一种基于阵列肌电的卒中患者手部康复训练动作识别方法技术

本发明专利技术公开了一种基于阵列肌电的卒中患者手部康复训练动作识别方法，本发明专利技术应用阵列型肌电传感器采集患者训练过程前臂的肌电序列数据，保留肌肉在物理空间上的协同信息和肌肉活动随时间变化的信息；建立并行卷积神经网络自动提取不同时刻肌电数据的空间特征；建立长短期记忆网络自动学习肌电的时间依赖特征。融合肌电时空特征后进行分类识别，以避免人工特征工程导致的信息冗余或丢失，可以有效提高手部动作识别精度。

【技术实现步骤摘要】
一种基于阵列肌电的卒中患者手部康复训练动作识别方法
本专利技术涉及康复动作识别领域，具体涉及一种基于阵列肌电的卒中患者手部康复训练动作识别方法。
技术介绍
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)本文档来自技高网...

【技术保护点】
1.一种基于阵列肌电的卒中患者手部康复训练动作识别方法，其特征在于，包括以下步骤：/nS1、在患者的前臂包裹m×n的阵列肌电传感器，获取患者康复训练时的肌电数据；其中m表示前臂轴向电极个数，n表示环绕前臂的电极行数；/nS2、对肌电数据滤波与整流后进行归一化，得到归一化结果；/nS3、将归一化结果重构为t个m×n的瞬时肌电阵列数据向量S，以及m×n个通道的长度为t的肌电序列数据向量T；其中t为康复训练动作对应的肌电信号长度；/nS4、将瞬时肌电阵列数据向量S作为二维卷积神经网络的输入，获取与其对应的空间特征向量L；/nS5、将肌电序列数据向量T作为每层具有t个LSTM单元的双层单向LSTM循环...

【技术特征摘要】
1.一种基于阵列肌电的卒中患者手部康复训练动作识别方法，其特征在于，包括以下步骤：
S1、在患者的前臂包裹m×n的阵列肌电传感器，获取患者康复训练时的肌电数据；其中m表示前臂轴向电极个数，n表示环绕前臂的电极行数；
S2、对肌电数据滤波与整流后进行归一化，得到归一化结果；
S3、将归一化结果重构为t个m×n的瞬时肌电阵列数据向量S，以及m×n个通道的长度为t的肌电序列数据向量T；其中t为康复训练动作对应的肌电信号长度；
S4、将瞬时肌电阵列数据向量S作为二维卷积神经网络的输入，获取与其对应的空间特征向量L；
S5、将肌电序列数据向量T作为每层具有t个LSTM单元的双层单向LSTM循环神经网络的输入，获取与其对应的时间特征向量P；
S6、通过向量连接的方式将空间特征向量L和时间特征向量P进行特征维度的融合，得到时空特征向量D；
S7、通过全连接层对时空特征向量D进行处理，得到分类数值；
S8、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。


2.根据权利要求1所述的基于阵列肌电的卒中患者手部康复训练动作识别方法，其特征在于，所述步骤S1中前臂轴向电极个数m为8，环绕前臂的电极行数n为24。


3.根据权利要求1所述的基于阵列肌电的卒中患者手部康复训练动作识别方法，其特征在于，所述步骤S2的具体方法为：
采用50Hz陷波滤波器对肌电数据进行滤波，对滤波后的数据采用20Hz-450Hz的带通滤波器进行再次滤波，对再次滤波后的数据进行全波整流，根据公式：



对全波整流后的数据X进行归一化，得到归一化结果X*；其中表示全波整流后的数据X的平均值；σ(X)表示全波整流后的数据X的标准差。


4.根据权利要求1所述的基于阵列肌电的卒中患者手部康复训练动作识别方法，其特征在于，所述步骤S4的具体方法包括以下子步骤：
S4-1、将瞬时肌电阵列数据向量S输入一个均包含三层卷积层，每层卷积核大小均为3×3，每层的卷积核数量分别为32、64和128的二维卷积神经网络，得到128个特征图；
S4-2、通过具有1024个神经元的全连...

【专利技术属性】
技术研发人员：杨尚明，任志扬，刘勇国，李巧勤，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51