CN115969322A - 运动类型识别系统、方法和计算机设备 - Google Patents
运动类型识别系统、方法和计算机设备 Download PDFInfo
- Publication number
- CN115969322A CN115969322A CN202211692909.9A CN202211692909A CN115969322A CN 115969322 A CN115969322 A CN 115969322A CN 202211692909 A CN202211692909 A CN 202211692909A CN 115969322 A CN115969322 A CN 115969322A
- Authority
- CN
- China
- Prior art keywords
- motion
- data
- network
- motion data
- feature extraction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000000605 extraction Methods 0.000 claims abstract description 171
- 238000012545 processing Methods 0.000 claims abstract description 164
- 206010044565 Tremor Diseases 0.000 claims abstract description 86
- 201000006517 essential tremor Diseases 0.000 claims abstract description 31
- 239000013598 vector Substances 0.000 claims description 169
- 210000003414 extremity Anatomy 0.000 claims description 147
- 238000013528 artificial neural network Methods 0.000 claims description 41
- 230000015654 memory Effects 0.000 claims description 35
- 210000000707 wrist Anatomy 0.000 claims description 29
- 238000013527 convolutional neural network Methods 0.000 claims description 26
- 230000004927 fusion Effects 0.000 claims description 20
- 230000002457 bidirectional effect Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 17
- 229940079593 drug Drugs 0.000 claims description 6
- 239000003814 drug Substances 0.000 claims description 6
- 238000007499 fusion processing Methods 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 4
- 230000007787 long-term memory Effects 0.000 claims description 2
- 241001133760 Acoelorraphe Species 0.000 description 23
- 230000001133 acceleration Effects 0.000 description 22
- 210000003811 finger Anatomy 0.000 description 22
- 210000003813 thumb Anatomy 0.000 description 18
- 230000009471 action Effects 0.000 description 16
- 230000002123 temporal effect Effects 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 12
- 238000013473 artificial intelligence Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 210000005224 forefinger Anatomy 0.000 description 7
- 238000010606 normalization Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 208000027089 Parkinsonian disease Diseases 0.000 description 5
- 206010034010 Parkinsonism Diseases 0.000 description 5
- 238000013480 data collection Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 239000002131 composite material Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001133794 Acoelorraphe wrightii Species 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241000252505 Characidae Species 0.000 description 1
- 208000018737 Parkinson disease Diseases 0.000 description 1
- 206010073211 Postural tremor Diseases 0.000 description 1
- 208000004756 Respiratory Insufficiency Diseases 0.000 description 1
- 206010071390 Resting tremor Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000007417 hierarchical cluster analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 201000004193 respiratory failure Diseases 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请涉及一种运动类型识别系统、方法和计算机设备。该系统包括:数据采集模块和数据处理模块;数据采集模块,用于获取待测用户的用户信息和待测用户的肢体的运动数据;数据处理模块,用于将用户信息和肢体的运动数据输入至预设运动类型识别模型中,对肢体的运动类型进行识别,得到肢体的运动类型;预设运动类型识别模型包括特征提取网络及运动类型识别网络;数据处理模块,还用于将肢体的运动类型输出;其中,运动类型包括不同级别的特发性震颤类型和不同级别的帕金森震颤类型。即该运动类型识别系统可以基于用户信息和肢体的运动数据,实现对肢体运动类型的自动识别,结合运动类型识别模型能够提高对运动类型识别的准确性。
Description
技术领域
本申请涉及医学监测技术领域,特别是涉及一种运动类型识别系统、方法和计算机设备。
背景技术
目前,人工智能技术已逐渐应用到医学领域,如医学图像处理、震颤动作识别等。对于震颤动作识别,传统方法中,医护人员通过人工从动作数据中进行震颤动作识别,显然,通过人工进行震颤动作识别,存在操作复杂及灵敏度不高的问题。
随着人工智能技术的不断发展,在震颤动作识别方面,也可以基于人工智能技术来进行震颤动作识别。但是,现有的人工智能技术对于震颤动作类型的识别依然存在识别不够准确的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高震颤动作类型识别准确性的运动类型识别系统、方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种运动类型识别系统。该系统包括:数据采集模块和数据处理模块;
数据采集模块,用于获取待测用户的用户信息和待测用户的肢体的运动数据;
数据处理模块,用于将用户信息和肢体的运动数据输入至预设运动类型识别模型中,对肢体的运动类型进行识别,得到肢体的运动类型;预设运动类型识别模型包括特征提取网络及运动类型识别网络;
数据处理模块,还用于将肢体的运动类型输出;其中,运动类型包括不同级别的特发性震颤类型和不同级别的帕金森震颤类型。
在其中一个实施例中,特征提取网络包括第一类特征提取网络及第二类特征提取网络;第一类特征提取网络包括第一特征提取网络;
数据处理模块,用于将用户信息输入至第一特征提取网络进行特征提取,生成用户信息的特征向量;以及,
将肢体的运动数据输入至第二类特征提取网络进行特征提取,生成运动数据的特征向量;
将用户信息的特征向量及运动数据的特征向量输入至运动类型识别网络进行运动类型识别,生成肢体的运动类型。
在其中一个实施例中,第二类特征提取网络包括第二特征提取网络及第三特征提取网络;
数据处理模块,用于将肢体的运动数据输入至第二特征提取网络进行特征提取,生成运动数据的第一特征向量;以及,
将肢体的运动数据输入至第三特征提取网络进行特征提取,生成运动数据的时域特征向量及频域特征向量。
在其中一个实施例中,第二特征提取网络包括卷积神经网络和双向长短期记忆网络;
数据处理模块,用于将肢体的运动数据输入至卷积神经网络进行卷积处理,生成运动数据的卷积处理结果;以及,
将运动数据的卷积处理结果输入至双向长短期记忆网络进行特征提取,生成运动数据的第一特征向量。
在其中一个实施例中,肢体的运动数据包括手指运动数据、手掌运动数据、手腕运动数据中的至少一种;
数据处理模块,用于将手指运动数据输入至卷积神经网络进行卷积处理,生成运动数据的第一卷积处理结果;
将手掌运动数据输入至卷积神经网络进行卷积处理,生成运动数据的第二卷积处理结果;
将手腕运动数据输入至卷积神经网络进行卷积处理,生成运动数据的第三卷积处理结果;
数据处理模块,用于将第一卷积处理结果、第二卷积处理结果及第三卷积处理结果输入至双向长短期记忆网络进行特征提取,生成运动数据的第一特征向量。
在其中一个实施例中,第一特征提取网络包括层次聚类网络;
数据处理模块,用于将用户信息输入至层次聚类网络进行特征提取,生成用户信息的特征向量。
在其中一个实施例中,运动类型识别网络包括级联神经网络、全连接神经网络和归一化网络;
数据处理模块,用于将用户信息的特征向量及运动数据的特征向量输入至级联神经网络进行融合处理,得到初始融合特征向量;
将初始融合特征向量输入至全连接神经网络进行处理,得到目标融合特征向量;
将目标融合特征向量输入至归一化网络进行运动类型识别,生成肢体的运动类型。
在其中一个实施例中,时域特征向量包括运动数据的时域特征参数,时域特征参数包括运动数据在时域的最大幅值、最小幅值及平均幅值,以及,运动数据在时域的最大幅值及最小幅值之间的差值;
频域特征向量包括运动数据的频域特征参数,频域特征参数包括运动数据在频域的最大幅值和频域的最大幅值对应的目标频率值。
在其中一个实施例中,用户信息包括性别、年龄、震颤发作持续时间、震颤发作最大频率、震颤用药情况中的至少一种。
第二方面,本申请提供了一种运动类型识别方法。该方法包括:
通过数据采集模块获取待测用户的用户信息和待测用户的肢体的运动数据;
通过数据处理模块将用户信息和肢体的运动数据输入至预设运动类型识别模型中,对肢体的运动类型进行识别,得到肢体的运动类型;预设运动类型识别模型包括特征提取网络及运动类型识别网络;
通过数据处理模块将肢体的运动类型输出;其中,运动类型包括不同级别的特发性震颤类型和不同级别的帕金森震颤类型。
第三方面,本申请还提供了一种运动类型识别装置。该装置包括:
获取模块,用于获取待测用户的用户信息和待测用户的肢体的运动数据;
识别模块,用于将用户信息和肢体的运动数据输入至预设运动类型识别模型中,对肢体的运动类型进行识别,得到肢体的运动类型;预设运动类型识别模型包括特征提取网络及运动类型识别网络;
输出模块,用于将肢体的运动类型输出;其中,运动类型包括不同级别的特发性震颤类型和不同级别的帕金森震颤类型。
第四方面,本申请还提供了一种计算机设备。该计算机设备包括存储器和处理器,该存储器存储有计算机程序,该处理器执行所述计算机程序时实现第二方面中的运动类型识别方法的步骤。
第五方面,本申请还提供了一种计算机可读存储介质。该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第二方面中的运动类型识别方法的步骤。
第六方面,本申请还提供了一种计算机程序产品,该计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现第二方面中的运动类型识别方法的步骤。
上述运动类型识别系统、方法、装置、计算机设备、存储介质和计算机程序产品,运动类型识别系统包括数据采集模块和数据处理模块;其中,数据采集模块,用于获取待测用户的用户信息和待测用户的肢体的运动数据;数据处理模块,用于将用户信息和肢体的运动数据输入至预设运动类型识别模型中,对肢体的运动类型进行识别,得到肢体的运动类型;预设运动类型识别模型包括特征提取网络及运动类型识别网络;数据处理模块,还用于将肢体的运动类型输出;其中,运动类型包括不同级别的特发性震颤类型和不同级别的帕金森震颤类型。也就是说,本实施例中的运动类型识别系统可以基于用户信息和用户肢体的运动数据,实现对用户肢体的运动类型的自动识别,并且,通过预先训练好的运动类型识别模型对用户信息和用户肢体的运动数据进行特征提取和运动类型识别,从而能够提高对运动类型分类识别的准确性。
附图说明
图1为一个实施例中运动类型识别装置的结构示意图;
图2为一个实施例中由运动类型识别装置组成的系统工作流程示意图;
图3为另一个实施例中运动类型识别装置的结构示意图;
图4为一个实施例中运动类型识别系统的结构示意图;
图5为一个实施例中第二特征提取网络的网络结构示意图;
图6为一个实施例中层次聚类网络生成结构化信息向量的示意图;
图7为一个实施例中预设运动类型识别模型的完整结构示意图;
图8为一个实施例中运动类型识别方法的流程示意图;
图9为一个实施例中运动类型识别装置的结构框图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在震颤识别领域,以往的评估方法都是由专业医护人员对照量表(如统一帕金森氏病评级量表UPDRS、特发性震颤评估量表TETRAS等)对患者的震颤动作进行评估,较为主观且容易受操作人员专业技术水平的影响,评估无法做到客观准确。
随着近年来人工智能技术的发展,为震颤检测及识别提供了重要的分析手段。传统的检测方法繁琐复杂且灵敏度不高,也无法测得微小变化。通过人工智能技术能够简化判断流程,并提升识别准确度。但是,现有的震颤检测人工智能方法或装置大都聚焦于震颤动作的识别,而对于震颤类型未能进行有效的分析判定。例如,帕金森震颤与特发性震颤都有震颤的表现,很容易把两种震颤类型混淆。虽然都是“抖”,但是“抖”得不一样。帕金森震颤更为严重,特发性震颤是不会影响患者的生命的,但是帕金森震颤会影响,不少患者会死于呼吸衰竭。因此,如果能有效基于震颤表现并准确判定患者为何种类型的震颤,对于控制病变及改善患者生活质量有着十分重要的意义。
目前,手部震颤是常见的临床表现,包括特发性震颤、帕金森震颤等。虽然不同类型的震颤的频率和幅度会有所差异,但是惯常的判定大都是震颤频率大于4Hz就认定为震颤事件的发生。当前常用的震颤评估方法主要依照量表由专业医护人员指导患者执行相关动作并进行动作打分,容易受到检测者的主观因素影响,造成评估无法做到客观准确;而近年来基于人工智能技术的震颤识别方法大多只关注于震颤动作,即是否发生震颤进行识别,对于震颤的具体类型并没有进行有效的识别判定。
因此,本申请提出了一种基于人工智能技术的特发性震颤和帕金森震颤的震颤类型识别方法和装置,以避免上述传统技术中所存在的不足之处。包括一种特发性震颤和帕金森震颤的识别装置和一种基于人工智能技术的震颤识别判定方法;本申请提出的方法,能够有效判定特发性震颤和帕金森震颤的震颤类型,方法可靠且实现性强。
本申请的目的在于能够有效识别特发性震颤类型和帕金森震颤类型。特发性震颤通常表现为姿势性震颤或动作性震颤,常见于动作时的手抖,比如拿筷子夹东西等;帕金森震颤通常表现为静止性震颤,常见于手放着不动的时候出现,典型的震颤动作是“搓丸样”,伸直的拇指和弯曲的食指之间像是搓丸样的动作。基于此背景,提出了一种特发性震颤类型和帕金森震颤类型的识别装置、一种基于人工智能技术的震颤识别判定方法、以及一种运动类型识别系统。
在一个实施例中,参考图1所示,本申请提出了一种针对特发性震颤类型和帕金森震颤类型的运动类型识别装置,可以包括腕部集成单元和运动数据采集单元,腕部集成单元可以通过有线连接方式与运动数据采集单元进行通信连接。其中,运动数据采集单元可以包括拇指端传感器单元、食指端传感器单元、手掌端传感器单元等。也就是说,在本实施例中,该识别装置所设置的运动传感器采集位置有三处:手掌、拇指、食指,各运动传感器可以用于采集运动加速度数据;通过分别在手掌、拇指、食指处设置运动传感器,可以充分考虑特发性震颤和帕金森震颤的动作细微差异,如典型的帕金森震颤动作是“搓丸样”,伸直的拇指和弯曲的食指之间像是搓丸样的动作。
可选地,如图2所示,该运动类型识别装置的腕部集成单元,可以佩戴于上臂或手腕处。该腕部集成单元可以包括加速度数据处理模块、蓝牙/Wifi通信模块、电源模块、控制模块、显示与预警模块等。
可选地,腕部集成单元中的数据处理模块可以接收三个部位的传感器单元中的运动传感器所采集的运动数据,并通过基于蓝牙或Wifi等通信方式的通信模块,对运动数据进行打包,并传递至后台服务端;服务端可以通过调用基于人工智能技术的震颤识别模型,对运动数据进行分析处理,自动获取特发性震颤或帕金森震颤的运行类型识别结果,并将运动类型识别结果回传至腕部集成单元;以便该腕部集成单元可以将该运动类型识别结果通过显示与预警模块进行输出显示,或者,触发震颤事件识别预警功能。
需要说明的是,上述运动数据采集单元不只仅限于手掌、拇指、食指三个位置处的传感器单元,例如,还可以对手腕部位设置运动传感器;本申请实施例对此不做具体限定。示例性地,参考图3所示,运动数据采集可以包括四个点位的数据:手腕、手掌、拇指、食指;该运动类型识别装置中的腕部集成单元可以同时与各个采集部位的传感器单元之间通过有线方式进行通信连接;可选地,对于手掌、拇指、食指三处的传感器单元可以设置成独立的单元,通过蓝牙、2G等通信方式与腕部集成单元进行通信连接。本申请实施例对腕部集成单元与各个传感器单元之间的连接方式不做具体限定。
在一个实施例中,如图4所示,本申请还提出了一种运动类型识别系统,该运动类型识别系统可以包括数据采集模块420和数据处理模块420;可选地,该数据采集模块420可以包括上述的运动类型识别装置,数据处理模块420可以包括与该运动类型识别装置通信连接的服务器。需要说明的是,本实施例中的运动类型识别系统中的数据处理模块420与上述运动类型识别装置中的数据处理模块不同。
数据采集模块420,用于获取待测用户的用户信息和待测用户的肢体的运动数据。可选地,在数据采集模块420包括上述运动类型识别装置的情况下,可以通过运动类型识别装置中的显示与预警模块,输入待测用户的用户信息,以及通过运动类型识别装置中的各个传感器单元采集待测用户的肢体的运动数据,该肢体的运动数据可以包括拇指运动数据、食指运动数据、手掌运动数据、手腕运动数据中的至少一种。
可选地,该数据采集模块420还可以包括用户信息输入装置,该用户信息输入装置包括但不限于终端、计算机、便携式手持设备等;该用户信息输入装置用于获取用户输入的待测用户的用户信息,并将该待测用户的用户信息发送至数据处理模块420。可选地,待测用户的用户信息可以包括性别、年龄、震颤发作持续时间、震颤发作最大频率、震颤用药情况等;需要说明的是,在进行震颤类型识别时,所涉及到的用户信息可以包括与震颤相关的多种信息,在此不做具体限定。
也就是说,在一个可选的实施例中,数据采集模块420也可以包括运动类型识别装置和用户信息输入装置,通过用户信息输入装置获取待测用户的用户信息,通过运动类型识别装置获取待测用户的肢体的运动数据。接着,用户信息输入装置可以将获取到的待测用户的用户信息发送至数据处理模块420,运动类型识别装置可以将获取到的待测用户的肢体的运动数据发送至数据处理模块420。
数据处理模块420,用于将用户信息和肢体的运动数据输入至预设运动类型识别模型中,对肢体的运动类型进行识别,得到肢体的运动类型;其中,预设运动类型识别模型包括特征提取网络及运动类型识别网络。可选地,特征提取网络可以对用户信息进行特征提取,得到用户信息对应的特征向量,以及对肢体的运动数据进行特征提取,得到运动数据的特征向量;接着,数据处理模块420可以将用户信息的特征向量和运动数据的特征向量,输入至运动类型识别网络中进行运动类型的识别,得到肢体的运动类型。可选地,该肢体的运动类型可以包括特发性震颤类型和帕金森震颤类型,进一步地,针对特发性震颤类型还可以包括不同级别的特发性震颤类型,如一级、二级、三级等,等级越高可以表征震颤程度越高;同样地,对于帕金森震颤类型也可以包括不同级别的帕金森震颤类型,如一级、二级、三级等,等级越高可以表征震颤程度越高。
进一步地,数据处理模块420,还用于在确定出肢体的运动类型之后,将肢体的运动类型输出;其中,该运动类型可以包括不同级别的特发性震颤类型和不同级别的帕金森震颤类型。可选地,在数据处理模块420为服务器的情况下,该数据处理模块420可以将确定出的运动类型发送至数据采集模块420,以便数据采集模块420可以将该运动类型进行输出。可选地,输出方式包括但不限于语音输出、显示输出等;显示输出可以包括在显示屏中的显示内容输出、或者显示指示灯输出等;本申请实施例对输出方式不做具体限定。
示例性地,可以通过运动类型识别装置中的显示与预警模块输出该运动类型,也可以通过计算机、终端、便携式手持设备等输出该运动类型。
以上内容是在数据采集模块包括运动类型识别装置,数据处理模块包括服务器的情况下展开的技术方案描述;当然,对于该数据采集模块,也可以为上述运动类型识别装置中的运动数据采集单元,该数据处理模块也可以为该运动类型识别装置中的腕部集成单元;也就是说,对于该腕部集成单元来说,其也可以用于对运动数据采集单元中的各传感器单元所采集到的运动数据进行分析处理,获取运动类型。示例性地,可以通过腕部集成单元中的数据处理模块来实现对运动数据的分析处理。示例性地,还可以在该腕部集成单元中设置处理器,通过处理器对运动数据进行分析处理,从而获取震颤的运动类型。需要说明的是,在通过运动类型识别装置中的腕部集成单元作为数据处理模块的情况下,可以不需要外部的服务器辅助进行数据处理,仅通过该运动类型识别装置即可完成对运动数据的采集和分析处理功能。
本实施例中,运动类型识别系统包括数据采集模块和数据处理模块;其中,数据采集模块,用于获取待测用户的用户信息和待测用户的肢体的运动数据;数据处理模块,用于将用户信息和肢体的运动数据输入至预设运动类型识别模型中,对肢体的运动类型进行识别,得到肢体的运动类型;预设运动类型识别模型包括特征提取网络及运动类型识别网络;数据处理模块,还用于将肢体的运动类型输出;其中,运动类型包括不同级别的特发性震颤类型和不同级别的帕金森震颤类型。也就是说,本实施例中的运动类型识别系统可以基于用户信息和用户肢体的运动数据,实现对用户肢体的运动类型的自动识别,并且,通过预先训练好的运动类型识别模型对用户信息和用户肢体的运动数据进行特征提取和运动类型识别,从而能够提高对运动类型分类识别的准确性。
在本申请的一个实施例中,预设运动类型识别模型中的特征提取网络可以包括第一类特征提取网络和第二类特征提取网络,其中,第一类特征提取网络用于对用户信息进行特征提取,从而得到用户信息的特征向量;第二类特征提取网络用于对肢体的运动数据进行特征提取,从而得到运动数据的特征向量。
可选地,该第一类特征提取网络可以包括第一特征提取网络,数据处理模块420用于将用户信息输入至第一特征提取网络中进行特征提取,生成用户信息的特征向量;另外,数据处理模块420还用于将肢体的运动数据输入至第二类特征提取网络进行特征提取,生成运动数据的特征向量;接着,数据处理模块420将用户信息的特征向量及运动数据的特征向量输入至运动类型识别网络进行运动类型识别,生成肢体的运动类型。
可选地,在用户信息包括多个不同类型的信息的情况下,该第一特征提取网络可以是将每个信息均作为特征向量中的参数,生成用户信息的特征向量;也可以是从该多个信息中确定与震颤有关的至少一个信息,并生成用户信息的特征向量。示例性地,该第一特征提取网络可以为聚类网络,通过将每个用户信息输入至该聚类网络中进行聚类处理,从而生成用户信息对应的特征向量。需要说明的是,该聚类网络可以为传统的任一种聚类网络结构,本申请实施例对聚类网络的类型和网络结构不做具体限定。
可选地,在用户肢体的运动数据包括多个不同部位的肢体运动数据的情况下,针对每个部位的肢体运动数据,通过该第二类特征提取网络,提取各部位的肢体运动数据分别对应的特征向量;从而得到多个肢体运动数据对应的特征向量;相应地,数据处理模块420可以将每个肢体运动数据对应的特征向量、以及用户信息对应的特征向量,输入至运动类型识别网络中进行运动类型识别,生成肢体的运动类型。
可选地,在得到每个肢体运动数据对应的特征向量之后,还可以对各肢体运动数据对应的特征向量进行融合处理,从而得到运动数据对应的特征向量;在该情况下,数据处理模块420可以将该运动数据对应的特征向量和用户信息对应的特征向量,输入至运动类型识别网络中进行运动类型识别,生成肢体的运动类型。
本实施例中,特征提取网络包括用于对用户信息进行特征提取的第一类特征提取网络以及用于对运动数据进行特征提取的第二类特征提取网络;其中,第一类特征提取网络包括第一特征提取网络;基于此,数据处理模块用于将用户信息输入至第一特征提取网络进行特征提取,生成用户信息的特征向量;以及,将肢体的运动数据输入至第二类特征提取网络进行特征提取,生成运动数据的特征向量;接着,数据处理模块将用户信息的特征向量及运动数据的特征向量再输入至运动类型识别网络中进行运动类型识别,生成肢体的运动类型。即本实施例中针对用户信息和运动数据分别设置了不同的特征提取网络,用于获取用户信息的特征向量和运动数据的特征向量,接着,再基于用户信息的特征向量和运动数据的特征向量,进行运动类型的分类识别,生成肢体的运动类型;有利于对不同类型的数据分别进行特征提取,从而准确得到用户信息的特征向量和运动数据的特征向量,进而有利于提高运动类型的分类准确性。
在本申请的一个可选的实施例中,对于上述用于对运动数据进行特征提取的第二类特征提取网络,还可以包括用于获取运动数据的不同特征的多个特征提取网络;示例性地,该第二类特征提取网络可以包括第二特征提取网络及第三特征提取网络;其中,该第二特征提取网络可以基于神经网络提取运动数据的特征,第三特征提取网络可以基于运动数据的时频域信息提取运动数据的时频域特征。
也就是说,针对每一个肢体部位的运动数据,数据处理模块420,用于将肢体的运动数据输入至第二特征提取网络进行特征提取,生成运动数据的第一特征向量;以及,将肢体的运动数据输入至第三特征提取网络进行特征提取,生成运动数据的时域特征向量及频域特征向量。可选地,数据处理模块420,还可以将运动数据的时域特征向量及频域特征向量进行融合,得到运动数据的时频域特征向量。进而,数据处理模块420便可以将运动数据的第一特征向量、运动数据的时频域特征向量、以及用户信息的特征向量,输入至运动类型识别网络进行运动类型识别,生成肢体的运动类型。
可选地,该第二特征提取网络可以为基于神经网络的特征提取网络,该神经网络可以为传统的任意类型的神经网络,可以包括但不限于卷积神经网络(ConvolutionalNeural Network,CNN)、深度神经网络(Deep Neural Network,DNN)、特征金字塔网络(Feature Pyramid Networks,FPN)、循环神经网络(Recurrent Neural Network,RNN)、长短期记忆网络(Long Short-Term Memory,LSTM)等。需要说明的是,该第二特征提取网络可以为一个神经网络,也可以为多个神经网络的组合网络,本申请实施例对此不做具体限定。
通过对肢体的运动数据的分析,由于肢体的运动数据包括多点部位采集的运动数据(如多点部位采集的加速度数据序列),且各点部位的运动数据之间存在时间序列特性;因此,针对该第二特征提取网络,本实施例设计一种多维输入的CNN(卷积神经网络)+LSTM(双向长短期记忆)组合的复合模型,如图5所示。其中,LSTM是一种特殊的递归神经网络,对于连续长程加速度信号具有较好地作用,同时可强化加速度数据序列的时间特性;而CNN模型的长处在于局部细节特征的提取。
也就是说,该第二特征提取网络可以包括卷积神经网络和双向长短期记忆网络;数据处理模块420,用于将肢体的运动数据输入至卷积神经网络进行卷积处理,生成运动数据的卷积处理结果;接着,将运动数据的卷积处理结果输入至双向长短期记忆网络进行特征提取,生成运动数据的第一特征向量。
参考图5所示,该第二特征提取网络的整体模型框架结构的输入端包括多个不同部位的肢体分别对应的独立的运动数据,每个运动数据可以采用独立的卷积神经网络进行特征提取,然后使用双向长短期记忆网络对这多个独立的数据流进行汇总,生成肢体的运动数据的第一特征向量。
通过图5所示的复合模型,可以对不同部位的肢体的运动数据进行特征提取,并基于不同部位的肢体的运动数据的特征向量,进一步进行特征提取,得到肢体的运动数据的第一特征向量。
可选地,肢体的运动数据可以包括至少一个肢体部位的运动数据,如:肢体的运动数据可以包括手指运动数据、手掌运动数据、手腕运动数据中的至少一种,其中,手指运动数据可以包括拇指运动数据、食指运动数据、中指运动数据等中的至少一种。
示例性地,在肢体的运动数据包括手指运动数据、手掌运动数据及手腕运动数据的情况下,该数据处理模块420,可以用于将手指运动数据输入至卷积神经网络进行卷积处理,生成运动数据的第一卷积处理结果;以及,将手掌运动数据输入至卷积神经网络进行卷积处理,生成运动数据的第二卷积处理结果;以及,将手腕运动数据输入至卷积神经网络进行卷积处理,生成运动数据的第三卷积处理结果;接着,数据处理模块420,用于将第一卷积处理结果、第二卷积处理结果及第三卷积处理结果输入至双向长短期记忆网络进行特征提取,生成运动数据的第一特征向量。
可选地,第三特征提取网络可以为时频域特征提取网络,该时频域特征提取网络可以基于时频域信息提取算法来实现;可选地,该运动数据的时域特征向量可以包括多个运动数据的时域特征参数,该时域特征参数包括但不限于运动数据在时域的最大幅值Amax、最小幅值Amin及平均幅值Amean,以及,运动数据在时域的最大幅值及最小幅值之间的差值Aamp;可选地,该差值Aamp也可以为运动数据在时域的极大幅值及极小幅值之间的差值。
可选地,该运动数据的频域特征向量可以包括多个运动数据的频域特征参数,该频域特征参数包括但不限于运动数据在频域的最大幅值Fvmax和频域的最大幅值对应的目标频率值Fvf。进一步地,通过对该时域特征向量和频域特征向量进行融合,可以得到该运动数据对应的时频域特征向量,该时频域特征向量中可以包括多个时域特征参数和多个频域特征参数,如:由多个时域特征参数和多个频域特征参数组成的参数序列{Amax、Amin、Aamp、Amean、Fvmax、Fvf},作为该运动数据的时频域特征向量。
示例性地,假定x为加速度输入数据序列,xF为对x进行频谱分析后的频率密度值。上述各个参数的计算方式如下:
Amax = max (x)
Aamp=Amax-Amin
Fvmax=max(xF_val)
Fvf=max(xF_fre)
其中,xF_val表示频率对应的幅值,xF_fre表示频率值。
本实施例中,采用第二特征提取网络对肢体的运动数据进行特征提取,得到运动数据的第一特征向量,以及采用第三特征提取网络对肢体的运动数据进行时频域特征提取,得到运动数据的时域特征向量和频域特征向量;通过对运动数据的时频域特征提取,能够得到运动数据在时间上的变化特征,以弥补神经网络无法获取的维度特征,得到肢体运动的更多维特征,从而提高肢体运动类型的识别准确性。
在本申请的一个可选的实现方式中,上述第一特征提取网络还可以包括层次聚类网络;数据处理模块420,用于将用户信息输入至层次聚类网络进行特征提取,生成用户信息的特征向量。
由于特发性震颤与帕金森震颤有太多相近之处,即特发性震颤的特征与帕金森震颤的特征较为相似,因此,容易造成运动类型识别错误,导致识别错误率较高,识别难度较大的问题。为了提高特发性震颤和帕金森震颤等运动类型的识别准确性,考虑将用户的个体信息作为约束条件增加到模型的训练过程中,加速模型收敛,并有效提高模型的识别准确率。示例性地,用户信息可以包括用户性别、年龄、震颤发作持续年限、用药情况等个体信息,如表1所示;接着,通过层次聚类方法对所收集到的用户信息进行分析,生成预分析结构化信息向量,作为上述预设运动类型识别模型的补充输入,以提升特发性震颤类型与帕金森震颤类型的识别准确度。
表1层次聚类分析个体信息
通过层次聚类方法可以生成预分析结构化信息向量,如图6所示。基于预训练好的层次聚类模型,通过输入个体相关的用户信息,获得个体相关度较高的预分析结构化信息向量,如图6中得到的“ab”向量、“de”向量、或者“cde”向量等;其中,a、b、c、d、e分别表示上述的五种用户信息。
本实施例中,通过层次聚类网络对用户信息进行分析,得到用于表征用户个体差异的结构化特征向量,相比于直接将用户信息作为单点输入至预设运动类型识别模型而言,预先对用户信息进行结构化分析,更有助于整体识别模型的快速收敛,也能提高整体识别模型的识别准确性。
基于上述各个实施例,可选地,对于运动类型识别网络,其可以包括级联神经网络、全连接神经网络和归一化网络;数据处理模块420,用于将用户信息的特征向量及运动数据的特征向量输入至级联神经网络进行融合处理,得到初始融合特征向量;接着,可以将初始融合特征向量输入至全连接神经网络进行处理,得到目标融合特征向量;最后,将目标融合特征向量输入至归一化网络进行运动类型识别,从而生成肢体的运动类型。
示例性地,参考图7所示。在肢体的运动数据包括手掌传感器采集的手掌加速度数据序列、拇指传感器采集的拇指加速度数据序列、以及食指传感器采集的食指加速度数据序列的情况下,将手掌加速度数据序列、拇指加速度数据序列以及食指加速度数据序列分别输入至由卷积层和池化层交替组成的卷积神经网络中,得到手掌加速度特征向量、拇指加速度特征向量以及食指加速度特征向量;接着,将手掌加速度特征向量、拇指加速度特征向量以及食指加速度特征向量输入至双向LSTM模型中进行特征提取,得到肢体运动数据的第一特征向量。可选地,对于每个卷积神经网络中包括的卷积层和池化层的数量可以根据训练效果来确定,本申请实施例对此不做具体限定。
另外,将手掌加速度数据序列、拇指加速度数据序列以及食指加速度数据序列分别输入至第三特征提取网络中进行时频域特征提取,得到手掌时频域特征向量、拇指时频域特征向量以及食指时频域特征向量;需要说明的是,图7中所示出的时频域特征序列包括手掌时频域特征向量、拇指时频域特征向量以及食指时频域特征向量。
再者,对于所采集到的用户信息,通过层次聚类网络对用户信息进行特征提取,得到用户信息的特征向量,即图7中所示的预分析结构化信息向量。
接着,将运动数据的第一特征向量、时频域特征序列以及预分析结构化信息向量,依次输入至级联神经网络、全连接神经网络和归一化网络,输出肢体的运动类型。
本实施例中的时频域特征序列,主要目的是针对加速度长程连续信号可进行时频域特征分析并提取出的参数序列,是一组典型的统计补充特征,而CNN+LSTM的组合模型对这些特征并未有特殊的设计。所以,在复合深度学习网络模型结构基础上,补充时频域特征特征,能形成比较良好的互补。
在一个实施例中,本申请还提出了一种运动类型识别方法,适用于上述图4所示的运动类型识别系统,如图8所示,该方法包括:
步骤801,通过数据采集模块获取待测用户的用户信息和待测用户的肢体的运动数据。
步骤802,通过数据处理模块将用户信息和肢体的运动数据输入至预设运动类型识别模型中,对肢体的运动类型进行识别,得到肢体的运动类型;预设运动类型识别模型包括特征提取网络及运动类型识别网络。
步骤801,通过数据处理模块将肢体的运动类型输出;其中,运动类型包括不同级别的特发性震颤类型和不同级别的帕金森震颤类型。
本实施例中,通过数据采集模块获取待测用户的用户信息和待测用户的肢体的运动数据;通过数据处理模块将用户信息和肢体的运动数据输入至预设运动类型识别模型中,对肢体的运动类型进行识别,得到肢体的运动类型;预设运动类型识别模型包括特征提取网络及运动类型识别网络;通过数据处理模块将肢体的运动类型输出;其中,运动类型包括不同级别的特发性震颤类型和不同级别的帕金森震颤类型。也就是说,本实施例中的运动类型识别系统可以基于用户信息和用户肢体的运动数据,实现对用户肢体的运动类型的自动识别,并且,通过预先训练好的运动类型识别模型对用户信息和用户肢体的运动数据进行特征提取和运动类型识别,从而能够提高对运动类型分类识别的准确性。
在一个实施例中,特征提取网络包括第一类特征提取网络及第二类特征提取网络;第一类特征提取网络包括第一特征提取网络;上述步骤802中通过数据处理模块将用户信息和肢体的运动数据输入至预设运动类型识别模型中,对肢体的运动类型进行识别,得到肢体的运动类型,包括:
通过数据处理模块将用户信息输入至第一特征提取网络进行特征提取,生成用户信息的特征向量;
通过数据处理模块将肢体的运动数据输入至第二类特征提取网络进行特征提取,生成运动数据的特征向量;
通过数据处理模块将用户信息的特征向量及运动数据的特征向量输入至运动类型识别网络进行运动类型识别,生成肢体的运动类型。
在一个实施例中,第二类特征提取网络包括第二特征提取网络及第三特征提取网络;通过数据处理模块将肢体的运动数据输入至第二类特征提取网络进行特征提取,生成运动数据的特征向量,包括:
通过数据处理模块将肢体的运动数据输入至第二特征提取网络进行特征提取,生成运动数据的第一特征向量;
通过数据处理模块将肢体的运动数据输入至第三特征提取网络进行特征提取,生成运动数据的时域特征向量及频域特征向量。
在一个实施例中,第二特征提取网络包括卷积神经网络和双向长短期记忆网络;通过数据处理模块将肢体的运动数据输入至第二特征提取网络进行特征提取,生成运动数据的第一特征向量,包括:
通过数据处理模块将肢体的运动数据输入至卷积神经网络进行卷积处理,生成运动数据的卷积处理结果;
通过数据处理模块将运动数据的卷积处理结果输入至双向长短期记忆网络进行特征提取,生成运动数据的第一特征向量。
在一个实施例中,肢体的运动数据包括手指运动数据、手掌运动数据、手腕运动数据中的至少一种;通过数据处理模块将肢体的运动数据输入至卷积神经网络进行卷积处理,生成运动数据的卷积处理结果,包括:
通过数据处理模块将手指运动数据输入至卷积神经网络进行卷积处理,生成运动数据的第一卷积处理结果;
通过数据处理模块将手掌运动数据输入至卷积神经网络进行卷积处理,生成运动数据的第二卷积处理结果;
通过数据处理模块将手腕运动数据输入至卷积神经网络进行卷积处理,生成运动数据的第三卷积处理结果;
通过数据处理模块将第一卷积处理结果、第二卷积处理结果及第三卷积处理结果输入至双向长短期记忆网络进行特征提取,生成运动数据的第一特征向量。
在一个实施例中,第一特征提取网络包括层次聚类网络;通过数据处理模块将用户信息输入至第一特征提取网络进行特征提取,生成用户信息的特征向量,包括:
通过数据处理模块将用户信息输入至层次聚类网络进行特征提取,生成用户信息的特征向量。
在一个实施例中,运动类型识别网络包括级联神经网络、全连接神经网络和归一化网络;通过数据处理模块将用户信息的特征向量及运动数据的特征向量输入至运动类型识别网络进行运动类型识别,生成肢体的运动类型,包括:
通过数据处理模块将用户信息的特征向量及运动数据的特征向量输入至级联神经网络进行融合处理,得到初始融合特征向量;
通过数据处理模块将初始融合特征向量输入至全连接神经网络进行处理,得到目标融合特征向量;
通过数据处理模块将目标融合特征向量输入至归一化网络进行运动类型识别,生成肢体的运动类型。
在一个实施例中,时域特征向量包括运动数据的时域特征参数,时域特征参数包括运动数据在时域的最大幅值、最小幅值及平均幅值,以及,运动数据在时域的最大幅值及最小幅值之间的差值;
频域特征向量包括运动数据的频域特征参数,频域特征参数包括运动数据在频域的最大幅值和频域的最大幅值对应的目标频率值。
在一个实施例中,用户信息包括性别、年龄、震颤发作持续时间、震颤发作最大频率、震颤用药情况中的至少一种。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的运动类型识别方法的运动类型识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个运动类型识别装置实施例中的具体限定可以参见上文中对于运动类型识别方法的限定,在此不再赘述。
在一个实施例中,如图9所示,提供了一种运动类型识别装置,包括:获取模块、识别模块和输出模块,其中:
获取模块,用于获取待测用户的用户信息和待测用户的肢体的运动数据。
识别模块,用于将用户信息和肢体的运动数据输入至预设运动类型识别模型中,对肢体的运动类型进行识别,得到肢体的运动类型;预设运动类型识别模型包括特征提取网络及运动类型识别网络。
输出模块,用于将肢体的运动类型输出;其中,运动类型包括不同级别的特发性震颤类型和不同级别的帕金森震颤类型。
在一个实施例中,特征提取网络包括第一类特征提取网络及第二类特征提取网络;第一类特征提取网络包括第一特征提取网络;识别模块,用于将用户信息输入至第一特征提取网络进行特征提取,生成用户信息的特征向量;将肢体的运动数据输入至第二类特征提取网络进行特征提取,生成运动数据的特征向量;将用户信息的特征向量及运动数据的特征向量输入至运动类型识别网络进行运动类型识别,生成肢体的运动类型。
在一个实施例中,第二类特征提取网络包括第二特征提取网络及第三特征提取网络;识别模块,用于将肢体的运动数据输入至第二特征提取网络进行特征提取,生成运动数据的第一特征向量;将肢体的运动数据输入至第三特征提取网络进行特征提取,生成运动数据的时域特征向量及频域特征向量。
在一个实施例中,第二特征提取网络包括卷积神经网络和双向长短期记忆网络;识别模块,用于将肢体的运动数据输入至卷积神经网络进行卷积处理,生成运动数据的卷积处理结果;将运动数据的卷积处理结果输入至双向长短期记忆网络进行特征提取,生成运动数据的第一特征向量。
在一个实施例中,肢体的运动数据包括手指运动数据、手掌运动数据、手腕运动数据中的至少一种;识别模块,用于将手指运动数据输入至卷积神经网络进行卷积处理,生成运动数据的第一卷积处理结果;将手掌运动数据输入至卷积神经网络进行卷积处理,生成运动数据的第二卷积处理结果;将手腕运动数据输入至卷积神经网络进行卷积处理,生成运动数据的第三卷积处理结果;将第一卷积处理结果、第二卷积处理结果及第三卷积处理结果输入至双向长短期记忆网络进行特征提取,生成运动数据的第一特征向量。
在一个实施例中,第一特征提取网络包括层次聚类网络;识别模块,用于将用户信息输入至层次聚类网络进行特征提取,生成用户信息的特征向量。
在一个实施例中,运动类型识别网络包括级联神经网络、全连接神经网络和归一化网络;识别模块,用于将用户信息的特征向量及运动数据的特征向量输入至级联神经网络进行融合处理,得到初始融合特征向量;将初始融合特征向量输入至全连接神经网络进行处理,得到目标融合特征向量;将目标融合特征向量输入至归一化网络进行运动类型识别,生成肢体的运动类型。
在一个实施例中,时域特征向量包括运动数据的时域特征参数,时域特征参数包括运动数据在时域的最大幅值、最小幅值及平均幅值,以及,运动数据在时域的最大幅值及最小幅值之间的差值;频域特征向量包括运动数据的频域特征参数,频域特征参数包括运动数据在频域的最大幅值和频域的最大幅值对应的目标频率值。
在一个实施例中,用户信息包括性别、年龄、震颤发作持续时间、震颤发作最大频率、震颤用药情况中的至少一种。
上述运动类型识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储预设运动类型识别模型。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种运动类型识别方法。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各个实施例中的运动类型识别方法的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各个实施例中的运动类型识别方法的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各个实施例中的运动类型识别方法的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (11)
1.一种运动类型识别系统,其特征在于,所述系统包括:数据采集模块和数据处理模块;
所述数据采集模块,用于获取待测用户的用户信息和所述待测用户的肢体的运动数据;
所述数据处理模块,用于将所述用户信息和所述肢体的运动数据输入至预设运动类型识别模型中,对所述肢体的运动类型进行识别,得到所述肢体的运动类型;所述预设运动类型识别模型包括特征提取网络及运动类型识别网络;
所述数据处理模块,还用于将所述肢体的运动类型输出;其中,所述运动类型包括不同级别的特发性震颤类型和不同级别的帕金森震颤类型。
2.根据权利要求1所述的系统,其特征在于,所述特征提取网络包括第一类特征提取网络及第二类特征提取网络;所述第一类特征提取网络包括第一特征提取网络;
所述数据处理模块,用于将所述用户信息输入至所述第一特征提取网络进行特征提取,生成所述用户信息的特征向量;以及,
将所述肢体的运动数据输入至所述第二类特征提取网络进行特征提取,生成所述运动数据的特征向量;
将所述用户信息的特征向量及所述运动数据的特征向量输入至所述运动类型识别网络进行运动类型识别,生成所述肢体的运动类型。
3.根据权利要求2所述的系统,其特征在于,所述第二类特征提取网络包括第二特征提取网络及第三特征提取网络;
所述数据处理模块,用于将所述肢体的运动数据输入至所述第二特征提取网络进行特征提取,生成所述运动数据的第一特征向量;以及,
将所述肢体的运动数据输入至所述第三特征提取网络进行特征提取,生成所述运动数据的时域特征向量及频域特征向量。
4.根据权利要求3所述的系统,其特征在于,所述第二特征提取网络包括卷积神经网络和双向长短期记忆网络;
所述数据处理模块,用于将所述肢体的运动数据输入至所述卷积神经网络进行卷积处理,生成所述运动数据的卷积处理结果;以及,
将所述运动数据的卷积处理结果输入至所述双向长短期记忆网络进行特征提取,生成所述运动数据的第一特征向量。
5.根据权利要求4所述的系统,其特征在于,所述肢体的运动数据包括手指运动数据、手掌运动数据、手腕运动数据中的至少一种;
所述数据处理模块,用于将所述手指运动数据输入至所述卷积神经网络进行卷积处理,生成所述运动数据的第一卷积处理结果;
将所述手掌运动数据输入至所述卷积神经网络进行卷积处理,生成所述运动数据的第二卷积处理结果;
将所述手腕运动数据输入至所述卷积神经网络进行卷积处理,生成所述运动数据的第三卷积处理结果;
所述数据处理模块,用于将所述第一卷积处理结果、所述第二卷积处理结果及所述第三卷积处理结果输入至所述双向长短期记忆网络进行特征提取,生成所述运动数据的第一特征向量。
6.根据权利要求2-5任一项所述的系统,其特征在于,所述第一特征提取网络包括层次聚类网络;
所述数据处理模块,用于将所述用户信息输入至所述层次聚类网络进行特征提取,生成所述用户信息的特征向量。
7.根据权利要求2-5任一项所述的系统,其特征在于,所述运动类型识别网络包括级联神经网络、全连接神经网络和归一化网络;
所述数据处理模块,用于将所述用户信息的特征向量及所述运动数据的特征向量输入至所述级联神经网络进行融合处理,得到初始融合特征向量;
将所述初始融合特征向量输入至所述全连接神经网络进行处理,得到目标融合特征向量;
将目标融合特征向量输入至所述归一化网络进行运动类型识别,生成所述肢体的运动类型。
8.根据权利要求3-5任一项所述的系统,其特征在于,
所述时域特征向量包括所述运动数据的时域特征参数,所述时域特征参数包括所述运动数据在时域的最大幅值、最小幅值及平均幅值,以及,所述运动数据在所述时域的最大幅值及最小幅值之间的差值;
所述频域特征向量包括所述运动数据的频域特征参数,所述频域特征参数包括所述运动数据在频域的最大幅值和所述频域的最大幅值对应的目标频率值。
9.根据权利要求1所述的系统,其特征在于,所述用户信息包括性别、年龄、震颤发作持续时间、震颤发作最大频率、震颤用药情况中的至少一种。
10.一种运动类型识别方法,其特征在于,所述方法包括:
通过数据采集模块获取待测用户的用户信息和所述待测用户的肢体的运动数据;
通过数据处理模块将所述用户信息和所述肢体的运动数据输入至预设运动类型识别模型中,对所述肢体的运动类型进行识别,得到所述肢体的运动类型;所述预设运动类型识别模型包括特征提取网络及运动类型识别网络;
通过所述数据处理模块将所述肢体的运动类型输出;其中,所述运动类型包括不同级别的特发性震颤类型和不同级别的帕金森震颤类型。
11.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求10所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211692909.9A CN115969322A (zh) | 2022-12-28 | 2022-12-28 | 运动类型识别系统、方法和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211692909.9A CN115969322A (zh) | 2022-12-28 | 2022-12-28 | 运动类型识别系统、方法和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115969322A true CN115969322A (zh) | 2023-04-18 |
Family
ID=85959160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211692909.9A Pending CN115969322A (zh) | 2022-12-28 | 2022-12-28 | 运动类型识别系统、方法和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115969322A (zh) |
-
2022
- 2022-12-28 CN CN202211692909.9A patent/CN115969322A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ambekar et al. | Disease risk prediction by using convolutional neural network | |
Qin et al. | A machine learning methodology for diagnosing chronic kidney disease | |
US20200237246A1 (en) | Automatic recognition and classification method for electrocardiogram heartbeat based on artificial intelligence | |
Sun et al. | Diagnosis and analysis of diabetic retinopathy based on electronic health records | |
KR20170061222A (ko) | 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치 | |
WO2020224433A1 (zh) | 基于机器学习的目标对象属性预测方法及相关设备 | |
CN104636580A (zh) | 一种基于人脸的健康监控手机 | |
Viswanath et al. | SpiroConfidence: determining the validity of smartphone based spirometry using machine learning | |
CN111274998A (zh) | 帕金森病手指敲击动作识别方法及系统、存储介质及终端 | |
Fernando et al. | Robust and interpretable temporal convolution network for event detection in lung sound recordings | |
Chen et al. | Edge2Analysis: a novel AIoT platform for atrial fibrillation recognition and detection | |
US20240038383A1 (en) | Health Monitoring System | |
CN111291131A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN112562852A (zh) | 基于肢体动作的颈椎病筛查装置 | |
Baidya et al. | A deep prediction of chronic kidney disease by employing machine learning method | |
Kumar et al. | Stroke disease prediction based on ECG signals using deep learning techniques | |
CN110993096B (zh) | 一种脓毒血症的预警装置、设备及存储介质 | |
WO2023097780A1 (zh) | 机械通气过程中人机异步现象的分类方法和分类装置 | |
Nag et al. | A simple acute myocardial infarction (Heart Attack) prediction system using clinical data and data mining techniques | |
Silva et al. | Automated development of custom fall detectors: Position, model and rate impact in performance | |
CN107970027A (zh) | 一种桡动脉检测与人体体质识别系统和方法 | |
CN108962379B (zh) | 一种脑神经系统疾病的手机辅助检测系统 | |
CN112957018A (zh) | 基于人工智能的心脏状态检测方法和装置 | |
Tallapragada et al. | Improved atrial fibrillation detection using CNN-LSTM | |
CN115969322A (zh) | 运动类型识别系统、方法和计算机设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |