【技術實現步驟摘要】
本專利技術涉及人體生物信號處理和肌力估計，尤其是一種基于雙分支自注意力機制網絡的上臂肌力估計方法。
技術介紹
1、肌力估計能反映人體的運動意圖、肌肉疲勞程度以及肌肉的健康狀態，對于生物力學、人機交互、運動和康復醫學具有重要的研究基礎。從數據獲取方法上可以分為基于運動學/動力學和基于生物信息，近年來由于深度學習技術快速發展以及其硬件成本優勢，基于生物信息的方法成為研究熱點。
2、基于傳統生物信息的肌力估計方法使用肌電信號、肌音信號等人體生物信號，早期試圖從中提取人為設計的手工特征進行進一步分類識別；近年來，基于深度學習的方法識別效果較早期基于手工特征方法大幅提升，深度神經網絡以卷積神經網絡為代表能夠有效提取數據中時空特征。然而，這些信號只能檢測淺層肌肉信息，肌肉間的串擾等都會對估計結果產生負面影響。
3、電阻抗成像作為一種新型生物信息傳感器，根據本身包含二維圖像信息的特點，記錄肌肉截面信息的變化。目前基于電阻抗成像的研究以及已經覆蓋臨床醫學、人機交互、傳感器等眾多領域，在人機交互領域，電阻抗成像所具有的對阻抗變化的敏感性能夠有效檢測骨骼肌收縮時人體肌肉組織的變化，利于識別。因此，有必要基于電阻抗成像信號的特點設計一種新穎的上臂肌力估計方法。
技術實現思路
1、為解決傳統估計方法只能檢測淺層肌肉信息，忽略肌肉收縮時的深層肌肉信息，忽略電阻抗成像本身所具有的頻域信號特征的問題，本專利技術的目的在于提供一種輕量級、估計精度高、無損傷的基于雙分支自注意力機制網絡的上臂
2、為實現上述目的，本專利技術采用了以下技術方案：一種基于雙分支自注意力機制網絡的上臂肌力估計方法，包括：
3、(1)在一個測量周期內，通過電阻抗成像傳感器測量人體上臂肌肉收縮時產生的原始電阻抗成像電壓信號，并進行歸一化，得到歸一化后的原始電阻抗成像電壓序列其中，m1為一個測量周期內所記錄歸一化后的原始電阻抗成像電壓序列的總數，i為當前時刻歸一化后的原始電阻抗成像電壓序列的索引下標，i為整數且1≤i≤m1；同時通過六維力傳感器采集人體上臂肌肉收縮時產生的三個方向上的力fx、fy、fz和三個方向上的力矩mz、my、mz，fx、fy、fz和mz、my、mz共同組成真實力序列，對真實力序列進行歸一化，得到歸一化后的真實力序列其中，m2為一個測量周期內所記錄真實力的總數，j為當前時刻真實力的索引下標，j為整數且1≤j≤m2；
4、(2)對歸一化后的原始電阻抗成像電壓序列分別進行一步高斯-牛頓圖像重建、傅里葉變換，得到二維電阻抗圖像電壓序列頻域表征其中，m3為一個測量周期內所記錄二維電阻抗圖像的總數，v為當前時刻二維電阻抗圖像的索引下標，v為整數且1≤v≤m3；m4為一個測量周期內所記錄電壓序列頻域表征的總數，u為當前時刻電壓序列頻域表征的索引下標，u為整數且1≤u≤m4；
5、(3)電壓序列頻域表征二維電阻抗圖像和歸一化后的真實力序列組成數據集，對數據集進行分批次劃分，得到大小為batchsize×1×64×64的電阻抗圖像張量vimg、大小為batchsize×1×28的電壓頻域張量vfft和大小為batchsize×1×6的真實力張量vf，batchsize表示每批次包含的數據量大小；
6、(4)構建雙分支自注意力機制網絡，所述雙分支自注意力機制網絡由第一分支網絡、第二分支網絡和時頻域特征融合模塊組成；將電阻抗圖像張量vimg、電壓頻域張量vfft輸入雙分支自注意力機制網絡，雙分支自注意力機制網絡輸出肌力估計結果；
7、(5)將得到的肌力估計結果和六維力傳感器采集到的真實力序列進行對比，采用均方誤差來反映兩者的差異程度。
8、所述步驟(1)具體包括以下步驟：
9、(1a)重復多次電阻抗成像傳感器的測量，將每次測量從開始到結束設為一個測量周期；在每輪測量周期中，沿各相鄰電極上的電壓依次注入激勵電流，并得到各相鄰電極上的響應電壓vl，n為電極數且n＝8，即8個電極在相鄰激勵測量模式下得到當前時刻的28個響應電壓值設為一幀；連續測量后得到一個測量周期內的原始電壓序列vol(iraw)＝{v1,v2,...,v28}是當前幀的響應電壓值；對每一幀采集到的原始電壓序列進行最大最小歸一化處理，將所有電壓線性收縮至[0,1]：
10、
11、其中，vol為當前時刻的響應電壓值，volmax為當前測量周期內的最大響應電壓值，volmin為當前測量周期內的最小響應電壓值；得到歸一化后的原始電阻抗成像電壓序列設置每次測量的第一幀測得的電壓序列volnorm(1)為初始值；
12、(1b)在每輪六維力傳感器的測量周期中，當前時刻采集到的真實力序列記為force(j)＝{fx(j),fy(j),fz(j),mx(j),my(j),mz(j)}，對采集到的真實力大小進行最大最小歸一化處理，得到歸一化后的真實力序列
13、所述步驟(2)具體包括以下步驟：
14、(2a)使用一步高斯-牛頓重建算法重建二維電阻抗圖像：
15、σ＝σ0-[[j(σ0)]tj(σ0)+αdiag(jtj)]-1[j(σ0)]t[v(σ0)-u]
16、其中，σ是電導率分布矢量，σ0是初始電導率分布，α是正則化因子，jtj是正則化矩陣，v(σ0)為電導率分布為σ0下的邊界電壓計算值，j(σ0)為雅可比矩陣，u為邊界電壓測量值；
17、重建后得到二維電阻抗圖像，記為其中，img(v)是當前幀的二維電阻抗圖像，用于反映當前時刻人體上臂肌肉橫截面的電導率分布信息；
18、(2b)對歸一化后的原始電阻抗成像電壓序列中包含的頻域信息進行解耦，得到電壓序列頻域表征
19、
20、其中，m1＝m3＝m4＝m，m為一個測量周期內的樣本總數；fft(u)是當前幀原始電壓序列的頻域信號的幅值譜，用于反映當前時刻人體上臂肌肉橫截面的頻域信息。
21、在步驟(4)中，所述第一分支網絡包括圖像序列化模塊和第一多頭自注意力機制模塊，所述第二分支網絡包括第一全連接層和第二多頭自注意力機制模塊；
22、所述時頻域特征融合模塊包括第一全局平均池化層、第二全局平均池化層、第一relu激活層、第二relu激活層、第一sigmoid激活層、第二sigmoid激活層，以及第二、三、四、五、六、七、八、九全連接層；
23、首先將電阻抗圖像張量vimg送入第一分支網絡進行處理：圖像序列化模塊將vimg分為patchsize×patchsize個區域小圖像，其中patchsize＝16，表示圖像被均分為16行16列；對分割后的圖像先進行線性變換，再為每一部分線性變換后的圖像增加位置編碼；最終，將增加位置編碼后的各部分圖像數據前后拼接，將拼接得到的整個數據作為一個序列送入第一多頭自注意力機制模塊中運算；第一多頭自注意力機制模塊采用縮放點積注意力機制，公式如下：
2本文檔來自技高網...
【技術保護點】
1.一種基于雙分支自注意力機制網絡的上臂肌力估計方法，其特征在于：該方法包括下列順序的步驟：
2.根據權利要求1所述的基于雙分支自注意力機制網絡的上臂肌力估計方法，其特征在于：所述步驟(1)具體包括以下步驟：
3.根據權利要求1所述的基于雙分支自注意力機制網絡的上臂肌力估計方法，其特征在于：所述步驟(2)具體包括以下步驟：
4.根據權利要求1所述的基于雙分支自注意力機制網絡的上臂肌力估計方法，其特征在于：在步驟(4)中，所述第一分支網絡包括圖像序列化模塊和第一多頭自注意力機制模塊，所述第二分支網絡包括第一全連接層和第二多頭自注意力機制模塊；
【技術特征摘要】
1.一種基于雙分支自注意力機制網絡的上臂肌力估計方法，其特征在于：該方法包括下列順序的步驟：
2.根據權利要求1所述的基于雙分支自注意力機制網絡的上臂肌力估計方法，其特征在于：所述步驟(1)具體包括以下步驟：
3.根據權利要求1所述的基于雙分支自注意力機制網絡的上臂肌...
【專利技術屬性】
技術研發人員：高理富，張筱笛，孫玉香，王大慶，曹會彬，
申請(專利權)人：中國科學院合肥物質科學研究院，
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。