基于时间卷积网络的运动迟缓量化分级评估方法及装置制造方法及图纸

本发明专利技术提供一种基于时间卷积网络的运动迟缓量化分级评估方法及装置，应用于医疗保健信息学领域，该方法包括：获取目标对象的运动学数据；基于所述运动学数据以及训练好的运动迟缓量化评估模型，得到所述目标对象的运动迟缓等级；其中，所述运动迟缓量化评估模型是根据带有运动迟缓等级标签的样本运动学数据集对时间卷积网络训练得到的。从而客观地对目标对象的运动迟缓程度作出定量评估，并提高了评估结果的准确性。估结果的准确性。估结果的准确性。

【技术实现步骤摘要】
基于时间卷积网络的运动迟缓量化分级评估方法及装置


[0001]本专利技术涉及医疗保健信息学
，尤其涉及一种基于时间卷积网络的运动迟缓量化分级评估方法及装置。

技术介绍

[0002]现有方式中对运动迟缓程度的评估通常是由有经验的临床医生根据待判断对象的行为表现进行主观的判断，这种方式的不足之处在于评估结果的质量对于临床医生的经验水平依赖程度较高，并且评估结果无法客观定量刻画待判断对象运动障碍程度的变化。

技术实现思路

[0003]本专利技术提供一种基于时间卷积网络的运动迟缓量化分级评估方法及装置，用以解决现有技术中评估结果质量对于临床医生的经验水平依赖程度较高和评估结果无法客观定量刻画患者运动障碍程度的变化的缺陷，实现客观地对目标对象的运动迟缓程度作出定量评估，并提高了评估结果的准确性。
[0004]本专利技术提供一种基于时间卷积网络的运动迟缓量化分级评估方法，包括：获取目标对象的运动学数据；基于所述运动学数据以及训练好的运动迟缓量化评估模型，得到所述目标对象的运动迟缓等级；其中，所述运动迟缓量化评估模型是根据带有运动迟缓等级标签的样本运动学数据集对时间卷积网络训练得到的。
[0005]根据本专利技术提供的一种基于时间卷积网络的运动迟缓量化分级评估方法，所述运动迟缓量化评估模型包括输入层、残差网络、全连接层和输出层，所述输入层、所述残差网络、所述全连接层和所述输出层依次连接；所述残差网络包括多个依次连接的残差块，任意两个相邻的残差块之间通过1
×
1的卷积层连接。<br/>[0006]根据本专利技术提供的一种基于时间卷积网络的运动迟缓量化分级评估方法，每个残差块包括两个卷积单元，每个卷积单元的结构为膨胀因果卷积层、权重归一化层、线性整流函数ReLU层、Dropout层依次连接。
[0007]根据本专利技术提供的一种基于时间卷积网络的运动迟缓量化分级评估方法，所述残差网络中，与所述输入层连接的残差块的膨胀因子取值为1，任意一个残差块的膨胀因子取值为前一个残差块的膨胀因子取值的2倍。
[0008]根据本专利技术提供的一种基于时间卷积网络的运动迟缓量化分级评估方法，所述基于所述运动学数据以及训练好的运动迟缓量化评估模型，得到所述目标对象的运动迟缓等级，包括：对所述运动学数据进行预处理，将预处理后的运动学数据输入训练好的运动迟缓量化评估模型，得到所述目标对象的运动迟缓等级；
所述预处理包括滤波处理和/或归一化处理；其中，所述滤波处理包括：将运动学数据的时域数据通过快速傅里叶变换得到所述时域数据对应的频域数据，将所述频域数据中零频率对应的幅值和高于预设频率阈值的频率对应的幅值置零后进行快速傅里叶逆变换；所述归一化处理根据以下公式进行：
[0009]式中，为归一化处理前的运动学数据；为归一化处理后的运动学数据。
[0010]根据本专利技术提供的一种基于时间卷积网络的运动迟缓量化分级评估方法，所述样本运动学数据集根据以下方式获取：获取样本原始运动学数据集；对所述样本原始运动学数据集进行滤波处理、数据增强处理和归一化处理中的一种或多种，得到样本运动学数据集；其中，所述数据增强处理包括：使用滑动窗口法将所述样本原始运动学数据集进行扩充；和/或，在所述样本原始运动学数据集中添加高斯白噪声。
[0011]根据本专利技术提供的一种基于时间卷积网络的运动迟缓量化分级评估方法，所述目标对象的运动学数据，包括以下一项或多项：目标对象执行静息任务时的运动学数据；目标对象执行伸展任务时的运动学数据；目标对象执行轮替任务时的运动学数据。
[0012]本专利技术还提供一种基于时间卷积网络的运动迟缓量化分级评估装置，包括：获取数据模块，用于获取目标对象的运动学数据；输出等级模块，用于基于所述运动学数据以及训练好的运动迟缓量化评估模型，得到所述目标对象的运动迟缓等级；其中，所述运动迟缓量化评估模型是根据带有运动迟缓等级标签的样本运动学数据集对时间卷积网络训练得到的。
[0013]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于时间卷积网络的运动迟缓量化分级评估方法。
[0014]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于时间卷积网络的运动迟缓量化分级评估方法。
[0015]本专利技术提供的基于时间卷积网络的运动迟缓量化分级评估方法及装置，通过根据带有运动迟缓等级标签的样本运动学数据集对时间卷积网络训练得到运动迟缓量化评估模型，获取目标对象的运动学数据，基于运动学数据以及训练好的运动迟缓量化评估模型，得到目标对象的运动迟缓等级，从而客观地对目标对象的运动迟缓程度作出定量评估，并提高了评估结果的准确性。
附图说明
[0016]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
[0017]图1为本专利技术提供的基于时间卷积网络的运动迟缓量化分级评估方法的流程示意图；图2为本专利技术提供的运动迟缓量化评估模型的结构示意图；图3为本专利技术提供的残差块的结构示意图；图4为本专利技术提供的基于可穿戴设备与云平台的便携式轻量化评价系统的示意图；图5为本专利技术提供的评估模型的具体结构示意图；图6为本专利技术提供的基于时间卷积网络的运动迟缓量化分级评估装置的示意图；图7为本专利技术提供的电子设备的实体结构示意图。
具体实施方式
[0018]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例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他实施例，都属于本专利技术保护的范围。
[0019]图1为本专利技术提供的基于时间卷积网络的运动迟缓量化分级评估方法的流程示意图，如图1所示，该方法包括以下步骤：步骤100、获取目标对象的运动学数据。
[0020]步骤101、基于运动学数据以及训练好的运动迟缓量化评估模型，得到目标对象的运动迟缓等级。
[0021]其中，运动迟缓量化评估模型是根据带有运动迟缓等级标签的样本运动学数据集对时间卷积网络训练得到的。
[0022]具体地，本专利技术提供的方法的执行主体可以为可以接收其他设备输入并且自身具有一定计算能力的处理设备，以下以计算机设备为例对本专利技术提供的方法进行说明。
[0023]目标对象为需要进行运动迟缓量化评估的对象，要对目标对象进行运动迟缓量化评估，计算机设备可以先获取目标对象的运动学数据。
[0024]一些实施方式中，可以让目标对象佩戴部署有惯性传感器的穿戴设备，通过部署有惯性传感器的穿戴设备采集目标对象的运动学数据并发送给本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时间卷积网络的运动迟缓量化分级评估方法，其特征在于，包括：获取目标对象的运动学数据；基于所述运动学数据以及训练好的运动迟缓量化评估模型，得到所述目标对象的运动迟缓等级；其中，所述运动迟缓量化评估模型是根据带有运动迟缓等级标签的样本运动学数据集对时间卷积网络训练得到的。2.根据权利要求1所述的基于时间卷积网络的运动迟缓量化分级评估方法，其特征在于，所述运动迟缓量化评估模型包括输入层、残差网络、全连接层和输出层，所述输入层、所述残差网络、所述全连接层和所述输出层依次连接；所述残差网络包括多个依次连接的残差块，任意两个相邻的残差块之间通过1
×
1的卷积层连接。3.根据权利要求2所述的基于时间卷积网络的运动迟缓量化分级评估方法，其特征在于，每个残差块包括两个卷积单元，每个卷积单元的结构为膨胀因果卷积层、权重归一化层、线性整流函数ReLU层、Dropout层依次连接。4.根据权利要求3所述的基于时间卷积网络的运动迟缓量化分级评估方法，其特征在于，所述残差网络中，与所述输入层连接的残差块的膨胀因子取值为1，任意一个残差块的膨胀因子取值为前一个残差块的膨胀因子取值的2倍。5.根据权利要求1所述的基于时间卷积网络的运动迟缓量化分级评估方法，其特征在于，所述基于所述运动学数据以及训练好的运动迟缓量化评估模型，得到所述目标对象的运动迟缓等级，包括：对所述运动学数据进行预处理，将预处理后的运动学数据输入训练好的运动迟缓量化评估模型，得到所述目标对象的运动迟缓等级；所述预处理包括滤波处理和/或归一化处理；其中，所述滤波处理包括：将运动学数据的时域数据通过快速傅里叶变换得到所述时域数据对应的频域数据，将所述频域数据中零频率对应的幅值和高于预...

【专利技术属性】
技术研发人员：王晨，佟丽娜，侯增广，许宁存，刘岱松，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：