[发明专利]一种自适应肌力的卒中患者手部康复训练动作识别方法

说明书

本发明公开了一种自适应肌力的卒中患者手部康复训练动作识别方法，其同时采集肌电信号、加速度和角速度数据，同时得到生理学和运动学的客观测量数据，使用不同肌力水平下的样本集训练模型，使得该深度学习模型可以自适应受试者完成动作时肌力的变化，解决了不同肌力条件下因肌电信号差异较大导致的识别鲁棒性低的问题。本方法通过多路多尺寸卷积神经网络自动且自适应地提取不同数据特征，融合多种特征后使用神经网络进行分类识别，避免了人工特征工程导致的信息冗余或丢失以及特征弱化，有效提高了不同肌力水平下卒中患者手部康复训练动作的识别精度。

技术领域

本发明涉及康复动作识别领域，具体涉及一种自适应肌力的卒中患者手部康复训练动作识别方法。

背景技术

康复训练利用中枢系统的可塑性，在一定程度上帮助脑卒中患者恢复运动功能，对患者康复训练动作的识别意义重大，识别结果在临床上可以作为辅助训练设备的控制信号，控制人造肢体的运动，辅助肢体障碍患者完成类似真实肢体的运动功能；或将训练动作识别结果作为运动功能评定的依据；也可以在远程交互式康复中实现智能康复训练或协助医师远程监测训练情况等。

现有基于表面肌电的康复训练动作识别方法大多通过多通道表面肌电获取信号，人工提取数据特征，再应用机器学习算法进行分类识别。这类方法存在缺陷如下：

1)手部康复训练动作较为精细，需要大量肌肉协同完成，仅使用多通道表面肌电无法全面获取肌肉活动数据，忽略了肌肉的协同作用，影响分类识别的精度；

2)对数据进行人工特征提取，会因主观经验导致特征提取不充分或冗余，影响后续算法性能；

3)目前使用的机器学习分类算法(如支持向量机、极限学习机、高斯混合模型等)对手部康复训练动作这类数据本身差异较小的分类任务，识别分类性能较差。

发明内容

针对现有技术中的上述不足，本发明提供的一种自适应肌力的卒中患者手部康复训练动作识别方法解决了现有方法识别准确性差的问题。

为了达到上述发明目的，本发明采用的技术方案为：

提供一种自适应肌力的卒中患者手部康复训练动作识别方法，其包括以下步骤：

S1、在患者的前臂肌群位置环绕前臂放置一周肌电电极，在患者手背的手腕处放置惯性传感器，获取患者进行康复训练时的肌电数据和惯性传感器数据；其中惯性传感器数据包括加速度数据和角速度数据；

S2、对肌电数据滤波与整流后进行归一化，得到肌电数据归一化结果；对加速度数据和角速度数据进行卡尔曼滤波，得到滤波后的加速度数据和滤波后的角速度数据；

S3、采用三路卷积神经网络分别获取肌电数据归一化结果的特征、滤波后的加速度数据的特征和滤波后的角速度数据的特征；

S4、将肌电数据归一化结果的特征、滤波后的加速度数据的特征和滤波后的角速度数据的特征进行拼接得到整体特征向量；

S5、采用两层全连接层获取整体特征向量的分类数值；

S6、将分类数值转换为概率分布，得到康复训练动作属于各个类别的概率值。

进一步地，步骤S1的具体方法为：

在患者前臂肌群位置环绕前臂放置一周肌电电极，共8通道，采样频率为1KHz；在患者手背的手腕处放置包含三轴加速度传感单元和三轴陀螺仪传感单元的惯性传感器，共6通道，采样频率为20Hz；获取患者进行康复训练时的肌电数据、加速度数据和角速度数据；其中惯性传感器的Z轴垂直于手背平面，Y轴沿着手指方向，X轴指向患者左侧方向。

进一步地，步骤S2中对肌电数据滤波与整流后进行归一化，得到肌电数据归一化结果的具体方法为：