CN112137844A - 复健辅助系统、推断装置、学习装置、方法及存储介质 - Google Patents
复健辅助系统、推断装置、学习装置、方法及存储介质 Download PDFInfo
- Publication number
- CN112137844A CN112137844A CN202010474968.3A CN202010474968A CN112137844A CN 112137844 A CN112137844 A CN 112137844A CN 202010474968 A CN202010474968 A CN 202010474968A CN 112137844 A CN112137844 A CN 112137844A
- Authority
- CN
- China
- Prior art keywords
- data
- rehabilitation
- walking
- trainer
- learning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003860 storage Methods 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 117
- 238000010801 machine learning Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 279
- 230000002159 abnormal effect Effects 0.000 claims description 113
- 230000033001 locomotion Effects 0.000 claims description 96
- 238000011156 evaluation Methods 0.000 claims description 52
- 230000006870 function Effects 0.000 claims description 26
- 238000005259 measurement Methods 0.000 claims description 22
- 230000009471 action Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 3
- 210000002414 leg Anatomy 0.000 description 104
- 238000004891 communication Methods 0.000 description 42
- 238000012545 processing Methods 0.000 description 30
- 238000010586 diagram Methods 0.000 description 26
- 238000011084 recovery Methods 0.000 description 25
- 230000008859 change Effects 0.000 description 23
- 210000004394 hip joint Anatomy 0.000 description 23
- 230000001681 protective effect Effects 0.000 description 22
- 206010033799 Paralysis Diseases 0.000 description 21
- 210000003127 knee Anatomy 0.000 description 21
- 210000002683 foot Anatomy 0.000 description 19
- 210000000689 upper leg Anatomy 0.000 description 18
- 238000007726 management method Methods 0.000 description 16
- 210000003423 ankle Anatomy 0.000 description 14
- 230000008569 process Effects 0.000 description 14
- 210000001699 lower leg Anatomy 0.000 description 12
- 208000024891 symptom Diseases 0.000 description 12
- 210000000629 knee joint Anatomy 0.000 description 11
- 238000004804 winding Methods 0.000 description 11
- 230000005021 gait Effects 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 9
- 230000008878 coupling Effects 0.000 description 8
- 238000010168 coupling process Methods 0.000 description 8
- 238000005859 coupling reaction Methods 0.000 description 8
- 238000013500 data storage Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 230000001133 acceleration Effects 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 6
- 208000006011 Stroke Diseases 0.000 description 5
- 210000000544 articulatio talocruralis Anatomy 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 230000015654 memory Effects 0.000 description 5
- 230000036961 partial effect Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 230000037396 body weight Effects 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 210000001364 upper extremity Anatomy 0.000 description 4
- 210000001015 abdomen Anatomy 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 3
- 238000005452 bending Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 210000003141 lower extremity Anatomy 0.000 description 3
- 206010019468 Hemiplegia Diseases 0.000 description 2
- 101100521334 Mus musculus Prom1 gene Proteins 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 208000026106 cerebrovascular disease Diseases 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 210000001624 hip Anatomy 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000035807 sensation Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000004580 weight loss Effects 0.000 description 2
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 1
- 206010018985 Haemorrhage intracranial Diseases 0.000 description 1
- 208000008574 Intracranial Hemorrhages Diseases 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 208000032851 Subarachnoid Hemorrhage Diseases 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 210000003489 abdominal muscle Anatomy 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 244000309466 calf Species 0.000 description 1
- 206010008118 cerebral infarction Diseases 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 201000006618 congenital myasthenic syndrome 6 Diseases 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 238000002171 field ion microscopy Methods 0.000 description 1
- 238000012059 flow imaging microscopy Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 208000020431 spinal cord injury Diseases 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 210000002303 tibia Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
- A61B5/1128—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique using image analysis
-
- 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
- A61B5/1036—Measuring load distribution, e.g. podologic studies
- A61B5/1038—Measuring plantar pressure during gait
-
- 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
- A61B5/1116—Determining posture transitions
- A61B5/1117—Fall detection
-
- 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
- A61B5/103—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
- A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
-
- 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
- A61B5/1124—Determining motor skills
-
- 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
- A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H1/00—Apparatus for passive exercising; Vibrating apparatus; Chiropractic devices, e.g. body impacting devices, external devices for briefly extending or aligning unbroken bones
- A61H1/02—Stretching or bending or torsioning apparatus for exercising
- A61H1/0218—Drawing-out devices
- A61H1/0229—Drawing-out devices by reducing gravity forces normally applied to the body, e.g. by lifting or hanging the body or part of it
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H1/00—Apparatus for passive exercising; Vibrating apparatus; Chiropractic devices, e.g. body impacting devices, external devices for briefly extending or aligning unbroken bones
- A61H1/02—Stretching or bending or torsioning apparatus for exercising
- A61H1/0237—Stretching or bending or torsioning apparatus for exercising for the lower limbs
- A61H1/024—Knee
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H1/00—Apparatus for passive exercising; Vibrating apparatus; Chiropractic devices, e.g. body impacting devices, external devices for briefly extending or aligning unbroken bones
- A61H1/02—Stretching or bending or torsioning apparatus for exercising
- A61H1/0237—Stretching or bending or torsioning apparatus for exercising for the lower limbs
- A61H1/0244—Hip
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H1/00—Apparatus for passive exercising; Vibrating apparatus; Chiropractic devices, e.g. body impacting devices, external devices for briefly extending or aligning unbroken bones
- A61H1/02—Stretching or bending or torsioning apparatus for exercising
- A61H1/0237—Stretching or bending or torsioning apparatus for exercising for the lower limbs
- A61H1/0255—Both knee and hip of a patient, e.g. in supine or sitting position, the feet being moved together in a plane substantially parallel to the body-symmetrical plane
- A61H1/0262—Walking movement; Appliances for aiding disabled persons to walk
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H3/00—Appliances for aiding patients or disabled persons to walk about
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H3/00—Appliances for aiding patients or disabled persons to walk about
- A61H3/008—Appliances for aiding patients or disabled persons to walk about using suspension devices for supporting the body in an upright walking or standing position, e.g. harnesses
-
- 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
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2505/00—Evaluating, monitoring or diagnosing in the context of a particular type of medical care
- A61B2505/09—Rehabilitation or training
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H3/00—Appliances for aiding patients or disabled persons to walk about
- A61H2003/005—Appliances for aiding patients or disabled persons to walk about with knee, leg or stump rests
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H3/00—Appliances for aiding patients or disabled persons to walk about
- A61H2003/007—Appliances for aiding patients or disabled persons to walk about secured to the patient, e.g. with belts
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H2201/00—Characteristics of apparatus not provided for in the preceding codes
- A61H2201/01—Constructive details
- A61H2201/0173—Means for preventing injuries
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H2201/00—Characteristics of apparatus not provided for in the preceding codes
- A61H2201/01—Constructive details
- A61H2201/0173—Means for preventing injuries
- A61H2201/0176—By stopping operation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H2201/00—Characteristics of apparatus not provided for in the preceding codes
- A61H2201/12—Driving means
- A61H2201/1207—Driving means with electric or magnetic drive
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H2201/00—Characteristics of apparatus not provided for in the preceding codes
- A61H2201/14—Special force transmission means, i.e. between the driving means and the interface with the user
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H2201/00—Characteristics of apparatus not provided for in the preceding codes
- A61H2201/16—Physical interface with patient
- A61H2201/1602—Physical interface with patient kind of interface, e.g. head rest, knee support or lumbar support
- A61H2201/1628—Pelvis
- A61H2201/163—Pelvis holding means therefor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H2201/00—Characteristics of apparatus not provided for in the preceding codes
- A61H2201/16—Physical interface with patient
- A61H2201/1602—Physical interface with patient kind of interface, e.g. head rest, knee support or lumbar support
- A61H2201/164—Feet or leg, e.g. pedal
- A61H2201/1642—Holding means therefor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H2201/00—Characteristics of apparatus not provided for in the preceding codes
- A61H2201/16—Physical interface with patient
- A61H2201/1602—Physical interface with patient kind of interface, e.g. head rest, knee support or lumbar support
- A61H2201/165—Wearable interfaces
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H2201/00—Characteristics of apparatus not provided for in the preceding codes
- A61H2201/50—Control means thereof
- A61H2201/5007—Control means thereof computer controlled
- A61H2201/501—Control means thereof computer controlled connected to external computer devices or networks
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H2201/00—Characteristics of apparatus not provided for in the preceding codes
- A61H2201/50—Control means thereof
- A61H2201/5023—Interfaces to the user
- A61H2201/5041—Interfaces to the user control is restricted to certain individuals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H2201/00—Characteristics of apparatus not provided for in the preceding codes
- A61H2201/50—Control means thereof
- A61H2201/5023—Interfaces to the user
- A61H2201/5043—Displays
- A61H2201/5046—Touch screens
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H2201/00—Characteristics of apparatus not provided for in the preceding codes
- A61H2201/50—Control means thereof
- A61H2201/5058—Sensors or detectors
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H2201/00—Characteristics of apparatus not provided for in the preceding codes
- A61H2201/50—Control means thereof
- A61H2201/5058—Sensors or detectors
- A61H2201/5061—Force sensors
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H2201/00—Characteristics of apparatus not provided for in the preceding codes
- A61H2201/50—Control means thereof
- A61H2201/5058—Sensors or detectors
- A61H2201/5069—Angle sensors
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H2201/00—Characteristics of apparatus not provided for in the preceding codes
- A61H2201/50—Control means thereof
- A61H2201/5097—Control means thereof wireless
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H2205/00—Devices for specific parts of the body
- A61H2205/10—Leg
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H2230/00—Measuring physical parameters of the user
- A61H2230/62—Posture
- A61H2230/625—Posture used as a control parameter for the apparatus
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Physical Education & Sports Medicine (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Pain & Pain Management (AREA)
- Rehabilitation Therapy (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physiology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Geometry (AREA)
- Rehabilitation Tools (AREA)
Abstract
本发明涉及复健辅助系统、推断装置、学习装置、方法及存储介质。学习装置具备:数据取得部,构成为取得来自复健辅助装置的复健数据,复健辅助装置具备构成为辅助训练者的复健动作的促动器和构成为对与由促动器辅助的上述复健动作相关的数据进行检测的传感器;数据生成部,构成为生成包含表示与传感器的检测结果对应的检测数据的复健数据作为学习用数据;以及学习部,构成为通过使用学习用数据进行机器学习来生成学习模型,该学习模型将检测数据作为输入而输出表示训练者的动作能力的指标。
Description
技术领域
本公开涉及复健辅助系统、推断装置、学习装置、方法以及存储介质。
背景技术
公知有一种为了进行针对跌倒的规避行动而在对象人安装用于检测运动状态的多关节构造体来检测跌倒开始的技术。(例如参照日本特开2010-22439)。
在患者(以下,称为训练者)进行复健锻炼的情况下,表示训练者的恢复度的指标有FIM(Functional Independence Measure:功能的独立性评价表)。例如,针对腿瘫痪的患者的步行训练,使用平地步行FIM作为表示恢复度的指标。FIM根据帮助量而用1~7的7个阶段的值表示。并且,平地步行FIM表示训练者的步行能力、即动作能力。
平地步行FIM(以下,简称为步行FIM)例如根据训练者在平地步行50m(此外,也存在步行距离为15m等的情况)时的帮助量来进行评价。即,通过评价训练者在平地步行50m时的帮助量来进行步行FIM的测定。然而,对于帮助量大的训练者,由于无法频繁地进行步行FIM的测定,所以存在无法恰当地评价动作能力这一问题点。
例如,为了测定步行FIM,训练者必须在50m以上的平地移动。因此,在场所受限的医院等中,存在训练者难以移动至测定场所的情况。并且,在训练中,需要物理治疗师等训练工作人员时常进行帮助。因此,存在无法频繁地测定表示动作能力的指标、无法恰当地评价指标这一问题点。并且,为了评价平地步行时帮助者的帮助量,存在根据帮助者(训练工作人员)不同而导致步行FIM的打分不一致的担忧。
发明内容
本公开提供用于恰当地评价动作能力的学习装置、推断装置、复健辅助系统、方法以及存储介质。
本发明的复健辅助系统所涉及的第一方式具备:促动器,构成为辅助训练者的复健动作;传感器,构成为对与由上述促动器辅助的上述复健动作相关的数据进行检测;以及存储介质,存储学习完毕模型,该学习完毕模型将与上述传感器中的检测结果对应的检测数据作为输入而输出对不使用上述促动器的情况下的上述训练者的动作能力进行表示的指标。
上述的复健辅助系统可以是用于进行上述训练者的步行训练的步行训练系统,上述促动器用于辅助上述训练者的步行动作,上述指标是不使用上述促动器的情况下的上述训练者的步行能力的推断值。
在上述的复健辅助系统中,上述传感器可以为了检测上述训练者的步行动作中的多个动作量而设置,在上述动作量的至少一个与预先决定的异常步行基准中的任一个一致的情况下,上述复健辅助系统评价为上述步行动作是异常步行,上述检测数据包含是否是上述异常步行的评价结果。
在上述的复健辅助系统中,上述学习完毕模型可以将与上述促动器的设定相关的设定参数作为输入而输出上述指标。
在上述的复健辅助系统中,上述学习完毕模型可以将与上述训练者相关的训练者数据作为输入而输出上述指标。
在上述的复健辅助系统中,上述促动器可以辅助多个训练者的复健动作。可以根据与上述训练者相关的训练者数据将上述多个训练者分类成组,按每个上述组来设定不同的上述学习完毕模型。
本发明的推断装置所涉及的第二方式是对利用复健辅助装置进行复健的训练者的动作能力进行推断的推断装置。上述推断装置具备:数据取得部,构成为取得与上述训练者的复健相关的复健数据;和推断部,构成为基于上述复健数据来推断上述动作能力,上述复健辅助装置具备:促动器,构成为辅助上述训练者的复健动作;和传感器,构成为对与由上述促动器辅助的上述复健动作相关的数据进行检测。上述复健数据包含与上述传感器中的检测结果对应的检测数据,在上述推断部中使用学习完毕模型,该学习完毕模型将上述检测数据作为输入而输出对不使用上述促动器的情况下的上述动作能力进行表示的指标。
本发明的推断方法所涉及的第三方式是对利用复健辅助装置进行复健的训练者的动作能力进行推断的推断方法。上述推断方法具备如下步骤:取得与上述训练者的复健相关的复健数据;和基于上述复健数据来推断上述动作能力。上述复健辅助装置具备:促动器,构成为辅助上述训练者的复健动作;和传感器,对与由上述促动器辅助的上述复健动作相关的数据进行检测,上述复健数据包含与上述传感器中的检测结果对应的检测数据,在推断上述动作能力时使用学习完毕模型,该学习完毕模型将上述检测数据作为输入而输出对不使用上述促动器的情况下的上述动作能力进行表示的指标。
本发明的存储介质所涉及的第四方式存储能够由一个或者多个处理器执行且使上述一个或者多个处理器执行上述的推断方法的命令。
本发明的学习装置所涉及的第五方式具备:数据取得部,取得来自复健辅助装置的复健数据,该复健辅助装置具备构成为辅助训练者的复健动作的促动器、和构成为对与由上述促动器辅助的上述复健动作相关的数据进行检测的传感器;数据生成部,构成为生成包含表示上述训练者的动作能力的指标和与上述传感器中的检测结果对应的检测数据的复健数据作为学习用数据;以及学习部,构成为通过使用上述学习用数据进行机器学习来生成学习模型,该学习模型将上述检测数据作为输入而输出对不使用上述促动器的情况下的上述训练者的动作能力进行表示的指标。
在上述的学习装置中,上述复健辅助装置可以是用于进行上述训练者的步行训练的步行训练装置,上述促动器用于辅助上述训练者的步行动作,上述复健数据包含不使用上述促动器的情况下的上述训练者的步行能力的实测值作为表示上述训练者的动作能力的指标,上述学习部将上述步行能力的实测值作为教导数据来进行学习。
在上述的学习装置中,上述传感器可以为了检测上述训练者的步行动作中的多个动作量而设置,在上述动作量的至少一个与预先决定的异常步行基准中的任一个一致的情况下,上述复健辅助装置评价为上述步行动作是异常步行,上述复健数据包含是否是上述异常步行的评价结果作为上述检测数据。
在上述的学习装置中,上述数据取得部可以取得与上述促动器的设定相关的设定参数作为上述复健数据,上述学习部生成将上述设定参数作为输入而输出上述指标的学习模型。
在上述的学习装置中,上述学习部可以生成将与上述训练者相关的训练者数据作为输入而输出上述指标的学习模型。
在上述的学习装置中,上述促动器可以辅助多个训练者的复健动作。可以根据与上述训练者相关的训练者数据将上述多个训练者分类成组,上述学习部按每个上述组生成不同的上述学习模型。
本发明的存储介质所涉及的第六方式是存储学习完毕模型的存储介质,该学习完毕模型能够由一个或者多个处理器执行且用于使上述一个或者多个处理器以基于由复健辅助装置取得的评价用复健数据来推断上述训练者的动作能力的方式发挥功能,上述学习完毕模型是由上述的学习装置生成的学习模型。
在上述的学习完毕模型中,可以将上述检测数据与上述指标建立关联而学习。
本发明的学习方法所涉及的第七方式具备如下步骤:取得来自复健辅助装置的复健数据,该复健辅助装置具备构成为辅助训练者的复健动作的促动器、和构成为检测与由上述促动器辅助的上述复健动作相关的数据的传感器;生成包含表示上述训练者的动作能力的指标和与上述传感器中的检测结果对应的检测数据的复健数据作为学习用数据;以及通过使用上述学习用数据进行机器学习来生成学习模型,该学习模型将上述检测数据作为输入而输出对不使用上述促动器的情况下的上述训练者的动作能力进行表示的指标。
本发明的存储介质所涉及的第八方式存储能够由一个或者多个处理器执行且使上述一个或者多个处理器执行上述的学习方法的命令。
本发明的复健辅助系统的动作方法所涉及的第九方式是具备对训练者的复健动作进行辅助的促动器和检测与由上述促动器辅助的上述复健动作相关的数据的传感器的复健辅助系统的动作方法。上述复健辅助系统的动作方法具备如下步骤:取得与上述传感器中的检测结果对应的检测数据;和将上述检测数据作为输入而输出对不使用上述促动器的情况下的上述训练者的动作能力进行表示的指标。
根据本公开的各方式,能够提供用于恰当地评价动作能力的复健辅助系统、推断装置、学习装置、方法以及存储介质。
附图说明
以下,参照附图对本发明的示例性实施例的特征、优点、技术及工业重要性进行说明,在附图中相同的附图标记表示相同的构成要素,其中:
图1是本实施方式所涉及的步行训练装置的简要立体图。
图2是步行辅助装置的简要立体图。
图3是表示步行训练装置的系统构成的图。
图4是表示服务器的结构的框图。
图5是用于对控制部中的处理进行说明的流程图。
图6是说明学习用数据组的表。
图7是用于对学习模型进行说明的图。
图8是表示实施方式2中的处理的流程图。
图9是表示实施方式3中的服务器的结构的框图。
图10是对表示恢复度的指标的统计值进行表示的图表。
图11是表示实施方式3中的处理的流程图。
图12是对第一异常步行基准进行说明的图。
图13是对第二异常步行基准进行说明的图。
图14是对第三异常步行基准进行说明的图。
图15是对第四异常步行基准进行说明的图。
图16是对第五异常步行基准进行说明的图。
图17是对第六异常步行基准进行说明的图。
图18是对第七异常步行基准进行说明的图。
图19是表示步行训练装置的处理动作的流程图。
图20是表示异常步行的判定结果的表。
图21是表示设定参数的变化的表。
图22是用于对使用了Recurrent Neural Network(RNN)的学习模型进行说明的图。
图23是用于对在实施例中使用的检测数据进行说明的图。
图24是用于对在实施例2中使用的学习模型进行说明的图。
具体实施方式
以下,通过发明的实施方式对本发明进行说明,但并不将技术方案所涉及的发明限定为以下的实施方式。另外,实施方式中说明的结构未必全部是作为用于解决课题的构件而必须的。
实施方式1
以下,参照附图对实施方式1进行说明。
(系统构成)
图1是表示实施方式1所涉及的复健辅助系统的一个构成例的整体示意图。本实施方式所涉及的复健辅助系统(复健系统)主要由步行训练装置100、外部通信装置300、服务器(服务器装置)500构成。其中,服务器500可以是能够与步行训练装置100通信的外部服务器,也可以安装于步行训练装置100的装置主体内。即,步行训练装置100可以包括服务器500,也可以不包括服务器500。可以是后述的学习完毕模型被安装于外部的服务器500的结构,也可以是被安装于步行训练装置100的结构。
步行训练装置100是对训练者(用户)900的复健(复健锻炼)进行辅助的复健辅助装置的一个具体例。步行训练装置100是用于作为一条腿瘫痪的偏瘫患者的训练者900根据训练工作人员901的指导来进行步行训练的装置。这里,训练工作人员901能够是治疗师(物理治疗师)或者医师,由于通过指导或者帮助等来辅助训练者的训练,所以还能够称为训练指导者、训练帮助者、训练辅助者等。
步行训练装置100主要具备:控制盘133,安装于构成整体的骨架的框架130;跑步机131,供训练者900步行;以及步行辅助装置120,佩戴于训练者900的瘫痪侧的腿部亦即病腿。
框架130立设于被设置在地板面的跑步机131上。跑步机131通过未图示的马达使环状的带132旋转。跑步机131是促进训练者900步行的装置,进行步行训练的训练者900登上带132,配合带132的移动来尝试步行动作。此外,训练工作人员901例如也能够如图1所示那样站立在训练者900的背后的带132上来一同进行步行动作,但通常优选以跨着带132的状态站立等处于容易进行训练者900的帮助的状态。
框架130支承对进行马达、传感器的控制的整体控制部210加以收容的控制盘133、向训练者900提示训练的进展状况等的例如作为液晶面板的训练用监视器138等。另外,框架130在训练者900的头上部前方附近支承前侧抻拉部135,在头上部附近支承保护带(Harness)抻拉部112,在头上部后方附近支承后侧抻拉部137。另外,框架130包括用于供训练者900抓握的扶手130a。
扶手130a被配置于训练者900的左右两侧。各个扶手130a沿着与训练者900的步行方向平行的方向配置。扶手130a的上下位置以及左右位置能够调整。即,扶手130a能够包括变更其高度以及宽度的机构。并且,扶手130a例如还可构成为通过以使高度在步行方向的前方侧与后方侧不同的方式进行调整而能够变更其倾斜角度。例如,扶手130a能够带有沿着步行方向逐渐变高那样的倾斜角度。
另外,在扶手130a设置有检测从训练者900承受的载荷的扶手传感器218。例如,扶手传感器218能够是电极被配置为矩阵状的阻力变化检测型的载荷检测片。另外,扶手传感器218还能够是将3个轴的加速度传感器(x、y、z)与3个轴的陀螺仪传感器(roll、pitch、yaw)复合而成的6轴传感器。其中,扶手传感器218的种类、设置位置是任意的。
照相机140承担作为用于观察训练者900的全身的拍摄部的功能。照相机140以与训练者相对的方式被设置于训练用监视器138的附近。照相机140拍摄训练中的训练者900的静态图像、动态图像。照相机140包括成为能够捕捉训练者900的全身的程度的视场角的镜头与拍摄元件的套组。拍摄元件例如是CMOS(Complementary Metal-Oxide-Semiconductor)图像传感器,将在成像面成像的光学像变换为图像信号。
通过前侧抻拉部135与后侧抻拉部137协作的动作,来以步行辅助装置120的载荷不成为病腿的负担的方式抵消该载荷,并且,根据设定的程度来辅助病腿的摆动动作。
前侧钢丝134的一端与前侧抻拉部135的卷取机构连结,另一端与步行辅助装置120连结。前侧抻拉部135的卷取机构通过使未图示的马达开/关来根据病腿的活动而卷取、导出前侧钢丝134。同样,后侧钢丝136的一端与后侧抻拉部137的卷取机构连结,另一端与步行辅助装置120连结。后侧抻拉部137的卷取机构通过使未图示的马达开/关来根据病腿的活动而卷取、导出后侧钢丝136。通过这样的前侧抻拉部135与后侧抻拉部137协作的动作,来以步行辅助装置120的载荷不成为病腿的负担的方式抵消该载荷,并且,根据设定的程度来辅助病腿的摆动动作。
例如,训练工作人员901作为操作人员而对于重度瘫痪的训练者将进行辅助的程度设定得大。若将进行辅助的程度设定得大,则前侧抻拉部135配合病腿的摆动时机以比较大的力卷取前侧钢丝134。若训练进展而不需要辅助,则训练工作人员901将进行辅助的程度设定为最小。若进行辅助的程度被设定为最小,则前侧抻拉部135配合病腿的摆动时机以仅消除步行辅助装置120的自重的力来卷取前侧钢丝134。
步行训练装置100具备以背带(brace)110、保护带钢丝111以及保护带抻拉部112作为主要构成要素的、作为安全装置的防止跌倒保护带装置。背带110是卷绕于训练者900的腹部的带,例如通过面粘扣而固定于腰部。背带110具备供作为吊具的保护带钢丝111的一端连接的连结钩110a,亦能称为悬吊带。训练者900以连结钩110a位于后背部的方式佩戴背带110。
保护带钢丝111的一端与背带110的连结钩110a连结,另一端与保护带抻拉部112的卷取机构连结。保护带抻拉部112的卷取机构通过使未图示的马达开/关来卷取、导出保护带钢丝111。通过这样的结构,在训练者900要跌倒的情况下,防止跌倒保护带装置根据检测到该动向的整体控制部210的指示来卷取保护带钢丝111,通过背带110来支承训练者900的上身,防止训练者900跌倒。
背带110具备用于检测训练者900的姿势的姿势传感器217。姿势传感器217例如是将陀螺仪传感器与加速度传感器组合而成的传感器,输出佩戴了背带110的腹部相对于重力方向的倾斜角。
管理用监视器139被安装于框架130,是主要用于供训练工作人员901监视以及操作的显示输入装置。管理用监视器139例如是液晶面板,在其表面设置有触摸面板。管理用监视器139显示与训练设定相关的各种菜单项目、训练时的各种参数值、训练结果等。另外,在管理用监视器139的附近设置有紧急停止按钮232。通过训练工作人员901按压紧急停止按钮232,由此步行训练装置100紧急停止。
步行辅助装置120被佩戴于训练者900的病腿,通过减轻病腿的膝关节处的伸展以及屈曲的负荷来辅助训练者900的步行。步行辅助装置120具备测量脚底载荷的传感器等,向整体控制部210输出与移动腿相关的各种数据。另外,背带110还能够使用具有旋转部的连接部件(以下,称为臀部接头:a hip joint)来与步行辅助装置120连接。关于步行辅助装置120的详细内容将后述。
整体控制部210生成可包括与训练设定相关的设定参数、作为训练结果从步行辅助装置120输出的与移动腿相关的各种数据等的复健数据。该复健数据能够包括表示训练工作人员901或者其经验年数、熟练度等的数据、表示训练者900的症状、步行能力、恢复度等的数据、从设置于步行辅助装置120的外部的传感器等输出的各种数据等。其中,关于复健数据的详细内容将后述。
外部通信装置300是向外部发送复健数据的发送构件的一个具体例。外部通信装置300能够具有接受并暂时存储步行训练装置100所输出的复健数据的功能、和将存储的复健数据向服务器500发送的功能。
外部通信装置300例如通过USB(Universal Serial Bus)线缆与步行训练装置100的控制盘133连接。另外,外部通信装置300经由无线通信设备410例如通过无线LAN(LocalArea Network)与因特网或者内部网等网络400连接。此外,步行训练装置100也能够具备通信装置来代替外部通信装置300。
服务器500是存储复健数据的存储构件的一个具体例。服务器500与网络400连接,具有蓄积从外部通信装置300接收到的复健数据的功能。服务器500的功能将后述。
在本实施方式1中,作为复健辅助装置的一个例子,对步行训练装置100进行说明,但并不局限于此,也可以是进行训练者的复健辅助的任意的复健辅助装置。例如,复健辅助装置可以是辅助肩、臂的复健的上肢复健辅助装置。或者,复健辅助装置也可以是辅助训练者的平衡能力的复健的复健辅助装置。
接下来,使用图2对步行辅助装置120进行说明。图2是表示步行辅助装置120的一个构成例的简要立体图。步行辅助装置120主要具备控制单元121、支承病腿的各部的多个框架、以及用于检测施加于脚底的载荷的载荷传感器222。
控制单元121包括进行步行辅助装置120的控制的辅助控制部220,另外,还包括产生用于对膝关节的伸展运动以及屈曲运动进行辅助的驱动力的未图示的马达。支承病腿的各部的框架包括大腿框架122和与大腿框架122连结为转动自如的小腿框架123。另外,该框架包括与小腿框架123连结为转动自如的脚掌框架124、与前侧钢丝134连结的前侧连结框架127、以及与后侧钢丝136连结的后侧连结框架128。
大腿框架122与小腿框架123绕图示的铰接轴Ha相对转动。控制单元121的马达根据辅助控制部220的指示进行旋转,以大腿框架122与小腿框架123绕铰接轴Ha相对打开或者闭合的方式施力。收纳于控制单元121的角度传感器223例如是旋转式编码器,检测大腿框架122与小腿框架123绕铰接轴Ha所成的角。小腿框架123与脚掌框架124绕图示的铰接轴Hb相对转动。相对转动的角度范围通过调整机构126预先调整。
前侧连结框架127被设置为在大腿的前侧向左右方向伸延并在两端与大腿框架122连接。另外,在前侧连结框架127,在左右方向的中央附近设置有用于连结前侧钢丝134的连结钩127a。后侧连结框架128被设置为在小腿的后侧沿左右方向伸延并在两端分别与沿上下伸延的小腿框架123连接。另外,在后侧连结框架128,在左右方向的中央附近设置有用于连结后侧钢丝136的连结钩128a。
大腿框架122具备大腿带129。大腿带129是一体设置于大腿框架的带,被卷绕于病腿的大腿部来将大腿框架122固定于大腿部。由此,防止了步行辅助装置120的整体相对于训练者900的腿部偏移。
载荷传感器222是被埋入至脚掌框架124的载荷传感器。载荷传感器222对训练者900的脚底所承受的垂直载荷的大小与分布进行检测,例如也能够构成为计算COP(CenterOf Pressure:载荷中心)。载荷传感器222例如是电极被配置为矩阵状的阻力变化检测型的载荷检测片。
接下来,参照图3对步行训练装置100的系统构成例进行说明。图3是表示步行训练装置100的系统构成例的框图。如图3所示,步行训练装置100能够具备整体控制部210、跑步机驱动部211、操作受理部212、显示控制部213以及抻拉驱动部214。另外,步行训练装置100能够具备保护带驱动部215、图像处理部216、姿势传感器217、扶手传感器218、通信连接IF(接口)219、输入输出单元231以及步行辅助装置120。
整体控制部210例如是MPU(Micro Processing Unit),通过执行从系统存储器读入的控制程序来执行装置整体的控制。整体控制部210能够具有后述的步行评价部210a、训练判定部210b、输入输出控制部210c以及通知控制部210d。
跑步机驱动部211包括使带132旋转的马达及其驱动电路。整体控制部210通过向跑步机驱动部211输送驱动信号来执行带132的旋转控制。整体控制部210例如根据由训练工作人员901设定的步行速度来调整带132的旋转速度。
操作受理部212受理来自训练工作人员901的输入操作来向整体控制部210发送操作信号。训练工作人员901对构成操作受理部212的、设置于装置的操作按钮、重叠于管理用监视器139的触摸面板、附属的遥控器等进行操作。通过该操作,能够赋予电源的开/关、训练的开始的指示、进行与设定相关的数值的输入、菜单项目的选择。此外,操作受理部212还能够受理来自训练者900的输入操作。
显示控制部213接受来自整体控制部210的显示信号而生成显示图像,并显示于训练用监视器138或者管理用监视器139。显示控制部213根据显示信号来生成表示训练的进展的图像、由照相机140拍摄到的实时影像。
抻拉驱动部214包括构成前侧抻拉部135的、用于抻拉前侧钢丝134的马达及其驱动电路和构成后侧抻拉部137的、用于抻拉后侧钢丝136的马达及其驱动电路。整体控制部210通过向抻拉驱动部214输送驱动信号来分别控制前侧钢丝134的卷取与后侧钢丝136的卷取。另外,并不局限于卷取动作,通过控制马达的驱动转矩来控制各钢丝的抻拉力。整体控制部210例如根据载荷传感器222的检测结果来确定病腿从立腿状态切换为摆腿状态的时机,通过与该时机同步地使各钢丝的抻拉力增减,来辅助病腿的摆动动作。
保护带驱动部215包括构成保护带抻拉部112的、用于抻拉保护带钢丝111的马达及其驱动电路。整体控制部210通过向保护带驱动部215输送驱动信号来控制保护带钢丝111的卷取、保护带钢丝111的抻拉力。例如,在预测到训练者900跌倒的情况下,整体控制部210卷取一定量的保护带钢丝111来防止训练者跌倒。
图像处理部216与照相机140连接,能够从照相机140接受图像信号。图像处理部216根据来自整体控制部210的指示来从照相机140接受图像信号并对接受到的图像信号进行图像处理来生成图像数据。另外,图像处理部216还能够根据来自整体控制部210的指示来对从照相机140接受到的图像信号实施图像处理而执行特定的图像解析。例如,图像处理部216通过图像解析来检测与跑步机131接触的病腿的脚的位置(立腿位置)。具体而言,图像处理部216例如通过提取脚掌框架124的前端附近的图像区域并对在与该前端部重叠的带132上描绘的识别标记进行解析来运算立腿位置。
姿势传感器217如上述那样检测训练者900的腹部相对于重力方向的倾斜角并将检测信号向整体控制部210发送。整体控制部210使用来自姿势传感器217的检测信号来运算训练者900的姿势、具体为躯干的倾斜角。其中,整体控制部210与姿势传感器217可以有线连接,也可以通过近距离无线通信进行连接。
扶手传感器218检测施加于扶手130a的载荷。即,训练者900无法通过两腿完全支承自身的体重的量的载荷施加于扶手130a。扶手传感器218检测该载荷并将检测信号向整体控制部210发送。
整体控制部210还承担作为执行与控制相关的各种运算等的功能执行部的作用。步行评价部210a使用从各种传感器取得的数据来评价训练者900的步行动作是否为异常步行。训练判定部210b例如基于步行评价部210a评价出的异常步行的累计数来对于一系列步行训练判定训练结果。整体控制部210能够生成该判定结果或成为其根本的异常步行的累计数等作为复健数据的一部分。
其中,包括该判定的基准在内,判定的方法是任意的。例如,能够按每个步行相位将瘫痪体部的动作量与基准比较来进行判定。其中,步行相位将关于病腿(或者健康腿)的1个步行周期(one walking cycle)分类成处于立腿状态的立腿期、从立腿期向处于摆腿状态的摆腿期的过渡期、摆腿期、从摆腿期向立腿期的过渡期等。例如能够如上述那样根据载荷传感器222的检测结果来分类(判定)处于哪个步行相位。此外,步行周期能够如上述那样以立腿期、过渡期、摆腿期、过渡期为1个周期,但将哪个时期定义为开始时期是任意的。除此之外,步行周期例如还能够以两腿支承状态、单腿(病腿)支承状态、两腿支承状态、单腿(健康腿)支承状态为1个周期,在这种情况下,将哪个状态定义为开始状态也是任意的。
另外,关注于右腿或者左腿(健康腿或者病腿)的步行周期还能够进一步细分,例如,能够将立腿期分为初始接地与4期来表达,将摆腿期分为3期来表达。初始接地是指观察脚部接地于地板的瞬间,立腿期的4期是指载荷响应期、立腿中期、立腿末期以及前摆腿期。载荷响应期是从初始接地至相反侧的脚部离开地板的瞬间(对侧离地)为止的期间。立腿中期是从对侧离地至观察脚部的脚后跟离开的瞬间(脚后跟离地)为止的期间。立腿末期是从脚后跟离地至相反侧的初始接地为止的期间。前摆腿期是从相反侧的初始接地至观察脚部离开地板(离地)为止的期间。摆腿期的3期是指摆腿初始、摆腿中期、以及摆腿后期。摆腿初始是从前摆腿期的最后(上述离地)至双脚交叉(脚部交叉)为止的期间。摆腿中期是从脚部交叉至胫骨成为垂直(胫骨垂直)为止的期间。摆腿末期是从胫骨垂直至下一初始接地为止的期间。
通信连接IF219是与整体控制部210连接的接口,是用于向被佩戴于训练者900的病腿的步行辅助装置120赋予指令或接受传感器信息的接口。
步行辅助装置120能够具备与通信连接IF219通过有线或者无线连接的通信连接IF229。通信连接IF229与步行辅助装置120的辅助控制部220连接。通信连接IF219、229是遵照通信标准的例如有线LAN或者无线LAN等的通信接口。
另外,步行辅助装置120能够具备辅助控制部220、关节驱动部221、载荷传感器222以及角度传感器223。辅助控制部220例如是MPU,通过执行从整体控制部210赋予的控制程序来执行步行辅助装置120的控制。另外,辅助控制部220将步行辅助装置120的状态经由通信连接IF219、229向整体控制部210通知。另外,辅助控制部220接受来自整体控制部210的指令来执行步行辅助装置120的启动/停止等控制。
关节驱动部221包括控制单元121的马达及其驱动电路。辅助控制部220通过向关节驱动部221输送驱动信号来以大腿框架122与小腿框架123绕铰接轴Ha相对打开或者闭合的方式施力。通过这样的动作,来辅助膝部的伸展动作以及屈曲动作、防止折膝。
载荷传感器222如上述那样检测训练者900的脚底所承受的垂直载荷的大小与分布并将检测信号向辅助控制部220发送。辅助控制部220通过接受并解析检测信号来进行摆腿/立腿的状态判别、切换推断等。
角度传感器223如上述那样检测大腿框架122与小腿框架123绕铰接轴Ha所成的角并将检测信号向辅助控制部220发送。辅助控制部220接受该检测信号并运算膝关节的打开角。
输入输出单元231例如包括USB(Universal Serial Bus)接口,是用于与外部的设备(外部通信装置300、其他外部设备)连接的通信接口。整体控制部210的输入输出控制部210c经由输入输出单元231与外部的设备通信,进行上述的整体控制部210内的控制程序、辅助控制部220内的控制程序的改写、指令的接受、生成的复健数据的输出等。步行训练装置100能够通过输入输出控制部210c的控制而经由输入输出单元231以及外部通信装置300进行与服务器500的通信。例如,输入输出控制部210c能够经由输入输出单元231以及外部通信装置300进行将复健数据发送至服务器500的控制、接收来自服务器500的指令的控制。
在需要对训练工作人员901通知的情形下,通知控制部210d通过控制显示控制部213或者另外设置的声音控制部等来从管理用监视器139或者另外设置的扬声器进行通知。该通知的详细内容将后述,但需要对于训练工作人员901的通知的情形能够是接收到用于从服务器500进行通知的指令的情况。
接下来,对服务器500的详细情况进行说明。如上所述,步行训练装置100经由外部通信装置300将各种复健数据发送至服务器500。服务器500能够构成为从多个步行训练装置100接收复健数据,由此能够收集许多的复健数据。而且,服务器500是处理各种数据的处理装置。例如,服务器500能够作为使用收集到的复健数据进行机器学习并构建学习完毕模型的学习装置(学习器)发挥功能。此外,学习装置还能够被称为学习模型生成装置。
图4是表示服务器500的一个构成例的框图。如图4所示,服务器500能够具备控制部510、通信IF514、数据蓄积部520以及模型存储部521。控制部510例如是MPU,通过执行从系统存储器读入的控制程序来执行服务器500的控制。控制部510具备数据生成部510a以及学习部510b。该情况下,上述的控制程序包括用于实现这些数据生成部510a以及学习部510b的功能的程序。
通信IF514例如包括有线LAN接口,是用于与网络400连接的通信接口。控制部510能够经由通信IF514接收来自步行训练装置100的复健数据,能够发送向步行训练装置100的指令。
数据蓄积部520例如具有HDD(Hard Disk Drive)、SSD(Solid State Drive)等存储装置,存储复健数据。控制部510将经由通信IF514从外部通信装置300接收到的复健数据写入数据蓄积部520。通信IF514以及数据蓄积部520例如作为取得复健数据的数据取得部发挥功能。
模型存储部521也具有HDD、SSD等存储装置。此外,数据蓄积部520与模型存储部521还能够具有共通的存储装置。模型存储部521存储未学习(还包括学习中的情况)的学习模型(以下,称为未学习模型)以及学习完毕的学习模型(以下,称为学习完毕模型)中的至少一方。在服务器500作为学习装置发挥功能时,模型存储部521中至少存储有未学习模型。在服务器500与步行训练装置100配合来执行复健辅助处理的情况下,模型存储部521中至少存储有能够运用的学习完毕模型。
另外,控制部510能够构成为进行对作为学习装置的功能与通过学习完毕模型进行复健辅助处理的功能加以切换的控制。不过,服务器500也能够按照在学习阶段使用的装置和在伴有学习完毕模型的运用阶段使用的装置进行分散。数据生成部510a以及学习部510b为了使服务器500作为学习装置发挥功能而设置。
(复健数据)
这里,在对数据生成部510a以及学习部510b进行说明之前,对服务器500为了学习或者为了复健辅助处理而能够收集的复健数据进行说明。服务器500能够收集的复健数据主要包括:(1)步行训练装置100的设定参数、(2)由设置于步行训练装置100的传感器等检测到的检测数据、(3)与训练者900相关的数据、(4)与训练工作人员901相关的数据。(1)~(4)的复健数据可以与取得时间日期建立对应地收集。并且,检测数据或者设定参数可以作为按照时间序列的日志数据来收集。或者,也可以是每隔一定的时间的对于数据提取的特征量等。
复健数据主要是在步行训练装置100中通过操作输入、自动输入、传感器的测量等而获得的数据。另外,复健数据还能够包括由照相机140录像的录像数据。此外,复健数据能够是复健的每个实施日的数据,该情况下,还能够称为日报数据。以下,对服务器500收集由步行训练装置100生成的复健数据进行说明,但还能够构成为服务器500从步行训练装置100以外的例如其他服务器取得复健数据的一部分。这里所说的复健数据的一部分例如能够是训练者900的症状等上述(3)的详细数据、PT的经验年数等上述(4)的详细数据等。前者能够作为训练者900的病历信息储存于其他服务器,后者能够作为Physical Therapist(PT)的履历书等储存储存于其他服务器。
在学习阶段中,服务器500只要在复健数据的产生时或每1天、每1周等定期地从步行训练装置100接收复健数据即可。在学习阶段与运用阶段中,能够使所使用的复健数据的种类(复健数据所包含的内容)不同。例如,在运用阶段中,服务器500只要在训练开始时从步行训练装置100接收复健数据并在训练中接收上述(1)、(2)中的存在变更的数据即可。另外,步行训练装置100与服务器500中的任一个可以成为主体来执行复健数据的收发。
对上述(1)进行说明。上述(1)的数据能够与上述(2)的检测数据一同被定义为由步行训练装置100在复健实施中取得的训练者900的训练数据。
步行训练装置100的设定参数例如是为了设定步行训练装置100的动作而由操作人员输入的数据或者自动设定的数据。其中,如上所述,操作人员通常是在训练者900的训练中实际陪同的训练工作人员901,以下以操作人员是训练工作人员901为前提来进行说明。另外,由于训练工作人员901是物理治疗师(PT:Physical Therapist)的情况较多,所以以下还存在将训练工作人员901简称为“PT”的情况。
设定参数与促动器的设定相关。在步行训练装置100中,能够通过设定参数来调整步行训练的难易度。例如,整体控制部210根据设定参数来控制马达等促动器。其中,设定参数还能够包含表示难易度的程度的参数,该情况下,能够伴随着该程度的变更而变更其他设定参数中的一部分或者全部。随着训练者900的恢复进展,训练工作人员901逐渐提高步行训练的难易度。即,随着训练者900的步行能力变高,训练工作人员901使步行训练装置100的辅助减少。另外,在步行训练中看到异常的情况下,训练工作人员901增加辅助。通过训练工作人员901恰当地调整设定参数,训练者900能够实施恰当的步行训练,能够更高效地进行复健。
设定参数的具体例如下所示。作为设定参数,例如能够举出部分体重免载量[%]、扶手130a的上下位置[cm]、扶手130a的左右位置[cm]、臀部接头的有无、踝关节跖屈限制[deg]、踝关节背屈限制[deg]等。另外,作为设定参数,例如还能够举出跑步机速度[km/h]、摆动辅助[程度]、摆动前后比[前/后]。另外,作为设定参数,例如还能够举出膝部伸展辅助[程度]、膝部屈曲角度[deg]、膝部屈伸时间[sec]、辅高[mm]、卸载阈值[%]、载荷阈值[%]。此外,包括这里例示的设定参数在内,复健数据所包含的数据的单位是任意的。
部分体重免载量是通过保护带抻拉部112拉动保护带钢丝111而将训练者900的体重免载的比例。所希望的步行训练的难易度越高,则训练工作人员901将部分体重免载量设定为越低的值。扶手130a的上下位置以及左右位置是从扶手130a的基准位置起的调整量。臀部接头的有无是指是否安装有臀部接头。踝关节跖屈限制、踝关节背屈限制规定了小腿框架123与脚掌框架124能够绕铰接轴Hb转动的角度范围。踝关节跖屈限制与前侧的上限角度对应,踝关节背屈限制与后侧的最大角度对应。即,踝关节跖屈限制、踝关节背屈限制分别是使踝关节向降低脚尖的一侧、向提高脚尖的一侧弯曲的角度的限制值。训练工作人员901以所希望的步行训练的难易度越高则角度范围越大的方式来设定踝关节跖屈限制以及踝关节背屈限制的值。
跑步机速度是基于跑步机131的步行速度。所希望的步行训练的难易度越高,则训练工作人员901将跑步机速度设定为越高的值。摆动辅助是腿的摆动时与前侧钢丝134所赋予的抻拉力对应的程度,该程度越高,则最大抻拉力越大。所希望的步行训练的难易度越高,则训练工作人员901将摆动辅助设定为越低的程度。摆动前后比是在腿的摆动时前侧钢丝134的抻拉力与后侧钢丝136的抻拉力之比。
膝部伸展辅助是与为了防止立腿时折膝而施加的关节驱动部221的驱动转矩对应的程度,该程度越高则驱动转矩越大。所希望的步行训练的难易度越高,则训练工作人员901将膝部伸展辅助设定为越低的程度。膝部屈曲角度是进行膝部伸展辅助时的角度。膝部屈伸时间是进行膝部伸展辅助的期间,若该值大,则以缓慢地使膝部屈伸的方式进行辅助,若该值小,则以使膝部快速屈伸的方式进行辅助。
辅高是在与训练者900的瘫痪腿相反侧的腿(不佩戴辅助器亦即步行辅助装置120一侧的腿)的鞋底设置的缓冲物等部件的高度。卸载阈值是施加于脚底的载荷的阈值之一,若低于该阈值,则解除摆动辅助。载荷阈值是施加于脚底的载荷的阈值之一,若超过该阈值,则进行摆动辅助。这样,步行辅助装置120能够构成为可通过膝部屈曲角度、膝部屈伸时间、卸载阈值以及载荷阈值这4个设定参数来调整该膝部的屈伸运动。
另外,步行训练装置100例如还能够构成为通过声音从未图示的扬声器反馈载荷、角度等各种参数的设定值、目标值、目标的实现率、目标的实现时机等。上述的设定参数还能够包括关于这样的反馈声的有无、音量之类的设定的参数。
除此之外,上述的设定参数也可以不是与训练直接有关的设定参数。例如,上述的设定参数还能够是为了使训练者900提高热情而用于通过训练用监视器138、未图示的扬声器提供的图像、音乐、游戏的种类、游戏的难易度等设定值等。
此外,上述的设定参数是一个例子,也可以存在这些以外的设定参数。或者,上述中的一部分设定参数可以不存在。另外,如上述那样,上述的设定参数是用于调整训练的难易度的参数较多,但也能够还包括与难易度无关的参数。例如,步行训练装置100能够构成为在训练用监视器138显示注意唤起用的图标图像。而且,作为与难易度无关的设定参数,例如能够举出这样的注意唤起用的图标图像的大小、显示间隔等用于提高训练者900对训练的集中度的参数等。另外,上述的设定参数能够预先附加完成了该设定操作的时间日期等时间信息或者时间以外的时机信息(例如表示1个步行周期内的立腿期、摆腿期等的区别的信息)。
对上述(2)进行说明。上述(2)的检测数据能够与上述(1)的数据一同被定义为由步行训练装置100在复健实施中取得的训练者900的训练数据。
作为检测数据,主要能够举出传感器数据。传感器数据是由步行训练装置100的各种传感器检测出的传感器值。例如,传感器数据是由姿势传感器217检测出的躯干的倾斜角度、由扶手传感器218检测出的载荷、倾斜角度、由角度传感器223检测出的角度等。输出传感器数据的传感器是加速度传感器、角速度传感器、位置传感器、光传感器、转矩传感器、重量传感器等。另外,可以使用设置于前侧钢丝134、后侧钢丝136、保护带钢丝111的卷取机构等的马达的编码器作为传感器。并且,可以将马达的转矩传感器(测力元件)作为传感器,可以将对驱动马达的驱动电流值进行检测的电流检测部作为传感器。
另外,传感器数据例如能够包括由检测视线的视线检测传感器取得的视线数据。同样的视线数据还能够基于拍摄了训练者900的至少眼睛的图像并通过图像处理检测视线来获得,或者还能够基于拍摄了训练者900的至少面部的图像来判定面部的朝向(朝上/朝下等)而获得。这样的数据也能够包括于上述的检测数据。另外,检测数据还能够是由取得训练者900或者训练工作人员901的声音的麦克风等声音取得部取得的声音数据、或声音解析了该声音数据的文本数据、或解析了该文本数据的数据。训练工作人员901的声音能够包括对训练者900的与走法的矫正等相关的呼喊。另外,传感器数据还能够是利用脑波仪检测了训练者900的脑波的数据,还能够是利用脑波仪检测了训练工作人员901的脑波的数据。
另外,视线检测传感器、拍摄上述图像的拍摄部、麦克风等能够设置于步行训练装置100的主体侧,但也能够设置于例如用于供训练者900佩戴的眼镜式可穿戴终端。只要在该终端具备通过Bluetooth(注册商标)等无线通信方式对数据进行无线通信的无线通信部并且在步行训练装置100侧也具备无线通信部即可。由此,步行训练装置100能够通过无线通信取得由可穿戴终端取得的数据。脑波仪只要是检测精度良好的仪器即可,能够构成为设置于步行训练装置100的主体侧并可区别训练者900的脑波与训练工作人员901的脑波来进行检测。其中,优选以成为上述的眼镜式可穿戴终端(例如眼镜的镜腿的部分等)等接近检测对象人的位置的方式设置脑波仪。
另外,传感器等取得检测数据的检测部并不局限于参照图1~图3说明的结构、或作为眼镜式可穿戴终端等而例示的结构。例如,能够使训练者900穿戴搭载了穿戴式生物体传感器以及/或者穿戴式触摸传感器的衣物。这里所说的衣物并不局限于穿戴于上半身的衣物,也可以是穿戴于下半身的衣物,还可以是上下成套的衣物,例如可以是背带110等穿戴于一部分的部件。另外,在衣物以及步行训练装置100具备上述那样的无线通信部。由此,步行训练装置100能够通过无线通信来取得由穿戴式生物体传感器、穿戴式触摸传感器取得的数据。穿戴式生物体传感器能够取得穿戴者的心率等重要(vital)数据。穿戴式触摸传感器能够取得表示穿戴者亦即训练者900被从外部触摸的信息、即训练工作人员901触摸训练者900的位置的信息的数据。
另外,检测数据并不局限于各种传感器等检测到的检测信号所表示的值,也能够包括基于来自多个传感器的检测信号而计算出的值、统计处理来自1个或者多个传感器等的检测信号的统计值。作为该统计值,例如能够采用平均值、最大值、最小值、标准偏差值等各种统计值,另外,也可以是静态统计的统计值,例如可以是1天、1次训练、1个步行周期等一定期间内的动态统计的统计值。
例如,传感器数据能够包括根据由角度传感器223检测出的大腿框架122与小腿框架123的角度而计算出的膝关节的打开角。并且,由角度传感器检测出的传感器数据能够包括将角度微分所得的角速度。由加速度传感器检测出的传感器数据可以是将加速度积分所得的速度、将加速度两次积分所得的位置。
例如,检测数据能够包括关于每日或者1日内的复健的每次施行的、如下那样的平均值、合计值、最大值、最小值、代表值。作为这里的平均值,能够举出平均速度(总步行距离/总步行时间)[km/h]、步距的平均值[cm]、表示每1分钟的步数(step)的步行率[steps/min]、步行PCI[拍/m]、跌倒规避帮助[%]等。平均速度例如能够是根据跑步机131的速度设定值而计算出的值、或根据跑步机驱动部211中的驱动信号而计算出的值。步距是指单侧的脚后跟接地至同侧的脚后跟下次再次接地为止的距离。PCI是指Physiological CostIndex(生理成本指数的临床指标),步行PCI表示步行时的能量效率。跌倒规避帮助[%]是指按每1个步数计算训练工作人员901对训练者900进行了跌倒规避帮助的次数亦即跌倒规避帮助[次]的比例、即按照每1个步数进行了跌倒规避帮助的比例。
另外,作为这里的合计值,能够举出步行时间[秒]、步行距离[m]、步数[steps]、跌倒规避帮助[次]、跌倒规避帮助部位以及每个部位的次数[次]等。另外,作为这里的最大值或者最小值,能够举出连续步行时间[秒]、连续步行距离[m]、连续步数[steps]等的最大值、最小值、步行PCI[拍/m]的最小值(换言之,每1拍能够步行的距离的最长值)等。作为代表值,能够举出作为跑步机131的速度而最多使用的值(代表速度[km/h])等。
这样,检测数据能够包括从各种传感器等检测部直接或者间接供给的数据。另外,上述的检测数据能够预先附加完成该检测的时间日期等时间信息或者时间以外的时机信息。
此外,上述的检测数据是一个例子,也可以存在除此以外的检测数据。或者,上述中的一部分检测数据也可以不存在。即,在采用检测数据作为复健数据的情况下,服务器500只要收集一个以上检测数据即可。
对上述(3)进行说明。与训练者900相关的数据(以下,称为训练者数据)例如表示训练者900的属性等。训练者数据能够以训练者900的年龄、性别、体格(身高、体重等)为代表而包括症状信息、Br.Stage、SIAS、初始步行FIM、最新的步行FIM等。另外,训练者数据能够包含训练者900的姓名或者ID,另外,还能够包含表示训练者900的喜好的嗜好信息、表示性格的性格信息等。另外,训练者数据能够包含步行能力所涉及的项目以外的运动项目作为FIM,另外,还能够包含认知项目。即,训练者数据能够包含表示训练者900的身体能力的各种数据。其中,训练者数据的一部分或者全部还能够称为身体信息、基本信息或训练者特征信息等。
这里,症状信息能够包含表示初始症状、其发病时期、当前的症状的信息,能够理解为训练者900主要因这里所包含的症状而需要复健。但是,症状信息也能够包含与复健无直接关系的症状。另外,在症状信息中能够与中风(脑血管病)、脊髄损伤等罹患的疾病的类型(病名或者疾病名)一同包含其部位(损伤部位),能够根据类型不同而包含其分类。例如,中风能够分类为脑梗塞、头盖内出血(脑出血/蛛网膜下出血)等。
Br.Stage是指Brunnstrom Recovery Stage,针对偏瘫的恢复过程,根据观察将其恢复阶段分为6个阶段。训练者数据主要包括Br.stage中的与步行训练装置100有关的主要项目亦即下肢项目。SIAS是指Stroke Impairment Assessment Set,是综合地评价中风的功能障碍的指标。SIAS能够包括髋屈曲测试(Hip-Flex)、膝部伸展测试(Knee-Ext)、脚底板测试(Foot-Pat)。另外,SIAS能够包括下肢触觉(TouchL/E)、下肢位置感(PositionL/E)、腹肌力(Abdominal)、以及垂直性测试(Verticality)。
FIM(Functional Independence Measure:功能独立性评价表)决定了评价ADL(Activities of Daily Life)的评价方法之一。在FIM中,根据帮助量而以1分~7分这7个阶段进行评价。
例如,步行FIM成为表示恢复度的通用的指标。另外,步行FIM成为对不使用促动器的情况下的训练者的动作能力(即步行能力)进行表示的指标。在无帮助者且无背带(辅助器)能够步行50m以上的情况下,成为最高分的7分,在一个帮助者如何帮助也只能步行小于15m的情况下,成为最低分的1分。另外,在以最小帮助(帮助量为25%以下)能够移动50m的情况下,成为4分,在以中等程度帮助(帮助量25%以上)能够移动50m的情况下,成为3分。因此,随着恢复进展,训练者900的步行FIM逐渐变高。
因此,步行FIM成为表示从复健开始时刻起的训练者900的恢复度的指标。步行FIM成为对不使用促动器的情况下的训练者900的动作能力、即步行能力进行表示的指标。换言之,在知晓训练者900的复健的进展状况的方面,步行FIM成为重要的指标。然而,为了对步行FIM进行打分,需要训练者900在帮助者位于附近的状态下在平坦地步行50m。因此,存在无法频繁地对步行FIM进行打分的情况。另外,如上述那样,在步行FIM为3分的情况与FIM为4分的情况下,仅帮助程度不同。即,存在步行FIM的打分根据帮助者(训练工作人员)不同而不一致的担忧。此外,进行步行FIM的评价的情况下的步行距离并不局限于50m,例如还存在15m的情况。
由此也可知,由步行训练装置100管理的最新的步行FIM不仅是表示训练者900的身体能力的指标,还是表示从复健开始时刻起的训练者900的恢复度的指标。换言之,在知晓训练者900的复健的进展状况的方面,步行FIM成为重要的指标。另外,从初始步行FIM向最新的步行FIM的变化量或者变化速度也成为表示恢复度的指标。变化速度还能够称为FIM效率,例如能够是将到现在为止的FIM的增益(变化量)除以复健的实施天数、表示复健的期间的经过天数、或训练者900为入院患者的情况下的入院天数等期间所得的值。
另外,步行FIM能够理解为穿戴了辅助器的情况等的评价时的条件下的分数,该情况下,还能够将表示该评价时所应用的条件的信息附加至表示步行FIM的信息。条件能够包含取得该信息时的辅高、所使用的背带(例如步行辅助装置120、其他步行辅助装置、无背带等)、该背带中的膝部、脚踝的部位的角度设定等设定、平地步行还是斜面步行等。另外,通常步行FIM是平地步行下的步行FIM,表示其的平地步行信息中还能够包含平地步行评价时步行最远的距离(最大连续步行距离[m])等信息。
这样,上述(3)的训练者数据能够包括关于训练者900利用步行训练装置100执行的复健的、包括训练者900的症状、身体能力以及恢复度的至少一个的指标数据。此外,对于最新的步行FIM等身体能力以及恢复度双方的概念所能包含的数据而言,通常只要包含于一方即可,但也能够包含于两方。此外,同样的情况对于复健数据的全部项目而言,某个项目的数据能够视为上述(1)~(4)中的任一个或者多个数据。另外,上述的训练者数据能够预先附加步行FIM的测定时间日期等取得其的时间日期等时间信息。
对上述(4)进行说明。与训练工作人员901相关的数据(以下,称为工作人员数据)例如表示训练工作人员901的属性等。工作人员数据是训练工作人员901的姓名、ID、年龄、性别、体格(身高、体重等)、所属的医院名、作为PT或者医师的经验年数等。工作人员数据能够包含将帮助训练者900的时间数值化的值作为与帮助者相关的数据。
另外,在多个训练工作人员同时帮助复健的情况下,复健数据能够包含多人的工作人员数据。另外,各工作人员数据能够还包含表示是主要的训练工作人员、还是辅助的训练工作人员、还是仅进行操作的训练工作人员、还是仅起到用手支承训练者900的作用的训练工作人员等的信息。
另外,优选步行训练装置100构成为能够输入对训练者900的复健计划。而且,这样输入的复健计划的数据也能够作为与作为其输入者的训练工作人员901相关的工作人员数据或属于其他分类的复健数据而包含于复健数据。另外,为了能够应对训练工作人员901的变更,优选步行训练装置100构成为能够输入今后的对该训练者900的训练进行辅助时的注意事项、转告事项。而且,这样输入的数据也能够作为与作为其输入者的训练工作人员901相关的工作人员数据或属于其他分类的复健数据而包含在复健数据内。
使复健数据包含这些数据的理由是也可能存在某个训练工作人员正因为看到来自熟练的其他训练工作人员的注意事项、转告事项才能够顺利地推行训练者900的训练这一情形。另外,上述的工作人员数据例如能够预先附加复健计划的输入时间日期等完成该输入的时间日期等时间信息。
(学习模型的构建)
服务器500作为生成学习模型的学习模型构建装置发挥功能。具体而言,服务器500从多个步行训练装置100收集复健数据。而且,服务器500将收集到的复健数据蓄积于数据蓄积部520。服务器500通过基于复健数据进行机器学习来构建学习完毕模型。具体而言,服务器500生成将复健数据作为输入数据并将表示恢复度的指标作为输出的学习完毕模型。
如图4所示,服务器500的控制部510具备数据生成部510a和学习部510b。图5是表示控制部510中的学习模型的构建方法(学习方法)的流程图。控制部510取得从步行训练装置100发送的复健数据(S11)。数据生成部510a生成学习数据作为机器学习的前处理(S12)。即,数据生成部510a基于蓄积于数据蓄积部520的复健数据来生成学习数据。学习部510b通过使用学习数据进行机器学习来构建学习模型(S13)。
学习部510b构建计算步行FIM作为表示恢复度的指标的学习模型。例如,学习部510b进行有教导学习。在训练者900的平地步行中实际测定到的最新的步行FIM成为教导数据(标签)。即,学习部510b准备包括步行FIM的最新的实测值作为教导数据的学习数据。
例如,在学习数据中,从步行训练装置100收集到的复健数据与作为教导数据的步行FIM的实测值建立对应。更详细而言,由于复健数据包括步行FIM的实测值,所以复健数据所包括的步行FIM的实测值成为教导数据。而且,在刚刚实测了训练者900的步行FIM之后,数据生成部510a立即将训练者900进行步行训练时的复健数据作为学习数据。并不局限于刚刚实测了训练者900的步行FIM之后的复健数据,也可以生成从步行FIM的实测时起为规定期间以内的步行训练的复健数据作为学习数据。从步行FIM的实测时起经过规定期间以上之后收集到的复健数据可以不用为学习数据。
数据生成部510a准备多个学习数据的组(set)。因此,数据生成部510a准备在规定的期间内收集到的复健数据作为1组学习数据。例如,可以准备在1次步行训练或者步行训练的1次施行中收集到的复健数据作为1组学习数据。
1次步行训练是一个训练者900所进行的一系列训练,若1次步行训练结束,则下一训练者900在步行训练装置100进行训练。1次步行训练通常为20分钟~60分钟左右。步行训练的1次施行是在1次步行训练中训练者900持续步行的1个单位。1次步行训练中包含多次施行。例如,1次施行为5分钟左右。具体而言,在1次步行训练中,训练者900在进行了5分钟的步行训练之后休息5分钟。即,在1次步行训练中,步行训练的施行与休息交替地重复。休息与休息之间的5分钟成为1次施行的时间。当然,1次训练与1次施行的时间不特别限定,能够按每个训练者900恰当地设定。
数据生成部510a可以准备在比1次施行短的期间收集到的复健数据作为学习数据。数据生成部510a也可以准备在比1次施行长的期间收集到的复健数据作为1组学习数据。其中,在以下的说明中,将1组学习数据称为学习用数据组(亦简称为数据组)。
使用图6对数据组的一个例子进行说明。图6是用于说明数据组的表格。一个数据组包括检测数据与教导数据。并且,一个数据组也可以包括设定参数、训练者数据以及工作人员数据。在图6中,将设定参数、检测数据、训练者数据、工作人员数据以及教导数据建立对应而构成一个数据组。其中,如上述那样,教导数据是在训练开始前测定出的步行FIM的实测值。
此外,在图6中,为了简化说明,设定参数、检测数据、训练者数据以及工作人员数据分别表示为一个数据(例如parameter_1),但实际可以具有多个数据。例如,如上所述,设定参数可以具有部分体重免载量、扶手130a的上下位置等2个以上数据。如上所述,训练者数据可以包括训练者900的初始步行FIM、性别以及年龄等2个以上数据。如上所述,工作人员数据可以包括训练工作人员901的年龄以及性别等2个以上数据。
另外,检测数据可以包括加速度传感器、角速度传感器、位置传感器、光传感器、转矩传感器、重量传感器等2个以上传感器的数据。另外,数据组并不局限于检测数据的原始数据,也可以包括对检测数据实施了规定处理的数据。例如,可以将从在一定期间取得的检测数据提取到的特征量作为学习用数据。
例如,数据组可以包括1次施行中的检测数据的最大值、最小值、极大值、极小值、平均值等。数据生成部510a可以根据蓄积于数据蓄积部520的检测数据计算特征量。另外,数据蓄积部520可以蓄积特征量。数据蓄积部520蓄积检测数据的原始数据,学习模型可以具有计算特征量的层。
作为求出根据除去了步行FIM的复健数据导出步行FIM的函数的回归问题,学习部510b能够进行机器学习。或者,由于步行FIM被按照1~7的7个阶段设定,所以学习部510b能够进行机器学习作为分类问题。
学习部510b可以如图7那样通过神经网络来构建学习模型5110。在学习模型5110中,具备输入层5111、输出层5112以及中间层(亦称为隐藏层)。中间层5113设置于输入层5111与输出层5112之间。输入层5111具有多个节点5115,将数据组所包含的各数据作为输入。输出层5112输出步行FIM的推断值。中间层5113具有多个节点5115。各节点具有激活函数。对将各节点连接的边缘进行加权。学习模型5110是将步行FIM作为目的变量、将检测数据等作为说明变量的模型。
这里,利用学习部510b学习的学习模型5110的种类、其算法是任意的,但是作为算法,能够使用神经网络。特别优选使用将中间层5113多层化的深层神经网络(DNN)。作为DNN,例如能够使用采用了误差反向传播法的多层感知机(MLP)等前馈(正向传播型)神经网络。另外,学习模型5110可以是支持向量机(SVM)。
由于输入步行FIM的实测值作为教导数据,所以学习部510b以实测值与推断值一致的方式构建学习模型5110。学习部510b能够构建输出与实测值一致那样的推断值的学习模型5110。学习部510b以使实测值与推断值的误差最小化的方式使未学习模型读入大量的学习用数据。控制部510将构建好的学习模型5110写入至模型存储部521。
学习部510b也可以通过深度学习来构建学习模型。学习部510b也可以通过进行卷积运算的CNN(Convolutional Neural Network)来构建学习模型。该情况下,学习模型5110可以具有卷积层、汇集层等。学习部510b可以通过处理时间序列数据的RNN(RecurrentNeural Network)、LSTM(Long Short Term Memory)等来构建学习模型。在RNN等中,时刻t-1的中间层被结合至时刻t的中间层。例如,在第1次施行中收集到的复健数据为时刻t-1的学习用数据组,在第2次施行中收集到的复健数据为时刻t的学习用数据组。或者,在1次施行中的第1步收集到的复健数据为时刻t-1的学习用数据组,在第2步收集到的复健数据为时刻t的学习用数据组。
这里,列举学习部510b生成使用了MLP的学习完毕模型的例子,来对在学习部510b向未学习模型输入的输入参数以及从未学习模型输出的输出参数的例子进行说明。输入参数分别与输入层的节点对应,输出参数分别与输出层的节点(即目的变量)对应。此外,如上所述,未学习模型并不局限是完全的未学习的情况,也存在是学习中的模型的情况。
或者,为了依次输入1次施行中的各时刻的输入数据,一个数据组也可以包括检测数据等时间序列数据。即,学习用数据组可以包括沿着时间序列的日志数据。可以将如上述那样从日志数据提取出的特征量作为学习数据。并且,数据生成部510a可以以时间序列的检测数据成为图像数据的方式进行数据处理,将该图像数据作为学习用数据。其中,由于作为学习部510b所使用的学习手法,能够使用公知的算法,所以省略详细的说明。
例如,在步行FIM低的训练者900的步行训练中,关节驱动部221、抻拉驱动部214或者保护带驱动部215的驱动转矩变高。在步行FIM高的训练者900的步行训练中,关节驱动部221、抻拉驱动部214或者保护带驱动部215的驱动转矩变低。或者,在步行FIM低的训练者900的步行训练中,脚底的载荷传感器222的偏差变大,在步行FIM高的训练者900的步行训练中,偏差变小。
因此,学习部510b能够构建基于检测数据来推断步行FIM的学习模型。并且,学习部510b将步行FIM的实测值作为教导数据来构建学习模型。由此,学习部510b能够构建以高精度推断步行FIM的学习模型。若机器学习结束,则学习部510b将学习模型5110写入至模型存储部521。
其中,在以下的说明中,将机器学习结束并写入至模型存储部521的学习模型亦称为学习完毕模型。即,将利用阶段中的学习模型亦称为学习完毕模型。当然,在新的复健数据被蓄积于数据蓄积部520的情况下,可以进行追加的机器学习来更新学习完毕模型。
控制部510利用学习完毕模型来根据新的收集到的复健数据推断步行FIM。若新的训练者900进行步行训练,则步行训练装置100取得复健数据。学习完毕模型将该复健数据作为输入而输出步行FIM。学习完毕模型能够高精度地推断未进行步行FIM的测定的训练者900或在测定步行FIM之后经过相当期间的训练者900的步行FIM。因此,即便是进行步行FIM的测定的机会受限的情况,训练工作人员901也能够恰当评价恢复度。并且,能够抑制因训练工作人员901引起的评价的偏差。
此外,学习完毕模型推断了步行FIM作为包括恢复度或者动作能力的指标,但也可以推断步行FIM以外的指标。例如,如图7所示,学习完毕模型可以将中间层5113的节点的输出作为指标。例如,能够将中间层5113之中位于最后段的中间层5114的一个节点5116的输出作为指标。
由于在该情况下也能够将步行FIM作为教导数据来进行有教导机器学习,所以能够构建精度高的学习完毕模型。并且,通过将中间层5114的输出作为指标来使用,能够通过步行FIM以外来求出表示平地步行能力(恢复度)的指标。另外,能够通过7个阶段以上的精细的尺度来评价恢复度或者动作能力。
(学习模型的利用)
控制部510利用学习完毕模型来推断步行FIM的值。若执行新的步行训练,则步行训练装置100取得复健数据(以下,亦称为评价用复健数据)。学习完毕模型将评价用复健数据作为输入来输出步行FIM。例如,能够将在未进行步行FIM的测定的训练者900或在测定步行FIM之后经过相当期间的训练者900的步行训练中收集到的复健数据作为评价用复健数据。此外,收集评价用复健数据的训练者900与收集了学习用数据的训练者900可以相同,也可以不同。另外,收集评价用复健数据的步行训练装置100与收集了作为学习用数据的复健数据的步行训练装置100可以相同,也可以不同。
学习完毕模型能够高精度地推断未进行步行FIM的测定的训练者900或在测定步行FIM之后经过相当期间的训练者900的步行FIM。因此,即便在进行步行FIM的测定的机会受限的情况下,训练工作人员901也能够恰当地评价恢复度或者动作能力。并且,能够抑制因训练工作人员901引起的评价的偏差。训练者900能够进行更恰当的步行训练。例如,训练工作人员901能够基于推断值在下次的训练时设定恰当的设定参数。
通过模型存储部521存储学习完毕模型,使得服务器500作为推断恢复度或者动作能力的推断装置发挥功能。当然,也可以在进行了机器学习的服务器500以外的装置存储学习完毕模型。该情况下,进行机器学习的学习装置与使用学习完毕模型来推断恢复度或者动作能力的推断装置是物理上不同的装置。
服务器500也可以将学习完毕模型发送至步行训练装置100。步行训练装置100经由外部通信装置300接收作为学习完毕模型发挥功能的计算机程序。设置于控制盘133的处理器执行学习完毕模型的计算机程序。即,将来自传感器的检测数据作为学习完毕模型的输入数据。由此,步行训练装置100能够在步行训练中推断步行FIM。这样,在步行训练装置100存储学习完毕模型的情况下,步行训练装置100作为推断步行FIM的推断装置发挥功能。
此外,在上述的说明中,控制部510基于在步行训练装置100中收集到的复健数据来构建了学习模型,但也可以基于从步行训练装置100以外的复健辅助装置收集到的复健数据来构建学习模型。例如,控制部510能够使用从上肢的复健辅助装置或平衡能力的复健辅助装置收集到的复健数据。该情况下,学习模型计算表示上肢的动作能力或者平衡能力的指标。
综上所述,本实施方式所涉及的服务器500作为学习装置发挥功能。服务器500的通信IF作为取得来自复健辅助装置的复健数据的数据取得部发挥功能。其中,复健辅助装置具备辅助训练者的复健动作的促动器和检测与由上述促动器辅助的上述复健动作相关的数据的传感器。数据生成部510a生成包括与上述传感器的检测结果对应的检测数据的复健数据作为学习用数据。学习部510b通过使用上述学习用数据进行机器学习来生成学习模型,该学习模型将上述检测数据作为输入而输出表示不使用促动器的情况下的上述训练者的动作能力的指标。
步行训练装置100能够以将检测数据作为输入而输出表示训练者的动作能力的指标的方式进行动作。由于步行训练装置100作为基于评价用复健数据来推断训练者的动作能力的推断装置发挥功能,所以能够将由上述的学习装置生成的学习模型作为学习完毕模型。由此,能够恰当地评价动作能力,能够进行更恰当的步行训练。
实施方式2.
在实施方式2中,服务器500将训练者900分成多个组。而且,服务器500按每个组构建学习模型。具体而言,服务器500基于训练者数据将训练者进行了聚类。其中,由于实施方式2所涉及的系统的基本结构以及处理与实施方式1同样,所以恰当地省略说明。
使用图8对本实施方式所涉及的处理方法进行说明。图8是用于对控制部510中的处理进行说明的流程图。首先,与实施方式1同样,控制部510取得复健数据(S21)。然后,控制部510将训练者进行分组(S22)。作为进行分组的训练数据,能够使用初始步行FIM、以及SIAS的值。例如,可以将初始步行FIM和SIAS的值一致的训练者作为一个组。此外,只要组的数量为2个以上即可,不特别限定。另外,训练工作人员901等可以进行分组的处理的一部分或者全部。
另外,控制部510可以使用机器学习来构建分组用的学习模型。该情况下,控制部510例如通过无教导学习来构建分组用的学习模型。控制部510使用k平均法等聚类手法来构建学习模型。在k平均法中,若管理者预先输入集群数k(2以上的整数),则包括多个训练者900的集团被聚类为k个集群。此外,聚类可以是非阶层型聚类,也可以是阶层型聚类。
数据生成部510a按每个组准备学习用数据组(S23)。即,数据生成部510a将属于相同组的训练者900的复健数据作为学习用数据组。学习部510b按每个组构建学习模型(S24)。其中,由于步骤S21、步骤S23、步骤S24与实施方式1同样,所以省略说明。
通过这样,学习部510b能够按每个组构建学习模型。模型存储部521按各个组存储学习模型。在学习模型的利用时,控制部510使用训练者900所属的组的学习完毕模型来推断步行FIM。例如,若服务器500取得评价用的复健数据,则能够通过k近邻法(knn法)来决定具有与该训练者900类似的属性的训练者的组。由于控制部510能够使用适于训练者900的学习完毕模型,所以能够提高步行FIM的推断精度。
实施方式3.
使用图9对实施方式3所涉及的服务器500进行说明。图9是服务器500的功能框图。在本实施方式中,对控制部510追加了推荐设定参数输出部510c。由于推荐设定参数输出部510c以外的结构以及处理与实施方式1、2同样,所以省略说明。
推荐设定参数输出部510c按每个组来计算表示动作能力的指标的统计值。推荐设定参数输出部510c基于统计值与推断值来输出所推荐的设定参数(以下,称为推荐设定参数)。
作为表示动作能力的指标的统计值,能够使用步行FIM的变化速度即FIM效率。图10是表示步行FIM的变化速度的图表,横轴是时间(例如入院天数或者训练天数),纵轴是步行FIM。在图10中,示出了初始步行FIM低的组1与初始步行FIM高的组2的图表。具体而言,在组1中,初始步行FIM为2,组2的初始步行FIM基于从过去对于多个训练者900进行的步行训练的复健数据提取出的(天数、步行FIM)的数据对。图10利用白圈描绘了实测值的数据。
例如,推荐设定参数输出部510c通过对于多个数据对进行最小二乘法等来求出变化速度的近似函数。而且,使用步行FIM的变化速度的近似函数作为统计值。此外,统计值可以仅根据步行FIM的实测值来求出,也可以根据实测值以及推断值来求出。并且,统计值可以仅根据推断值来求出。在图10中,将步行FIM的变化速度的近似直线作为统计值,但也可以将多项式等的近似曲线作为统计值。
在步行FIM的推断值显著低于统计值的情况下,推测为步行训练并不有效。因此,推荐设定参数输出部510c可以提示推荐设定参数以便改善步行训练的设定参数。例如,推荐设定参数输出部510c以训练者900的训练天数为基准来将推断值与基于统计值的阈值进行比较。例如,能够将相对于统计值的规定的比例作为阈值。在图10中,对于组1的统计值设定阈值TH1,对于组2的统计值设定阈值TH2。阈值TH1、TH2分别被表示为相对于天数逐渐增加的线性函数。若组以及天数确定,则推荐设定参数输出部510c能够获得阈值。阈值TH1、TH2在各个组中表示相对于训练天数的目标恢复度(亦称为目标动作能力)。
在图10中,推断值E是属于组1的训练者900的步行FIM的推断值。由于步行FIM的推断值E小于根据统计值设定的阈值TH1,所以推荐设定参数输出部510c判定为步行训练并不有效,输出对训练有效的设定参数。即,在推断值未达到目标恢复度的情况下,推荐设定参数输出部510c输出推荐设定参数。
控制部510经由通信IF514将推荐设定参数发送至步行训练装置100。若步行训练装置100接收到推荐设定参数,则将其显示于管理用监视器139。确认了管理用监视器139的训练工作人员901基于推荐设定参数来变更或者调整设定参数。当然,步行训练装置100可以自动设定推荐设定参数。推荐设定参数并不限定于所有种类的设定参数,只要为1个种类以上即可。
推荐设定参数输出部510c能够基于在过去的步行训练中使用的设定参数来设定推荐设定参数。例如,推荐设定参数输出部510c在组内预先提取步行FIM的变化速度高即有效地进行了步行训练的训练者作为推荐训练者。在推荐训练者的步行训练中收集到的复健数据中,将训练天数以及步行FIM的值与训练者900接近时的设定参数作为推荐设定参数。
当然,可以在1个组中预先设定多个推荐训练者。在设定有多个推荐训练者的情况下,可以从多个推荐训练者之中选择与训练者900类似的一个推荐训练者。或者,可以将多个推荐训练者的设定参数的平均值、中央值等代表值作为推荐设定参数。
使用图11对服务器500中的处理进行说明。图11是表示在服务器500中求取推荐设定参数的处理的流程图。此外,图11所示的处理的一部分或者全部也可以在步行训练装置100中执行。
首先,服务器500取得最新的复健数据(S31)。于是,推荐设定参数输出部510c基于复健数据所包含的训练者数据来决定训练者所属的组(S32)。例如,推荐设定参数输出部510c能够参照蓄积于数据蓄积部520的过去的复健数据来决定与最新的复健数据的训练者具有类似的属性的训练者的组。
推荐设定参数输出部510c使用knn法来决定训练者900所属的组。推荐设定参数输出部510c例如从训练者数据提取包含多个特征量的特征量向量。推荐设定参数输出部510c针对特征量向量决定过去的训练者中的最位于近邻的k个训练者。而且,推荐设定参数输出部510c将k个过去的训练者最多所属的组决定为评价时的训练者所属的组。
推荐设定参数输出部510c使用所决定的组的学习完毕模型来推断步行FIM(S33)。推荐设定参数输出部510c将包含检测数据等的复健数据输入至学习完毕模型。由此,学习完毕模型输出步行FIM的推断值。然后,推荐设定参数输出部510c对推断值是否小于阈值进行判定(S34)。如上述那样,阈值是基于每组的统计值而设定的值。而且,推荐设定参数输出部510c将最新的训练者的训练天数等作为基准来将推断值与阈值进行比较。
在推断值不小于阈值的情况下(S34的否),推荐设定参数输出部510c直接结束处理。在推断值小于阈值的情况下(S34的是),推荐设定参数输出部510c输出推荐设定参数(S35)。如上述那样,服务器500将推荐设定参数发送至步行训练装置100。另外,推荐设定参数基于组内的过去的复健数据来设定。
通过这样,能够以更恰当的设定参数进行训练。因此,由于能够更有效地进行训练,所以能够提高步行训练的表现。推荐设定参数输出部510c可以在训练中实时输出推荐设定参数。或者,推荐设定参数输出部510c可以按步行训练的每1次施行或者按每1天的步行训练来输出推荐设定参数。
另外,学习部510b可以生成输出推荐设定参数的学习模型。例如,学习模型可以将与训练天数、组相关的训练者数据作为输入而输出推荐设定参数。
实施方式4.
在本实施方式的说明之前,对步行训练中的异常步行模式进行说明。本申请发明人们获知在偏瘫患者中能够观察到的异常步行存在被分类为至少7个的模式。即,可知若对于各个模式决定异常步行基准,则在训练者的步态与任一个异常步行基准一致的情况下,能够评价为该步行动作为异常步行。鉴于此,在本实施方式所涉及的步行训练装置100中,步行评价部210a将各瘫痪体部的动作量与各异常步行基准进行比较来对该步行动作是否为异常步行进行评价。以下,对各个异常步行基准和该评价手法进行说明。
图12是对第一异常步行基准进行说明的图。图12是相对于步行方向从侧方观察病腿侧的下半身亦即瘫痪体部的情况下的示意图,从上起依次表示躯干TL、髋关节HJ、大腿HL、膝关节NJ、小腿CL、踝关节FJ、脚FL。其中,在本实施例中,“腿”以及“腿部”作为表示比髋关节HJ靠下部整体的用语使用,将“脚”以及“脚部”作为表示从脚踝至脚尖为止的部分的用语使用。
为了判断是否与第一异常步行基准一致,整体控制部210检测病腿完成摆腿期而着地时的、从髋关节HJ至踝关节FJ为止的沿着步行方向的距离X1作为伴随着步行动作的第一动作量。若为健康腿的通常步行,则完成摆腿期而着地的地点应该位于比髋关节HJ靠向步行方向(前方)的位置。然而,在病腿的步行中,由于不使病腿充分摆动,所以无法充分移动腿至前方,存在着地在比髋关节HJ稍靠前方、着地在比髋关节HJ靠后方的情况。
鉴于此,设定“小于基准距离Xc1”作为第一异常步行基准。若在步行动作中检测到的距离X1小于基准距离Xc1,则判断为异常步行。整体控制部210取得来自载荷传感器222的检测信号和来自照相机140的图像数据,使用这些信息来检测摆腿期的结束时刻的距离X1。例如在设定为Xc1=20cm(=从髋关节HJ向前方20cm)的情况下,当检测到的距离X1为10cm或-5cm时,步行评价部210a将该步行动作评价为异常步行。基准距离Xc1可以根据训练者的体格、复健的进展程度等而变更。
图13是对第二异常步行基准进行说明的图。图13是表示相对于步行方向从侧方观察病腿侧的下半身亦即瘫痪体部的情况下的示意图,与图12同样地表示各体部。
为了判断是否与第二异常步行基准一致,整体控制部210检测病腿的摆腿期内的脚底载荷X2作为伴随着步行动作的第二动作量。若为健康腿的通常步行,则脚底在摆腿期不会接地。然而,由于在病腿的步行中,提起整条腿的力不足,所以存在成为以脚底接地的状态将腿向前方抬出那样的所谓的拖地步行的情况。
鉴于此,设定“大于基准载荷Xc2”作为第二异常步行基准。若在步行动作中检测到的载荷X2大于基准载荷Xc2,则判断为异常步行。整体控制部210取得来自载荷传感器222的检测信号和来自照相机140的图像数据,使用这些信息来检测摆腿期内的载荷X2。通常设定为Xc2=0。即,若在摆腿期中哪怕检测到一点来自脚底的载荷,步行评价部210a都将该步行动作评价为异常步行。但是,根据复健的进展程度等而允许少量的接地,例如也可以设定为Xc2=10N。另外,可以将摆腿期中的累计载荷作为基准值。
图14是对第三异常步行基准进行说明的图。图14是相对于步行方向从侧方观察病腿侧的下半身亦即瘫痪体部的情况下的示意图,与图12同样地表示各体部。
为了判断是否与第三异常步行基准一致,整体控制部210检测病腿的立腿中的膝关节NJ的屈曲角度X3作为伴随着步行动作的第三动作量。若为健康腿的通常步行,则立腿中的膝关节NJ不那么屈曲。然而,在病腿的步行中,由于膝关节NJ支承上身的力不足,所以存在膝关节NJ在立腿中大幅屈曲的情况。根据情况不同,会引起所谓的折膝。
鉴于此,设定“小于基准角度Xc3”作为第三异常步行基准。若在步行动作中检测到的屈曲角度X3小于基准角度Xc3,则判断为异常步行。整体控制部210取得来自角度传感器223的检测信号和来自照相机140的图像数据,使用这些信息来检测立腿中的屈曲角度X3。例如,在设定为Xc3=165度的情况下,当检测到的屈曲角度X3为140度时,步行评价部210a将该步行动作评价为异常步行。此外,若在立腿中连续检测到的屈曲角度X3哪怕一次小于基准角度Xc3,则步行评价部210a也将该步行动作评价为异常步行。基准角度Xc3可以根据训练者的年龄、复健的进展程度等而变更。
图15是对第四异常步行基准进行说明的图。图15是相对于步行方向从侧方观察病腿侧的下半身亦即瘫痪体部的情况下的示意图,与图12同样地表示各体部。
为了判断是否与第四异常步行基准一致,整体控制部210检测病腿从立腿期向摆腿期切换的摆动时的、从髋关节HJ至踝关节FJ为止的沿着步行方向的距离X4作为伴随着步行动作的第四动作量。若为健康的正常人的步行,则摆动时的踝关节FJ相对于髋关节HJ在某种程度上位于后方。然而,在瘫痪患者的步行中,由于无法自如地进行上身的体重移动,所以踝关节FJ在充分远离髋关节HJ之前就开始摆动。
鉴于此,设定“基准距离Xc4以上”作为第四异常步行基准。若在步行动作中检测到的距离X4为基准距离Xc4以上,则判断为异常步行。整体控制部210取得来自载荷传感器222的检测信号和来自照相机140的图像数据,使用这些信息来检测从立腿期向摆腿期切换的摆动时刻的距离X4。例如,在设定为Xc4=-20cm(=从髋关节HJ向后方20cm)的情况下,当检测到的距离X4为-10cm(=从髋关节HJ向后方10cm)或5cm(=从髋关节HJ向前方5cm)时,步行评价部210a将该步行动作评价为异常步行。基准距离Xc4可以根据训练者的体格、复健的进展程度等而变更。
图16是对第五异常步行基准进行说明的图。图16是相对于步行方向从侧方观察病腿侧的下半身亦即瘫痪体部的情况下的示意图,与图12同样地表示各体部。
为了判断是否与第五异常步行基准一致,整体控制部210检测病腿的立腿中的躯干TL向前方向的倾斜角度X5作为伴随着步行动作的第五动作量。若为健康的正常人的通常步行,则立腿中的躯干TL相对于通过髋关节HJ的铅垂线为向前方稍微倾斜的程度。然而,在瘫痪患者的步行中,为了庇护下半身,存在躯干TL相对于通过髋关节HJ的铅垂线大幅前倾的情况。
鉴于此,设定“基准角度Xc5以上”作为第五异常步行基准。若在步行动作中检测到的向前方的倾斜角度X5为基准角度Xc5以上,则判断为异常步行。整体控制部210取得来自姿势传感器217的检测信号和来自照相机140的图像数据,使用这些信息检测立腿中的倾斜角度X5。例如,在设定为Xc5=10度的情况下,当检测出的倾斜角度X5为30度时,步行评价部210a将该步行动作评价为异常步行。其中,若在立腿中连续检测出的倾斜角度X5哪怕一次为基准角度Xc5以上,则步行评价部210a也将该步行动作评价为异常步行。基准角度Xc5可以根据训练者的年龄、复健的进展程度等而变更。
图17是对第六异常步行基准进行说明的图。图17是从步行方向正面观察病腿侧的下半身亦即瘫痪体部的情况下的示意图,与图12同样地表示各体部。
为了判断是否与第六异常步行基准一致,整体控制部210检测病腿的立腿中的躯干TL向病腿侧的倾斜角度X6作为伴随着步行动作的第六动作量。若为健康的正常人的通常步行,则立腿中的躯干TL相对于通过髋关节HJ的铅垂线偏基本不会向左右方向晃动。然而,在瘫痪患者的步行中,由于对于体重施加于病腿侧的恐惧心理等,存在躯干TL相对于通过髋关节HJ的铅垂线向病腿侧大幅前倾的情况。
鉴于此,设定“基准角度Xc6以上”作为第六异常步行基准。若在步行动作中检测出的向病腿侧的倾斜角度X6为基准角度Xc6以上,则判断为异常步行。整体控制部210取得来自姿势传感器217的检测信号和来自照相机140的图像数据,使用这些信息来检测立腿中的倾斜角度X6。例如,在设定为Xc6=10度的情况下,当检测出的倾斜角度X6为20度时,步行评价部210a将该步行动作评价为异常步行。此外,若在立腿中连续检测出的倾斜角度X6哪怕一次为基准角度Xc6以上,则步行评价部210a也将该步行动作评价为异常步行。基准角度Xc6可以根据训练者的年龄、复健的进展程度等而变更。
图18是对第七异常步行基准进行说明的图。图18是相对于步行方向从侧方观察病腿侧的下半身亦即瘫痪体部的情况下的示意图,与图12同样地表示各体部。
为了判断是否与第七异常步行基准一致,整体控制部210检测病腿的摆腿中的躯干TL向前方向的倾斜角度X7作为伴随着步行动作的第七动作量。若为健康的正常人的通常步行,则摆腿中的躯干TL相对于通过髋关节HJ的铅垂线向前方倾斜某种程度。然而,在瘫痪患者的步行中,无法自如地进行上身的体重移动而后仰,存在躯干TL相对于通过髋关节HJ的铅垂线向后方倾斜的情况。
鉴于此,设定“小于基准角度Xc7”作为第七异常步行基准。若在步行动作中检测出的向前方的倾斜角度X7小于基准角度Xc7,则判断为异常步行。整体控制部210取得来自姿势传感器217的检测信号和来自照相机140的图像数据,使用这些信息来检测摆腿中的倾斜角度X7。例如,在设定为Xc7=-5度(=向后方倾斜5度)的情况下,当检测出的倾斜角度X7为-20度时,步行评价部210a将该步行动作评价为异常步行。此外,若在摆腿中连续检测出的倾斜角度X7哪怕一次小于基准角度Xc7,则步行评价部210a也将该步行动作评价为异常步行。基准角度Xc7可以根据训练者的年龄、复健的进展程度等而变更。
以上,对7个异常步行基准进行了说明,但也可以增加其他的异常步行基准。在决定异常步行基准时,重要的是决定多个而非单个,该情况下的异常步行基准可以至少包括与瘫痪体部的相互不同的部位的动作量相关的2个以上基准、或者包括与瘫痪体部的同一部位向相互不同的方向的动作量相关的2个以上基准。
这里,与相互不同的部位的动作量相关的2个以上基准可从与躯干的动作量相关的基准、与膝关节的动作量相关的基准以及与从脚踝至脚尖的脚部的动作量相关的基准中选择。在上述的例子中,与躯干的动作量相关的基准是第五、六、七基准,与膝关节的动作量相关的基准是第三基准,与脚部的动作量相关的基准是第一、二、四基准。通过实验知晓:若这样选择所着眼的动作量,则在应该将实际的步态评价为异常步行的情况下,即便是根据一方的动作量不评价为异常步行的情况但根据另一方的动作量评价为异常步行的情况也很多。
另外,与瘫痪体部的同一部位向相互不同的方向的动作量相关的2个以上基准可以包括与躯干相对于步行方向的动作量相关的基准和相对于与步行方向正交的正交方向的动作量相关的基准。在上述的例子中,相当于第五以及第七任一个基准与第六基准的关系。通过实验可知:即使这样组合所着眼的动作量,在应该将实际的步态评价为异常步行的情况下,即便是根据一方的动作量未评价为异常步行的情况但根据另一方的动作量评价为异常步行的情况也很多。
另外,知晓了异常步行基准可以在病腿的摆腿期与立腿期分别是不同的基准。第一基准与第四基准相互是同一部位的相同方向的基准,但分别着眼于从摆腿期向立腿期切换的时刻和从立腿期向摆腿期切换的时刻。另外,第五基准与第七基准同样相互是同一部位的相同方向的基准,但分别着眼于立腿期和摆腿期。即,即便是同一部位且相同方向的动作量,若划分观察时刻,则也能够评价为步行动作不同的特征量。
接下来,对步行训练装置100的处理动作进行说明。图19是表示处理动作的流程图。从由训练者900或者操作人员选择训练菜单、启动一系列训练程序的时刻开始流程。
整体控制部210在步骤S101中将步行周期计数器n复位。而且,驱动跑步机驱动部211而开始带132的旋转,并且根据所设定的调整值驱动抻拉驱动部214以及关节驱动部221来执行训练者900的步行辅助。若训练者900开始步行动作,则在步骤S102中取得伴随着步行动作的各动作量。具体而言,利用图像处理部216解析从照相机140取得的图像信号、利用整体控制部210取得来自姿势传感器217、载荷传感器222、角度传感器223的检测信号并换算为动作量。
整体控制部210在步骤S103中对一个步行周期是否结束进行判断。异常步行的评价可以按病腿的每一步来执行,但在本实施方式中,按病腿的一步和与之连续的健康腿的一步的一个周期来执行评价。因此,整体控制部210若判断为一个步行周期结束,则进入至用于执行评价的步骤S104,若判断为尚未结束,则返回到步骤S102而继续各动作量的取得。
整体控制部210的步行评价部210a在步骤S104中执行异常步行的评价。具体而言,汇总步行动作中的各部位、各方向、各期间的动作量,对是否与上述的各异常步行基准一致进行确认。在评价为异常步行的情况下,将该步行动作判定为失败步行。步行评价部210a在步骤S105中对动作量是否与上述的各异常步行基准的哪怕一个一致进行判断,在判断为与动作量的哪怕一个一致的情况下,进入至步骤S106,将“0”代入至第n步的评价变量En。而且,整体控制部210将该一步为失败步行的内容经由显示控制部213显示于训练用监视器138以及管理用监视器139。另一方面,当在步骤S105中判断为动作量与上述的各异常步行基准的任一个都不一致的情况下,进入至步骤S108,将“1”代入至第n步的评价变量En。而且,整体控制部210将该一步为成功步行的内容经由显示控制部213显示于训练用监视器138以及管理用监视器139。
这里,在训练中实时显示是失败步行的内容的情况下,训练用监视器138以及管理用监视器139可以简单地进行单一的显示而不显示与哪个异常步行基准一致。或者,训练用监视器138以及管理用监视器139可以表示是否与每个异常步行基准一致。该情况下,只要按每个模式准备上述的评价变量En即可。此外,展示是否为失败步行的构件并不局限于管理用监视器139,还能够利用蜂鸣器声、闪烁光等。该情况下,优选声音、光也简单地以单一的方式表示给训练者900。这样展示是失败步行的内容的管理用监视器139、产生声音、光的设备等作为对与步行评价部210a的评价相关的信息进行展示的展示部发挥功能。
若在步骤S107中完成失败显示,或者在步骤S109中完成成功显示,则整体控制部210进入至步骤S110,将步行周期计数器n自加1。然后,在步骤S111中,对步行周期计数器n是否达到在一系列步行训练程序中预定的步行周期数n0进行判断。若判断为未达到,则返回到步骤S102,继续步行训练控制。若判断为达到,则进入至步骤S112。
整体控制部210的训练判定部210b在步骤S112中将一系列连续步行的步行训练试验中的评价结果汇总,进行用于表示步行训练试验的成功程度的判定。具体而言,训练判定部210b计算失败步行数相对于病腿的总步行数的比例、评价使保护带驱动部215动作的跌倒规避动作数来导出训练判定结果。在训练判定部210b将判定结果在步骤S113中经由显示控制部213显示于训练用监视器138以及管理用监视器139之后,整体控制部210结束一系列处理。
步行评价部210a基于预先设定的异常步行基准来进行异常步行判定。即,在动作量与异常步行基准一致的情况下,步行评价部210a判定为步行动作符合与该异常步行基准对应的异常步行模式,在动作量与异常步行基准不一致的情况下,步行评价部210a判定为步行动作不符合与该异常步行基准对应的异常步行模式。步行训练装置100记录步行动作是否符合异常步行模式的判定结果作为检测数据。
图20是表示异常步行模式的判定结果的表。如图20所示,检测数据按每一步包括是否符合7个异常步行模式的判定结果。在图20中,与异常步行基准一致的情况成为表示为符合异常步行模式的NG,与异常步行基准不一致的情况成为表示为不符合异常步行模式的OK。当然,也存在一步符合2个以上异常步行模式的情况。在上述的说明中,异常步行的模式数为7个,但也可以小于7,也可以为8以上。即,异常步行的模式数只要为1以上即可。此外,步行训练装置100可以按每一步将判定结果与拍摄到步行动作的动态图像建立对应地存储。
步行训练装置100将是否符合图20所示那样的异常步行模式的判定结果作为检测数据并发送至服务器500。服务器500将是否符合异常步行模式的判定结果作为复健数据的一部分进行收集。此外,步行训练装置100并不局限于将判定结果本身作为检测数据进行发送的构成,也可以发送用于进行判定的数据(例如距离X1等)。而且,服务器500也可以进行异常步行判定。
控制部510使用异常步行判定的判定结果来进行机器学习。具体而言,数据生成部510a在异常步行判定的判定结果变化了的时机的前后生成数据组。学习部510b使用判定结果发生变化的前后的数据组来进行基于RNN的机器学习。
例如,在图20所示的判定结果中,在第1~2步中无步行异常,在第3步中符合步行异常模式1,在第4~7步中无步行异常。另外,在第8步、第9步中产生步行异常模式2、7,它们相同。因此,数据生成部510a将第2步、第3步、第4步、第7步、第8步的数据分别作为1个数据组。换言之,由于在第4步~第7步中无步行异常而未变化,所以数据生成部510a将第5步、第6步的数据从学习用数据组排除。通过这样,能够准备变化大的数据组。并且,由于能够排除变化小的数据组,所以能够抑制计算处理的负荷。
并不局限于检测数据存在变化的情况,数据生成部510a也可以在设定参数存在变化的前后生成数据组。例如,当训练工作人员901在1次施行的训练中改变了步行训练装置100的辅助程度等设定参数的情况下,整体控制部210按每1步记录设定参数的变化。例如,如图21所示,整体控制部210只要按每1步记录设定参数的值即可。
设定参数1~N为各自不同的参数。例如,设定参数1为跑步机速度[km/h],设定参数2为部分体重免载量[%]等。步行训练装置100将每1步的设定参数的设定值发送至服务器500。而且,与设定参数的判定结果的情况同样,服务器500在存在设定参数的变化的前后生成数据组。
此外,在上述的例子中,数据生成部510a按每1步生成一个数据组,但也可以将集合了多步的数据作为一个数据组。例如,数据生成部510a可以将多步量的数据作为一个数据组。或者,数据生成部510a可以将1次施行量的数据作为一个数据组。
图22表示本实施方式中的学习模型5210。具体而言,学习模型5210成为具备输入层5211、中间层5213以及输出层5212的RNN。对输入层5211按照时间序列依次输入数据组。在作为RNN的学习模型5210中,中间层5213的输出被再次输入至中间层5213。
这样,数据生成部510a将异常步行判定的判定结果、设定参数变化的前后的数据分别作为一个数据组。通过这样,学习部510b能够恰当地进行机器学习。即,数据生成部510a能够以简便的计算生成精度更高的学习完毕模型。
[实施例1]
使用图23对实施例1涉及的学习完毕模型进行说明。图23是用于对为了构建学习完毕模型而使用的学习数据进行说明的图。在本实施例中,数据生成部510a使成为学习用数据的检测数据为二维图像数据。具体而言,设置于步行辅助装置120的载荷传感器222检测施加于脚底的载荷。而且,辅助控制部220求出载荷的中心(COP:Center of Pressure)。由于载荷传感器222的采样率例如为30msec,所以COP成为30msec间隔的日志数据。数据生成部510a取出1个步行周期量的COP的日志数据作为轨迹数据D1。轨迹数据D1例如是纵100像素×横100像素的1比特图像。其中,1个步行周期是与病腿的1步对应的时间、即病腿着地之后至离地为止的时间。
并且,数据生成部510a将10个轨迹数据D1统一成为一个轨迹数据D10。即,轨迹数据D10将1次施行中的10个步行周期量的COP的轨迹表示为二维图像数据。轨迹数据D10例如是纵100像素×横100像素的1比特图像。
数据生成部510a根据对于多个训练者900收集到的复健数据生成多个轨迹数据D10。并且,数据生成部510a对于各个轨迹数据D10标注步行FIM的实测值作为教导数据(正解标签)。即,数据生成部510a将轨迹数据D10与步行FIM的实测值作为1组学习用数据。
准备了2400个上述的数据组。具体而言,从30个训练者900的步行训练收集了24000步量的复健数据。学习部510b在CNN模型进行了安装。利用学习部510b构建好的学习完毕模型进行了验证测试。即,服务器500从收集到学习用数据的训练者900以外的训练者900的步行训练收集了COP数据作为复健数据。而且,数据生成部510a根据10个步行周期量的COP数据生成轨迹数据D10,作为学习完毕模型的输入数据。验证测试中的验证精度为0.625左右。
[实施例2]
在实施例2中,对实施例1的学习用数据的数据组追加了设定参数。即,数据生成部510a将轨迹数据D10、步行FIM的实测值、设定参数作为1组而生成为学习用数据。如上述那样,设定参数包括步行训练装置100中的辅助程度、免载量等。设定参数例如为10维或者16维的向量。学习部510b对于轨迹数据D10与设定参数标注步行FIM的实测值作为教导数据(正解标签)。
学习部510b构建图24所示的学习模型5310。学习模型5310具备特征提取部5311、MLP(多层感知机)5312、连结层5313、以及全结合层5314。特征提取部5311将轨迹数据D10作为输入来提取作为二维图像的轨迹数据D10的特征。例如,能够使用在实施例1中构建的学习完毕模型的一部分或者全部作为特征提取部5311。
MLP5312将设定参数作为输入数据。连结层5313将特征提取部5311与MLP5312连结。即,对连结层5313输入特征提取部5311和MLP5312的输出。连结层5313的输出通过全结合层5314而输出步行FIM的推断值。
实施例2的验证精度为0.841。因此,通过将设定参数作为输入数据使用,能够构建精度更高的学习完毕模型。
[实施例3]
在实施例3中,除了实施例2的数据组之外还追加了初始步行FIM。其中,初始步行FIM是为了在复健开始之前评价偏瘫患者的症状的轻重而实测出的值。例如,中风等的训练者900在手术后、第一次步行训练之前测定的值为初始步行FIM。或者,初始步行FIM也可以是在入院中第一次测定的平地步行FIM。越恰当地进行步行训练,则初始步行FIM的输入率越高。因此,初始步行FIM容易作为学习数据使用。初始步行FIM与设定参数一同被输入至MLP5312。
实施例3的验证精度为0.884。通过将设定参数以及初始步行FIM作为输入数据使用,能够构建精度更高的学习完毕模型。通过使用初始步行FIM等训练者数据来进行机器学习,能够提高推断精度。
另外,上述的服务器500或者步行训练装置100中的处理的一部分或者全部能够作为计算机程序实现。另外,由服务器500或者步行训练装置100执行的学习完毕模型能够作为计算机程序实现。例如,服务器500或者步行训练装置100通过执行作为计算机程序的学习完毕模型来输出步行FIM等的推断值。
这样的程序能够使用各种类型的非暂时性计算机可读介质储存,并供给至计算机。非暂时性计算机可读介质包括各种类型的具有实体的记录介质。非暂时性计算机可读介质的例子包括磁记录介质(例如软盘、磁带、硬盘驱动器)、光磁记录介质(例如磁光盘)、CD-ROM(Read Only Memory)、CD-R、CD-R/W、半导体存储器(例如掩模ROM、PROM(Programmable ROM)、EPROM(Erasable PROM)、闪速ROM、RAM(Random Access Memory))。另外,程序可以通过各种类型的暂时性计算机可读介质供给至计算机。暂时性计算机可读介质的例子包括电信号、光信号以及电磁波。暂时性计算机可读介质能够经由电线以及光纤等有线通信路径或者无线通信路径将程序供给至计算机。
此外,本发明并不局限于上述实施方式,在不脱离主旨的范围内能够恰当地变更。
Claims (20)
1.一种复健辅助系统,其特征在于,包括:
促动器,构成为辅助训练者的复健动作;
传感器,构成为对与由所述促动器辅助的所述复健动作相关的数据进行检测;以及
存储介质,存储学习完毕模型,该学习完毕模型将与所述传感器中的检测结果对应的检测数据作为输入而输出对不使用所述促动器的情况下的所述训练者的动作能力进行表示的指标。
2.根据权利要求1所述的复健辅助系统,其特征在于,
所述复健辅助系统是用于进行所述训练者的步行训练的步行训练系统,
所述促动器用于辅助所述训练者的步行动作,
所述指标是不使用所述促动器的情况下的所述训练者的步行能力的推断值。
3.根据权利要求2所述的复健辅助系统,其特征在于,
所述传感器为了检测所述训练者的步行动作中的多个动作量而设置,
在所述动作量的至少一个与预先决定的异常步行基准中的任一个一致的情况下,所述复健辅助系统评价为所述步行动作是异常步行,
所述检测数据包含是否是所述异常步行的评价结果。
4.根据权利要求1~3中任一项所述的复健辅助系统,其特征在于,
所述学习完毕模型将与所述促动器的设定相关的设定参数作为输入而输出所述指标。
5.根据权利要求1~4中任一项所述的复健辅助系统,其特征在于,
所述学习完毕模型将与所述训练者相关的训练者数据作为输入而输出所述指标。
6.根据权利要求1~5中任一项所述的复健辅助系统,其特征在于,
所述促动器辅助多个训练者的复健动作,
根据与所述训练者相关的训练者数据将所述多个训练者分类成组,按每个所述组来设定不同的所述学习完毕模型。
7.一种推断装置,对利用复健辅助装置进行复健的训练者的动作能力进行推断,其特征在于,包括:
数据取得部,构成为取得与所述训练者的复健相关的复健数据;和
推断部,构成为基于所述复健数据来推断所述动作能力,
所述复健辅助装置具备:
促动器,构成为辅助所述训练者的复健动作;和
传感器,构成为对与由所述促动器辅助的所述复健动作相关的数据进行检测,
所述复健数据包含与所述传感器中的检测结果对应的检测数据,
在所述推断部中使用学习完毕模型,该学习完毕模型将所述检测数据作为输入而输出对不使用所述促动器的情况下的所述动作能力进行表示的指标。
8.一种推断方法,对利用复健辅助装置进行复健的训练者的动作能力进行推断,其特征在于,具备如下步骤:
取得与所述训练者的复健相关的复健数据;和
基于所述复健数据来推断所述动作能力,
所述复健辅助装置具备:
促动器,构成为辅助所述训练者的复健动作;和
传感器,构成为对与由所述促动器辅助的所述复健动作相关的数据进行检测,
所述复健数据包含与所述传感器中的检测结果对应的检测数据,
在推断所述动作能力时使用学习完毕模型,该学习完毕模型将所述检测数据作为输入而输出对不使用所述促动器的情况下的所述动作能力进行表示的指标。
9.一种非暂时性存储介质,其特征在于,
存储能够由一个或者多个处理器执行且使所述一个或者多个处理器执行权利要求8所述的推断方法的命令。
10.一种学习装置,其特征在于,包括:
数据取得部,构成为取得来自复健辅助装置的复健数据,该复健辅助装置具备构成为辅助训练者的复健动作的促动器、和构成为对与由所述促动器辅助的所述复健动作相关的数据进行检测的传感器;
数据生成部,构成为生成包含表示所述训练者的动作能力的指标和与所述传感器中的检测结果对应的检测数据的复健数据作为学习用数据;以及
学习部,构成为通过使用所述学习用数据进行机器学习来生成学习模型,该学习模型将所述检测数据作为输入而输出对不使用所述促动器的情况下的所述训练者的动作能力进行表示的指标。
11.根据权利要求10所述的学习装置,其特征在于,
所述复健辅助装置是用于进行所述训练者的步行训练的步行训练装置,
所述促动器用于辅助所述训练者的步行动作,
所述复健数据包含不使用所述促动器的情况下的所述训练者的步行能力的实测值作为表示所述训练者的动作能力的指标,
所述学习部将所述步行能力的实测值作为教导数据来进行学习。
12.根据权利要求11所述的学习装置,其特征在于,
所述传感器为了检测所述训练者的步行动作中的多个动作量而设置,
在所述动作量的至少一个与预先决定的异常步行基准中的任一个一致的情况下,所述复健辅助装置评价为所述步行动作是异常步行,
所述复健数据包含是否是所述异常步行的评价结果作为所述检测数据。
13.根据权利要求10~12中任一项所述的学习装置,其特征在于,
所述数据取得部取得与所述促动器的设定相关的设定参数作为所述复健数据,
所述学习部生成将所述设定参数作为输入而输出所述指标的学习模型。
14.根据权利要求10~13中任一项所述的学习装置,其特征在于,
所述学习部生成将与所述训练者相关的训练者数据作为输入而输出所述指标的学习模型。
15.根据权利要求10~14中任一项所述的学习装置,其特征在于,
所述促动器辅助多个训练者的复健动作,
根据与所述训练者相关的训练者数据将所述多个训练者分类成组,所述学习部按每个所述组来生成不同的所述学习模型。
16.一种非暂时性存储介质,存储有学习完毕模型,该学习完毕模型能够由一个或者多个处理器执行且用于使所述一个或者多个处理器以基于由复健辅助装置取得的评价用复健数据来推断训练者的动作能力的方式发挥功能,
所述非暂时性存储介质的特征在于,
所述学习完毕模型是由权利要求10~15中任一项所述的学习装置生成的学习模型。
17.根据权利要求16所述的非暂时性存储介质,其特征在于,
存储有将所述检测数据与所述指标建立关联而学习了的学习完毕模型。
18.一种学习方法,其特征在于,包括如下步骤:
取得来自复健辅助装置的复健数据,该复健辅助装置具备构成为辅助训练者的复健动作的促动器、和构成为对与由所述促动器辅助的所述复健动作相关的数据进行检测的传感器;
生成包含表示所述训练者的动作能力的指标和与所述传感器中的检测结果对应的检测数据的复健数据作为学习用数据;以及
通过使用所述学习用数据进行机器学习来生成学习模型,该学习模型将所述检测数据作为输入而输出对不使用所述促动器的情况下的所述训练者的动作能力进行表示的指标。
19.一种非暂时性存储介质,其特征在于,
存储能够由一个或者多个处理器执行且使所述一个或者多个处理器执行权利要求18所述的学习方法的命令。
20.一种复健辅助系统的动作方法,所述复健辅助系统具备构成为辅助训练者的复健动作的促动器、和构成为对与由所述促动器辅助的所述复健动作相关的数据进行检测的传感器,
所述复健辅助系统的动作方法的特征在于,包括如下步骤:
取得与所述传感器中的检测结果对应的检测数据;和
将所述检测数据作为输入而输出对不使用所述促动器的情况下的所述训练者的动作能力进行表示的指标。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019-119947 | 2019-06-27 | ||
JP2019119947A JP7255392B2 (ja) | 2019-06-27 | 2019-06-27 | リハビリ支援システム、推定装置、学習装置、方法、プログラム、及び学習済みモデル |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112137844A true CN112137844A (zh) | 2020-12-29 |
Family
ID=71069782
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010474968.3A Pending CN112137844A (zh) | 2019-06-27 | 2020-05-29 | 复健辅助系统、推断装置、学习装置、方法及存储介质 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20200411194A1 (zh) |
EP (1) | EP3756543B1 (zh) |
JP (1) | JP7255392B2 (zh) |
CN (1) | CN112137844A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116564477A (zh) * | 2023-05-17 | 2023-08-08 | 国家康复辅具研究中心 | 一种认知功能障碍康复训练系统 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021033281A1 (ja) * | 2019-08-21 | 2021-02-25 | 日本電気株式会社 | 情報処理方法 |
CN113674234A (zh) * | 2021-08-13 | 2021-11-19 | 扬州大学 | 一种压力性损伤检测方法及系统 |
CN114420251B (zh) * | 2022-03-30 | 2022-06-21 | 南京麦澜德医疗科技股份有限公司 | 适配于超声波子宫复旧仪的康复数据传输系统及方法 |
CN114569944B (zh) * | 2022-03-30 | 2023-05-12 | 江苏省人民医院(南京医科大学第一附属医院) | 垂直感知康复评估与训练系统及其方法 |
CN116649940B (zh) * | 2023-07-12 | 2023-09-29 | 深圳市经纬科技有限公司 | 一种用于可穿戴设备的远程监测系统及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101594822A (zh) * | 2007-01-30 | 2009-12-02 | 松下电工株式会社 | 行走能力诊断系统 |
US20110071442A1 (en) * | 2008-03-31 | 2011-03-24 | P & S Mechanics Co., Ltd. | Robot for gait Training and Operating Method Thereof |
US20140100494A1 (en) * | 2009-06-03 | 2014-04-10 | Board Of Regents, The University Of Texas System | Smart gait rehabilitation system for automated diagnosis and therapy of neurologic impairment |
WO2014208772A1 (ja) * | 2013-06-28 | 2014-12-31 | 学校法人芝浦工業大学 | 歩行訓練支援装置、歩行訓練支援システム、歩行訓練支援方法およびプログラム |
JP2015159935A (ja) * | 2014-02-27 | 2015-09-07 | 株式会社東芝 | リハビリテーション支援装置 |
EP3165208A1 (en) * | 2014-07-03 | 2017-05-10 | Teijin Pharma Limited | Rehabilitation assistance device and program for controlling rehabilitation assistance device |
CN108670251A (zh) * | 2018-06-01 | 2018-10-19 | 广州中医药大学(广州中医药研究院) | 肩关节康复系统及方法 |
WO2019069864A1 (ja) * | 2017-10-02 | 2019-04-11 | 日本電気株式会社 | 医療情報処理システム |
US20190150792A1 (en) * | 2017-11-17 | 2019-05-23 | Toyota Jidosha Kabushiki Kaisha | Gait evaluation apparatus, gait training system, and gait evaluation method |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5234934B2 (ja) | 2008-07-15 | 2013-07-10 | 旭光電機株式会社 | 人体装着型多関節構造体 |
JP5607952B2 (ja) | 2010-02-26 | 2014-10-15 | 国立大学法人東京工業大学 | 歩行障害自動分析システム |
US20140024971A1 (en) * | 2012-07-17 | 2014-01-23 | Frank E. Bunn | Assessment and cure of brain concussion and medical conditions by determining mobility |
US10688341B2 (en) * | 2012-08-31 | 2020-06-23 | Blue Goji Llc. | System and method for range of motion analysis and balance training while exercising |
US9974478B1 (en) * | 2014-12-19 | 2018-05-22 | Great Lakes Neurotechnologies Inc. | Discreet movement measurement and cueing system for improvement of safety and efficacy of movement |
JP6692018B2 (ja) * | 2015-12-18 | 2020-05-13 | Cyberdyne株式会社 | 歩行トレーニングシステム及び歩行トレーニング器 |
US10376739B2 (en) * | 2016-01-08 | 2019-08-13 | Balance4Good, Ltd. | Balance testing and training system and method |
US11135119B2 (en) * | 2017-04-21 | 2021-10-05 | Board Of Regents, The University Of Texas System | Adaptable robotic gait trainer |
JP6879178B2 (ja) | 2017-11-24 | 2021-06-02 | トヨタ自動車株式会社 | レポート出力装置、訓練装置、レポート出力システム、レポート出力方法、及びプログラム |
JP6509406B1 (ja) | 2018-04-26 | 2019-05-08 | 株式会社日立ハイテクノロジーズ | 歩行態様表示方法、歩行態様表示システム及び歩行態様分析装置 |
-
2019
- 2019-06-27 JP JP2019119947A patent/JP7255392B2/ja active Active
-
2020
- 2020-05-29 CN CN202010474968.3A patent/CN112137844A/zh active Pending
- 2020-06-08 US US16/895,105 patent/US20200411194A1/en active Pending
- 2020-06-08 EP EP20178762.9A patent/EP3756543B1/en active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101594822A (zh) * | 2007-01-30 | 2009-12-02 | 松下电工株式会社 | 行走能力诊断系统 |
US20110071442A1 (en) * | 2008-03-31 | 2011-03-24 | P & S Mechanics Co., Ltd. | Robot for gait Training and Operating Method Thereof |
US20140100494A1 (en) * | 2009-06-03 | 2014-04-10 | Board Of Regents, The University Of Texas System | Smart gait rehabilitation system for automated diagnosis and therapy of neurologic impairment |
WO2014208772A1 (ja) * | 2013-06-28 | 2014-12-31 | 学校法人芝浦工業大学 | 歩行訓練支援装置、歩行訓練支援システム、歩行訓練支援方法およびプログラム |
JP2015159935A (ja) * | 2014-02-27 | 2015-09-07 | 株式会社東芝 | リハビリテーション支援装置 |
EP3165208A1 (en) * | 2014-07-03 | 2017-05-10 | Teijin Pharma Limited | Rehabilitation assistance device and program for controlling rehabilitation assistance device |
WO2019069864A1 (ja) * | 2017-10-02 | 2019-04-11 | 日本電気株式会社 | 医療情報処理システム |
US20190150792A1 (en) * | 2017-11-17 | 2019-05-23 | Toyota Jidosha Kabushiki Kaisha | Gait evaluation apparatus, gait training system, and gait evaluation method |
CN108670251A (zh) * | 2018-06-01 | 2018-10-19 | 广州中医药大学(广州中医药研究院) | 肩关节康复系统及方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116564477A (zh) * | 2023-05-17 | 2023-08-08 | 国家康复辅具研究中心 | 一种认知功能障碍康复训练系统 |
CN116564477B (zh) * | 2023-05-17 | 2024-03-12 | 国家康复辅具研究中心 | 一种认知功能障碍康复训练系统 |
Also Published As
Publication number | Publication date |
---|---|
EP3756543B1 (en) | 2024-05-01 |
EP3756543A3 (en) | 2021-04-28 |
JP7255392B2 (ja) | 2023-04-11 |
US20200411194A1 (en) | 2020-12-31 |
EP3756543A2 (en) | 2020-12-30 |
JP2021003489A (ja) | 2021-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7200851B2 (ja) | 学習装置、リハビリ支援システム、方法、プログラム、及び学習済みモデル | |
JP7255392B2 (ja) | リハビリ支援システム、推定装置、学習装置、方法、プログラム、及び学習済みモデル | |
CN112137846B (zh) | 学习系统、步行训练系统、系统、方法、程序及学习完毕模型 | |
US20240188848A1 (en) | Learning system, walking training system, method, program, and trained model | |
CN112168625B (zh) | 动作辅助系统、动作辅助方法、存储介质、学习装置、学习完毕模型以及学习方法 | |
CN112137839B (zh) | 学习系统、步行训练系统、方法、程序、以及学习完毕模型 | |
CN112137836B (zh) | 学习系统、复健辅助系统、方法、程序及学习完毕模型 | |
CN112137832B (zh) | 学习系统、复健辅助系统、方法、程序及学习完毕模型 | |
US11937918B2 (en) | Learning system, walking training system, method, program, and trained model | |
CN112137834B (zh) | 学习系统、复健辅助系统、方法、程序及学习完毕模型 | |
JP7124796B2 (ja) | リハビリ支援システム、リハビリ支援装置の作動方法、及びリハビリ支援プログラム | |
CN112137835B (zh) | 学习系统、复健辅助系统、方法、程序及学习完毕模型 |
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 |