[发明专利]一种脑卒中患者上肢及手部康复训练动作识别方法

权利要求书

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；

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；

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；

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；

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；

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，W_r为重置门的权重矩阵，W_z为更新门的权重矩阵，为候选集的权重矩阵，x_t为特征向量，h_t为t时刻的隐含状态，h_t-1为t-1时刻的隐含状态；

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；一个卷积层后连接一个激活层再连接一个池化层，构成一组网络单元，三组网络单元依次连接构成CNN网络模型；

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Loss_m；

S45、判断第m次的Loss_m值和m-1次的Loss_m-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。

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，M_l-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H_r×n第i行数据。