[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

说明书

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。

技术领域

本发明属于机器学习领域，具体涉及一种脑卒中患者上肢及手部康复训练动作识别方法。

背景技术

康复训练作为康复医学中的重要治疗手段，主要通过不同运动训练，改善病人的相应肢体部位的功能性运动障碍，尽可能的使患者运动功能康复，达到治疗效果。脑卒中造成肢体功能障碍的患者中，80％患有上肢功能障碍，在患有上肢功能障碍患者中，最终只有30％的患者能够实现上肢功能恢复，12％的患者手功能得到较好的恢复。上肢及手部功能康复对脑卒中患者的生活质量和社会参与度有着深远的影响。对脑卒中患者康复训练动作的识别应用广泛，识别结果在临床上可以作为辅助训练设备的控制信号，如机械外骨骼、假肢等；也可以作为严肃游戏康复训练的输入信号，如虚拟现实康复训练；在社区或家庭康复中实现交互式康复训练或协助医师远程监测训练情况等。表面肌电图(sEMG)具有非侵入性，易于记录的特点，并包含丰富的运动控制信息，因此通常使用表面肌电信号进行康复训练动作的识别。

目前，使用表面肌电信号进行康复训练动作识别的机器学习方法主要包含三个步骤，信号预处理、特征提取及分类识别。首先对采集的原始肌电信号进行预处理，经过陷波滤波、带通滤波和全波整流等去除信号中的噪声，再通过阈值法或人工方法对肌电时间序列进行分割，分割出训练动作对应的信号段。在特征提取步骤中，需要人为选择设定特征，再从预处理后的肌电信号中提取出这些特征。特征主要包括时域特征和频域特征两类，时域特征有峰值、均值、均方根值、峭度和自回归系数等，频域特征有功率谱、中频、重心频率和频率均方根等。最后，使用上一步提取的特征集和对应的类别标签作为输入，应用机器学习算法，训练分类识别模型。目前常用于康复训练动作识别的分类方法主要有决策分类树、支持向量机(SVM)、线性判别分类器(LDC)、朴素贝叶斯分类器(NB)和高斯混合模型(GMM)等。完成模型训练后，对于新采集的训练动作肌电信号，即可通过预处理、特征提取，进行康复训练动作进行识别。

目前对于康复训练动作的识别方法主要流程为人工设置并提取特征再应用机器学习方法进行分类识别。

这类方法模型有其局限性。原始肌电信号有一定非平稳性，由于不同患者体征的差异、卒中损伤的差异和动作完成规范程度的差异等，都会导致肌电数据较大的差异，进而影响识别，使用基本的滤波整流等预处理难以消除这种非平稳性。并且这种特征工程通常需要一些特定领域内的专业知识，因此也更进一步加大了预处理成本。现有模型识别性能对特征选择的依赖性较高，提取不同的特征对于分类识别性能影响不同；人工设置并提取特征由于特征间可能具有相关性，容易造成信息冗余；以及对于生理时间序列数据，其时变信息也很重要，人工特征提取丢失了这类信息。目前使用的机器学习的分类器(如SVM、LDC、GMM等)对于脑卒中患者受损的上肢和手部运动，以及一些相近的运动，如不同手指运动，识别区分的性能较差。

发明内容

针对现有技术中的上述不足，本发明提供的一种脑卒中患者上肢及手部康复训练动作识别方法解决了人工提取设置特征造成信息冗余和丢失时变信息，以及机器学习识别区分性能差的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种脑卒中患者上肢及手部康复训练动作识别方法，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；