康复机器人交互行为的控制方法及系统技术方案

本申请涉及康复机器人技术领域，其具体地公开了一种康复机器人交互行为的控制方法及系统，其首先获取被监测患者在预定时间段的肌电信号、在所述预定时间段内多个预定时间点的呼吸频率值和心率值，以及，所述被监测患者的康复进程文本描述；然后，通过人工智能和深度学习技术进行所述患者的肌电信号、呼吸频率值和心率值的时序协同关联特征和所述患者的康复进程文本描述的语义理解特征之间的关联性特征分布信息的充分表达，以此来准确地进行患者的康复状态检测评估，从而根据患者当前康复需求，选择合适的康复任务类型，实现更精准的康复机器人交互行为控制。康复机器人交互行为控制。康复机器人交互行为控制。

【技术实现步骤摘要】
康复机器人交互行为的控制方法及系统


[0001]本申请涉及康复机器人
，且更为具体地，涉及一种康复机器人交互行为的控制方法及系统。

技术介绍

[0002]目前，康复机器人在实现患者康复过程中起到了重要作用，康复机器人的应用已经成为康复治疗中越来越重要的组成部分。但由于每个患者的身体状态和康复进程都是不同的，因此如何实现个性化的康复服务一直是一个挑战。传统的康复机器人控制方法通常是通过固定的康复任务模板，缺乏个性化的康复任务，难以满足患者的个性化康复训练需求。
[0003]因此，期望一种优化的康复机器人交互行为的控制方案。

技术实现思路

[0004]本申请提供一种康复机器人交互行为的控制方法及系统，其首先获取被监测患者在预定时间段的肌电信号、在所述预定时间段内多个预定时间点的呼吸频率值和心率值，以及，所述被监测患者的康复进程文本描述；然后，通过人工智能和深度学习技术进行所述患者的肌电信号、呼吸频率值和心率值的时序协同关联特征和所述患者的康复进程文本描述的语义理解特征之间的关联性特征分布信息的充分表达，以此来准确地进行患者的康复状态检测评估，从而根据患者当前康复需求，选择合适的康复任务类型，实现更精准的康复机器人交互行为控制。
[0005]第一方面，提供了一种康复机器人交互行为的控制方法，所述方法包括：获取被监测患者在预定时间段的肌电信号，以及，在所述预定时间段内多个预定时间点的呼吸频率值和心率值；对所述肌电信号进行基于傅里叶变换的频域变换以得到多个肌电频域统计特征值；将所述多个预定时间点的呼吸频率值和心率值，以及，所述多个肌电频域统计特征值排列为参数聚合矩阵；将所述参数聚合矩阵通过作为过滤器的卷积神经网络模型以得到参数关联特征向量；获取所述被监测患者的康复进程文本描述；对所述被监测患者的康复进程文本描述进行分词处理后通过包含词嵌入层的语义编码器以得到康复进程语义理解特征向量；对所述参数关联特征向量和所述康复进程语义理解特征向量进行关联编码以得到分类特征矩阵；对分类特征矩阵进行特征优化以得到优化分类特征矩阵；以及，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示推荐的康复任务类型标签。
[0006]第二方面，提供了一种康复机器人交互行为的控制系统，所述系统包括：数据获取模块，用于获取被监测患者在预定时间段的肌电信号，以及，在所述预定时间段内多个预定时间点的呼吸频率值和心率值；频域变换模块，用于对所述肌电信号进行基于傅里叶变换的频域变换以得到多个肌电频域统计特征值；排列矩阵模块，用于将所述多个预定时间点的呼吸频率值和心率值，以及，所述多个肌电频域统计特征值排列为参数聚合矩阵；卷积编
码模块，用于将所述参数聚合矩阵通过作为过滤器的卷积神经网络模型以得到参数关联特征向量；文本获取模块，用于获取所述被监测患者的康复进程文本描述；语义编码模块，用于对所述被监测患者的康复进程文本描述进行分词处理后通过包含词嵌入层的语义编码器以得到康复进程语义理解特征向量；关联编码模块，用于对所述参数关联特征向量和所述康复进程语义理解特征向量进行关联编码以得到分类特征矩阵；特征优化模块，用于对分类特征矩阵进行特征优化以得到优化分类特征矩阵；以及，分类模块，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示推荐的康复任务类型标签。
[0007]第三方面，提供了一种芯片，该芯片包括输入输出接口、至少一个处理器、至少一个存储器和总线，该至少一个存储器用于存储指令，该至少一个处理器用于调用该至少一个存储器中的指令，以执行第一方面中的方法。
[0008]第四方面，提供了一种计算机可读介质，用于存储计算机程序，所述计算机程序包括用于执行上述第一方面中的方法。
[0009]第五方面，提供了一种包括指令的计算机程序产品，当计算机运行所述计算机程序产品的所述指时，所述计算机执行上述第一方面中的方法。
[0010]本申请提供的一种康复机器人交互行为的控制方法及系统，其首先获取被监测患者在预定时间段的肌电信号、在所述预定时间段内多个预定时间点的呼吸频率值和心率值，以及，所述被监测患者的康复进程文本描述；然后，通过人工智能和深度学习技术进行所述患者的肌电信号、呼吸频率值和心率值的时序协同关联特征和所述患者的康复进程文本描述的语义理解特征之间的关联性特征分布信息的充分表达，以此来准确地进行患者的康复状态检测评估，从而根据患者当前康复需求，选择合适的康复任务类型，实现更精准的康复机器人交互行为控制。
附图说明
[0011]图1是本申请实施例的康复机器人交互行为的控制方法的示意性流程图。
[0012]图2是本申请实施例的康复机器人交互行为的控制方法的模型架构的示意图。
[0013]图3是本申请实施例的康复机器人交互行为的控制方法中对所述被监测患者的康复进程文本描述进行分词处理后通过包含词嵌入层的语义编码器以得到康复进程语义理解特征向量的示意性流程图。
[0014]图4是本申请实施例的康复机器人交互行为的控制方法中将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示推荐的康复任务类型标签的示意性流程图。
[0015]图5是本申请实施例的康复机器人交互行为的控制系统的示意性框图。
具体实施方式
[0016]下面将结合附图，对本申请中的技术方案进行描述。
[0017]这里由于涉及到基于深度学习的深度神经网络模型，下面先对本申请实施例可能涉及的深度神经网络模型的相关术语和概念进行介绍。
[0018]在深度神经网络模型中，隐藏层可以是卷积层和池化层。卷积层对应的一组权重
值被称为滤波器，也被称为卷积核。滤波器和输入特征值都被表示为一个多维矩阵，对应地，表示成多维矩阵的滤波器也称为滤波器矩阵，表示成多维矩阵的输入特征值也称为输入特征矩阵，当然，除了可以输入特征矩阵，也可以输入特征图像，特征向量，这里只是以输入特征矩阵进行举例。卷积层的运算称为卷积运算，该卷积运算指的是，输入特征矩阵的一部分特征值与滤波器矩阵的权重值进行内积操作。
[0019]深度神经网络模型中每一个卷积层的运算过程可以被编成软件，然后通过在运算装置中运行该软件，得到每层网络的输出结果，即输出特征矩阵。例如，软件通过滑动窗口的方式，以每层网络的输入特征矩阵的左上角为起点，以滤波器大小为窗口，每次从特征值矩阵中提取一个窗口的数据与滤波器进行内积操作。当输入特征矩阵的右下角窗口的数据与滤波器完成内积操作后，便可得到每层网络的一个二维的输出特征矩阵。软件重复上述过程，直至产生每层网络的整个输出特征矩阵。
[0020]卷积层运算的过程为，将一个滤波器大小的窗口滑动过整个输入图像(即输入特征矩阵)，在每个时刻对窗口内覆盖的输入特征值与该滤波器进行内积运算，其中，窗口滑动的步长为1。具体地，以输入特征矩阵的左上角为起点，以滤波器大小为窗口，窗口滑动的步长为1，每次从特征值矩阵中提取一个窗口的输入特征值与滤波器进行内积操作，当输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种康复机器人交互行为的控制方法，其特征在于，包括：获取被监测患者在预定时间段的肌电信号，以及，在所述预定时间段内多个预定时间点的呼吸频率值和心率值；对所述肌电信号进行基于傅里叶变换的频域变换以得到多个肌电频域统计特征值；将所述多个预定时间点的呼吸频率值和心率值，以及，所述多个肌电频域统计特征值排列为参数聚合矩阵；将所述参数聚合矩阵通过作为过滤器的卷积神经网络模型以得到参数关联特征向量；获取所述被监测患者的康复进程文本描述；对所述被监测患者的康复进程文本描述进行分词处理后通过包含词嵌入层的语义编码器以得到康复进程语义理解特征向量；对所述参数关联特征向量和所述康复进程语义理解特征向量进行关联编码以得到分类特征矩阵；对所述分类特征矩阵进行特征优化以得到优化分类特征矩阵；以及将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示推荐的康复任务类型标签。2.根据权利要求1所述的康复机器人交互行为的控制方法，其特征在于，将所述参数聚合矩阵通过作为过滤器的卷积神经网络模型以得到参数关联特征向量，包括：使用所述卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：基于卷积核对所述输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行基于特征矩阵的全局均值池化处理以生成池化特征图；以及对所述池化特征图中各个位置的特征值进行非线性激活以生成激活特征图；其中，所述卷积神经网络模型的最后一层的输出为所述参数关联特征向量，所述卷积神经网络模型的第二层至最后一层的输入为上一层的输出，所述卷积神经网络模型的输入为所述参数聚合矩阵。3.根据权利要求2所述的康复机器人交互行为的控制方法，其特征在于，对所述被监测患者的康复进程文本描述进行分词处理后通过包含词嵌入层的语义编码器以得到康复进程语义理解特征向量，包括：对所述被监测患者的康复进程文本描述进行分词处理以得到康复词序列；将所述康复词序列通过所述语义编码器的词嵌入层以得到康复词嵌入向量的序列；将所述康复词嵌入向量的序列通过所述语义编码器的基于转换器的Bert模型以得到多个康复词语义特征向量；以及将所述多个康复词语义特征向量进行级联以得到所述康复进程语义理解特征向量。4.根据权利要求3所述的康复机器人交互行为的控制方法，其特征在于，对所述参数关联特征向量和所述康复进程语义理解特征向量进行关联编码以得到分类特征矩阵，包括：以如下关联编码公式对所述参数关联特征向量和所述康复进程语义理解特征向量进行关联编码以得到所述分类特征矩阵；其中，所述关联编码公式为：
其中表示向量相乘，M表示所述分类特征矩阵，V
a
表示所述参数关联特征向量，V
b
表示所述康复进程语义理解特征向量，表示所述康复进程语义理解特征向量的转置。5.根据权利要求4所述的康复机器人交互行为的控制方法，其特征在于，对所述分类特征矩阵进行特征优化以得到优化分类特征矩阵，包括：以如下优化公式对所述分类特征矩阵进行向量谱聚类代理学习融合优化以得到所述优化分类特征矩阵；其中，所述优化公式为：其中，M
c
是所述分类特征矩阵，M'
c
是所述优化分类特征矩阵，V1~V
n
表示所述分类特征矩阵的各个行特征向量，且D
v
是所述分类特征矩阵的每两个相应行特征向量之间的距离组成的距离矩阵，exp（
·
）表示矩阵的指数运算，所述矩阵的指数运算表示以矩阵中各个位置特征值...

【专利技术属性】
技术研发人员：盛振文，王桂云，盛明，何静，王素琴，
申请(专利权)人：山东协和学院，
类型：发明
国别省市：