[發明專利]一種基于深度學習的腦卒中上肢運動功能自動評定方法

在審

• 申請號: 201910074666.4
• 申請日: 2019-01-25
• 公開（公告）號: CN109875565A
• 公開（公告）日: 2019-06-14
• 發明（設計）人: 李巧勤;劉朗;陳智;楊尚明;劉勇國
• 申請（專利權）人: 電子科技大學
• 主分類號: A61B5/11
• 分類號: A61B5/11;A61B5/0488
• 代理公司: 北京眾合誠成知識產權代理有限公司 11246
• 代理人: 苗艷榮

1.一種基于深度學習的腦卒中上肢運動功能自動評定方法，其特征在于，包括以下步驟：

S1.基于穿戴式傳感器系統采集患者上肢運動過程的慣性傳感數據和肌電數據；

S2.對采集的數據進行長度歸一化和數值歸一化預處理；

S3.將慣性傳感數據和肌電數據分別輸入到兩個卷積神經網絡進行特征提取，對所有特征進行融合，生成基于Brunnstrom量表的運動功能等級，然后基于反向傳播算法對模型參數進行迭代，訓練深度學習網絡模型；

S4.對需要進行上肢運動功能評定的患者，對其進行與S1、S2步驟相同的數據采集、預處理，并輸入到訓練好的深度學習模型，自動生成患者上肢運動功能Brunnstrom分期評定結果。

2.根據權利要求1所述的評定方法，其特征在于，所述步驟S1基于穿戴式傳感器系統采集患者上肢運動過程的慣性傳感數據和肌電數據具體為：

S11.設計采集上肢運動功能數據的可穿戴傳感系統，由2個慣性測量單元(IMU)和7通道表面肌電圖(sEMG)傳感器兩部分組成；慣性測量單元用于測量肢體運動過程的三軸加速度、角速度及磁力計數據，通過藍牙與PC實現無線實時傳輸，采樣頻率20Hz；sEMG采集運動過程骨骼肌群電信號活動，采樣頻率3KHz；

S12.傳感器佩帶位置設計：

兩個慣性測量單元分別綁定在患側大臂中部和前臂中部，慣性測量單元X軸垂直于人體冠狀面向里，Y軸垂直于橫斷面向下，Z軸垂直于矢狀面向里；7通道表面肌電電極分別置于肱橈肌、肱三頭肌、肱二頭肌、三角肌中組、三角肌前組、胸大肌、斜方肌共7處；

S13.患者以患側上肢執行摸對側肩動作，傳感器采集運動過程的加速度和肌電數據，并通過藍牙傳送到PC。

3.根據權利要求1所述的評定方法，其特征在于，所述步驟S2中的對采集的數據進行長度歸一化和數值歸一化預處理具體為：

S21.信號長度歸一化：由于不同患者執行摸肩動作快慢不一樣，導致采集的傳感器信號長度不同，需要將所有樣本序列長度統一；采用線性插值的方法將所有IMU信號長度歸一化為所有樣本長度的最大值L_imu；采用同樣的方法將所有sEMG信號長度歸一化為樣本最大值L_emg；

S22.消除綁定位置差異性，假設IMU信號為X＝{x_a，x_g，x_m}，其中x_a，x_g，x_m分別為加速度、角速度、磁力計信號，通過下式消除患者身高、傳感器綁定位置不同給信號帶來的差異：

其中l表示該IMU綁定位置與肩關節的距離，單位：m；X′即為處理后的信號；

S23.信號數值歸一化，提升收斂速度和精度，將數據映射到0～1范圍，采用線性函數歸一化方法，轉換函數如下：

其中max為樣本數據的最大值，min為樣本數據的最小值；x是原始的傳感器信號數據，x^*是歸一化后的結果。

4.根據權利要求1所述的評定方法，其特征在于，所述步驟S3中的將慣性傳感數據和肌電數據分別輸入到兩個卷積神經網絡進行特征提取，對所有特征進行融合，生成基于Brunnstrom量表的運動功能等級，然后基于反向傳播算法對模型參數進行迭代，訓練深度學習網絡模型；具體為：

S31.輸入數據，采集N位不同程度運動障礙的腦卒中患者執行上肢評定動作過程的數據作為訓練樣本，樣本集記為T＝{(x_imu，x_emg，y)¹，......，(x_imu，x_emg，y)^N}，其中x_imu與x_emg分別表示患者的IMU傳感器信號和表面肌電信號矩陣化表示，y表示該患者由專業評定師給出的Brunnstrom分期結果，即人工量表評定結果，y∈{I，II，III，IV，V，VI}，即分類類別數C＝6；

S32.卷積和池化：

經預處理后的一個信號序列TS表示為x＝{x₁，x₂，...，x_L}，L∈{L_imu，L_emg}，其中x_t是時間戳t處的值，x_t對于IMU信號和sEMG信號分別表示18維向量和7維向量；卷積層將信號中的特征數據進行深度提取，用雙曲正切函數tanh作為卷積層的激活函數，以獲得非線性映射，第k層卷積運算公式如下：

其中，為k-1層的第i個池化結果，第一次卷積時，即為預處理后的信號序列；M^k-1為第k-1層卷積核個數，為k層第j個卷積核，b為相應的偏置；每層卷積有多個卷積核用于提取時間序列的不同特征；

最大池化操作將池化區域內的最大值作為其輸出，因此，在步長為s_MP的非重疊區間上進行一次最大池化，輸出長度減少了一個s_MP因子；在l層的卷積-池化后，特征向量在CNN模塊的輸出長度大約L′≈L/s_MP^l；

S33.特征融合：

經過2次交替進行卷積和池化之后，兩種信號序列經過兩個CNN提取的抽象特征分別向量化表示為F_imu/emg＝{f₁，f₂，…，f_L′},L′∈{L′_imu，L′_emg}；每個特征向量都是原始TS的更高級別摘要，在時間軸上的長度更短，將兩個特征向量級聯形成新的融合特征作為全連接層輸入；

S34.全連接層：

卷積和池化已對IMU或sEMG信號序列中的信息進行抽象化提取和表示，利用全連接層對兩種信號間信息進行融合并實現分類；包含一個融合特征接收層、中間隱藏層和輸出層，輸出層神經元數量等于分類類別數C；

S35.Softmax層：

Softmax是一個額外的數據處理層，將全連接層輸出的分類結果變成一個概率分布；全連接層神經元個數等于分類類別數，對應輸出為o₁，o₂，…，o_c，經過Softmax處理之后的輸出為：

輸出最終的結果o′_i表示該輸入信號對應的Brunnstrom等級為i的概率；

S36.代價函數：

分類結果交叉熵用來計算分類誤差，用于批量隨機梯度下降進行反向傳播權重訓練，則代價函數寫為：

其中y表示序列n真實所屬類別，O_y(n)表示模型在真實所屬類別上的概率輸出；Batch為批量隨機梯度下降中選擇的批量樣本數；

S37.反向傳播迭代訓練：

基于步驟S36得到的模型輸出與實際輸出的誤差值，使用批量梯度下降的誤差反向傳播算法實現對網絡中的參數進行迭代，經過2000次迭代之后，完成模型參數訓練，對網絡結構和參數進行保存。