[发明专利]康复度排序方法及复合式交互训练系统

权利要求书

1.一种复合式交互训练系统，其特征在于，包括：

多个采集装置，用于分别采集多个对象的肌肉检测信号序列，各所述肌肉检测信号序列包括至少一个活动信号段；

至少一个处理器，包括：

提取装置，提取各所述肌肉检测信号序列的至少一个特征；

互动装置，用于分别向多个对象提供虚拟情景，并根据所述提取装置提取的各所述肌肉检测信号序列的至少一个特征，在所述虚拟情景中进行互动，所述多个对象位于同一虚拟情景中；

康复度计算装置，配置成执行如下步骤：

将所述肌肉检测信号序列的至少一个特征输入经训练的M个弱回归模型，M为大于1的整数；

根据所述M个弱回归模型的输出值获得对应所述肌肉检测信号序列的康复度，

其中，所述M个弱回归模型根据如下方式训练：

获取多个所述肌肉检测信号序列及对应各所述肌肉检测信号序列的已知康复度；

提取多个所述肌肉检测信号序列的多个活动信号段；

根据各所述活动信号段提取特征；

将所述多个活动信号段中的Q个活动信号段作为训练集，Q为大于1的整数；

将所述训练集中各活动信号段的特征作为所述M个弱回归模型的输入；

将对应各活动信号段所在的所述肌肉检测信号序列的已知康复度作为所述M个弱回归模型的输出；以及

训练所述M个弱回归模型，每个弱回归模型包括：

输入层，包括D个神经元，每个所述输入层的神经元对应所述肌肉检测信号序列的一个特征，D等于所述肌肉检测信号序列的特征数量，D为大于等于1的整数；

隐含层，包括R个神经元，R为大于1的整数；以及

输出层，包括E个神经元，所述输出层的神经元用于输出对应所述肌肉检测信号序列的康复度，E为大于等于1的整数，

每个所述输入层的神经元连接所有所述隐含层的神经元，每个所述输出层的神经元连接所有所述隐含层的神经元；

其中，对于每个弱回归模型：

所述输入层的神经元和所述隐含层的神经元之间的连接权值W为：

其中，W为R行D列的矩阵，w_ji表示所述输入层第i个神经元与所述隐含层第j个神经元间的连接权值，i为1至D之间的整数，j为1至R之间的整数；

所述隐含层的神经元与所述输出层的神经元之间的连接权值β为：

其中，β为R行E列的矩阵，β_jk表示所述隐含层第j个神经元与所述输出层第k个神经元间的连接权值，k为1至E之间的整数，

所述隐含层的阈值b为：

其中，b为R行1列的矩阵，b_j为所述隐含层第j个神经元的阈值，

将所述训练集内的Q个活动信号段输入每个所述弱回归模型，

对于每个弱回归模型，形成所述输入层的输入矩阵X和所述输出层的输出矩阵Y，分别为：

其中，X为D行Q列的输入矩阵，Y为E行Q列的输出矩阵； 所述隐含层的神经元的激活函数为g(x)，激活函数g(x)用于传递信号，所述输出层的输出矩阵Y为：

Y＝[y₁，y₂，…，y_Q]，

其中，Y为E行Q列的矩阵，

其中，w_j＝[w_j1，w_j2，…，w_jD]，x_l＝[x_1l，x_2l，…，x_Dl]^T’，

其中，所述肌肉检测信号序列为sEMG信号序列，所述至少一个特征包括近似熵，所述近似熵的计算步骤如下：

(1)按顺序重构m维相空间：

X(i)＝[x(i)，x(i+1)，…，x(i+m-1)]，

其中，X(i)为m维相空间向量，x(i)表示sEMG信号序列长度i处的信号值，1≤i≤N-m+1，m为5至30之间的整数，N表示sEMG信号序列的总长度；

(2)计算向量X(i)和X(j)之间的距离d_ij：

d_ij＝max|x(i+k)-x(j+k)|，

其中，0≤k≤m-1，1≤i，j≤N-m+1；

(3)选定相似容限r＞0，对每个X(i)，统计距离d_ij≤r的数目，并计算该数目与向量总数的比值

(4)将比值取对数，然后求其对于所有i的平均值Φ^m(r)：

(5)将维数m增加1，重复上述步骤(1)至(4)，求得和Φ^m+1(r)；

(6)近似熵ApEn根据如下公式计算：

(7)若N为有限值，则近似熵ApEn由统计值估计得到：

ApEn(m，r，N)＝Φ^m(r)-Φ^m+1(r)。