卷积神经网络在识别等速运动配合程度中的应用

发布时间：2021-08-07 16:43

　　目的开发识别不同配合程度下等速膝关节运动力矩-时间图的卷积神经网络（convolutional neural network,CNN）模型。方法 200名健康青年志愿者分别在30°/s和60°/s角速度下各进行两次、间隔45min的等速向心右侧膝关节全力和半力屈伸往复运动,收集力矩-时间图。200名受试者随机分为训练集（140名）与测试集（60名）,用训练集受试者的力矩-时间图训练CNN模型,再用训练好的模型预测测试集内图形的类别。共进行3次随机取样与模型开发。结果在等速膝关节全力及半力运动条件下各收集2400张力矩-时间图。3次训练的CNN模型分类准确率分别为91.11%、90.49%和92.08%,平均准确率为91.23%。结论本研究开发的CNN模型对全力及半力等速力矩-时间图具有较好的区分效果,有助于识别受试者在等速膝关节运动过程中的配合程度。 

【文章来源】：法医学杂志. 2020,36(02)CSCD

【文章页数】：6 页

【部分图文】：

鉴别等速力矩-时间图的CNN模型结构

受试者5次屈伸往复运动产生的力矩-时间示意图如图2所示。第一次屈伸的图形由于起始于静止状态而不具有代表性，最后一次可能存在疲劳等因素的干扰，因此仅分别截取中间3次屈伸运动产生的图像[17-18]。图3展示了配合与伪装等速膝关节屈伸运动力矩-时间图的常见形状。全力配合测试时产生的图像曲线形状较平滑、规则，呈现为单一的波峰。半力伪装测试产生的图像曲线形状不规则，失去本应呈现的单一“尖峰”，代之以更加低平的形状或出现若干杂峰。

图3展示了配合与伪装等速膝关节屈伸运动力矩-时间图的常见形状。全力配合测试时产生的图像曲线形状较平滑、规则，呈现为单一的波峰。半力伪装测试产生的图像曲线形状不规则，失去本应呈现的单一“尖峰”，代之以更加低平的形状或出现若干杂峰。每名受试者于30°/s及60°/s角速度下各重复两次测试，可收集全力及半力等速力矩-时间图各12张，故200名受试者一共收集4 800张力矩-时间图（全力及半力条件各2 400张）。训练集140名受试者提供3360张力矩-时间图，测试集60名受试者提供1440张力矩-时间图。训练集中所有图像完整训练模型一次即为一“代”，训练过程中的准确率随迭代次数的增加而不断升高，迭代4 000次后准确率稳定在高值，故认定此时的模型已经过充分训练。预测结果如表1所示，充分训练后的3个CNN模型对测试集所有图像的分类准确率为90.49%～92.08%。召回率（半力）即模型预测灵敏度为89.31%～90.14%，召回率（全力）即模型预测特异性为91.67%～94.86%。精确度（半力）为91.47%～94.56%，精确度（全力）为89.55%～90.33%。

【参考文献】：
期刊论文
[1]等速肌力检测在辨别伪肢体瘫中的应用[J]. 夏晴,高东,黄婷婷,冉聃.  法医学杂志. 2014(06)
[2]等速肌力测试与训练技术在肌肉功能评定中的研究进展[J]. 黄婷婷,范利华,高东,夏晴,张敏.  法医学杂志. 2013(01)



本文编号：3328160