[发明专利]基于深度学习的无标志点上肢运动分析方法及系统

权利要求书

1.一种基于深度学习的无标志点上肢运动分析方法，其特征在于，包括：

获取使用者在做上肢功能运动时的图像和深度信息；

基于所述图像和深度信息进行逆运动学计算处理，得到上肢运动角度数据；

应用预先训练好的深度学习模型，对所述上肢运动角度数据进行修正，以得到最终的上肢运动学参数；

其中，

预先进行如下步骤，以得到训练好的深度学习模型：

在受试者进行上肢功能运动任务时，

应用三维运动捕捉分析系统进行运动数据采集及分析，得到第一上肢运动参数数据，

同时应用深度传感器进行运动数据采集并基于采集到的数据进行处理，

得到第二上肢运动参数数据；

基于所述第一上肢运动参数数据和第二上肢运动参数数据构建数据集；

基于所述数据集对深度学习模型进行迭代训练，调整优化模型参数，以得到训练好的深度学习模型；

所述深度传感器为Kinect系统传感器，所述应用深度传感器进行运动数据采集并基于采集到的数据进行处理，得到第二上肢运动参数数据，具体为：

采集受试者运动时人体骨架模型节点的三维空间坐标数据；

应用逆运动学算法，基于预先构建的躯干坐标系与上臂坐标系之间的转移矩阵，以及所述三维空间坐标数据计算得到所述第二上肢运动参数数据；

其中，所述第二上肢运动参数数据包括肩关节屈/伸角度、肩关节内收/外展角度、肩关节内旋/外旋角度，以及肘关节屈/伸角度。

2.根据权利要求1所述的无标志点上肢运动分析方法，其特征在于，所述基于所述数据集对深度学习模型进行迭代训练，调整优化模型参数，具体包括：

对数据集中的数据进行标准化，基于标准化后的训练数据对模型进行迭代训练；其中，在每次迭代训练中，

以深度传感器对应的训练数据作为模型输入数据，计算模型输出数据与三维运动捕捉分析系统对应的训练数据之间的均方误差，根据所述均方误差，采用Adam方法对模型参数进行调整。

3.根据权利要求2所述的无标志点上肢运动分析方法，其特征在于，所述深度学习模型采用预定层数的LSTM网络架构；

模型中每一个LSTM细胞包含预定个数神经单元，模型输入及模型输出为预定步数时间序列。

4.根据权利要求3所述的无标志点上肢运动分析方法，其特征在于，所述预定层数为2至6层，所述预定个数为20-2000个，所述预定步数根据具体任务确定。

5.根据权利要求2所述的无标志点上肢运动分析方法，其特征在于，在迭代训练中，训练批量大小设为10-100，模型的学习率设为0.0001-0.01。

6.根据权利要求1所述的无标志点上肢运动分析方法，其特征在于，所述转移矩阵及肘关节屈/伸角度分别如以下表示式所示：

其中，转移矩阵R(λ,η)的旋转顺序为Z-X-Y，矩阵各元素值基于人体骨架模型的节点三维空间坐标值、采用逆运动学算法计算确定，

α_FE表示肩关节屈/伸角度、α_AA表示肩关节内收/外展角度、α_IE表示肩关节内旋/外旋角度，α_EFE表示肘关节屈/伸角度，

V_ES是肘关节中心到肩关节中心的单位矢量，V_WE是从肘关节中心到腕关节中心的单位矢量。

7.根据权利要求1所述的无标志点上肢运动分析方法，其特征在于，所述基于所述图像和深度信息进行逆运动学计算处理，得到上肢运动角度数据，具体包括：

对所述图像和深度信息进行处理分析，得到使用者在运动中的骨架模型三维坐标数据；

根据功能运动任务的开始和结束时刻，截取骨架模型三维空间坐标数据；

将截取的骨架模型三维空间坐标数据重采样到预设时间步；

应用逆运动学算法，基于重采样后的骨架模型三维空间坐标数据进行计算处理，以得到所述上肢运动角度数据。

8.一种上肢运动分析系统，其特征在于，包括，分析处理装置、输出装置以及一台深度传感器；

所述深度传感器，用于获取使用者在做上肢功能运动时的图像和深度信息；

所述分析处理装置，用于根据所述图像和深度信息，执行权利要求1至7中任一项所述的分析方法，分析得到使用者的上肢运动学参数；

所述输出装置，用于对外输出所述使用者的上肢运动学参数。