基于深度学习的无标志点上肢运动分析方法及系统技术方案

本申请涉及基于深度学习的无标志点上肢运动分析方法及系统，属于上肢运动分析领域技术领域，其方法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。本申请的技术方案，有利于更准确的分析/评估上肢运动学参数。

Method and system of upper limb motion analysis without landmarks based on deep learning

【技术实现步骤摘要】
基于深度学习的无标志点上肢运动分析方法及系统
本申请属于上肢运动分析领域
，具体涉及一种基于深度学习的无标志点上肢运动分析方法及系统。
技术介绍
上肢运动学分析(例如对于拿取、推、拉、投掷等进行的运动分析)，在运动控制、运动训练及技术分析、神经生理学、康复训练等领域都有着广泛的应用。现有的上肢运动分析技术大体分可为主观分析和客观分析两种。主观分析中，一般采用临床量表评估，其主要问题是有很大的评估者内部和评估者间的差异，可靠性较低。而现有的客观上肢运动分析技术中包括应用基于高速摄像机的运动捕捉系统的分析技术。该技术中，人体环节运动数据一般通过基于视频影像的运动捕捉系统来采集和处理，该系统一般由多个高速红外摄像机组成，可以记录贴在人体骨性标记点的被动或主动的反光球在三维空间的运动轨迹，进而应用逆运动学算法计算运动学参数(关节角度、角速度、角加速度)。这类基于标记点的动作捕捉系统(下文简称“标记点系统”)被广泛应用于科学研究和临床评估中。标记点系统的准确性、可靠性和可重复性得到了广泛的验证。但是由于需要多个价格昂贵的摄像头、专门的实验场本文档来自技高网...

【技术保护点】
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：/n获取使用者在做上肢功能运动时的图像和深度信息；/n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；/n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。/n

【技术特征摘要】
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。


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，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。


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。


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。


5.根据权利要求4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。


6.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，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。


7.根据权利要求2所述的无标志点上肢运动分析方法，...

【专利技术属性】
技术研发人员：刘东威，
申请(专利权)人：刘东威，
类型：发明
国别省市：浙江;33