基于时间卷积网络的运动迟缓量化分级评估方法及装置

技术领域

本发明涉及医疗保健信息学技术领域，尤其涉及一种基于时间卷积网络的运动迟缓量化分级评估方法及装置。

背景技术

现有方式中对运动迟缓程度的评估通常是由有经验的临床医生根据待判断对象的行为表现进行主观的判断，这种方式的不足之处在于评估结果的质量对于临床医生的经验水平依赖程度较高，并且评估结果无法客观定量刻画待判断对象运动障碍程度的变化。

发明内容

本发明提供一种基于时间卷积网络的运动迟缓量化分级评估方法及装置，用以解决现有技术中评估结果质量对于临床医生的经验水平依赖程度较高和评估结果无法客观定量刻画患者运动障碍程度的变化的缺陷，实现客观地对目标对象的运动迟缓程度作出定量评估，并提高了评估结果的准确性。

本发明提供一种基于时间卷积网络的运动迟缓量化分级评估方法，包括：

获取目标对象的运动学数据；

基于所述运动学数据以及训练好的运动迟缓量化评估模型，得到所述目标对象的运动迟缓等级；

其中，所述运动迟缓量化评估模型是根据带有运动迟缓等级标签的样本运动学数据集对时间卷积网络训练得到的。

根据本发明提供的一种基于时间卷积网络的运动迟缓量化分级评估方法，所述运动迟缓量化评估模型包括输入层、残差网络、全连接层和输出层，所述输入层、所述残差网络、所述全连接层和所述输出层依次连接；

所述残差网络包括多个依次连接的残差块，任意两个相邻的残差块之间通过1×1的卷积层连接。

根据本发明提供的一种基于时间卷积网络的运动迟缓量化分级评估方法，每个残差块包括两个卷积单元，每个卷积单元的结构为膨胀因果卷积层、权重归一化层、线性整流函数ReLU层、Dropout层依次连接。

根据本发明提供的一种基于时间卷积网络的运动迟缓量化分级评估方法，所述残差网络中，与所述输入层连接的残差块的膨胀因子取值为1，任意一个残差块的膨胀因子取值为前一个残差块的膨胀因子取值的2倍。

根据本发明提供的一种基于时间卷积网络的运动迟缓量化分级评估方法，所述基于所述运动学数据以及训练好的运动迟缓量化评估模型，得到所述目标对象的运动迟缓等级，包括：

对所述运动学数据进行预处理，将预处理后的运动学数据输入训练好的运动迟缓量化评估模型，得到所述目标对象的运动迟缓等级；

所述预处理包括滤波处理和/或归一化处理；

其中，所述滤波处理包括：

将运动学数据的时域数据通过快速傅里叶变换得到所述时域数据对应的频域数据，将所述频域数据中零频率对应的幅值和高于预设频率阈值的频率对应的幅值置零后进行快速傅里叶逆变换；

所述归一化处理根据以下公式进行：

式中，

根据本发明提供的一种基于时间卷积网络的运动迟缓量化分级评估方法，所述样本运动学数据集根据以下方式获取：

获取样本原始运动学数据集；

对所述样本原始运动学数据集进行滤波处理、数据增强处理和归一化处理中的一种或多种，得到样本运动学数据集；

其中，所述数据增强处理包括：

使用滑动窗口法将所述样本原始运动学数据集进行扩充；和/或，

在所述样本原始运动学数据集中添加高斯白噪声。

根据本发明提供的一种基于时间卷积网络的运动迟缓量化分级评估方法，所述目标对象的运动学数据，包括以下一项或多项：

目标对象执行静息任务时的运动学数据；

目标对象执行伸展任务时的运动学数据；

目标对象执行轮替任务时的运动学数据。

本发明还提供一种基于时间卷积网络的运动迟缓量化分级评估装置，包括：

获取数据模块，用于获取目标对象的运动学数据；

输出等级模块，用于基于所述运动学数据以及训练好的运动迟缓量化评估模型，得到所述目标对象的运动迟缓等级；

其中，所述运动迟缓量化评估模型是根据带有运动迟缓等级标签的样本运动学数据集对时间卷积网络训练得到的。

本发明还提供一种电子设备，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计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于时间卷积网络的运动迟缓量化分级评估方法。

本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于时间卷积网络的运动迟缓量化分级评估方法。

本发明提供的基于时间卷积网络的运动迟缓量化分级评估方法及装置，通过根据带有运动迟缓等级标签的样本运动学数据集对时间卷积网络训练得到运动迟缓量化评估模型，获取目标对象的运动学数据，基于运动学数据以及训练好的运动迟缓量化评估模型，得到目标对象的运动迟缓等级，从而客观地对目标对象的运动迟缓程度作出定量评估，并提高了评估结果的准确性。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的基于时间卷积网络的运动迟缓量化分级评估方法的流程示意图；

图2为本发明提供的运动迟缓量化评估模型的结构示意图；

图3为本发明提供的残差块的结构示意图；

图4为本发明提供的基于可穿戴设备与云平台的便携式轻量化评价系统的示意图；

图5为本发明提供的评估模型的具体结构示意图；

图6为本发明提供的基于时间卷积网络的运动迟缓量化分级评估装置的示意图；

图7为本发明提供的电子设备的实体结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明提供的基于时间卷积网络的运动迟缓量化分级评估方法的流程示意图，如图1所示，该方法包括以下步骤：

步骤100、获取目标对象的运动学数据。

步骤101、基于运动学数据以及训练好的运动迟缓量化评估模型，得到目标对象的运动迟缓等级。

其中，运动迟缓量化评估模型是根据带有运动迟缓等级标签的样本运动学数据集对时间卷积网络训练得到的。

具体地，本发明提供的方法的执行主体可以为可以接收其他设备输入并且自身具有一定计算能力的处理设备，以下以计算机设备为例对本发明提供的方法进行说明。

目标对象为需要进行运动迟缓量化评估的对象，要对目标对象进行运动迟缓量化评估，计算机设备可以先获取目标对象的运动学数据。

一些实施方式中，可以让目标对象佩戴部署有惯性传感器的穿戴设备，通过部署有惯性传感器的穿戴设备采集目标对象的运动学数据并发送给计算机设备。例如，可以让目标对象佩戴装备有惯性传感器的手环，惯性传感器可以采集目标对象的多种运动学数据，如三轴加速度、三轴角速度、手实时运动的俯仰角和偏航角等。

计算机设备可以根据带有运动迟缓等级标签的样本运动学数据对时间卷积网络训练得到运动迟缓量化评估模型，然后根据获取的目标对象的运动学数据以及训练好的运动迟缓量化评估模型，得到目标对象的运动迟缓等级。

可选地，穿戴设备可以对采集的原始运动学数据进行预处理，再将预处理后的运动学数据发送给计算机设备，由计算机设备将预处理后的运动学数据输入训练好的运动迟缓量化评估模型来确定目标对象的运动迟缓等级。

可选地，基于运动学数据以及训练好的运动迟缓量化评估模型，得到目标对象的运动迟缓等级，包括：

对运动学数据进行预处理，将预处理后的运动学数据输入训练好的运动迟缓量化评估模型，得到目标对象的运动迟缓等级；

预处理包括滤波处理和/或归一化处理；

其中，滤波处理包括：

将运动学数据的时域数据通过快速傅里叶变换得到时域数据对应的频域数据，将频域数据中零频率对应的幅值和高于预设频率阈值的频率对应的幅值置零后进行快速傅里叶逆变换；

归一化处理根据以下公式进行：

式中，

具体地，在获取的运动学数据为穿戴设备采集的原始运动学数据的情况下，计算机设备可以对获取的运动学数据进行预处理后再输入训练好的运动迟缓量化评估模型，从而得到目标对象的运动迟缓等级。

对运动学数据进行预处理的过程可以是对运动学数据进行滤波处理过程，或者对运动学数据进行归一化处理过程，或者对运动学数据既进行滤波处理过程也进行归一化处理过程。

其中，滤波处理过程可以是将运动学数据使用快速傅里叶变换方法映射到对应的频率域，然后在频域将零频率对应的幅值和高于预设频率阈值的频率对应的幅值置零。在此基础上，再通过快速逆傅里叶变换函数，将处理后的频域数据逆变到时域数据，从而达到滤波效果。

例如，针对长度为N，维数为2的有限时间序列为

其快速傅里叶逆变换可以表示为：

式中，

在数据采集的过程中，不同的目标对象穿戴设备穿戴位置的细微差异会影响到初始时刻的加速度数值。滤波处理可以消除这种情况对目标对象采集的运动学数据质量以及对模型性能的影响。

归一化处理可以根据以下公式进行：

式中，

可选地，样本运动学数据集可以根据以下方式获取：

获取样本原始运动学数据集；

对样本原始运动学数据集进行滤波处理、数据增强处理和归一化处理中的一种或多种，得到样本运动学数据集；

其中，数据增强处理包括：

使用滑动窗口法将样本原始运动学数据集进行扩充；和/或，

在样本原始运动学数据集中添加高斯白噪声。

具体地，可以先获取样本原始运动学数据集，样本原始运动学数据集也可以是通过穿戴设备采集多个对象的原始运动学数据得到的。

然后，可以对样本原始运动学数据集进行滤波处理、数据增强处理和归一化处理中的一种或多种，从而得到训练运动迟缓量化评估模型用的样本运动学数据集。

滤波处理和归一化处理与对运动学数据的预处理过程类似，此处不再赘述。对样本原始运动学数据集进行数据增强处理可以是使用滑动窗口法将样本原始运动学数据集进行扩充；或者，可以是在样本原始运动学数据集中添加高斯白噪声（Gaussian whitenoise）；或者，可以既使用滑动窗口法将样本原始运动学数据集进行扩充，又在样本原始运动学数据集中添加高斯白噪声。

通过滑动窗口法截取时间序列的片段，可以将采集的样本原始运动学数据重塑为指定长度的样本，有利于提高模型识别精度。优选地，可以将时间窗口设置为5秒。

高斯白噪声可以使用伪随机数生成器生成，添加的噪声数量是可配置的超参数。优选地，可以将随机产生五倍于样本原始运动学数据的高斯白噪声应用于增强数据，具体公式如下：

式中

为了减少输入数据的维度以及得到更加精准的结果，优选地，可以将三轴加速度合成为单轴加速度数据，将单轴加速度数据以及选择与运动过程相关性最强的y轴角速度作为输入运动迟缓量化评估模型的运动学数据。

本发明提供的基于时间卷积网络的运动迟缓量化分级评估方法，通过根据带有运动迟缓等级标签的样本运动学数据集对时间卷积网络训练得到运动迟缓量化评估模型，获取目标对象的运动学数据，基于运动学数据以及训练好的运动迟缓量化评估模型，得到目标对象的运动迟缓等级，从而客观地对目标对象的运动迟缓程度作出定量评估，并提高了评估结果的准确性。

可选地，运动迟缓量化评估模型包括输入层、残差网络、全连接层和输出层，输入层、残差网络、全连接层和输出层依次连接；

残差网络包括多个依次连接的残差块，任意两个相邻的残差块之间通过1×1的卷积层连接。

具体地，图2为本发明提供的运动迟缓量化评估模型的结构示意图，如图2所示，该运动迟缓量化评估模型可以包括输入层、残差网络、全连接层和输出层，其中，残差网络包括多个依次连接的残差块。

在使用该运动迟缓量化评估模型时，输入的数据依次经过输入层、多个残差块、全连接层和输出层。

其中，可以在任意两个相邻的残差块之间应用1×1的卷积层，这样不仅保证了残差块的数据输出长度和输入长度保持一致，也使得过去时刻的信息得到了保留，从而可以加速模型的收敛过程和提高模型评估的准确率。

数据经过输入层到达残差网络后，多个残差块组成的残差网络可以对输入的数据进行多次卷积处理并传递，然后由全连接层将数据展平为一维信号到达输出层，输出层可以采用Softmax非线性函数作为分类器，经过全连接层得到的一维信号经过Softmax函数后可以得到多种类别的概率分布，接着可以依据最大似然估计原理将概率最大的类别作为预测结果：

式中，

一些实施方式中，输出层中的神经元个数为4个，从而可以得到四种运动迟缓等级，分别为正常、轻度、中度和重度。相比于目前大部分仅针对运动迟缓症状进行二分类的方案，可以对目标对象运动迟缓程度进行更精准地划分。

可选地，每个残差块包括两个卷积单元，每个卷积单元的结构为膨胀因果卷积层、权重归一化层、线性整流函数（Rectified Linear Unit，ReLU）层、Dropout层依次连接。

具体地，图3为本发明提供的残差块的结构示意图，如图3所示，每个残差块包括两个卷积单元，每个卷积单元的结构为膨胀因果卷积层、权重归一化层、ReLU层、Dropout层依次连接。

其中，通过膨胀因果卷积层学习输入数据中更多的特征从而提高模型的识别精度。

可选地，残差网络中，与输入层连接的残差块的膨胀因子取值为1，任意一个残差块的膨胀因子取值为前一个残差块的膨胀因子取值的2倍。

例如，优选地，本发明提供的运动迟缓量化评估模型可以包含6个残差块，随着模型的加深，第一个到第六个残差块的膨胀因子取值依次为1，2，4，8，16，32。

通过权重归一化层对网络权值进行归一化，加速训练过程并提高模型的泛化能力；通过ReLU层做非线性激活操作，提高神经网络的非线性拟合能力，增强模型的表达能力；通过Dropout层随机丢弃节点来防止模型网络的过拟合。

优选地，各Dropout层的Dropout因子取值为0.3。

可选地，目标对象的运动学数据，包括以下一项或多项：

（1）目标对象执行静息任务时的运动学数据。

其中，静息任务指的是目标对象保持静止姿态基本不变的状态。

例如，可以让目标对象佩戴部署有惯性传感器的可穿戴设备保持坐姿并摆放双臂于椅子的双侧扶手上，获取目标对象处于该状态时的运动学数据。

（2）目标对象执行伸展任务时的运动学数据。

其中，伸展任务指的是目标对象在伸展肢体时保持伸展姿态基本不变的状态。

例如，可以让目标对象佩戴部署有惯性传感器的可穿戴设备在保持坐姿的前提下将双手水平举起于身体前侧与肩关节同高，同时使双手掌心朝向地面。

（3）目标对象执行轮替任务时的运动学数据。

其中，轮替任务指的是目标对象在伸展肢体时保持肢体活动姿态有节奏变化的状态。

例如，可以让目标对象佩戴部署有惯性传感器的可穿戴设备在保持坐姿并将双手水平举起于身体前侧与肩关节同高的基础上，双手做快速轮替动作，即上肢进行最大幅度的旋前和旋后运动，同时，双手掌心有节奏地面向和背离地面。

以下通过一种具体应用场景的实施例对本发明提供的基于时间卷积网络的运动迟缓量化分级评估方法做进一步阐述说明。

需要说明的是，本发明并不是为了获取诊断结果的疾病诊断方法，根据本发明提供的基于时间卷积网络的运动迟缓量化分级评估方法所得到的运动迟缓等级并不能作为疾病患者的诊断结果。虽然以下具体应用场景的实施例中以脑功能疾病患者作为目标对象，通过本发明提供的基于时间卷积网络的运动迟缓量化分级评估方法对脑功能疾病患者的上肢运动迟缓程度进行评估，但并不表示本发明提供的基于时间卷积网络的运动迟缓量化分级评估方法可以用于对脑功能疾病患者进行诊断。

本实施例提供一种基于时间卷积网络的脑功能疾病患者上肢运动迟缓量化分级评估系统，该系统所涉及的设备和主要方法包括：

1、可穿戴传感器的设计

为了能够采集到脑功能疾病患者的上肢运动信号，采用装备有惯性传感器的手环。手环内置有惯性传感器模块，低功耗的蓝牙模块，STM32微处理器和锂电池等关键器件。手环可以采集患者8种运动学数据，包括三轴加速度，三轴角速度和手实时运动的俯仰角和偏航角的数据。图4为本发明提供的基于可穿戴设备与云平台的便携式轻量化评价系统的示意图，如图4所示，该设备可以通过蓝牙传输患者的运动学数据至手机端，手机端可以和远端电脑及云端通信，实现远程诊断功能。在脑功能疾病患者的上肢运动学数据采集过程中，手环佩戴在患者手腕处即可。

2、数据采集范式的设计

针对脑功能疾病患者的上肢运动迟缓分级，本实施例提供了一套数据采集范式，具体的任务流程如下：

（1）执行静息任务。脑功能疾病患者佩戴可穿戴设备保持坐姿并摆放双臂于椅子的双侧扶手上，该动作保持15秒。

（2）执行伸展任务。脑功能疾病患者在保持坐姿的前提下将双手水平举起于身体前侧与肩关节同高，同时使双手掌心朝向地面，该动作同样保持15秒。

（3）执行轮替任务。脑功能疾病患者在伸展任务的基础上，双手再做15秒的快速轮替动作，也就是说上肢进行最大幅度的旋前和旋后运动，同时，双手掌心有节奏地面向和背离地面。

在数据采集实验进行的过程中，连续的运动采集使患者容易疲劳，此刻采集的动作会变形或不能按照规定的时间完成动作。考虑到脑功能疾病患者的疲劳度并结合相关的工作，该数据采集范式将各项任务的执行时间设置为15秒。

3、数据预处理方法

为了解决原始的运动学信号存在的传感器误差的影响，提高信号的分析效果，本实施例提供了运动学信号的预处理方法。

具体地，本实施例将快速傅里叶变换方法用于原始运动学数据的滤波处理。接下来，本实施例使用数据增强算法来提高模型的泛化能力。在此基础上，本实施例使用归一化算法来消除不同患者个体化差异对数据质量和模型性能的影响。

（1）基于快速傅里叶变换的滤波处理

在数据采集实验的过程中，考虑到每位脑功能疾病患者佩戴位置的细微差异会影响到初始时刻的加速度数值。为了消除这种情况对脑功能疾病患者运动学数据质量和模型性能的影响，将原始运动学数据使用快速傅里叶变换方法映射到对应的频率域。然后在频率域将数据的零频率和高频幅值置零。在此基础上，再通过快速逆傅里叶变换函数，将处理后的频域数据逆变到时域数据，从而达到滤波效果。

具体地，针对长度为N，维数为2的有限时间序列为

快速傅里叶逆变换可以表示为

式中的

（2）基于数据增强算法的模型泛化能力提升

为了让有限的数据产生更多的价值，本实施例依次使用两种数据增强的方法。

本实施例先使用滑动窗口法来扩充数据集，再使用向原始数据中添加高斯白噪声方式来增强模型的泛化能力。

在本实施例中，采集脑功能疾病患者的动作频率较高，根据专业的神经内科医生指导，将时间窗口长度设为5秒，这样每个样本中共含有1000个数据点。这样可以达到扩充数据集，从而提高模型识别精度的目的。

高斯白噪声可以使用伪随机数生成器生成。添加的噪声数量是可配置的超参数，本实施例推荐将随机产生五倍于原始数据的高斯白噪声应用于增强数据：

式中

（3）基于数据归一化的个体差异消除

为了提高深度学习模型的识别性能，先把经过数据滤波和增强预处理后的数据归一化处理后再送入神经网络模型中进行训练。

式中

4、基于时间卷积网络的上肢运动迟缓量化分级评估模型

针对脑功能疾病患者的上肢运动迟缓程度的评估，本实施例设计了一种基于时间卷积网络的脑功能疾病上肢迟缓程度量化评估模型。该模型可以客观精准地实现脑功能疾病患者上肢运动延迟严重程度的四种水平分类。如图2所示，本实施例提供的评估模型包含有输入层，若干个残差块，全连接层和输出层。

本实施例提供的评估模型中，每个残差块由两个权重归一化层，两个Dropout层，两个膨胀因果卷积层以及两个整流激活函数（ReLU）层组成。另外，每个残差块的膨胀因子按照2的指数次幂变化。具体地，第1个残差块膨胀因子为1，到第6个残差块膨胀因子变为32。

图5为本发明提供的评估模型的具体结构示意图。如图5所示，模型的输入数据来自脑功能疾病患者的运动学数据。优选地，将三轴加速度合成为单轴来减少数据维度，同时选取与运动过程相关性最强的y轴角速度作为输入，所以输入数据的维度为2。对时间序列下采样后选择的时间步长为200，确定模型的输入数据的形式为200×1×2。

式中，

在第一个残差块内部，最优的卷积核尺寸为7×1，卷积滤波器的数量为128，故第一层卷积后特征图谱的深度变为128。

为了让时间卷积网络模型可以获取任意长度的时间序列，在经过第一个残差块之后，1×1卷积被应用在输入序列和第二个残差块之间，这样不仅保证了残差块的数据输出长度和输入长度保持一致，也使得过去时刻的信息得到了保留，从而可以加速模型的收敛过程和提高模型评估的准确率。

为了避免模型出现梯度消失和梯度爆炸等问题，本实施例在其余5个残差块内部中使用了残差连接。优选地，将每个卷积核的尺寸定为7×1，卷积滤波器的数量设为128。不同残差块之间的主要区别在于，随着模型的加深，各个残差块的膨胀因子d分别为1,2,4,8,16,32。模型层数加深和膨胀因子的加入使得时间卷积网络模型可以学习到输入时间序列中更多的特征，从而提高了模型的识别精度，同时为了避免模型训练过程中过拟合现象的出现，超参数为0.3的Dropout层应用在每层卷积中。

在时间卷积网络结构中，全连接层将数据展平为一维信号。输出层中的神经元个数为4，分别代表脑功能疾病患者运动迟缓的四种程度（正常、轻度、中度和重度）。Softmax非线性函数在输出层作为分类器被应用在模型中，其工作过程可以理解为给定的输入经过Softmax函数后得到多种类别的概率分布，接着依据最大似然估计原理将概率最大的类别作为预测结果：

式中，

本实施例提供的模型的超参数包括残差块层数、卷积核的数量，卷积核的尺寸，Dropout因子。按照控制变量法，最优的超参数设计为：6个残差块，128个卷积核，1x7卷积核的尺寸，0.3的Dropout因子。

本实施例结合可穿戴设备和深度学习算法实现了轻量化便携式的脑功能疾病运动障碍客观定量评估，可以实现脑功能疾病患者的高效自我监控管理。

下面对本发明提供的基于时间卷积网络的运动迟缓量化分级评估装置进行描述，下文描述的基于时间卷积网络的运动迟缓量化分级评估装置与上文描述的基于时间卷积网络的运动迟缓量化分级评估方法可相互对应参照。

图6为本发明提供的基于时间卷积网络的运动迟缓量化分级评估装置的示意图，如图6所示，该装置包括：

获取数据模块600，用于获取目标对象的运动学数据；

输出等级模块610，用于基于运动学数据以及训练好的运动迟缓量化评估模型，得到目标对象的运动迟缓等级；

其中，运动迟缓量化评估模型是根据带有运动迟缓等级标签的样本运动学数据集对时间卷积网络训练得到的。

可选地，运动迟缓量化评估模型包括输入层、残差网络、全连接层和输出层，输入层、残差网络、全连接层和输出层依次连接；

残差网络包括多个依次连接的残差块，任意两个相邻的残差块之间通过1×1的卷积层连接。

可选地，每个残差块包括两个卷积单元，每个卷积单元的结构为膨胀因果卷积层、权重归一化层、线性整流函数ReLU层、Dropout层依次连接。

可选地，残差网络中，与输入层连接的残差块的膨胀因子取值为1，任意一个残差块的膨胀因子取值为前一个残差块的膨胀因子取值的2倍。

可选地，基于运动学数据以及训练好的运动迟缓量化评估模型，得到目标对象的运动迟缓等级，包括：

对运动学数据进行预处理，将预处理后的运动学数据输入训练好的运动迟缓量化评估模型，得到目标对象的运动迟缓等级；

预处理包括滤波处理和/或归一化处理；

其中，滤波处理包括：

将运动学数据的时域数据通过快速傅里叶变换得到时域数据对应的频域数据，将频域数据中零频率对应的幅值和高于预设频率阈值的频率对应的幅值置零后进行快速傅里叶逆变换；

归一化处理根据以下公式进行：

式中，

可选地，样本运动学数据集根据以下方式获取：

获取样本原始运动学数据集；

对样本原始运动学数据集进行滤波处理、数据增强处理和归一化处理中的一种或多种，得到样本运动学数据集；

其中，数据增强处理包括：

使用滑动窗口法将样本原始运动学数据集进行扩充；和/或，

在样本原始运动学数据集中添加高斯白噪声。

可选地，目标对象的运动学数据，包括以下一项或多项：

目标对象执行静息任务时的运动学数据；

目标对象执行伸展任务时的运动学数据；

目标对象执行轮替任务时的运动学数据。

图7为本发明提供的电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器（processor）710、通信接口（Communications Interface）720、存储器（memory）730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行基于时间卷积网络的运动迟缓量化分级评估方法，该方法包括：

获取目标对象的运动学数据；

基于运动学数据以及训练好的运动迟缓量化评估模型，得到目标对象的运动迟缓等级；

其中，运动迟缓量化评估模型是根据带有运动迟缓等级标签的样本运动学数据集对时间卷积网络训练得到的。

此外，上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于时间卷积网络的运动迟缓量化分级评估方法，该方法包括：

获取目标对象的运动学数据；

基于运动学数据以及训练好的运动迟缓量化评估模型，得到目标对象的运动迟缓等级；

其中，运动迟缓量化评估模型是根据带有运动迟缓等级标签的样本运动学数据集对时间卷积网络训练得到的。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。