[发明专利]一种基于阵列肌电的卒中患者手部康复训练动作识别方法有效
申请号: | 202010811477.3 | 申请日: | 2020-08-13 |
公开(公告)号: | CN111938660B | 公开(公告)日: | 2022-04-12 |
发明(设计)人: | 杨尚明;任志扬;刘勇国;李巧勤 | 申请(专利权)人: | 电子科技大学 |
主分类号: | A61B5/11 | 分类号: | A61B5/11;A61B5/389;A61B5/397;A61B5/00 |
代理公司: | 北京正华智诚专利代理事务所(普通合伙) 11870 | 代理人: | 李林合 |
地址: | 611731 四川省成*** | 国省代码: | 四川;51 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 阵列 患者 康复训练 动作 识别 方法 | ||
1.一种基于阵列肌电的卒中患者手部康复训练动作识别方法,其特征在于,包括以下步骤:
S1、在患者的前臂包裹m×n的阵列肌电传感器,获取患者康复训练时的肌电数据;其中m表示前臂轴向电极个数,n表示环绕前臂的电极行数;
S2、对肌电数据滤波与整流后进行归一化,得到归一化结果;
S3、将归一化结果重构为t个m×n的瞬时肌电阵列数据向量S,以及m×n个通道的长度为t的肌电序列数据向量T;其中t为康复训练动作对应的肌电信号长度;
S4、将瞬时肌电阵列数据向量S作为二维卷积神经网络的输入,获取与其对应的空间特征向量L;
S5、将肌电序列数据向量T作为每层具有t个长短期记忆网络单元的双层单向LSTM循环神经网络的输入,获取与其对应的时间特征向量P;
S6、通过向量连接的方式将空间特征向量L和时间特征向量P进行特征维度的融合,得到时空特征向量D;
S7、通过全连接层对时空特征向量D进行处理,得到分类数值;
S8、将分类数值转换为概率分布,得到康复训练动作属于各个类别的概率值。
2.根据权利要求1所述的基于阵列肌电的卒中患者手部康复训练动作识别方法,其特征在于,所述步骤S1中前臂轴向电极个数m为8,环绕前臂的电极行数n为24。
3.根据权利要求1所述的基于阵列肌电的卒中患者手部康复训练动作识别方法,其特征在于,所述步骤S2的具体方法为:
采用50Hz陷波滤波器对肌电数据进行滤波,对滤波后的数据采用20Hz-450Hz的带通滤波器进行再次滤波,对再次滤波后的数据进行全波整流,根据公式:
对全波整流后的数据X进行归一化,得到归一化结果X*;其中表示全波整流后的数据X的平均值;σ(X)表示全波整流后的数据X的标准差。
4.根据权利要求1所述的基于阵列肌电的卒中患者手部康复训练动作识别方法,其特征在于,所述步骤S4的具体方法包括以下子步骤:
S4-1、将瞬时肌电阵列数据向量S输入一个均包含三层卷积层,每层卷积核大小均为3×3,每层的卷积核数量分别为32、64和128的二维卷积神经网络,得到128个特征图;
S4-2、通过具有1024个神经元的全连接层将128个特征图转换为向量,得到每个瞬时肌电阵列数据对应的特征向量F;
S4-3、将所有瞬时肌电阵列数据对应的特征向量进行级联累加得到与瞬时肌电阵列数据向量S对应的空间特征向量L。
5.根据权利要求4所述的基于阵列肌电的卒中患者手部康复训练动作识别方法,其特征在于,所述二维卷积神经网络第k层的卷积运算公式为:其中为第k层卷积输出结果;为k-1层卷积输出结果;为第k层卷积核;为偏置;Nk-1为第k层卷积层输入总通道;i为输入数据的通道索引;j为第k层卷积核数量;ReLU(·)为ReLU激活函数。
6.根据权利要求1所述的基于阵列肌电的卒中患者手部康复训练动作识别方法,其特征在于,所述步骤S8的具体方法为:
根据公式:
采用softmax层将分类数值qz转换为属于第z个动作类别的概率值Sz,进而得到康复训练动作属于各个类别的概率值;其中e为常数,Z为分类数值中的元素总数。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于电子科技大学,未经电子科技大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010811477.3/1.html,转载请声明来源钻瓜专利网。