CN108743222B - 一种基于Leap Motion的手指对称康复误差修正方法 - Google Patents
一种基于Leap Motion的手指对称康复误差修正方法 Download PDFInfo
- Publication number
- CN108743222B CN108743222B CN201810558065.6A CN201810558065A CN108743222B CN 108743222 B CN108743222 B CN 108743222B CN 201810558065 A CN201810558065 A CN 201810558065A CN 108743222 B CN108743222 B CN 108743222B
- Authority
- CN
- China
- Prior art keywords
- finger
- patient
- motion
- error
- 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000012937 correction Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000009471 action Effects 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 3
- 210000003811 finger Anatomy 0.000 claims description 60
- 210000004247 hand Anatomy 0.000 claims description 21
- 238000005452 bending Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000006399 behavior Effects 0.000 claims description 10
- 230000003238 somatosensory effect Effects 0.000 claims description 10
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 210000001145 finger joint Anatomy 0.000 claims description 3
- 230000003902 lesion Effects 0.000 claims description 3
- 210000003813 thumb Anatomy 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 238000011084 recovery Methods 0.000 claims 1
- 230000036285 pathological change Effects 0.000 abstract description 8
- 231100000915 pathological change Toxicity 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 3
- 208000006011 Stroke Diseases 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000002490 cerebral effect Effects 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 206010008190 Cerebrovascular accident Diseases 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 210000000133 brain stem Anatomy 0.000 description 1
- 210000001627 cerebral artery Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005057 finger movement Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000004932 little finger Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H1/00—Apparatus for passive exercising; Vibrating apparatus; Chiropractic devices, e.g. body impacting devices, external devices for briefly extending or aligning unbroken bones
- A61H1/02—Stretching or bending or torsioning apparatus for exercising
- A61H1/0274—Stretching or bending or torsioning apparatus for exercising for the upper limbs
- A61H1/0285—Hand
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H1/00—Apparatus for passive exercising; Vibrating apparatus; Chiropractic devices, e.g. body impacting devices, external devices for briefly extending or aligning unbroken bones
- A61H1/02—Stretching or bending or torsioning apparatus for exercising
- A61H1/0274—Stretching or bending or torsioning apparatus for exercising for the upper limbs
- A61H1/0285—Hand
- A61H1/0288—Fingers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H2201/00—Characteristics of apparatus not provided for in the preceding codes
- A61H2201/50—Control means thereof
- A61H2201/5023—Interfaces to the user
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H2205/00—Devices for specific parts of the body
- A61H2205/06—Arms
- A61H2205/065—Hands
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H2205/00—Devices for specific parts of the body
- A61H2205/06—Arms
- A61H2205/065—Hands
- A61H2205/067—Fingers
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Rehabilitation Therapy (AREA)
- Physical Education & Sports Medicine (AREA)
- Pain & Pain Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Epidemiology (AREA)
- Rehabilitation Tools (AREA)
Abstract
本发明提供了一种基于Leap Motion的手指康复误差修正方法，包括：步骤一：首先对患者的正常手进行行为预测，Leap Motion对双手动作进行数据采集，并通过上位机实时显示；步骤二：计算机对双手动作的数据进行对比；步骤三：若误差在有效范围之内，则输出患者手部完成动作的量化值，若误差不在有效范围内，则输出提示信息，并通过算法对数据进行修正；步骤四：将修正后的数据传送给病变侧手指，继续执行以上三个步骤，最终使得误差在有效范围之内。本发明实时显示患者康复训练的数据，有效解决患者双手对称动作的时延问题，减少动作的误差，提高患者双手对称康复的效果，降低患者的时间成本以及增强患者治疗的积极性。
Description
技术领域
本发明涉及康复医疗设备领域，特别是一种基于Leap Motion的手指对称康复误差修正方法，适用于脑中风、车祸或老龄化等各种原因引起的手指偏瘫患者进行手指对称康复训练。
背景技术
脑卒中是因各种诱发因素引起脑内动脉狭窄，闭塞或破裂，而造成急性脑血液循环障碍，可引发脑干局部神经功能缺损或消失，进而导致患者的身体出现偏瘫，尤其是手功能出现障碍，病变侧手指不能自主弯曲伸展以及丧失握持等运动功能，这对患者的生活造成诸多不良影响，也降低了患者的生活质量，给家庭和社会增加了很多负担。随着社会进入老龄化阶段，脑卒风的发病率大大升高，因此积极研究治疗脑中风所引起的手部功能障碍具有重大的意义。
申请号为201710736343.8的中国专利公开了基于Leap Motion体感控制器的手部康复训练方法，引导患者完成康复动作的同时，通过体感交互设备获取患者的手部动作数据，在虚拟现实的环境下实时显示手部真实动作和标准动作，通过对两个动作进行比较判断患者的康复情况并给出评估，并且采用BP神经网络技术对患者的康复训练情况进行评估。但是其不能根据患者的正常手的实时运动情况对病变侧手指进行有效训练，也不能根据康复对象的变化而变化，例如老人和小孩的手指运动方式和速度是有差别的，只能根据输入的标准动作进行康复治疗，且BP神经网络具有随机初始化权值参数而容易陷入局部最优和训练时间长的特点，增加了患者康复的时间成本。
发明内容
本发明所要解决的技术问题是针对上述现有问题，提出一种基于Leap Motion的手指对称康复误差修正方法，通过对患者的正常手进行行为预测，从而带动佩戴机械手的病变侧手指进行康复训练，可实时追踪患者正常手和病变侧手指的运动状态，并且保证双手对称的康复运动误差处于有效范围之内。
本发明所采用的技术方案是：一种基于Leap Motion的手指康复误差修正方法，包括双手对称康复系统，所述双手对称康复系统包括患者的双手(正常手和佩戴的机械手的病变手)、Leap Motion体感控制器、计算机主机和显示器，包括以下步骤：
(一)对患者的正常手进行行为预测；
(二)Leap Motion体感控制器每1s采集患者双手动作的数据，并在显示屏上显示虚拟手；
(三)上位机上实时显示患者双手动作的数据；
(四)计算机对双手的数据进行对比，若误差在有效范围之内，则计算出患者动作完成的量化值；若误差超过有效范围，则输出提示信息，对数据进行误差修正，计算机将修正后的数据输送给患者的机械手，继续采集和修正数据；
(五)输出患者手部康复训练的量化值并对训练系统进行评价。
进一步地，在上述步骤(一)中对患者的正常手进行行为预测，包括每根手指关节的坐标位置和手指弯曲的角度以及指尖的移动速度。
进一步地，在上述步骤(二)中Leap Motion体感控制器每1s对患者双手动作数据采集，上位机实时显示手的动作数据：左右手的辨别、手指弯曲的角度、手掌和指尖的位置和指尖移动的速度。
进一步地，在上述步骤(四)中计算机在同一时刻对患者双手的数据进行对比，以大拇指为例，其余四个手指的操作步骤与之相同，其步骤如下：
(a)建立坐标，Leap Motion系统使用右手笛卡尔坐标系，Unity3D使用左手笛卡尔坐标系,即它们的Z轴相反，Unity以米为单位，Leap Motion使用毫米。Leap Motion配备的Plugin脚本内部对坐标系统进行了转化，即将单位和坐标转化为Unity的标准，系统使用的是Unity的坐标；
(b)正常手的行为预测值指尖坐标F0(x0，y0，z0),手指弯曲的角度θ1；
(c)病变侧手指的指尖坐标N0(a0，b0，c0)，手指弯曲角度α1；
(d)计算出正常手和病变侧手指指尖在1s内的移动速度v1和v2；
(e)计算出指尖坐标的绝对误差Δy＝|y0-b0|,Δz＝|z0-c0|手指弯曲角度的绝对误差Δ1＝|θ1-α1|，手指指尖移动速度的绝对误差Δy＝|v1-v2|；
进一步地，在上述步骤(e)中若误差在有效范围之内，则计算出患者动作完成的量化值，计算公式如下：
Mark＝100-10(Δy+Δz+Δv+10sinΔ1)；
进一步地，将每个手指的动作完成的量化值进行加权平均，最终得到系统的动作完成量化值。
进一步地，在步骤(四)中运用深度信念神经网络DBN对系统进行误差修正，深度信念神经网络DBN是一种无监督学习下的机器学习模型，是由N个受限制的玻尔兹曼机单元构成，其步骤如下：
DBN中无监督的贪婪算法采用的是自下而上的顺序，分层对DBN进行无监督学习。
(1)首先将Leap Motion采集到的数据和所计算出的误差作为原始数据输入到最下面的RBM可视层中，训练第一层的RBM使其达到能量平衡；
(2)将第一层训练后的隐藏层作为第二层RBM的可视层，继续训练第二层RBM使其达到能量平衡；
(3)继续将第二层的隐藏层作为第三层的可视层，继续训练，直至最后一层；
(4)对系统进行反向传播，对各层网络的参数进行微调,直至误差在有效范围之内。
进一步地，所述的手指弯曲角度是由手指两两关节之间的角度差来确定的。
进一步地，所述的指尖移动速度是在指尖在1s内位移与时间的比值。
本发明的有益效果为：1、通过对患者的正常手进行行为预测，从而带动佩戴机械手的病变侧手指进行康复训练，可以有效减小双手对称动作的误差；2、通过正常手带动病变侧手指进行康复训练，可以根据患者自身的手指运动数据对病变侧手指的运动进行调整，有益于提高病变侧手指的康复效果；3、本系统采用深度信念神经网络DBN进行系统训练，对双手对称运动所产生的误差进行更加精确的修正，可以提高患者的训练效率，减少患者的康复治疗时间成本；4、可对患者的训练完成度进行评价，通过系统的训练，患者的神经系统能够得到有效刺激，增加患者治疗疾病的积极性，减少患者的康复训练时间，为社会减少医疗负担。
附图说明
图1为本发明的流程图；
图2为本发明的结构图；
图3为Leap Motion和Unity 3D的坐标轴；
图4为患者双手的简图，即正常手和病变手；
图5为深度信念神经网络DBN训练流程；
图示说明：a为患者病变手，b为Leap Motion控制器，c为计算机主机，d为计算机的显示器，e为患者的正常手。
具体实施方式
下面结合附图对本发明作详细说明。
参见附图2，本发明提供了一种基于Leap Motion的手指对称康复误差修正方法的训练系统，包括双手对称康复系统，所述双手对称康复系统包括患者的正常手e和病变手a、Leap Motion体感控制器b、计算机主机c和显示器d。
对于上述手指对称康复系统，本发明提供了一种基于Leap Motion的手指对称康复误差修正方法。
实施例一：在本实施例中采用正常侧手指和病变侧手指完成动作的误差进行评估。
本实施例的双手对称康复误差修正系统包括以下步骤：
步骤(1)对患者的正常手e进行行为预测，包括指尖的坐标F0和手指弯曲的角度θ1,其中，θ1是由手指两两关节之间的角度的差值计算得出；
步骤(2)将步骤(1)所得出的数据输送给病变手a；
步骤(3)Leap Motion将双手弯曲的角度值和指尖的坐标输送给上位机并实时显示，其中包括正常手的行为预测值指尖坐标F0(x0，y0，z0)，手指弯曲的角度θ1，病变侧手指的指尖坐标N0(a0，b0，c0)，手指弯曲角度α1，同时，显示器d实时显示与患者双手同步动作的虚拟手；
步骤(4)计算机计算出患者正常手e和病变手a的指尖在1s内的移动速度v1和v2，指尖的移动速度是指尖在1s内的位移与时间1s的比值；
步骤(5)计算出指尖坐标的绝对误差Δy＝|y0-b0|,Δz＝|z0-c0|手指弯曲角度的绝对误差Δ1＝|θ1-α1|，手指指尖移动速度的绝对误差Δv＝|v1-v2|；
计算机对双手的数据进行对比，若误差在有效范围之内，则计算出患者动作完成的量化值；
计算量化值的公式为：Mark0＝100-10(Δy+Δz+Δv+10sinΔ1)；
每个手指的动作完成的量化值进行加权平均，最终得到系统的动作完成量化值；
加权平均的计算公式为：
Mark0、Mark1、Mark2、Mark3、Mark4分别是大拇指、食指、中指、无名指和小指完成动作的量化值；
实施例二：在执行实施例一的过程中，患者的双手在完成动作时，会产生较大的误差，因此，本实施例采用深度信念神经网络DBN进行系统训练，使得误差在有效范围之内；
参见附图5，本实施例对系统的误差修正训练的步骤为：
步骤(1)首先将Leap Motion采集到的数据和所计算出的误差作为原始数据输入到最下面的RBM可视层v中，训练第一层的RBM使其达到能量平衡；
步骤(2)可视层和隐藏层的联合组态能量为：
E(v，h)＝∑iaivi-∑jbjhj-∑i∑jwμvihj
其中，vi和hj分别是可视层和隐藏层的节点状态，ai和bj分别为可视层和隐藏层节点对应的偏置量，wμ为可视层和隐藏层之间的连接权重值，隐藏层节点的输出为：hj＝∑iviwμ+bj；v为可视层，h为隐藏层，i、j分别为可视层和隐藏层的节点数；
将第一层训练后的隐藏层作为第二层RBM的可视层，继续训练第二层RBM使其达到能量平衡；
在训练的过程中，确保特征向量映射到不同特征空间时,都尽可能多地保留特征信息，如双手指尖的坐标和移动的速度以及手指弯曲的角度；
继续将第二层的隐藏层作为第三层的可视层，继续训练，直至最后一层；
在DBN的最后一层设置BP网络，接收RBM的输出特征向量作为它的输入特征向量,有监督地训练实体关系分类器.而且每一层RBM网络只能确保自身层内的权值对该层特征向量映射达到最优；
对系统进行反向传播，对各层网络的参数进行微调,直至误差在有效范围之内；
在附图1中，对于在训练系统中所出现的双手动作误差采用深度信念神经网络DBN进行系统训练，最终输出神经网络系统DBN修正误差后的数据输送给患者的病变手，继续执行实施例一的步骤。
以上所述仅表达了本发明的优选实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形、改进及替代，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种基于Leap Motion的手指康复误差修正方法，其特征在于，包括双手对称康复系统，所述双手对称康复系统包括用于佩戴在病变手上的机械手、Leap Motion体感控制器、计算机主机和显示器，包括以下步骤：
(一)对患者的正常手进行行为预测；
(二)Leap Motion体感控制器每1s采集患者双手动作的数据，并在显示器上显示虚拟手；
(三)显示器上实时显示患者双手动作的数据；
(四)计算机主机对双手动作的数据进行对比，若误差在有效范围之内，则计算出患者动作完成的量化值；若误差超过有效范围，则输出提示信息，对数据进行误差修正，计算机主机将修正后的数据输送给用于患者佩戴的所述机械手，继续采集和修正数据；
(五)将每个手指的动作完成的量化值进行加权平均，最终得到系统的动作完成量化值，输出系统的动作完成量化值并对康复系统进行评价；
在上述步骤(四)中计算机主机在同一时刻对患者双手动作的数据进行对比，以大拇指为例，其余四个手指的操作步骤与之相同，其步骤如下：
(a)建立坐标，Leap Motion系统使用右手笛卡尔坐标系，Unity3D使用左手笛卡尔坐标系,即它们的Z轴相反，Unity以米为单位，Leap Motion使用毫米；Leap Motion配备的Plugin脚本内部对坐标系统进行了转化，即将单位和坐标转化为Unity的标准，系统使用的是Unity的坐标；
(b)正常手的行为预测值指尖坐标F0(x0，y0，z0),手指弯曲的角度θ1；
(c)病变侧手指的指尖坐标N0(a0，b0，c0)，手指弯曲角度α1；
(d)计算出正常手和病变侧手指指尖在1s内的移动速度v1和v2；
(e)计算出指尖坐标的绝对误差Δy＝|y0-b0|,Δz＝|z0-c0|，手指弯曲角度的绝对误差Δ1＝|θ1-α1|，手指指尖移动速度的绝对误差Δv＝|v1-v2|；
在上述步骤(e)中若误差在有效范围之内，则计算出患者动作完成的量化值，计算公式如下：
Mark＝100-10(Δy+Δz+Δv+10sinΔ1)。
2.根据权利要求1所述的一种基于Leap Motion的手指康复误差修正方法，其特征在于，在上述步骤(一)中对患者的正常手进行行为预测，包括每根手指关节的坐标位置和手指弯曲的角度以及指尖的移动速度。
3.根据权利要求1所述的一种基于Leap Motion的手指康复误差修正方法，其特征在于，在上述步骤(二)中Leap Motion体感控制器每1s对患者双手动作数据采集，显示器实时显示手的动作数据，所述动作数据包括左右手的辨别、手指弯曲的角度、手掌和指尖的位置和指尖移动的速度。
4.根据权利要求1所述的一种基于Leap Motion的手指康复误差修正方法，其特征在于，在步骤(四)中运用深度信念神经网络DBN对系统进行误差修正，深度信念神经网络DBN由N个受限制的玻尔兹曼机单元构成，其步骤如下：
DBN中无监督的贪婪算法采用的是自下而上的顺序，分层对DBN进行无监督学习；
(1)首先将Leap Motion采集到的数据和所计算出的误差作为原始数据输入到最下面的RBM可视层中，训练第一层的RBM使其达到能量平衡；
(2)将第一层训练后的隐藏层作为第二层RBM的可视层，继续训练第二层RBM使其达到能量平衡；
(3)继续将第二层的隐藏层作为第三层的可视层，继续训练，直至最后一层；
(4)对系统进行反向传播，对各层网络的参数进行微调,直至误差在有效范围之内。
5.根据权利要求2所述的一种基于Leap Motion的手指康复误差修正方法，其特征在于，所述的手指弯曲角度是由手指两两关节之间的角度差来确定的。
6.根据权利要求2所述的一种基于Leap Motion的手指康复误差修正方法，其特征在于，所述的指尖移动速度是指尖在1s内位移与时间的比值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810558065.6A CN108743222B (zh) | 2018-06-01 | 2018-06-01 | 一种基于Leap Motion的手指对称康复误差修正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810558065.6A CN108743222B (zh) | 2018-06-01 | 2018-06-01 | 一种基于Leap Motion的手指对称康复误差修正方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108743222A CN108743222A (zh) | 2018-11-06 |
| CN108743222B true CN108743222B (zh) | 2021-02-09 |
Family
ID=64002081
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810558065.6A Active CN108743222B (zh) | 2018-06-01 | 2018-06-01 | 一种基于Leap Motion的手指对称康复误差修正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108743222B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109192272A (zh) * | 2018-11-26 | 2019-01-11 | 燕山大学 | 基于Leap Motion与VR相结合的手功能康复训练系统及其实现方法 |
| CN111906763A (zh) * | 2020-06-22 | 2020-11-10 | 西安交通大学 | 一种具有姿态监测及触觉反馈功能的遥操作柔性仿生手 |
| CN112270441A (zh) * | 2020-10-30 | 2021-01-26 | 华东师范大学 | 建立自闭症儿童康复效果预测模型的方法、预测自闭症儿童康复效果的方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106618957A (zh) * | 2016-12-16 | 2017-05-10 | 南通大学 | 一种上肢康复机器人的体感控制方法及康复训练策略 |
| CN107422852A (zh) * | 2017-06-27 | 2017-12-01 | 掣京机器人科技（上海）有限公司 | 手功能康复训练评估方法和系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5399987B2 (ja) * | 2010-06-24 | 2014-01-29 | パナソニック株式会社 | 加重訓練システム |
| JP2016052492A (ja) * | 2014-09-03 | 2016-04-14 | 株式会社日本リハビリデバイス技術研究所 | 高い安全性を有する上肢・下肢リハビリ訓練装置 |
| JP2019525808A (ja) * | 2016-08-01 | 2019-09-12 | ザ ユニバーシティ オブ ユタ リサーチ ファウンデイション | 筋電信号から意図された運動を復号化するための信号処理 |
-
2018
- 2018-06-01 CN CN201810558065.6A patent/CN108743222B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106618957A (zh) * | 2016-12-16 | 2017-05-10 | 南通大学 | 一种上肢康复机器人的体感控制方法及康复训练策略 |
| CN107422852A (zh) * | 2017-06-27 | 2017-12-01 | 掣京机器人科技（上海）有限公司 | 手功能康复训练评估方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108743222A (zh) | 2018-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10481699B2 (en) | Armband for tracking hand motion using electrical impedance measurement | |
| Ding et al. | Continuous estimation of human multi-joint angles from sEMG using a state-space model | |
| CN108743222B (zh) | 一种基于Leap Motion的手指对称康复误差修正方法 | |
| Moniri et al. | Real-time forecasting of sEMG features for trunk muscle fatigue using machine learning | |
| CN107349570A (zh) | 基于Kinect的上肢康复训练与评估方法 | |
| CN107080672B (zh) | 一种康复外骨骼训练模式控制系统及方法 | |
| Bao et al. | Automatically evaluating balance: a machine learning approach | |
| CN102525795A (zh) | 一种足部按摩机器人快速自动定位方法 | |
| Hossain et al. | Deepbbwae-net: A cnn-rnn based deep superlearner for estimating lower extremity sagittal plane joint kinematics using shoe-mounted imu sensors in daily living | |
| US20220019284A1 (en) | Feedback from neuromuscular activation within various types of virtual and/or augmented reality environments | |
| CN116096289A (zh) | 用于增强神经康复的系统和方法 | |
| Cohen et al. | Hand rehabilitation via gesture recognition using leap motion controller | |
| Dutta et al. | Bayesian network aided grasp and grip efficiency estimation using a smart data glove for post-stroke diagnosis | |
| Sheng et al. | An automated system for motor function assessment in stroke patients using motion sensing technology: A pilot study | |
| CN115497626A (zh) | 基于关节点识别的身体健康评估方法 | |
| CN109126045A (zh) | 智能化运动分析和训练系统 | |
| Lee | A technology for computer-assisted stroke rehabilitation | |
| CN110400618B (zh) | 一种基于人体运动结构特征的三维步态生成方法 | |
| Zhang et al. | The design of a hemiplegic upper limb rehabilitation training system based on surface EMG signals | |
| Zhang et al. | The prediction and error correction of physiological sign during exercise using Bayesian combined predictor and naive Bayesian classifier | |
| Chen et al. | Trunk compensation electromyography features purification and classification model using generative adversarial network | |
| CN117503115A (zh) | 用于神经损伤的康复训练系统及训练方法 | |
| Pierella et al. | Linear vs non-linear mapping in a body machine interface based on electromyographic signals | |
| US20220211321A1 (en) | Limb motion tracking biofeedback platform and method of rehabilitation therapy for patients with spasticity | |
| KR102429627B1 (ko) | 가상현실에서 아바타를 생성하고 복수의 콘텐츠를 제공하는 시스템 |
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 |