CN110638458A - 一种基于步态数据的康复训练效果评估方法、装置 - Google Patents
一种基于步态数据的康复训练效果评估方法、装置 Download PDFInfo
- Publication number
- CN110638458A CN110638458A CN201910791257.6A CN201910791257A CN110638458A CN 110638458 A CN110638458 A CN 110638458A CN 201910791257 A CN201910791257 A CN 201910791257A CN 110638458 A CN110638458 A CN 110638458A
- Authority
- CN
- China
- Prior art keywords
- analysis result
- data
- state data
- step state
- gait
- 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.)
- Pending
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
- A61B5/103—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
- A61B5/112—Gait analysis
-
- 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
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Physics & Mathematics (AREA)
- Neurology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Neurosurgery (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Developmental Disabilities (AREA)
- Dentistry (AREA)
- Rehabilitation Tools (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及生物信息技术领域,尤其涉及一种基于步态数据的康复训练效果评估方法、装置、运动评估设备及非易失性计算机可读存储介质。包括:采集帕金森病患者的第一步态数据,并基于第一步态数据提取第一特征向量;使用预设运动迟缓量化模型对第一特征向量进行分析,获得第一分析结果;采集帕金森病患者的第二步态数据,并基于第二步态数据提取第二特征向量,其中,第二步态数据为帕金森病患者使用康复训练方案进行康复训练后的步态数据;使用预设运动迟缓量化模型对第二特征向量进行分析,获得第二分析结果;判断第二分析结果是否优于第一分析结果;若是,则保持康复训练方案。由此能够对帕金森病患者的运动迟缓检测更加准确。
Description
技术领域
本发明实施方式涉及生物信息技术领域,特别是涉及一种基于步态数据的康复训练效果评估方法、装置、运动评估设备及非易失性计算机可读存储介质。
背景技术
帕金森病是一种多发于中老年人群,以运动障碍为主要临床症状的神经退行性疾病,属于运动障碍疾病。其中,运动迟缓是帕金森病人的主要症状之一,运动迟缓可导致动作变慢,行动困难,主动运动丧失,患者的运动幅度会减少。
以运动迟缓为主要症状的帕金森病患者,可采用康复训练的方法来减缓或抑制该症状的恶化。为了评估康复训练的效果,传统的方法是在医生采用MDS-统一帕金森病评估量表第三部分运动功能检查分量表对其进行评分,帕金森病评估量表是定性评估,而且评分条目没有指南共识的权威明确说明,不同医生会根据个人经验进行选择,并且每个医生的专业程度不同,会导致评分结果出现差异,从而对康复训练的效果评估带来误指导,导致运动迟缓检测不准确。
发明内容
基于此,有必要针对上述技术问题,提供一种基于步态数据的康复训练效果评估方法、装置、运动评估设备及非易失性计算机可读存储介质,不仅能够对帕金森病患者的运动迟缓检测更加准确,而且能够为后续康复训练提供指导作用。
第一方面,本发明实施例提供了一种基于步态数据的康复训练效果评估方法,包括:
采集帕金森病患者的第一步态数据,并基于所述第一步态数据提取第一特征向量;
使用预设运动迟缓量化模型对所述第一特征向量进行分析,获得第一分析结果;
采集所述帕金森病患者的第二步态数据,并基于所述第二步态数据提取第二特征向量,其中,所述第二步态数据为所述帕金森病患者使用康复训练方案进行康复训练后的步态数据;
使用所述预设运动迟缓量化模型对所述第二特征向量进行分析,获得第二分析结果;
判断所述第二分析结果是否优于所述第一分析结果;
若是,则保持所述康复训练方案。
在一些实施例中,所述方法还包括:
采集步态样本数据,将所述步态样本数据打上对应的标签,并基于所述步态样本数据提取步态样本特征向量;
将所述步态样本特征向量及对应的标签输入神经网络模型进行学习,获得所述预设运动迟缓量化模型。
在一些实施例中,所述第一步态数据包括运动角速度和加速度信号;
所述第二步态数据包括运动角速度和加速度信号。
在一些实施例中,所述方法还包括:
若所述第二分析结果不优于所述第一分析结果,则调整所述训练方案,将所述第二分析结果更新为所述第一分析结果,并执行采集所述帕金森病患者的第二步态数据,并基于所述第二步态数据提取第二特征向量的步骤。
第二方面,本发明实施例还提供了另一种基于步态数据的康复训练效果评估方法,所述方法包括:
采集帕金森病患者的第一步态数据,并基于所述第一步态数据提取第一特征向量;
使用预设运动迟缓量化模型对所述第一特征向量进行分析,获得第一分析结果;
采集所述帕金森病患者的第二步态数据,并基于所述第二步态数据提取第二特征向量,其中,所述第二步态数据为所述帕金森病患者使用康复训练方案进行康复训练后的步态数据;
使用所述预设运动迟缓量化模型对所述第二特征向量进行分析,获得第二分析结果;
呈现所述第一分析结果和/或所述第二分析结果。
第三方面,本发明实施例还提供了一种基于步态数据的康复训练效果评估装置,所述装置包括:
采集模块,用于采集帕金森病患者的第一步态数据,并基于所述第一步态数据提取第一特征向量,并且还用于采集取帕金森病患者的第二步态数据,并基于所述第二步态数据提取第二特征向量,其中,所述第二步态数据为所述帕金森病患者使用康复训练方案进行康复训练后的步态数据;
分析模块,用于使用预设运动迟缓量化模型对所述第一特征向量进行分析,获得第一分析结果,并且还用于使用所述预设运动迟缓量化模型对所述第二特征向量进行分析,获得第二分析结果。
在一些实施例中,所述装置还包括:
提取模块,用于采集步态样本数据,将所述步态样本数据打上对应的标签,并基于所述步态样本数据提取步态样本特征向量;
学习模块,用于将所述步态样本特征向量及对应的标签输入神经网络模型进行学习,获得所述预设运动迟缓量化模型。
在一些实施例中,所述装置还包括:
调整模块,用于若所述第二分析结果不优于所述第一分析结果,则调整所述训练方案,将所述第二分析结果更新为所述第一分析结果,并执行采集所述帕金森病患者的第二步态数据,并基于所述第二步态数据提取第二特征向量的步骤。
在一些实施例中,所述装置还包括:
呈现模块,用于呈现所述第一分析结果和/或所述第二分析结果。
第四方面,本发明实施例还提供了一种运动评估设备,包括:
控制器,
其中,所述控制器包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述基于步态数据的康复训练效果评估方法。
第五方面,本发明实施例还提供了一种非易失性计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,当所述计算机可执行指令被运动评估设备所执行时,使所述运动评估设备执行上述基于步态数据的康复训练效果评估方法
与现有技术相比,本发明的有益效果是:区别于现有技术的情况,本发明实施例中的基于步态数据的康复训练效果评估方法、装置、运动评估设备及非易失性计算机可读存储介质,通过采集帕金森病患者的第一步态数据,并基于第一步态数据提取第一特征向量,使用预设运动迟缓量化模型对第一特征向量进行分析,获得第一分析结果,采集帕金森病患者使用康复训练方案进行康复训练后的第二步态数据,并基于第二步态数据提取第二特征向量,使用预设运动迟缓量化模型对第二特征向量进行分析,获得第二分析结果,判断第二分析结果是否优于第一分析结果,若是,则保持康复训练方案。由此能够对帕金森病患者的运动迟缓检测更加准确,并且能够为后续康复训练提供指导作用。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1是本发明基于步态数据的康复训练效果评估方法的一个实施例的流程图;
图2是本发明基于步态数据的康复训练效果评估方法的一个实施例中模型训练的流程图;
图3是本发明基于步态数据的康复训练效果评估方法的又一个实施例的流程图;
图4是本发明基于步态数据的康复训练效果评估装置的一个实施例的结构框图;
图5是本发明运动评估设备控制器的硬件结构示意图。
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,下面将结合本发明实施例中的附图,对本发明实施例中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作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。
需要说明的是,如果不冲突,本发明实施例中的各个特征可以相互结合,均在本发明的保护范围之内。另外,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。再者,本发明所采用的“第一”和“第二”等字样并不对数据和执行次序进行限定,仅是对功能和作用基本相同的相同项或相似项进行区分。
如图1所示,本发明实施例提供了一种基于步态数据的康复训练效果评估方法,执行主体为控制器,包括:
运动评估设备例如可以采用基于MEMS(Micro-Electro-Mechanical System:微机电系统)的惯性传感器和控制器组成,利用基于MEMS的惯性传感器,可以减小运动评估设备的体积及重量,方便佩戴,实际使用时,通过控制器控制惯性传感器采集患者的步态数据。
步骤102,采集帕金森病患者的第一步态数据,并基于所述第一步态数据提取第一特征向量。
第一步态数据为帕金森病患者走路时所表现的全身运动数据,例如三维空间运动角速度和加速度信号,第一步态数据经过信号滤波,然后提取步态特征,提取的步态特征可以用步长、步幅、步速、步频、步态周期、双支撑相、支撑相、摆动相、髋膝踝关节角等步态参数来表示,步态参数即第一特征向量,第一特征向量可以作为运动迟缓量化模型的输入。其中,第一步态数据和下文的第二步态数据用于表示不同时间采集的帕金森病患者全身运动数据,在本实施例中,第一步态数据为时间在前采集到的全身运动数据,第二步态数据为时间在后采集到的全身运动数据。可以理解的是,不同时间可以是每隔一个月对帕金森病患者的全身数据进行一次采集。
具体地,可以给帕金森病患者佩戴运动评估设备以采集步态数据,实际使用时,将运动评估设备穿戴于帕金森病患者的手腕、躯干和脚踝等部位,帕金森病患者按照正常的步速直线行走7米,在此过程中运动评估设备采集各个部位的运动数据即第一步态数据,并基于第一步态数据提取第一特征向量。
步骤104,使用预设运动迟缓量化模型对所述第一特征向量进行分析,获得第一分析结果。
在本发明实施例中,运动迟缓量化模型为一种基于神经网络的数学模型。其中,在一些实施例中,运动迟缓量化模型可以是在其他设备上事先训练好,然后加载在运动评估设备上的,或者是运动评估设备通过采集的步态数据直接进行训练得到的。通过将第一特征向量输入预设的运动迟缓量化模型,就可得到第一分析结果。
步骤106,采集所述帕金森病患者的第二步态数据,并基于所述第二步态数据提取第二特征向量,其中,所述第二步态数据为所述帕金森病患者使用康复训练方案进行康复训练后的步态数据。
在本发明实施例中,康复训练方案主要是针对运动迟缓症状而言,其包括原地高抬腿踏步、增大步幅、加快步数、跨越障碍、视觉暗示中的至少一种康复训练方案,可根据帕金森病患者的身体状况逐渐加大训练难度。例如,帕金森病患者状态良好,则逐渐加大训练难度,从单一的增大步幅训练到增大步幅和加快步数同时进行训练。康复训练方案包括预设的康复训练方案和调整后的康复训练方案,预设的康复训练方案,是患者首次进行康复训练所采用的训练方案,调整后的康复训练方案是根据患者的评分制定的。
第二特征向量是通过提取第二步态数据的特征得到的,并且是作为运动迟缓量化模型的输入。其中,第二步态数据的采集过程以及第二特征向量的提取过程和上述的第一步态数据的采集过程以及第一特征向量的提取过程相同,可参见上文。
步骤108,使用所述预设运动迟缓量化模型对所述第二特征向量进行分析,获得第二分析结果。
第二分析结果与第一分析结果的获得方式一样,通过将第二特征向量输入预设的运动迟缓量化模型,就可得到第二分析结果。可以理解的是,第二分析结果和第一分析结果均可通过分数即评分的形式体现。
步骤110,判断所述第二分析结果是否优于所述第一分析结果。
步骤112,若是,则保持所述康复训练方案。
通过比较第一分析结果和第二分析结果即比较记录的第一分数和记录的第二分数来确定康复训练效果的好坏。当第二分析结果即记录的第二分数低于第一分析结果即记录的第一分数,则确定第二分析结果是优于第一分析结果的,表示此次康复训练的效果是有效的,则保持康复训练方案,让帕金森病患者回家做家庭训练。
步骤114,若所述第二分析结果不优于所述第一分析结果,则调整所述训练方案,将所述第二分析结果更新为所述第一分析结果,并执行采集所述帕金森病患者的第二步态数据,并基于所述第二步态数据提取第二特征向量的步骤。
具体地,当第二分析结果即记录的第二分数高于或等于所述第一分析结果即记录的第一分数,则说明第二分析结果不优于第一分析结果,从而表明训练方案没有效果,则重新调整训练方案或者提升训练动作的准确性,将所述第二分析结果更新为所述第一分析结果,并使用调整后的康复训练方案进行康复训练,一个月后,再次采集患者的步态数据进行分析,并将分析结果与上一次分析结果进行比较,直到下一次的分析结果优于上一次的分析结果,否则,继续重复上述步骤。
可理解的是,在其他一些实施例中,可以通过分析结果记录所述帕金森病患者的状态。运动迟缓量化模型是一个回归模型,其输出范围为0~8,其中0-1表示正常,1-2表示轻微,2-4表示轻度,4-6表示中度,6-8表示重度,通过这种量化范围来评价帕金森病患者的运动迟缓严重程度,即患者状态。
在本发明实施例中,通过采集帕金森病患者的第一步态数据并提取第一特征向量,接着使用运动迟缓量化模型对提取的第一特征向量进行分析,获得第一分析结果,然后采集帕金森病患者使用康复训练方案进行康复训练后的第二态数据并提取第二特征向量,接着使用运动迟缓量化模型对提取的第二特征向量进行分析,获得二分析结果,比较两次步态数据的分析结果,即分数越高,患者的状态越差,由此可对帕金森病患者的运动迟缓检测更加准确,若第二分析结果优于第一分析结果,则保持康复训练方案,由此能够为后续康复训练提供指导作用。
在一些实施例中,如图2所示,所述方法还包括:
步骤202,采集步态样本数据,将所述步态样本数据打上对应的标签,并基于所述步态样本数据提取步态样本特征向量。
步态样本数据可以为数据库中的数据,数据库中预先存储了各种步态样本数据及对应的标签,样本特征向量为能够体现步态样本特征的向量,提取步态样本特征向量的目的是为了提取出步态样本数据的特征来表示该特定的步态样本数据。从数据库中获取步态样本数据以及步态样本数据对应的标签,标签是通过帕金森评定量表上的评分标准得到的,并基于所述步态样本数据提取步态样本数据的特征来表示该特定的样本数据。
步骤204,将所述步态样本特征向量及对应的标签输入神经网络模型进行学习,获得所述预设运动迟缓量化模型。
神经网络模型是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统,神经网络模型为一种数学模型,在此模型上跑数据来学习。具体地,将从所述数据库中获取的步态样本数据及对应的标签进行步态样本特征向量的提取后,将所述步态样本特征向量及对应的标签输入神经网络模型进行迭代训练,得到运动迟缓量化模型,由此可自动对步态数据进行比对分析,提高检测准确度。
在其他一些实施例中,可以理解的是,在训练步态样本数据的过程中,每个步态样本数据对应的标签都是已知的,标签是通过帕金森评定量表上的评分标准得到的,评分者利用帕金森病综合评估量表第三部分中的3.6、3.14项对帕金森病患者进行综合评分。每一项的评分规则为0(正常)、1(轻微)、2(轻度)、3(中度)、4(重度)。因此,每一份训练步态样本据对应着一个标签,该标签以0~8(整数)的分数来体现。具体地,首先采集多个帕金森病患者的步态样本数据,根据帕金森评定量表上的评分标准为步态样本数据打上对应的标签,然后分别提取步态样本数据中的步态样本特征向量,将步态样本特征向量及对应的标签输入到神经网络模型中进行学习,得到运动迟缓量化模型。
在一些实施例中,通过使用运动评估设备首次获取帕金森病患者在三维空间运动中的运动角速度、加速度信号等第一步态数据,并基于上述第一步态数据提取第一特征向量。获取的样本数量越多,帕金森病患者的运动迟缓检测的准确度越高。
在一些实施例中,通过使用运动评估设备再次获取帕金森病患者在三维空间运动中的运动角速度、加速度信号等第二步态数据,并基于上述第二步态数据提取第二特性向量。获取的步态数据种类越多,帕金森病患者的运动迟缓检测的准确度越高。需要说明的是,第一步态数据和第二步态数据可以是相同的步态数据也可以是不同的数据。
需要说明的是,在上述各个实施例中,上述各步骤之间并不必然存在一定的先后顺序,本领域普通技术人员,根据本发明实施例的描述可以理解,不同实施例中,上述各步骤可以有不同的执行顺序,亦即,可以并行执行,亦可以交换执行等等。
本发明实施例还提供了另一种基于步态数据的康复训练效果评估方法,如图3所示,所述方法,包括:
步骤302,采集帕金森病患者的第一步态数据,并基于所述第一步态数据提取第一特征向量。
步骤304,使用预设运动迟缓量化模型对所述第一特征向量进行分析,获得第一分析结果。
步骤306,采集所述帕金森病患者的第二步态数据,并基于所述第二步态数据提取第二特征向量,其中,所述第二步态数据为所述帕金森病患者使用康复训练方案进行康复训练后的步态数据。
步骤308,使用所述预设运动迟缓量化模型对所述第二特征向量进行分析,获得第二分析结果。
步骤310,呈现所述第一分析结果和/或所述第二分析结果。
运动评估设备将第一分析结果和/或第二分析结果通过报告的形式呈现出来,通过该报告可以清楚的知道帕金森病患者在训练前后的训练效果。另外,步骤302至步骤308的实现过程,请参照步骤102至步骤108。
在本发明实施例中,通过采集帕金森病患者的第一步态数据并提取第一特征向量,接着使用运动迟缓量化模型对提取的第一特征向量进行分析,获得第一分析结果,然后采集帕金森病患者使用康复训练方案进行康复训练后的第二态数据并提取第二特征向量,接着使用运动迟缓量化模型对提取的第二特征向量进行分析,获得二分析结果,最后呈现所述第一分析结果和/或所述第二分析结果,从而能够对帕金森病患者的运动迟缓检测更加准确。
相应的,本发明实施例还提供了一种基于步态数据的康复训练效果评估装置,如图4所示,装置400,包括:
采集模块402,用于采集帕金森病患者的第一步态数据,并基于所述第一步态数据提取第一特征向量,并且还用于采集帕金森病患者的第二步态数据,并基于所述第二步态数据提取第二特征向量,其中,所述第二步态数据为所述帕金森病患者使用康复训练方案进行康复训练后的步态数据;
分析模块404,用于使用预设运动迟缓量化模型对所述第一特征向量进行分析,获得第一分析结果,并且还用于使用所述预设运动迟缓量化模型对所述第二特征向量进行分析,获得第二分析结果;
判断模块406,用于判断所述第二分析结果是否优于所述第一分析结果。
保持模块408,用于若所述第二分析结果优于所述第一分析结果,则保持所述康复训练方案。
本发明实施例提供的基于步态数据的康复训练效果评估装置,通过采集模块采集帕金森病患者的第一步态数据,并基于所述第一步态数据提取第一特征向量,分析模块使用预设的运动迟缓量化模型对所述第一特征向量进行分析,获得第一分析结果,采集模块采集帕金森病患者使用康复训练方案进行康复训练后的第二步态数据,并基于所述第二步态数据提取第二特征向量,通过分析模块使用预设的运动迟缓量化模型对所述第二特征向量进行分析,获得第二分析结果,判断模块判断第二分析结果是否优于第一分析结果,若是,保持模块则保持所述康复训练方案,由此能够对帕金森病患者的运动迟缓检测更加准确。
可选的,在装置的其他实施例中,请参照图4,装置400还包括:
提取模块410,用于采集步态样本数据,将所述步态样本数据打上对应的标签,并基于所述步态样本数据提取步态样本特征向量。
学习模块412,用于将所述步态样本特征向量及对应的标签输入神经网络模型进行学习,获得所述预设运动迟缓量化模型。
可选的,在装置的其他实施例中,请参照图4,装置400还包括:
调整模块414,用于若所述第二分析结果不优于所述第一分析结果,则调整所述训练方案,将所述第二分析结果更新为所述第一分析结果,并执行采集所述帕金森病患者的第二步态数据,并基于所述第二步态数据提取第二特征向量的步骤。
可选的,在装置的其他实施例中,请参照图4,装置400还包括:
呈现模块416,用于呈现所述第一分析结果和/或所述第二分析结果。
具体的,在一些实施例中,第一步态数据包括运动角速度和加速度信号;
所述第二步态数据包括运动角速度和加速度信号。
需要说明的是,上述康复训练效果评估装置可执行本发明实施例所提供的康复训练效果评估方法,具备执行方法相应的功能模块和有益效果。未在康复训练效果评估装置实施例中详尽描述的技术细节,可参见本发明实施例所提供的康复训练效果评估方法。
请参阅图5,图5是本发明实施例提供的运动评估设备控制器的硬件结构示意图,如图5所示,该控制器50包括:
一个或多个处理器51以及存储器52,图5中以一个处理器51为例。
处理器51和存储器52可以通过总线或者其他方式连接,图5中以通过总线连接为例。
存储器52作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本发明实施例中康复训练效果评估方法对应的程序指令/模块(例如,附图4所示的采集模块402、分析模块404、判断模块406和保持模块408)。处理器51通过运行存储在存储器52中的非易失性软件程序、指令以及模块,从而执行运动评估设备的各种功能应用以及数据处理,即实现上述方法实施例的康复训练效果评估方法。
存储器52可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据康复训练效果评估装置使用所创建的数据等。此外,存储器52可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器52可选包括相对于处理器51远程设置的存储器,这些远程存储器可以通过网络连接至康复训练效果评估装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器52中,当被所述一个或者多个控制器50执行时,执行上述任意方法实施例中的康复训练效果评估方法,例如,执行以上描述的图1中的方法步骤102至步骤114、图2中的方法步骤202至步骤204、图3中的方法步骤302至步骤310;实现图4中的模块402至416的功能。
本发明实施例提供了一种计算机程序产品,包括存储在非易失性计算机可读存储介质上的计算程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时时,使所述计算机执行:图1中的方法步骤102至步骤114、图2中的方法步骤202至步骤204、图3中的方法步骤302至步骤310。
上述产品可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。
通过以上的实施方式的描述,本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现,当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明,它们没有在细节中提供;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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
以上所述仅为本发明的实施方式,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于步态数据的康复训练效果评估方法,其特征在于,包括:
采集帕金森病患者的第一步态数据,并基于所述第一步态数据提取第一特征向量;
使用预设运动迟缓量化模型对所述第一特征向量进行分析,获得第一分析结果;
采集所述帕金森病患者的第二步态数据,并基于所述第二步态数据提取第二特征向量,其中,所述第二步态数据为所述帕金森病患者使用康复训练方案进行康复训练后的步态数据;
使用所述预设运动迟缓量化模型对所述第二特征向量进行分析,获得第二分析结果;
判断所述第二分析结果是否优于所述第一分析结果;
若是,则保持所述康复训练方案。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
采集步态样本数据,将所述步态样本数据打上对应的标签,并基于所述步态样本数据提取步态样本特征向量;
将所述步态样本特征向量及对应的标签输入神经网络模型进行学习,获得所述预设运动迟缓量化模型。
3.根据权利要求2所述的方法,其特征在于,
所述第一步态数据包括运动角速度和加速度信号;
所述第二步态数据包括运动角速度和加速度信号。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
若所述第二分析结果不优于所述第一分析结果,则调整所述训练方案,将所述第二分析结果更新为所述第一分析结果,并执行采集所述帕金森病患者的第二步态数据,并基于所述第二步态数据提取第二特征向量的步骤。
5.一种基于步态数据的康复训练效果评估方法,其特征在于,包括:
采集帕金森病患者的第一步态数据,并基于所述第一步态数据提取第一特征向量;
使用预设运动迟缓量化模型对所述第一特征向量进行分析,获得第一分析结果;
采集所述帕金森病患者的第二步态数据,并基于所述第二步态数据提取第二特征向量,其中,所述第二步态数据为所述帕金森病患者使用康复训练方案进行康复训练后的步态数据;
使用所述预设运动迟缓量化模型对所述第二特征向量进行分析,获得第二分析结果;
呈现所述第一分析结果和/或所述第二分析结果。
6.一种基于步态数据的康复训练效果评估装置,其特征在于,所述装置包括:
采集模块,用于采集帕金森病患者的第一步态数据,并基于所述第一步态数据提取第一特征向量,并且还用于采集取帕金森病患者的第二步态数据,并基于所述第二步态数据提取第二特征向量,其中,所述第二步态数据为所述帕金森病患者使用康复训练方案进行康复训练后的步态数据;
分析模块,用于使用预设运动迟缓量化模型对所述第一特征向量进行分析,获得第一分析结果,并且还用于使用所述预设运动迟缓量化模型对所述第二特征向量进行分析,获得第二分析结果。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
提取模块,用于采集步态样本数据,将所述步态样本数据打上对应的标签,并基于所述步态样本数据提取步态样本特征向量;
学习模块,用于将所述步态样本特征向量及对应的标签输入神经网络模型进行学习,获得所述预设运动迟缓量化模型。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
调整模块,用于若所述第二分析结果不优于所述第一分析结果,则调整所述训练方案,将所述第二分析结果更新为所述第一分析结果,并执行采集所述帕金森病患者的第二步态数据,并基于所述第二步态数据提取第二特征向量的步骤。
9.一种运动评估设备,其特征在于,包括:
控制器,
其中,所述控制器包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5任一项所述的方法。
10.一种非易失性计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,当所述计算机可执行指令被运动评估设备所执行时,使所述运动评估设备执行权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910791257.6A CN110638458A (zh) | 2019-08-26 | 2019-08-26 | 一种基于步态数据的康复训练效果评估方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910791257.6A CN110638458A (zh) | 2019-08-26 | 2019-08-26 | 一种基于步态数据的康复训练效果评估方法、装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110638458A true CN110638458A (zh) | 2020-01-03 |
Family
ID=68990341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910791257.6A Pending CN110638458A (zh) | 2019-08-26 | 2019-08-26 | 一种基于步态数据的康复训练效果评估方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110638458A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111000568A (zh) * | 2020-03-06 | 2020-04-14 | 深圳市丞辉威世智能科技有限公司 | 步态检测方法、装置、设备及存储介质 |
CN111990967A (zh) * | 2020-07-02 | 2020-11-27 | 北京理工大学 | 一种基于步态的帕金森病识别系统 |
CN112057080A (zh) * | 2020-08-10 | 2020-12-11 | 华中科技大学 | 一种基于分阶段特征提取的冻结步态检测方法和系统 |
CN112287426A (zh) * | 2020-09-21 | 2021-01-29 | 广东众图互联网工程设计有限公司 | 一种调整建筑结构的构件的方法、装置以及电子设备 |
CN112289404A (zh) * | 2020-10-22 | 2021-01-29 | 中国医学科学院生物医学工程研究所 | 一种步态训练计划的生成方法、装置、设备及存储介质 |
CN112494034A (zh) * | 2020-11-30 | 2021-03-16 | 重庆优乃特医疗器械有限责任公司 | 基于3d体态检测分析的数据处理分析系统及方法 |
CN115830718A (zh) * | 2023-02-14 | 2023-03-21 | 福建中医药大学 | 基于步态识别预测康复训练效果的数据处理系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140257141A1 (en) * | 2013-03-05 | 2014-09-11 | Great Lakes Neurotechnologies Inc. | Movement disorder monitoring and symptom quantification system and method |
CN104398263A (zh) * | 2014-12-25 | 2015-03-11 | 中国科学院合肥物质科学研究院 | 一种基于近似熵和互近似熵的帕金森患者震颤症状量化评测方法 |
CN106693280A (zh) * | 2016-12-29 | 2017-05-24 | 深圳市臻络科技有限公司 | 基于虚拟现实的帕金森训练方法、系统和装置 |
CN108209947A (zh) * | 2017-05-25 | 2018-06-29 | 深圳市未来健身衣科技有限公司 | 一种康复保健评估方法及装置 |
CN109063714A (zh) * | 2018-08-06 | 2018-12-21 | 浙江大学 | 基于深度神经网络的帕金森病运动迟缓视频检测模型的构建方法 |
CN109480858A (zh) * | 2018-12-29 | 2019-03-19 | 中国科学院合肥物质科学研究院 | 一种用于量化检测帕金森患者运动迟缓症状的可穿戴智能系统及方法 |
CN110151190A (zh) * | 2019-05-23 | 2019-08-23 | 西南科技大学 | 一种骨科术后康复监测方法及系统 |
-
2019
- 2019-08-26 CN CN201910791257.6A patent/CN110638458A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140257141A1 (en) * | 2013-03-05 | 2014-09-11 | Great Lakes Neurotechnologies Inc. | Movement disorder monitoring and symptom quantification system and method |
CN104398263A (zh) * | 2014-12-25 | 2015-03-11 | 中国科学院合肥物质科学研究院 | 一种基于近似熵和互近似熵的帕金森患者震颤症状量化评测方法 |
CN106693280A (zh) * | 2016-12-29 | 2017-05-24 | 深圳市臻络科技有限公司 | 基于虚拟现实的帕金森训练方法、系统和装置 |
CN108209947A (zh) * | 2017-05-25 | 2018-06-29 | 深圳市未来健身衣科技有限公司 | 一种康复保健评估方法及装置 |
CN109063714A (zh) * | 2018-08-06 | 2018-12-21 | 浙江大学 | 基于深度神经网络的帕金森病运动迟缓视频检测模型的构建方法 |
CN109480858A (zh) * | 2018-12-29 | 2019-03-19 | 中国科学院合肥物质科学研究院 | 一种用于量化检测帕金森患者运动迟缓症状的可穿戴智能系统及方法 |
CN110151190A (zh) * | 2019-05-23 | 2019-08-23 | 西南科技大学 | 一种骨科术后康复监测方法及系统 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111000568A (zh) * | 2020-03-06 | 2020-04-14 | 深圳市丞辉威世智能科技有限公司 | 步态检测方法、装置、设备及存储介质 |
CN111990967A (zh) * | 2020-07-02 | 2020-11-27 | 北京理工大学 | 一种基于步态的帕金森病识别系统 |
CN112057080A (zh) * | 2020-08-10 | 2020-12-11 | 华中科技大学 | 一种基于分阶段特征提取的冻结步态检测方法和系统 |
CN112287426A (zh) * | 2020-09-21 | 2021-01-29 | 广东众图互联网工程设计有限公司 | 一种调整建筑结构的构件的方法、装置以及电子设备 |
CN112287426B (zh) * | 2020-09-21 | 2024-05-17 | 广东众图科技有限公司 | 一种调整建筑结构的构件的方法、装置以及电子设备 |
CN112289404A (zh) * | 2020-10-22 | 2021-01-29 | 中国医学科学院生物医学工程研究所 | 一种步态训练计划的生成方法、装置、设备及存储介质 |
CN112494034A (zh) * | 2020-11-30 | 2021-03-16 | 重庆优乃特医疗器械有限责任公司 | 基于3d体态检测分析的数据处理分析系统及方法 |
CN112494034B (zh) * | 2020-11-30 | 2023-01-17 | 重庆优乃特医疗器械有限责任公司 | 基于3d体态检测分析的数据处理分析系统及方法 |
CN115830718A (zh) * | 2023-02-14 | 2023-03-21 | 福建中医药大学 | 基于步态识别预测康复训练效果的数据处理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110638458A (zh) | 一种基于步态数据的康复训练效果评估方法、装置 | |
CN108256433B (zh) | 一种运动姿态评估方法及系统 | |
CN109770903B (zh) | 功能磁共振影像的分类预测系统 | |
CN110334573B (zh) | 一种基于密集连接卷积神经网络的人体运动状态判别方法 | |
CN110109543B (zh) | 基于被试迁移的c-VEP识别方法 | |
CN111862020B (zh) | 一种眼前节生理年龄预测方法、装置、服务器及存储介质 | |
KR102313044B1 (ko) | 제자리 걸음 특성을 이용한 노인 건강 상태 평가 방법 및 시스템 | |
CN111989040A (zh) | 行走形态显示方法、行走形态显示系统以及行走形态分析装置 | |
CN113688710A (zh) | 儿童孤独症训练系统及其方法 | |
CN110755083A (zh) | 一种基于虚拟现实的康复训练方法和运动评估设备 | |
CN114220543B (zh) | 一种肿瘤患者身心痛苦指数评估方法以及系统 | |
Robberechts et al. | Predicting gait events from tibial acceleration in rearfoot running: a structured machine learning approach | |
CN114129169B (zh) | 一种生物电信号数据识别方法、系统、介质和设备 | |
CN111513723A (zh) | 运动姿态监测方法、调整方法、装置和终端 | |
Albert et al. | Using machine learning to predict perceived exertion during resistance training with wearable heart rate and movement sensors | |
CN113128585B (zh) | 一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法 | |
KR101793934B1 (ko) | 피트니스 운동의 유형을 자동으로 분류하기 위한 방법 및 장치 | |
CN110801227B (zh) | 基于可穿戴设备的立体色块障碍测试的方法和系统 | |
Saponaro et al. | Estimating Physical Activity Intensity And Energy Expenditure Using Computer Vision On Videos | |
CN114821803A (zh) | 人体运动的评分方法、装置、计算机设备及存储介质 | |
WO2021020949A3 (ko) | 트레이닝 완성도를 평가하기 위한 장치 및 방법 | |
CN113392744A (zh) | 舞蹈动作美感确认方法、装置、电子设备及存储介质 | |
CN111081346A (zh) | 运动效率分析方法、装置、可穿戴设备和计算机可读存储介质 | |
CN112115813A (zh) | 人体肌电信号的标注方法、装置及计算设备 | |
CN116077023B (zh) | 基于运动测试的认知评估方法、装置、设备、介质及产品 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200103 |