一种肢体震颤检测方法及装置制造方法及图纸

本发明专利技术实施例提供了一种肢体震颤检测方法及装置，本发明专利技术涉及人工智能技术领域，方法包括：构建并训练识别模型，识别模型用于识别肢体信号是否具有震颤特征；获取移动终端内的传感器采集的第一用户的待识别肢体信号；向训练好的识别模型中输入所述待识别肢体信号；获取识别模型根据训练好的网络参数识别待识别肢体信号并输出识别结果，并发送识别结果至移动终端。本发明专利技术实施例提供的技术方案能够解决现有技术中肢体震颤检测准确度低的问题。

【技术实现步骤摘要】
一种肢体震颤检测方法及装置
本专利技术涉及人工智能
，尤其涉及一种肢体震颤检测方法及装置。
技术介绍
目前，随着人口老龄化逐渐上升，一些患有甲亢、帕金森或其他一些特殊疾病的人会出现手部、头部、腿部等肢体震颤的症状，对病人的日常生活、工作、社会交往等带来诸多不便。现有的肢体震颤检测方法，一般需要通过专业的医疗检测设备进行检测，或者通过一些辅助检测设备进行检测，检测结果准确度低。因此，如何提高肢体震颤检测准确度成为目前亟待解决的问题。
技术实现思路
有鉴于此，本专利技术实施例提供了一种肢体震颤检测方法及装置，用以解决现有技术中肢体震颤检测准确度低的问题。为了实现上述目的，根据本专利技术的一个方面，提供了一种肢体震颤检测方法，所述方法包括：构建并训练识别模型，所述识别模型用于识别肢体信号是否具有震颤特征；获取移动终端内的传感器采集的第一用户的待识别肢体信号；向训练好的识别模型中输入所述待识别肢体信号；获取所述识别模型根据训练好的网络参数识别所述待识别肢体信号并输出识别结果，并发送所述识别结果至所述移动终端。进一步地，所述构建并训练识别模型，包括：获取多个健康人体的第一肢体信号及多个肢体震颤症状患者的第二肢体信号；按照预设格式对所述多个第一肢体信号及所述多个第二肢体信号分别进行样本制作，获得包括多个训练样本的训练集；构建所述识别模型；将所述训练集输入所述识别模型的卷积神经网络，得到所述卷积神经网络的前向输出；利用反向传播神经网络算法更新所述卷积神经网络的权值和偏置，得到训练好的所述识别模型，并保存训练好的所述识别模型的网络参数。进一步地，所述利用反向传播神经网络算法更新所述卷积神经网络的权值和偏置，得到训练好的所述识别模型的方法，包括：根据所述前向输出和所述训练样本的真实结果构建损失函数，所述损失函数的表达式为其中，Eloss表示所述损失函数，n表示所述训练样本总数，xi表示第i个训练样本的前向输出，yi表示与xi相对应的第i个训练样本的真实结果；采用基于批量梯度下降的反向传播算法更新卷积神经网络的权值和偏置，对所述损失函数进行优化使其最小化，得到训练好的所述识别模型。进一步地，所述获取移动终端内的传感器采集的第一用户的待识别肢体信号之后，并在向所述训练好的识别模型中输入所述待识别肢体信号之前，所述方法还包括：将所述待识别肢体信号进行预处理，所述预处理包括采用Kalman滤波算法滤除低频的人体运动信号。进一步地，所述传感器包括多轴向加速度传感器、多轴向陀螺仪、多轴向倾角仪中的至少一种；所述移动终端是手机、iPad、智能手表或者可穿戴智能设备中任意一种。进一步地，所述获取移动终端内的传感器采集的第一用户的待识别肢体信号之前，所述方法还包括：设置所述传感器的预设采样频率，以使所述传感器按照所述预设采样频率进行采样，得到预设采样时长的实际采样数据；根据所述实际采样数据计算所述传感器的实际采样频率；判断所述实际采样频率与所述预设采样频率之间的频率误差值是否超出预设误差范围；当所述频率误差值在所述预设误差范围内时，逐级提高所述预设采样频率，直至测得的所述实际采样频率与所述预设采样频率之间的频率误差值超出所述预设误差范围，将当前的预设采样频率作为所述传感器的最大采样频率；以所述最大采样频率采集所述第一用户的待识别肢体信号。为了实现上述目的，根据本专利技术的一个方面，提供了一种肢体震颤检测装置，所述装置包括：构建单元，用于构建并训练识别模型，所述识别模型用于识别肢体信号是否具有震颤特征；获取单元，用于获取移动终端内的传感器采集的第一用户的待识别肢体信号；输入单元，用于向训练好的识别模型中输入所述待识别肢体信号；发送单元，用于获取所述识别模型根据训练好的网络参数识别所述待识别肢体信号并输出识别结果，并发送所述识别结果至所述移动终端。进一步地，所述构建单元包括：获取子单元，用于获取多个健康人体的第一肢体信号及多个肢体震颤症状患者的第二肢体信号；制作子单元，用于按照预设格式对所述多个第一肢体信号及所述多个第二肢体信号分别进行样本制作，获得包括多个训练样本的训练集；构建子单元，用于构建所述识别模型；训练子单元，用于将所述训练集输入所述识别模型的卷积神经网络，得到所述卷积神经网络的前向输出；更新子单元，用于利用反向传播神经网络算法更新所述卷积神经网络的权值和偏置，得到训练好的所述识别模型，并保存训练好的所述识别模型的网络参数。为了实现上述目的，根据本专利技术的一个方面，提供了一种计算机非易失性存储介质，所述存储介质包括存储的程序，在所述程序运行时控制所述存储介质所在设备执行上述的肢体震颤检测方法。为了实现上述目的，根据本专利技术的一个方面，提供了一种服务器，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，所述程序指令被处理器加载并执行时实现上述的肢体震颤检测方法的步骤。在本方案中，通过获取用户移动终端内的传感器采集的待识别肢体信号，并由深度学习的识别模型识别待识别肢体信号，以判断识别肢体信号是否具有震颤特征，以提醒用户是否患有肢体震颤症。通过深度学习的识别模型识别待识别肢体信号，整个过程简单快速，提高了肢体震颤检测准确度。【附图说明】为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。图1是根据本专利技术实施例的一种肢体震颤检测方法的流程图；图2是根据本专利技术实施例的一种肢体震颤检测装置的示意图；图3是根据本专利技术实施例的一种服务器的示意图。【具体实施方式】为了更好的理解本专利技术的技术方案，下面结合附图对本专利技术实施例进行详细描述。应当明确，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。在本专利技术实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本专利技术。在本专利技术实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。应当理解，尽管在本专利技术实施例中可能采用术语第一、第二、第三等来描述终端，但这些终端不应限于这些术语。这些术语仅用来将终端彼此区分开。例如，在不脱离本专利技术实施例范围的情况下，第一终端也可以被称为第二终端，类似地，第二终端也可以被称为第一终端。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。图1是根据本专利技术实施例的一种肢体震颤检测方法的流程图，本文档来自技高网...

【技术保护点】
1.一种肢体震颤检测方法，其特征在于，所述方法包括：构建并训练识别模型，所述识别模型用于识别肢体信号是否具有震颤特征；获取移动终端内的传感器采集的第一用户的待识别肢体信号；向训练好的识别模型中输入所述待识别肢体信号；获取所述识别模型根据训练好的网络参数识别所述待识别肢体信号并输出识别结果，并发送所述识别结果至所述移动终端。

【技术特征摘要】
1.一种肢体震颤检测方法，其特征在于，所述方法包括：构建并训练识别模型，所述识别模型用于识别肢体信号是否具有震颤特征；获取移动终端内的传感器采集的第一用户的待识别肢体信号；向训练好的识别模型中输入所述待识别肢体信号；获取所述识别模型根据训练好的网络参数识别所述待识别肢体信号并输出识别结果，并发送所述识别结果至所述移动终端。2.根据权利要求1所述的方法，其特征在于，所述构建并训练识别模型，包括：获取多个健康人体的第一肢体信号及多个肢体震颤症状患者的第二肢体信号；按照预设格式对所述多个第一肢体信号及所述多个第二肢体信号分别进行样本制作，获得包括多个训练样本的训练集；构建所述识别模型；将所述训练集输入所述识别模型的卷积神经网络，得到所述卷积神经网络的前向输出；利用反向传播神经网络算法更新所述卷积神经网络的权值和偏置，得到训练好的所述识别模型，并保存训练好的所述识别模型的网络参数。3.根据权利要求2所述的方法，其特征在于，所述利用反向传播神经网络算法更新所述卷积神经网络的权值和偏置，得到训练好的所述识别模型的方法，包括：根据所述前向输出和所述训练样本的真实结果构建损失函数，所述损失函数的表达式为其中，Eloss表示所述损失函数，n表示所述训练样本总数，xi表示第i个训练样本的前向输出，yi表示与xi相对应的第i个训练样本的真实结果；采用基于批量梯度下降的反向传播算法更新卷积神经网络的权值和偏置，对所述损失函数进行优化使其最小化，得到训练好的所述识别模型。4.根据权利要求1～3任一项所述的方法，其特征在于，所述获取移动终端内的传感器采集的第一用户的待识别肢体信号之后，并在向所述训练好的识别模型中输入所述待识别肢体信号之前，所述方法还包括：将所述待识别肢体信号进行预处理，所述预处理包括采用Kalman滤波算法滤除低频的人体运动信号。5.根据权利要求1～3任一项所述的方法，其特征在于，所述传感器包括多轴向加速度传感器、多轴向陀螺仪、多轴向倾角仪中的至少一种；所述移动终端是手机、iPad、智能手表或者可穿戴智能设备中任意一种。6.根据权利要求1所述的方法，其特征在于，所述获取移动终端内的传感器采...

【专利技术属性】
技术研发人员：张旺，庄伯金，肖京，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东,44