目的開發(fā)識別不同配合程度下等速膝關(guān)節(jié)運(yùn)動力矩-時間圖的卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network,CNN）模型。方法 200名健康青年志愿者分別在30°/s和60°/s角速度下各進(jìn)行兩次、間隔45min的等速向心右側(cè)膝關(guān)節(jié)全力和半力屈伸往復(fù)運(yùn)動,收集力矩-時間圖。200名受試者隨機(jī)分為訓(xùn)練集（140名）與測試集（60名）,用訓(xùn)練集受試者的力矩-時間圖訓(xùn)練CNN模型,再用訓(xùn)練好的模型預(yù)測測試集內(nèi)圖形的類別。共進(jìn)行3次隨機(jī)取樣與模型開發(fā)。結(jié)果在等速膝關(guān)節(jié)全力及半力運(yùn)動條件下各收集2400張力矩-時間圖。3次訓(xùn)練的CNN模型分類準(zhǔn)確率分別為91.11%、90.49%和92.08%,平均準(zhǔn)確率為91.23%。結(jié)論本研究開發(fā)的CNN模型對全力及半力等速力矩-時間圖具有較好的區(qū)分效果,有助于識別受試者在等速膝關(guān)節(jié)運(yùn)動過程中的配合程度。 

【文章來源】：法醫(yī)學(xué)雜志. 2020,36(02)CSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

鑒別等速力矩-時間圖的CNN模型結(jié)構(gòu)

受試者5次屈伸往復(fù)運(yùn)動產(chǎn)生的力矩-時間示意圖如圖2所示。第一次屈伸的圖形由于起始于靜止?fàn)顟B(tài)而不具有代表性，最后一次可能存在疲勞等因素的干擾，因此僅分別截取中間3次屈伸運(yùn)動產(chǎn)生的圖像[17-18]。圖3展示了配合與偽裝等速膝關(guān)節(jié)屈伸運(yùn)動力矩-時間圖的常見形狀。全力配合測試時產(chǎn)生的圖像曲線形狀較平滑、規(guī)則，呈現(xiàn)為單一的波峰。半力偽裝測試產(chǎn)生的圖像曲線形狀不規(guī)則，失去本應(yīng)呈現(xiàn)的單一“尖峰”，代之以更加低平的形狀或出現(xiàn)若干雜峰。

圖3展示了配合與偽裝等速膝關(guān)節(jié)屈伸運(yùn)動力矩-時間圖的常見形狀。全力配合測試時產(chǎn)生的圖像曲線形狀較平滑、規(guī)則，呈現(xiàn)為單一的波峰。半力偽裝測試產(chǎn)生的圖像曲線形狀不規(guī)則，失去本應(yīng)呈現(xiàn)的單一“尖峰”，代之以更加低平的形狀或出現(xiàn)若干雜峰。每名受試者于30°/s及60°/s角速度下各重復(fù)兩次測試，可收集全力及半力等速力矩-時間圖各12張，故200名受試者一共收集4 800張力矩-時間圖（全力及半力條件各2 400張）。訓(xùn)練集140名受試者提供3360張力矩-時間圖，測試集60名受試者提供1440張力矩-時間圖。訓(xùn)練集中所有圖像完整訓(xùn)練模型一次即為一“代”，訓(xùn)練過程中的準(zhǔn)確率隨迭代次數(shù)的增加而不斷升高，迭代4 000次后準(zhǔn)確率穩(wěn)定在高值，故認(rèn)定此時的模型已經(jīng)過充分訓(xùn)練。預(yù)測結(jié)果如表1所示，充分訓(xùn)練后的3個CNN模型對測試集所有圖像的分類準(zhǔn)確率為90.49%～92.08%。召回率（半力）即模型預(yù)測靈敏度為89.31%～90.14%，召回率（全力）即模型預(yù)測特異性為91.67%～94.86%。精確度（半力）為91.47%～94.56%，精確度（全力）為89.55%～90.33%。

【參考文獻(xiàn)】：
期刊論文
[1]等速肌力檢測在辨別偽肢體癱中的應(yīng)用[J]. 夏晴,高東,黃婷婷,冉聃.  法醫(yī)學(xué)雜志. 2014(06)
[2]等速肌力測試與訓(xùn)練技術(shù)在肌肉功能評定中的研究進(jìn)展[J]. 黃婷婷,范利華,高東,夏晴,張敏.  法醫(yī)學(xué)雜志. 2013(01)



本文編號：3328160