CN108926326B - 一种用于评价人体随运动平台的动态平衡控制能力的方法 - Google Patents

一种用于评价人体随运动平台的动态平衡控制能力的方法 Download PDF

Info

Publication number
CN108926326B
CN108926326B CN201710363209.8A CN201710363209A CN108926326B CN 108926326 B CN108926326 B CN 108926326B CN 201710363209 A CN201710363209 A CN 201710363209A CN 108926326 B CN108926326 B CN 108926326B
Authority
CN
China
Prior art keywords
human body
dynamic balance
motion platform
balance control
control capability
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
Application number
CN201710363209.8A
Other languages
English (en)
Other versions
CN108926326A (zh
Inventor
贾凡
周殿阁
张珏
方竞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peking University
Original Assignee
Peking University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Peking University filed Critical Peking University
Priority to CN201710363209.8A priority Critical patent/CN108926326B/zh
Publication of CN108926326A publication Critical patent/CN108926326A/zh
Application granted granted Critical
Publication of CN108926326B publication Critical patent/CN108926326B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4005—Detecting, measuring or recording for evaluating the nervous system for evaluating the sensory system
    • A61B5/4023—Evaluating sense of balance
    • 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
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开一种能够定量评价人体随运动平台的动态平衡控制能力的方法，该方法包括(1)机械运动平台、(2)信号采集模块、(3)信号预处理模块、(4)数据分析模块、以及(5)动态平衡控制能力输出模块，其特征在于将人体随机械平台运动过程中的数据进行多尺度熵分析和最大李雅普诺夫指数估计，获得人体各个肢体部位的动态平衡控制能力指数以及人体整体随运动平台运动的动态平衡控制能力指数，再将上述指数与数据库中人群进行比对匹配，最终得到该个体整体以及身体不同肢体部位随运动平台运动的动态平衡控制能力水平。

Description

一种用于评价人体随运动平台的动态平衡控制能力的方法
技术领域
本发明涉及运动评价领域，具体涉及一种用于评价人体随运动平台的动态平衡控制能力的方法。
背景技术
我国老龄化问题日益严重，在老年人人群中，中风是一种具有高发病率的疾病。幸存患者往往出现偏瘫的后遗症，其神经功能恢复缓慢。运动训练是近年来一种新兴的康复方法，因此出现了多种多样的运动训练系统。
目前在这些传统的系统中，由于缺乏客观定量评价方法，运动训练处方严重依赖于医师的经验以及简单半定量指数(如训练力度)，其一致性难以得到保障，从而导致患者无法按照科学合理方式进行康复训练，其效果并不理想。
发明内容
本发明的目的是提供一种评价人体随运动平台的动态平衡控制能力的方法，以解决现有传统的系统中，缺乏客观定量评价方法的问题。
为了达到上述目的，本发明所采用的技术方案包括以下几个内容：机械运动平台；信号采集模块、信号预处理模块、数据分析模块、以及动态平衡控制能力输出模块组成；
本发明实施例采取方法中的机械运动平台为人体提供周期性和随机性的动态平衡干扰，运动平台安置有1路加速度传感器；
本发明实施例采取方法中的信号采集模块负责实时记录人体自身随运动平台运动的过程中1路运动平台加速度信号和6路人体加速度信号，共形成7路时间序列；人体的左、右手腕，人体左、右脚踝、颈部以及腹部分别佩戴有1个加速度传感器；
进一步地，所述信号采集模块放置在人体左、右手腕，人体左、右脚踝、颈部、腰腹部以及运动平台7个区域；信号采集模记录相应7路加速度信号；每路加速度信号的采样频率为100Hz到300Hz。
本发明实施例采取方法中的信号预处理模块负责将每分钟人体的6路加速度信号和运动平台的1路加速度信号分别进行相空间重构并完成去噪处理，得到去噪后的7路加速度信号时间序列Xi(i＝1,2,…,7)；其中第1-6路为人体各个部位的加速度信号时间序列，第7路为运动平台的加速度信号时间序列；
进一步地，所述信号处理模块采用Takens相空间重建方法，其中嵌入维数m和延迟时间τ是通过关联维数和互信息方法确定；并采用局部流形投影方法或基于相空间辛几何的主成分分析完成相空间去噪。
本发明实施例采取方法中的数据分析模块负责将去噪后的7路时间序列进行多尺度熵分析和最大李雅普诺夫指数估计，得到7个样本熵Ai(i＝1,2,…,7)和6个最大李雅普诺夫指数Li(i＝1,2,…,6)；其中第1-6路为人体各个部位的加速度信号时间序列，第7路为运动平台的加速度信号时间序列，进一步，将人体6个区域与运动平台的样本熵值(的差异)之差的绝对值的倒数作为人体相应区域的适应能力指数Ci(i＝1,2,…,6)；最后将人体相应区域的适应能力指数的加权和作为人体整体随运动平台运动的动态平衡控制能力的指数B，其中权重为人体相应区域信号的最大李雅普诺夫指数Li(i＝1,2,…,6)；
本发明实施例采取方法中的动态平衡控制能力输出模块负责将人体随运动平台运动过程的动态平衡控制能力指数B通过与数据库不同人群的结果进行比对匹配，人体的各个肢体部位的动态平衡控制能力水平以及人体整体动态平衡控制能力水平，通过和不同人群比较，输出从1到10的10个等级，最后将该个体的动态平衡控制能力指数存入数据库。
进一步地，所述输出模块包含有不同动态平衡控制能力程度的人群数据库，通过与数据库中个体的运动通性指数比对匹配，给出个体与运动平台之间的动态平衡控制能力在已有记录人群中的水平。
本发明利用了非线性动力学方法，可以准确定量出人体随运动平台的动态平衡控制能力，其创新性在于该方法不但可以获得人体整体平衡控制能力，而且可以获得不同部位的平衡控制能力水平。该方法可以对平衡训练以及定制化运动处方提供快速可靠的客观量化参考。
附图说明
图1为本发明的整体系统结构示意图。
具体实施方式
下面通过具体实施例对本发明进行说明，但本发明并不局限于此。
图1为本发明方法的流程示意图，主要分为采集数据、信号预处理、数据分析与计算、动态平衡控制能力比对。整个系统通过一系列非线性动力学评价方法，得到人体的各个肢体部位的动态平衡控制能力水平指数以及人体整体随运动平台运动的动态平衡控制能力的指数，从而能够得到全面地客观量化评价指数。
首先使用者打开设备，将自己的信息，如身高体重年龄等信息录入数据库中。该数据库中还包括该使用者在使用过程中每次随运动平台运动的动态平衡控制能力的指数数据以及各肢体部位的动态平衡控制能力的指数数据。
信号采集模块放置在人体左、右手腕，人体左、右脚踝、颈部、腰腹部以及运动平台7个区域，信号采集模块为6轴加速度仪，可以采集到相应区域的三个方向加速度与角速度，其中每路加速度信号的采样频率为100Hz到300Hz。
打开运动平台使其运动，个体随运动平台开始运动并保持平衡，整个时间3～25分钟。在使用过程中，采集模块开始工作，每隔1分钟，将记录到的6路人体不同部位加速度信号和运动平台的1路加速度信号分别进行相空间重构并完成去噪处理，得到去噪后的7路加速度信号时间序列Xi(i＝1,2,…,7)；其中第1-6路为人体各个部位的加速度信号时间序列，第7路为运动平台的加速度信号时间序列。
所述信号处理模块采用Takens相空间重建方法，其中嵌入维数m和延迟时间τ是通过关联维数和互信息方法确定；并采用局部流形投影方法或基于相空间辛几何的主成分分析完成相空间去噪。
数据分析模块负责将去噪后的7路m维时间序列进行多尺度熵分析和最大李雅普诺夫指数估计，得到7个样本熵Ai(i＝1,2,…,7)和6个最大李雅普诺夫指数Li(i＝1,2,…,6)；
样本熵的公式为：
Figure BDA0001300885950000031
其中
Figure BDA0001300885950000032
为原始加速度数据中相邻两个数据的最大差值；
而对相空间重构得到的7组维度为m长度为n的时间序列Xi(i＝1，2，...，E)进行最大李雅普诺夫指数:
Figure BDA0001300885950000033
进一步，将人体6个区域与运动平台的样本熵值(的差异)之差的绝对值的倒数作为人体相应区域的适应能力指数Ci(i＝1,2,…,6)，其公式为：
Figure BDA0001300885950000034
最后将人体相应区域的适应能力指数的加权和作为人体整体随运动平台运动的动态平衡控制能力的指数B，其中权重为人体相应区域信号的最大李雅普诺夫指数Li(i＝1,2,…,6)；
Figure BDA0001300885950000041
动态平衡控制能力输出模块负责将人体随运动平台运动过程的动态平衡控制能力指数B通过与数据库不同人群的结果进行比对匹配，获得人体的各个肢体部位的动态平衡控制能力水平以及人体整体动态平衡控制能力水平，通过和不同人群比较，输出从1到10的10个等级，最后将该个体的动态平衡控制能力指数存入数据库。与此同时输出模块包含有不同动态平衡控制能力程度的人群数据库，通过与数据库中个体的运动通性指数比对匹配，给出个体与运动平台之间的动态平衡控制能力在已有记录人群中的水平。
虽然本发明已以较佳实施例披露如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。

Claims (4)

1.一种用于评价人体随运动平台的动态平衡控制能力的方法，由机械运动平台(1)、信号采集模块(2)、信号预处理模块(3)、数据分析模块(4)、以及动态平衡控制能力输出模块(5)组成；其特征在于：
·机械运动平台(1)为人体提供周期性和随机性的动态平衡干扰，运动平台安置有1路加速度传感器；
·信号采集模块(2)负责实时记录人体自身随运动平台运动的过程中1路运动平台加速度信号和6路人体加速度信号，共形成7路时间序列；人体的左、右手腕，人体左、右脚踝、颈部以及腹部分别佩戴有1个加速度传感器；
·信号预处理模块(3)负责将每分钟人体的6路加速度信号和运动平台的1路加速度信号分别进行相空间重构并完成去噪处理，得到去噪后的7路加速度信号时间序列Xi，其中i＝1,2,3,4,5,6,7；其中第1-6路为人体各个部位的加速度信号时间序列，第7路为运动平台的加速度信号时间序列；
·数据分析模块(4)负责将去噪后的7路时间序列进行多尺度熵分析和最大李雅普诺夫指数估计，得到7个样本熵Ai，其中i＝1,2,3,4,5,6,7和6个最大李雅普诺夫指数Li，其中i＝1,2,3,4,5,6；其中第1-6路为人体各个部位的加速度信号时间序列，第7路为运动平台的加速度信号时间序列，进一步，将人体6个区域与运动平台的样本熵值之差的绝对值的倒数作为人体相应区域的适应能力指数Ci，其中i＝1,2,3,4,5,6；最后将人体相应区域的适应能力指数的加权和作为人体整体随运动平台运动的动态平衡控制能力的指数B，其中权重为人体相应区域信号的最大李雅普诺夫指数Li，其中i＝1,2,3,4,5,6；
·动态平衡控制能力输出模块(5)负责将人体随运动平台运动过程的动态平衡控制能力指数B通过与数据库不同人群的结果进行比对匹配，获得人体的各个肢体部位的动态平衡控制能力水平以及人体整体动态平衡控制能力水平，通过和不同人群比较，输出从1到10的10个等级，最后将个体的动态平衡控制能力指数存入数据库。
2.如权利要求1所述的一种用于评价人体随运动平台的动态平衡控制能力的方法，其信号采集模块特征在于：人体随运动平台运动过程中，运动平台、人体左、右手腕，人体左、右脚踝、颈部以及腰腹部7个区域的相应7路加速度信号；每路加速度信号的采样频率为100Hz到300Hz。
3.如权利要求1所述的一种用于评价人体随运动平台的动态平衡控制能力的方法，其信号预处理模块特征在于：信号预处理模块采用Takens相空间重建方法，其中嵌入维数m和延迟时间τ是通过关联维数和互信息方法确定；并采用局部流形投影方法或基于相空间辛几何的主成分分析完成相空间去噪。
4.如权利要求1所述的一种用于评价人体随运动平台的动态平衡控制能力的方法，其动态平衡控制能力输出模块特征在于：输出模块包含有不同动态平衡控制能力程度的人群数据库，通过与数据库中个体的动态平衡控制能力指数比对匹配，给出受试者与运动平台之间的动态平衡控制能力在已有记录人群中的水平。
CN201710363209.8A 2017-05-22 2017-05-22 一种用于评价人体随运动平台的动态平衡控制能力的方法 Active CN108926326B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710363209.8A CN108926326B (zh) 2017-05-22 2017-05-22 一种用于评价人体随运动平台的动态平衡控制能力的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710363209.8A CN108926326B (zh) 2017-05-22 2017-05-22 一种用于评价人体随运动平台的动态平衡控制能力的方法

Publications (2)

Publication Number Publication Date
CN108926326A CN108926326A (zh) 2018-12-04
CN108926326B true CN108926326B (zh) 2020-06-26

Family

ID=64450856

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710363209.8A Active CN108926326B (zh) 2017-05-22 2017-05-22 一种用于评价人体随运动平台的动态平衡控制能力的方法

Country Status (1)

Country Link
CN (1) CN108926326B (zh)

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007123923A2 (en) * 2006-04-18 2007-11-01 Susan Mirow Method and apparatus for analysis of psychiatric and physical conditions
EP2175773A2 (en) * 2007-08-07 2010-04-21 Council of Scientific&Industrial Research A non-invasive device nadi tarangini useful for quantitative detection of arterial nadi pulse waveform
CN102968641A (zh) * 2012-10-31 2013-03-13 杭州电子科技大学 基于球均值李雅普诺夫指数和关联维的肌电信号识别方法
US10307086B2 (en) * 2014-02-17 2019-06-04 Hong Kong Baptist University Gait measurement with 3-axes accelerometer/gyro in mobile devices
WO2016000035A1 (en) * 2014-06-30 2016-01-07 Evolving Machine Intelligence Pty Ltd A system and method for modelling system behaviour
CN104490390B (zh) * 2014-12-30 2017-03-08 天津大学 基于神经电生理信号联合分析的人体运动能力判别方法
CN104734824B (zh) * 2015-03-31 2018-06-22 华南理工大学 强噪声背景下混沌同步检测微弱周期信号的方法
CN106057212B (zh) * 2016-05-19 2019-04-30 华东交通大学 基于语音个性特征和模型自适应的驾驶疲劳检测方法
CN106510721B (zh) * 2016-12-12 2019-07-09 施则威 行走平衡评价方法及装置、行走平衡监测方法及系统

Also Published As

Publication number Publication date
CN108926326A (zh) 2018-12-04

Similar Documents

Publication Publication Date Title
Dorschky et al. CNN-based estimation of sagittal plane walking and running biomechanics from measured and simulated inertial sensor data
CN110537922B (zh) 基于深度学习的人体行走过程下肢运动识别方法及系统
Yoneyama et al. Accelerometry-based gait analysis and its application to Parkinson's disease assessment—part 1: detection of stride event
Triloka et al. Neural computing for walking gait pattern identification based on multi-sensor data fusion of lower limb muscles
Micó-Amigo et al. Assessing real-world gait with digital technology? Validation, insights and recommendations from the Mobilise-D consortium
Mimouna et al. Human action recognition using triaxial accelerometer data: selective approach
Lee et al. Optimal time-window derivation for human-activity recognition based on convolutional neural networks of repeated rehabilitation motions
Wang et al. A selection framework of sensor combination feature subset for human motion phase segmentation
Nazari et al. Human activity recognition from knee angle using machine learning techniques
Zhen et al. Hybrid Deep‐Learning Framework Based on Gaussian Fusion of Multiple Spatiotemporal Networks for Walking Gait Phase Recognition
CN113974612B (zh) 一种卒中患者上肢运动功能自动化评估方法与系统
CN116597940A (zh) 一种运动障碍症状量化评估模型的建模方法
Hajjej et al. Deep human motion detection and multi-features analysis for smart healthcare learning tools
Zhang et al. Human walking analysis, evaluation and classification based on motion capture system
CN108985278A (zh) 一种基于svm的步态功能评估模型的构建方法
CN108926326B (zh) 一种用于评价人体随运动平台的动态平衡控制能力的方法
Kamoji et al. Prediction of Parkinson's Disease using Machine Learning and Deep Transfer Learning from different Feature Sets
Xia et al. Predicting free achilles tendon strain from motion capture data using artificial intelligence
CN108926814B (zh) 一种个性化的人体平衡训练系统
CN110801227A (zh) 基于可穿戴设备的立体色块障碍测试的方法和系统
Lueken et al. Using synthesized imu data to train a long-short term memory-based neural network for unobtrusive gait analysis with a sparse sensor setup
Convertini et al. Sit-to-Stand Test for Neurodegenerative Diseases Video Classification
Shoryabi et al. A 3D deep learning approach for classification of gait abnormalities using Microsoft Kinect V2 sensor
Liu et al. Research on rehabilitation training bed with action prediction based on NARX neural network
Callejas-Cuervo et al. Review of Optical and Inertial Technologies for Lower Body Motion Capture

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