一种自适应肌力的卒中患者手部康复训练动作识别方法技术

本发明专利技术公开了一种自适应肌力的卒中患者手部康复训练动作识别方法，其同时采集肌电信号、加速度和角速度数据，同时得到生理学和运动学的客观测量数据，使用不同肌力水平下的样本集训练模型，使得该深度学习模型可以自适应受试者完成动作时肌力的变化，解决了不同肌力条件下因肌电信号差异较大导致的识别鲁棒性低的问题。本方法通过多路多尺寸卷积神经网络自动且自适应地提取不同数据特征，融合多种特征后使用神经网络进行分类识别，避免了人工特征工程导致的信息冗余或丢失以及特征弱化，有效提高了不同肌力水平下卒中患者手部康复训练动作的识别精度。

【技术实现步骤摘要】
一种自适应肌力的卒中患者手部康复训练动作识别方法
本专利技术涉及康复动作识别领域，具体涉及一种自适应肌力的卒中患者手部康复训练动作识别方法。
技术介绍
康复训练利用中枢系统的可塑性，在一定程度上帮助脑卒中患者恢复运动功能，对患者康复训练动作的识别意义重大，识别结果在临床上可以作为辅助训练设备的控制信号，控制人造肢体的运动，辅助肢体障碍患者完成类似真实肢体的运动功能；或将训练动作识别结果作为运动功能评定的依据；也可以在远程交互式康复中实现智能康复训练或协助医师远程监测训练情况等。现有基于表面肌电的康复训练动作识别方法大多通过多通道表面肌电获取信号，人工提取数据特征，再应用机器学习算法进行分类识别。这类方法存在缺陷如下：1)手部康复训练动作较为精细，需要大量肌肉协同完成，仅使用多通道表面肌电无法全面获取肌肉活动数据，忽略了肌肉的协同作用，影响分类识别的精度；2)对数据进行人工特征提取，会因主观经验导致特征提取不充分或冗余，影响后续算法性能；3)目前使用的机器学习分类算法(如支持向量机、极限学习机、高斯混合模型等)对手部康复训练动作这类数据本身差异较小的分类任务，识别分类性能较差。
技术实现思路
针对现有技术中的上述不足，本专利技术提供的一种自适应肌力的卒中患者手部康复训练动作识别方法解决了现有方法识别准确性差的问题。为了达到上述专利技术目的，本专利技术采用的技术方案为：提供一种自适应肌力的卒中患者手部康复训练动作识别方法，其包括以下步骤：S1、在患者的前臂肌群位置环绕前臂放置一周肌电电极，在患者手背的手腕处放置惯性传感器，获取患者进行康复训练时的肌电数据和惯性传感器数据；其中惯性传感器数据包括加速度数据和角速度数据；S2、对肌电数据滤波与整流后进行归一化，得到肌电数据归一化结果；对加速度数据和角速度数据进行卡尔曼滤波，得到滤波后的加速度数据和滤波后的角速度数据；S3、采用三路卷积神经网络分别获取肌电数据归一化结果的特征、滤波后的加速度数据的特征和滤波后的角速度数据的特征；S4、将肌电数据归一化结果的特征、滤波后的加速度数据的特征和滤波后的角速度数据的特征进行拼接得到整体特征向量；S5、采用两层全连接层获取整体特征向量的分类数值；S6、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。进一步地，步骤S1的具体方法为：在患者前臂肌群位置环绕前臂放置一周肌电电极，共8通道，采样频率为1KHz；在患者手背的手腕处放置包含三轴加速度传感单元和三轴陀螺仪传感单元的惯性传感器，共6通道，采样频率为20Hz；获取患者进行康复训练时的肌电数据、加速度数据和角速度数据；其中惯性传感器的Z轴垂直于手背平面，Y轴沿着手指方向，X轴指向患者左侧方向。进一步地，步骤S2中对肌电数据滤波与整流后进行归一化，得到肌电数据归一化结果的具体方法为：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进行离差归一化，得到肌电数据归一化结果X*；其中min(X)表示全波整流后的数据X中最小的值；max(X)表示全波整流后的数据X中最大的值。进一步地，步骤S3中三路卷积神经网络的结构相同，每路卷积神经网络均包括依次相连的三层卷积池化层和两层多尺寸卷积块；其中第一层卷积池化层包括32个大小为7×1的卷积核和大小为5×1的池化核；第二层卷积池化层包括64个大小为5×1的卷积核和大小为3×1的池化核；第三层卷积池化层包括128个大小为3×1的卷积核和大小为3×1的池化核；第k层卷积池化层的卷积运算公式为：为第k层卷积池化层的卷积输出结果；为k-1层卷积池化层的卷积输出结果；为第k层卷积池化层的卷积核；为偏置；Nk-1为第k层卷积池化层的卷积层输入总通道；i为输入数据的通道索引；j为第k层卷积池化层的卷积核数量；ReLU(·)为ReLU激活函数；第一层多尺寸卷积块包括四个通路，每个通路的输入为同一个大小为3×1的池化核，第一个通路在池化核之后还包括16个1×1的卷积核、16个3×1的卷积核和32个3×1的卷积核，输出32通道的特征向量；第二个通路在池化核之后还包括96个1×1的卷积核和128个3×1的卷积核，输出128通道的特征向量；第三个通路在池化核之后还包括1个3×1的池化核和32个1×1的卷积核，输出32通道的特征向量；第四个通路在池化核之后还包括64个1×1的卷积核，输出64通道的特征向量；第一层多尺寸卷积块输出256通道的特征向量；第二层多尺寸卷积块包括四个通路，每个通路的输入为同一个大小为3×1的池化核，第一个通路在池化核之后还包括32个1×1的卷积核、32个3×1的卷积核和96个3×1的卷积核，输出96通道的特征向量；第二个通路在池化核之后还包括128个1×1的卷积核和192个3×1的卷积核，输出192通道的特征向量；第三个通路在池化核之后还包括1个3×1的池化核和64个1×1的卷积核，输出64通道的特征向量；第四个通路在池化核之后还包括128个1×1的卷积核，输出128通道的特征向量；第二层多尺寸卷积块输出480通道的特征向量，即每路卷积神经网络均输出480通道的特征向量。进一步地，步骤S4的具体方法为：将肌电数据归一化结果的特征、滤波后的加速度数据的特征和滤波后的角速度数据的特征进行依次拼接得到整体特征向量。进一步地，步骤S5中第一层全连接层包括1024个神经元，第二层全连接层的神经元数量与康复训练动作类别数相等。进一步地，步骤S6的具体方法为：根据公式：采用softmax层将分类数值qn转换为属于第n个动作类别的概率值Sn，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，N为分类数值中的元素总数，即康复训练动作类别数。本专利技术的有益效果为：本专利技术同时对卒中患者康复训练过程的肌肉活动电信号和运动学数据同时进行客观测量，构建多路卷积神经网络自适应且自动地提取不同传感数据的特征；通过多尺寸卷积块增加网络的深度和宽度，提高模型的数据拟合能力并充分提取特征；使用不同肌力水平下的样本集训练模型，使模型在肌力变化条件下的识别效果更稳定；融合不同传感数据的特征实现端到端的自适应肌力的卒中患者手部康复训练动作识别，提升识别精度。附图说明图1为本专利技术的流程示意图；图2为本专利技术的网络结构框图；图3为多尺寸卷积块的网络结构框图。具体实施方式下面对本专利技术的具体实施方式进行描述，以便于本
的技术人员理解本专利技术，但应该清楚，本专利技术不限于具体实施方式的范围，对本
的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本专利技术的精神和范围内，这些变化是显而易见的，一切利用本专利技术构思的专利技术创造均在保护之列。如图1所示，该自适应肌力的卒中患者手部康复训练动作识别方法，本文档来自技高网...

【技术保护点】
1.一种自适应肌力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：/nS1、在患者的前臂肌群位置环绕前臂放置一周肌电电极，在患者手背的手腕处放置惯性传感器，获取患者进行康复训练时的肌电数据和惯性传感器数据；其中惯性传感器数据包括加速度数据和角速度数据；/nS2、对肌电数据滤波与整流后进行归一化，得到肌电数据归一化结果；对加速度数据和角速度数据进行卡尔曼滤波，得到滤波后的加速度数据和滤波后的角速度数据；/nS3、采用三路卷积神经网络分别获取肌电数据归一化结果的特征、滤波后的加速度数据的特征和滤波后的角速度数据的特征；/nS4、将肌电数据归一化结果的特征、滤波后的加速度数据的特征和滤波后的角速度数据的特征进行拼接得到整体特征向量；/nS5、采用两层全连接层获取整体特征向量的分类数值；/nS6、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。/n

【技术特征摘要】
1.一种自适应肌力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、在患者的前臂肌群位置环绕前臂放置一周肌电电极，在患者手背的手腕处放置惯性传感器，获取患者进行康复训练时的肌电数据和惯性传感器数据；其中惯性传感器数据包括加速度数据和角速度数据；
S2、对肌电数据滤波与整流后进行归一化，得到肌电数据归一化结果；对加速度数据和角速度数据进行卡尔曼滤波，得到滤波后的加速度数据和滤波后的角速度数据；
S3、采用三路卷积神经网络分别获取肌电数据归一化结果的特征、滤波后的加速度数据的特征和滤波后的角速度数据的特征；
S4、将肌电数据归一化结果的特征、滤波后的加速度数据的特征和滤波后的角速度数据的特征进行拼接得到整体特征向量；
S5、采用两层全连接层获取整体特征向量的分类数值；
S6、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所述的自适应肌力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的具体方法为：
在患者前臂肌群位置环绕前臂放置一周肌电电极，共8通道，采样频率为1KHz；在患者手背的手腕处放置包含三轴加速度传感单元和三轴陀螺仪传感单元的惯性传感器，共6通道，采样频率为20Hz；获取患者进行康复训练时的肌电数据、加速度数据和角速度数据；其中惯性传感器的Z轴垂直于手背平面，Y轴沿着手指方向，X轴指向患者左侧方向。


3.根据权利要求1所述的自适应肌力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中对肌电数据滤波与整流后进行归一化，得到肌电数据归一化结果的具体方法为：
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进行离差归一化，得到肌电数据归一化结果X*；其中min(X)表示全波整流后的数据X中最小的值；max(X)表示全波整流后的数据X中最大的值。


4.根据权利要求1所述的自适应肌力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S3中三路卷积神经网络的结构相同，每路卷积神经网络均包括依次相连的三层卷积池化层和两层多尺寸卷积块；其中第一层卷积池化层包括32个大小为7×1的卷积核和大小为5×1的池化核；第二层卷积池化层包括64个大小为5×1的卷积核和大小为3×1的池化核；第三层卷积池化层包括128个大小为3×1的卷积...

【专利技术属性】
技术研发人员：李巧勤，任志扬，刘勇国，杨尚明，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51