CN110270057B - 一种用于偏瘫患者双侧肢体协同运动的主动康复训练方法 - Google Patents
一种用于偏瘫患者双侧肢体协同运动的主动康复训练方法 Download PDFInfo
- Publication number
- CN110270057B CN110270057B CN201910402749.1A CN201910402749A CN110270057B CN 110270057 B CN110270057 B CN 110270057B CN 201910402749 A CN201910402749 A CN 201910402749A CN 110270057 B CN110270057 B CN 110270057B
- Authority
- CN
- China
- Prior art keywords
- signal
- affected
- motion
- result
- movement
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B23/00—Exercising apparatus specially adapted for particular parts of the body
- A63B23/035—Exercising apparatus specially adapted for particular parts of the body for limbs, i.e. upper or lower limbs, e.g. simultaneously
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
- A63B71/06—Indicating or scoring devices for games or players, or for other sports activities
Abstract
本发明公开了一种用于偏瘫患者双侧肢体协同运动的主动康复训练方法，该方法包括：获取偏瘫患者的主动运动脑电信号、健患侧肌电信号、健患侧肌动信号和健患侧运动轨迹信号；根据获取的信号采用深度学习的方法进行运动预测，从而得到运动预测结果；将得到的运动预测结果进行协调控制后输入至患侧关节运动控制系统。本发明实施例采用深度学习方法来进行运动预测，并将运动预测结果进行协调控制后输入至患侧关节运动控制系统中，使得患侧关节运动控制系统控制患侧关节与健侧关节保持协调统一的运动，大大提高了偏瘫患者的康复训练的效果。本发明作为一种用于偏瘫患者双侧肢体协同运动的主动康复训练方法可广泛应用于计算机医学应用领域中。
Description
技术领域
本发明涉及计算机医学应用领域，尤其涉及一种用于偏瘫患者双侧肢体协同运动的主动康复训练方法。
背景技术
偏瘫，又称为半身不遂，是一种大脑运动功能受损，导致单侧肢体出现运动障碍，严重影响生活质量的残疾。针对偏瘫肢体的运动康复训练有助于重塑患者大脑运动神经功能和恢复障碍肢体的运动功能，使患者能尽快恢复正常的生活。
在临床康复中，运动再学习疗法、镜像运动疗法以及视觉刺激与反馈疗法都是针对偏瘫患者运动功能康复的有效治疗方法。但是由于偏瘫患者肢体运动功能康复难度较大，单纯的某一项康复训练技术难以达到理想的康复效果，目前多数研究者都倾向于将多种治疗技术相结合，以提升训练疗效，因此现有双侧肢体协同运动康复训练方法通常采用肢体姿态识别传感器识别健肢运动信息来驱动患肢机械装置带动患肢进行运动，然而现有技术无法将健侧运动信息与患侧运动意图协调统一起来，使得健患两侧运动不协调，难以达到很好的康复训练效果。
发明内容
为了解决上述技术问题，本发明实施例的目的是提供一种用于偏瘫患者双侧肢体协同运动的主动康复训练方法。
一方面，本发明实施例提供了一种用于偏瘫患者双侧肢体协同运动的主动康复训练方法，包括以下步骤：
获取偏瘫患者的主动运动脑电信号、患侧肌电信号、健侧肌电信号、患侧肌动信号、健侧肌动信号、患侧运动轨迹信号和健侧运动轨迹信号；
根据获取的主动运动脑电信号、患侧肌电信号、健侧肌电信号、患侧肌动信号、健侧肌动信号、患侧运动轨迹信号和健侧运动轨迹信号，采用深度学习的方法进行运动预测，从而得到运动预测结果；
将得到的运动预测结果进行双侧协同控制处理，并将双侧协同控制处理的结果输入至患侧关节运动控制系统。
进一步，所述获取偏瘫患者的主动运动脑电信号、患侧肌电信号、健侧肌电信号、患侧肌动信号、健侧肌动信号、患侧运动轨迹信号和健侧运动轨迹信号这一步骤，其具体包括：
获取患者在视觉刺激场景下产生的主动运动脑电信号；
采集患者的患侧肌电信号、健侧肌电信号、患侧肌动信号、健侧肌动信号、患侧运动轨迹信号和健侧运动轨迹信号。
进一步，所述根据获取的主动运动脑电信号、患侧肌电信号、健侧肌电信号、患侧肌动信号、健侧肌动信号、患侧运动轨迹信号和健侧运动轨迹信号，采用深度学习的方法进行运动预测，从而得到运动预测结果这一步骤，其具体包括：
采用深度卷积神经网络方法来对超前运动意图预测模型进行训练，并采用深度循环网络方法来对精细运动意图识别模型进行训练，得到训练完成的超前运动意图预测模型和精细运动意图识别模型；
将获取的主动运动脑电信号、患侧肌电信号和健侧肌电信号输入至得到的超前运动意图预测模型中，从而获得运动意图信号；
将获取的患侧肌动信号、健侧肌动信号、患侧运动轨迹信号、健侧运动轨迹信号和获得的运动意图信号输入至得到的精细运动意图识别模型中，从而获得运动预测结果。
进一步，还包括：
将健侧和患侧的运动情况反馈到所述视觉刺激场景。
进一步，所述双侧协同控制处理的结果包括患侧关节角度信号。
进一步，所述将得到的运动预测结果进行双侧协同控制处理这一步骤，其具体包括：
对运动预测结果中的患侧运动预测结果和健侧运动结果进行差异性分析，从而获得差异分析结果；
根据差异分析结果获得患侧关节角度序列；
对患侧关节角度序列进行平滑处理，从而得到患侧关节角度信号。
进一步，所述将得到的运动预测结果进行双侧协同控制处理这一步骤，其还包括：
获取患侧肢体的肌痉挛评估结果；
根据获取的肌痉挛评估结果，采用患侧补偿控制算法对所述患侧关节角度信号进行补偿；
对补偿后的患侧关节角度信号进行平滑处理。
进一步，所述获取患侧肢体的肌痉挛评估结果这一步骤，其具体包括：
采集患侧肢体的肌张力信号；
根据采集的肌张力信号从肌张力评估量表中查找得到对应的肌痉挛评估结果。
上述本发明实施例中的一个或多个技术方案具有如下优点：本发明实施例根据获取的主动运动脑电信号、患侧肌电信号、健侧肌电信号、患侧肌动信号、健侧肌动信号、患侧运动轨迹信号和健侧运动轨迹信号，采用深度学习方法来进行运动预测，并将运动预测结果进行双侧协调控制后输入至患侧关节运动控制系统中，使得患侧关节运动控制系统控制患侧关节与健侧关节保持协调统一的运动，大大提高了偏瘫患者的康复训练的效果。
附图说明
图1是本发明实施例一种用于偏瘫患者双侧肢体协同运动的主动康复训练方法的步骤流程图；
图2是本发明实施例的超前运动意图预测模型和精细运动意图识别模型的预测识别流程图；
图3是本发明实施例的超前运动意图预测模型的网络结构框图；
图4是本发明一种具体实施例的系统结构框图；
图5是本发明实施例的双侧协同控制处理的处理流程图；
图6是本发明实施例的差异性分析的分析流程图；
图7是图1中方法对应的一种用于偏瘫患者双侧肢体协同运动的主动康复训练系统的结构框图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
如图1所示，本发明实施例提供了一种用于偏瘫患者双侧肢体协同运动的主动康复训练方法，该方法包括以下步骤：
S101、获取偏瘫患者的主动运动脑电信号、患侧肌电信号、健侧肌电信号、患侧肌动信号、健侧肌动信号、患侧运动轨迹信号和健侧运动轨迹信号；
具体地，所述主动运动脑电信号为患者产生主动运动意图后，大脑的运动感知及控制区产生的与该意图相关的脑电信号(EEG)，所述患侧肌电信号为患者大脑产生主动运动意图后，患侧肢体上采集到的肌电信号(EMG)，所述健侧肌电信号为患者大脑产生主动运动意图后，健侧肢体上采集到的肌电信号，所述患侧肌动信号为患者大脑产生主动运动意图后，患侧肢体上的肌动传感器采集到的肌动信号(MMG)，所述健侧肌动信号为患者大脑产生主动运动意图后，健侧肢体上的肌动传感器采集到的肌动信号，所述患侧运动轨迹信号为患者大脑产生主动运动意图后，患侧肢体上的运动轨迹传感器采集装置采集到的运动轨迹信号(ST)，所述健侧运动轨迹信号为患者大脑产生主动运动意图后，健侧肢体上的运动轨迹传感器采集装置采集到的运动轨迹信号。
S102、根据获取的主动运动脑电信号、患侧肌电信号、健侧肌电信号、患侧肌动信号、健侧肌动信号、患侧运动轨迹信号和健侧运动轨迹信号，采用深度学习的方法进行运动预测，从而得到运动预测结果；
具体地，本实施例采用深度学习中深度卷积神经网络方法和深度循环网络方法对信号进行分割和特征提取，将脑电信号和肌电信号调制为二维热度图信号，最后对二维热度图信号进行模式识别，达到对运动意图的精细识别，最终输出运动预测的结果。
S103、将得到的运动预测结果进行双侧协同控制处理，并将双侧协同控制处理的结果输入至患侧关节运动控制系统；
具体地，所示双侧协同控制处理的结果包括几种情况，如：患侧关节角度信号、患侧关节运动轨迹和患侧关节运动弧度等，例如：本实施例将得到的健侧的运动结果和患侧的预测运动结果进行双侧协同控制处理，并得到的患侧关节角度信号用于输入患侧关节控制系统，最终通过患侧关节控制系统来控制患侧关节运动。本实施例通过对运动预测结果做进一步的双侧协同控制处理，从而使得最终输入至患侧关节运动控制系统的患侧关节角度信号更加准确。
由上述可知，本实施例采用深度学习的方法来对采集的信号做出分割和特征提取，从而能够准确地预测出患侧的运动结果，最后将运动预测结果输入至患侧关节控制系统中，使得患侧关节控制系统能控制患侧关节与健侧关节保持协调统一的运动，提高了偏瘫患者的康复训练的效果。
进一步作为本方法的优选实施例，所述获取偏瘫患者的主动运动脑电信号、患侧肌电信号、健侧肌电信号、患侧肌动信号、健侧肌动信号、患侧运动轨迹信号和健侧运动轨迹信号这一步骤S101，其具体包括：
S1011、获取患者在视觉刺激场景下产生的主动运动脑电信号；
具体地，本实施例通过虚拟现实技术构建视觉刺激场景，并由场景内提供的动画场景或游戏操作界面等交互内容产生视觉刺激。患者通过学习视觉刺激场景内的运动动作产生主动运动意图，大脑的运动感知及控制区产生与该意图相关的脑电信号(EEG)为主动运动脑电信号。所述视觉刺激场景可以由沉浸式或非沉浸式的虚拟现实设备提供训练场景。本实施例采用的方式为使用unity 3D等软件进行环境搭建，其中除了虚拟关节模型外还包括有运动关节角度、反馈评估结果以及运动调整建议等多种信息的显示。
S1012、采集患者的患侧肌电信号、健侧肌电信号、患侧肌动信号、健侧肌动信号、患侧运动轨迹信号和健侧运动轨迹信号；
具体地，本实施例通过虚拟现实场景下的虚拟运动模型激发偏瘫患者的主动运动意图，强化患者主动参与运动的意识，有助于患者脑运动神经功能的重塑。
如图2所示，进一步作为本方法的优选实施例，所述根据获取的主动运动脑电信号、患侧肌电信号、健侧肌电信号、患侧肌动信号、健侧肌动信号、患侧运动轨迹信号和健侧运动轨迹信号，采用深度学习的方法进行运动预测，从而得到运动预测结果这一步骤S102，其具体包括：
S1021、采用深度卷积神经网络方法来对超前运动意图预测模型进行训练，并采用深度循环网络方法来对精细运动意图识别模型进行训练，得到训练完成的超前运动意图预测模型和精细运动意图识别模型；
具体地，本实施例采集多名患者的主动运动脑电信号、患侧肌电信号、健侧肌电信号、患侧肌动信号、健侧肌动信号、患侧运动轨迹信号和健侧运动轨迹信号，先训练超前运动意图预测模型：先将主动运动脑电信号(EEG)和健患侧肌电信号(EMG)进行精细分割后得到相应的EEG和EMG信号片段，再对EEG和EMG信号片段做信号处理，从而得到第一运动片段序列，并使得序列中每个信号片段都具有时间稀疏性，如图3所示，最后将得到的第一运动片段序列用于训练深度循环网络，从而建立超前运动意图预测模型；再训练精细运动意图识别模型：先将健患侧的肌动信号(MMG)和运动轨迹信号(ST)进行精细分割后，从而得到对应的MMG信号片段和ST信号片段，接着对MMG信号片段和ST信号片段做信号处理，从而获得第二运动片段序列，并使得序列中每个信号片段都具有时间稀疏性，最后将得到的第一运动片段序列和获取的第二运动片段序列用于训练深度卷积神经网络，从而获得精细运动意图识别模型。
S1022、将获取的主动运动脑电信号、患侧肌电信号和健侧肌电信号输入至得到的超前运动意图预测模型中，从而获得运动意图信号；
具体地，所述运动意图信号为超前运动意图预测模型输出的超前的运动意图序列。
S1023、将获取的患侧肌动信号、健侧肌动信号、患侧运动轨迹信号、健侧运动轨迹信号和获得的运动意图信号输入至得到的精细运动意图识别模型中，从而获得运动预测结果；
具体地，所述运动预测结果包括：健侧的运动结果和患侧的预测运动结果，所述健侧的运动结果和患侧的预测运动结果均用于输入患侧关节运动控制系统。
由上述可知，本实施例通过深度学习的方式识别出健侧肢体的主动运动意图，来超前预测出患侧的运动意图，再将预测的信息输入至患侧关节运动控制系统，使得患侧关节运动控制系统能够准确和实时地控制患侧关节与健侧关节保持协调统一地运动。
如图4所示，进一步作为本方法的优选实施例，还包括：
S105、将健侧和患侧的运动情况反馈到所述视觉刺激场景；
具体地，本实施例将各路传感器捕捉的实时运动结果信息传递至视觉刺激场景。在视觉刺激场景中通过对比双侧运动模型和姿态数据之间的差异，可以完成康复运动的评估，也可以和初始运动刺激信息进行对比作出训练动作的调整。因此本实施例可以提高患者主动参与意识，有利于受损脑功能的神经重塑。
进一步作为本方法的优选实施例，所述双侧协同控制处理的结果包括患侧关节角度信号。
具体地，患侧关节角度信号有利于在输入关节运动控制系统后，对患侧关节进行准确的运动控制，从而提高双侧运动的协调性。
如图4所示，本实施例先获取患者在视觉刺激场景下产生的主动运动脑电信号，接着获取被主动运动脑电信号影响的健患侧运动信号，再接着对获取的信号进行运动结果预测，从而获得运动预测结果，然后对运动预测结果进行双侧协同控制，再将双侧协同控制产生的患侧关节角度信号输入患侧关节运动控制系统，以令患侧关节运动控制系统对患侧进行运动控制，最后健患侧将运动情况反馈到视觉刺激场景，从而对场景进行调整。
如图5所示，进一步作为本方法的优选实施例，所述将得到的运动预测结果进行双侧协同控制处理这一步骤S103，其具体包括：
S1031、对运动预测结果中的患侧运动预测结果和健侧运动结果进行差异性分析，从而获得差异分析结果；
具体地，如图6所示，本实施例通过差异性分析来调整患侧运动预测结果，使患侧运动预测结果与健侧运动结果更加协调，所述差异分析结果的计算公式为：Δ＝Sh-Sp，其中Δ为差异分析结果，Sh为健侧的运动结果，Sp为患侧的预测运动结果。
S1032、根据差异分析结果获得患侧关节角度序列；
具体地，所述患侧关节角度序列为患侧运动结构各关节角度。
S1033、对患侧关节角度序列进行平滑处理，从而得到患侧关节角度信号；
具体地，由于差异分析得到的患侧关节角度信号中通常存在许多噪声，直接用于机械臂的控制会造成运动不平稳，本实施例采用滑动平均滤波和卡尔曼滤波算法对角度数据进行平滑处理并限定运动的角度范围，使得最后输出的关节角度更加合理和准确。
如图5所示，进一步作为本方法的优选实施例，所述将得到的运动预测结果进行双侧协同控制处理这一步骤S103，其还包括：
S1034、获取患侧肢体的肌痉挛评估结果；
具体地，本实施例通过肌张力传感器等实时监测患者的肌痉挛程度，并根据采集到的信号来获得肌痉挛评估结果。
S1035、根据获取的肌痉挛评估结果，采用患侧补偿控制算法对所述患侧关节角度信号进行补偿；
具体地，所述患侧补偿控制算法的算法公式为：Δ'＝Sh-Sp-Sps，其中Δ'为补偿后的患侧关节角度信号，所述Sh为健侧的运动结果，Sp为患侧的预测运动结果，Sps为肌痉挛程度分级控制输出的控制策略，所述肌痉挛程度分级控制用于对肌痉挛评估结果做分析，从而输出控制策略。
S1036、对补偿后的患侧关节角度信号进行平滑处理；
具体地，所述平滑处理和步骤S1033是一样的。本实施例采用肌痉挛评估结果作为双侧协同运动控制的补偿，不仅能保障训练安全，避免造成伤害，还能实现更加平滑、精确的运动控制，使得患者的康复训练更加顺畅。
进一步作为本方法的优选实施例，所述获取患侧肢体的肌痉挛评估结果这一步骤S1034，其具体包括：
S10341、采集患侧肢体的肌张力信号；
具体地，本实施例使用具备高灵敏度的电容式张力传感器对肌张力信号进行检测。
S10342、根据采集的肌张力信号从肌张力评估量表中查找得到对应的肌痉挛评估结果；
具体地，所述肌张力评估量表为本实施例利用模式识别的方法建立的肌张力信号与肌痉挛程度的对照模型，本实施例根据丰富的经验和知识来构建肌张力评估量表，使得通过肌张力评估量表查询获得的肌痉挛评估结果更加有效和合适。
与图1的方法相对应，如图7所示，本实施例还提供了一种用于偏瘫患者双侧肢体协同运动的主动康复训练系统，包括：
信号获取模块201，用于获取偏瘫患者的主动运动脑电信号、患侧肌电信号、健侧肌电信号、患侧肌动信号、健侧肌动信号、患侧运动轨迹信号和健侧运动轨迹信号；
运动预测模块202，用于根据获取的主动运动脑电信号、患侧肌电信号、健侧肌电信号、患侧肌动信号、健侧肌动信号、患侧运动轨迹信号和健侧运动轨迹信号，采用深度学习的方法进行运动预测，从而得到运动预测结果；
双侧协调控制模块203，用于将得到的运动预测结果进行双侧协同控制处理，并将双侧协同控制处理的结果输入至患侧关节运动控制系统。
与图1的方法相对应，本实施例还提供了一种用于偏瘫患者双侧肢体协同运动的主动康复训练系统，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如图1所示的一种用于偏瘫患者双侧肢体协同运动的主动康复训练方法。
此外，与图1的方法相对应，本发明实施例还提供了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行如图1所示的一种用于偏瘫患者双侧肢体协同运动的主动康复训练方法。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (7)
1.一种用于偏瘫患者双侧肢体协同运动的主动康复训练方法，其特征在于：包括以下步骤：
获取偏瘫患者的主动运动脑电信号、患侧肌电信号、健侧肌电信号、患侧肌动信号、健侧肌动信号、患侧运动轨迹信号和健侧运动轨迹信号；
根据获取的主动运动脑电信号、患侧肌电信号、健侧肌电信号、患侧肌动信号、健侧肌动信号、患侧运动轨迹信号和健侧运动轨迹信号，采用深度学习的方法进行运动预测，从而得到运动预测结果；包括以下步骤：
采用深度卷积神经网络方法来对超前运动意图预测模型进行训练，并采用深度循环网络方法来对精细运动意图识别模型进行训练，得到训练完成的超前运动意图预测模型和精细运动意图识别模型；
将获取的主动运动脑电信号、患侧肌电信号和健侧肌电信号输入至得到的超前运动意图预测模型中，从而获得运动意图信号；
将获取的患侧肌动信号、健侧肌动信号、患侧运动轨迹信号、健侧运动轨迹信号和获得的运动意图信号输入至得到的精细运动意图识别模型中，从而获得运动预测结果；
将得到的运动预测结果进行双侧协同控制处理，并将双侧协同控制处理的结果输入至患侧关节运动控制系统。
2.根据权利要求1所述的一种用于偏瘫患者双侧肢体协同运动的主动康复训练方法，其特征在于：所述获取偏瘫患者的主动运动脑电信号、患侧肌电信号、健侧肌电信号、患侧肌动信号、健侧肌动信号、患侧运动轨迹信号和健侧运动轨迹信号这一步骤，其具体包括：
获取患者在视觉刺激场景下产生的主动运动脑电信号；
采集患者的患侧肌电信号、健侧肌电信号、患侧肌动信号、健侧肌动信号、患侧运动轨迹信号和健侧运动轨迹信号。
3.根据权利要求2所述的一种用于偏瘫患者双侧肢体协同运动的主动康复训练方法，其特征在于：还包括：
将健侧和患侧的运动情况反馈到所述视觉刺激场景。
4.根据权利要求1所述的一种用于偏瘫患者双侧肢体协同运动的主动康复训练方法，其特征在于：所述双侧协同控制处理的结果包括患侧关节角度信号。
5.根据权利要求4所述的一种用于偏瘫患者双侧肢体协同运动的主动康复训练方法，其特征在于：所述将得到的运动预测结果进行双侧协同控制处理这一步骤，其具体包括：
对运动预测结果中的患侧运动预测结果和健侧运动结果进行差异性分析，从而获得差异分析结果，所述差异分析结果的计算公式为：
Δ'＝Sh-Sp-Sps，其中Δ'为补偿后的患侧关节角度信号，所述Sh为健侧的运动结果，Sp为患侧的预测运动结果，Sps为肌痉挛程度分级控制输出的控制策略；
根据差异分析结果获得患侧关节角度序列；
对患侧关节角度序列进行平滑处理，从而得到患侧关节角度信号。
6.根据权利要求5所述的一种用于偏瘫患者双侧肢体协同运动的主动康复训练方法，其特征在于：所述将得到的运动预测结果进行双侧协同控制处理这一步骤，其还包括：
获取患侧肢体的肌痉挛评估结果；
根据获取的肌痉挛评估结果，采用患侧补偿控制算法对所述患侧关节角度信号进行补偿，其中，所述患侧补偿控制算法的算法公式为：Δ'＝Sh-Sp-Sps，其中Δ'为补偿后的患侧关节角度信号，所述Sh为健侧的运动结果，Sp为患侧的预测运动结果，Sps为肌痉挛程度分级控制输出的控制策略；
对补偿后的患侧关节角度信号进行平滑处理。
7.根据权利要求6所述的一种用于偏瘫患者双侧肢体协同运动的主动康复训练方法，其特征在于：所述获取患侧肢体的肌痉挛评估结果这一步骤，其具体包括：
采集患侧肢体的肌张力信号；
根据采集的肌张力信号从肌张力评估量表中查找得到对应的肌痉挛评估结果，其中，所述肌张力评估量表为利用模式识别的方法建立的肌张力信号与肌痉挛程度的对照模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910402749.1A CN110270057B (zh) | 2019-05-15 | 2019-05-15 | 一种用于偏瘫患者双侧肢体协同运动的主动康复训练方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910402749.1A CN110270057B (zh) | 2019-05-15 | 2019-05-15 | 一种用于偏瘫患者双侧肢体协同运动的主动康复训练方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110270057A CN110270057A (zh) | 2019-09-24 |
| CN110270057B true CN110270057B (zh) | 2021-01-12 |
Family
ID=67959977
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910402749.1A Active CN110270057B (zh) | 2019-05-15 | 2019-05-15 | 一种用于偏瘫患者双侧肢体协同运动的主动康复训练方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110270057B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110569968B (zh) * | 2019-10-18 | 2021-09-03 | 上海大学 | 基于电生理信号的创业失败恢复力评估方法及评估系统 |
| CN110974631B (zh) * | 2019-10-23 | 2022-05-17 | 布法罗机器人科技（成都）有限公司 | 一种非对称下肢外骨骼机器人及控制方法 |
| CN111544854B (zh) * | 2020-04-30 | 2021-05-25 | 天津大学 | 基于脑肌电信号深度学习融合的脑卒中运动康复方法 |
| CN111658246B (zh) * | 2020-05-19 | 2021-11-30 | 中国科学院计算技术研究所 | 一种基于对称性的智能关节假肢调控方法及系统 |
| CN111938991A (zh) * | 2020-07-21 | 2020-11-17 | 燕山大学 | 一种双主动控制模式的手部康复训练装置及训练方法 |
| CN112022615B (zh) * | 2020-08-28 | 2023-09-08 | 中国科学院宁波材料技术与工程研究所慈溪生物医学工程研究所 | 一种采用磁流变阻尼实现力觉反馈的镜像康复装置 |
| CN112951360B (zh) * | 2021-03-29 | 2023-05-02 | 深圳大学 | 一种双侧手指协同运动控制方法与系统 |
| CN113223666B (zh) * | 2021-05-18 | 2023-04-28 | 深圳大学 | 一种基于双侧协同用于肢体运动康复的超前预测控制方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ITFI20080071A1 (it) * | 2008-04-09 | 2009-10-10 | Fond Istituto San Raffaele G G | Dispositivo robotico per il recupero della funzionalita degli arti inferiori di pazienti allettati nella fase acuta post-ictus |
| CN103212156B (zh) * | 2013-04-03 | 2015-10-28 | 重庆德领科技有限公司 | 基于本体镜像原理的偏瘫患者自主康复仪 |
| CN105771182B (zh) * | 2016-05-13 | 2018-06-29 | 中国科学院自动化研究所 | 一种康复机器人主动训练控制方法和装置 |
| CN108785997B (zh) * | 2018-05-30 | 2021-01-08 | 燕山大学 | 一种基于变导纳的下肢康复机器人柔顺控制方法 |
| CN108939436B (zh) * | 2018-08-01 | 2020-03-24 | 深圳睿瀚医疗科技有限公司 | 一种健侧患侧协同的主动下肢训练系统及其操作方法 |
-
2019
- 2019-05-15 CN CN201910402749.1A patent/CN110270057B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110270057A (zh) | 2019-09-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110270057B (zh) | 一种用于偏瘫患者双侧肢体协同运动的主动康复训练方法 | |
| US11755121B2 (en) | Gesture information processing method and apparatus, electronic device, and storage medium | |
| Kottaimalai et al. | EEG signal classification using principal component analysis with neural network in brain computer interface applications | |
| Casadio et al. | The body-machine interface: a new perspective on an old theme | |
| Gohel et al. | Review on electromyography signal acquisition and processing | |
| Katsis et al. | An integrated system based on physiological signals for the assessment of affective states in patients with anxiety disorders | |
| Chowdhury et al. | Online covariate shift detection-based adaptive brain–computer interface to trigger hand exoskeleton feedback for neuro-rehabilitation | |
| Ieracitano et al. | A hybrid-domain deep learning-based BCI for discriminating hand motion planning from EEG sources | |
| Belkacem et al. | Real-time control of a video game using eye movements and two temporal EEG sensors | |
| CN110013248A (zh) | 脑电张量模式识别技术与脑机交互康复系统 | |
| Górriz et al. | Computational approaches to Explainable Artificial Intelligence: Advances in theory, applications and trends | |
| WO2020065534A1 (en) | System and method of generating control commands based on operator's bioelectrical data | |
| Li et al. | Discrete hand motion intention decoding based on transient myoelectric signals | |
| Tyacke et al. | Hand gesture recognition via transient sEMG using transfer learning of dilated efficient CapsNet: towards generalization for neurorobotics | |
| Hayashi et al. | Human–machine interfaces based on bioelectric signals: a narrative review with a novel system proposal | |
| Wang et al. | Lower limb motion recognition based on surface electromyography signals and its experimental verification on a novel multi-posture lower limb rehabilitation robots☆ | |
| Sun et al. | A multi-joint continuous motion estimation method of lower limb using least squares support vector machine and zeroing neural network based on semg signals | |
| CN112998725A (zh) | 一种基于运动观察的脑机接口技术的康复方法与系统 | |
| CN116831874A (zh) | 一种基于肌电信号的下肢康复器控制方法 | |
| Kumari et al. | A study on brain–computer interface: Methods and applications | |
| Kæseler et al. | Brain patterns generated while using a tongue control interface: a preliminary study with two individuals with ALS | |
| US20210063972A1 (en) | Collaborative human edge node devices and related systems and methods | |
| Wang et al. | Multi-user motion recognition using sEMG via discriminative canonical correlation analysis and adaptive dimensionality reduction | |
| Li et al. | Inter-subject variability evaluation of continuous elbow angle from sEMG using BPNN | |
| Grave de Peralta Menendez et al. | Modern electrophysiological methods for brain-computer interfaces |
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 |