预览加载中,请您耐心等待几秒...
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10

亲,该文档总共12页,到这已经超出免费预览范围,如果喜欢就直接下载吧~

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

(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CN111938660A(43)申请公布日2020.11.17(21)申请号202010811477.3(22)申请日2020.08.13(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)发明人杨尚明任志扬刘勇国李巧勤(74)专利代理机构北京正华智诚专利代理事务所(普通合伙)11870代理人李林合(51)Int.Cl.A61B5/11(2006.01)A61B5/0488(2006.01)A61B5/00(2006.01)权利要求书2页说明书6页附图3页(54)发明名称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(57)摘要本发明公开了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,本发明应用阵列型肌电传感器采集患者训练过程前臂的肌电序列数据,保留肌肉在物理空间上的协同信息和肌肉活动随时间变化的信息;建立并行卷积神经网络自动提取不同时刻肌电数据的空间特征;建立长短期记忆网络自动学习肌电的时间依赖特征。融合肌电时空特征后进行分类识别,以避免人工特征工程导致的信息冗余或丢失,可以有效提高手部动作识别精度。CN111938660ACN111938660A权利要求书1/2页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LSTM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2CN111938660A权利要求书2/2页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S5中每层具有t个LSTM单元的双层单向LSTM循环神经网络的第p个LSTM单元的运算公式为:Cp=σ(Wf·[hp-1,rp]+bf)×Cp-1+σ(Wi·[hp-1,rp]+bi)×tanh(WC·[hp-1,rp]+bC)hp=σ(Wo·[hp-1,rp]+bo)×tanh(Cp)其中σ(·)为sigmoid激活函数;Wf为遗忘门权重;hp-1为第p-1个LSTM单元的输出状态;rp为输入数据;bf为遗忘门偏置;Cp为第p个LSTM单元的细胞状态;Cp-1为第p-1个LSTM单元的细胞状态;Wi为输入门权重;bi为输入门偏置;tan