【技术实现步骤摘要】
本专利技术涉及动作识别预测，特别涉及一种康复训练中人体运动意图预测方法及装置。
技术介绍
1、随着人口老龄化问题的加剧，因中风、偏瘫等引起的患者认知和平衡力协调受损的患者越来越多，传统的康复方法存在因率低、专业康复人员短缺等问题。
2、针对上述问题，基于机器人辅助康复的设备研究运营而生，如平衡康复平台、外骨骼机器人等，使患者根据自己的运动意图控制平台更好地调动患者训练的积极性。此类康复设备往往通过力传感器来判断患者运动意图，实现运动跟踪，再根据患者的运动意图控制平台运动状态，从而实现人机交互下的训练，但由于力传感器采集到的信号滞后于人体运动意图，加上训练平台控制系统的时间延迟，会导致训练平台的运动滞后于人体运动意图，削弱了训练平台位姿与患者位姿的同步性，从而降低训练效果。
技术实现思路
1、鉴于现有技术中的上述缺陷或不足，本专利技术提供了一种康复训练中人体运动意图预测方法及装置，来最大限度的消除康复训练平台的运动相对于人体运动意图的延时误差，提高训练平台位姿与患者位姿的同步性，从而改善训练效果。
2、本专利技术的一个方面，提供了一种康复训练中人体运动意图预测方法，包括：采集人体的足底压力数据和各关节位姿数据；将获取的所述足底压力数据和各关节位姿数据，以时间序列的形式一同输入至训练好的深度学习网络模型中，得到人体运动意图的预测结果；其中，所述深度学习网络模型包括：数据块嵌入模块，用于将离散的原始输入时间序列处理为预定长度的数据块，对所述数据块进行位置编码和值编
3、进一步的，所述编码器层包括多个串联的编码器，每个编码器包括依次相连的多头自注意力模块、第一残差与层归一化模块、第二时间序列分解层、第一前馈层、第二残差与层归一化模块和第三时间序列分解层；其中，所述数据块嵌入模块的输出端连接所述第一残差与层归一化模块，所述第二时间序列分解层的输出端连接所述第二残差与层归一化模块；所述第三时间序列分解层输出所述第一周期特征；所述第一残差与层归一化模块用于在所述多头自注意力模块的输入和输出之间构成跳跃连接；所述第二残差与层归一化模块用于在所述第一前馈层的输入和输出之间构成跳跃连接；所述多头自注意力模块用于计算原始输入时间序列中足底压力数据和各关节位姿数据的相关性；所述第二时间序列分解层和第三时间序列分解层用于分解各自输入数据的趋势特征和周期特征。
4、进一步的，所述解码器层包括多个串联的解码器，每个解码器包括第一支路和第二支路；所述第一支路包括依次相连的掩码多头自注意力模块、第三残差与层归一化模块、第四时间序列分解层、编码解码自注意力模块、第四残差与层归一化模块、第五时间序列分解层、第二前馈层和第五残差与层归一化模块；其中，所述编码器层输出的第一周期特征输入至所述编码解码自注意力模块，所述第一时间序列分解层输出的所述初始周期特征输入至所述掩码多头自注意力模块和第三残差与层归一化模块，所述第四时间序列分解层输出的周期特征分量输入至所述编码解码自注意力模块和所述第四残差与层归一化模块，所述第五时间序列分解层输出的周期特征分量输入至所述第二前馈层和所述第五残差与层归一化模块；所述第二支路包括依次相连的第六残差与层归一化模块和第七残差与层归一化模块；其中，所述第一时间序列分解层输出的所述初始趋势特征输入至所述第六残差与层归一化模块，所述第四时间序列分解层输出的趋势特征分量输入至所述第六残差与层归一化模块，所述第五时间序列分解层输出的趋势特征分量输入至所述第七残差与层归一化模块，所述第七残差与层归一化模块的输出量输入至所述第五残差与层归一化模块；所述第五残差与层归一化模块将所述第二前馈层的输出量、所述第五时间序列分解层的输出量和所述第七残差与层归一化模块的输出量相加作为最终的预测序列。
5、进一步的，所述第一时间序列分解层、第二时间序列分解层、第三时间序列分解层、第四时间序列分解层和第五时间序列分解层使用加权滑动平均函数分解得到输入数据的周期特征和趋势特征。
6、进一步的，还包括：预处理模块，用于对原始的输入时间序列进行平稳化处理，消除非平稳性分量，将处理后的数据输出至所述数据块嵌入模块。
7、本专利技术的另一方面，还提供了一种人体运动意图预测装置，包括：数据采集模块，用于采集人体的足底压力数据和各关节位姿数据；预测模块，用于将获取的所述足底压力数据和各关节位姿数据，以时间序列的形式一同输入至训练好的深度学习网络模型中，得到人体运动意图的预测结果；其中，所述深度学习网络模型包括：数据块嵌入模块，用于将离散的原始输入时间序列处理为预定长度的数据块，对所述数据块进行位置编码和值编码，将编码后的数据块输出至编码器层；编码器层，用于从所述编码后的数据块中提取原始输入时间序列的第一周期特征，并将第一周期特征输出至解码器层；第一时间序列分解层，用于将原始输入时间序列分解为初始周期特征和初始趋势特征，并将所述初始周期特征和初始趋势特征输入至解码器层；解码器层，用于根据所述第一周期特征、初始趋势特征和初始周期特征，计算得到总的趋势特征和总的周期特征，将总的趋势特征和总的周期特征相加作为最终的预测序列。
8、进一步的，所述编码器层包括多个串联的编码器，每个编码器包括依次相连的多头自注意力模块、第一残差与层归一化模块、第二时间序列分解层、第一前馈层、第二残差与层归一化模块和第三时间序列分解层；其中，所述数据块嵌入模块的输出端连接所述第一残差与层归一化模块，所述第二时间序列分解层的输出端连接所述第二残差与层归一化模块；所述第三时间序列分解层输出所述第一周期特征；所述第一残差与层归一化模块用于在所述多头自注意力模块的输入和输出之间构成跳跃连接；所述第二残差与层归一化模块用于在所述第一前馈层的输入和输出之间构成跳跃连接；所述多头自注意力模块用于计算原始输入时间序列中足底压力数据和各关节位姿数据的相关性；所述第二时间序列分解层和第三时间序列分解层用于分解各自输入数据的趋势特征和周期特征。
9、进一步的，所述解码器层包括多个串联的解码器，每个解码器包括第一支路和第二支路；所述第一支路包括依次相连的掩码多头自注意力模块、第三残差与层归一化模块、第四时间序列分解层、编码解码自注意力模块、第四残差与层归一化模块、第五时间序列分解层、第二前馈层和第五残差与层归一化模块；其中，所述编码器层输出的第一周期特征输入至所述编码解码自注意力模块，所述第一时间序列分解层输出的所述初始周期特征输入至所述掩码多头自注意力模块和第三残差与层归一化模块，所述第四时间序列分解层输出的周期特征本文档来自技高网...
【技术保护点】
1.一种康复训练中人体运动意图预测方法，其特征在于，包括：
2.根据权利要求1所述的一种康复训练中人体运动意图预测方法，其特征在于：
3.根据权利要求2所述的一种康复训练中人体运动意图预测方法，其特征在于：
4.根据权利要求3所述的一种康复训练中人体运动意图预测方法，其特征在于，所述第一时间序列分解层、第二时间序列分解层、第三时间序列分解层、第四时间序列分解层和第五时间序列分解层使用加权滑动平均函数分解得到输入数据的周期特征和趋势特征。
5.根据权利要求4所述的一种康复训练中人体运动意图预测方法，其特征在于，还包括：
6.一种康复训练中人体运动意图预测装置，其特征在于，包括：
7.根据权利要求6所述的一种康复训练中人体运动意图预测装置，其特征在于：
8.根据权利要求7所述的一种康复训练中人体运动意图预测装置，其特征在于：
9.根据权利要求8所述的一种康复训练中人体运动意图预测装置，其特征在于，所述第一时间序列分解层、第二时间序列分解层、第三时间序列分解层、第四时间序列分解层和第五时间序
10.根据权利要求9所述的一种康复训练中人体运动意图预测装置，其特征在于，还包括：
...【技术特征摘要】
1.一种康复训练中人体运动意图预测方法，其特征在于，包括：
2.根据权利要求1所述的一种康复训练中人体运动意图预测方法，其特征在于：
3.根据权利要求2所述的一种康复训练中人体运动意图预测方法，其特征在于：
4.根据权利要求3所述的一种康复训练中人体运动意图预测方法，其特征在于，所述第一时间序列分解层、第二时间序列分解层、第三时间序列分解层、第四时间序列分解层和第五时间序列分解层使用加权滑动平均函数分解得到输入数据的周期特征和趋势特征。
5.根据权利要求4所述的一种康复训练中人体运动意图预测方法，其特征在于，还包括：
...【专利技术属性】
技术研发人员：赵宇，薛剑超，李嘉浩，季旭全，周统，张广强，
申请(专利权)人：中国医学科学院北京协和医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。