CN116115193A - 一种融合传感器阵列与tcn的布氏分期评级预测方法 - Google Patents

一种融合传感器阵列与tcn的布氏分期评级预测方法 Download PDF

Info

Publication number
CN116115193A
CN116115193A CN202310054067.2A CN202310054067A CN116115193A CN 116115193 A CN116115193 A CN 116115193A CN 202310054067 A CN202310054067 A CN 202310054067A CN 116115193 A CN116115193 A CN 116115193A
Authority
CN
China
Prior art keywords
tcn
time sequence
brinell
stage
sequence data
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
Application number
CN202310054067.2A
Other languages
English (en)
Inventor
太惠玲
李�昊
袁震
吴援明
梁峻阁
郭昱
蒋亚东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202310054067.2A priority Critical patent/CN116115193A/zh
Publication of CN116115193A publication Critical patent/CN116115193A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4842—Monitoring progression or stage of a disease
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6813—Specially adapted to be attached to a specific body part
    • A61B5/6825—Hand
    • A61B5/6826—Finger
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Fuzzy Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Dentistry (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明属于人工智能辅助诊疗领域，具体提供一种融合传感器阵列与TCN的布氏分期评级预测方法，用以结合可穿戴柔性传感器的手指屈曲任务测试数据对患者的布氏分期评级进行有效预测。本发明创造性的提出将TCN网络对手部运动时序数据进行特征提取并完成分类预测，得到基于TCN的布氏分期评级预测模型；TCN的因果卷积对时序特征提取保证了信息的完整性，同时能支持灵活的输入长度，残差模块和膨胀卷积也使得TCN对于深度网络也具有非常长的有效历史大小，能够很好的符合手部运动时序数据特征提取的需要，并且有效减少网络计算量和分类时间。综上，本发明能够对患者的布氏分期评级进行有效预测，具有与柔性应变传感器集成电路、产品化推广的潜力。

Description

一种融合传感器阵列与TCN的布氏分期评级预测方法
技术领域
本发明属于人工智能辅助诊疗领域，具体提供一种融合传感器阵列与TCN的布氏分期评级预测方法。
背景技术
布氏分期评级是广为认可的脑卒中评估诊断和康复评估方法，也是后续脑卒中评估诊断和康复评估方法的主要来源和基础，它主要按照手、腕和前臂三个维度的生理活动特征将脑卒中的评级分为了从健康到严重的总共六级，需要医生观测患者的主动和被动运动情况，最后根据量表标准做出诊断。在可穿戴柔性电子设备和人工智能算法的帮助下，用柔性传感器测试人体生理活动信号数据并结合深度学习算法执行对数据的处理和诊断成为可能；一方面将复杂的布氏分期评级诊断过程由传感器和算法完成，辅助医生的诊断工作，特别是对于住院病人的高频次康复评定，能够提高诊疗的效率和管理效率；另一方面，智能诊疗产品非常适合家用化，对于患者和患者家属也能够大幅的节约时间和精力。
根据布氏分期评级指出的手部运动生理信号特点，利用分布在手套上的柔性应变传感器能够采集到布氏分期关注的手部屈曲运动信号的信息，具体为反馈手指弯曲时传感器电阻值的大小变化，对于不同布氏分期等级的运动信号，等级由高到低的变化主要体现在电阻值变化速度变缓、变化最大的幅度变小、以及可能出现的痉挛等异常现象；因此，善于捕捉时序信息特征的机器学习方法能够在这些生理信号特征分类任务中发挥出优秀的性能。近年来，对于时序数据的深度学习算法的研究主要集中在卷积网络和递归网络两种方法上，这些方法广泛的应用在文本分类、语音识别和机器翻译等领域中；其中，最常用方法是RNN、LSTM，这两种算法擅长建模时间序列数据，并具有灵活的输入长度，但是也存在难以在多方面进行训练、训练时间长、易受梯度减小和爆炸影响的缺点。
发明内容
本发明的目的在于针对脑卒中疾病的智能诊断领域前景，提供一种融合传感器阵列与TCN的布氏分期评级预测方法，用以结合可穿戴柔性传感器的手指屈曲任务测试数据对患者的布氏分期评级进行有效预测。
为实现上述目的，本发明采用的技术方案为：
一种融合传感器阵列与TCN的布氏分期评级预测方法，其特征在于，包括以下步骤：
步骤1.将布氏分期等级中第1～3级标记为第1类、第4级标记为第2类、第5级标记为第3类、第6级标记为第4类，通过测试得到各个布氏分期等级下的手部屈曲运动任务的手部屈曲运动时序数据，并对每个手部屈曲运动时序数据标记类别标签，得到测试数据集；其中，对每一类布氏分期等级设置相同数量的测试数据；
步骤2.对手部屈曲运动时序数据进行预处理：首先，对所有手部屈曲运动时序数据采用低通滤波器进行去噪，并进行归一化处理；然后，对所有手部屈曲运动时序数据采用进行长度补偿，使得每个手部屈曲运动时序数据的长度一致；最后，对所有手部屈曲运动时序数据进行信号时域对齐；
步骤3.对每个类别标签进行转码，得到训练数据集，每个训练样本包括手部屈曲运动时序数据及其对应的类别标签；
步骤4.构建基于TCN的布氏分期等级预测模型，包括时间卷积网络层和Softmax层，并基于训练数据集对布氏分期等级预测模型完成训练；
步骤5.采用步骤1的相同测试采集得到待评估的手部屈曲运动时序数据，并对待评估的手部屈曲运动时序数据进行步骤2的预处理，将预处理后待评估的手部屈曲运动时序数据输入完成训练的布氏分期等级预测模型，由布氏分期等级预测模型输出布氏分期等级的预测类型。
进一步的，步骤1中，所述测试数据由柔性应变传感器阵列获得，柔性应变传感器阵列包括分布在五个手指近指间关节上的柔性应变传感单元。柔性应变传感单元主要由柔性基底和防水型封装一体的乳胶中空管与生长在其内壁的碳纳米材料敏感薄膜组成，尺寸长度为5cm，内径2mm，外径3～4mm，从两端管口引出铜线作为电极。
进一步的，步骤1中，所述手部屈曲运动任务为五个手指同时屈曲；所述手部屈曲运动时序数据对应为五通道信号，依次为拇指、示指、中指、环指和小指通道。
进一步的，步骤2中，所述长度补偿的方式为：将每个手部屈曲运动时序数据补偿至5×N×M，N为手部屈曲运动任务的任务时长，M为每秒的采样数。
进一步的，步骤2中，所述时域信号对齐的方法为：对所有样本数据采用DTW算法(动态时间规整)，使所有手部屈曲运动时序数据向同一时间域对齐。
进一步的，步骤3中，所述转码的方法为one-hot编码。
进一步的，步骤4中，所述时间卷积网络层包括3个卷积核，卷积核大小为10，卷积核采用Sigmoid激活函数，膨胀系数设置为(1,2,4)。
基于上述技术方案，本发明的有益效果在于：
本发明提供一种融合传感器阵列与TCN的布氏分期评级预测方法，创造性的提出将TCN网络对手部运动时序数据进行特征提取并完成分类预测，得到基于TCN的布氏分期评级预测模型；TCN网络主要由一维卷积网络、膨胀卷积和因果卷积组成，并引入了残差模块；TCN的因果卷积对时序特征提取保证了信息的完整性，同时能支持灵活的输入长度，除此之外，残差模块和膨胀卷积也使得TCN对于深度网络也具有非常长的有效历史大小，能够很好的符合手部运动时序数据(运动信号)特征提取的需要；并且，采用TCN网络对手部运动时序数据进行特征提取能够有效减少网络计算量和分类时间。
综上，本发明能够结合可穿戴柔性传感器的手指屈曲任务测试数据，对患者的布氏分期评级进行有效预测，具有与柔性应变传感器集成电路、产品化推广的潜力。
附图说明
图1为本发明中基于TCN的布氏分期评级预测方法的流程框图。
图2为本发明实施例中柔性应变传感单元的器件结构示意图。
图3为本发明实施例中各个布氏分期评级下的手部屈曲运动时序数据示例图。
图4为本发明实施例中布氏分期等级预测模型的结构示意图。
图5为本发明实施例中布氏分期等级预测模型在测试集中预测结果的混淆矩阵。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图与实施例对本发明做进一步详细说明；应当理解，此处所描述的实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
实施例1
本实施例提供一种融合传感器阵列与TCN的布氏分期评级预测方法，其流程如图1所示，具体包括以下步骤：
步骤1.将布氏分期等级中第1～3级标记为第1类、第4级标记为第2类、第5级标记为第3类、第6级标记为第4类，通过测试各个布氏分期等级下的手部屈曲运动任务下手指关节分布的应变传感器的电阻值，得到一共800组手部屈曲运动时序数据(样本数据)，并对每一组手部屈曲运动时序数据标记类别标签(样本标签)，其中，每一类各200组样本数据；
具体而言，所述测试数据由柔性应变传感器阵列获得，柔性应变传感器阵列包括分布在五个手指近指间关节上的柔性应变传感单元；柔性应变传感单元主要由柔性基底和防水型封装一体的乳胶中空管与生长在其内壁的碳纳米材料敏感薄膜组成，尺寸长度为5cm，内径2mm，外径3～4mm，从两端管口引出铜线作为电极；柔性应变传感器单元结构如图2所示。
具体而言，布氏分期等级中：6级为健康手指进行屈曲任务的响应曲线，5级的运动速度和幅度会受到更多限制，4级时仅有拇指能正常屈曲且起始处于高阻值状态、其他手指无法屈曲，1～3级中手部基本无法活动、尽可能出现痉挛导致的噪声；因此，本发明将布氏分期等级中分为上述4类；本实施例中测得各个布氏分期等级下的手部屈曲运动时序数据(五通道信号曲线)示例图如图3所示，从上至下的五条曲线分别代表拇指、示指、中指、环指和小指上传感器的电阻变化，所述手部屈曲运动任务为五个手指同时屈曲，其任务时长在10s内；
步骤2.对样本数据进行预处理：首先，对所有样本数据采用低通滤波器进行去噪，并进行归一化处理；然后，对所有样本数据采用进行长度补偿，使得每个样本数据的样本长度一致；最后，对所有样本数据进行信号时域对齐；
具体而言，所述归一化处理采用最大值最小值归一化；
所述长度补偿为，由于任务时长在10s内，而传感器数据收集电路的采样间隔为0.1s，故每个通道信号的大小为10×10，则手部屈曲运动时序数据(五通道信号曲线)为5×100；通过所述长度补偿使得样本数据的样本长度一致；
所述时间对齐的过程为：对所有样本数据采用DTW算法(动态时间规整)，使所有样本数据向同一时间域对齐；
步骤3.对每个样本标签进行转码，得到样本数据集，每个样本包括样本数据及其对应样本标签；
具体而言，所述转码的方法为one-hot编码，即对于4种类别标签(样本标签)1/2/3/4，若该样本标签为第1类，则样本标签转码为[0,1,0,0]；本实施例中，将样本数据集划分为训练集和测试集，划分比例为0.2；
步骤4.构建融合传感器阵列与TCN的布氏分期等级预测模型，包括时间卷积网络层和Softmax层，模型结构如图4所示，基于训练集对布氏分期等级预测模型完成训练，采用稀疏交叉熵函数作为损失函数，Batch大小设置为10，Epoch设置为6000，采用Adam优化器。
具体而言，本实施例的布氏分期等级预测模型中，由于整体数据量小，数据长度小的特点，复杂的网络模型会引起过拟合现象，选取的卷积核个数、卷积核大小和膨胀系数需要在保证特征提取的情况下尽可能小。通过训练模型对超参数进行确定，最终的时间卷积网络层3个卷积核，卷积核大小为10，卷积核采用Sigmoid激活函数，膨胀系数设置为(1,2,4)。
步骤5.采用测试集对训练完成的布氏分期等级预测模型进行测试；
具体而言，本实施例中布氏分期等级预测模型在测试集的准确率达到98.8％，测试集预测结果的混淆矩阵如图5所示，由图可见，本实施例中融合传感器阵列与TCN的布氏分期评级预测方法具有良好的预测效果。
以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。

Claims (7)

1.一种融合传感器阵列与TCN的布氏分期评级预测方法，其特征在于，包括以下步骤：
步骤1.将布氏分期等级中第1～3级标记为第1类、第4级标记为第2类、第5级标记为第3类、第6级标记为第4类，通过测试得到各个布氏分期等级下的手部屈曲运动任务的手部屈曲运动时序数据，并对每个手部屈曲运动时序数据标记类别标签，得到测试数据集；其中，对每一类布氏分期等级设置相同数量的测试数据；
步骤2.对手部屈曲运动时序数据进行预处理：首先，对所有手部屈曲运动时序数据采用低通滤波器进行去噪，并进行归一化处理；然后，对所有手部屈曲运动时序数据采用进行长度补偿，使得每个手部屈曲运动时序数据的长度一致；最后，对所有手部屈曲运动时序信号进行时域对齐；
步骤3.对每个类别标签进行转码，得到训练数据集，每个训练样本包括手部屈曲运动时序数据及其对应的类别标签；
步骤4.构建及训练基于TCN的布氏分期等级预测模型，包括时间卷积网络层和Softmax层，并基于训练数据集对布氏分期等级预测模型完成训练；
步骤5.采用步骤1的相同测试采集得到待评估的手部屈曲运动时序数据，并对待评估的手部屈曲运动时序数据进行步骤2的预处理，将预处理后待评估的手部屈曲运动时序数据输入完成训练的布氏分期等级预测模型，由布氏分期等级预测模型输出布氏分期等级的预测类型。
2.按权利要求1所述基于融合传感器阵列与TCN的布氏分期评级预测方法，其特征在于，步骤1中，所述测试数据由柔性应变传感器阵列获得，柔性应变传感器阵列包括分布在五个手指近指间关节上的柔性应变传感单元。柔性应变传感单元主要由柔性基底和防水型封装一体的乳胶中空管与生长在其内壁的碳纳米材料敏感薄膜组成，尺寸长度为5cm，内径2mm，外径3～4mm，从两端管口引出铜线作为电极。
3.按权利要求1所述基于融合传感器阵列与TCN的布氏分期评级预测方法，其特征在于，步骤1中，所述手部屈曲运动任务为五个手指同时屈曲；所述手部屈曲运动时序数据对应为五通道信号，依次为拇指、示指、中指、环指和小指通道。
4.按权利要求1所述基于融合传感器阵列与TCN的布氏分期评级预测方法，其特征在于，步骤2中，所述长度补偿的方式为：将每个手部屈曲运动时序数据补偿至5×N×M，N为手部屈曲运动任务的任务时长，M为每秒的采样数。
5.按权利要求1所述基于融合传感器阵列与TCN的布氏分期评级预测方法，其特征在于，步骤2中，所述时域信号对齐的方法为：对所有样本数据采用DTW算法(动态时间规整)，使所有手部屈曲运动时序数据向同一时间段对齐。
6.按权利要求1所述基于融合传感器阵列与TCN的布氏分期评级预测方法，其特征在于，步骤3中，所述转码的方法为one-hot编码。
7.按权利要求1所述基于融合传感器阵列与TCN的布氏分期评级预测方法，其特征在于，步骤4中，所述时间卷积网络层包括3个卷积核，卷积核大小为10，卷积核采用Sigmoid激活函数，膨胀系数设置为(1,2,4)。
CN202310054067.2A 2023-02-03 2023-02-03 一种融合传感器阵列与tcn的布氏分期评级预测方法 Pending CN116115193A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310054067.2A CN116115193A (zh) 2023-02-03 2023-02-03 一种融合传感器阵列与tcn的布氏分期评级预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310054067.2A CN116115193A (zh) 2023-02-03 2023-02-03 一种融合传感器阵列与tcn的布氏分期评级预测方法

Publications (1)

Publication Number Publication Date
CN116115193A true CN116115193A (zh) 2023-05-16

Family

ID=86311341

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310054067.2A Pending CN116115193A (zh) 2023-02-03 2023-02-03 一种融合传感器阵列与tcn的布氏分期评级预测方法

Country Status (1)

Country Link
CN (1) CN116115193A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116434908A (zh) * 2023-06-14 2023-07-14 中国科学院自动化研究所 基于时间卷积网络的运动迟缓量化分级评估方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116434908A (zh) * 2023-06-14 2023-07-14 中国科学院自动化研究所 基于时间卷积网络的运动迟缓量化分级评估方法及装置

Similar Documents

Publication Publication Date Title
CN107180155A (zh) 一种基于异构集成模型的疾病预测方法及系统
CN110619322A (zh) 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统
Jun et al. Pathological gait classification using Kinect v2 and gated recurrent neural networks
CN109919245A (zh) 深度学习模型训练方法及装置、训练设备及存储介质
CN116115193A (zh) 一种融合传感器阵列与tcn的布氏分期评级预测方法
CN109119156A (zh) 一种基于bp神经网络的医疗诊断系统
CN110414366A (zh) 一种基于动态信号的压阻阵列及压力分布匹配方法
CN117153393A (zh) 一种基于多模态融合的心血管疾病风险预测方法
Kumar et al. A critical review on hand gesture recognition using semg: Challenges, application, process and techniques
CN110710984B (zh) 基于表面肌电信号的递归小脑模型的足踝力矩预测方法
Peng et al. Artificial neural network application to the stroke prediction
Peng et al. Heart disease prediction using artificial neural networks: a survey
Putri et al. Human walking gait classification utilizing an artificial neural network for the ergonomics study of lower limb prosthetics
CN112784812B (zh) 一种深蹲动作识别方法
CN112957052B (zh) 一种基于nlf-cnn导联融合深度网络的多导联心电信号分类方法
Huang et al. Interference signal identification of sensor array based on convolutional neural network and FPGA implementation
CN113796873A (zh) 穿戴式动态心电信号分类方法及系统
CN112990270A (zh) 一种传统特征与深度特征的自动融合方法
CN115147768B (zh) 一种跌倒风险评估方法及系统
CN115394448B (zh) 冠心病运动反应性预测模型的建模方法、模型、设备
Manimegalai et al. Spruce fitness observation method using iot and machine learning
Xie et al. A channel-fused gated temporal convolutional network for EMG-based gesture recognition
CN115859221A (zh) 一种基于多位置传感器的人体活动识别方法
Ravaji et al. CSChO-deep MaxNet: Cat swam chimp optimization integrated deep maxout network for heart disease detection
CN115067934A (zh) 一种基于机器智能的手部运动功能分析系统

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