技术特征：
1.一种基于深度学习的上肢康复机器人运动意图识别模型训练方法，其特征在于，包括：接收多个表面肌电信号传感器发送的多个表面肌肉信号，通过编码器对每个所述表面肌肉信号进行编码处理，得到多个数据光信号，以及通过数据转换器对每个所述数据光信号进行信号转换，得到多个数据数字信号；对每个所述数据数字信号进行预处理，得到多个候选数据数字信号样本，并对所述多个候选数据数字信号样本进行采样，得到多个目标数据数字信号样本；将每个所述目标数据数字信号样本输入一一对应的时域卷积网络tcn进行特征提取，得到多个数据特征向量，并对所述多个数据特征向量进行拼接处理，得到第一总数据特征向量，以及对所述第一总数据特征向量进行特征评估，得到第一评估数据特征向量；在所述将每个所述目标数据数字信号样本输入一一对应的时域卷积网络tcn进行特征提取的过程中，获取每个所述目标数据数字信号样本对应的中间特征向量，并对所述中间特征向量进行拼接处理，得到第二总数据特征向量，以及对所述第二总数据特征向量进行特征评估，得到第二评估数据特征向量；将所述第一评估数据特征向量和所述第二评估数据特征向量输入全连接网络进行处理，得到分类结果，基于所述分类结果和预期结果调整网络参数，生成上肢康复机器人运动意图识别模型。2.根据权利要求1所述的基于深度学习的上肢康复机器人运动意图识别模型训练方法，其特征在于，所述接收多个表面肌电信号传感器发送的多个表面肌肉信号，包括：在执行每个康复动作的过程中，接收设置在三角肌位置的第一表面肌电信号传感器发送的第一表面肌肉信号；在执行每个所述康复动作的过程中，接收设置在肱二头肌位置的第二表面肌电信号传感器发送的第二表面肌肉信号；在执行每个所述康复动作的过程中，接收设置在肱三头肌位置的第三表面肌电信号传感器发送的第三表面肌肉信号；在执行每个所述康复动作的过程中，接收设置在肱桡肌位置的第四表面肌电信号传感器发送的第四表面肌肉信号。3.根据权利要求1所述的基于深度学习的上肢康复机器人运动意图识别模型训练方法，其特征在于，所述对每个所述数据数字信号进行预处理，得到多个候选数据数字信号样本，包括：基于通带衰减频率、阻带截止频率、通带截止频率的归一化频率和阻带截止频率的归一化频率计算滤波阶数；基于所述滤波阶数，获取目标传递函数；每个所述数据数字信号与所述目标传递函数进行相乘后进行双线性变换，得到所述多个候选数据数字信号样本。4.根据权利要求1所述的基于深度学习的上肢康复机器人运动意图识别模型训练方法，其特征在于，所述对所述第一总数据特征向量进行特征评估，得到第一评估数据特征向量，包括：对所述第一总数据特征向量按通道进行平均池化，得到多个第一平均池化压缩向量；
将所述多个第一平均池化压缩向量输入全连接网络进行处理，得到多个第一通道权重；将所述多个第一通道权重分别与所述第一总数据特征向量进行通道级别相乘，得到所述第一评估数据特征向量。5.根据权利要求1所述的基于深度学习的上肢康复机器人运动意图识别模型训练方法，其特征在于，所述对所述第二总数据特征向量进行特征评估，得到第二评估数据特征向量，包括：对所述第二总数据特征向量按通道进行平均池化，得到多个第二平均池化压缩向量；将所述多个第二平均池化压缩向量输入全连接网络进行处理，得到多个第二通道权重；将所述多个第二通道权重分别与所述第二总数据特征向量进行通道级别相乘，得到所述第二评估数据特征向量。6.一种上肢康复机器人运动意图识别方法，其特征在于，基于权利要求1-5任一项所述的上肢康复机器人运动意图识别模型，所述方法包括：接收多个表面肌电信号传感器发送的多个待处理表面肌肉信号，通过编码器对每个所述待处理表面肌肉信号进行编码处理，得到多个待处理数据光信号，以及通过数据转换器对每个所述待处理数据光信号进行信号转换，得到多个待处理数据数字信号；对每个所述待处理数据数字信号进行预处理，得到多个候选待处理数据数字信号，并对所述多个候选待处理数据数字信号进行采样，得到多个目标待处理数据数字信号；将所述多个目标待处理数据数字信号输入上肢康复机器人运动意图识别模型进行处理，得到实时分类结果。7.根据权利要求6所述的上肢康复机器人运动意图识别方法，其特征在于，还包括：基于所述实时分类结果输出实时动作类别，并通过虚拟现实技术基于所述实时动作类别执行动作。8.根据权利要求6所述的上肢康复机器人运动意图识别方法，其特征在于，所述将所述多个目标待处理数据数字信号输入上肢康复机器人运动意图识别模型进行处理，得到实时分类结果，包括：将每个所述待处理目标数据数字信号样本输入一一对应的时域卷积网络tcn进行特征提取，得到多个待处理数据特征向量，并对所述多个待处理数据特征向量进行拼接处理，得到第一总待处理数据特征向量，以及对所述第一总待处理数据特征向量进行特征评估，得到第一评估待处理数据特征向量；在所述将每个所述待处理目标数据数字信号样本输入一一对应的时域卷积网络tcn进行特征提取的过程中，获取每个所述待处理目标数据数字信号样本对应的待处理中间特征向量，并对所述待处理中间特征向量进行拼接处理，得到第二总待处理数据特征向量，以及对所述第二总待处理数据特征向量进行特征评估，得到第二评估待处理数据特征向量；将所述第一评估待处理数据特征向量和所述第二评估待处理数据特征向量输入全连接网络进行处理，得到实时分类结果。9.一种基于深度学习的上肢康复机器人运动意图识别模型训练装置，其特征在于，包括：
第一接收模块，接收多个表面肌电信号传感器发送的多个表面肌肉信号，通过编码器对每个所述表面肌肉信号进行编码处理，得到多个数据光信号，以及通过数据转换器对每个所述数据光信号进行信号转换，得到多个数据数字信号；第一处理模块，对每个所述数据数字信号进行预处理，得到多个候选数据数字信号样本，并对所述多个候选数据数字信号样本进行采样，得到多个目标数据数字信号样本；第一提取模块，将每个所述目标数据数字信号样本输入一一对应的时域卷积网络tcn进行特征提取，得到多个数据特征向量，并对所述多个数据特征向量进行拼接处理，得到第一总数据特征向量，以及对所述第一总数据特征向量进行特征评估，得到第一评估数据特征向量；第二提取模块，在所述将每个所述目标数据数字信号样本输入一一对应的时域卷积网络tcn进行特征提取的过程中，获取每个所述目标数据数字信号样本对应的中间特征向量，并对所述中间特征向量进行拼接处理，得到第二总数据特征向量，以及对所述第二总数据特征向量进行特征评估，得到第二评估数据特征向量；第二处理模块，将所述第一评估数据特征向量和所述第二评估数据特征向量输入全连接网络进行处理，得到分类结果，基于所述分类结果和预期结果调整网络参数，生成上肢康复机器人运动意图识别模型。10.一种上肢康复机器人运动意图识别装置，其特征在于，包括：第二接收模块，接收多个表面肌电信号传感器发送的多个待处理表面肌肉信号，通过编码器对每个所述待处理表面肌肉信号进行编码处理，得到多个待处理数据光信号，以及通过数据转换器对每个所述待处理数据光信号进行信号转换，得到多个待处理数据数字信号；第三处理模块，对每个所述待处理数据数字信号进行预处理，得到多个候选待处理数据数字信号，并对所述多个候选待处理数据数字信号进行采样，得到多个目标待处理数据数字信号；第四处理模块，将所述多个目标待处理数据数字信号输入上肢康复机器人运动意图识别模型进行处理，得到实时分类结果。
技术总结
本公开涉及一种上肢康复机器人运动意图识别模型训练、识别方法及装置，其中，该方法包括：接收多个表面肌肉信号，通过编码器进行编码等处理得到多个数据数字信号，对每个数据数字信号进行预处理，得到多个目标数据数字信号样本，将每个目标数据数字信号样本输入一一对应的时域卷积网络TCN进行特征提取、拼接、评估得到第一、二评估数据特征向量，然后输入全连接网络进行处理，生成上肢康复机器人运动意图识别模型，本公开采用多流时域卷积网络TCN结构对数据进行分类，并对不同通道特征进行重要性评估，有效利用模型学习到的早期特征与晚期特征，提升了分类效果，极大的提高了患者的主动参与性及上肢康复训练的效果。动参与性及上肢康复训练的效果。动参与性及上肢康复训练的效果。
技术研发人员：李醒 朱宇轩 王建辉 马宏伟 孙悦超
受保护的技术使用者：东莞理工学院
技术研发日：2021.12.07
技术公布日：2022/3/11