一种基于TST深度学习的脑卒中训练方法及训练系统技术方案

本发明专利技术涉及一种基于TST深度学习的脑卒中训练方法及训练系统，基于深度学习的原理，对人体实时图像、生理参数采集结果进行深度学习，按时序特征进行提取和训练，得到最终输出结果，在此过程中，在通过目标函数进行测试的框架中，融入超参数寻优方式，并计算预测精度，保证模型的预测准确性和精度；通过参数寻优保证模型建模精度和预测精度，在不影响模型准确性的前提下大大降低了计算量，提高了计算效率，从而基于深度学习的提高预测效果，指导用户进行优化训练，最大程度降低脑卒意外导致瘫痪甚至死亡的概率。痪甚至死亡的概率。痪甚至死亡的概率。

【技术实现步骤摘要】
一种基于TST深度学习的脑卒中训练方法及训练系统


[0001]本专利技术属于康复理疗
，具体涉及一种基于TST深度学习的脑卒中训练方法及训练系统。

技术介绍

[0002]脑卒中俗称脑溢血、中风，这类病症多为心脑血管疾病，卒中原因有多种：例如颅内血管粥样病变、颈动脉斑块、主动脉弓斑块、心源性血栓、穿透性粥样动脉硬化、房颤、癫痫等，脑卒中发病人群多为40岁以上的中老年人，若不及时救治则会出现生命危险。患者经过康复训练后，虽然肢体动作具有一定程度的改善，但是训练效果极为有限，据权威机构统计，接受康复训练的患者仍然有约60％～80％脑卒中患者遗留有明显的运动功能障碍，进而给家庭和医疗系统带来了沉重的负担，随着人工智能技术的飞速发展，基于人工智能的的康复训练，将提高脑卒康复理疗效率，并帮助患者独立生活起居、尽快恢复感官机能。
[0003]现有技术中，虽然也出现诸如设置虚拟游戏训练脑卒患者的方法，但是该类方法处于虚拟场景中进行训练，无法实施获取用户的生理状态参数，若用户在训练过程中由于生理状态参数发生变化，将很难被这类虚拟场景捕获到，因此，这类训练方法风险较大。

技术实现思路

[0004]为了解决上述
技术介绍
中的技术难题，本专利技术提出了一种基于TST深度学习的脑卒中训练方法，所述训练方法包含如下步骤：
[0005]S1：数据输入：通过用户端预设前置参数，通过图像数据采集设备获得原始图像数据，通过生理参数采集设备获得原始生理数据；
[0006]其中，用户端输入预设的前置参数主要为用户通过可视化界面输入性别、年龄，病因等初始数据；图像数据采集主要通过房间内设置的摄像头或激光雷达等设备拍摄人体在房间内的实时图像数据，进而获取用户的面部表情、运动姿态；生理参数采集包括：通过可穿戴设备(例如医用智能手环、运动手环)实时监测用户的血压数据、血氧数据、心率数据和颤抖数据(这四个数据构成原始生理数据)。
[0007]S2：数据预处理：通过对原始图像数据和原始生理数据进行预处理，得到原始时序数据集，原始时序数据集包含由原始图像数据预处理得到的第一格式数据集和由原始生理数据预处理得到的第一格式数据集，步骤S2又具体包含如下细分步骤S21～S22：
[0008]S21：针对原始图像数据帧进行降噪、滤波，剔除背景，保留前景，在此处上针对前景图像进行像素分割得到像素级RGB图像，基于边缘搜索算法从RGB图像中提取得到人体轮廓RGB图像，针对人体轮廓RGB图像中每个像素赋予位置坐标，与RGB真色彩的数字结合形成第一格式数据集；
[0009]S22：针对原始生理数据进行归一化处理，得到无量纲的第二格式数据集；
[0010]S3：滑动窗口构建数据集：通过滑动窗口的方式，将原始时序数据集划分为具有多个具有时序片段的时序子数据集，在此基础上随机分配70％的时序子数据集作为训练集，
剩余30％的时序子数据集作为测试集；
[0011]S4：训练步骤：将训练集导入TST模型中，通过TST模型计算，使训练集批量标准化，在此基础上采用CNN网络(卷积神经网络)进行训练；
[0012]S5：测试步骤：将测试集导入目标函数测试模型中进行测试，将Kd
‑
tree聚类搜索融入目标函数测试模型中，求解目标函数，得到超参数，采用随机搜索算法进行超参数寻优，以得到最佳超参数组合；步骤S6还包括步骤S51：
[0013]S51：通过平均绝对误差(MAE)和相对误差(MAPE)指标评估模型的预测精度，在两者的精度均超过95％时，向步骤S5的TST模型进行反馈，停止计算，并从TST模型中导出包含最佳超参数组合的结果；
[0014]其中，超参数至少包含表征表情、血压、血氧、心率、颤抖和姿态相应的参数。
[0015]S6：结果输出与存储：将结果进行输出并反馈到用户端，同时，将输出的结果进行实施存储，以作为历史数据使用；
[0016]S7：最优训练策略：在最佳超参数组合的基础上，制定最优训练策略，并反馈至用户端，通过信息提示或语音播报指导用户当前的行为。
[0017]进一步地，提出了一种基于TST深度学习的脑卒中训练装置，所述训练装置包括MCU控制器、存储器、用户端、图像数据采集设备和生理数据采集设备，其中，所述MCU控制器的输入端与图像数据采集设备和生理数据采集设备连接，所述MCU控制器的通过另一输入端、输出端与用户端和存储器双向连接，连接网络可以为有线网络，也为无线通信网络(例如ZigBee网络、WIFI)，进一步地，所述MCU控制器至少包括计算单元和时钟单元。
[0018]其中，所述图像数据采集设备和生理数据采集设备均位于用户经常活动的室内。
[0019]通过所述图像数据采集设备采集原始图像数据，原始图像数据包括用户的面部表情、运动姿态，通过所述生理数据采集设备采集原始生理数据，原始生理参数数据包括血压、血氧、心率和颤抖频次。
[0020]综上所述，本专利技术的一种基于TST深度学习的脑卒中训练方法及训练系统，与现有技术相比，具有如下优点：
[0021]1)本专利技术基于深度学习的原理，对人体实时图像、生理参数采集结果进行深度学习，按时序特征进行提取和训练，得到最终输出结果，在此过程中，在通过目标函数进行测试的框架中，融入超参数寻优方式，并计算预测精度，保证模型的预测准确性和精度；
[0022]2)通过参数寻优，并在预设寻优次数后，从中选取模型性能评价指标值最高的模型作为输出，进而在减少了模型训练调整的难度的同时极大的保证了模型的准确度；
[0023]3)本专利技术通过对采集的人体图像参数、生理参数进行相关性分析，筛除了相关性较高的定量指标，在不影响模型准确性的前提下大大降低了计算量，提高了计算效率；
[0024]4)本专利技术在不损失大量预测精度的基础上，能够有效地降低现有技术中人工特征输入的维度，从而基于深度学习的提高预测效果，指导用户进行优化训练，最大程度降低脑卒意外导致瘫痪甚至死亡的概率。
附图说明
[0025]图1为本专利技术的一种基于TST深度学习的脑卒中训练方法逻辑框图；
[0026]图2为本专利技术的TST模型部分框架示意图；
[0027]图3为本专利技术的基于超参数寻优结果的相关性分析图。
实施例
[0028]下面将结合附图1
‑
2，对本专利技术的技术方案进行进行详细说明，以使本领域技术人员能够充分理解本专利技术。
[0029]实施例1
[0030]一种基于TST深度学习的脑卒中训练方法，包含如下步骤：
[0031]S1：数据输入：通过用户端预设前置参数，通过图像数据采集设备获得原始图像数据，通过生理参数采集设备获得原始生理数据；
[0032]其中，用户端输入预设的前置参数主要为用户通过可视化界面输入性别、年龄，病因等初始数据；图像数据采集主要通过房间内设置的摄像头或激光雷达等设备拍摄人体在房间内的实时图像数据，进而获取用户的面部表情、运动本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于TST深度学习的脑卒中训练方法，其特征在于：所述训练方法包含如下步骤：S1：数据输入：通过用户端预设前置参数，通过图像数据采集设备获得原始图像数据，通过生理参数采集设备获得原始生理数据；S2：数据预处理：通过对原始图像数据和原始生理数据进行预处理，得到原始时序数据集，原始时序数据集包含由原始图像数据预处理得到的第一格式数据集和由原始生理数据预处理得到的第一格式数据集；S3：滑动窗口构建数据集：通过滑动窗口的方式，将原始时序数据集划分为具有多个具有时序片段的时序子数据集，在此基础上随机分配70％的时序子数据集作为训练集，剩余30％的时序子数据集作为测试集；S4：训练步骤：将训练集导入TST模型中，通过TST模型计算，使训练集批量标准化，在此基础上采用CNN网络进行训练；S5：测试步骤：将测试集导入目标函数测试模型中进行测试，将Kd
‑
tree聚类搜索融入目标函数测试模型中，求解目标函数，得到超参数，采用随机搜索算法进行超参数寻优，以得到最佳超参数组合；S6：结果输出与存储：将结果进行输出并反馈到用户端，同时，将输出的结果进行实施存储，以作为历史数据使用；S7：最优训练策略：在最佳超参数组合的基础上，制定最优训练策略，并反馈至用户端，通过信息提示或语音播报指导用户当前的行为。2.根据权利要求1所述的一种基于TST深度学习的脑卒中训练方法，其特征在于：步骤S2又具体包含如下细分步骤S21～S22：S21：针对原始图像数据帧进行降噪、滤波，剔除背景，保留前景，在此处上针对前景图像进行像素分割得到像素级RGB图像，基于边缘搜索算法从RGB图像中提取得到人体轮廓RGB图像，针对人体轮廓RGB图像中每个像素赋予位置坐标，与RGB真色彩的数字结合形成第一格式数据集；S22：针对原始生理数据进行归一化处理，得到无量纲的第二格式数据集。3.根据权利要求1所述的一种基于TST深度学习的脑卒中训练方法，其特征在于：步骤S5又具体包含如下细分步骤S51：S51：通过平均绝对误差(MAE)和相对误差(MAPE)指标评估模型的预测精度，在两者的精度均超过95...

【专利技术属性】
技术研发人员：梁明，魏珍，徐奕鹏，迟杰骏，侯甜，马璟，
申请(专利权)人：新疆维吾尔自治区人民医院，
类型：发明
国别省市：