基于触觉传感器的针刺手法识别方法、装置、系统及介质
文献发布时间:2023-06-19 11:49:09
技术领域
本发明涉及神经网络技术领域,尤其涉及一种基于触觉传感器的针刺手法识别方法、装置、系统及介质。
背景技术
针刺手法是针灸医学的重要组成部分,在中医理论的指导下将针具按照一定角度和深度刺入患者特定的穴位,并通过提插或者捻转等方式来对人体穴位进行刺激,激活起人体内部的反应,从而达到治疗疾病的目的。
目前,基于计算机视觉的手势识别是研究热点,例如视频游戏和远程手术技术等。目前许多手势方法都是基于提取特征,这些方法通常通过获取诸如外形、运动线索或人体骨架等属性来进行手势分类。然而,前人在探讨手势识别过程中,往往关心的是基于光流特性的手势分割和带时间序列特征的手势动作识别以及手势识别技术的维数问题,缺少对细微动作的量化描述。此外,由于光线的影响以及物体对手势的遮挡等都会对手势识别产生限制,对细微手法工艺的识别和分类,缺乏研究。
发明内容
(一)要解决的技术问题
鉴于现有技术的上述缺点、不足,本发明提供一种基于触觉传感器的针刺手法识别方法、装置、系统及介质,其解决了针刺手法难以识别和分类的技术问题。
(二)技术方案
为了达到上述目的,本发明采用的主要技术方案包括:
第一方面,本发明实施例提供一种基于触觉传感器的针刺手法识别方法,其包括:
S1、通过基于PVDF压电薄膜设计的压电传感器,获得针刺治疗中产生的压电信号序列;
S2、采用移动平均算法对压电信号序列进行滤波;
S3、基于波峰判断的事件定义法,将经滤波后的压电信号序列分割为多个窗口;
S4、将各窗口进行组合,形成若干个cube;
S5、根据针刺手法的力的位置、作用时长与大小将波峰分成多个类别,基于每个cube中第一个波峰提取的特征,通过模糊C均值聚类分析计算出各波峰类别的聚类中心;
S6、计算每个cube中第一个波峰与各波峰类别的聚类中心的欧式距离,距离最小的对应的聚类中心的类别则为该cube的类别,并将第一个波峰类别符合预设分类条件的cube保留;
S7、对保留的cube中各窗口进行特征提取,得到特征数据集;
S8、基于特征数据集,采用长短时记忆神经网络进行针刺手法的识别。
可选地,压电传感器包括第一信号采集通道与第二信号采集通道,第一信号采集通道用于采集第一压电信号序列,第二信号采集通道用于采集第二压电信号序列。
可选地,步骤S3包括:
设定波峰的最低有效值为V
S31、确定第n个窗口的第1个有效波峰;
在第一信号采集通道中检测到一个大于最低有效值V
S32、判断第n个窗口是否存在第2个有效波峰;
S33a、若在第二信号采集通道中从窗口起始点P
S33b、若在另一个信号采集通道中从窗口起始点P
S34、若第n个窗口有两个有效峰,则第n个窗口的有效峰B的起始点为第n+1窗口的第一个波峰的起始点;若第n个窗口只有一个有效波峰,则直接进行S31-S33b;
S35、循环S31-S34,直到检测结束,形成若干个有效窗口,每个窗口里面至少有一个波峰最多有两个波峰。
可选地,相邻的4个窗口形成1个cube。
可选地,波峰包含8个类别,8个类别所对应的针刺动作包括第一端短时轻压、第一端短时重压、第一端长时轻压、第一端长时重压、第二端短时轻压、第二端短时重压、第二端长时轻压与第二端长时重压。
可选地,对每个cube的第一个波峰提取位置特征、最大值特征、平均值特征、积分特征与时间长度特征;
位置特征为:第一压电信号序列标记为0001,第二压电信号序列标记为1000;
最大值特征为:
S
平均值特征为:
积分特征为:
时间长度特征为:
T=N-1,
其中,一个窗口的数据集合为S=(S
可选地,步骤S5中,通过模糊C均值聚类分析计算出各波峰类别的聚类中心包括:
S51、确定聚类数量和模糊参数,设置迭代终止阈值;
S52、初始化每一个波峰的聚类中心;
S53、计算包含不同类型波峰的训练样本对于各个聚类的隶属度函数值;
S54、重新计算训练样本的各类聚类中心;
S55、计算聚类损失函数值,如果与上次的函数值之差小于迭代终止阈值,则退出迭代,否则返回步骤S53重复运算,直到获得稳定聚类中心和隶属度值。
第二方面,本发明实施例提供一种基于触觉传感器的针刺手法识别系统,其包括:
信号采集模块,用于通过基于PVDF压电薄膜设计的压电传感器,获得针刺治疗中产生的压电信号序列;
滤波模块,用于采用移动平均算法对压电信号序列进行滤波;
窗口分割模块,用于基于波峰判断的事件定义法,将经滤波后的压电信号序列分割为多个窗口;
cube生成模块,用于将各窗口进行组合,形成若干个cube;
聚类分析模块,根据针刺手法的力的位置、作用时长与大小将波峰分成多个类别,基于每个cube中第一个波峰提取的特征,通过模糊C均值聚类分析计算出各波峰类别的聚类中心;
Cube筛选模块,用于计算每个cube中第一个波峰与各波峰类别的聚类中心的欧式距离,距离最小的对应的聚类中心的类别则为该cube的类别,并将第一个波峰类别符合预设分类条件的cube保留
特征提取模块,用于对保留的cube中各窗口进行特征提取,得到特征数据集;
神经网络分类模块,用于基于特征数据集,采用长短时记忆神经网络进行针刺手法的识别。
第三方面,本发明实施例提供一种基于触觉传感器的针刺手法识别系统,包括压电传感器与上位机;
压电传感器基于PVDF压电薄膜设计而成,用于采集针刺治疗中产生的压电信号序列;
上位机包括存储器、处理器及存储在存储器上并可在处理器上运行的基于触觉传感器的针刺手法识别程序,处理器执行针刺手法识别程序时,实现如上所述的基于触觉传感器的针刺手法识别方法。
第四方面,本发明实施例提供一种存储介质,其上存储有计算程序,所述计算机程序被处理器执行时,实现如上所述的一种基于触觉传感器的针刺手法识别方法。
(三)有益效果
本发明的有益效果是:本发明针对在医生进行针刺治疗的过程中,通过基于PVDF压电薄膜设计的压电传感器采集的压电信号序列进行窗口分割。随后,对每个窗口的数据,进行组合,时域特征分析,最终形成特征数据集,进而提取特征,解决了光线的影响以及物体对手势的遮挡等对手势识别产生的影响,实现了对针刺手法这类由若干子动作按一定的时间序列组合而成的复杂手势动作的识别和分类。
附图说明
图1为本发明提供的一种基于触觉传感器的针刺手法识别方法的针刺手法示意图;
图2为本发明提供的一种基于触觉传感器的针刺手法识别方法的针刺动作特点示意图;
图3为本发明提供的一种基于触觉传感器的针刺手法识别方法的流程示意图;
图4为本发明提供的一种基于触觉传感器的针刺手法识别方法的将指套穿戴在手指上施力过程的示意图;
图5为本发明提供的一种基于触觉传感器的针刺手法识别方法的压电信号的采集示意图;
图6为本发明提供的一种基于触觉传感器的针刺手法识别方法的步骤S3的具体流程示意图;
图7为本发明提供的一种基于触觉传感器的针刺手法识别方法的不符合窗口划分标准的一示意图;
图8为本发明提供的一种基于触觉传感器的针刺手法识别方法的不符合窗口划分标准的另一示意图;
图9为本发明提供的一种基于触觉传感器的针刺手法识别方法的第n个窗口中一有效峰的示意图;
图10为本发明提供的一种基于触觉传感器的针刺手法识别方法的第n个窗口中另一有效峰的示意图;
图11为本发明提供的一种基于触觉传感器的针刺手法识别方法的第n个窗口中仅含一个有效峰示意图;
图12为本发明提供的一种基于触觉传感器的针刺手法识别方法的第n+1个窗口中一有效峰的示意图;
图13为本发明提供的一种基于触觉传感器的针刺手法识别方法的第n个窗口的两个有效峰的示意图;
图14为本发明提供的一种基于触觉传感器的针刺手法识别方法的第n+1个窗口的两个有效峰的示意图;
图15为本发明提供的一种基于触觉传感器的针刺手法识别方法的第一信号采集通道中各类别波峰的示意图;
图16为本发明提供的一种基于触觉传感器的针刺手法识别方法的第二信号采集通道中各类别波峰的示意图;
图17为本发明提供的一种基于触觉传感器的针刺手法识别方法的步骤S5的具体流程示意图;
图18为本发明提供的一种基于触觉传感器的针刺手法识别方法的表示针体在两通道所在位置滚动的示意图;
图19为本发明提供的一种基于触觉传感器的针刺手法识别方法的表示针体未发生滚动的示意图;
图20为本发明提供的一种基于触觉传感器的针刺手法识别方法的LSTM网络训练流程图;
图21为本发明提供的一种基于触觉传感器的针刺手法识别方法的LSTM网络训练结果示意图;
图22为本发明提供的一种基于触觉传感器的针刺手法识别系统的组成示意图;
图23为本发明提供的一种基于触觉传感器的针刺手法识别方法的窗口划分及特征提取流程图。
【附图标记说明】
10:基于触觉传感器的针刺手法识别系统;11:信号采集模块;12:滤波模块;13:窗口分割模块;14:cube生成模块;15:聚类分析模块;16:Cube筛选模块;17:特征提取模块;18:神经网络分类模块。
具体实施方式
为了更好地解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
图1为本发明提供的一种基于触觉传感器的针刺手法识别方法的针刺手法示意图,如图1所示,针刺动作从古至今临床常用的主要有提插法和捻转法两种,而这两种手法当中又分为补法和泄法,如图2所示,进一步分为提插补、提插泄、捻转补和捻转泄这四种手法。本发明就是对针刺手法种的这四种手法进行量化,进而完成分类。提插法是指将针刺入穴位一定深度后,施以上提下插的操作手法,使针由浅层向下刺入深层的操作谓之插,从深层向上至浅层的操作谓之提,如此反复的做上下纵向运动就构成了提插法。重插轻提为提插补,重提轻插为提插泄。捻转法是指将针刺入穴位一定深度后,施以向前向后的捻转动作,使针在穴位内反复前后来回旋转的行针手法,向心用力为捻转补,离心用力为捻转泄。
本发明实施例提出的一种基于触觉传感器的针刺手法识别方法,图3为本发明提供的一种基于触觉传感器的针刺手法识别方法的流程示意图,如图3所示,其包括:首先,通过基于PVDF(Polyvinylidene fluoride,聚偏二氟乙烯膜)压电薄膜设计的压电传感器,获得针刺治疗中产生的压电信号序列;其次,采用移动平均算法对压电信号序列进行滤波;接着,基于波峰判断的事件定义法,将经滤波后的压电信号序列分割为多个窗口;然后,将各窗口进行组合,形成若干个cube;再者,根据针刺手法的力的位置、作用时长与大小将波峰分成多个类别,并对不同类型波峰进行模糊C均值聚类分析得到各类别的聚类中心;继而,计算每个cube第一个波峰与各类别的聚类中心的欧式距离,距离最小的对应的聚类中心的类别则为该cube的类别,并将符合针刺动作第一个波峰类别的cube保留;而后,对保留的cube中各窗口进行特征提取,得到特征数据集;最后,基于特征数据集,采用长短时记忆神经网络进行针刺手法的识别。
本发明针对在医生进行针刺治疗的过程中,通过基于PVDF压电薄膜设计的压电传感器采集的压电信号序列进行窗口分割。随后,对每个窗口的数据,进行组合,时域特征分析,最终形成特征数据集,进而提取特征,解决了光线的影响以及物体对手势的遮挡等对手势识别产生的影响,实现了对针刺手法这类由若干子动作按一定的时间序列组合而成的复杂手势动作的识别和分类。
为了更好地理解上述技术方案,下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更清楚、透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
具体地,本发明提供一种基于触觉传感器的针刺手法识别方法,包括:
S1、通过基于PVDF压电薄膜设计的压电传感器,获得针刺治疗中产生的压电信号序列。
本发明公开的基于PVDF压电薄膜设计的压电传感器,包括第一PTFE膜、第二PTFE膜以及设置于第一PTFE膜与第二PTFE膜之间的多个单体PVDF触觉传感器。单体PVDF触觉传感器用于采集针刺动作中的压电信号。第一PTFE膜与第二PTFE膜均用于保护单体PVDF触觉传感器。单体PVDF触觉传感器包括第一透明膜、第二透明膜、PVDF膜、正极引线以及负极引线;PVDF膜设置于第一透明膜与第二透明膜之间,并通过正反两面涂抹的导电银胶引出正极引线以及负极引线。
而基于PVDF压电薄膜设计的压电传感器的制备方法,则包括:首先,在透明膜中央位置均匀涂抹导电银胶,在导电银胶中放入一导线并引出,作为单体PVDF触觉传感器的一电极,再在导电银胶上放入PVDF膜并进行按压,直至导电银胶凝固;其次,在PVDF膜的另一面的中央位置均匀涂抹导电银胶,在再次涂抹的导电银胶中放入另一导线并引出,作为单体PVDF触觉传感器的另一电极,然后取另一透明膜放在再次涂抹的导电银胶上并进行按压,直至导电银胶凝固,形成一个单体PVDF触觉传感器;接着,制成多个单体PVDF触觉传感器之后,对各单体PVDF触觉传感器进行压电测试;再者,将多个符合测试标准的单体PVDF触觉传感器固定在两张PTFE(Poly tetra fluoroethylene,简写为PTFE,中文名称为聚四氟乙烯)膜之间,得到阵列式PVDF触觉传感器;最后,将PVDF触觉传感器制作成指套型。
较佳地,PTFE膜在使用前还包括:对PVDF成品进行裁剪,得到PVDF膜;用酒精对PVDF膜边缘进行非金属化处理。
进一步地,PTFE膜的制作过程包括:取一定量的聚四氟乙烯分散液置于烧杯中,在恒温烘箱中持续加热,使其溶剂挥发,分散液分层,取下层粘稠液体置于另一烧杯;将粘稠液体放置于搅拌器中搅拌,直至粘稠液体形成团聚物;将团聚物置于玛瑙研钵中,用研杵左右均匀地揉搓多次;将揉搓过后的团聚物置于玻璃板上,在手动压力机上按压,直至团聚物成为厚度为0.2~0.3mm的片状物,再将片状物在辊压机上来回辊压多次,得到PTFE成品;将PTFE成品裁剪得到PTFE膜。其中,聚四氟乙烯分散液的质量分数为55~65%;恒温烘箱温度控制在75~85℃,加热时间为23~24h;搅拌器为智能磁力搅拌器,转速为450~500r/min,搅拌时间为3.5~4.5h;PTFE膜长度为45~55mm,宽度为35~45mm;PVDF膜的长度为13~16mm,宽度为9~11mm;透明膜的长度为14~15mm,宽度为10~12mm。
进一步地,将PVDF触觉传感器制作成指套型包括将多个单体PVDF触觉传感器置于PTFE膜上,导线向外,各单体PVDF触觉传感器间隔5mm;将另一张相同的PTFE膜铺设在多个单体PVDF触觉传感器之上,形成PTFE-PVDF-PTFE三明治结构;A1B1、A2B2分别为距离PTFE膜上下两条长边10mm的第一重合线与第二重合线,将第一重合线与第二重合线重合,形成一个中心为圆形的基于阵列式PVDF触觉传感器的指套。
如图4所示,该指套为一个PTFE-PVDF-PTFE的面包结构,医师的食指带上指套,在针刺过程中,手指对针体施加不同的压力引起指套产生形变。如图5所示,指套形PVDF触觉传感器产生的压电信号由放大器放大,采集模块收集,发送电脑并保存,此时便完成了压电信号序列的采集。
较佳地,压电传感器包括第一信号采集通道与第二信号采集通道。第一信号采集通道用于采集第一压电信号序列,第二信号采集通道用于采集第二压电信号序列。
S2、采用移动平均算法对压电信号序列进行滤波。
在数据采集过程中,因为伴随着许多噪声的干扰,收集到的数据往往无法直接使用,在本发明中使用了移动平均滤波算法处理采集到的数据。移动平均算法是通过顺序移动新旧数据求算移动平均值,以消除随机机体的测量误差或噪声带来的偶然变动。
其中,移动平均算法的计算公式为:
U
其中U
S3、基于波峰判断的事件定义法,将经滤波后的压电信号序列分割为多个窗口。
在针刺过程中,医师用力时,压电传感器会产生正向的电压,然后慢慢衰减到0;当力撤销时,会立即产生负向的跳变,然后恢复到0。所以,针刺过程中采集到的信号,是由若干波峰和波谷交替形成的。基于采集到压电曲线的特性,本发明实施例提出了一种基于动作定义的窗口分割方法,对采集到的压电信号序列进行分割,分割为一个个的时间窗口。在针刺过程中,随着手指的按压以及滑动,会对指套形的压电传感器产生压力,进而采集到相应的数据,当按压时采集到的数据则会形成波峰,根据波峰的出现,对这一事件的定义,来对经滤波后的压电信号序列进行窗口划分。
图6为本发明提供的一种基于触觉传感器的针刺手法识别方法的步骤S3的具体流程示意图,如图6所示,步骤S3包括:
设定波峰的最低有效值为V
如图7所示,从检测开始到检测结束没有任何一个通道的值大于等于最低有效值V
S31、确定第n个窗口的第1个有效波峰。
如图9所示,在第一信号采集通道中检测到一个大于最低有效值V
S32、判断第n个窗口是否存在第2个有效波峰。
S33a、如图10所示,若在第二信号采集通道中从窗口起始点P
S33b、如图11所示,若在另一个信号采集通道中从窗口起始点P
S34、如图12和图13所示,若第n个窗口有两个有效峰,则第n个窗口的有效峰B的起始点则为第n+1窗口的第一个波峰的起始点;若第n个窗口只有一个有效波峰,则直接进行S31-S33b。
S35、循环S31-S34,直到检测结束,形成若干个有效窗口。如图14所示,从窗口起始点到窗口结点,划分为一个窗口,每个窗口里面至少有一个波峰最多有两个波峰。
S4、将各窗口进行组合,形成若干个cube。窗口包含一个分解动作,cube则为分解动作的集合即表示一个完整手法动作。
进一步,相邻的4个窗口形成1个cube。在进行窗口分割后,根据针刺手法“捻转”与“提插”的特点,将相邻的4个窗口,按顺序组合成一个cube。此时形成的cube,未经过筛选剔除的,是每相邻的四个窗口的组合,比如给窗口一个编号,1,2,3,4,5,6,那么1-4为第一个cube,2-5为第二个cube,以此类推形成cube。
S5、根据针刺手法的力的位置、作用时长与大小将波峰分成多个类别,基于每个cube中第一个波峰提取的特征,通过模糊C均值聚类分析计算出各波峰类别的聚类中心。
为了将cube标定对齐,本发明结合针刺动作的特点,根据针刺手法捻转与提插按压位置,时长与力度的不同将波峰分为8类,确定不同针刺动作的第一个波峰类别,通过对波峰的特征提取,利用模糊C均值算法实现对cube中第一个波峰的分类,进而实现对cube的剔除与对其。本发明实施例中提供了对不同类型波峰进行模糊C均值聚类分析,得到相应的聚类中心。
对每个cube的第一个波峰提取位置特征、最大值特征、平均值特征、积分特征与时间长度特征;
位置特征为:由第一信号采集通道采集的信息标记为0001,由第二信号采集通道采集的信息标记为1000;
最大值特征为:
S
平均值特征为:
积分特征为:
时间长度特征为:
T=N-1,
其中,一个窗口的数据集合为S=(S
在本发明实施例中压电传感器为双通道,医师在针刺施加压力的表现形式就是波峰。双通道的传输可以有效的分别出施力位置。提插是手对针体不同力度的按压,而捻转在于针体的滚动,补泄的区别在于一个周期内施力位置和施力大小的不同,因此将一次按压动作为一个波峰。如表1所示,按照施力位置,施力时长与施力大小将波峰分为了8个类别,其中,如图15、图16所示,施力位置根据采集到波峰的不同通道分为第一端(对应第一信号采集通道)与第二端(对应第二信号采集通道),施力时长分别长时和短时,施力大小分为轻压和重下。具体为:第一端短时轻压、第一端短时重压、第一端长时轻压、第一端长时重压、第二端短时轻压、第二端短时重压、第二端长时轻压以及第二端长时重压。
表1波峰类别表
图17为本发明提供的一种基于触觉传感器的针刺手法识别方法的步骤S5的具体流程示意图,如图17所示,步骤S5包括:
S51、确定聚类数量k和模糊参数b,设置迭代终止阈值。
S52、初始化每一个波峰的聚类中心m。
S53、计算包含不同类型波峰的训练样本对于各个聚类的隶属度函数值uj(xi)。
S54、重新计算训练集的各类聚类中心mj。
S55、计算聚类损失函数值,如果与上次的函数值之差小于迭代终止阈值,则退出迭代,否则返回步骤S53重复运算,直到获得稳定聚类中心和隶属度值。其中,k=8,b=2。
S6、计算每个cube第一个波峰与各类别的聚类中心的欧式距离,距离最小的对应的聚类中心的类别则为该cube的类别,并将第一个波峰类别符合预设分类条件的cube保留。
保留操作是根据存在的8种波峰情况(表1所示),4种针刺手法分别对应其中4个类别,计算每个cube中第一个波峰波峰特征与8个波峰分类的聚类中心欧式距离,距离最小的对应的聚类中心的类别即为该波峰的类别,进而初步确定对应cube的类别,再通过表2对应的关系判断是否属于这个类别,若是就保留,若不是则剔除。
在最终分类时,不需要对每一个cube都进行分类,本实施例提取每个cube第一个波峰特征的目的在于找出需要的cube,根据波峰的8个类别,提取第一个波峰的特征,首先确定出这一个cube是否为需要进行后续特征提取和分类的cube,如果第一个波峰满足分类条件,保留这个波峰,再对cube进行进一步处理。如果全部提取特征,首先步骤会变多,程序会更多,其次这一步的目的就是在于数据筛选,通过这一个波峰的数据筛选就可以达到目的。
如表2所示,根据提插补,提插泻,捻转补,捻转泻的动作特点,得到4个动作的第1个波峰分别为类别4、3、7、6。
表2动作与特征波峰对应关系表
在初次分类后得到每一个cube的第一个波峰的分类结果,将第一个波峰类别符合针刺动作的cube进行保留,不符合的进行剔除,从而实现cube的剔除与对齐。
S7、对保留的cube中各窗口进行特征提取,得到特征数据集。
1个cube代表一个针刺动作,而1个cube中结合了4个窗口,对cube进行特征提取,实际上是对这4个窗口的特征提取。本发明将cube的特征分裂为4个窗口特征。每个窗口分解为4个阶段,每1个阶段选取4个特征,这样每个cube就产生了4x4x4共计64个特征。
在具体的实施例中,将一个窗口分为4个阶段,分别a-b阶段,b-c阶段,c-d阶段,d-e阶段。如图18和图19所示,下面将分阶段讨论其特征。其中a-b阶段与b-c阶段为波峰出现的阶段,而b-c,c-d阶段则体现了针体在2个波峰出现之间其他情况,首先讨论波峰出现阶段,再讨论之间其他变化阶段。
a-b阶段与d-e阶段中将提取位置特征,积分特征,时间长度特征和最大值特征。位置特征:如果该阶段的波峰为第一信号采集通道采集,则为0001,如果该阶段波峰为第二信号采集通道采集则为1000;积分特征:横轴上方的曲线与横轴相交形成的面积。时间长度特征:在a-b阶段中为tb-ta;在c-d阶段中为td-tc;最大值特征:该阶段中的最大值。
c和c-d阶段中将提取位置特征,积分特征,时间长度特征和平均值特征。位置特征:(1)如果在a-b阶段和d-e阶段的位置特征一致,则与这两个阶段的位置特征保持一致,如图19所示,这表示针体并未发生转动,手指的相对位置未发生明显改变。(2)如果在a-b阶段和d-e阶段的位置特征分别为0001和1000。那么b-c阶段的位置特征为0010,c-d阶段的位置特征为0100,如图18所示,这表示针体在第一信号采集通道所在位置和第二信号采集通道所在位置滚动;(3)同样如果a-b阶段和d-e阶段位置特征分别为1000和0001,那么b-c阶段的位置特征为0100,c-d阶段的位置特征为0010,这表明针体由第二信号采集通道的位置移动到第一信号采集通道所在的位置。
此时的积分特征:横轴上方的曲线与横坐标围成的面积;时间长度特征:在b-c阶段为tc-tb;在c-d阶段为td-tc;平均值特征:将负值记为0,计算阶段的平均值。
经过上述实施例,一个窗口内共提取出4x4共16个特征,在1个cube内有4个窗口,共计64个特征,为接下来的针刺手法分类提供了特征数据。
S8、基于特征数据集,采用长短时记忆神经网络进行针刺手法的识别。
本发明实施例采用LSTM(长短时记忆神经网络)算法,基于上述得到的特征数据集,进行针刺手法的识别。
一个LSTM单元由遗忘门、输入门和输出门组成,遗忘门控制历史信息被遗忘的程度,输入门控制接受新信息的程度,输出门则决定最终输出的信息。LSTM神经网络的流程如下:
1)根据输入的cube特征数据,计算当前遗忘门
2)计算当前输入门
3)计算当前长期记忆状态
4)计算当前输出门
经过上述计算得到当前的输出值。本发明中,输入特征维数64,隐含层状态维数,输出目标维数4,最大训练次数200,学习率,激活函数。
LSTM网络结构如图20所示,LSTM的输出节点个数设置为8,激活函数选用了relu函数,dropout设置为0.5,最后经过softmax函数,输出包含手势类别信息的4维向量。如图21所示,最终的识别准确率为0.77。(而用svm分类的识别准确率为0.76)
更进一步地,本发明还提出一种基于触觉传感器的针刺手法识别系统10,如图22所示,包括:
信号采集模块11,用于通过基于PVDF压电薄膜设计的压电传感器,获得针刺治疗中产生的压电信号序列。
滤波模块12,用于采用移动平均算法对压电信号序列进行滤波。
窗口分割模块13,用于基于波峰判断的事件定义法,将经滤波后的压电信号序列分割为多个窗口。
cube生成模块14,用于将各窗口进行组合,形成若干个cube。
聚类分析模块15,根据针刺手法的力的位置、作用时长与大小将波峰分成多个类别,基于每个cube中第一个波峰提取的特征,通过模糊C均值聚类分析计算出各波峰类别的聚类中心。
Cube筛选模块16,用于计算每个cube中第一个波峰与各波峰类别的聚类中心的欧式距离,距离最小的对应的聚类中心的类别则为该cube的类别,并将第一个波峰类别符合预设分类条件的cube保留。
特征提取模块17,用于对保留的cube中各窗口进行特征提取,得到特征数据集。
神经网络分类模块18,用于基于特征数据集,采用长短时记忆神经网络进行针刺手法的识别。
此外,本发明还提出一种基于触觉传感器的针刺手法识别系统,包括压电传感器与上位机。压电传感器基于PVDF压电薄膜设计而成,用于采集针刺治疗中产生的压电信号序列。上位机包括存储器、处理器及存储在存储器上并可在处理器上运行的基于触觉传感器的针刺手法识别程序,处理器执行针刺手法识别程序时,实现如上所述的基于触觉传感器的针刺手法识别方法。
同时,还公开了一种存储介质,其上存储有计算程序,所述计算机程序被处理器执行时,实现如上所述的一种基于触觉传感器的针刺手法识别方法。
综上所述,本发明提出一种基于触觉传感器的针刺手法识别方法、装置、系统及介质,图23为本发明提供的一种基于触觉传感器的针刺手法识别方法的窗口划分及特征提取流程图,如图23所示,本发明针对阵列式PVDF传感器在医生进行针刺治疗的过程中,产生的传感器压电信号序列首先进行滤波处理,接着将信号分割为多个窗口,并将每4个窗口的数据进行组合为一个cube。再对波峰处理以及cube剔除,最终,提取特征形成特征数据集,为后续的利用神经网络进行识别工作奠定基础。
本发明基于机器学习中的FCM方法对获取的针刺手法压电信号进行聚类分析,构建了一种针刺手法识别方法,能够有效识别捻转补、捻转泻、提插补、提插泻四种基本针刺动作,有利于针刺手法的量化与传播。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例,或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。
此外,需要说明的是,在本说明书的描述中,术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述,是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
显然,本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也应该包含这些修改和变型在内。
- 基于触觉传感器的针刺手法识别方法、装置、系统及介质
- 基于声纹的目标人物识别方法、系统、装置及存储介质