CN108172297A - 一种上肢康复训练机器人康复训练功能的评估方法 - Google Patents

Abstract

本发明公开了一种上肢康复训练机器人康复训练功能的评估方法，其根据上肢康复训练的内容和特点选取评价指标，并对评价指标进行分类，构建了比较完善的评价指标体系，然后利用模糊评价法对康复训练的效果进行评估，从而使得所述上肢康复训练机器人的康复训练功能量化，减少了评估的误差；最后，所述评估方法将通过建立的评估模型得到的评估结果与康复治疗师的人工评估结果进行对比，并根据对比结果对评估模型的合理性进行判定，然后根据判定结果对隶属函数进项调整，从而增加了隶属函数的准确性，提高了评估的准确性。

Description

一种上肢康复训练机器人康复训练功能的评估方法

技术领域

本发明涉及医疗器械领域，具体涉及一种上肢康复训练机器人康复训练功能的评估方法。

背景技术

随着科学技术的发展，康复机器人已逐渐被应用到偏瘫患者的康复训练中，而为了能够更准确了解患者的康复效果，则需要对康复机器人的康复训练运动功能进行评估，如中国发明专利201410159102.8公开了一种上肢康复机器人康复训练运动功能评价方法，其利用自校正AFP-模糊分析评价法，将临床运动功能评价内容转化为上肢康复机器人的评价指标体系，从而完成了上肢康复机器人的康复训练功能的评价。但是，该评价方法的评估模型并没有根据患者的实际训练数据对其进行修正，存在较大的误差。

发明内容

为了克服现有技术的不足，本发明所解决的技术问题是提供一种上肢康复训练机器人康复训练功能的评估方法，其利用建立的评估模型得到的评估结果与人工评估结果进行比对，并根据比对结果对评估模型进行修正，从而提高了评估的准确性。

为解决上述技术问题，本发明所采用的技术方案内容具体如下：

一种上肢康复训练机器人康复训练功能的评估方法，其包括如下步骤：

(1)建立评价指标体系：根据上肢康复训练的内容和特点选取评价指标，并对评价指标进行分类，构建评价指标体系；

(2)建立判断矩阵，并计算权重：利用层次分析法，建立不同层次的判断矩阵，并基于所述判断矩阵，计算所述评价指标的权重；

(3)确定隶属函数：利用模糊评价法确定所述评价指标的隶属函数；

(4)构建评估模型：基于所述评价指标的权重及隶属函数，构建评估模型并计算得分；

(5)将所述评估模型得分与人工评估结果进行比对：将所述得分与人工评估结果进行比对，如比对结果为所述评估模型为合理，则利用所述评估模型对所述上肢康复训练机器人的康复训练功能进行评估；如比对结果为不合理，则根据比对结果对步骤(3)中的隶属函数进行调整，然后重复步骤(3)-步骤(5)，直到得到合理的评估模型。

作为一种优选的技术方案，步骤(2)的具体实施步骤如下：

(a)构造判断矩阵U：同等级指标之间的两两比较，

(b)计算权重：采用乘积方根法计算每个所述评价指标的权重，然后对判断矩阵进行一致性检验。

进一步地，在步骤(b)中采用乘积方根法计算权重的具体步骤如下：

b1)计算所述判断矩阵U的特征向量W：

其中，j＝1,2,...,m，

b2)计算所述判断矩阵U的最大特征值λ_max：

b3)计算所述判断矩阵U的一致性指标CI：

b4)采用平均随机一致性指标CR，对所述判断矩阵进行一致性检验：其中RI为平均同阶随机指标，当CR＜0.1时，则所述判断矩阵U通过一致性检验；当CR≥0.1时所述判断矩阵U没有通过一致性检验，则需要重新建立所述判断矩阵U。

所述评价指标包括上肢Fugl-Meyer运动功能评定得分、训练次数、训练模式、训练模式难度等级、行驶速度等级、训练完成百分比、完成训练用时、运动轨迹平滑度和动作方向准确度。

作为一种优选的技术方案，步骤(3)的具体实施步骤如下：

1)上肢Fugl-Meyer运动功能评定得分为x，其隶属函数为μ₁，并且隶属函数为μ₁的构造采用k次抛物线戒下型分布的方法，则μ₁表示为：其中a₁、b₁为相邻的分级标准且a₁＜b₁；

2)训练次数为n，其隶属函数为μ₂，并且隶属函数为μ₂的构造采用偏大型Γ分布的方法，则μ₂表示为：其中k₁＞0，a₂为常数；

3)训练模式的隶属函数为μ₃，并且μ₃的构造采用矩形分布的方法，则μ₃表示为：

4)训练模式难度等级包括简单、一般和困难三个等级，其隶属函数为μ₄，并且μ₄的构造采用矩形分布的方法，则μ₄表示为：

5)行驶速度等级包括慢速、一般和快速三个等级，其隶属函数为μ₅，并且μ₅的构造采用矩形分布的方法，则μ₅表示为：

6)训练完成百分比为x，其隶属函数为μ₆，则μ₆表示为：μ₆＝x；

7)训练完成用时为x，其隶属函数为μ₇，并且μ₇的构造采用t型分布的方法，则μ₇表示为：其中x₀表示实际设置的训练时间，a₃为常数；

8)运动轨迹平滑度的隶属函数为μ₈，并且μ₈的构造采用偏小型Γ分布的方法，则μ₈表示为：其中n为训练过程中出现手抖的次数，a₄为常数；

9)动作方向准确度x，其隶属函数为μ₉，则μ₉表示为：μ₉＝x。

作为一种优选的技术方案，步骤(4)的具体实施方式如下：

假定所述上肢康复训练机器人康复训练功能的满分为100，则所述上肢康复训练机器人的康复训练评估模型得分为：

更进一步地，步骤(5)的具体实施步骤如下：

1)设置人工评估等级包括7个等级，分别为极好、很好、比较好、一般、比较差、很差和极差；

2)确定人工评估等级与所述评估模型得分的对照表为：

表1人工评估等级与所述评估模型得分的对照表

人工评估等级	评估模型得分
		极好	95分以上
很好	85～95分
		比较好	75～85分
一般	65～75分
		比较差	55～65分
很差	45～55分
		极差	45分以下

3)根据患者的回复情况进行人工评估，并将人工评估结果与所述评估模型得分进行比对；

4)如人工评估结果与所述评估模型得分较为一致，说明所述评估模型合理；如人工评估结果与所述评估模型得分不一致，说明所述评估模型不合理，则根据比对结果调整隶属函数，并重复步骤(3)-步骤(5)，直到得到合理的评估模型。

优选地，步骤4)中根据比对结果调整隶属函数为通过调整a1的数值和/或a2的数值和/或k₁的数值和/或训练模式和/或训练模式难度等级和/或训练完成百分比和/或(x-x₀)的数值和/或k₂的数值和/或a₄的数值来调整隶属函数。

与现有技术相比，本发明的有益效果在于：

本发明公开了一种上肢康复训练机器人康复训练功能的评估方法，其利用AHP-模糊评价法构建了评估模型，并将所述评估模型得分与人工评估结果进行比对，并根据比对结果对隶属函数进行调整，进而得到更为准确的评估模型，从而提高了评估的准确性。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。

附图说明

图1为本发明的整体计算流程图；

具体实施方式

为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的具体实施方式、结构、特征及其功效，详细说明如下：

如图1所示，本发明公开了一种上肢康复训练机器人康复训练功能的评估方法，其包括如下步骤：

(1)建立评价指标体系：根据上肢康复训练的内容和特点选取评价指标，并对评价指标进行分类，构建评价指标体系。

根据医学康复专家的经验可知，影响患者康复训练效果的评价指标有很多，主要包括患者自身情况、训练设置情况和训练过程情况等三类指标，而每类指标又包含多个评价指标，如患者自身情况包括上肢Fugl-Meyer运动功能评定得分和训练次数，训练设置情况包括训练模式、训练模式难度等级和行驶速度等级，训练过程情况包括训练完成百分比、完成训练用时、运动轨迹平滑度和动作方向准确度，因此，在本实施例中，所述上肢康复训练机器人康复训练功能的评价指标体系如表2所示：

表2上肢康复训练机器人康复训练功能的评价指标体系

2)建立判断矩阵，并计算权重：利用层次分析法，建立不同层次的判断矩阵，并基于所述判断矩阵，计算所述评价指标的权重；

层次分析法(Analytic Hierarchy Process，简称AHP)的基本原理在于决策者根据既定的标准和原理，将待评价对象的各项复杂因素简单化，并建立递阶式层次结构，递阶式层次结构一般包括目标层、准则层和指标层三层，其中目标层一般指对于研究问题预定的目标，准则层表示实现该预定目标所需中间环节，指标层是为了实现预定目标所采用的指标、方案等。

(3)确定隶属函数：利用模糊评价法确定所述评价指标的隶属函数。

模糊语言变量的定量描述由它的隶属函数确定,正确地确定隶属函数,是运用模糊集合理论解决实际问题的基础；

(4)构建评估模型：基于所述评价指标的权重及隶属函数，构建评估模型并计算得分；

(5)将所述评估模型得分与人工评估结果进行比对：将所述得分与人工评估结果进行比对，如比对结果为所述评估模型为合理，则利用所述评估模型对所述上肢康复训练机器人的康复训练功能进行评估；如比对结果为不合理，则根据比对结果对步骤(3)中的隶属函数进行调整，然后重复步骤(3)-步骤(5)，直到得到合理的评估模型。

作为一种优选的技术方案，步骤(2)的具体实施步骤如下：

(a)构造判断矩阵U：同等级指标之间的两两比较，

其中，U_ij表示指标i和指标j之间的重要标度赋值，当i＝j时，U_ij＝1；

在本实施例中，根据1-9级标度赋值确定所述判断矩阵，其中1-9级标度赋值表具体如表3所示：

表3 1-9级标度赋值

(b)计算权重：采用乘积方根法计算每个所述评价指标的权重，然后对判断矩阵进行一致性检验。

进一步地，在步骤(b)中采用乘积方根法计算权重的具体步骤如下：

b1)计算所述判断矩阵U的特征向量W：

其中，j＝1,2,...,m，

b2)计算所述判断矩阵U的最大特征值λ_max：

b3)计算所述判断矩阵U的一致性指标CI：

b4)采用平均随机一致性指标CR，对所述判断矩阵进行一致性检验：其中RI为平均同阶随机指标，当CR＜0.1时，则所述判断矩阵U通过一致性检验；当CR≥0.1时所述判断矩阵U没有通过一致性检验，则需要重新建立所述判断矩阵U。

具体在本实施例中，针对所述上肢康复训练机器人康复训练功能的评估模型，所述评价指标包括上肢Fugl-Meyer运动功能评定得分、训练次数、训练模式、训练模式难度等级、行驶速度等级、训练完成百分比、完成训练用时、运动轨迹平滑度和动作方向准确度。

以表2中的第一层评价指标为例，其包括三个影响因素，即U＝{U₁,U₂,U₃}，则第一层评价指标的判断矩阵U如表4所示：

表4第一层判断矩阵U

计算判断矩阵U每行元素的乘积M_i，即：

M₁＝1/18＝0.0556，M₂＝2/7＝0.2857，M₃＝63；

计算Mi的三次方根即:

做归一化处理，即则W₁＝0.0760,W₂＝0.1312,W₃＝0.7928

即该判断矩阵的特征向量为W＝(0.0760,0.1312,0.7928)。

为了验证上述特征向量W是否为合理的权重分配，则需要对判断矩阵U进行一致性检验。

具体计算时：

首先，计算所述判断矩阵U的最大特征值λ_max，即：

其次，计算所述判断矩阵U的一致性指标CI：

再次，计算一致性比例CR：通过一致性检验，说明该判断矩阵可靠。

另外，与第一层评价指标的判断矩阵U建立方法相同，分别针对第二层评价指标建立判断矩阵，分别为U₁,U₂,U₃，然后计算出相应的评价指标的权重值，并进行一致性检验，具体结果如表5所示：

表5权重分布表

模糊语言变量的定量描述由它的隶属函数确定,正确地确定隶属函数,是运用模糊集合理论解决实际问题的基础，因此，隶属函数的确定是评估中一个十分重要的因素，而隶属函数选取是否合适直接关系到最终评估结果的准确性，在模糊集合中，隶属函数值域的取值范围为[0,1]，则步骤(3)的具体实施步骤如下：

1)上肢Fugl-Meyer运动功能评定得分为x，其隶属函数为μ₁，并且隶属函数为μ₁的构造采用k次抛物线戒下型分布的方法，则μ₁表示为：其中a₁、b₁为相邻的分级标准且a₁＜b₁；

2)训练次数为n，其隶属函数为μ₂，并且隶属函数为μ₂的构造采用偏大型Γ分布的方法，则μ₂表示为：其中k₁＞0，a₂为常数；

3)训练模式的隶属函数为μ₃，并且μ₃的构造采用矩形分布的方法，则μ₃表示为：

4)训练模式难度等级包括简单、一般和困难三个等级，其隶属函数为μ₄，并且μ₄的构造采用矩形分布的方法，则μ₄表示为：

5)行驶速度等级包括慢速、一般和快速三个等级，其隶属函数为μ₅，并且μ₅的构造采用矩形分布的方法，则μ₅表示为：

6)训练完成百分比为x，其隶属函数为μ₆，则μ₆表示为：μ₆＝x；

7)训练完成用时为x，其隶属函数为μ₇，并且μ₇的构造采用t型分布的方法，则μ₇表示为：其中x₀表示实际设置的训练时间，a₃为常数；

8)运动轨迹平滑度的隶属函数为μ₈，并且μ₈的构造采用偏小型Γ分布的方法，则μ₈表示为：其中n为训练过程中出现手抖的次数，a₄为常数；

9)动作方向准确度x，其隶属函数为μ₉，则μ₉表示为：μ₉＝x。

步骤(4)的具体实施方式如下：

假定所述上肢康复训练机器人康复训练功能的满分为100，则所述上肢康复训练机器人的康复训练评估模型得分为：

步骤(5)的具体实施步骤如下：

1)设置人工评估等级包括7个等级，分别为极好、很好、比较好、一般、比较差、很差和极差；

2)确定人工评估等级与所述评估模型得分的对照表为：

表1人工评估等级与所述评估模型得分的对照表

3)根据患者的回复情况进行人工评估，并将人工评估结果与所述评估模型得分进行比对；

4)如人工评估结果与所述评估模型得分较为一致，说明所述评估模型合理；如人工评估结果与所述评估模型得分不一致，说明所述评估模型不合理，则根据比对结果调整隶属函数，并重复步骤(3)-步骤(5)，直到得到合理的评估模型。

具体计算时，根据比对结果调整隶属函数为通过调整a₁的数值和/或a₂的数值和/或k₁的数值和/或训练模式和/或训练模式难度等级和/或训练完成百分比和/或(x-x₀)的数值和/或k₂的数值和/或a₄的数值来调整隶属函数。

在本实施例中，为了验证所述评估方法的可行性，随机选取8个脑瘫患者，并对其训练效果进行评估，其中患者的编号依次为001-008，并且所述评价指标的取值如表6所示：

表6上肢康复训练机器人的康复训练功能试验数据

因此，根据表6中的数据，则不同评价指标的隶属度及用于评估所述上肢康复机器人康复训练模型运动功能的评估模型得分与人工评估的对比表分别如表7和表8所示：

表7评估模型得分

表8所述评估模型得分与人工评估的对比表

由此可以看出，所述评估模型得分与人工评估结果较为一致，说明该评估模型可以较好的评估患者的康复训练效果，同时说明该评估模型可以应用于所述上肢康复训练机器人的康复训练功能评估。

上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。

Claims (8)

1.一种上肢康复训练机器人康复训练功能的评估方法，其特征在于：包括如下步骤：

(1)建立评价指标体系：根据上肢康复训练的内容和特点选取评价指标，并对评价指标进行分类，构建评价指标体系；

(2)建立判断矩阵，并计算权重：利用层次分析法，建立不同层次的判断矩阵，并基于所述判断矩阵，计算所述评价指标的权重；

(3)确定隶属函数：利用模糊评价法确定所述评价指标的隶属函数；

(4)构建评估模型：基于所述评价指标的权重及隶属函数，构建评估模型并计算得分；

(5)将所述评估模型得分与人工评估结果进行比对：将所述所述评估模型得分与人工评估结果进行比对，如比对结果为所述评估模型为合理，则利用所述评估模型对所述上肢康复训练机器人的康复训练功能进行评估；如比对结果为不合理，则根据比对结果对步骤(3)中的隶属函数进行调整，然后重复步骤(3)-步骤(5)，直到得到合理的评估模型。

2.如权利要求1所述上肢康复训练机器人康复训练功能的评估方法，其特征在于：步骤(2)的具体实施步骤如下：

(a)构造判断矩阵U：同等级指标之间的两两比较，

其中，U_ij表示指标i和指标j之间的重要标度赋值，当i＝j时，U_ij＝1；

(b)计算权重：采用乘积方根法计算每个所述评价指标的权重，然后对判断矩阵进行一致性检验。

3.如权利要求2所述的上肢康复训练机器人康复训练功能的评估方法，其特征在于：在步骤(b)中采用乘积方根法计算权重的具体步骤如下：

b1)计算所述判断矩阵U的特征向量W：

其中，j＝1,2,...,m，

b2)计算所述判断矩阵U的最大特征值λ_max：

b3)计算所述判断矩阵U的一致性指标CI：

b4)采用平均随机一致性指标CR，对所述判断矩阵进行一致性检验：其中RI为平均同阶随机指标，当时，则所述判断矩阵U通过一致性检验；当CR≥0.1时所述判断矩阵U没有通过一致性检验，则需要重新建立所述判断矩阵U。

4.如权利要求3所述上肢康复训练机器人康复训练功能的评估方法，其特征在于：所述评价指标包括上肢Fugl-Meyer运动功能评定得分、训练次数、训练模式、训练模式难度等级、行驶速度等级、训练完成百分比、完成训练用时、运动轨迹平滑度和动作方向准确度。

5.如权利要求4所述的上肢康复训练机器人康复训练功能的评估方法，其特征在于：步骤(3)的具体实施步骤如下：

1)上肢Fugl-Meyer运动功能评定得分为x，其隶属函数为μ₁，并且隶属函数为μ₁的构造采用k次抛物线戒下型分布的方法，则μ₁表示为：其中a₁、b₁为相邻的分级标准且

2)训练次数为n，其隶属函数为μ₂，并且隶属函数为μ₂的构造采用偏大型Γ分布的方法，则μ₂表示为：其中a₂为常数；

3)训练模式的隶属函数为μ₃，并且μ₃的构造采用矩形分布的方法，则μ₃表示为：

4)训练模式难度等级包括简单、一般和困难三个等级，其隶属函数为μ₄，并且μ₄的构造采用矩形分布的方法，则μ₄表示为：

5)行驶速度等级包括慢速、一般和快速三个等级，其隶属函数为μ₅，并且μ₅的构造采用矩形分布的方法，则μ₅表示为：

6)训练完成百分比为x，其隶属函数为μ₆，则μ₆表示为：μ₆＝x；

7)训练完成用时为x，其隶属函数为μ₇，并且μ₇的构造采用t型分布的方法，则μ₇表示为：其中x₀表示实际设置的训练时间，a₃为常数；

8)运动轨迹平滑度的隶属函数为μ₈，并且μ₈的构造采用偏小型Γ分布的方法，则μ₈表示为：其中n为训练过程中出现手抖的次数，a₄为常数；

9)动作方向准确度x，其隶属函数为μ₉，则μ₉表示为：μ₉＝x。

6.如权利要求5所述的上肢康复训练机器人康复训练功能的评估方法，其特征在于：步骤(4)的具体实施方式如下：

假定所述上肢康复训练机器人康复训练功能的满分为100，则所述上肢康复训练机器人的康复训练评估模型得分为：

7.如权利要求6所述的上肢康复训练机器人康复训练功能的评估方法，其特征在于：步骤(5)的具体实施步骤如下：

1)设置人工评估等级包括7个等级，分别为极好、很好、比较好、一般、比较差、很差和极差；

2)确定人工评估等级与所述评估模型得分的对照表为：

表1人工评估等级与所述评估模型得分的对照表

人工评估等级 评估模型得分 极好 95分以上 很好 85～95分 比较好 75～85分 一般 65～75分 比较差 55～65分 很差 45～55分 极差 45分以下

3)根据患者的回复情况进行人工评估，并将人工评估结果与所述评估模型的得分进行比对；

4)如人工评估结果与所述评估模型得分较为一致，说明所述评估模型合理；如人工评估结果与所述评估模型得分不一致，说明所述评估模型不合理，则根据比对结果调整隶属函数，并重复步骤(3)-步骤(5)，直到得到合理的评估模型。

8.如权利要求7所述的上肢康复训练机器人康复训练功能的评估方法，其特征在于：步骤4)中根据比对结果调整隶属函数的具体方式为：通过调整a₁的数值和/或a₂的数值和/或k₁的数值和/或训练模式和/或训练模式难度等级和/或训练完成百分比和/或(x-x₀)的数值和/或k₂的数值和/或a₄的数值来调整隶属函数。