CN108498102B - 康复训练方法及装置、存储介质、电子设备 - Google Patents
康复训练方法及装置、存储介质、电子设备 Download PDFInfo
- Publication number
- CN108498102B CN108498102B CN201810556585.3A CN201810556585A CN108498102B CN 108498102 B CN108498102 B CN 108498102B CN 201810556585 A CN201810556585 A CN 201810556585A CN 108498102 B CN108498102 B CN 108498102B
- Authority
- CN
- China
- Prior art keywords
- patient
- rehabilitation training
- joint
- data
- angle data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 179
- 238000000034 method Methods 0.000 title claims abstract description 82
- 230000009471 action Effects 0.000 claims abstract description 61
- 239000011159 matrix material Substances 0.000 claims abstract description 47
- 230000008569 process Effects 0.000 claims abstract description 25
- 238000006073 displacement reaction Methods 0.000 claims abstract description 21
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000012937 correction Methods 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 210000003414 extremity Anatomy 0.000 description 16
- 230000003993 interaction Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 210000002414 leg Anatomy 0.000 description 5
- 230000013016 learning Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 210000001364 upper extremity Anatomy 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 244000309466 calf Species 0.000 description 2
- 210000000245 forearm Anatomy 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 210000000689 upper leg Anatomy 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000035045 associative learning Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
- A61B5/1122—Determining geometric values, e.g. centre of rotation or angular range of movement of movement trajectories
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
Abstract
本公开涉及肢体训练技术领域,尤其涉及一种康复训练方法及装置、存储介质、电子设备。本方法根据激光雷达获取的各患者的扫描数据并结合骨骼模型获取各患者的各关节的第一角度数据;根据惯性传感器获取的各患者的位移数据计算各患者的各关节的第二角度数据;将各患者的各关节的第一角度数据和其第二角度数据进行融合,以得到各患者的各关节的综合角度数据;根据各患者的各关节的综合角度数据结合人工神经网络得到各患者的各关节的误差补偿矩阵,在患者进行康复训练的过程中,根据患者的扫描数据并结合患者的训练样本集合对患者的动作进行识别。本公开可以避免个体的差异,识别结果准确、精度高。
Description
技术领域
本公开涉及肢体训练技术领域,尤其涉及一种康复训练方法及装置、存储介质、电子设备。
背景技术
目前的康复训练治疗主要是在医院通过一些训练器械的辅助或者以治疗师的手法操作来促进肢体运动能力恢复的治疗。然而,在我国,由于患者分布广,康复机构少,很多患者都无法进行规范的、系统控制下精确式的康复训练。因此,为了解决上述问题,人们开始利用人机交互的方式来进行康复训练。
目前,常用的基于人机交互方式的康复训练的过程为:录制患者在康复训练中的视频,并获取该视频中的每一帧图片,将每一帧图片输入预先训练好的识别模型中对患者的动作进行识别,并根据识别结果对患者的康复训练进行评价和纠正。
显然,在上述方式中,由于每一帧图片为二维的,因此,在对患者的动作进行识别的过程中,无法对垂直于成像面的动作进行有效的识别,存在识别盲区,从而导致动作识别的准确率低,进而导致无法对患者的康复训练作出准确的评估,并对患者的动作作出精确的纠正。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种康复训练方法及装置、存储介质、电子设备,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
根据本公开的一个方面,提供一种康复训练方法,包括:
根据激光雷达获取的各患者的扫描数据并结合骨骼模型获取各所述患者的各关节的第一角度数据;
根据惯性传感器获取的各所述患者的位移数据计算各所述患者的各关节的第二角度数据;
将各所述患者的各关节的所述第一角度数据和其所述第二角度数据进行融合,以得到各所述患者的各关节的综合角度数据;
根据各所述患者的各关节的综合角度数据结合人工神经网络得到各所述患者的各关节的误差补偿矩阵,并根据各所述患者的各关节的误差补偿矩阵构建各所述患者的训练样本集合;
在患者进行康复训练的过程中,根据所述激光雷达实时获取的所述患者的扫描数据并结合所述患者的训练样本集合对所述患者在康复训练中的动作进行识别。
在本公开的一种示例性实施例中,所述方法还包括:
根据对所述患者在康复训练中的动作的识别结果生成评价报告和/或纠正数据。
在本公开的一种示例性实施例中,所述方法还包括:
响应患者的预设康复训练请求,展示与所述预设康复训练请求对应的标准动作视频或标准动作指导语音。
在本公开的一种示例性实施例中,所述方法还包括:
展示所述纠正数据,并播放与所述纠正数据对应的纠正视频或纠正语音。
在本公开的一种示例性实施例中,所述方法还包括:
响应通过输入设备获取的所述患者的语音指令,执行与所述语音指令对应的操作。
在本公开的一种示例性实施例中,可通过所述输入设备拾音,从而实现位置校准。
在本公开的一种示例性实施例中,所述方法还包括:
在所述患者未进行康复训练的过程中,感测并响应所述患者的手势指令,执行与所述手势指令对应的操作。
在本公开的一种示例性实施例中,所述根据所述激光雷达实时获取的所述患者的扫描数据并结合所述患者的训练样本集合对所述患者在康复训练中的动作进行识别包括:
通过所述激光雷达实时获取所述患者的扫描数据;
根据所述患者的扫描数据并结合所述骨骼模型获取所述患者的各关节的角度;
根据所述患者的各关节的角度在所述患者的训练样本集合中获取对应的所述误差补偿矩阵,并根据对应的所述误差补偿矩阵对所述患者在康复训练中的动作进行识别。
根据本公开的一个方面,提供一种康复训练装置,包括:
激光雷达,用于在构建各患者的训练样本集合的过程中,获取各所述患者的扫描数据,以及在患者的康复训练过程中,获取所述患者的扫描数据;
惯性传感器,用于在构建各所述患者的训练样本集合的过程中,获取各所述患者的位移数据;
训练模块,用于根据各所述患者的扫描数据结合骨骼模型获取各所述患者的各关节的第一角度数据,根据各所述患者的位移数据计算各所述患者的各关节的第二角度数据,将各所述患者的各关节的所述第一角度数据和其所述第二角度数据进行融合得到各所述患者的各关节的综合角度数据,以及根据各所述患者的各关节的综合角度数据结合人工神经网络得到各所述患者的各关节的误差补偿矩阵,并根据各所述患者的误差补偿矩阵构建各所述患者的训练样本集合;
处理器,用于在所述患者进行康复的过程中,根据患者的扫描数据并结合所述患者的训练样本集合对所述患者在康复训练中的动作进行识别。
在本公开的一种示例性实施例中,所述处理器还用于根据对所述患者在康复训练中的动作的识别结果生成评价报告和/或纠正数据。
在本公开的一种示例性实施例中,所述装置还包括:
输出设备,用于响应所述患者的预设康复训练请求,展示与所述预设康复训练请求对应的标准动作视频或标准动作指导语音。
在本公开的一种示例性实施例中,所述装置还包括:
输出设备,用于响应所述患者的预设康复训练请求,展示与所述预设康复训练请求对应的标准动作视频或标准动作指导语音,并用于展示与所述纠正数据对应的纠正视频或纠正语音。
在本公开的一种示例性实施例中,所述装置还包括:
输入设备,用于获取来自所述患者的语音指令。
在本公开的一种示例性实施例中,所述激光雷达还用于在所述患者未进行康复训练的过程中,感测所述患者的手势指令。
在本公开的一种示例性实施例中,所述处理器还用于响应所述指令,执行与所述指令对应的操作。
根据本公开的一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的康复训练方法。
根据本公开的一个方面,提供一种电子设备,包括:
处理单元;以及
存储单元,用于存储所述处理单元的可执行指令;
其中,所述处理单元配置为经由执行所述可执行指令来执行上述任意一项所述的康复训练方法。
本公开一种示例性实施例提供的康复训练方法及装置、存储介质和电子设备。该方法根据激光雷达获取的各患者的扫描数据并结合骨骼模型获取各所述患者的各关节的第一角度数据;根据惯性传感器获取的各所述患者的位移数据计算各所述患者的各关节的第二角度数据;将各患者的各关节的第一角度数据和其第二角度数据进行融合,以得到各患者的各关节的综合角度数据;根据各患者的各关节的综合角度数据结合人工神经网络得到各患者的各关节的误差补偿矩阵,并根据各患者的各关节的误差补偿矩阵构建各患者的训练样本集合;以及在患者进行康复训练的过程中,根据激光雷达实时获取的患者的扫描数据并结合患者的训练样本集合对患者在康复训练中的动作进行识别。一方面,由于通过激光雷达获取到的各患者的扫描数据具有更高的深度精度,因此,基于扫描数据训练得到的各关节的误差补偿矩阵的精度较高,从而使得康复训练中的动作的识别更加准确;另一方面,通过将各患者的各关节的第一角度数据和第二角度数据进行融合得到各患者的各关节的综合角度,并根据各患者的各关节的综合角度数据结合人工神经网络得到各患者的各关节的误差补偿矩阵,更进一步的增加了误差补偿矩阵的精度,从而进一步的降低动作识别的误差;又一方面,通过构建各患者的训练样本集合,为每个患者提供个性化的训练样本集合,以使根据各患者的训练样本集合对对应患者的动作进行识别时,避免了个体的差异,识别结果准确、精度高。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
通过参照附图来详细描述其示例性实施例,本公开的上述和其它特征及优点将变得更加明显。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本公开一种康复训练方法的流程图;
图2为本公开一示例性实施例中提供的患者肢节示意图;
图3为本公开一示例性实施例中提供的对患者在康复训练中的动作进行识别的流程图;
图4为本公开一种康复训练装置的框图;
图5为本公开一示例性实施例中提供的康复训练装置的结构示意图;
图6为本公开示一示例性实施例中的电子设备的模块示意图;
图7为本公开示一示例性实施例中的程序产品示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本公开将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有所述特定细节中的一个或更多,或者可以采用其它的方法、组元、材料、装置、步骤等。在其它情况下,不详细示出或描述公知结构、方法、装置、实现、材料或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本示例性实施例中首先公开了一种康复训练方法,参照图1所示,所述康复训练方法可以包括以下步骤:
步骤S110、根据激光雷达获取的各患者的扫描数据并结合骨骼模型获取各所述患者的各关节的第一角度数据;
步骤S120、根据惯性传感器获取的各所述患者的位移数据计算各所述患者的各关节的第二角度数据;
步骤S130、将各所述患者的各关节的所述第一角度数据和其所述第二角度数据进行融合,以得到各所述患者的各关节的综合角度数据;
步骤S140、根据各所述患者的各关节的综合角度数据结合人工神经网络得到各所述患者的各关节的误差补偿矩阵,并根据各所述患者的各关节的误差补偿矩阵构建各所述患者的训练样本集合;
步骤S150、在患者进行康复训练的过程中,根据所述激光雷达实时获取的所述患者的扫描数据并结合所述患者的训练样本集合对所述患者在康复训练中的动作进行识别。
根据本示例性实施例中的康复训练方法,一方面,由于通过激光雷达获取到的各患者的扫描数据具有更高的深度精度,因此,基于扫描数据训练得到的各关节的误差补偿矩阵的精度较高,从而使得康复训练中的动作的识别更加准确;另一方面,通过将各患者的各关节的第一角度数据和第二角度数据进行融合得到各患者的各关节的综合角度,并根据各患者的各关节的综合角度数据结合人工神经网络得到各患者的各关节的误差补偿矩阵,更进一步的增加了误差补偿矩阵的精度,从而进一步的降低动作识别的误差;又一方面,通过构建各患者的训练样本集合,为每个患者提供个性化的训练样本集合,以使根据各患者的训练样本集合对对应患者的动作进行识别时,避免了个体的差异,识别结果准确、精度高。
下面,将参照图1对本示例性实施例中的康复训方法作进一步的说明。
在步骤S110中,根据激光雷达获取的各患者的扫描数据并结合骨骼模型获取各所述患者的各关节的第一角度数据。
在本示例性实施例中,在各患者执行预设动作时,通过激光雷达对各患者进行扫描以获得各患者的扫描数据,并将各患者的扫描数据分别输入骨骼模型以计算各患者的各关节的第一角度数据。所述预设动作例如可以包括抬腿动作、转动头部的动作、抬手动作、跳跃动作等,本示例性实施例中对此不作特殊限定。
具体的,通过骨骼模型获取患者的各关节的第一角度数据可以包括:将患者按照肢节的不同分为10个肢节,如图2所示,该10个肢节分别为:躯干201、左大腿202、左小腿203、右大腿204、右小腿205、右前臂206、右上臂207、左前臂208、左上臂209、头部210;根据患者的扫描数据并结合肢节识别的方式获取患者的各肢节的位置;根据患者的各肢节的位置抽取各肢节的骨骼空间向量;根据各骨骼的空间向量计算患者的各关节的第一角度数据。
在步骤S120中,根据惯性传感器获取的各所述患者的位移数据计算各所述患者的各关节的第二角度数据。
在本示例性实施例中,所述惯性传感器例如可以为手环、脚环等可以感测患者肢节末端的位移的装置。所述患者的位移数据指各患者的各肢节的位移数据,此处的各肢节的位移数据为绝对位移数据。在各患者执行预设动作时,通过惯性传感器获取各患者的位移数据,即获取各患者的各肢节的位移数据,根据各肢节的位移数据计算各患者的各关节的第二角度数据。
需要说明的是,预设动作和肢节已经在上文中做了详细的说明,此处不再赘述。
在步骤S130中,将各所述患者的各关节的所述第一角度数据和其所述第二角度数据进行融合,以得到各所述患者的各关节的综合角度数据。
在本示例性实施例中,可以通过加权平均的方式分别将各患者的各关节的第一角度数据和其第二角度数据进行融合,还可以通过取各关节的第一角度数据和第二角度数据的平均值的方式分别将各患者的各关节的第一角度数据和其第二角度数据进行融合等,本示例性实施例对此不作特殊限定。
通过上述步骤S130将同一患者做相同动作获得的第一角度数据和第二角度数据进行融合,使得最终得到的各关节的综合角度数据更加精确。
在步骤S140中,根据各所述患者的各关节的综合角度数据结合人工神经网络得到各所述患者的各关节的误差补偿矩阵,并根据各所述患者的各关节的误差补偿矩阵构建各所述患者的训练样本集合。
在本示例性实施例中,可以分别将各患者的各关节的综合角度数据输入人工神经网络中进行深度学习,以得到各患者的各关节的误差补偿矩阵。所述人工神经网络例如可以为混合式学习网络、监督式学习网络、联想式学习网络、无监督使学习网络等,本示例性实施例对此不作特殊限定。
在得到各患者的各关节的误差补偿矩阵后,可以将各患者的各关节的综合角度数据与其对应的误差补偿矩阵进行关联之后,保存在对应的患者的训练样本集合中,以构建各患者的训练样本集合。
在步骤S150中,在患者进行康复训练的过程中,根据所述激光雷达实时获取的所述患者的扫描数据并结合所述患者的训练样本集合对所述患者在康复训练中的动作进行识别。
在本示例性实施例中,如图3所示,所述根据所述激光雷达实时获取的所述患者的扫描数据并结合所述患者的训练样本集合对所述患者在康复训练中的动作进行识别可以包括以下步骤:
步骤S310、通过所述激光雷达实时获取所述患者的扫描数据,即通过激光雷达对患者进行实时扫描,以实时获取患者的扫描数据。
步骤S320、根据所述患者的扫描数据并结合所述骨骼模型获取所述患者的各关节的角度。将患者的扫描数据输入骨骼模型中以得到患者的各关节的角度,需要说明的是,通过骨骼模型获取患者的各关节的角度的原理已在上文中进行了说明,此处不再赘述。
步骤S330、根据所述患者的各关节的角度在所述患者的训练样本集合中获取对应的所述误差补偿矩阵,并根据对应的所述误差补偿矩阵对所述患者在康复训练中的动作进行识别。根据患者的标识信息在步骤S140中构建的各患者的训练样本集合中查找该患者的训练样本集合,并将与该患者的标识信息相同的患者的训练样本集合确定为该患者的训练样本集合。将患者的各关节的角度与患者的训练样本集合中的各关节的综合角度数据进行匹配,将匹配成功的各关节的综合角度数据对应的误差补偿矩阵确定为与患者的各关节的角度对应的误差补偿矩阵。根据患者的各关节的角度和与其对应的误差补偿矩阵对患者在康复训练中的动作进行识别。上述患者的标识信息例如可以为身份证号、军官证号、电话号码等,本示例性实施例对此不作特殊限定。
综上所述另外,由于通过激光雷达获取到的各患者的扫描数据具有更高的深度精度,因此,基于扫描数据训练得到的各关节的误差补偿矩阵的精度较高,从而使得康复训练中的动作的识别更加准确;另外,通过将各患者的各关节的第一角度数据和第二角度数据进行融合得到各患者的各关节的综合角度,并根据各患者的各关节的综合角度数据结合人工神经网络得到各患者的各关节的误差补偿矩阵,更进一步的增加了误差补偿矩阵的精度,从而进一步的降低动作识别的误差;此外,通过构建各患者的训练样本集合,为每个患者提供个性化的训练样本集合,以使根据各患者的训练样本集合对对应患者的动作进行识别时,避免了个体的差异,识别结果准确、精度高。
此外,为了对患者的动作进行纠正和/或评价,进而为患者提供更加优质的服务,所述方法还可以包括:根据对所述患者在康复训练中的动作的识别结果生成评价报告和/或纠正数据。
在本示例性实施例中,以对患者的动作的识别结果为高抬腿动作为例。计算患者的各关节的角度与标准的高抬腿动作的各关节的角度的匹配度,获取患者的各关节的角度和标准的高抬腿动作的各关节的角度之间的差值,根据差值和匹配度生成评价报告和/或纠正数据。所述纠正数据可以包括患者的各关节的角度和标准的高抬腿动作的各关节的角度之间的差值等,本示例性实施例对此不作特殊限定。
此外,为了对患者的动作进行全方位的评价和纠正,所述方法还可以包括,获取患者保持动作的时间,并将患者保持动作的时间与该动作的标准保持时间进行比较,并将比较结果和差异保存至评价报告和纠正数据中。
为了对患者的动作进行纠正,所述方法还可以包括:展示所述纠正数据,并播放与所述纠正数据对应的纠正视频或纠正语音。
在本示例性实施例中,根据纠正数据生成纠正视频或者纠正语音。并利用输出设备例如显示器播放纠正视频,或者利用输出设备例如音箱播放纠正语音。通过播放纠正视频或者纠正语音,使得患者可以通过纠正视频或纠正语音快速的对动作进行调整,以达到康复训练的目的。
为了使用户更快更好更顺利的完成康复训练,降低患者对动作的记忆负担,同时使康复训练更加具有趣味性,所述方法还可以包括:响应患者的预设康复训练请求,展示与所述预设康复训练请求对应的标准动作视频或标准动作指导语音。
在本示例性实施例中,在系统中事先保存与各预设康复训练请求对应的标准动作视频或标准动作指导语音。在系统接收到患者发送的预设康复训练请求时,响应该预设康复训练请求,在输出设备例如显示器中播放与预设康复训练请求对应的标准动作视频或标准动作指导语音。所述预设康复训练请求例如可以为上肢康复训练请求、下肢康复训练请求等,本示例性实施例对此不作特殊限定。例如,在响应上肢训练请求时,调取并在显示器中播放上肢训练的标准动作视频。
此外,所述方法还可以包括:响应通过输入设备获取的所述患者的语音指令,执行与所述语音指令对应的操作。
在本示例性实施例中,所述输入设备例如可以为麦克风、耳麦等,本示例性实施例对此不作特殊限定。在患者发送语音指令时,系统通过输入设备获取语音指令,并通过转化模块将语音指令转化为文字指令,并响应该文字指令执行与该文字指令对应的操作。
所述语音指令可以包括暂停指令、快进指令、调节音量的指令等,本示例性实施例对此不作特殊限定。例如,在系统通过输入设备获取到患者的暂停指令时,响应该暂停指令,暂停康复训练过程。
可通过所述输入设备拾音,从而实现位置校准。例如,在输入设备为阵列麦克风时,可实现位置校准。所述阵列麦克风包括多个麦克风,例如,2个、3个、4个等,本示例性实施例对此不作特殊限定。所述阵列麦克风中的各麦克风的排列方式可以为平行排列,也可以其他形式的排列方式,本示例性实施例对此不作特殊限定。需要说明的是,在阵列麦克风包括偶数个且为平行排列的多个麦克风时,可以实时动态抑制噪音,同时可避免来自环境中的声音的干扰,抑制室内回音。阵列麦克风基于波束形成的方法对语音频段增强并提取,实现高可靠性的2~5米范围距离中距离语音交互,具有便捷性和高可用性。同时基于手势的动作识别辅助交互,对屏幕菜单的操作,简化了原来室内中远距离非接触交互的可用性。麦克风的方向可与目标人体的方向定位的方向相结合,自动实现拾音的位置校准。
通过输入设备获取患者的语音指令,并响应语音指令执行与语音指令对应的操作,相对于现有的接触式的操作,操作步骤简单便捷,大大降低了操作的精度,尤其适合老年人。
需要说明的是,输入设备也可以为触控屏幕或者物理按键,患者可以通过在触控屏幕上执行接触式操作或者操作物理按键实现人机交互。
为了避免误操作,提高用户体验,可以设置一预设操作区域,即在患者在该预设操作区域内下发语音指令时,系统响应该语音指令执行与该语音指令对应的操作。在患者在该预设操作区域外下发语音指令时,系统不响应该语音指令。所述预设操作区域的大小可以根据康复训练项目所占面积的大小进行确定,还可以由开发商自行设置,本示例性实施例对此不作特殊限定。
另外,所述方法还可以包括:在所述患者未进行康复训练的过程中,感测并响应所述患者的手势指令,执行与所述手势指令对应的操作。
在本示例性实施例中,手势指令的指令类型例如可以包括康复训练开始指令,还可以为查看菜单的指令等,本示例性实施例对此不作特殊限定。所述手势指令的手势类型例如可以包括手臂向左移动的手势、手臂向上移动的手势、胜利手势、旋转手势等,本示例性实施例对此不作特殊限定。所述手势指令可以为三维手势指令,也可以为二维手势指令,本示例性实施例对此不作特殊限定。每个手势指令的手势均且只对应一个指令类型,例如,手臂向左移动的手势对应查看菜单的指令,即在通过激光雷达感测到手臂向左移动的手势时,执行查看菜单的指令。
本示例性实施例中还公开了一种康复训练装置,参照图4和图5所示,所述康复训练装置400可以包括激光雷达401、惯性传感器402、训练模块403、处理器404,其中:
激光雷达401,可以用于在构建各患者的训练样本集合的过程中,获取各所述患者的扫描数据,以及在患者的康复训练过程中,获取所述患者的扫描数据;
惯性传感器402,可以用于在构建各所述患者的训练样本集合的过程中,获取各所述患者的位移数据;
训练模块403,可以用于根据各所述患者的扫描数据结合骨骼模型获取各所述患者的各关节的第一角度数据,根据各所述患者的位移数据计算各所述患者的各关节的第二角度数据,将各所述患者的各关节的所述第一角度数据和其所述第二角度数据进行融合得到各所述患者的各关节的综合角度数据,以及根据各所述患者的各关节的综合角度数据结合人工神经网络得到各所述患者的各关节的误差补偿矩阵,并根据各所述患者的误差补偿矩阵构建各所述患者的训练样本集合;
处理器404,可以用于在所述患者进行康复的过程中,根据患者的扫描数据并结合所述患者的训练样本集合对所述患者在康复训练中的动作进行识别。
在本公开的一示例性实施例中,所述处理器404还可以用于根据对所述患者在康复训练中的动作的识别结果生成评价报告和/或纠正数据。
在本公开的一示例性实施例中,所述装置400还可以包括:输出设备405,可以用于响应所述患者的预设康复训练请求,展示与所述预设康复训练请求对应的标准动作视频或标准动作指导语音。所述输出设备405可以包括显示器501或者音箱502等。
在本公开的一示例性实施例中,所述装置400还可以包括:输出设备405,可以用于响应所述患者的预设康复训练请求,展示与所述预设康复训练请求对应的标准动作视频或标准动作指导语音,并用于展示与所述纠正数据对应的纠正视频或纠正语音。所述输出设备405可以包括显示器501或者音箱502等。
在本公开的一示例性实施例中,所述装置400还可以包括:输入设备406,可以用于获取来自所述患者的语音指令。所述输入设备可以为麦克风、阵列麦克风等。
在本公开的一示例性实施例中,所述激光雷达401还可以用于在所述患者未进行康复训练的过程中,感测所述患者的手势指令。
在本公开的一示例性实施例中,所述处理器404还可以用于响应所述指令,执行与所述指令对应的操作。所述指令可以为语音指令或者手势指令等。
上述中各康复训练装置包括的各部分的具体细节已经在对应的康复训练方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图6来描述根据本发明的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元610可以执行如图1中所示的步骤S110、根据激光雷达获取的各患者的扫描数据并结合骨骼模型获取各所述患者的各关节的第一角度数据;步骤S120、根据惯性传感器获取的各所述患者的位移数据计算各所述患者的各关节的第二角度数据;步骤S130、将各所述患者的各关节的所述第一角度数据和其所述第二角度数据进行融合,以得到各所述患者的各关节的综合角度数据;步骤S140、根据各所述患者的各关节的综合角度数据结合人工神经网络得到各所述患者的各关节的误差补偿矩阵,并根据各所述患者的各关节的误差补偿矩阵构建各所述患者的训练样本集合;步骤S150、在患者进行康复训练的过程中,根据所述激光雷达实时获取的所述患者的扫描数据并结合所述患者的训练样本集合对所述患者在康复训练中的动作进行识别。
存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备670(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器660通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图7所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品700,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (16)
1.一种康复训练方法,其特征在于,包括:
根据激光雷达获取的各患者的扫描数据并结合骨骼模型获取各所述患者的各关节的第一角度数据;
根据惯性传感器获取的各所述患者的位移数据计算各所述患者的各关节的第二角度数据;
将各所述患者的各关节的所述第一角度数据和其所述第二角度数据进行融合,以得到各所述患者的各关节的综合角度数据;
根据各所述患者的各关节的综合角度数据结合人工神经网络得到各所述患者的各关节的误差补偿矩阵,并根据各所述患者的各关节的误差补偿矩阵构建各所述患者的训练样本集合;
在患者进行康复训练的过程中,根据所述激光雷达实时获取的所述患者的扫描数据并结合所述患者的训练样本集合对所述患者在康复训练中的动作进行识别;
其中,所述根据所述激光雷达实时获取的所述患者的扫描数据并结合所述患者的训练样本集合对所述患者在康复训练中的动作进行识别包括:
通过所述激光雷达实时获取所述患者的扫描数据;
根据所述患者的扫描数据并结合所述骨骼模型获取所述患者的各关节的角度;
根据所述患者的各关节的角度在所述患者的训练样本集合中获取对应的所述误差补偿矩阵,并根据对应的所述误差补偿矩阵对所述患者在康复训练中的动作进行识别;
其中,根据所述患者的各关节的角度在所述患者的训练样本集合中获取对应的所述误差补偿矩阵,并根据对应的所述误差补偿矩阵对所述患者在康复训练中的动作进行识别包括:
将所述患者的各关节的角度与所述患者的训练样本集合中的各关节的综合角度数据进行匹配,将匹配成功的各关节的综合角度数据对应的所述误差补偿矩阵确定为与所述患者的各关节的角度对应的所述误差补偿矩阵。
2.根据权利要求1所述的康复训练方法,其特征在于,所述方法还包括:
根据对所述患者在康复训练中的动作的识别结果生成评价报告和/或纠正数据。
3.根据权利要求1所述的康复训练方法,其特征在于,所述方法还包括:
响应患者的预设康复训练请求,展示与所述预设康复训练请求对应的标准动作视频或标准动作指导语音。
4.根据权利要求2所述的康复训练方法,其特征在于,所述方法还包括:
展示所述纠正数据,并播放与所述纠正数据对应的纠正视频或纠正语音。
5.根据权利要求1所述的康复训练方法,其特征在于,所述方法还包括:
响应通过输入设备获取的所述患者的语音指令,执行与所述语音指令对应的操作。
6.根据权利要求5所述的康复训练方法,其特征在于,可通过所述输入设备拾音,从而实现位置校准。
7.根据权利要求1所述的康复训练方法,其特征在于,所述方法还包括:
在所述患者未进行康复训练的过程中,感测并响应所述患者的手势指令,执行与所述手势指令对应的操作。
8.一种康复训练装置,其特征在于,包括:
激光雷达,用于在构建各患者的训练样本集合的过程中,获取各所述患者的扫描数据,以及在患者的康复训练过程中,获取所述患者的扫描数据;
惯性传感器,用于在构建各所述患者的训练样本集合的过程中,获取各所述患者的位移数据;
训练模块,用于根据各所述患者的扫描数据结合骨骼模型获取各所述患者的各关节的第一角度数据,根据各所述患者的位移数据计算各所述患者的各关节的第二角度数据,将各所述患者的各关节的所述第一角度数据和其所述第二角度数据进行融合得到各所述患者的各关节的综合角度数据,以及根据各所述患者的各关节的综合角度数据结合人工神经网络得到各所述患者的各关节的误差补偿矩阵,并根据各所述患者的误差补偿矩阵构建各所述患者的训练样本集合;
处理器,用于在所述患者进行康复的过程中,根据患者的扫描数据并结合所述患者的训练样本集合对所述患者在康复训练中的动作进行识别;
所述处理器,还用于通过所述激光雷达实时获取所述患者的扫描数据;
根据所述患者的扫描数据并结合所述骨骼模型获取所述患者的各关节的角度;
根据所述患者的各关节的角度在所述患者的训练样本集合中获取对应的所述误差补偿矩阵,并根据对应的所述误差补偿矩阵对所述患者在康复训练中的动作进行识别;
所述处理器,还用于将所述患者的各关节的角度与所述患者的训练样本集合中的各关节的综合角度数据进行匹配,将匹配成功的各关节的综合角度数据对应的所述误差补偿矩阵确定为与所述患者的各关节的角度对应的所述误差补偿矩阵。
9.根据权利要求8所述的康复训练装置,其特征在于,所述处理器还用于根据对所述患者在康复训练中的动作的识别结果生成评价报告和/或纠正数据。
10.根据权利要求8所述的康复训练装置,其特征在于,所述装置还包括:
输出设备,用于响应所述患者的预设康复训练请求,展示与所述预设康复训练请求对应的标准动作视频或标准动作指导语音。
11.根据权利要求9所述的康复训练装置,其特征在于,所述装置还包括:
输出设备,用于响应所述患者的预设康复训练请求,展示与所述预设康复训练请求对应的标准动作视频或标准动作指导语音,并用于展示与所述纠正数据对应的纠正视频或纠正语音。
12.根据权利要求8所述的康复训练装置,其特征在于,所述装置还包括:
输入设备,用于获取来自所述患者的语音指令。
13.根据权利要求8所述的康复训练装置,其特征在于,所述激光雷达还用于在所述患者未进行康复训练的过程中,感测所述患者的手势指令。
14.根据权利要求12或13所述的康复训练装置,其特征在于,所述处理器还用于响应所述指令,执行与所述指令对应的操作。
15.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1~7中任意一项所述的康复训练方法。
16.一种电子设备,其特征在于,包括:
处理单元;以及
存储单元,用于存储所述处理单元的可执行指令;
其中,所述处理单元配置为经由执行所述可执行指令来执行权利要求1~7中任意一项所述的康复训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810556585.3A CN108498102B (zh) | 2018-05-31 | 2018-05-31 | 康复训练方法及装置、存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810556585.3A CN108498102B (zh) | 2018-05-31 | 2018-05-31 | 康复训练方法及装置、存储介质、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108498102A CN108498102A (zh) | 2018-09-07 |
CN108498102B true CN108498102B (zh) | 2023-12-29 |
Family
ID=63402697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810556585.3A Active CN108498102B (zh) | 2018-05-31 | 2018-05-31 | 康复训练方法及装置、存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108498102B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111481208B (zh) * | 2020-04-01 | 2023-05-12 | 中南大学湘雅医院 | 一种应用于关节康复的辅助系统、方法及存储介质 |
CN113256770B (zh) * | 2021-06-02 | 2021-09-28 | 天津慧医谷科技有限公司 | 基于骨骼的动画生成方法、装置以及电子设备 |
CN115101169B (zh) * | 2022-07-29 | 2023-03-21 | 北京欧应科技有限公司 | 用于实现训练动作的方法、设备和介质 |
CN116059600B (zh) * | 2022-11-25 | 2023-10-20 | 佛山市银河兰晶科技股份有限公司 | 一种基于互动投影的康复训练装置、训练方法及评估系统 |
CN116863383A (zh) * | 2023-07-31 | 2023-10-10 | 山东大学齐鲁医院(青岛) | 一种助行监测方法和装置、电子设备和存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005091085A (ja) * | 2003-09-16 | 2005-04-07 | Gifu Univ | 非接触型関節角度計測システム |
TW200514543A (en) * | 2003-10-17 | 2005-05-01 | shi-wei Yang | The training for interfered dynamic-equilibrium and the sport-neural physiology control, as well as evaluation equipment |
CN101636142A (zh) * | 2007-03-22 | 2010-01-27 | 国立大学法人筑波大学 | 康复训练辅助装置 |
WO2011123072A1 (en) * | 2010-03-31 | 2011-10-06 | Agency For Science, Technology And Research | A method and system for motor rehabilitation |
JP2011224048A (ja) * | 2010-04-15 | 2011-11-10 | Institute Of National Colleges Of Technology Japan | 上肢運動モデル |
CN102591459A (zh) * | 2010-12-28 | 2012-07-18 | 微软公司 | 姿势状态分类 |
CN102781633A (zh) * | 2010-01-15 | 2012-11-14 | 松下电器产业株式会社 | 弹性体致动器驱动机构的控制装置及控制方法、以及控制程序 |
CN203149575U (zh) * | 2011-12-29 | 2013-08-21 | 无锡微感科技有限公司 | 一种基于微型传感器的交互式上肢康复设备 |
CN103340632A (zh) * | 2013-06-28 | 2013-10-09 | 北京航空航天大学 | 一种基于特征点空间位置的人体关节角度测量方法 |
CN105058396A (zh) * | 2015-07-31 | 2015-11-18 | 深圳先进技术研究院 | 机器人示教系统及其控制方法 |
CN105844258A (zh) * | 2016-04-13 | 2016-08-10 | 中国农业大学 | 动作识别方法及装置 |
CN106500695A (zh) * | 2017-01-05 | 2017-03-15 | 大连理工大学 | 一种基于自适应扩展卡尔曼滤波的人体姿态识别方法 |
CN106621287A (zh) * | 2017-02-07 | 2017-05-10 | 西安交通大学 | 一种基于脑机接口与虚拟现实技术的上肢康复训练方法 |
CN107014339A (zh) * | 2017-04-26 | 2017-08-04 | 北京理工大学 | 一种用于大数据的高精度角度传感器误差补偿方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150025419A1 (en) * | 2013-07-18 | 2015-01-22 | Everett Aaberg | Integrated triad system for providing advanced assessment methods, corrective and performance exercise training, and integrating specialized manual therapies |
-
2018
- 2018-05-31 CN CN201810556585.3A patent/CN108498102B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005091085A (ja) * | 2003-09-16 | 2005-04-07 | Gifu Univ | 非接触型関節角度計測システム |
TW200514543A (en) * | 2003-10-17 | 2005-05-01 | shi-wei Yang | The training for interfered dynamic-equilibrium and the sport-neural physiology control, as well as evaluation equipment |
CN101636142A (zh) * | 2007-03-22 | 2010-01-27 | 国立大学法人筑波大学 | 康复训练辅助装置 |
CN102781633A (zh) * | 2010-01-15 | 2012-11-14 | 松下电器产业株式会社 | 弹性体致动器驱动机构的控制装置及控制方法、以及控制程序 |
WO2011123072A1 (en) * | 2010-03-31 | 2011-10-06 | Agency For Science, Technology And Research | A method and system for motor rehabilitation |
JP2011224048A (ja) * | 2010-04-15 | 2011-11-10 | Institute Of National Colleges Of Technology Japan | 上肢運動モデル |
CN102591459A (zh) * | 2010-12-28 | 2012-07-18 | 微软公司 | 姿势状态分类 |
CN203149575U (zh) * | 2011-12-29 | 2013-08-21 | 无锡微感科技有限公司 | 一种基于微型传感器的交互式上肢康复设备 |
CN103340632A (zh) * | 2013-06-28 | 2013-10-09 | 北京航空航天大学 | 一种基于特征点空间位置的人体关节角度测量方法 |
CN105058396A (zh) * | 2015-07-31 | 2015-11-18 | 深圳先进技术研究院 | 机器人示教系统及其控制方法 |
CN105844258A (zh) * | 2016-04-13 | 2016-08-10 | 中国农业大学 | 动作识别方法及装置 |
CN106500695A (zh) * | 2017-01-05 | 2017-03-15 | 大连理工大学 | 一种基于自适应扩展卡尔曼滤波的人体姿态识别方法 |
CN106621287A (zh) * | 2017-02-07 | 2017-05-10 | 西安交通大学 | 一种基于脑机接口与虚拟现实技术的上肢康复训练方法 |
CN107014339A (zh) * | 2017-04-26 | 2017-08-04 | 北京理工大学 | 一种用于大数据的高精度角度传感器误差补偿方法 |
Non-Patent Citations (3)
Title |
---|
Guanbin Gao ; Hongwei Zhang ; Hongjun San ; Xing Wu ; Wen Wang.Modeling and Error Compensation of Robotic Articulated Arm Coordinate Measuring Machines Using BP Neural Network.《Complexity》.2017,全文. * |
夏凯;陈崇端;洪涛;徐文立.补偿机器人定位误差的神经网络.《机器人》.1995,全文. * |
马立;于瀛洁;程维明;荣伟彬;孙立宁.BP神经网络补偿并联机器人定位误差.《光学精密工程》.2008,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN108498102A (zh) | 2018-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108498102B (zh) | 康复训练方法及装置、存储介质、电子设备 | |
Siena et al. | Utilising the intel realsense camera for measuring health outcomes in clinical research | |
WO2019100754A1 (zh) | 人体动作的识别方法、装置和电子设备 | |
CN109410285A (zh) | 一种校准方法、装置、终端设备及存储介质 | |
KR20190126906A (ko) | 돌봄 로봇을 위한 데이터 처리 방법 및 장치 | |
RU2708027C1 (ru) | Способ передачи движения субъекта из видео на анимированного персонажа | |
JP2016515242A (ja) | 校正不要な注視点推定の方法と装置 | |
US11407106B2 (en) | Electronic device capable of moving and operating method thereof | |
CN112667068A (zh) | 虚拟人物的驱动方法、装置、设备及存储介质 | |
CN113946211A (zh) | 基于元宇宙的多个对象的交互方法及相关设备 | |
CN109144252B (zh) | 对象确定方法、装置、设备和存储介质 | |
KR100916836B1 (ko) | 지시형 제스처를 인식하는 방법 및 장치 | |
CN110555426A (zh) | 视线检测方法、装置、设备及存储介质 | |
CN113289327A (zh) | 移动终端的显示控制方法及装置、存储介质及电子设备 | |
US11789528B1 (en) | On-the-fly calibration for improved on-device eye tracking | |
JPWO2019216016A1 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
CN113569753A (zh) | 视频中的动作比对方法、装置、存储介质与电子设备 | |
WO2020155915A1 (zh) | 用于播放音频的方法和装置 | |
CN109331455A (zh) | 人体姿态的动作纠错方法、装置、存储介质及终端 | |
CN111589138B (zh) | 动作预测方法、装置、设备及存储介质 | |
CN112711331A (zh) | 机器人交互方法、装置、存储设备和电子设备 | |
CN113033526A (zh) | 基于计算机实现的方法、电子设备和计算机程序产品 | |
CN115578494B (zh) | 中间帧的生成方法、装置、设备及存储介质 | |
CN113497912A (zh) | 通过语音和视频定位的自动取景 | |
CN110152160A (zh) | 自闭症康复干预系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |