連接的第一特征提取層以及第二特征提取層，所述第一特征提取層和第二特征提取層最終進(jìn)行sigmoid函數(shù)計(jì)算； 所述下游分支模塊包括第三特征提取層，所述第三特征提取層包括依次連接的最大池化層MAXPOOL3、卷積層C6、平均池化層ACGPOOL3和卷積層C5； 所述特征識(shí)別模型將sigmoid函數(shù)計(jì)算的結(jié)果和第三特征提取層輸出的結(jié)果進(jìn)行特征相加后進(jìn)行輸出。

如需購(gòu)買(mǎi)、轉(zhuǎn)讓、實(shí)施、許可或投資類(lèi)似專(zhuān)利技術(shù)，可聯(lián)系本專(zhuān)利的申請(qǐng)人或?qū)＠麢?quán)人成都大學(xué)，其通訊地址為：610100 四川省成都市龍泉驛區(qū)成洛大道2025號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。