CN112289404A - 一种步态训练计划的生成方法、装置、设备及存储介质 - Google Patents

一种步态训练计划的生成方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112289404A
CN112289404A CN202011141815.3A CN202011141815A CN112289404A CN 112289404 A CN112289404 A CN 112289404A CN 202011141815 A CN202011141815 A CN 202011141815A CN 112289404 A CN112289404 A CN 112289404A
Authority
CN
China
Prior art keywords
gait
training
parameter data
plan
determining
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
Application number
CN202011141815.3A
Other languages
English (en)
Inventor
王磊
张晓阳
王琳琳
王灵月
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Biomedical Engineering of CAMS and PUMC
Original Assignee
Institute of Biomedical Engineering of CAMS and PUMC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Biomedical Engineering of CAMS and PUMC filed Critical Institute of Biomedical Engineering of CAMS and PUMC
Priority to CN202011141815.3A priority Critical patent/CN112289404A/zh
Publication of CN112289404A publication Critical patent/CN112289404A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • G06V40/25—Recognition of walking or running movements, e.g. gait recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Epidemiology (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Rehabilitation Tools (AREA)

Abstract

本发明实施例公开了一种步态训练计划的生成方法、装置、设备及存储介质。该方法包括：获取训练对象的至少一种步态参数数据；基于各所述步态参数数据各自对应的评分标准，对各所述步态参数数据进行评分得到至少一个参考评分；基于各所述参考评分，确定所述训练对象对应的步态训练计划，所述步态训练计划用于指导所述训练对象进行步态训练。本发明实施例通过对获取的步态参数数据进行评分，并基于至少一个参考评分确定训练对象对应的步态训练计划，解决了人工分析步态参数数据不全面或不准确的问题，提高了步态训练计划的合理性和准确性，保证了步态训练计划与步态参数数据之间的匹配度，进而有助于加快用户的康复进程。

Description

一种步态训练计划的生成方法、装置、设备及存储介质
技术领域
本发明实施例涉及步态分析技术领域，尤其涉及一种步态训练计划的生成方法、装置、设备及存储介质。
背景技术
步态是指人体步行时的姿态和行为特征，人体通过髋、膝、踝和足趾的一系列连续活动，使身体沿着一定方向移动的过程。人体步态能够反映一定的生理、心理和病理状况，因此对步态进行分析是一种有效的人体健康状况评价方式。
脑损伤非常容易造成患者步行困难，能够独立行走进行日常活动是脑损伤患者的最主要的复健目标。目前的步态训练方法主要还是以人工训练为主，康复训练师根据患者的步态状况制定步态训练计划，但人工训练的方式可能存在康复训练师对步态状况的分析不全面或分析不准确等问题，从而容易导致患者的康复过程延长，甚至是病情恶化。
发明内容
本发明实施例提供了一种步态训练计划的生成方法、装置、设备及存储介质，以提高步态训练计划的合理性和准确性，进而有助于加快用户的康复进程。
第一方面，本发明实施例提供了一种步态训练计划的生成方法，该方法包括：
获取训练对象的至少一种步态参数数据；
基于各所述步态参数数据各自对应的评分标准，对各所述步态参数数据进行评分得到至少一个参考评分；
基于各所述参考评分，确定所述训练对象对应的步态训练计划，所述步态训练计划用于指导所述训练对象进行步态训练。
第二方面，本发明实施例还提供了一种步态训练计划的生成装置，该装置包括：
步态参数数据获取模块，用于获取训练对象的至少一种步态参数数据；
参考评分确定模块，用于基于各所述步态参数数据各自对应的评分标准，对各所述步态参数数据进行评分得到至少一个参考评分；
步态训练计划生成模块，用于基于各所述参考评分，确定所述训练对象对应的步态训练计划，所述步态训练计划用于指导所述训练对象进行步态训练。
第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述所涉及的任一所述的步态训练计划的生成方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行上述所涉及的任一所述的步态训练计划的生成方法。
本发明实施例通过对获取的步态参数数据进行评分，并基于至少一个参考评分确定训练对象对应的步态训练计划，解决了人工分析步态参数数据不全面或不准确的问题，提高了步态训练计划的合理性和准确性，保证了步态训练计划与步态参数数据之间的匹配度，进而有助于加快用户的康复进程。
附图说明
图1是本发明实施例一提供的一种步态训练计划的生成方法的流程图。
图2是本发明实施例二提供的一种步态训练计划的生成方法的流程图。
图3是本发明实施例二提供的一种视频帧中部位坐标的示意图。
图4A是本发明实施例二提供的一种第二步态参数数据的结果示意图。
图4B是本发明实施例二提供的一种步态参数数据的结果示意图。
图5是本发明实施例三提供的一种步态训练计划的生成装置的示意图。
图6是本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种步态训练计划的生成方法的流程图，本实施例可适用于制定步态训练计划的情况，该方法可以由步态训练计划的生成装置来执行，该装置可采用软件和/或硬件的方式实现，该装置可以配置于终端设备中。示例性的，终端设备可以是移动终端、台式机、平板电脑和笔记本电脑等智能终端。具体包括如下步骤：
S110、获取训练对象的至少一种步态参数数据。
其中，示例性的，训练对象可以是帕金森患者、中风患者、脑瘫患者、腿部畸形患者、肌肉损伤患者和关节损伤患者等存在步态问题的对象。其中，具体的，步态是指人体在进行步行运动时的身体姿态，人体通过髋、膝、踝和足趾等各身体部位的一系列连续活动，使身体沿着一定方向移动的过程，步态参数数据可用于反映训练对象的肢体的协调性和步态的节律性。
在一个实施例中，可选的，采用步态传感器采集训练对象的至少一种步态参数数据。其中，示例性的，步态传感器可以是陀螺仪、加速度计、发光标记设备和重力传感器等等。在另一个实施例中，可选的，基于步态视频数据获取步态参数数据。关于该部分的具体实施方式在下述实施例中进行解释说明。
S120、基于各步态参数数据各自对应的评分标准，对各步态参数数据进行评分得到至少一个参考评分。
其中，示例性的，步态参数数据包括但不限于步行速度、步长、步行频率、肢体部位的运动轨迹、肢体部位的运动幅度、关节夹角的范围和左右肢体的对称性等等。不同的步态参数数据的对应各自的评分标准。举例而言，当步行速度在5km/h～7km/h时对应的参考评分为10，当步行速度在1km/h～2km/h对应的参考评分为1，当步行速度在3km/h～4km/h时对应的参考评分为5。当步长在60cm-75cm时对应的参考评分为10，当步长在20cm-60cm时对应的参考评分为5，当步长在1cm-20cm时对应的参考评分为1。此处对评分标准中分数的具体划分方式和分数值不作限定。
S130、基于各参考评分，确定训练对象对应的步态训练计划，步态训练计划用于指导训练对象进行步态训练。
在一个实施例中，可选的，基于各参考评分，确定训练对象对应的步态训练计划，包括：对各参考评分进行加权求和得到训练对象对应的评分结果，将从步态训练计划列表中选取的与评分结果对应的步态训练计划作为训练对象的步态训练计划；步态训练计划列表用于表征评分区间与预先设置的步态训练计划之间的映射关系；或，针对每个参考评分，将参考评分对应的步态参数数据作为目标步态参数数据，并将参考评分与目标步态参数数据对应的基准分数进行比较，如果参考评分小于基准分数，则目标步态参数数据对应的训练项目添加到步态训练计划中。
在一个实施例中，具体的，各步态参数数据对应的权重可以相同也可以不同，可根据各步态参数数据对训练项目的参考价值设置权重。示例性的，步长对训练项目的参考价值较低，则步长对应的权重可设置为1，关节夹角的变化幅度对训练项目的参考价值较高，则关节角度的变化幅度对应的权重可设置为5。此处对各步态参数数据对应的权重值不作限定。其中，示例性的，步态训练计划列表包括：评分区间1(如90-100)对应步态训练计划A、评分区间2(如80-90)对应步态训练计划B，评分区间3(如70-80)对应步态训练计划C等等。当评分结果为75时，将步态训练计划C作为训练对象的步态训练计划。
其中，示例性的，步态训练计划中的训练项目包括但不限于站立训练、负重训练、足下垂步态训练、膝过伸矫正训练、臀中肌步态训练、倒走训练、步行分解训练和膝关节控制训练等等。不同的步态训练计划包含的训练项目的数量和类别可以相同，也可以不同。
在另一个实施例中，具体的，每个步态参数数据对应各自的基准分数，各基准分数可以相同也可以不同。示例性的，基准分数为8。举例而言，当踝关节夹角的范围的参考评分为3时，说明训练对象可能存在足下垂的问题，因此将足下垂步态训练项目添加到训练对象的步态训练计划中。这样设置的好处在于，可以保证步态训练计划与训练对象的步态参数数据的匹配度更高，从而进一步提高训练对象的康复训练效果。
在上述实施例的基础上，可选的，该方法还包括：基于步态训练计划中的步行训练数据生成至少一个步行训练图像，将各步行训练图像进行投影显示，步行训练图像用于指导训练对象进行步态训练；其中，步行训练数据包括训练对象上的预设部位对应的训练位置点和/或运行轨迹。
其中，示例性的，预设部位包括但不限于肩关节、颈部、髋关节、肘关节、腕关节、膝关节、踝关节、头部、躯干、足部和手部中至少一种。其中，具体的，当步态训练数据包括预设部位的训练位置点时，则基于预设部位的训练位置点生成步行训练图像。其中，步行训练图像可用于表征训练对象的姿态信息，示例性的，步态训练图像可以是训练对象的站立图像、举手图像或抬腿图像等。其中，具体的，当步态训练数据包括预设部位的运动轨迹时，则基于预设部位的运动轨迹生成至少一个步态训练对象。其中，连续的步态训练图像还可以训练对象的运动信息，如连续的步态训练图像可以是训练对象步行移动时足部图像，连续的足部图像可反映步长信息，训练对象可将足部与投影显示的足部图像重合进行步行训练。再如连续的步态训练图像还可以是训练对象的手臂摆动图像，连续的手部摆动图像可反映手臂上关节的运动幅度，训练对象可将手臂与投影显示的手臂摆动图像重合进行手臂摆动训练。
这样设置的好处，相比于由康复训练师指导训练对象进行训练的方式，投影步行图像的方式可以更好的保证训练对象在训练过程中姿势的标准性，进而进一步提高训练康复效果。
本实施例的技术方案，通过对获取的步态参数数据进行评分，并基于至少一个参考评分确定训练对象对应的步态训练计划，解决了人工分析步态参数数据不全面或不准确的问题，提高了步态训练计划的合理性和准确性，保证了步态训练计划与步态参数数据之间的匹配度，进而有助于加快用户的康复进程。
实施例二
图2是本发明实施例二提供的一种步态训练计划的生成方法的流程图，本实施例的技术方案是上述实施例的基础上的进一步细化。可选的，所述获取训练对象的至少一种步态参数数据，包括：获取训练对象的步态视频数据，并对所述步态视频数据中的每个视频帧进行关键点检测，得到训练对象上的预设部位在各所述视频帧中的部位坐标；基于各所述视频帧中的部位坐标，确定训练对象的至少一种步态参数数据。
本实施例的具体实施步骤包括：
S210、获取训练对象的步态视频数据，并对步态视频数据中的每个视频帧进行关键点检测，得到训练对象上的预设部位在各视频帧中的部位坐标。
其中，示例性的，步态视频数据包括训练对象在站立、步行和跑步至少两种状态下的视频数据。其中，具体的，步态视频数据包括训练对象在至少一个拍摄角度下的视频数据，如拍摄角度可以是训练对象的正面和侧面。
在一个实施例中，可选的，采用OpenPose人体姿态识别项目对视频帧进行关键点检测，其中，OpenPose项目是一种基于卷积神经网络和监督学习以Caffe为框架的姿态识别方法，OpenPose项目采用了一种应用多任务学习(Multi-Task Learning，MTL)方法，它与更新的模型体系结构设计相结合，能够在具有不同规模属性的各种关键点检测任务中训练一个统一的模型，是第一个用于全身多人姿态估计的单网络方法。
图3是本发明实施例二提供的一种视频帧中部位坐标的示意图。图3中的白色圆点表示当前视频帧中各预设部位的部位坐标，图3中的预设部位包括头部、肩关节、锁骨、肘关节、腕关节、髋关节、躯干、膝关节和踝关节。
S220、基于各视频帧中的部位坐标，确定训练对象的至少一种步态参数数据。
其中，示例性的，步态参数数据包括单一视频帧对应的参数数据和随视频帧变化的参数数据。
在一个实施例中，可选的，基于各视频帧中的部位坐标，确定训练对象的至少一种步态参数数据，包括：选取至少一个预设部位作为目标部位，针对每个目标部位，基于人体部位架构，将与目标部位相邻的两个预设部位分别作为第一参考部位和第二参考部位；针对每个视频帧，根据第一参考部位、第二参考部位和目标部位在视频帧中各自对应的部位坐标，确定目标部位的部位夹角数据；基于各部位夹角数据，确定与目标部位对应的第一步态参数数据。
其中，具体的，根据第一参考部位和目标部位各自对应的部位坐标确定第一参考直线，根据目标部位和第二参考部位各自对应的部位坐标确定第二参考直线，根据第一参考直线和第二参考直线确定目标部位的部位夹角数据。举例而言，以膝关节作为目标部位，基于人体部位架构，与膝关节相邻的第一参考部位可以是髋关节，第二参考部位为踝关节。具体的，根据髋关节的部位坐标与膝关节的部位坐标可得到第一参考直线，根据膝关节的部位坐标和踝关节的部位坐标可得到第二参考直线，根据第一参考直线和第二参考直线确定膝关节在当前视频帧中的部位夹角数据。其中，示例性的，第一步态参数数据包括部位夹角最大值、部位夹角最小值、部位夹角平均值和部位夹角随视频帧的变化曲线和变化幅度范围等。
在一个实施例中，可选的，基于各视频帧中的部位坐标，确定训练对象的至少一种步态参数数据，包括：选取至少一个预设部位作为目标部位，针对每个目标部位，基于各视频帧中目标部位的部位坐标和不同于目标部位的预设部位的部位坐标，确定目标部位对应的至少一个坐标差数据；基于各坐标差数据，确定与目标部位对应的第二步态参数数据。
其中，示例性的，坐标差数据包括但不限于左侧踝关节相对于左侧髋关节的坐标差数据、左侧踝关节相对于右侧髋关节的坐标差数据、右侧踝关节相对于右侧髋关节的坐标差数据和右侧踝关节相对于左侧髋关节的坐标差数据、左侧膝关节相对于锁骨的坐标差数据、右侧膝关节相对于锁骨的坐标差数据、左侧腕关节相对于左侧肩关节的坐标差数据、左侧腕关节相对于右侧肩关节的坐标差数据、右侧腕关节相对于左侧肩关节的坐标差数据和右侧腕关节相对于右侧肩关节的坐标差数据。具体的，坐标差数据包括X轴坐标差数据和/或Y轴坐标差数据。其中，示例性的，第二步态参数数据可以为坐标差数据的均值、坐标差数据的最大值、坐标差数据的最小值、坐标差数据随视频帧的变化曲线和变化幅度范围等。
图4A是本发明实施例二提供的一种第二步态参数数据的结果示意图。图4A示出了踝关节相对于左、右髋关节的X坐标差数据随视频帧的变化曲线，其中，灰度值较小的变化曲线表示左侧踝关节相对于左侧髋关节的X坐标差数据随视频帧的变化曲线，灰度值较大的变化曲线表示右侧踝关节相对于右侧髋关节的X坐标差数据随视频帧的变化曲线，横坐标表示视频帧的帧数，纵坐标表示X坐标差数据。
在一个实施例中，可选的，预设部位包括左侧预设部位和右侧预设部位，第二步态参数数据包括与左侧预设部位对应的左侧第二步态参数数据和与右侧预设部位对应的右侧第二步态参数数据，在基于各坐标差数据，确定与目标部位对应的第二步态参数数据之后，还包括：基于左侧第二步态参数数据和右侧第二步态参数数据，确定训练对象的第三步态参数数据；其中，第三步态参数数据包括左右差异率。
可以理解的是，本实施例还包括：基于左侧预设部位对应的左侧第一步态参数数据和右侧预设部位对应的右侧第一步态参数数据，确定训练对象的左右差异率。
其中，具体的，第三步态参数数据可以是左侧第二步态参数数据与右侧第二步态参数进行相减或相除得到的参数数据。在一个实施例中，第三步态参数数据V满足公式：
Figure BDA0002738510900000101
或
Figure BDA0002738510900000102
其中，a表示左侧第二步态参数数据或左侧第一步态参数数据，b表示右侧步态参数数据或右侧第一步态参数数据。
图4B是本发明实施例二提供的一种步态参数数据的结果示意图。图4A示出了一种第一步态参数数据，即部位夹角数据的平均值，其中，部位夹角数据包括肩颈夹角、肩-大臂夹角、肘关节夹角、髋-大腿夹角、膝关节夹角、肩-躯干夹角和髋-躯干夹角。其中，灰度值较小的柱状图示表示左侧预设部位的部位夹角数据的平均值，如左侧肘关节夹角，灰度值较大的柱状图示表示右侧预设部位的部位夹角数据的平均值，如右侧肘关节夹角，折线表示第一步态参数数据对应的左右差异率。
S230、基于各步态参数数据各自对应的评分标准，对各步态参数数据进行评分得到至少一个参考评分。
S240、基于各参考评分，确定训练对象对应的步态训练计划，步态训练计划用于指导训练对象进行步态训练。
本实施例的技术方案，通过对步态视频数据中的视频帧进行关键点检测，得到预设部位在各视频帧中的部位坐标，并基于各视频帧中的部位坐标确定步态参数数据，解决了需要采用步态传感器获取步态参数数据的问题，降低了步态分析和步态训练过程中的硬件成本，同时，减少了步态传感器的安装步骤，从而也提高了步态分析和步态训练的效率。
实施例三
图5是本发明实施例三提供的一种步态训练计划的生成装置的示意图。本实施例可适用于制定步态训练计划的情况，该装置可采用软件和/或硬件的方式实现，该装置可以配置于终端设备中。该步态训练计划的生成装置包括：步态参数数据获取模块310、参考评分确定模块320和步态训练计划生成模块330。
其中，步态参数数据获取模块310，用于获取训练对象的至少一种步态参数数据；
参考评分确定模块320，用于基于各步态参数数据各自对应的评分标准，对各步态参数数据进行评分得到至少一个参考评分；
步态训练计划生成模块330，用于基于各参考评分，确定训练对象对应的步态训练计划，步态训练计划用于指导训练对象进行步态训练。
本实施例的技术方案，通过对获取的步态参数数据进行评分，并基于至少一个参考评分确定训练对象对应的步态训练计划，解决了人工分析步态参数数据不全面或不准确的问题，提高了步态训练计划的合理性和准确性，保证了步态训练计划与步态参数数据之间的匹配度，进而有助于加快用户的康复进程。
在上述技术方案的基础上，可选的，参考评分确定模块320，具体用于：
对各参考评分进行加权求和得到训练对象对应的评分结果，将从步态训练计划列表中选取的与评分结果对应的步态训练计划作为训练对象的步态训练计划；步态训练计划列表用于表征评分区间与预先设置的步态训练计划之间的映射关系；或，
针对每个参考评分，将参考评分对应的步态参数数据作为目标步态参数数据，并将参考评分与目标步态参数数据对应的基准分数进行比较，如果参考评分小于基准分数，则目标步态参数数据对应的训练项目添加到步态训练计划中。
在上述技术方案的基础上，可选的，步态参数数据获取模块310包括：
部位坐标确定单元，用于获取训练对象的步态视频数据，并对步态视频数据中的每个视频帧进行关键点检测，得到训练对象上的预设部位在各视频帧中的部位坐标；
步态参数数据确定单元，用于基于各视频帧中的部位坐标，确定训练对象的至少一种步态参数数据。
在上述技术方案的基础上，可选的，步态参数数据确定单元，包括：
第一步态参数数据确定子单元，用于选取至少一个预设部位作为目标部位，针对每个目标部位，基于人体部位架构，将与目标部位相邻的两个预设部位分别作为第一参考部位和第二参考部位；针对每个视频帧，根据第一参考部位、第二参考部位和目标部位在视频帧中各自对应的部位坐标，确定目标部位的部位夹角数据；基于各部位夹角数据，确定与目标部位对应的第一步态参数数据。
在上述技术方案的基础上，可选的，步态参数数据确定单元，包括：
第二步态参数数据确定子单元，用于选取至少一个预设部位作为目标部位，针对每个目标部位，基于各视频帧中目标部位的部位坐标和不同于目标部位的预设部位的部位坐标，确定目标部位对应的至少一个坐标差数据；基于各坐标差数据，确定与目标部位对应的第二步态参数数据。
在上述技术方案的基础上，可选的，预设部位包括左侧预设部位和右侧预设部位，第二步态参数数据包括与左侧预设部位对应的左侧第二步态参数数据和与右侧预设部位对应的右侧第二步态参数数据，步态参数数据确定单元，包括：
第三步态参数数据确定子单元，用于在基于各坐标差数据，确定与目标部位对应的第二步态参数数据之后，基于左侧第二步态参数数据和右侧第二步态参数数据，确定训练对象的第三步态参数数据；其中，第三步态参数数据包括左右差异率。
在上述技术方案的基础上，可选的，该装置还包括：
步态训练图像投影模块，用于基于步态训练计划中的步行训练数据生成至少一个步行训练图像，将各步行训练图像进行投影显示，步行训练图像用于指导训练对象进行步态训练；其中，步行训练数据包括训练对象上的预设部位对应的训练位置点和/或运动轨迹。
本发明实施例所提供的步态训练计划的生成装置可以用于执行本发明实施例所提供的步态训练计划的生成方法，具备执行方法相应的功能和有益效果。
值得注意的是，上述步态训练计划的生成装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例四
图6是本发明实施例四提供的一种电子设备的结构示意图，本发明实施例为本发明上述实施例的步态训练计划的生成方法的实现提供服务，可配置上述实施例中的步态训练计划的生成装置。图6示出了适于用来实现本发明实施方式的示例性设备12的框图。图6显示的设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，设备12以通用计算设备的形式表现。设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该设备12交互的设备通信，和/或与使得该设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图6所示，网络适配器20通过总线18与设备12的其它模块通信。应当明白，尽管图中未示出，可以结合设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的步态训练计划的生成方法。
通过上述电子设备，解决了人工分析步态参数数据不全面或不准确的问题，提高了步态训练计划的合理性和准确性，保证了步态训练计划与步态参数数据之间的匹配度，进而有助于加快用户的康复进程。
实施例五
本发明实施例五还提供了一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行一种步态训练计划的生成方法，该方法包括：
获取训练对象的至少一种步态参数数据；
基于各步态参数数据各自对应的评分标准，对各步态参数数据进行评分得到至少一个参考评分；
基于各参考评分，确定训练对象对应的步态训练计划，步态训练计划用于指导训练对象进行步态训练。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上的方法操作，还可以执行本发明任意实施例所提供的步态训练计划的生成方法中的相关操作。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种步态训练计划的生成方法，其特征在于，包括：
获取训练对象的至少一种步态参数数据；
基于各所述步态参数数据各自对应的评分标准，对各所述步态参数数据进行评分得到至少一个参考评分；
基于各所述参考评分，确定所述训练对象对应的步态训练计划，所述步态训练计划用于指导所述训练对象进行步态训练。
2.根据权利要求1所述的方法，其特征在于，所述基于各所述参考评分，确定所述训练对象对应的步态训练计划，包括：
对各所述参考评分进行加权求和得到所述训练对象对应的评分结果，将从步态训练计划列表中选取的与所述评分结果对应的步态训练计划作为所述训练对象的步态训练计划；所述步态训练计划列表用于表征评分区间与预先设置的步态训练计划之间的映射关系；或，
针对每个参考评分，将所述参考评分对应的步态参数数据作为目标步态参数数据，并将所述参考评分与所述目标步态参数数据对应的基准分数进行比较，如果所述参考评分小于所述基准分数，则所述目标步态参数数据对应的训练项目添加到所述步态训练计划中。
3.根据权利要求1所述的方法，其特征在于，所述获取训练对象的至少一种步态参数数据，包括：
获取训练对象的步态视频数据，并对所述步态视频数据中的每个视频帧进行关键点检测，得到训练对象上的预设部位在各所述视频帧中的部位坐标；
基于各所述视频帧中的部位坐标，确定训练对象的至少一种步态参数数据。
4.根据权利要求3所述的方法，其特征在于，所述基于各所述视频帧中的部位坐标，确定训练对象的至少一种步态参数数据，包括：
选取至少一个预设部位作为目标部位，针对每个目标部位，基于人体部位架构，将与所述目标部位相邻的两个预设部位分别作为第一参考部位和第二参考部位；
针对每个视频帧，根据所述第一参考部位、第二参考部位和所述目标部位在所述视频帧中各自对应的部位坐标，确定所述目标部位的部位夹角数据；
基于各所述部位夹角数据，确定与所述目标部位对应的第一步态参数数据。
5.根据权利要求3所述的方法，其特征在于，所述基于各所述视频帧中的部位坐标，确定训练对象的至少一种步态参数数据，包括：
选取至少一个预设部位作为目标部位，针对每个目标部位，基于各所述视频帧中目标部位的部位坐标和不同于所述目标部位的预设部位的部位坐标，确定所述目标部位对应的至少一个坐标差数据；
基于各所述坐标差数据，确定与所述目标部位对应的第二步态参数数据。
6.根据权利要求5所述的方法，其特征在于，所述预设部位包括左侧预设部位和右侧预设部位，所述第二步态参数数据包括与所述左侧预设部位对应的左侧第二步态参数数据和与所述右侧预设部位对应的右侧第二步态参数数据，在基于各所述坐标差数据，确定与所述目标部位对应的第二步态参数数据之后，还包括：
基于所述左侧第二步态参数数据和所述右侧第二步态参数数据，确定训练对象的第三步态参数数据；其中，所述第三步态参数数据包括左右差异率。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于所述步态训练计划中的步行训练数据生成至少一个步行训练图像，将各所述步行训练图像进行投影显示，所述步行训练图像用于指导所述训练对象进行步态训练；其中，所述步行训练数据包括训练对象上的预设部位对应的训练位置点和/或运动轨迹。
8.一种步态训练计划的生成装置，其特征在于，包括：
步态参数数据获取模块，用于获取训练对象的至少一种步态参数数据；
参考评分确定模块，用于基于各所述步态参数数据各自对应的评分标准，对各所述步态参数数据进行评分得到至少一个参考评分；
步态训练计划生成模块，用于基于各所述参考评分，确定所述训练对象对应的步态训练计划，所述步态训练计划用于指导所述训练对象进行步态训练。
9.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的步态训练计划的生成方法。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的步态训练计划的生成方法。
CN202011141815.3A 2020-10-22 2020-10-22 一种步态训练计划的生成方法、装置、设备及存储介质 Pending CN112289404A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011141815.3A CN112289404A (zh) 2020-10-22 2020-10-22 一种步态训练计划的生成方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011141815.3A CN112289404A (zh) 2020-10-22 2020-10-22 一种步态训练计划的生成方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN112289404A true CN112289404A (zh) 2021-01-29

Family

ID=74424846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011141815.3A Pending CN112289404A (zh) 2020-10-22 2020-10-22 一种步态训练计划的生成方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112289404A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012011350A1 (ja) * 2010-07-22 2012-01-26 オムロンヘルスケア株式会社 歩行姿勢判定装置
CN110021398A (zh) * 2017-08-23 2019-07-16 陆晓 一种步态分析、训练方法及系统
CN110102045A (zh) * 2019-04-10 2019-08-09 中铁四局集团房地产开发有限公司 一种人体柔韧性检测与沉浸式虚拟训练方法
CN110188633A (zh) * 2019-05-14 2019-08-30 广州虎牙信息科技有限公司 人体体态指标预测方法、装置、电子设备及存储介质
WO2019175425A1 (en) * 2018-03-15 2019-09-19 Pixformance Sports Gmbh Use of a human pose estimation model for generating and/or refining a movement model
CN110638458A (zh) * 2019-08-26 2020-01-03 广东省人民医院(广东省医学科学院) 一种基于步态数据的康复训练效果评估方法、装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012011350A1 (ja) * 2010-07-22 2012-01-26 オムロンヘルスケア株式会社 歩行姿勢判定装置
CN110021398A (zh) * 2017-08-23 2019-07-16 陆晓 一种步态分析、训练方法及系统
WO2019175425A1 (en) * 2018-03-15 2019-09-19 Pixformance Sports Gmbh Use of a human pose estimation model for generating and/or refining a movement model
CN110102045A (zh) * 2019-04-10 2019-08-09 中铁四局集团房地产开发有限公司 一种人体柔韧性检测与沉浸式虚拟训练方法
CN110188633A (zh) * 2019-05-14 2019-08-30 广州虎牙信息科技有限公司 人体体态指标预测方法、装置、电子设备及存储介质
CN110638458A (zh) * 2019-08-26 2020-01-03 广东省人民医院(广东省医学科学院) 一种基于步态数据的康复训练效果评估方法、装置

Similar Documents

Publication Publication Date Title
US11455909B2 (en) Identification and analysis of movement using sensor devices
US10860091B2 (en) Motion predictions of overlapping kinematic chains of a skeleton model used to control a computer system
US11776421B2 (en) Systems and methods for monitoring and evaluating body movement
US11474593B2 (en) Tracking user movements to control a skeleton model in a computer system
US8113843B2 (en) Apparatus for analyzing operations and method for analyzing operations
US11079860B2 (en) Kinematic chain motion predictions using results from multiple approaches combined via an artificial neural network
US20220207921A1 (en) Motion recognition method, storage medium, and information processing device
US11175729B2 (en) Orientation determination based on both images and inertial measurement units
US10726738B1 (en) Automated fitness coaching based on motion data
US20220057856A1 (en) Method and system for providing real-time virtual feedback
CN113409651B (zh) 直播健身方法、系统、电子设备、存储介质
US20220222975A1 (en) Motion recognition method, non-transitory computer-readable recording medium and information processing apparatus
CN110693500B (zh) 平衡能力的练习评估方法、装置、服务器和存储介质
CN111353345B (zh) 提供训练反馈的方法、装置、系统、电子设备、存储介质
CN112289404A (zh) 一种步态训练计划的生成方法、装置、设备及存储介质
CN111772640B (zh) 肢体运动训练指导方法、装置及存储介质
Wei et al. Sports motion analysis based on mobile sensing technology
Romantsova et al. Metrological parameters of information and measurement systems for the study of a kinematic portrait of a person
Jost Kinect-based approach to upper limb rehabilitation
JP2021099666A (ja) 学習モデルの生成方法
CN111260678A (zh) 体操辅助学习的方法、装置、存储介质和终端设备
Cockroft Novel motion capture methods for sports analysis: case studies of cycling and rugby goal kicking
WO2022208859A1 (ja) 技認識方法、技認識装置および体操採点支援システム
WO2022196059A1 (ja) 情報処理装置、情報処理方法およびプログラム
Ngô et al. AI-based solution for exercise posture correction

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