CN108877931A - 肩关节康复评价方法、装置及系统 - Google Patents
肩关节康复评价方法、装置及系统 Download PDFInfo
- Publication number
- CN108877931A CN108877931A CN201810560970.5A CN201810560970A CN108877931A CN 108877931 A CN108877931 A CN 108877931A CN 201810560970 A CN201810560970 A CN 201810560970A CN 108877931 A CN108877931 A CN 108877931A
- Authority
- CN
- China
- Prior art keywords
- rehabilitation
- numbers
- reference result
- grey
- ordered series
- 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.)
- Granted
Links
Classifications
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Physical Education & Sports Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供一种肩关节康复评价方法、装置及系统,涉及康复评价技术领域,肩关节康复评价方法包括:获取待进行康复评价的肩关节的肌肉电信号及运动参数;基于肌肉电信号和运动参数,计算得到灰色关联度矩阵;基于灰色关联度矩阵、上一次的康复检测数据及预设灰色Verhulst模型,得到第一参考结果和第二参考结果;求取第一参考结果与第二参考结果的加权和,得到待进行康复评价的肩关节的康复评价结果。本发明能够通过采集自身肌肉电信号以及运动过程中的运动参数来评价当前康复情况,提高康复评价效率及精确性,为康复治疗过程提供准确的参考依据。
Description
技术领域
本发明涉及康复评价技术领域,尤其是涉及一种肩关节康复评价方法、装置及系统。
背景技术
中国每年新发脑卒中患者约200万人,脑卒中会导致患者肢体出现不同程度的运动功能障碍,70%~80%的脑卒中患者因为残疾不能独立生活。肩关节是人类日常生活中使用频率较高的肢体部位之一,肩关节解剖结构相对复杂,包含大量肌肉,肩关节外伤术后,常会伴有各种后遗症或并发症,严重影响肩部运动功能。对上肢功能进行评估可判定其功能障碍情况及程度,为临床治疗及康复训练提供依据。临床上,精确、客观的评估及理解脑卒中患者上肢运动的功能障碍,已成为制定个性化康复治疗方案、观察治疗效果及分析预后的关键。
目前,最常用的康复评估方法是Fugl-Meyer评价法(简称FMA)。此方法中的量表对每一项肢体运动进行三种不同等级(如0、1、2)的评分,根据FMA总得分可得出4种运动障碍等级,由此来评价上肢运动功能的严重程度。
然而上述方法具体实现过程中,对上肢运动的测量主要依靠人工,医生借助量角器目测评估。这种方法效率低下,受医生主观影响大,严重影响对康复评价的精确性。
发明内容
有鉴于此,本发明的目的在于提供一种肩关节康复评价方法、装置及系统,能够通过采集自身肌肉电信号以及运动过程中的运动参数来评价当前康复情况,提高康复评价效率及精确性,为康复治疗过程提供准确的参考依据。
第一方面,本发明实施例提供了一种肩关节康复评价方法,包括:
获取待进行康复评价的肩关节的肌肉电信号及运动参数;
基于肌肉电信号和运动参数,计算得到灰色关联度矩阵;
基于灰色关联度矩阵、上一次的康复检测数据及预设灰色Verhulst模型,得到第一参考结果和第二参考结果;
求取第一参考结果与第二参考结果的加权和,得到待进行康复评价的肩关节的康复评价结果。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,基于肌肉电信号和运动参数,计算得到灰色关联度矩阵,具体包括:
对肌肉电信号进行积分运算,得到带比较数列;
根据运动参数,得到参考数列;
根据带比较数列及参考数列,计算得到灰色关联度矩阵。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,基于灰色关联度矩阵、上一次的康复检测数据及预设灰色Verhulst 模型,得到第一参考结果和第二参考结果,具体包括:
基于灰色关联度矩阵,确定出康复评价的多个关键因素;
将多个关键因素的数据与上一次的康复检测数据中的相同关键因素数据进行比对,得到第一参考结果;
将多个关键因素的肌肉电信号输入预设灰色Verhulst模型,进行康复状况预测,得到第二参考结果。
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,其中,根据带比较数列及参考数列,计算得到灰色关联度矩阵,具体包括:
根据带比较数列及所述参考数列,得到关联系数如下:
其中,xi=(xi(1),xi(2),xi(3)......xi(n))为带比较数列;xj= (xj(1),xj(2),xj(3)......xj(n))为所述参考数列;
minmin|xj(k)-xi(k)|和maxmax|xj(k)-xi(k)|分别表示参考数列和带比较数列数值作差之后的最小值和最大值;分辨率ρ取0.5;
将关联系数进行数据整合得到灰色关联度矩阵:
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,将多个关键因素的肌肉电信号输入预设灰色Verhulst模型,进行康复状况预测,得到第二参考结果,具体包括:
对带比较数列进行预处理,得到模型参数;
将模型参数输入预设灰色Verhulst模型,求解得到估计数列;
将估计数列作为第二参考结果。
结合第一方面,本发明实施例提供了第一方面的第五种可能的实施方式,其中,对带比较数列进行预处理,得到模型参数,具体包括:
设带比较数列为:x(1)=(x(1)(1),x(1)(2),x(1)(3)......x(1)(n));
对x(1)累减得到数列x(0):x(0)(k)=x(1)(k)-x(1)(k-1),k= 2,3,4......n;
对数列进行平滑处理得到z(1)(k);
基于z(1)(k),得到数据矩阵:
计算模型参数:
结合第一方面,本发明实施例提供了第一方面的第六种可能的实施方式,其中,将模型参数输入预设灰色Verhulst模型,求解得到估计数列,具体包括:
将模型参数:代入预设灰色Verhulst模型:
求解可得估计数列
第二方面,本发明实施例还提供一种肩关节康复评价装置,包括:
信息获取模块,用于获取待进行康复评价的肩关节的肌肉电信号及运动参数;
信息计算模块,用于基于肌肉电信号和运动参数,计算得到灰色关联度矩阵;
预测模块,用于基于灰色关联度矩阵、上一次的康复检测数据及预设灰色Verhulst模型,得到第一参考结果和第二参考结果;
康复评价模块,用于求取第一参考结果与第二参考结果的加权和,得到待进行康复评价的肩关节的康复评价结果。
结合第二方面,本发明实施例提供了第二方面的第一种可能的实施方式,其中,预测模块包括:
关键因素确定模块,用于基于灰色关联度矩阵,确定出多个康复评价的关键因素数据;
数据比对模块,用于将多个关键因素数据与上一次的康复检测数据中的相同关键因素数据进行比对,得到第一参考结果;
模型预测模块,用于将关键因素数据中的肌肉电信号输入预设灰色 Verhulst模型,进行康复状况预测,得到第二参考结果。
第三方面,本发明实施例还提供一种肩关节康复评价系统,包括:上位机、肌肉电信号采集模块及运动反馈模块;
上位机上安装有如第二方面所述的肩关节康复评价装置;上位机分别与肌肉电信号采集模块及运动反馈模块通信连接。
本发明实施例带来了以下有益效果:
本发明实施例提供的肩关节康复评价方法,首先获取待进行康复评价的肩关节的肌肉电信号及运动参数;基于肌肉电信号和运动参数,计算得到灰色关联度矩阵;基于灰色关联度矩阵、上一次的康复检测数据及预设灰色Verhulst模型,得到第一参考结果和第二参考结果;求取第一参考结果与第二参考结果的加权和,得到待进行康复评价的肩关节的康复评价结果。本发明实施例能够通过采集自身肌肉电信号以及运动过程中的运动参数来评价当前康复情况,提高康复评价效率及精确性,为康复治疗过程提供准确的参考依据。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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。
图1为本发明实施例一提供的一种肩关节康复评价方法的流程图;
图2为本发明实施例一提供的另一种肩关节康复评价方法的流程图;
图3为本发明实施例一提供的另一种肩关节康复评价方法的流程图;
图4为本发明实施例一提供的另一种肩关节康复评价方法的流程图;
图5为本发明实施例二提供的一种肩关节康复评价装置的结构示意图;
图6为本发明实施例三提供的一种肩关节康复评价系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
现有的康复评价方式中,对上肢运动的测量主要依靠人工,医生借助量角器目测评估。这种方式效率低下,受医生主观影响大,严重影响对康复评价的精确性。
基于此,本发明实施例提供一种肩关节康复评价方法、装置及系统,能够通过采集自身肌肉电信号以及运动过程中的运动参数来评价当前康复情况,提高康复评价效率及精确性,为康复治疗过程提供准确的参考依据。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种肩关节康复评价方法进行详细介绍。
实施例一:
本发明实施例提供了一种肩关节康复评价方法,该方法是基于肩关节康复系统来实现的,该肩关节康复系统中包括:肌肉电信号采集模块、运动反馈模块,此外,还包括主控模块、电机运动模块、肩关节机械结构、 TENS经皮电刺激模块及上位机。
该系统的工作过程如下:
上位机接收用户的康复训练选择指令,确定康复训练参数信息;康复训练参数信息包括:TENS经皮电刺激模块的治疗处方以及基本康复运动模式;基本康复运动模式包括:被动模式、主动模式或阻尼模式;肌肉电信号采集模块用于采集病人肩部的肌肉电信号;主控模块根据肌肉电信号及康复训练参数信息,得到运动参数调节指令和电机控制指令;TENS经皮电刺激模块根据运动参数调节指令,调节病人肩部电刺激的频率和强度;电机运动模块根据电机控制指令,控制肩关节机械结构带动病人肩部进行康复运动;上位机还用于根据肌肉电信号、运动反馈模块所返回的运动参数及预设灰色预测模型,预期病人的恢复情况,并基于恢复情况生成最优康复计划表。
本发明实施例所提供的肩关节康复评价方法在上位机端执行,参见图1 所示,该方法包括以下步骤:
S11:获取待进行康复评价的肩关节的肌肉电信号及运动参数。
在具体实现的时候,首先给患者佩戴表贴肌电电极,即肌肉电信号采集模块,以此获取患者肩关节的9块肌肉(如:肱二头肌、肱三头肌、大胸肌(靠近锁骨处)、三角肌(前、中、后)、小圆肌、斜方肌、肱挠肌) 的肌肉电信号数据。根据采集到的肌电数据,经过数模转换得到数字信号,作为参数存储。
另一方面,在获取上述肌肉电信号的同时,还获取肩关节的运动参数,具体的,通过系统中的运动反馈模块来采集电机运动参数,比如,运动角度等数据,将上述电机运动参数转换为肩关节的运动角度,以此作为运动参数进行后续评估。
S12:基于肌肉电信号和运动参数,计算得到灰色关联度矩阵。
具体包括以下步骤,参见图2所示:
S121:对肌肉电信号进行积分运算,得到带比较数列。
在肌肉电信号采集模块采集到患者的肌肉电信号后,将该电信号通过模数转化,变为数字信号,然后对该数字信号数据作积分处理,作为带比较的数列。
S122:根据运动参数,得到参考数列。
在运动反馈模块采集到运动参数,比如,运动角度等数据后,将上述运动参数数据作为参考数列。
S123:根据带比较数列及参考数列,计算得到灰色关联度矩阵。
具体的计算灰色关联度矩阵过程如下:
根据带比较数列及所述参考数列,得到关联系数如下:
其中,xi=(xi(1),xi(2),xi(3)......xi(n))为带比较数列;xj= (xj(1),xj(2),xj(3)......xj(n))为所述参考数列;
minmin|xj(k)-xi(k)|和maxmax|xj(k)-xi(k)|分别表示参考数列和带比较数列数值作差之后的最小值和最大值;分辨率ρ取0.5;
将关联系数进行数据整合得到灰色关联度矩阵:
S13:基于灰色关联度矩阵、上一次的康复检测数据及预设灰色Verhulst 模型,得到第一参考结果和第二参考结果。
具体包括以下步骤,参见图3所示:
S131:基于灰色关联度矩阵,确定出康复评价的多个关键因素。
上位机在计算出上述灰色关联度矩阵之后,得出每个运动的多个关键因素,即每个运动的多个主要肌肉数据,包括其肌肉电信号和运动参数数据,并将之存入数据库。上述关键因素可以是3个也可以是6个,数量越多,最终的康复评价精度越高。
S132:将多个关键因素的数据与上一次的康复检测数据中的相同关键因素数据进行比对,得到第一参考结果。
将得到多个关键因素的数据通过关键因素比较模块与上一次的数据进行对比,得到第一参考结果,用于后续评价的计算。
S133:将多个关键因素的肌肉电信号输入预设灰色Verhulst模型,进行康复状况预测,得到第二参考结果。
需要说明的是,上述步骤S132和步骤S133没有先后顺序,可以同时进行。
第二参考结果的获取过程具体包括以下步骤,参见图4所示:
S1331:对带比较数列进行预处理,得到模型参数。
具体的,设带比较数列为:x(1)=(x(1)(1),x(1)(2),x(1)(3)......x(1)(n));
对x(1)累减得到数列x(0):x(0)(k)=x(1)(k)-x(1)(k-1),k= 2,3,4......n;
对数列进行平滑处理得到z(1)(k);
基于z(1)(k),得到数据矩阵:
计算模型参数:
S1332:将模型参数输入预设灰色Verhulst模型,求解得到估计数列,并将估计数列作为第二参考结果。
将模型参数:代入预设灰色Verhulst模型:
求解可得估计数列
将上述估计数列作为第二参考结果。
在得估计数列之后,还可以通过方差比C检验上述灰色Verhulst模型的精度,本实施例中,方差比C<0.35时,认为可信,当然C越小越好,C越小表明模型的精度越高。
S14:求取第一参考结果与第二参考结果的加权和,得到待进行康复评价的肩关节的康复评价结果。
在得到第一参考结果和第二参考结果后,再对二者进行加权平均,得到待进行康复评价的肩关节的康复评价结果。
灰色预测通过鉴别系统因素之间发展趋势的相异程度,即进行关联分析,并对原始数据进行生成处理来寻找系统变动的规律,生成有较强规律性的数据序列,然后建立相应的微分方程模型,从而预测事物未来发展趋势的状况。本实施例通过采集到的肌肉电信号,以及肩关节运动的角度来评价当前的康复状况,以及用过灰色预测的数学模型预测之后的康复情况从而修改康复治疗过程。
本发明实施例提供的肩关节康复评价方法,首先获取待进行康复评价的肩关节的肌肉电信号及运动参数;基于肌肉电信号和运动参数,计算得到灰色关联度矩阵;基于灰色关联度矩阵、上一次的康复检测数据及预设灰色Verhulst模型,得到第一参考结果和第二参考结果;求取第一参考结果与第二参考结果的加权和,得到待进行康复评价的肩关节的康复评价结果。本发明实施例能够通过采集自身肌肉电信号以及运动过程中的运动参数来评价当前康复情况,提高康复评价效率及精确性,为康复治疗过程提供准确的参考依据。
实施例二:
本发明实施例还提供一种肩关节康复评价装置,参见图5所示,该装置包括:信息获取模块21、信息计算模块22、预测模块23和康复评价模块24。
其中,信息获取模块21,用于获取待进行康复评价的肩关节的肌肉电信号及运动参数;信息计算模块22,用于基于肌肉电信号和运动参数,计算得到灰色关联度矩阵;预测模块23,用于基于灰色关联度矩阵、上一次的康复检测数据及预设灰色Verhulst模型,得到第一参考结果和第二参考结果;康复评价模块24,用于求取第一参考结果与第二参考结果的加权和,得到待进行康复评价的肩关节的康复评价结果。
进一步,预测模块23包括:关键因素确定模块231、数据比对模块232 和模型预测模块233。
其中,关键因素确定模块231,用于基于灰色关联度矩阵,确定出多个康复评价的关键因素数据;数据比对模块232,用于将多个关键因素数据与上一次的康复检测数据中的相同关键因素数据进行比对,得到第一参考结果;模型预测模块233,用于将关键因素数据中的肌肉电信号输入预设灰色 Verhulst模型,进行康复状况预测,得到第二参考结果。
本发明实施例所提供的肩关节康复评价装置中,各个模块与前述肩关节康复评价方法具有相同的技术特征,因此,同样可以实现上述功能。本装置中各个模块的具体工作过程参见上述方法实施例,在此不再赘述。
实施例三:
本发明实施例还提供一种肩关节康复评价系统,参见图6所示,该系统包括:上位机33、肌肉电信号采集模块31及运动反馈模块32。上位机上33安装有如实施例二所述的肩关节康复评价装置;上位机33分别与肌肉电信号采集模块31及运动反馈模块32通信连接。
本发明实施例所提供的系统中,包括与实施例二相同的技术特征,也能解决上述技术问题,具体的实现过程参见实施例二,在此不再赘述。
本发明实施例所提供的肩关节康复评价方法的计算机程序产品,包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置及电子设备的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
附图中的流程图和框图显示了根据本发明的多个实施例方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种肩关节康复评价方法,其特征在于,包括:
获取待进行康复评价的肩关节的肌肉电信号及运动参数;
基于所述肌肉电信号和运动参数,计算得到灰色关联度矩阵;
基于所述灰色关联度矩阵、上一次的康复检测数据及预设灰色Verhulst模型,得到第一参考结果和第二参考结果;
求取所述第一参考结果与所述第二参考结果的加权和,得到所述待进行康复评价的肩关节的康复评价结果。
2.根据权利要求1所述的方法,其特征在于,所述基于所述肌肉电信号和运动参数,计算得到灰色关联度矩阵,具体包括:
对所述肌肉电信号进行积分运算,得到带比较数列;
根据所述运动参数,得到参考数列;
根据所述带比较数列及所述参考数列,计算得到灰色关联度矩阵。
3.根据权利要求1所述的方法,其特征在于,所述基于所述灰色关联度矩阵、上一次的康复检测数据及预设灰色Verhulst模型,得到第一参考结果和第二参考结果,具体包括:
基于所述灰色关联度矩阵,确定出康复评价的多个关键因素;
将所述多个关键因素的数据与所述上一次的康复检测数据中的相同关键因素数据进行比对,得到第一参考结果;
将所述多个关键因素的肌肉电信号输入预设灰色Verhulst模型,进行康复状况预测,得到第二参考结果。
4.根据权利要求2所述的方法,其特征在于,所述根据所述带比较数列及所述参考数列,计算得到灰色关联度矩阵,具体包括:
根据所述带比较数列及所述参考数列,得到关联系数如下:
其中,xi=(xi(1),xi(2),xi(3)……xi(n))为所述带比较数列;xj=(xj(1),xj(2),xj(3)……xj(n))为所述参考数列;
minmin|xj(k)-xi(k)|和maxmax|xj(k)-xi(k)|分别表示所述参考数列和所述带比较数列数值作差之后的最小值和最大值;分辨率ρ取0.5;
将所述关联系数进行数据整合得到所述灰色关联度矩阵:
5.根据权利要求3所述的方法,其特征在于,所述将所述多个关键因素的肌肉电信号输入预设灰色Verhulst模型,进行康复状况预测,得到第二参考结果,具体包括:
对所述带比较数列进行预处理,得到模型参数;
将所述模型参数输入所述预设灰色Verhulst模型,求解得到估计数列;
将所述估计数列作为所述第二参考结果。
6.根据权利要求5所述的方法,其特征在于,所述对所述带比较数列进行预处理,得到模型参数,具体包括:
设所述带比较数列为:x(1)=(x(1)(1),x(1)(2),x(1)(3)……x(1)(n));
对x(1)累减得到数列x(0):x(0)(k)=x(1)(k)-x(1)(k-1),k=2,3,4……n;
对数列进行平滑处理得到z(1)(k);
基于所述z(1)(k),得到数据矩阵:
计算模型参数:
7.根据权利要求6所述的方法,其特征在于,所述将所述模型参数输入所述预设灰色Verhulst模型,求解得到估计数列,具体包括:
将所述模型参数:代入所述预设灰色Verhulst模型:
求解可得估计数列
8.一种肩关节康复评价装置,其特征在于,包括:
信息获取模块,用于获取待进行康复评价的肩关节的肌肉电信号及运动参数;
信息计算模块,用于基于所述肌肉电信号和运动参数,计算得到灰色关联度矩阵;
预测模块,用于基于所述灰色关联度矩阵、上一次的康复检测数据及预设灰色Verhulst模型,得到第一参考结果和第二参考结果;
康复评价模块,用于求取所述第一参考结果与所述第二参考结果的加权和,得到所述待进行康复评价的肩关节的康复评价结果。
9.根据权利要求8所述的装置,其特征在于,所述预测模块包括:
关键因素确定模块,用于基于所述灰色关联度矩阵,确定出多个康复评价的关键因素数据;
数据比对模块,用于将多个关键因素数据与所述上一次的康复检测数据中的相同关键因素数据进行比对,得到第一参考结果;
模型预测模块,用于将所述关键因素数据中的肌肉电信号输入预设灰色Verhulst模型,进行康复状况预测,得到第二参考结果。
10.一种肩关节康复评价系统,其特征在于,包括:上位机、肌肉电信号采集模块及运动反馈模块;
所述上位机上安装有如权利要求8或9所述的肩关节康复评价装置;所述上位机分别与所述肌肉电信号采集模块及运动反馈模块通信连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810560970.5A CN108877931B (zh) | 2018-06-01 | 2018-06-01 | 肩关节康复评价方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810560970.5A CN108877931B (zh) | 2018-06-01 | 2018-06-01 | 肩关节康复评价方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108877931A true CN108877931A (zh) | 2018-11-23 |
CN108877931B CN108877931B (zh) | 2020-11-20 |
Family
ID=64336357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810560970.5A Active CN108877931B (zh) | 2018-06-01 | 2018-06-01 | 肩关节康复评价方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108877931B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109620165A (zh) * | 2019-01-25 | 2019-04-16 | 王永利 | 康复评估装置、系统及脑中风后遗症自身评估检测系统 |
CN113362948A (zh) * | 2021-05-25 | 2021-09-07 | 上海博灵机器人科技有限责任公司 | 一种检测感兴趣对象的肌肉健康状态的系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103054585A (zh) * | 2013-01-21 | 2013-04-24 | 杭州电子科技大学 | 基于生物运动信息的上肢肩肘腕关节运动功能评价方法 |
CN104207793A (zh) * | 2014-07-03 | 2014-12-17 | 中山大学 | 一种抓握功能评估与训练系统 |
US20170361217A1 (en) * | 2012-09-21 | 2017-12-21 | Bright Cloud International Corp. | Bimanual integrative virtual rehabilitation system and methods |
US20180020954A1 (en) * | 2016-07-20 | 2018-01-25 | L & C Orthopedics, Llc | Method and system for automated biomechanical analysis of bodily strength and flexibility |
-
2018
- 2018-06-01 CN CN201810560970.5A patent/CN108877931B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170361217A1 (en) * | 2012-09-21 | 2017-12-21 | Bright Cloud International Corp. | Bimanual integrative virtual rehabilitation system and methods |
CN103054585A (zh) * | 2013-01-21 | 2013-04-24 | 杭州电子科技大学 | 基于生物运动信息的上肢肩肘腕关节运动功能评价方法 |
CN104207793A (zh) * | 2014-07-03 | 2014-12-17 | 中山大学 | 一种抓握功能评估与训练系统 |
US20180020954A1 (en) * | 2016-07-20 | 2018-01-25 | L & C Orthopedics, Llc | Method and system for automated biomechanical analysis of bodily strength and flexibility |
Non-Patent Citations (2)
Title |
---|
刘香云: "基于灰色关联度的道路交通事故组合预测方法研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
王晶: "基于灰色理论模型的变压器故障预测", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109620165A (zh) * | 2019-01-25 | 2019-04-16 | 王永利 | 康复评估装置、系统及脑中风后遗症自身评估检测系统 |
CN113362948A (zh) * | 2021-05-25 | 2021-09-07 | 上海博灵机器人科技有限责任公司 | 一种检测感兴趣对象的肌肉健康状态的系统 |
CN113362948B (zh) * | 2021-05-25 | 2023-12-22 | 上海博灵机器人科技有限责任公司 | 一种检测感兴趣对象的肌肉健康状态的系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108877931B (zh) | 2020-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10004455B2 (en) | Realtime biofeedback mechanism and data presentation for knee injury rehabilitation monitoring and a soft real time intelligent system thereof | |
US10993651B2 (en) | Exercise guidance method and exercise guidance device | |
CN107705842B (zh) | 智能分诊系统及其工作方法 | |
Chen et al. | A computational framework for quantitative evaluation of movement during rehabilitation | |
CN103034837B (zh) | 特征参数与脉象要素的关联 | |
US9826923B2 (en) | Motion analysis method | |
CN110111885B (zh) | 属性预测方法、装置、计算机设备及计算机可读存储介质 | |
CN107518896B (zh) | 一种肌电臂环佩戴位置预测方法和系统 | |
CN108304887A (zh) | 基于少数类样本合成的朴素贝叶斯数据处理系统及方法 | |
CN110047591B (zh) | 一种针对外科手术过程中医生姿态评估方法 | |
CN108681685A (zh) | 一种基于人体表面肌电信号的躯干动作意图识别方法 | |
CN106202850A (zh) | 锻炼管理方法和设备 | |
CN108877931A (zh) | 肩关节康复评价方法、装置及系统 | |
CN107292103A (zh) | 一种预测图像生成方法及装置 | |
CN106999104A (zh) | 心肺健康评估 | |
CN113974612B (zh) | 一种卒中患者上肢运动功能自动化评估方法与系统 | |
Williams et al. | Assessment of physical rehabilitation movements through dimensionality reduction and statistical modeling | |
CN103123669A (zh) | 一种基于遗传算法的人体体成分分析方法 | |
CN109934179B (zh) | 基于自动特征选择和集成学习算法的人体动作识别方法 | |
Ko et al. | Predicting sarcopenia of female elderly from physical activity performance measurement using machine learning classifiers | |
CN106178466A (zh) | 一种健身用度量分析方法及系统 | |
CN108985278A (zh) | 一种基于svm的步态功能评估模型的构建方法 | |
US20130253375A1 (en) | Automated Method Of Detecting Neuromuscular Performance And Comparative Measurement Of Health Factors | |
CN110135078B (zh) | 一种基于机器学习的人体参数自动生成方法 | |
CN108346471A (zh) | 一种病理数据的分析方法及装置 |
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 |