申请/专利权人：北京理工大学;中国人民解放军总医院第二医学中心

申请日：2023-12-19

公开（公告）日：2024-03-29

公开（公告）号：CN117770762A

主分类号：A61B5/00

分类号：A61B5/00;G16H50/20;G06F18/213;G06F18/241;G06F18/25;G06N3/006;G06N3/045;G06N3/0464;G06N3/08;G06N3/084;A61B5/397;A61B5/11

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.16#实质审查的生效;2024.03.29#公开

摘要：本发明涉及一种改进卷积神经网络的帕金森病步态检测系统，属于人工智能与计算机辅助诊断技术领域。本发明设计了一个多源传感器数据采集系统，包括表面肌电传感器、惯性传感器和上位机。表面肌电传感器和惯性传感器用于采集人体的肌电信号与运动数据，将数据传输给上位机，上位机对数据进行预处理和去噪。本系统基于一种改进蝴蝶优化‑双流复合卷积神经网络，通过卷积层提取特征，池化层提取主要特征，通过全连接层将各部分所提取的动作特征向量汇总产生分类器来进行预测识别，获得帕金森病步态检测结果。本发明实现了高敏感度、高实操性、低成本的帕金森症筛查，为行动不便的人群提供了自动、高效、通用、快速、可靠的解决方案。

主权项：1.一种改进卷积神经网络的帕金森病步态检测系统，其特征在于，包括表面肌电传感器、惯性传感器和上位机；其中，表面肌电传感器和惯性传感器，用于采集人体的肌电信号与运动信号，并将采集到的信号数据传输给上位机；上位机在对采集到的数据进行预处理和去噪；系统基于改进蝴蝶优化-双流复合卷积神经网络IBOA-CNN，通过其卷积层初步提取特征，通过池化层进一步提取主要特征，通过全连接层将所提取的动作特征向量汇总产生分类器，进行预测识别，获得帕金森病步态检测结果；系统检测过程包括以下步骤：步骤1：对采集的人体肌电信号和运动信号进行降噪处理；步骤2：针对提取的肌电信号和运动信号特征向量，通过改进蝴蝶优化算法-双流复合卷积神经网络，对帕金森病进行特征提取及步态识别分类；采用蝴蝶优化算法BOA来优化卷积神经网络CNN控制参数，BOA通过全局和局部搜寻方式向目标进行移动寻优；设N维搜索空间中，利用下式随机生成M个初始解：xi-1＝La+rand*Ua-La其中，i＝1,2,…,m；xi-1为蝴蝶i-1的空间位置；Ua、La分别为搜索空间的上、下界；rand表示[0,1]之间的随机数；蝴蝶个体散发的香味强度计算如下式所示：fx＝cIa其中，fx表示蝴蝶香味强度；c为感觉模态；I为刺激强度；a为与模态相关的幂指数；c、a分别取[0,1]内的随机数；每次迭代时，每只蝴蝶移动都向解空间中的新位置移动，并重新计算其适应度值；首先计算所有蝴蝶在解空间中不同位置的适应度值，然后根据蝴蝶个体散发的香味强度计算公式，计算在位置上产生的香味： 其中，xi表示蝴蝶移动的第i个位置；xcp是移动范围内的中心位置，vf为蝴蝶移动的空间距离；BOA通过全局搜索策略和局部搜索策略利用迭代次数获得最优解，并利用切换概率p决定BOA所选择的搜索策略；其中，全局搜索策略描述如下： 局部搜索策略描述如下： 其中，分别为第k次迭代蝴蝶i、j和t的位置；g*为当前迭代群体最佳位置；f为自适应度因子；r是[0,1]之间的随机数；在BOA中，引入了线性递减的惯性权重来更新蝴蝶的位置，表示为： 其中，f表示自适应度因子；fmax为最大自适应度因子；fmin为初始自适应度因子；k为当前迭代次数；kmax为最大迭代次数；π表示圆周率；引入动态切换概率P来平衡全局搜索与局部搜索在寻优过程中的执行概率： 其中，k表示为当前迭代次数；kmax表示为最大迭代次数；α、b均表示调节变量；通过对自适应度因子f和切换概率P的改进，获得一种寻优精度高和收敛速度快的改进的BOA，改进后的BOA的位置更新如下： 其中，表示第k+1次迭代蝴蝶的第i个位置；分别为第k次迭代蝴蝶i、j和t的位置；g*为当前迭代群体最佳位置；f为自适应度因子；r是[0,1]之间的随机数；rand表示随机因子；当Prand时，算法进行全局搜索；当P≤rand时，算法进行局部搜索；改进后的位置更新，在每一次迭代时蝴蝶个体都会与最优个体进行信息交流；在卷积神经网络CNN中增加非线性激活函数来提高网络的训练速度，将CNN与GoogLeNet模型相结合，利用Inception模块来替代CNN中原本的卷积层；其中，对于3D-CNN，将H×W×Cconv分解为三个分别为H×1×1，1×W×1，1×1×C的conv计算，H表示卷积核的高度，W表示卷积核的宽度，C表示卷积核的深度；复合CNN采用3D-CNN和2D-CNN的组合，其网络结构包括输入层、卷积层、池化层、Flatten层、全连接层和Softmax分类层；首先利用相同并行卷积层和池化层提取加速度的信号特征，以及肌电信号的数据特征；之后，采用不同维度的CNN将组合后的加速度信号特征和肌电信号特征进行特征融合及分类；在全连接层，结合所提取的特征值进行特征融合；当正向传播得到预测值之后，要衡量预测值与实际样本标签之间的相似度；采用交叉熵代价函数代替均方误差代价函数，同时，采用softmax函数进行活动分类；若softmax输出的最大预测的概率值越大，则其产生的代价就越小，修正的权重矩阵就越少；通过优化器不断训练数据，修正权重矩阵，使模型预测准确率不断提升；交叉熵Ly′y定义如下式所示： 其中，yi′和分别代表第i个真实样本标签及预测样本标签；N为识别类别的数目；δ是平衡参数；wi-3D,、bi-3D分别表示3D-CNN权值和偏置；wi-2D、bi-2D分别为3D-CNN权值和偏置；λ是[0,1]之间的随机数；计算交叉熵代价函数后通过反向依次修正权重矩阵和偏置项，神经网络采用梯度下降算法来求解损失函数的最小值，其定义如下所示： 其中，为损失函数的目标函数值；ξk为损失函数的均方误差；xik和xik-1分别表示反向传播后修正的权重矩阵和未修正的权重矩阵；τ为表示梯度下降的学习率，是神经网络的超参数；在使用IBOA算法优化CNN网络结构参数的过程中，将帕金森病诊断的识别率作为IBOA-CNN算法的适应度函数，定义为： 其中，Fit表示适应度函数；k表示为当前迭代次数。

全文数据：

权利要求：

百度查询： 北京理工大学;中国人民解放军总医院第二医学中心 一种改进卷积神经网络的帕金森病步态检测系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD