[發明專利]一種運動功能數據處理方法及系統

有效

• 申請號: 202010537531.X
• 申請日: 2020-06-12
• 公開（公告）號: CN111724897B
• 公開（公告）日: 2022-07-01
• 發明（設計）人: 楊尚明;曹晨;劉勇國;李巧勤
• 申請（專利權）人: 電子科技大學
• 主分類號: G16H50/20
• 分類號: G16H50/20;G16H10/60;G06N3/04;G06N3/08
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 張超

1.一種運動功能數據處理方法，其特征在于，包括：

S1：采集電子病歷系統中運動功能和中風偏癱的初次評估結果和末次評定結果，對所述初次評估結果和末次評定結果進行缺失數據刪除和數據統一預處理操作，得到預處理結果數據集；

S2：將所述預處理結果數據集進行順序拼接得到一維向量；

S3：將所述一維向量輸入LSTM模型得到預測的末次評定結果，將所述預測的末次評定結果與采集的末次評定結果產生的誤差進行反向傳播訓練所述LSTM模型的網絡參數，得到預測模型；

所述S3包括：

S31：構建LSTM模型：

h_t＝o_t⊙tanh(c_t)

其中，h_t表示隱藏層狀態輸出，o_t表示LSTM模型第t時刻輸出門，⊙表示同或運算符，tanh為雙曲正切函數激活函數，c_t表示當前時刻細胞狀態；

S32：計算損失函數：

其中，θ表示損失函數的參數，k表示采用的評估量表數，o_i表示LSTM模型中網絡最終時間步輸出的第i個值，即模型預測患者第i個量表的得分，y_i表示患者出院前第i個量表的真實評估得分；

S33：利用梯度下降算法進行誤差的反向傳播，反向求得LSTM模型網絡中所有權重、偏置參數大小后進行迭代訓練，所述LSTM模型參數更新方法：

其中，H^-1為損失函數的黑塞矩陣逆矩陣，δ為學習速率，為參數的梯度，θ_old為未更新前參數大小，θ為本次參數更新后參數大小；

S4：將新采集的初次評估結果通過S1進行預處理并通過S2生成一維向量后輸入預測模型，得到預測的末次評定結果。

2.根據權利要求1所述的一種運動功能數據處理方法，其特征在于，所述S1包括：

S11：采用正則表達式對所述初次評估結果和末次評定結果進行采集得到結果數據集，存儲所述結果數據集且將同一個電子病歷的初次評估結果和末次評定結果根據相同量表評定結果順序存儲；

S12：將所述結果數據集中缺失所述初次評估結果或末次評定結果的數據進行刪除，得到完整結果數據集；

S13：對所述完整結果數據集進行數據統一操作，將包括Fugl-Meyer下肢運動功能、Fugl-Meyer上肢運動功能、Fugl-Meyer平衡功能、Barthel指數、中風和偏癱評估得分的患者評估結果，作為預處理結果數據集。

3.根據權利要求1所述的一種運動功能數據處理方法，其特征在于，所述S33中權重參數的更新：

其中，J(θ)表示損失函數，w表示權重參數。

4.根據權利要求1所述的一種運動功能數據處理方法，其特征在于，所述S31中LSTM模型的遺忘門計算公式：

f_t＝σ(W_xfx_t+W_hfh_t-1+W_cfc_t-1+b_f)

其中，f_t表示第t個時刻遺忘門，x_t表示t時刻的當前輸入，h_t-1表示上一時刻的隱藏層輸出，c_t-1表示上一時刻的細胞狀態，σ表示sigmod函數，W_xf、W_hf、W_cf分別表示輸入層、隱藏層和細胞狀態與遺忘門之間的權重參數，b_f表示遺忘門偏置。