基于肌电的针灸行针手法训练方法与流程

本发明涉及深度学习与肌电医疗训练相结合的领域，具体的说涉及一种基于肌电的针灸行针手法训练，针对中医学习针灸的行针手法给出训练者的手法的正确性。
背景技术：
深度学习深度学习的概念由hinton等人于2006年提出。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据。本发明使用的是深度学习中修正的mlp多层感知机版的densenet模型。基于肌电的手势识别现在国外有myo设备，myo设备通过8块电极的数据进行手势识别，但是只能识别一些特定的手势，并不能识别针灸的行针手法。本发明使用肌电传感器作为数据采集器，通过深度学习模型，训练和识别针灸的行针手法。当今的针灸行针手法的训练，一般均为老师现场指导和视频教学后自主练习为主。但是师资紧张，不能保证老师对每名学生的每次动作都做到观察监督。学生并不能知道自己每次动作是否正确。针对该现况，我们研制本产品，用于自主判断，训练者每次行针的手法的正确性，提高训练的效果。现有行针手法如表1所示。表1行针手法列表技术实现要素：本发明的目的是为了克服现有技术中的不足，提供一种基于肌电的针灸行针手法训练方法，以解决当前针灸的行针手法训练时不能确保每次动作规范的问题，并可实现便携式训练，训练者可以随时进行规范训练。本发明的目的是通过以下技术方案实现的：基于肌电的针灸行针手法训练方法，包括以下步骤：(1)获取数据a.将四个肌电传感器设备戴在手臂，每个传感器可获得一个维度的数据，四个传感器获得四维肌电数据，通过四维肌电数据衡量肌肉群的肌电变化；b.训练者做握拳动作，通过蓝牙将四维肌电数据传输给电脑；c.对所有针灸行针手法依次做规范动作和错误动作，通过蓝牙将四维肌电数据传输给电脑；(2)数据处理a.每种动作保留至少5000条数据，并设置标志位；b.依次调整四维肌电数据的维度位置，调整4次以上，以消除佩戴肌电传感器设备时不同角度的影响。(3)建立神经网络模型a.选取relu线性整流函数作为激活函数；b.选取32维4层的神经网络；c.将四维数据作为输入，输入第一层；d.将第一层的结果作为输入对第一层神经网络做激活；e.将第一层的激活结果作为输入，输入第二层；f.将第一、二层的结果整合作为输入对第二层神经网络做激活；g.将第二层的激活结果作为输入，输入第三层；h.将第一、二、三层的结果整合作为输入对第三层神经网络做激活；i.将第三层的激活结果作为输入，输入第四层；j.将第一、二、三、四层的结果整合作为输入对第四层神经网络做激活，激活函数使用softmax函数，并限定训练向量的模长，使得训练向量的方向成为训练主特征；(4)通过以下步骤进行模型修正，增加对于针灸行针手法中不同手法识别的准确率：a.使用中心损失函数和softmax函数进行联合监督；b.使用adam函数作为优化函数；c.使用categorical_crossentropy函数作为损失函数；d.联合损失函数＝softmax函数+λ*中心损失函数，其中λ为参数。与现有技术相比，本发明的技术方案所带来的有益效果是：1.经过修正的mlp多层感知机版的densenet模型可以精准的识别出针灸行针手法的正确性。2.现有的成果中尚未提出对针灸行针手法的训练算法，本算法的提出是开创性的。3.相比现在人工教学或视频教学学习针灸的行针手法，本训练方法的提出不仅训练方便，设备易于携带，而且大幅度提升训练的有效性，节约时间，得到良好的训练效果附图说明图1表示神经网络的模型架构示意图。图2表示肌电传感器的数据传输情况示意图。具体实施方式下面结合附图对本发明作进一步的描述。基于肌电的针灸行针手法训练方法，包括以下步骤：(1)获取数据，见图2a.训练者将4块连有ardiuno开发板的sichiray牌myoware肌电传感器戴在小臂肘关节；训练者使用电脑通过蓝牙和ardiuno开发板配对连接，以保障电脑可以接收到肌电数据。每个肌电传感器可获得一个维度的数据，四个肌电传感器中每个电极传输的数据是一个维度，但是每个电极的位置每次都会变化，所以每个电极的数据只表示当时和该电极接触的肌肉的肌电变化，通过四个维度综合分析识别当前动作。b.训练者做握拳动作，通过蓝牙将四维肌电数据传输给电脑；c.对所有针灸行针手法依次做规范动作和错误动作，通过蓝牙将四维肌电数据传输给电脑；(2)数据处理a.每种动作保留至少5000条数据，并设置标志位数据样例见表1；b.依次调整四维数据的维度位置，调整4次以上，以消除佩戴肌电传感器设备时不同角度的影响。表11号电极2号电极3号电极4号电极标志位0.05620.00240.00490.039100.05620.00240.00490.034200.0830.21480.00240.095210.07570.20510.00240.095210.04640.02440.00240.041520.0610.01950.00240.04882(3)建立神经网络模型，见图1a.选取relu线性整流函数作为激活函数；b.选取32维4层的神经网络；c.将四维数据作为输入，输入第一层；d.将第一层的结果作为输入对第一层神经网络做激活；e.将第一层的激活结果作为输入，输入第二层；f.将第一、二层的结果整合作为输入对第二层神经网络做激活；g.将第二层的激活结果作为输入，输入第三层；h.将第一、二、三层的结果整合作为输入对第三层神经网络做激活；i.将第三层的激活结果作为输入，输入第四层；j.将第一、二、三、四层的结果整合作为输入对第四层神经网络做激活，激活函数使用softmax函数，并限定训练向量的模长，使得训练向量的方向成为训练主特征；(4)通过以下步骤进行模型修正，从而增加对于针灸行针手法中不同手法识别的准确率：a.使用中心损失函数和softmax函数进行联合监督；b.使用adam函数作为优化函数；c.使用categorical_crossentropy函数作为损失函数。d.联合损失函数＝softmax函数+λ*中心损失函数，其中λ为参数。(5)将数据集输入神经网络模型，模型会自动完成训练，将训练完成的模型导入手机。(6)训练者使用手机通过蓝牙和ardiuno开发板配对连接，以保障手机可以接收到肌电数据。(7)训练者做针灸行针手法的动作，手机自动判断该动作是否正确。通过以上步骤最终得到实验结果样例如下表2：表2λ值识别准确率0.00593.76％0.00478.83％本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下，本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换，这些均属于本发明的保护范围之内。当前第1页12