[发明专利]一种医用夹板患处不同动作的智能识别方法

摘要

本发明公开了一种医用夹板患处不同动作的智能识别方法，包括步骤：1)设计压力检测装置；2)采集压力信号、传输与存储；3)压力信号标准化；4)对采集的三通道信号进行RGB转换；5)构建并训练深度学习模型；6)检测、转换、输入新数据并得到识别结果；7)统计、输出结果及预警。本发明采用三个气垫和相应三个压力传感器，设计可以动态检测患处不同位置压力的医用夹板，通过运用深度学习方法对压力变化进行分析，从而能够快速、准确、自动地识别夹板松紧度变化及患处不同类型的动作。

主权项

一种医用夹板患处不同动作的智能识别方法，其特征在于，包括以下步骤：1)设计能够动态检测患处不同位置压力的医用夹板压力检测装置，所述医用夹板压力检测装置包括夹板、单片机及其外围系统、三个压力气垫、三个压力传感器、三根连接管，所述三个压力传感器和单片机相连，所述三个压力气垫内置于夹板内，并分布于夹板的上、下和侧面，且每个压力气垫通过连接管分别对应连接一个传感器，通过对压力变化进行分析，自动识别患处不同动作；2)模拟患者患处的不同类型动作，利用单片机采集不同动作产生的压力信号，并传输到处理端存储，包括以下步骤：2.1)佩带夹板于手腕患处，模拟患者患处的不同类型动作；2.2)采集握松拳、局部伸展、抬腕、压腕、旋腕这些不同动作，利用单片机采集压力信号，并传输到处理端存储，其中假定采集的三个通道压力信号分别用P_R，P_G和P_B表示；3)将三个通道压力信号标准化到0‑255范围；其中的标准化是通过公式转换实现，运用如下公式：$P_N=\frac{P-P_{min}}{P_{max}-P_{min}}\×255$式中，P_N、P、P_min和P_max分别表示标准化后的压力信号、原压力信号及其最大值、最小值；4)对采集的三个通道压力信号进行RGB转换，将每个通道一维信号转换为二维信号，从而得到三个通道二维信号，即I_R、I_G和I_B三个通道的数字图像，作为数据集，包括以下步骤：4.1)选定时间间隔长度作为数字图像的长度即T个数据点，将每个通道的一维信号，按时间顺序依次分解为长度均为T个数据点的若干段，其中T>1；4.2)每一段作为二维信号的一行，依次选取H行，H>1，通常设定H＝T，构成(H，T)的二维数组，从而将一维信号变换为二维信号，即数字图像；由此，三通道一维信号P_R、P_G和P_B被转换为I_R、I_G和I_B三通道二维信号；5)构建并训练深度学习模型，将I_R、I_G和I_B三通道二维信号，对应红、绿、蓝三个通道图像，即R、G、B三个通道图像，作为深度学习模型的输入，应用深度学习模型进行训练和测试，包括以下步骤：5.1)构建深度学习模型，运用在图像领域学习能力优秀的卷积神经网络模型对图像进行识别，其中所述深度学习模型包括卷积、池化、全连接与分类器；5.2)按a:b:c的比例，从数据集中选定训练样本、测试样本与独立验证集，其中a+b+c＝1；5.3)将训练与测试样本输入深度学习模型，对模型进行训练和测试，并利用独立验证集评估模型识别不同类型动作产生压力信号的性能；6)采集新的一维压力信号并转换为二维数据，将其输入深度学习模型，得到识别结果；7)判断夹板松紧度的变化情况，统计不同动作发生的频数，保存、输出结果到本地及服务端，供患者、医师及看护人员查看，并根据所定规则及时发出预警信号。