基于深度学习的假肢系统技术方案

本发明专利技术实施例提供了一种基于深度学习的假肢系统，包括肌电传感器、控制子系统、第一通讯模块、第二通讯模块以及假肢组件；所述控制子系统包括获取单元与识别单元，所述获取单元用于获取所述肌电传感器采集的肌电信号，所述识别单元用于基于深度学习模型对所述肌电信号进行识别，得到识别结果；所述第一通讯模块用于将所述识别结果发送至所述假肢组件，所述第二通讯模块用于将所述控制子系统与终端设备进行通讯连接。本发明专利技术实施例能够扩大上述假肢系统的适用范围，提升上述假肢系统的运行效果。

【技术实现步骤摘要】
基于深度学习的假肢系统
本专利技术涉及假肢
，尤其涉及一种基于深度学习的假肢系统。
技术介绍
假肢通常指为弥补截肢者或肢体不完全缺损的肢体而专门设计和制作装配的人工假体。随着技术的进步，假肢可以根据用户的意愿来执行越来越多的动作；以肌电假肢为例，肌电假肢可以针对采集的用户的肌电信号进行识别，产生相应的识别结果以便进一步控制执行机构进行相应动作；现有技术中，本地采集的肌电信号往往需要发送至云端服务器进行识别，再将识别结果发送至本地，如此，导致肌电假肢的运行容易受通讯网络条件的影响，运行效果较差。
技术实现思路
本专利技术实施例提供一种基于深度学习的假肢系统，以解决现有的肌电假肢的运行容易受通讯网络条件的影响，运行效果较差。为了解决上述技术问题，本专利技术是这样实现的：第一方面，本专利技术实施例提供了一种基于深度学习的假肢系统，包括肌电传感器、控制子系统、第一通讯模块、第二通讯模块以及假肢组件；所述控制子系统包括获取单元与识别单元，所述获取单元用于获取所述肌电传感器采集的肌电信号，所述识别单元用于基于深度学习模型对所述肌电信号进行识别，得到识别结果；所述第一通讯模块用于将所述识别结果发送至所述假肢组件，所述第二通讯模块用于将所述控制子系统与终端设备进行通讯连接。本专利技术实施例提供的基于深度学习的假肢系统，包括肌电传感器、控制子系统、第一通讯模块、第二通讯模块以及假肢组件；控制子系统包括获取单元与识别单元，获取单元用于获取所述肌电传感器采集的肌电信号，识别单元用于基于深度学习模型对所述肌电信号进行识别，得到识别结果，第一通讯模块用于将所述识别结果发送至所述假肢组件，换而言之，本专利技术实施例可以在本地完成对肌电信号的采集与识别，并将识别结果发送至假肢组件以进一步实现对假肢组件的控制，而非必须依赖于例如的云端服务器的终端设备来进行肌电信号的识别，有助于实现离线识别，扩大了上述假肢系统的适用范围，提升了上述假肢系统的运行效果；与此同时，第二通讯模块用于将控制子系统与终端设备进行通讯连接，有助于使得基于深度学习的假肢系统具备二次开发的能力。附图说明图1为本专利技术实施例提供的基于深度学习的假肢系统的一种结构示意图；图2为本专利技术实施例提供的基于深度学习的假肢系统的另一种结构示意图；图3为本专利技术实施例提供的基于深度学习的假肢系统的又一种结构示意图。具体实施方式为使本专利技术要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。在下面的描述中，提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本专利技术的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本专利技术的范围和精神。另外，为了清楚和简洁，省略了对已知功能和构造的描述。除非另作定义，本专利技术中使用的技术术语或者科学术语应当为本专利技术所属领域内具有一般技能的人士所理解的通常意义。本专利技术中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”或者“一”等类似词语也不表示数量限制，而是表示存在至少一个。如图1所示，本专利技术实施例提供的基于深度学习的假肢系统，包括肌电传感器110、控制子系统120、第一通讯模块150、第二通讯模块160以及假肢组件130；所述控制子系统120包括获取单元121与识别单元122，所述获取单元121用于获取所述肌电传感器110采集的肌电信号，所述识别单元122用于基于深度学习模型对所述肌电信号进行识别，得到识别结果；所述第一通讯模块150用于将所述识别结果发送至所述假肢组件130，所述第二通讯模块160用于将所述控制子系统120与终端设备进行通讯连接。肌电传感器110可以用于采集肢体肌肉收缩产生运动时发出的肌电信号。上述控制子系统120包括识别单元122，识别单元122用于基于深度学习模型对所述肌电信号进行识别，得到识别结果；换而言之，控制子系统120中可以具有例如支持向量机(SupportVectorMachine，SVM)、基于卷积神经网络(ConvolutionalNeuralNetworks，CNN)的识别模型等类型的深度学习模型。容易理解的是，此处的深度学习模型通常是通过使用训练样本对原始深度学习模型进行训练得到的，可以根据输入的肌电信号进行分类等形式的识别，并最终得到识别结果。结合至应用场景，控制子系统120可以对贴有肌电传感器110的用户的动作意图或手势进行识别，得到相应的识别结果。对于控制子系统120中使用的深度学习模型，可以是在控制子系统120中直接训练得到的，也可以是在上述的终端设备中进行训练好以后，将相应的核数据或判别器参数等写入到控制子系统120中得到的，此处不做具体限定。本实施例中，假肢组件130通过第一通讯模块150与所述控制子系统120通讯连接，换而言之，本实施例中，位于本地的控制子系统120可以根据肌电信号得到识别结果，并根据识别结果直接通过第一通讯模块150与假肢组件130进行通讯，实现对假肢组件130的控制，可以避免将肌电信号发送至云端服务器进行识别，并基于云端服务器与假肢组件130的通讯实现对假肢组件130的控制的过程。也就是说，本实施例中的基于深度学习的假肢系统相对于现有的假肢来说，相对于可以实现离线实时识别的功能，从而摆脱了必须结合云端服务器进行辅助识别的局限。当然，本实施例中，控制子系统120还通过第二通讯模块160与终端设备200连接，此处的终端设备200可以是个人电脑、移动终端或者是云端服务器等中的至少一项。如上文所述，终端设备200可以不必用于针对肌电信号进行识别，然而在一些可能的实施方式中，若通讯条件允许，且为了获得更加精准的识别结果，也可以选择将肌电信号发送至终端设备200进行识别。当然，在另一些可能的实施方式中，控制子系统120也可以仅仅是将一些例如肌电信号、本地识别得到的识别结果或者从假肢组件130处采集的动作数据等类型的数据发送至终端设备200中进行展示；或者，控制子系统120也可以通过第二通讯模块160接收终端设备发送的更新包数据等等。也就是说，通过设置第二通讯模块160，有助于使得基于深度学习的假肢系统具备二次开发的能力。本专利技术实施例提供的基于深度学习的假肢系统，包括肌电传感器110、控制子系统120、第一通讯模块150、第二通讯模块160以及假肢组件130；控制子系统120包括获取单元121与识别单元122，获取单元121用于获取所述肌电传感器110采集的肌电信号，识别单元122用于基于深度学习模型对所述肌电信号进行识别，得到识别结果，第一通讯模块150用于将所述识别结果发送至所述假肢组件130，换而言之，本专利技术实施例可以在本地完成对肌电信号的采集与识别，并将识别结果发送至假肢组件130以进一步实现对假肢组件130的控制，而非必须依赖于例如的云端服务器的终端设备来进行肌电信号的识别，有助于实现离线识别，扩大了上述本文档来自技高网...

【技术保护点】
1.一种基于深度学习的假肢系统，其特征在于，包括肌电传感器、控制子系统、第一通讯模块、第二通讯模块以及假肢组件；/n所述控制子系统包括获取单元与识别单元，所述获取单元用于获取所述肌电传感器采集的肌电信号，所述识别单元用于基于深度学习模型对所述肌电信号进行识别，得到识别结果；/n所述第一通讯模块用于将所述识别结果发送至所述假肢组件，所述第二通讯模块用于将所述控制子系统与终端设备进行通讯连接。/n

【技术特征摘要】
1.一种基于深度学习的假肢系统，其特征在于，包括肌电传感器、控制子系统、第一通讯模块、第二通讯模块以及假肢组件；
所述控制子系统包括获取单元与识别单元，所述获取单元用于获取所述肌电传感器采集的肌电信号，所述识别单元用于基于深度学习模型对所述肌电信号进行识别，得到识别结果；
所述第一通讯模块用于将所述识别结果发送至所述假肢组件，所述第二通讯模块用于将所述控制子系统与终端设备进行通讯连接。


2.根据权利要求1所述的基于深度学习的假肢系统，其特征在于，所述控制子系统为神经网络处理器。


3.根据权利要求2所示的基于深度学习的假肢系统，其特征在于，所述神经网络处理器为K210芯片。


4.根据权利要求1至3中任一项所述的基于深度学习的假肢系统，其特征在于，所述识别单元具体用于基于支持向量机对所述肌电信号进行识别，得到识别结果。


5.根据权利要求1所示的基于深度学习的假肢系统，其特征在于，所述控制子系统还包括更新单元，所述更新单元用于根据所述第二通讯模块从所述终端设备接收的更新数据，对所述深度...

【专利技术属性】
技术研发人员：莫枝新，李华，孟琳博，朱鸿成，魏紫，丁盈盈，贤跃飞，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西;45