【技術實現步驟摘要】
本專利技術涉及動作識別預測，特別涉及一種康復訓練中人體運動意圖預測方法及裝置。
技術介紹
1、隨著人口老齡化問題的加劇，因中風、偏癱等引起的患者認知和平衡力協調受損的患者越來越多，傳統的康復方法存在因率低、專業康復人員短缺等問題。
2、針對上述問題，基于機器人輔助康復的設備研究運營而生，如平衡康復平臺、外骨骼機器人等，使患者根據自己的運動意圖控制平臺更好地調動患者訓練的積極性。此類康復設備往往通過力傳感器來判斷患者運動意圖，實現運動跟蹤，再根據患者的運動意圖控制平臺運動狀態，從而實現人機交互下的訓練，但由于力傳感器采集到的信號滯后于人體運動意圖，加上訓練平臺控制系統的時間延遲，會導致訓練平臺的運動滯后于人體運動意圖，削弱了訓練平臺位姿與患者位姿的同步性，從而降低訓練效果。
技術實現思路
1、鑒于現有技術中的上述缺陷或不足，本專利技術提供了一種康復訓練中人體運動意圖預測方法及裝置，來最大限度的消除康復訓練平臺的運動相對于人體運動意圖的延時誤差，提高訓練平臺位姿與患者位姿的同步性，從而改善訓練效果。
2、本專利技術的一個方面，提供了一種康復訓練中人體運動意圖預測方法，包括：采集人體的足底壓力數據和各關節位姿數據；將獲取的所述足底壓力數據和各關節位姿數據，以時間序列的形式一同輸入至訓練好的深度學習網絡模型中，得到人體運動意圖的預測結果；其中，所述深度學習網絡模型包括：數據塊嵌入模塊，用于將離散的原始輸入時間序列處理為預定長度的數據塊，對所述數據塊進行位置編碼和值編
3、進一步的，所述編碼器層包括多個串聯的編碼器，每個編碼器包括依次相連的多頭自注意力模塊、第一殘差與層歸一化模塊、第二時間序列分解層、第一前饋層、第二殘差與層歸一化模塊和第三時間序列分解層；其中，所述數據塊嵌入模塊的輸出端連接所述第一殘差與層歸一化模塊，所述第二時間序列分解層的輸出端連接所述第二殘差與層歸一化模塊；所述第三時間序列分解層輸出所述第一周期特征；所述第一殘差與層歸一化模塊用于在所述多頭自注意力模塊的輸入和輸出之間構成跳躍連接；所述第二殘差與層歸一化模塊用于在所述第一前饋層的輸入和輸出之間構成跳躍連接；所述多頭自注意力模塊用于計算原始輸入時間序列中足底壓力數據和各關節位姿數據的相關性；所述第二時間序列分解層和第三時間序列分解層用于分解各自輸入數據的趨勢特征和周期特征。
4、進一步的，所述解碼器層包括多個串聯的解碼器，每個解碼器包括第一支路和第二支路；所述第一支路包括依次相連的掩碼多頭自注意力模塊、第三殘差與層歸一化模塊、第四時間序列分解層、編碼解碼自注意力模塊、第四殘差與層歸一化模塊、第五時間序列分解層、第二前饋層和第五殘差與層歸一化模塊；其中，所述編碼器層輸出的第一周期特征輸入至所述編碼解碼自注意力模塊，所述第一時間序列分解層輸出的所述初始周期特征輸入至所述掩碼多頭自注意力模塊和第三殘差與層歸一化模塊，所述第四時間序列分解層輸出的周期特征分量輸入至所述編碼解碼自注意力模塊和所述第四殘差與層歸一化模塊，所述第五時間序列分解層輸出的周期特征分量輸入至所述第二前饋層和所述第五殘差與層歸一化模塊；所述第二支路包括依次相連的第六殘差與層歸一化模塊和第七殘差與層歸一化模塊；其中，所述第一時間序列分解層輸出的所述初始趨勢特征輸入至所述第六殘差與層歸一化模塊，所述第四時間序列分解層輸出的趨勢特征分量輸入至所述第六殘差與層歸一化模塊，所述第五時間序列分解層輸出的趨勢特征分量輸入至所述第七殘差與層歸一化模塊，所述第七殘差與層歸一化模塊的輸出量輸入至所述第五殘差與層歸一化模塊；所述第五殘差與層歸一化模塊將所述第二前饋層的輸出量、所述第五時間序列分解層的輸出量和所述第七殘差與層歸一化模塊的輸出量相加作為最終的預測序列。
5、進一步的，所述第一時間序列分解層、第二時間序列分解層、第三時間序列分解層、第四時間序列分解層和第五時間序列分解層使用加權滑動平均函數分解得到輸入數據的周期特征和趨勢特征。
6、進一步的，還包括：預處理模塊，用于對原始的輸入時間序列進行平穩化處理，消除非平穩性分量，將處理后的數據輸出至所述數據塊嵌入模塊。
7、本專利技術的另一方面，還提供了一種人體運動意圖預測裝置，包括：數據采集模塊，用于采集人體的足底壓力數據和各關節位姿數據；預測模塊，用于將獲取的所述足底壓力數據和各關節位姿數據，以時間序列的形式一同輸入至訓練好的深度學習網絡模型中，得到人體運動意圖的預測結果；其中，所述深度學習網絡模型包括：數據塊嵌入模塊，用于將離散的原始輸入時間序列處理為預定長度的數據塊，對所述數據塊進行位置編碼和值編碼，將編碼后的數據塊輸出至編碼器層；編碼器層，用于從所述編碼后的數據塊中提取原始輸入時間序列的第一周期特征，并將第一周期特征輸出至解碼器層；第一時間序列分解層，用于將原始輸入時間序列分解為初始周期特征和初始趨勢特征，并將所述初始周期特征和初始趨勢特征輸入至解碼器層；解碼器層，用于根據所述第一周期特征、初始趨勢特征和初始周期特征，計算得到總的趨勢特征和總的周期特征，將總的趨勢特征和總的周期特征相加作為最終的預測序列。
8、進一步的，所述編碼器層包括多個串聯的編碼器，每個編碼器包括依次相連的多頭自注意力模塊、第一殘差與層歸一化模塊、第二時間序列分解層、第一前饋層、第二殘差與層歸一化模塊和第三時間序列分解層；其中，所述數據塊嵌入模塊的輸出端連接所述第一殘差與層歸一化模塊，所述第二時間序列分解層的輸出端連接所述第二殘差與層歸一化模塊；所述第三時間序列分解層輸出所述第一周期特征；所述第一殘差與層歸一化模塊用于在所述多頭自注意力模塊的輸入和輸出之間構成跳躍連接；所述第二殘差與層歸一化模塊用于在所述第一前饋層的輸入和輸出之間構成跳躍連接；所述多頭自注意力模塊用于計算原始輸入時間序列中足底壓力數據和各關節位姿數據的相關性；所述第二時間序列分解層和第三時間序列分解層用于分解各自輸入數據的趨勢特征和周期特征。
9、進一步的，所述解碼器層包括多個串聯的解碼器，每個解碼器包括第一支路和第二支路；所述第一支路包括依次相連的掩碼多頭自注意力模塊、第三殘差與層歸一化模塊、第四時間序列分解層、編碼解碼自注意力模塊、第四殘差與層歸一化模塊、第五時間序列分解層、第二前饋層和第五殘差與層歸一化模塊；其中，所述編碼器層輸出的第一周期特征輸入至所述編碼解碼自注意力模塊，所述第一時間序列分解層輸出的所述初始周期特征輸入至所述掩碼多頭自注意力模塊和第三殘差與層歸一化模塊，所述第四時間序列分解層輸出的周期特征本文檔來自技高網...
【技術保護點】
1.一種康復訓練中人體運動意圖預測方法，其特征在于，包括：
2.根據權利要求1所述的一種康復訓練中人體運動意圖預測方法，其特征在于：
3.根據權利要求2所述的一種康復訓練中人體運動意圖預測方法，其特征在于：
4.根據權利要求3所述的一種康復訓練中人體運動意圖預測方法，其特征在于，所述第一時間序列分解層、第二時間序列分解層、第三時間序列分解層、第四時間序列分解層和第五時間序列分解層使用加權滑動平均函數分解得到輸入數據的周期特征和趨勢特征。
5.根據權利要求4所述的一種康復訓練中人體運動意圖預測方法，其特征在于，還包括：
6.一種康復訓練中人體運動意圖預測裝置，其特征在于，包括：
7.根據權利要求6所述的一種康復訓練中人體運動意圖預測裝置，其特征在于：
8.根據權利要求7所述的一種康復訓練中人體運動意圖預測裝置，其特征在于：
9.根據權利要求8所述的一種康復訓練中人體運動意圖預測裝置，其特征在于，所述第一時間序列分解層、第二時間序列分解層、第三時間序列分解層、第四時間序列分解層和第五時間序
10.根據權利要求9所述的一種康復訓練中人體運動意圖預測裝置，其特征在于，還包括：
...【技術特征摘要】
1.一種康復訓練中人體運動意圖預測方法，其特征在于，包括：
2.根據權利要求1所述的一種康復訓練中人體運動意圖預測方法，其特征在于：
3.根據權利要求2所述的一種康復訓練中人體運動意圖預測方法，其特征在于：
4.根據權利要求3所述的一種康復訓練中人體運動意圖預測方法，其特征在于，所述第一時間序列分解層、第二時間序列分解層、第三時間序列分解層、第四時間序列分解層和第五時間序列分解層使用加權滑動平均函數分解得到輸入數據的周期特征和趨勢特征。
5.根據權利要求4所述的一種康復訓練中人體運動意圖預測方法，其特征在于，還包括：
...【專利技術屬性】
技術研發人員：趙宇，薛劍超，李嘉浩，季旭全，周統，張廣強，
申請(專利權)人：中國醫學科學院北京協和醫院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。