CN111772669A - 基于自适应长短时记忆网络的肘关节收缩肌力估计方法 - Google Patents

基于自适应长短时记忆网络的肘关节收缩肌力估计方法 Download PDF

Info

Publication number
CN111772669A
CN111772669A CN202010830177.XA CN202010830177A CN111772669A CN 111772669 A CN111772669 A CN 111772669A CN 202010830177 A CN202010830177 A CN 202010830177A CN 111772669 A CN111772669 A CN 111772669A
Authority
CN
China
Prior art keywords
muscle
sequence
sound signal
subsequence
time
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.)
Granted
Application number
CN202010830177.XA
Other languages
English (en)
Other versions
CN111772669B (zh
Inventor
高理富
陆伟
李泽彬
余田田
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.)
Hefei Institutes of Physical Science of CAS
Original Assignee
Hefei Institutes of Physical Science of CAS
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 Hefei Institutes of Physical Science of CAS filed Critical Hefei Institutes of Physical Science of CAS
Priority to CN202010830177.XA priority Critical patent/CN111772669B/zh
Publication of CN111772669A publication Critical patent/CN111772669A/zh
Application granted granted Critical
Publication of CN111772669B publication Critical patent/CN111772669B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B7/00—Instruments for auscultation
    • A61B7/02—Stethoscopes
    • A61B7/04—Electric stethoscopes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B7/00—Instruments for auscultation
    • A61B7/006—Detecting skeletal, cartilage or muscle noise
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Acoustics & Sound (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Rheumatology (AREA)
  • Quality & Reliability (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及基于自适应长短时记忆网络的肘关节收缩肌力估计方法，包括：获取肘关节原始肌音信号；得到肌音信号非线性序列和肌音信号非平稳序列；组成肌音信号非线性子序列集；计算各肌音信号非线性子序列的平均绝对值和均方根，组成平均绝对值特征序列和均方根特征序列；构建长短时记忆网络模型并训练；将测试集输入至训练完成的长短时记忆网络模型以完成肘关节肌力估计，并对估计结果的准确性进行对比。本发明通过对肘关节肌肉的肌音信号作为研究对象，有效解决了肌电信号、脑电信号等其他生物信号存在的抗扰性低、采集过程复杂、易损伤等缺点，相较于传统信号去噪算法具有计算简单，效果好等优点。

Description

基于自适应长短时记忆网络的肘关节收缩肌力估计方法
技术领域
本发明涉及人体生物信号处理、特征提取及肌力估计技术领域，尤其是一种基于自适应长短时记忆网络的肘关节收缩肌力估计方法。
背景技术
骨骼肌带动人体关节进行运动是实现神经***与外界进行交互的主要方式，当肌肉出现退化或者意外损伤，会直接对肢体的运动机能产生负面影响。因此，及时准确地对肘关节肌力实现估计，可以作为多种康复控制设备的输入信号，对于防止肌肉退化、提升运动机能等方面具有十分重要的意义。肌力估计在人类神经肌肉领域、康复发展以及假肢控制等领域同样具有重要的研究基础。
肌力的估计一直以来都是现代生物医学领域存在的难题之一，虽然目前国外已有专家学者研究出可通过直接嵌入肌肉本体内的传感器来测量肌力的大小，研究表明，通过该种方法测量到的肌力对人体存在巨大损伤，并且造价成本较高，仅可用于临床医学。近年来，随着生物传感器技术的快速发展，通过基于人体生物电信号的方法来实现肌力估计越来越受到同行专家的青睐，通过构建生物信号特征与肌力的映射关系，从而实现肌力的测量与估计。为此，大多数研究学者选择生物电信号作为研究对象对肌力大小进行研究。
目前国内外专家学者采用生物电信号的肌力估计算法主要存在实时性低、准确性差、时间复杂度高、泛化性能低等缺陷。如何避免以上算法存在的问题，提高肌力估计算法的性能，是目前肌力估计领域乃至人体康复工程领域急需解决的技术问题。
发明内容
本发明的目的在于提供一种精度高、复杂度低、实时性好、无损伤的基于自适应长短时记忆网络的肘关节收缩肌力估计方法。
为实现上述目的，本发明采用了以下技术方案：一种基于自适应长短时记忆网络的肘关节收缩肌力估计方法，该方法包括下列顺序的步骤：
(1)获取肘关节原始肌音信号：通过肌音信号传感器采集第1时刻到第L时刻的人体肘关节肌肉的原始肌音信号，记为R(L)＝{R1，R2，...，RL}，其中5000≤L≤10000；
(2)对原始肌音信号进行解耦预处理，得到肌音信号非线性序列和肌音信号非平稳序列；
(3)根据肌音信号非线性序列中稳态时间长短，通过自适应滑动窗口算法对肌音信号非线性序列进行切分，组成肌音信号非线性子序列集；
(4)对肌音信号非线性子序列集进行特征提取，计算各肌音信号非线性子序列的平均绝对值和均方根，组成平均绝对值特征序列和均方根特征序列，分别记为：
LRMAV(X)＝{LRMAV(T1)，LRMAV(T2)，...，LRMAV(Tm)}
LRRMS(X)＝{LRRMS(T1)，LRRMS(T2)，...，LRRMS(Tm)}；
(5)构建长短时记忆网络模型，分别将平均绝对值特征序列LRMAV(X)和均方根特征序列LRRMS(X)的前3/5组数据作为训练集输入至长短时记忆网络网络模型进行训练；
(6)将剩余的2/5组平均绝对值特征序列LRMAV(X)和均方根特征序列LRRMS(X)数据作为测试集输入至训练完成的长短时记忆网络模型以完成肘关节肌力估计，并对估计结果的准确性进行对比。
所述步骤(2)具体包括以下步骤：
(2a)采用滑动平均值滤波算法对肘关节原始肌音信号进行解耦去噪处理，得到肌音信号非线性序列和肌音信号非平稳序列，滑动平均值滤波计算方法的计算公式如下：
Figure BDA0002637655440000021
Figure BDA0002637655440000022
其中，R1表示原始肌音信号第1时刻的值；R2表示原始肌音信号第2时刻的值；Rτ表示原始肌音信号第τ时刻的值；LRi表示肌音信号非线性序列第i时刻的值；NRi表示肌音信号非平稳序列第i时刻的值；
(2b)通过滑动平均值滤波算法处理后所得到的长度均为L的肌音信号非线性序列和肌音信号非平稳序列，分别记为：
LR(L)＝{LR1，LR2，...，LRL}
NR(L)＝{NR1，NR2，...，NRL}
其中，LR(L)表示肌音信号非线性序列；LR1表示肌音信号非线性序列第1时刻的值；LR2表示肌音信号非线性序列第2时刻的值；LRL表示肌音信号非线性序列第L时刻的值；NR(L)表示肌音信号非平稳序列；NR1表示肌音信号非平稳序列第1时刻的值；NR2表示肌音信号非平稳序列第2时刻的值；NRL表示肌音信号非平稳序列第L时刻的值。
所述步骤(3)具体包括以下步骤：
(3a)采用自适应滑动窗口算法对肌音信号非线性序列LR(L)进行切分，其中，自适应滑动窗口算法如下：
Figure BDA0002637655440000031
其中，n1表示被切分后的子序列起始点；n2表示被切分后的子序列终止点；LR(n1)表示被切分后的非线性子序列起始点的值；LR(n2)表示被切分后的非线性子序列终止点的值；γ表示肌音信号非线性子序列起始点与终止点的信号值之差；T表示切分肌音信号非线性序列所需的窗口大小；α，β为比例系数；
(3b)肌音信号非线性序列LR(L)经自适应滑动窗口算法切分后得到肌音信号非线性子序列集DS(M)：
DS(M)＝{LR(T1)，LR(T2)，...，LR(TM)}
其中，LR(T1)表示经第1个滑动窗口切分的肌音信号非线性子序列；LR(T2)表示经第2个滑动窗口切分的肌音信号非线性子序列；LR(TM)表示经第M个滑动窗口切分的肌音信号非线性子序列；M表示切分为肌音信号非线性子序列的个数，M≤L。
所述步骤(4)具体包括以下步骤：
(4a)计算肌音信号非线性子序列集的均方根和平均绝对值，其中，
均方根和平均绝对值的计算公式如公式(4)、(5)所示：
Figure BDA0002637655440000041
Figure BDA0002637655440000042
其中，LRRMS(Tβ)表示第β个肌音信号非线性子序列的均方根；LRβ表示肌音信号非线性子序列中第β时刻的值；LRMAV(Tβ)表示第β个肌音信号非线性子序列的平均绝对值；ε为计数变量；ρ表示非线性子序列对应的窗口大小；m表示肌音信号非线性子序列中信号数量最大值；
(4b)按照式(4)、(5)公式依次计算出肌音信号m个肌音信号非线性子序列集的均方根和平均绝对值，组成均方根特征序列和平均绝对值特征序列，记为：
LRRMS(M)＝{LRRMS(T1)，LRRMS(T2)，...，LRRMS(Tm)} (6)
LRMAV(M)＝{LRMAV(T1)，LRMAV(T2)，...，LRMAV(Tm)} (7)
其中，LRRMS(M)表示由m个非线性子序列均方根构成的均方根特征序列；LRRMS(T1)表示第1个非线性子序列的均方根；LRRMS(T2)表示第2个非线性子序列的均方根；LRRMS(Tm)表示第m个非线性子序列的均方根；LRMAV(M)表示由m个非线性子序列平均绝对值构成的平均绝对值特征序列；LRMAV(T1)表示第1个非线性子序列的平均绝对值；LRMAV(T2)表示第2个非线性子序列的平均绝对值；LRMAV(Tm)表示第m个非线性子序列的平均绝对值。
所述步骤(5)中具体包括以下步骤：
(5a)截取均方根特征序列LRRMS(M)和平均绝对值特征序列LRMAV(M)的前3/5组数据作为长短时记忆网络的训练集；
(5b)按照固定滑动窗口模型思想，将数据输入至长短时记忆网络进行训练，其中，固定窗口大小为W，取值范围为1＜W＜5，滑动步长为1；
(5c)确定长短时记忆网络模型结构各层参数如下：
输入层：将一维的时间序列、上一时刻状态量和上一时刻输出量共同输入至输入层，其中LSTM神经网络的截断长度取10；
隐藏层：使用LSTM细胞搭建神经网络，LSTM中隐藏层节点数为30；
输出层：通过训练后得最后时刻的输出结果，该结果为下一时刻时间序列的预测值，并将状态值和预测值传递到下一时刻的预测模型中；
激活函数采用ReLU函数，其形式为：
Figure BDA0002637655440000051
其中，z表示自变量；
(5d)将经自适应滑动窗口算法对序列进行切分后子序列输入至自适应长短时记忆网络进行训练。
所述步骤(6)具体包括以下步骤：
(6a)将均方根特征序列和平均绝对值特征序列剩余的2/5组数据作为测试集，按照固定滑动窗口模型进行切分后输入至训练完成的自适应长短时记忆网络进行测试，得到肘关节收缩时的肌力估计值；
(6b)通过外置手持力测量仪测出输出力大小进行对比，验证估计结果的准确性。
由上述技术方案可知，本发明的有益效果为：第一，本发明通过对肘关节肌肉的肌音信号作为研究对象，有效解决了肌电信号、脑电信号等其他生物信号存在的抗扰性低、采集过程复杂、易损伤等缺点；第二，本发明所提出的肌音信号解耦去噪算法实现了肌音信号中掺杂的高频分量对估计结果造成的影响，相较于传统信号去噪算法具有计算简单，效果好等优点。第三，本发明采用的自适应长短时记忆网络算法极大降低了网络参数设置过程，与传统的人工神经网络技术相比，具有局部感知和参数共享特点，极大降低了模型的复杂度，减少了权值数量。同时，由于网络本身就具有特征提取的功能，可有效低从样本中学习相应特征，避免了复杂的特征提取过程。第四，本发明的基于长短时记忆网络的肘关节收缩肌力预测方法，相比于人工神经网络预测算法、ARIMA预测算法以及SVR预测算法能够及时、快速、准确地实现无损伤肘关节肌力大小估计，同时本发明中的算法具有运行时间短、估计精度高、鲁棒性能好等优势。
附图说明
图1为本发明的方法流程图；
图2为本发明中自适应长短时记忆网络结构示意图；
图3为本发明中肌力估计实验过程示意图；
图4为本发明中原始肌音信号图；
图5为本发明中肌音信号非线性序列图；
图6为本发明中肌音信号非平稳序列图；
图7为本发明的肌力估计算法对比图。
具体实施方式
如图1所示，一种基于自适应长短时记忆网络的肘关节收缩肌力估计方法，该方法包括下列顺序的步骤：
(1)获取肘关节原始肌音信号：通过肌音信号传感器采集第1时刻到第L时刻的人体肘关节肌肉的原始肌音信号，记为R(L)＝{R1，R2，...，RL}，其中5000≤L≤10000，此处L确定为8000；
(2)对原始肌音信号进行解耦预处理，得到肌音信号非线性序列和肌音信号非平稳序列；通过解耦预处理可以实现原始信号中高频信号与低频信号的有效分离，避免由高频信号对估计结果产生的干扰；
(3)根据肌音信号非线性序列中稳态时间长短，通过自适应滑动窗口算法对肌音信号非线性序列进行切分，组成肌音信号非线性子序列集；经由自适应滑动窗口算法对信号进行切分，充分挖掘了信号中相邻数据间具有的相关性，最大程度提取了肌音信号的特征信息，为输入至长短时记忆模型中信号的有效性奠定了良好基础；
(4)对肌音信号非线性子序列集进行特征提取，计算各肌音信号非线性子序列的平均绝对值和均方根，组成平均绝对值特征序列和均方根特征序列，分别记为：
LRMAV(X)＝{LRMAV(T1)，LRMAV(T2)，...，LRMAV(Tm)}
LRRMS(X)＝{LRRMS(T1)，LRRMS(T2)，...，LRRMS(Tm)}；
在本实施例中，Tm取值均为680；
(5)构建长短时记忆网络模型，分别将平均绝对值特征序列LRMAV(X)和均方根特征序列LRRMS(X)的前3/5组数据作为训练集输入至长短时记忆网络网络模型进行训练；
(6)将剩余的2/5组平均绝对值特征序列LRMAV(X)和均方根特征序列LRRMS(X)数据作为测试集输入至训练完成的长短时记忆网络模型以完成肘关节肌力估计，并对估计结果的准确性进行对比。
所述步骤(2)具体包括以下步骤：
(2a)采用滑动平均值滤波算法对肘关节原始肌音信号进行解耦去噪处理，得到肌音信号非线性序列和肌音信号非平稳序列，滑动平均值滤波计算方法的计算公式如下：
Figure BDA0002637655440000071
Figure BDA0002637655440000072
其中，R1表示原始肌音信号第1时刻的值；R2表示原始肌音信号第2时刻的值；Rτ表示原始肌音信号第τ时刻的值；LRi表示肌音信号非线性序列第i时刻的值；NRi表示肌音信号非平稳序列第i时刻的值；
(2b)通过滑动平均值滤波算法处理后所得到的长度均为8000的肌音信号非线性序列和肌音信号非平稳序列，分别记为：
LR(L)＝{LR1，LR2，...，LRL}
NR(L)＝{NR1，NR2，...，NRL}
其中，LR(L)表示肌音信号非线性序列；LR1表示肌音信号非线性序列第1时刻的值；LR2表示肌音信号非线性序列第2时刻的值；LRL表示肌音信号非线性序列第L时刻的值；NR(L)表示肌音信号非平稳序列；NR1表示肌音信号非平稳序列第1时刻的值；NR2表示肌音信号非平稳序列第2时刻的值；NRL表示肌音信号非平稳序列第L时刻的值。
所述步骤(3)具体包括以下步骤：
(3a)采用自适应滑动窗口算法对肌音信号非线性序列LR(L)进行切分，其中，自适应滑动窗口算法如下：
Figure BDA0002637655440000081
其中，n1表示被切分后的子序列起始点；n2表示被切分后的子序列终止点；LR(n1)表示被切分后的非线性子序列起始点的值；LR(n2)表示被切分后的非线性子序列终止点的值；γ表示肌音信号非线性子序列起始点与终止点的信号值之差；T表示切分肌音信号非线性序列所需的窗口大小；α，β为比例系数；
(3b)肌音信号非线性序列LR(L)经自适应滑动窗口算法切分后得到肌音信号非线性子序列集DS(M)：
DS(M)＝{LR(T1)，LR(T2)，...，LR(TM)}
其中，LR(T1)表示经第1个滑动窗口切分的肌音信号非线性子序列；LR(T2)表示经第2个滑动窗口切分的肌音信号非线性子序列；LR(TM)表示经第M个滑动窗口切分的肌音信号非线性子序列；M表示切分为肌音信号非线性子序列的个数，M≤L，本实施例中M取值为680；
所述步骤(4)具体包括以下步骤：
(4a)计算肌音信号非线性子序列集的均方根和平均绝对值，其中，均方根和平均绝对值的计算公式如公式(4)、(5)所示：
Figure BDA0002637655440000082
Figure BDA0002637655440000083
其中，LRRMS(Tβ)表示第β个肌音信号非线性子序列的均方根；LRβ表示肌音信号非线性子序列中第β时刻的值；LRMAV(Tβ)表示第β个肌音信号非线性子序列的平均绝对值；ε为计数变量；ρ表示非线性子序列对应的窗口大小；m表示肌音信号非线性子序列中信号数量最大值；
(4b)按照式(4)、(5)公式依次计算出肌音信号m个肌音信号非线性子序列集的均方根和平均绝对值，组成均方根特征序列和平均绝对值特征序列，记为：
LRRMS(M)＝{LRRMS(T1)，LRRMS(T2)，...，LRRMS(Tm)} (6)
LRMAV(M)＝{LRMAV(T1)，LRMAV(T2)，...，LRMAV(Tm)} (7)
其中，LRRMS(M)表示由m个非线性子序列均方根构成的均方根特征序列；LRRMS(T1)表示第1个非线性子序列的均方根；LRRMS(T2)表示第2个非线性子序列的均方根；LRRMS(Tm)表示第m个非线性子序列的均方根；LRMAV(M)表示由m个非线性子序列平均绝对值构成的平均绝对值特征序列；LRMAV(T1)表示第1个非线性子序列的平均绝对值；LRMAV(T2)表示第2个非线性子序列的平均绝对值；LRMAV(Tm)表示第m个非线性子序列的平均绝对值。
所述步骤(5)中具体包括以下步骤：
(5a)截取均方根特征序列LRRMS(M)和平均绝对值特征序列LRMAV(M)的前3/5组数据作为长短时记忆网络的训练集；
(5b)按照固定滑动窗口模型思想，将数据输入至长短时记忆网络进行训练，其中，固定窗口大小为W，取值范围为1＜W＜5，在本实施例中W为4，滑动步长为1；
(5c)确定长短时记忆网络模型结构各层参数如下：
输入层：将一维的时间序列、上一时刻状态量和上一时刻输出量共同输入至输入层，其中LSTM神经网络的截断长度取10；
隐藏层：使用LSTM细胞搭建神经网络，LSTM中隐藏层节点数为30；
输出层：通过训练后得最后时刻的输出结果，该结果为下一时刻时间序列的预测值，并将状态值和预测值传递到下一时刻的预测模型中；
激活函数采用ReLU函数，其形式为：
Figure BDA0002637655440000101
其中，z表示自变量；
(5d)将经自适应滑动窗口算法对序列进行切分后子序列输入至自适应长短时记忆网络进行训练。
所述步骤(6)具体包括以下步骤：
(6a)将均方根特征序列和平均绝对值特征序列剩余的2/5组数据作为测试集，按照固定滑动窗口模型进行切分后输入至训练完成的自适应长短时记忆网络进行测试，得到肘关节收缩时的肌力估计值；
(6b)通过外置手持力测量仪测出输出力大小进行对比，验证估计结果的准确性。
图2为本发明的长短时记忆网络肌力估计模型单元结构图，该结构可以有效的决定输入信息哪些会被遗忘，哪些信息将得到保留。遗忘门决定了上一时刻的单元状态Ct-1有多少保留到当前时刻Ct；输入门决定了针对当前输入xt的单元状态。
图3为本发明的肌力估计实验过程图，该图详细说明了本方法的肌力估计过程，通过将实验者的肘部固定在支架上，将采集后的原始肌音信号送入计算机进行信号预处理、特征提取及肌力估计过程，输出肌力的估计值后在显示器中显示结果。与此同时，采用外置力传感器设备测量关节末端的输出力大小并与估计结果进行对比，交叉验证估计结果的准确性。
图4为本发明采集2000组原始肌音信号时间序列；
图5为经滑动平均值预处理算法处理后所得到的肌音信号非线性序列；
图6为经滑动平均值预处理算法处理后所得到的肌音信号非平稳序列；
图7为本发明中肌力估计结果的对比图，分别将本发明的估计结果与ARIMA估计结果、Kalman-filter估计结果、小波神经网络估计结果进行对比，可以看出，本发明使用的估计方法肌力估计结果的准确度最高，小波神经网络估计结果准确度次之，ARIMA估计结果最差，模型容易出现发散。
综上所述，本发明通过对肘关节肌肉的肌音信号作为研究对象，有效解决了肌电信号、脑电信号等其他生物信号存在的抗扰性低、采集过程复杂、易损伤等缺点。本发明所提出的肌音信号解耦去噪算法实现了肌音信号中掺杂的高频分量对估计结果造成的影响，相较于传统信号去噪算法具有计算简单，效果好等优点。本发明采用的自适应长短时记忆网络算法极大降低了网络参数设置过程，与传统的人工神经网络技术相比，具有局部感知和参数共享特点，极大降低了模型的复杂度，减少了权值数量。同时，由于网络本身就具有特征提取的功能，可有效低从样本中学习相应特征，避免了复杂的特征提取过程。

Claims (6)

1.一种基于自适应长短时记忆网络的肘关节收缩肌力估计方法，其特征在于：该方法包括下列顺序的步骤：
(1)获取肘关节原始肌音信号：通过肌音信号传感器采集第1时刻到第L时刻的人体肘关节肌肉的原始肌音信号，记为R(L)＝{R1，R2，...，RL}，其中5000≤L≤10000；
(2)对原始肌音信号进行解耦预处理，得到肌音信号非线性序列和肌音信号非平稳序列；
(3)根据肌音信号非线性序列中稳态时间长短，通过自适应滑动窗口算法对肌音信号非线性序列进行切分，组成肌音信号非线性子序列集；
(4)对肌音信号非线性子序列集进行特征提取，计算各肌音信号非线性子序列的平均绝对值和均方根，组成平均绝对值特征序列和均方根特征序列，分别记为：
LRMAV(X)＝{LRMAV(T1)，LRMAV(T2)，...，LRMAV(Tm)}
LRRMS(X)＝{LRRMS(T1)，LRRMS(T2)，...，LRRMS(Tm)}；
(5)构建长短时记忆网络模型，分别将平均绝对值特征序列LRMAV(X)和均方根特征序列LRRMS(X)的前3/5组数据作为训练集输入至长短时记忆网络网络模型进行训练；
(6)将剩余的2/5组平均绝对值特征序列LRMAV(X)和均方根特征序列LRRMS(X)数据作为测试集输入至训练完成的长短时记忆网络模型以完成肘关节肌力估计，并对估计结果的准确性进行对比。
2.根据权利要求1所述的基于自适应长短时记忆网络的肘关节收缩肌力估计方法，其特征在于：所述步骤(2)具体包括以下步骤：
(2a)采用滑动平均值滤波算法对肘关节原始肌音信号进行解耦去噪处理，得到肌音信号非线性序列和肌音信号非平稳序列，滑动平均值滤波计算方法的计算公式如下：
Figure FDA0002637655430000011
Figure FDA0002637655430000012
其中，R1表示原始肌音信号第1时刻的值；R2表示原始肌音信号第2时刻的值；Rτ表示原始肌音信号第τ时刻的值；LRi表示肌音信号非线性序列第i时刻的值；NRi表示肌音信号非平稳序列第i时刻的值；
(2b)通过滑动平均值滤波算法处理后所得到的长度均为L的肌音信号非线性序列和肌音信号非平稳序列，分别记为：
LR(L)＝{LR1，LR2，...，LRL}
NR(L)＝{NR1，NR2，...，NRL}
其中，LR(L)表示肌音信号非线性序列；LR1表示肌音信号非线性序列第1时刻的值；LR2表示肌音信号非线性序列第2时刻的值；LRL表示肌音信号非线性序列第L时刻的值；NR(L)表示肌音信号非平稳序列；NR1表示肌音信号非平稳序列第1时刻的值；NR2表示肌音信号非平稳序列第2时刻的值；NRL表示肌音信号非平稳序列第L时刻的值。
3.根据权利要求1所述的基于自适应长短时记忆网络的肘关节收缩肌力估计方法，其特征在于：所述步骤(3)具体包括以下步骤：
(3a)采用自适应滑动窗口算法对肌音信号非线性序列LR(L)进行切分，其中，自适应滑动窗口算法如下：
Figure FDA0002637655430000021
其中，n1表示被切分后的子序列起始点；n2表示被切分后的子序列终止点；LR(n1)表示被切分后的非线性子序列起始点的值；LR(n2)表示被切分后的非线性子序列终止点的值；γ表示肌音信号非线性子序列起始点与终止点的信号值之差；T表示切分肌音信号非线性序列所需的窗口大小；α，β为比例系数；
(3b)肌音信号非线性序列LR(L)经自适应滑动窗口算法切分后得到肌音信号非线性子序列集DS(M)：
DS(M)＝{LR(T1)，LR(T2)，...，LR(TM)}
其中，LR(T1)表示经第1个滑动窗口切分的肌音信号非线性子序列；LR(T2)表示经第2个滑动窗口切分的肌音信号非线性子序列；LR(TM)表示经第M个滑动窗口切分的肌音信号非线性子序列；M表示切分为肌音信号非线性子序列的个数，M≤L。
4.根据权利要求1所述的基于自适应长短时记忆网络的肘关节收缩肌力估计方法，其特征在于：所述步骤(4)具体包括以下步骤：
(4a)计算肌音信号非线性子序列集的均方根和平均绝对值，其中，
均方根和平均绝对值的计算公式如公式(4)、(5)所示：
Figure FDA0002637655430000031
Figure FDA0002637655430000032
其中，LRRMS(Tβ)表示第β个肌音信号非线性子序列的均方根；LRβ表示肌音信号非线性子序列中第β时刻的值；LRMAV(Tβ)表示第β个肌音信号非线性子序列的平均绝对值；ε为计数变量；ρ表示非线性子序列对应的窗口大小；m表示肌音信号非线性子序列中信号数量最大值；
(4b)按照式(4)、(5)公式依次计算出肌音信号m个肌音信号非线性子序列集的均方根和平均绝对值，组成均方根特征序列和平均绝对值特征序列，记为：
LRRMS(M)＝{LRRMS(T1)，LRRMS(T2)，...，LRRMS(Tm)} (6)
LRMAV(M)＝{LRMAV(T1)，LRMAV(T2)，...，LRMAV(Tm)} (7)
其中，LRRMS(M)表示由m个非线性子序列均方根构成的均方根特征序列；LRRMS(T1)表示第1个非线性子序列的均方根；LRRMS(T2)表示第2个非线性子序列的均方根；LRRMS(Tm)表示第m个非线性子序列的均方根；LRMAV(M)表示由m个非线性子序列平均绝对值构成的平均绝对值特征序列；LRMAV(T1)表示第1个非线性子序列的平均绝对值；LRMAV(T2)表示第2个非线性子序列的平均绝对值；LRMAV(Tm)表示第m个非线性子序列的平均绝对值。
5.根据权利要求1所述的基于自适应长短时记忆网络的肘关节收缩肌力估计方法，其特征在于：所述步骤(5)具体包括以下步骤：
(5a)截取均方根特征序列LRRMS(M)和平均绝对值特征序列LRMAV(M)的前3/5组数据作为长短时记忆网络的训练集；
(5b)按照固定滑动窗口模型思想，将数据输入至长短时记忆网络进行训练，其中，固定窗口大小为W，取值范围为1＜W＜5，滑动步长为1；
(5c)确定长短时记忆网络模型结构各层参数如下：
输入层：将一维的时间序列、上一时刻状态量和上一时刻输出量共同输入至输入层，其中LSTM神经网络的截断长度取10；
隐藏层：使用LSTM细胞搭建神经网络，LSTM中隐藏层节点数为30；
输出层：通过训练后得最后时刻的输出结果，该结果为下一时刻时间序列的预测值，并将状态值和预测值传递到下一时刻的预测模型中；
激活函数采用ReLU函数，其形式为：
Figure FDA0002637655430000041
其中，z表示自变量；
(5d)将经自适应滑动窗口算法对序列进行切分后子序列输入至自适应长短时记忆网络进行训练。
6.根据权利要求1所述的基于自适应长短时记忆网络的肘关节收缩肌力估计方法，其特征在于：所述步骤(6)具体包括以下步骤：
(6a)将均方根特征序列和平均绝对值特征序列剩余的2/5组数据作为测试集，按照固定滑动窗口模型进行切分后输入至训练完成的自适应长短时记忆网络进行测试，得到肘关节收缩时的肌力估计值；
(6b)通过外置手持力测量仪测出输出力大小进行对比，验证估计结果的准确性。
CN202010830177.XA 2020-08-18 2020-08-18 基于自适应长短时记忆网络的肘关节收缩肌力估计方法 Active CN111772669B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010830177.XA CN111772669B (zh) 2020-08-18 2020-08-18 基于自适应长短时记忆网络的肘关节收缩肌力估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010830177.XA CN111772669B (zh) 2020-08-18 2020-08-18 基于自适应长短时记忆网络的肘关节收缩肌力估计方法

Publications (2)

Publication Number Publication Date
CN111772669A true CN111772669A (zh) 2020-10-16
CN111772669B CN111772669B (zh) 2022-08-19

Family

ID=72762871

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010830177.XA Active CN111772669B (zh) 2020-08-18 2020-08-18 基于自适应长短时记忆网络的肘关节收缩肌力估计方法

Country Status (1)

Country Link
CN (1) CN111772669B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114343648A (zh) * 2022-01-07 2022-04-15 中山大学附属第一医院 肌力评定方法、***和计算机可读存储介质
CN114931390A (zh) * 2022-05-06 2022-08-23 电子科技大学 基于疲劳分析的肌力估计方法
CN115238753A (zh) * 2022-09-21 2022-10-25 西南交通大学 一种基于局部离群因子的自适应shm数据清洗方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100292617A1 (en) * 2009-05-15 2010-11-18 Kin Fong Lei method and system for quantifying an intention of movement of a user
CN107961007A (zh) * 2018-01-05 2018-04-27 重庆邮电大学 一种结合卷积神经网络和长短时记忆网络的脑电识别方法
CN108478215A (zh) * 2018-01-25 2018-09-04 深圳市德力凯医疗设备股份有限公司 基于小波分析的脑电信号去噪方法、存储介质以及装置
CN109924977A (zh) * 2019-03-21 2019-06-25 西安交通大学 一种基于cnn和lstm的表面肌电信号分类方法
CN110427924A (zh) * 2019-09-09 2019-11-08 桂林电子科技大学 一种基于lstm的心冲击信号自动多分类识别方法
US20200114148A1 (en) * 2018-10-12 2020-04-16 DePuy Synthes Products, Inc. Neuromuscular sensing device with multi-sensor array
CN111110268A (zh) * 2019-11-26 2020-05-08 中国科学院合肥物质科学研究院 基于随机向量功能连接网络技术的人体肌音信号预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100292617A1 (en) * 2009-05-15 2010-11-18 Kin Fong Lei method and system for quantifying an intention of movement of a user
CN107961007A (zh) * 2018-01-05 2018-04-27 重庆邮电大学 一种结合卷积神经网络和长短时记忆网络的脑电识别方法
CN108478215A (zh) * 2018-01-25 2018-09-04 深圳市德力凯医疗设备股份有限公司 基于小波分析的脑电信号去噪方法、存储介质以及装置
US20200114148A1 (en) * 2018-10-12 2020-04-16 DePuy Synthes Products, Inc. Neuromuscular sensing device with multi-sensor array
CN109924977A (zh) * 2019-03-21 2019-06-25 西安交通大学 一种基于cnn和lstm的表面肌电信号分类方法
CN110427924A (zh) * 2019-09-09 2019-11-08 桂林电子科技大学 一种基于lstm的心冲击信号自动多分类识别方法
CN111110268A (zh) * 2019-11-26 2020-05-08 中国科学院合肥物质科学研究院 基于随机向量功能连接网络技术的人体肌音信号预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WONKEUN YOUN ET AL.: ""Feasibility of using an artificial neural network model to estimate the elbow flexion force from mechanomyography"", 《JOURNAL OF NEUROSCIENCE METHODS》 *
刘玉良等: "《深度学习》", 31 January 2020, 西安电子科技大学出版社 *
顾德英等: "《计算机控制技术》", 30 June 2020, 北京邮电大学出版社 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114343648A (zh) * 2022-01-07 2022-04-15 中山大学附属第一医院 肌力评定方法、***和计算机可读存储介质
CN114343648B (zh) * 2022-01-07 2024-06-04 中山大学附属第一医院 肌力评定方法、***和计算机可读存储介质
CN114931390A (zh) * 2022-05-06 2022-08-23 电子科技大学 基于疲劳分析的肌力估计方法
CN115238753A (zh) * 2022-09-21 2022-10-25 西南交通大学 一种基于局部离群因子的自适应shm数据清洗方法
CN115238753B (zh) * 2022-09-21 2022-12-06 西南交通大学 一种基于局部离群因子的自适应shm数据清洗方法

Also Published As

Publication number Publication date
CN111772669B (zh) 2022-08-19

Similar Documents

Publication Publication Date Title
CN111772669B (zh) 基于自适应长短时记忆网络的肘关节收缩肌力估计方法
CN108304917B (zh) 一种基于lstm网络的p300信号检测方法
CN113288183B (zh) 一种基于面颈部表面肌电的无声语音识别方法
CN112418013A (zh) 一种小样本下基于元学习的复杂工况轴承故障诊断方法
CN114469124B (zh) 一种运动过程中异常心电信号的识别方法
CN111553307A (zh) 一种融合生物电阻抗信息和肌电信息的手势识别***
CN111583962A (zh) 一种基于声学分析的羊反刍行为监测方法
CN105448291A (zh) 基于语音的帕金森症检测方法及检测***
CN114052744B (zh) 基于脉冲神经网络的心电信号分类方法
CN108509823A (zh) Qrs波群的检测方法及装置
CN115346561B (zh) 基于语音特征的抑郁情绪评估预测方法及***
Liang et al. Obstructive sleep apnea detection using combination of CNN and LSTM 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
CN113974607B (zh) 一种基于脉冲神经网络的睡眠鼾声检测***
CN111110268B (zh) 基于随机向量功能连接网络技术的人体肌音信号预测方法
CN114159079A (zh) 基于特征提取和gru深度学习模型的多类型肌肉疲劳检测方法
CN111242100B (zh) 一种基于gst和vl-mobpnn的动作识别方法
CN112307996A (zh) 一种指尖心电身份识别装置及方法
CN111481193B (zh) 一种跌倒风险评估与预警方法及***
CN112998676A (zh) 基于光电阵列增强信号多特征提取的连续血压测量方法
CN112735480A (zh) 一种基于神经网络的声带病变检测装置
CN116831874A (zh) 一种基于肌电信号的下肢康复器控制方法
CN115374815A (zh) 一种基于视觉Transformer的自动睡眠分期方法
Chen et al. Recognition of american sign language gestures based on electromyogram (emg) signal with xgboost machine learning
CN113887339A (zh) 融合表面肌电信号与唇部图像的无声语音识别***及方法

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
GR01 Patent grant
GR01 Patent grant