一种脑卒中患者上肢及手部康复训练动作识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111184512A(43)申请公布日2020.05.22(21)申请号201911394850.3(22)申请日2019.12.30(71)申请人电子科技大学地址611731四川省成都市高新区（西区）西源大道2006号(72)发明人刘勇国任志扬李巧勤杨尚明刘朗陈智(74)专利代理机构成都正华专利代理事务所(普通合伙)51229代理人陈选中(51)Int.Cl.A61B5/0488(2006.01)A61B5/11(2006.01)G06N3/04(2006.01)权利要求书2页说明书7页附图2页(54)发明名称一种脑卒中患者上肢及手部康复训练动作识别方法(57)摘要本发明公开了一种脑卒中患者上肢及手部康复训练动作识别方法，采用非负矩阵分解模型对肌电信号数据进行盲源分离，去除非平稳的肌肉激活信息，获得稳定的时变盲源分离结果；应用分解后的时变盲源分离结果数据做进一步的模式识别，提高识别的稳定性和精度；通过CNN-RNN模型使得学习的特征同时保持时间和空间特性。CNN-RNN模型无需进行人工的数据特征提取与筛选，直接处理数据，自动提取特征且完成分类识别，可以实现端到端的康复训练动作识别分析，并结合注意力层对两层双向GRU层中第二层的隐含状态做注意力加权，赋予贡献度大的数据更大的权重，使其发挥更大作用，从而进一步提升分类识别的精度。CN111184512ACN111184512A权利要求书1/2页1.一种脑卒中患者上肢及手部康复训练动作识别方法，其特征在于，包括以下步骤：S1、采集康复训练动作的肌电信号数据；S2、对肌电信号数据进行预处理；S3、采用非负矩阵分解模型对预处理后的肌电信号数据进行分解，得到多个盲源分离结果矩阵；S4、采用多个盲源分离结果矩阵对CNN-RNN模型进行迭代训练，得到训练完成的CNN-RNN模型；S5、对新采集的训练动作肌电数据，重复步骤S1～S3，得到多个盲源分离结果矩阵，将多个盲源分离结果矩阵输入训练完成的CNN-RNN模型中，得到康复训练动作识别类别。2.根据权利要求1所述的脑卒中患者上肢及手部康复训练动作识别方法，其特征在于，所述步骤S3包括以下步骤：S31、对预处理后的肌电信号数据进行时间维度上的人工分割，得到对应的时间序列每条数据组成的肌电信号数据矩阵；S32、采用非负矩阵分解模型对肌电信号数据矩阵进行分解，得到多个盲源分离结果矩阵。3.根据权利要求2所述的脑卒中患者上肢及手部康复训练动作识别方法，其特征在于，所述步骤S4中包括以下步骤：S41、建立CNN网络模型和RNN网络模型，并初始化迭代次数m＝0；S42、将多个盲源分离结果矩阵输入CNN网络模型中，进行特征提取和池化降维操作，得到特征向量；S43、将特征向量输入RNN网络模型中进行处理，得到预测动作类别的概率值；S44、通过交叉熵计算预测动作类别和真实动作类别概率值的距离Lossm；S45、判断第m次的Lossm值和m-1次的Lossm-1值的差值是否小于阈值，若是，则得到训练完成的CNN-RNN模型，若否，则采用批量随机梯度下降方法更新CNN网络模型中的权重参数和偏置参数以及RNN网络模型的权重参数，并令迭代次数m自加1，并跳转至步骤S42。4.根据权利要求3所述的脑卒中患者上肢及手部康复训练动作识别方法，其特征在于，所述步骤S41中的CNN网络模型包括：三层卷积层、三层池化层和三层激活层。5.根据权利要求4所述的脑卒中患者上肢及手部康复训练动作识别方法，其特征在于，所述卷积层的输入和输出的计算公式为：其中，为第l-1层卷积层的第i个输入通道的数据，为第l层卷积层的第j个输出通道的数据，Ml-1为第l-1层卷积层的输入通道数，为第l层卷积核权重，为第l层卷积层偏置，1≤l≤3；第1层卷积层的第i个输入通道的数据为盲源分离结果矩阵Hr×n第i行数据。6.根据权利要求3所述的脑卒中患者上肢及手部康复训练动作识别方法，其特征在于，所述步骤S41中的RNN网络模型包括：两层双向GRU层、注意力层和全连接层，每层双向GRU层包括T′个GRU单元；2CN111184512A权利要求书2/2页所述GRU单元中包括更新门和重置门；所述两层双向GRU层的第一层中的输入为特征向量，其第二层的输出为注意力层的输入；所述注意力层的输出为全连接层的输入。7.根据权利要求6所述的脑卒中患者上肢及手部康复训练动作识别方法，其特征在于，所述GRU单元的状态更新方程如下：其中，[]表示两个向量连接，·表示向量内积，σ是激活函数，tanh为双曲正切激活函数，Wr为重置门的权重矩阵，Wz为更新门的权重矩阵，为候选集的权重矩阵，xt为特征向量，ht为t时刻的隐含状态，ht-1为t-1时刻的隐含状态。8