CN110931104A - 基于机器学习的上肢康复机器人智能训练系统及方法 - Google Patents
基于机器学习的上肢康复机器人智能训练系统及方法 Download PDFInfo
- Publication number
- CN110931104A CN110931104A CN201911261468.5A CN201911261468A CN110931104A CN 110931104 A CN110931104 A CN 110931104A CN 201911261468 A CN201911261468 A CN 201911261468A CN 110931104 A CN110931104 A CN 110931104A
- Authority
- CN
- China
- Prior art keywords
- training
- patient
- upper limb
- learning
- input
- 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
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J11/00—Manipulators not otherwise provided for
- B25J11/008—Manipulators for service tasks
- B25J11/009—Nursing, e.g. carrying sick persons, pushing wheelchairs, distributing drugs
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Nursing (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Physical Education & Sports Medicine (AREA)
- Rehabilitation Tools (AREA)
Abstract
本发明公开了一种基于机器学习的上肢康复机器人智能训练系统及方法,其中,该系统包括:机器人辅助子系统,用于当患者不足以完成康复训练任务时,利用上肢康复机器人辅助患者完成康复训练动作;投入状态监测子系统,用于当上肢康复机器人辅助患者时,通过上肢康复机器人、肌电采集设备和脑电采集设备监测患者训练时的投入程度;智能学习子系统,用于根据当前时刻的投入程度,学习先前施加的刺激测试对投入程度的影响,以推荐适合患者下一时刻的个性化刺激方案,改变康复训练模式;提高投入状态子系统,用于检测患者的投入程度是否降低,若降低则干预下一个训练进程;该系统能够根据患者情况提供智能训练处方并调动患者,保证训练时投入状态。
Description
技术领域
本发明涉及上肢康复技术领域,特别涉及一种基于机器学习的上肢康复机器人智能训练系统及方法。
背景技术
随着老龄化现象的加剧,全世界脑卒中等脑血管疾病患者每年以千万计的数量增长,脑卒中被认为是世界第二大致死及第一致残疾病。脑卒中对神经系统的损害大多数是永久性的,但是神经系统具有可塑性和冗余性,偏瘫后及时的治疗和康复训练可以有效的减小损伤甚至避免残疾,并显著改善患者的日常生活能力,而长期的康复治疗对运动功能恢复尤为重要。康复机器人拥有20多年的发展历史,研究表明,康复机器人可以为患者提供有效的训练治疗方案,由于上肢运动功能复杂,偏瘫患者上肢的康复训练内容复杂多样、训练过程漫长、个体差异性大,因此,上肢康复机器人的临床应用较为困难。为了推动上肢康复机器人的临床应用,所以在现有上肢康复机器人结构大致不变的情况下,深入研究更加智能化的控制系统就变得尤为重要。
由于康复机器人可以排除人为因素,保证辅助康复训练的重复性和强度,不受康复医师的水平和状态的影响,上肢康复的治疗方案及设备的研究一直备受重视,上肢康复设备的设计和开发已被广泛研究。机器人技术应用于神经康复的传统解决思路是用机器人精准再现临床康复中医师人工训练手法,两者训练效率上的差异实际上反映了两种方法促进神经再生的效率上的差异。康复医师为患者采取传统疗法时,能够充分感知患者肢体各关节与肌肉的残存能力与状态,根据经验针对患者的损伤程度与状态施加适宜的手法,医师还能关注患者对于不同手法、力度的训练动作的反应,实时做出适当调整;更重要的是,医师能够通过与患者沟通交流,时刻鼓励患者,当发现患者没有主动参与时,调动其积极性,保证患者在康复训练中的积极参与与专注。而先前的机器人辅助康复技术研究以机器人设备为重点,还处于只能从力和运动上模拟康复医师的训练手法,忽略了患者自身生理心理状态因素,更不能像康复医师一样与人“交流”,无法提供适宜的个性化训练处方,从而导致机器人辅助康复训练效率低下的表现。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的一个目的在于提出一种基于机器学习的上肢康复机器人智能训练系统。
本发明的另一个目的在于提出一种基于机器学习的上肢康复机器人智能训练方法,该方法能够根据患者情况提供智能训练处方并调动患者,保证训练时投入状态。
为达到上述目的,本发明一方面实施例提出了基于机器学习的上肢康复机器人智能训练系统,包括:机器人辅助子系统、投入状态监测子系统、智能学习子系统和提高投入状态子系统,其中,机器人辅助子系统用于当患者自身能力不足以完成康复训练任务时,利用上肢康复机器人辅助患者完成康复训练动作;所述投入状态监测子系统与所述机器人辅助子系统连接,当所述上肢康复机器人辅助患者进行康复训练时,通过所述上肢康复机器人、肌电采集设备和脑电采集设备分别监测患者训练时的投入程度;所述智能学习子系统分别与所述提高投入状态子系统和所述投入状态监测子系统连接,用于根据当前时刻的投入程度,学习先前施加的刺激测试对投入程度的影响,以推荐适合患者下一时刻的个性化刺激方案,改变康复训练模式;所述提高投入状态子系统与所述机器人辅助子系统连接,用于检测患者的所述投入程度是否降低,若降低则干预下一个训练进程。
本发明实施例的基于机器学习的上肢康复机器人智能训练系统,在监测患者生理心理状态并量化评价投入状态的基础上,结合机器学习技术,让康复系统自行做出决策判断,更改训练模式来提高患者的康复训练效率,不仅可以在力、运动层面模仿康复医师的手法,更可像医师专家一样根据患者情况提供智能训练处方并调动患者,保证其训练中的投入状态,适应患者状态自主提供个性化训练处方的机制,提高患者训练中的投入状态。
另外,根据本发明上述实施例的基于机器学习的上肢康复机器人智能训练系统还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述肌电采集设备和所述脑电采集设备为无线且方便穿戴的装置,以避免患者分散注意力。
进一步地,在本发明的一个实施例中,所述通过所述上肢康复机器人、肌电采集设备和脑电采集设备分别监测患者训练时的投入程度,包括:根据所述上肢康复机器人、所述肌电采集设备和所述脑电采集设备配套的软件开发工具包采集带有时间戳的时间信号;将所述时间信号从Visual Studio通过TCP/IP接口传给MATLAB,MATLAB处理分析所述时间信号,得到量化指标;处理所述量化指标得到投入程度大小。
进一步地,在本发明的一个实施例中,将所述个性化刺激方案转化为需要改变的训练的参数表征,进而根据所述参数表征改变康复训练模式。
进一步地,在本发明的一个实施例中,所述智能学习子系统包括:采集数据模块,用于应用预先编程制定的初始刺激方案,并且采集所述初始刺激方案后投入状态的变化;训练学习模块,用于将初始刺激方案对于投入状态的影响用来训练一个学习系统;应用学习模块,用于利用训练好的学习系统来制定所述个性化刺激方案;更新学习模块,用于学习施加所述个性化刺激方案对于投入状态的新影响,并更新数据库。
为达到上述目的,本发明另一方面实施例提出了基于机器学习的上肢康复机器人智能训练方法,包括:当患者自身能力不足以完成康复训练任务时,利用上肢康复机器人辅助患者完成康复训练动作;通过所述上肢康复机器人、肌电采集设备和脑电采集设备分别监测患者训练时的投入程度;根据当前时刻的投入程度,学习先前施加的刺激测试对投入程度的影响,以推荐适合患者下一时刻的个性化刺激方案,改变康复训练模式;检测患者的所述投入程度是否降低,若降低则干预下一个训练进程。
本发明实施例的基于机器学习的上肢康复机器人智能训练方法,在监测患者生理心理状态并量化评价投入状态的基础上,结合机器学习技术,让康复系统自行做出决策判断,更改训练模式来提高患者的康复训练效率,不仅可以在力、运动层面模仿康复医师的手法,更可像医师专家一样根据患者情况提供智能训练处方并调动患者,保证其训练中的投入状态,适应患者状态自主提供个性化训练处方的机制,提高患者训练中的投入状态。
另外,根据本发明上述实施例的基于机器学习的上肢康复机器人智能训练方法还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述肌电采集设备和所述脑电采集设备为无线且方便穿戴的装置,以避免患者分散注意力。
进一步地,在本发明的一个实施例中,所述通过所述上肢康复机器人、肌电采集设备和脑电采集设备分别监测患者训练时的投入程度,包括:
根据所述上肢康复机器人、所述肌电采集设备和所述脑电采集设备配套的软件开发工具包采集带有时间戳的时间信号;
将所述时间信号从Visual Studio通过TCP/IP接口传给MATLAB,MATLAB处理分析所述时间信号,得到量化指标;
处理所述量化指标得到投入程度大小。
进一步地,在本发明的一个实施例中,将所述个性化刺激方案转化为需要改变的训练的参数表征,进而根据所述参数表征改变康复训练模式。
进一步地,在本发明的一个实施例中,在学习先前施加的刺激测试对投入程度的影响前,需应用预先编程制定的初始刺激方案,并且采集所述初始刺激方案后投入状态的变化,进而利用初始刺激方案对于投入状态的影响用来训练一个学习系统,再利用训练好的学习系统来制定所述个性化刺激方案。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明一个实施例的基于机器学习的上肢康复机器人智能训练系统结构示意图;
图2为根据本发明一个实施例的基于机器学习的上肢康复机器人智能训练系统软件结构图;
图3为根据本发明一个实施例的基于机器学习的上肢康复机器人智能训练系统工作流程图;
图4为根据本发明一个实施例的基于机器学习的上肢康复机器人智能训练系统中智能学习子系统工作流程图;
图5为根据本发明一个实施例的基于机器学习的上肢康复机器人智能训练方法流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的基于机器学习的上肢康复机器人智能训练系统及方法,首先将参照附图描述根据本发明实施例提出的基于机器学习的上肢康复机器人智能训练系统。
图1是本发明一个实施例的基于机器学习的上肢康复机器人智能训练系统结构示意图。
如图1所示,该基于机器学习的上肢康复机器人智能训练系统10包括:机器人辅助子系统100、投入状态监测子系统200、智能学习子系统300和提高投入状态子系统400。
其中,机器人辅助子系统100用于当患者自身能力不足以完成康复训练任务时,利用上肢康复机器人辅助患者完成康复训练动作。
具体地,对于现有的上肢康复机器人其常见的训练模式主要包括主动训练、被动训练、助动训练。其中,主动训练是康复机器人不提供任何辅助力让患者自己训练,多见于康复训练后期;被动训练是康复机器人带动患者上肢进行运动,多见于康复训练前期;助动训练是在患者上肢能力不能独自完成主动训练时,康复机器人提供合适的辅助力带动患者训练,此种模式多见于康复训练中期。也就是说,主要在助动训练的训练模式时,患者自身能力不足以完成康复训练任务,进而利用上肢康复机器人辅助患者完成康复训练动作。
进一步地,投入状态监测子系统200与机器人辅助子系统100连接,当上肢康复机器人辅助患者进行康复训练时,通过上肢康复机器人、肌电采集设备和脑电采集设备分别监测患者训练时的投入程度。
其中,康复训练中投入程度可以体现患者做康复训练时的生理心理状态,本发明实施例可以通过检测患者的投入程度来量化评价康复训练的效率。康复训练中,一般监测患者的投入程度包括运动投入度,认知投入度,情感投入度,感知投入度来综合评价训练投入程度:
(1)运动投入程度
用采用肌电信号(EMG)的均方根值(RMS)与运动速度的比值表征患者运动层面的参与程度。
Em=EMGRms/v
(2)认知投入程度
监测脑电波(EEG)信号来评价患者的认知专注度。用于监测认知专注度的脑电变量包括降低的alpha信号,升高的beta信号,升高的theta信号以及它们之间的比值。用下面公式表示康复训练过程中的专注度。
(3)感知投入程度
采用训练对象眼睛焦点与屏幕上移动物体之间的距离表征感知上的投入程度。
Ep=d(gaze,screen changes)
(4)情感投入程度
根据用户主体的面部表情监测,采用积极的情感为主要情感的持续时间与消极情感为主要情感的持续时间的比值表征情感投入程度。
Ee=Tpositive/Tnegative
进一步地,在本发明的一个实施例中,肌电采集设备和脑电采集设备为无线且方便穿戴的装置,以避免患者分散注意力。
进一步地,在本发明的一个实施例中,通过上肢康复机器人、肌电采集设备和脑电采集设备分别监测患者训练时的投入程度,包括:根据上肢康复机器人、肌电采集设备和脑电采集设备配套的软件开发工具包采集带有时间戳的时间信号;将时间信号从VisualStudio通过TCP/IP接口传给MATLAB,MATLAB处理分析时间信号,得到量化指标;处理量化指标得到投入程度大小。
进一步地,智能学习子系统300分别与提高投入状态子系统400和投入状态监测子系统200连接,用于根据当前时刻的投入程度,学习先前施加的刺激测试对投入程度的影响,以推荐适合患者下一时刻的个性化刺激方案,改变康复训练模式。
也就是说,智能学习子系统可以根据学习先前施加的刺激对于患者投入程度的的影响从而推荐最适合该患者在该时刻的个性化刺激方案。
需要说明的是,智能学习子系统的目的是根据患者的生理心理状态提供最适宜的刺激方式从而保持患者训练时高的投入程度。智能学习系统采用机器学习里面的监督式学习可以用来探索不同刺激方式和投入状态变化之间的隐藏结构关系,但该数据可以用输入(投入状态变化)和输出(刺激方式以及其对应参数)而准确表征。
进一步地,在本发明的一个实施例中,智能学习子系统300包括:采集数据模块301,用于应用预先编程制定的初始刺激方案,并且采集初始刺激方案后投入状态的变化;训练学习模块302,用于将初始刺激方案对于投入状态的影响用来训练一个学习系统;应用学习模块303,用于利用训练好的学习系统来制定个性化刺激方案;更新学习模块304,用于学习施加个性化刺激方案对于投入状态的新影响,并更新数据库。
也就是说,如图2所示,智能学习子系统300总共分为四个阶段,即采集数据模块301,训练学习模块302,应用学习模块303以及更新学习模块304。为采集数据,系统在采集数据模块301应用预先编程制定的刺激方案,并且采集应用刺激方案后投入状态的变化。训练学习模块302,利用已知的刺激方案对于投入状态的影响将用来训练一个学习系统。应用学习模块303用训练好的学习系统制定个性化的刺激方案。最后,更新学习模块304将学习施加刺激方案对于投入状态新的影响,并且更新学习系统中的数据库。
需要说明的是,学习系统采用分类的学习模式,即系统的输入可以被映射为两种或更多类别的输出。输出不同的刺激方式,每一个类别都代表一种刺激方式。学习系统学习不同刺激方式与投入状态变化之间的关系,之后对于不同情况下最适宜的刺激方式做出辅助决策。根据决策制定的刺激方案,训练参数进行相应改变。
第一阶段,学习系统采用一个直接对应的方式施加刺激,比如患者的运动投入度降低了,那么系统将会施加运动层面的刺激,比如不同的训练模式或者更高的运动难度。当训练参数改变后,患者需要适应训练中的变化。这些变化可以起到刺激患者参与以及重新吸引患者的作用,从而使患者保持一个高的参与度。因此,当施加刺激时,投入状态的变化将会作为该刺激方式产生的影响而记录下来。
第二个阶段,第一阶段采集的数据将会被用来训练一个学习系统。此时学习系统的输入为患者的档案以及投入状态的变化,输出为刺激方式的种类。该学习系统学习患者档案的原因就是当不同的患者使用该系统时,学习系统可以选择之前对此类患者施加过并且被证实有效的刺激方式。对于相似的患者档案,学习系统主要考虑投入状态的想达到的指标从而选择刺激方式。
第三阶段,投入状态的变化目标和患者档案作为学习系统的输入,训练后的学习系统将会根据输入对最适宜的刺激方式做出辅助决策。目标的投入状态变化指提高之前训练中降低的投入状态分量,如运动投入度或者认知投入度。当系统施加刺激后,患者的运动投入度与者认知投入度会产生一个实际变化,可能与目标变化不同。
第四阶段,投入状态的实际变化将被记录下来,新数据与之前采集的数据一起对机器学习机制重新进行训练,以便智能学习子系统更好的掌握不同刺激方式对患者影响的规律,之后能够提供更精准、有效的辅助决策。
需要说明的是,智能学习子系统的实现形式主要包括用监督学习里的多层感知器神经网络、K最邻近结点算法、线性判别式分析算法、朴素贝叶斯算法等来进行模式识别,其中,各算法存在各自的优缺点。
举例说明其中一种方法
基本思路为:给定新样本之后,选择训练集中距新样本最近的K个样本,也就是与新样本最相似的K个样本,新样本的类别就可以由这K个样本的类别决定。
实现基本步骤为:
根据特征项集合描述训练样本集的向量;
在新样本到达后,提取特征,确定新样本的特征向量表示;
在训练集中选出与新样本最相似的K个样本:
计算距新样本最近的K个样本被分到每类的权重:
比较类的权重,将样本分到权重最大的那个类别中。
进一步地,提高投入状态子系统400与机器人辅助子系统100连接,用于检测患者的投入程度是否降低,若降低则干预下一个训练进程。
也就是说,当患者的投入程度降低时,系统将会干预下一个训练进程,若不降低,则不干预。系统的干预方案可以提高患者训练时的投入程度,干预方案可以被看作是运动层面的刺激,主要包括康复训练模式的改变。
综上,如图3所示,系统的运行流程为:利用上肢康复机器人辅助患者完成康复训练动作时,首先监测患者的投入程度,如果系统发现患者的投入程度有所降低,系统将会通过施加刺激方案的方式去保持患者高的投入状态。然后,智能学习子系统将会学习施加的刺激方案与监测到的患者生理心理参数变化间的关系。下一阶段,当系统再次发现投入程度下降时,智能学习子系统可以作为一个虚拟的康复医师做出决策。刺激方案通过提高投入状态子系统改变训练模式或者运动难度实现。每次训练结束后,系统将会评价所施加的刺激方案的有效性,并且对智能学习子系统所学习到的刺激方案对不同患者训练时投入程度的影响做出更新。
如图4所示,下面从系统架构主要的四个层次,即硬件层,软件层,信息层以及服务层,对本发明实施例的基于机器学习的上肢康复机器人智能训练系统中各子系统做进一步说明。
最低的硬件层包括商业化的生理信号采集设备。除了功能性的要求,选择信号采集设备要求采集设备是无线的并且穿戴方便,使使患者不容易分散注意力,尽量价格较低可以让该系统更容易被广泛接受。
软件层主要包括与商业硬件设备配套的软件开发工具包(SDK),工具包可以用来采集带有时间戳的信号,信号从Visual Studio通过TCP/IP接口传到MATLAB,并在MATLAB中处理分析,根据量化指标计算得到投入程度大小。
信息层包括患者参与度以及专注度的数据记录,个人信息档案,刺激方式以及已经学习到的知识。
服务层包括智能化处方系统的输出,即最适宜的刺激方式。该层是与机器人辅助系统的接口,并且可以将这些刺激方式转化成需要改变的训练的参数表征,例如机器人的辅助力大小、移动范围大小、运动难度等。
根据本发明实施例提出的基于机器学习的上肢康复机器人智能训练系统,通过实时监测患者上肢康复训练的生理状态,让康复系统自行做出决策判断,更改训练模式来提高患者的康复训练效率,不仅可以在力、运动层面模仿康复医师的手法,更可像医师专家一样根据患者情况提供智能训练处方并调动患者,保证其训练中的投入状态,适应患者状态自主提供个性化训练处方的机制,提高患者训练中的投入状态。
其次参照附图描述根据本发明实施例提出的基于机器学习的上肢康复机器人智能训练方法。
图5是本发明一个实施例的基于机器学习的上肢康复机器人智能训练方法流程图。
如图5所示,该基于机器学习的上肢康复机器人智能训练方法包括以下步骤:
在步骤S501中,当患者自身能力不足以完成康复训练任务时,利用上肢康复机器人辅助患者完成康复训练动作。
在步骤S502中,通过上肢康复机器人、肌电采集设备和脑电采集设备分别监测患者训练时的投入程度。
进一步地,在本发明的一个实施例中,肌电采集设备和脑电采集设备为无线且方便穿戴的装置,以避免患者分散注意力。。
进一步地,在本发明的一个实施例中,通过上肢康复机器人、肌电采集设备和脑电采集设备分别监测患者训练时的投入程度,包括:
根据上肢康复机器人、肌电采集设备和脑电采集设备配套的软件开发工具包采集带有时间戳的时间信号;
将时间信号从Visual Studio通过TCP/IP接口传给MATLAB,MATLAB处理分析时间信号,得到量化指标;
处理量化指标得到投入程度大小。
在步骤S503中,根据当前时刻的投入程度,学习先前施加的刺激测试对投入程度的影响,以推荐适合患者下一时刻的个性化刺激方案,改变康复训练模式。
进一步地,在本发明的一个实施例中,将个性化刺激方案转化为需要改变的训练的参数表征,进而根据参数表征改变康复训练模式。
在步骤S504中,检测患者的投入程度是否降低,若降低则干预下一个训练进程。
进一步地,在本发明的一个实施例中,在学习先前施加的刺激测试对投入程度的影响前,需应用预先编程制定的初始刺激方案,并且采集初始刺激方案后投入状态的变化,进而利用初始刺激方案对于投入状态的影响用来训练一个学习系统,再利用训练好的学习系统来制定个性化刺激方案。
根据本发明实施例提出的基于机器学习的上肢康复机器人智能训练方法,通过实时监测患者上肢康复训练的生理状态,让康复系统自行做出决策判断,更改训练模式来提高患者的康复训练效率,不仅可以在力、运动层面模仿康复医师的手法,更可像医师专家一样根据患者情况提供智能训练处方并调动患者,保证其训练中的投入状态,适应患者状态自主提供个性化训练处方的机制,提高患者训练中的投入状态。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于机器学习的上肢康复机器人智能训练系统,其特征在于,包括:机器人辅助子系统、投入状态监测子系统、智能学习子系统和提高投入状态子系统,其中
所述机器人辅助子系统用于当患者自身能力不足以完成康复训练任务时,利用上肢康复机器人辅助患者完成康复训练动作;
所述投入状态监测子系统与所述机器人辅助子系统连接,当所述上肢康复机器人辅助患者进行康复训练时,通过所述上肢康复机器人、肌电采集设备和脑电采集设备分别监测患者训练时的投入程度;
所述智能学习子系统分别与所述提高投入状态子系统和所述投入状态监测子系统连接,用于根据当前时刻的投入程度,学习先前施加的刺激测试对投入程度的影响,以推荐适合患者下一时刻的个性化刺激方案,改变康复训练模式;以及
所述提高投入状态子系统与所述机器人辅助子系统连接,用于检测患者的所述投入程度是否降低,若降低则干预下一个训练进程。
2.根据权利要求1所述的基于机器学习的上肢康复机器人智能训练系统,其特征在于,所述肌电采集设备和所述脑电采集设备为无线且方便穿戴的装置,以避免患者分散注意力。
3.根据权利要求1所述的基于机器学习的上肢康复机器人智能训练系统,其特征在于,所述通过所述上肢康复机器人、肌电采集设备和脑电采集设备分别监测患者训练时的投入程度,包括:
根据所述上肢康复机器人、所述肌电采集设备和所述脑电采集设备配套的软件开发工具包采集带有时间戳的时间信号;
将所述时间信号从Visual Studio通过TCP/IP接口传给MATLAB,MATLAB处理分析所述时间信号,得到量化指标;
处理所述量化指标得到投入程度大小。
4.根据权利要求1所述的基于机器学习的上肢康复机器人智能训练系统,其特征在于,将所述个性化刺激方案转化为需要改变的训练的参数表征,进而根据所述参数表征改变康复训练模式。
5.根据权利要求1所述的基于机器学习的上肢康复机器人智能训练系统,其特征在于,所述智能学习子系统包括:
采集数据模块,用于应用预先编程制定的初始刺激方案,并且采集所述初始刺激方案后投入状态的变化;
训练学习模块,用于将初始刺激方案对于投入状态的影响用来训练一个学习系统;
应用学习模块,用于利用训练好的学习系统来制定所述个性化刺激方案;
更新学习模块,用于学习施加所述个性化刺激方案对于投入状态的新影响,并更新数据库。
6.一种基于机器学习的上肢康复机器人智能训练方法,采用上述权利要求1-5的基于机器学习的上肢康复机器人智能训练系统中任一项,其特征在于,包括以下步骤:
当患者自身能力不足以完成康复训练任务时,利用上肢康复机器人辅助患者完成康复训练动作;
通过所述上肢康复机器人、肌电采集设备和脑电采集设备分别监测患者训练时的投入程度;
根据当前时刻的投入程度,学习先前施加的刺激测试对投入程度的影响,以推荐适合患者下一时刻的个性化刺激方案,改变康复训练模式;以及
检测患者的所述投入程度是否降低,若降低则干预下一个训练进程。
7.根据权利要求6所述的基于机器学习的上肢康复机器人智能训练方法,其特征在于,所述肌电采集设备和所述脑电采集设备为无线且方便穿戴的装置,以避免患者分散注意力。
8.根据权利要求6所述的基于机器学习的上肢康复机器人智能训练方法,其特征在于,所述通过所述上肢康复机器人、肌电采集设备和脑电采集设备分别监测患者训练时的投入程度,包括:
根据所述上肢康复机器人、所述肌电采集设备和所述脑电采集设备配套的软件开发工具包采集带有时间戳的时间信号;
将所述时间信号从Visual Studio通过TCP/IP接口传给MATLAB,MATLAB处理分析所述时间信号,得到量化指标;
处理所述量化指标得到投入程度大小。
9.根据权利要求6所述的基于机器学习的上肢康复机器人智能训练方法,其特征在于,将所述个性化刺激方案转化为需要改变的训练的参数表征,进而根据所述参数表征改变康复训练模式。
10.根据权利要求6所述的基于机器学习的上肢康复机器人智能训练方法,其特征在于,在学习先前施加的刺激测试对投入程度的影响前,需应用预先编程制定的初始刺激方案,并且采集所述初始刺激方案后投入状态的变化,进而利用初始刺激方案对于投入状态的影响用来训练一个学习系统,再利用训练好的学习系统来制定所述个性化刺激方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911261468.5A CN110931104A (zh) | 2019-12-10 | 2019-12-10 | 基于机器学习的上肢康复机器人智能训练系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911261468.5A CN110931104A (zh) | 2019-12-10 | 2019-12-10 | 基于机器学习的上肢康复机器人智能训练系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110931104A true CN110931104A (zh) | 2020-03-27 |
Family
ID=69858734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911261468.5A Pending CN110931104A (zh) | 2019-12-10 | 2019-12-10 | 基于机器学习的上肢康复机器人智能训练系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110931104A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113178241A (zh) * | 2021-05-25 | 2021-07-27 | 广州科安康复专用设备有限公司 | 一种vr康复训练系统 |
CN113577658A (zh) * | 2021-08-09 | 2021-11-02 | 南开大学 | 一种变阻抗力矩骑行训练装置 |
CN113889223A (zh) * | 2021-10-25 | 2022-01-04 | 合肥工业大学 | 一种基于计算机视觉的手势识别康复系统 |
CN115870989A (zh) * | 2022-12-30 | 2023-03-31 | 重庆电子工程职业学院 | 基于pvdf凝胶基机器人柔性关节的评价系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109199786A (zh) * | 2018-07-26 | 2019-01-15 | 北京机械设备研究所 | 一种基于双向神经接口的下肢康复机器人 |
US20190183713A1 (en) * | 2016-08-24 | 2019-06-20 | Cyberdyne Inc. | Biological activity detection apparatus and biological activity detection system |
CN110251148A (zh) * | 2019-06-05 | 2019-09-20 | 南京邮电大学 | 一种基于模糊情绪识别的机器人辅助康复控制方法 |
-
2019
- 2019-12-10 CN CN201911261468.5A patent/CN110931104A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190183713A1 (en) * | 2016-08-24 | 2019-06-20 | Cyberdyne Inc. | Biological activity detection apparatus and biological activity detection system |
CN109199786A (zh) * | 2018-07-26 | 2019-01-15 | 北京机械设备研究所 | 一种基于双向神经接口的下肢康复机器人 |
CN110251148A (zh) * | 2019-06-05 | 2019-09-20 | 南京邮电大学 | 一种基于模糊情绪识别的机器人辅助康复控制方法 |
Non-Patent Citations (1)
Title |
---|
李翀: "基于机器人辅助神经康复的患者训练参与度与专注度研究", 《中国博士学位论文全文数据库》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113178241A (zh) * | 2021-05-25 | 2021-07-27 | 广州科安康复专用设备有限公司 | 一种vr康复训练系统 |
CN113577658A (zh) * | 2021-08-09 | 2021-11-02 | 南开大学 | 一种变阻抗力矩骑行训练装置 |
CN113889223A (zh) * | 2021-10-25 | 2022-01-04 | 合肥工业大学 | 一种基于计算机视觉的手势识别康复系统 |
CN115870989A (zh) * | 2022-12-30 | 2023-03-31 | 重庆电子工程职业学院 | 基于pvdf凝胶基机器人柔性关节的评价系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110931104A (zh) | 基于机器学习的上肢康复机器人智能训练系统及方法 | |
Cesqui et al. | EMG-based pattern recognition approach in post stroke robot-aided rehabilitation: a feasibility study | |
Jiang et al. | Extracting simultaneous and proportional neural control information for multiple-DOF prostheses from the surface electromyographic signal | |
Bunderson et al. | Quantification of feature space changes with experience during electromyogram pattern recognition control | |
Gohel et al. | Review on electromyography signal acquisition and processing | |
CN103764021A (zh) | 一种用于协同神经-生理学修复和/或功能提升的系统、仪器、装置和方法 | |
RU2738197C2 (ru) | Система и способ формирования команд управления на основании биоэлектрических данных оператора | |
Jaber et al. | HD-sEMG gestures recognition by SVM classifier for controlling prosthesis | |
EP4000578A1 (en) | Neurorehabilitation system and method for neurorehabilitation | |
Medina et al. | Control of a hybrid upper-limb orthosis device based on a data-driven artificial neural network classifier of electromyography signals | |
Scano et al. | Robotic assistance for upper limbs may induce slight changes in motor modules compared with free movements in stroke survivors: a cluster-based muscle synergy analysis | |
Shair et al. | Finger movement discrimination of EMG signals towards improved prosthetic control using TFD | |
KR100994408B1 (ko) | 손가락 힘 추정 방법 및 추정 장치, 손가락 힘 추정을 위한근육 판별 방법 및 근육 판별 장치 | |
Wang et al. | Research progress of rehabilitation exoskeletal robot and evaluation methodologies based on bioelectrical signals | |
Guo et al. | A novel fuzzy neural network-based rehabilitation stage classifying method for the upper limb rehabilitation robotic system | |
Akhmadeev et al. | SVM-based tool to detect patients with multiple sclerosis using a commercial EMG sensor | |
Li et al. | Inter-subject variability evaluation of continuous elbow angle from sEMG using BPNN | |
Deniz et al. | Prediction of Lifted Weight Category Using EEG Equipped Headgear | |
WO2023240748A1 (zh) | 基于博弈论和sEMG的上肢康复机器人自适应控制方法及系统 | |
Mudiyanselage | A study of controlling upper-limb exoskeletons using EMG and EEG signals | |
Li et al. | Assistance level quantification-based human-robot interaction space reshaping for rehabilitation training | |
Hortal et al. | Starting and finishing gait detection using a BMI for spinal cord injury rehabilitation | |
CN112085169B (zh) | 肢体外骨骼辅助康复脑-肌电融合感知的自主学习与进化方法 | |
Zarshenas | EMG-Informed Estimation of Human Walking Dynamics for Assistive Robots | |
CN112043268B (zh) | 一种基于康复运动主动性参与判定的上肢康复评价方法 |
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: 20200327 |