【技术实现步骤摘要】
一种基于递归图和宽度学习的肌强直评估方法及系统
[0001]本专利技术涉及机器学习
，具体涉及一种基于递归图和宽度学习的肌强直评估方法及系统。
技术介绍
[0002]肌强直症状表现为在运动过程中，因肌张力增高导致肌肉出现不自主的持续性收缩现象，常见于强直性肌营养不良、先天性肌强直、帕金森综合征等疾病，临床上常根据肌肉敲击、肌电图检查、BFMDRS量表等进行肌强直的诊断。然而对于不同程度的肌强直、痉挛，以及身体不同部位、不同肌群的肌张力变化无法做到客观评估量化，肌张力的轻微变化也很难具体评价。在临床中患者肌强直程度主要依靠医生根据临床经验进行判断，人为操作具有不确定性，评估结果过于主观。
[0003]利用可穿戴设备采集的肌张力信号通常表现为时间序列形式，基于递归图的思想可以利用二维图像可视化动力学系统的递归现象，对非平稳时序信号进行处理。递归是动力学系统的一个基本性质，可以用来表征动力学系统在相空间中的行为，表示系统在一定的条件下，其状态具有恢复性，经过足够长的时间后，系统某个状态将回到初始状态附近。利用递归方法能够分析时间序列的周期性、混沌性以及非平稳性，揭示时间序列的内部结构，给出有关相似性、信息量和预测性的先验知识。
[0004]传统神经网络在进行分类处理时常伴随模型网络结构复杂、参数庞大、耗费时间和计算资源等问题。宽度学习系统仅包含映射特征层和增强层，模型可拓展性强，而且不需要梯度下降更新权值，计算简单。此外，宽度学习模型能够通过横向扩展网络中增强节点和特征节点的数量提升分类效果。>
技术实现思路
[0005]为此，本专利技术提出一种基于递归图和宽度学习的肌强直评估方法及系统，用以解决现有模型对于输入的肌张力信号分类不准的问题。
[0006]根据本专利技术的一方面，提供一种基于递归图和宽度学习的肌强直评估方法，该方法包括以下步骤：
[0007]步骤一、采集不同人的肌张力时间序列信号，并对所述肌张力时间序列信号进行预处理；其中，所述不同人的肌张力时间序列信号包括肌强直轻度患者、肌强直重度患者及没有肌强直症状的正常人所对应的肌张力时间序列信号；
[0008]步骤二、利用预处理后的肌张力时间序列信号构建递归图；
[0009]步骤三、提取不同人的肌张力时间序列信号所对应的基于递归图的量化特征；
[0010]步骤四、将所述量化特征输入基于宽度学习的分类模型中进行训练，获取训练好的分类模型；
[0011]步骤五、提取待测的肌张力时间序列信号所对应的基于递归图的量化特征，并将其输入训练好的分类模型中，获取肌强直预测结果。
[0012]进一步地，步骤一中所述预处理包括剔除信号中存在的异常值。
[0013]进一步地，步骤二的具体步骤包括：根据时间延迟重构原理，对所述肌张力时间序列信号进行相空间重构；计算重构相空间中任意两点之间的距离，所述距离对应一个递归值；利用多个递归值绘制二维递归图。
[0014]进一步地，步骤三中所述量化特征包括递归率、对角线长度熵和捕获时间；其中，递归率是对递归图中递归点密度的度量；对角线长度熵是递归图中长度为l的对角线分布概率的香农熵；捕获时间是递归图中垂直线段长度的加权平均值。
[0015]进一步地，所述递归率计算公式如下：
[0016][0017]式中，N表示相空间中的轨迹长度；R
i,j
表示递归值，为一个由0和1组成的方阵。
[0018]进一步地，所述对角线长度熵计算公式如下：
[0019][0020]式中，l表示对角线的长度；P(l)表示长度为l的对角线的分布概率。
[0021]进一步地，所述捕获时间计算公式如下：
[0022][0023]式中，v表示与主对角线垂直的线段，P(v)表示长度为v的垂直线段的分布概率，v
min
表示最小的线段长度。
[0024]进一步地，步骤四中所述基于宽度学习的分类模型在训练过程中的损失函数包括：预测值与真实值之差的平方，并基于岭回归理论再加上一个正则化项，则损失函数表示为：
[0025][0026]式中，Z
n
表示通过非线性映射获得的映射特征序列；H
m
表示映射特征层序列；W
m
表示输出权值矩阵；λ表示正则项系数；表示真实值；
[0027]损失函数取得最小值时对应的输出权值矩阵为：
[0028][0029]式中，I表示单位矩阵。
[0030]进一步地，步骤四中所述基于宽度学习的分类模型在训练过程中通过额外增加增强节点的方法提高模型性能，增强节点根据特征层计算产生，新的增强层表示为：
[0031][0032]其中，是由映射特征节点生成新增强节点的权重矩阵和偏差矩阵；ξ表示非线性函数。
[0033]根据本专利技术的另一方面，提供一种基于递归图和宽度学习的肌强直评估系统，该系统包括：
[0034]数据采集模块，其配置成采集不同人的肌张力时间序列信号，并对所述肌张力时间序列信号进行预处理；其中，所述不同人的肌张力时间序列信号包括肌强直轻度患者、肌强直重度患者及没有肌强直症状的正常人所对应的肌张力时间序列信号；
[0035]递归图构建模块，其配置成利用预处理后的肌张力时间序列信号构建递归图；
[0036]特征提取模块，其配置成提取不同人的肌张力时间序列信号所对应的基于递归图的量化特征；
[0037]模型训练模块，其配置成将所述量化特征输入基于宽度学习的分类模型中进行训练，获取训练好的分类模型；
[0038]预测模块，其配置成提取待测的肌张力时间序列信号所对应的基于递归图的量化特征，并将其输入训练好的分类模型中，获取肌强直预测结果。
[0039]本专利技术的有益技术效果是：
[0040]临床上肌强直程度常由医生根据临床经验给出，肌张力的轻微变化容易被忽略，肌张力大小难以具体量化，本专利技术设计肌张力检测装置，在外力驱动身体某部位进行特定运动的过程中采集肌张力信号，实现肌张力的客观分析；时间序列信号数据量大，维度高，直接进行分析对算法和硬件的性能要求较高，本专利技术基于递归图对肌张力信号进行量化分析，在实现时间序列可视化的同时获取具有明显区分度的肌张力特征参数；宽度学习不依赖深度的神经网络，结构简单灵活，计算速度快，具备较强的非线性，能够满足肌强直评估过程中对评估准确率和效率的要求。
附图说明
[0041]本专利技术可以通过参考下文中结合附图所给出的描述而得到更好的理解，所述附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分，而且用来进一步举例说明本专利技术的优选实施例和解释本专利技术的原理和优点。
[0042]图1为本专利技术实施例一种基于递归图和宽度学习的肌强直评估方法的流程图。
[0043]图2为本专利技术实施例中所使用的肌张力检测装置硬件连接图。
[0044]图3为本专利技术实施例中构造递归图时相空间重构参数的选择方法示意图；其中，图(a)对应本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于递归图和宽度学习的肌强直评估方法，其特征在于，包括以下步骤：步骤一、采集不同人的肌张力时间序列信号，并对所述肌张力时间序列信号进行预处理；其中，所述不同人的肌张力时间序列信号包括肌强直轻度患者、肌强直重度患者及没有肌强直症状的正常人所对应的肌张力时间序列信号；步骤二、利用预处理后的肌张力时间序列信号构建递归图；步骤三、提取不同人的肌张力时间序列信号所对应的基于递归图的量化特征；步骤四、将所述量化特征输入基于宽度学习的分类模型中进行训练，获取训练好的分类模型；步骤五、提取待测的肌张力时间序列信号所对应的基于递归图的量化特征，并将其输入训练好的分类模型中，获取肌强直预测结果。2.根据权利要求1所述的一种基于递归图和宽度学习的肌强直评估方法，其特征在于，步骤一中所述预处理包括剔除信号中存在的异常值。3.根据权利要求1所述的一种基于递归图和宽度学习的肌强直评估方法，其特征在于，步骤二的具体步骤包括：根据时间延迟重构原理，对所述肌张力时间序列信号进行相空间重构；计算重构相空间中任意两点之间的距离，所述距离对应一个递归值；利用多个递归值绘制二维递归图。4.根据权利要求3所述的一种基于递归图和宽度学习的肌强直评估方法，其特征在于，步骤三中所述量化特征包括递归率、对角线长度熵和捕获时间；其中，递归率是对递归图中递归点密度的度量；对角线长度熵是递归图中长度为l的对角线分布概率的香农熵；捕获时间是递归图中垂直线段长度的加权平均值。5.根据权利要求4所述的一种基于递归图和宽度学习的肌强直评估方法，其特征在于，所述递归率计算公式如下：式中，N表示相空间中的轨迹长度；R
i,j
表示递归值，为一个由0和1组成的方阵。6.根据权利要求4所述的一种基于递归图和宽度学习的肌强直评估方法，其特征在于，所述对角线长度熵计算公式如下：式中，l表示对角线的长度；P(l)表示长度为l的对角线的分布概率。7.根据权利要求4所述的一种基于递...
【专利技术属性】
技术研发人员：霍鑫，孟姣，张黎明，赵辉，代亚美，周珊珊，王勋，林静涵，王洋，李琦，章国江，
申请(专利权)人：哈尔滨医科大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。