[发明专利]康复度排序方法及复合式交互训练系统

说明书

本发明提供一种康复度排序方法及复合式交互训练系统，所述康复度排序方法，包括：提取肌肉检测信号序列的至少一个特征；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；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，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。

技术领域

本发明涉及信号处理领域，尤其涉及一种康复度排序方法及复合式交互训练系统。

背景技术

神经肌肉疲劳机理与预测研究是国内外运动医学研究的热点，同时也是运动人体科学研究的重点。在运动过程中，由于血液中的供养量，或者营养物质缺乏等都会使肌肉的结构、代谢以及能量等发生一系列变化，会使神经肌肉系统的效率下降，从而肌肉无法继续完成任务，导致肌肉疲劳。肌肉疲劳可能导致肌肉损伤，严重情况下的肌肉疲劳将不可恢复。肌肉疲劳的研究在人机工程学、人机接口、康复医疗、运动损伤、假肢等领域应用前景广泛。

目前，肌肉疲劳的临床检测工具主要有肌电信号(sEMG，surfaceelectromyography)、肌音(MMG，Mechanomyogram)、声肌图(SMG，Sonomyography)、近红外光谱(NIRS，Near-infrared spectroscopy)、声波描记图(AMG，Acoustic myography)、测角传感器等。其中，利用sEMG记录、研究肌肉是劳动生理学中常用的方法，作为一种简单、无创伤、科定量的研究方法，它可研究局部肌肉疲劳过程中的变化特征，是一种精确检测工具。

在实际应用中，通过人工的方式对患者肌肉的康复度进行评估，无法十分准确地运用上述肌肉检测信号，并且受各种因素印象，所得到的康复度有所偏差。

发明内容

本发明为了克服上述现有技术存在的缺陷，提供一种康复度排序方法及复合式交互训练系统，来利用所采集肌肉检测信号序列准确地评估肌肉康复度。

本发明提供一种康复度排序方法，包括：提取肌肉检测信号序列的至少一个特征；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；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，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。

优选地，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。