[发明专利]一种肢体震颤检测方法及装置

权利要求书

1.一种服务器，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，其特征在于，所述程序指令被处理器加载并执行时实现以下步骤，包括：

构建并训练识别模型，所述识别模型用于识别肢体信号是否具有震颤特征；

设置移动终端内的传感器的预设采样频率，以使所述传感器按照所述预设采样频率进行采样，得到预设采样时长的实际采样数据；根据所述实际采样数据计算所述传感器的实际采样频率；

当所述实际采样频率与所述预设采样频率之间的频率误差值在预设误差范围内时，逐级提高所述预设采样频率，直至测得的所述实际采样频率与所述预设采样频率之间的频率误差值超出所述预设误差范围，将当前的预设采样频率作为所述传感器的最大采样频率；

获取所述移动终端内的所述传感器以所述最大采样频率采集的第一用户的待识别肢体信号；

向训练好的识别模型中输入所述待识别肢体信号；

获取所述识别模型根据训练好的网络参数识别所述待识别肢体信号并输出识别结果，并发送所述识别结果至所述移动终端。

2.根据权利要求1所述的服务器，其特征在于，所述程序指令被处理器加载并执行时实现所述构建并训练识别模型的步骤，包括：

获取多个健康人体的第一肢体信号及多个肢体震颤症状患者的第二肢体信号；

按照预设格式对所述多个第一肢体信号及所述多个第二肢体信号分别进行样本制作，获得包括多个训练样本的训练集；

构建所述识别模型；

将所述训练集输入所述识别模型的卷积神经网络，得到所述卷积神经网络的前向输出；

利用反向传播神经网络算法更新所述卷积神经网络的权值和偏置，得到训练好的所述识别模型，并保存训练好的所述识别模型的网络参数。

3.根据权利要求2所述的服务器，其特征在于，所述程序指令被处理器加载并执行时实现所述利用反向传播神经网络算法更新所述卷积神经网络的权值和偏置，得到训练好的所述识别模型的步骤，包括：

根据所述前向输出和所述训练样本的真实结果构建损失函数，所述损失函数的表达式为其中，E_loss表示所述损失函数，n表示所述训练样本总数，x_i表示第i个训练样本的前向输出，y_i表示与x_i相对应的第i个训练样本的真实结果；

采用基于批量梯度下降的反向传播算法更新卷积神经网络的权值和偏置，对所述损失函数进行优化使其最小化，得到训练好的所述识别模型。

4.根据权利要求1～3任一项所述的服务器，其特征在于，所述程序指令被处理器加载并执行时实现获取所述移动终端内的传感器采集的第一用户的待识别肢体信号之后，并在向所述训练好的识别模型中输入所述待识别肢体信号之前，所述程序指令被处理器加载并执行时还实现：

将所述待识别肢体信号进行预处理，所述预处理包括采用Kalman滤波算法滤除低频的人体运动信号。

5.根据权利要求1～3任一项所述的服务器，其特征在于，所述传感器包括多轴向加速度传感器、多轴向陀螺仪、多轴向倾角仪中的至少一种；所述移动终端是手机、iPad、智能手表或者可穿戴智能设备中任意一种。