CN112370339A

CN112370339A - 基于机器学习的手部刺激训练装置的实现方法

Info

Publication number: CN112370339A
Application number: CN202011245784.6A
Authority: CN
Inventors: 屈云
Original assignee: West China Hospital of Sichuan University
Current assignee: West China Hospital of Sichuan University
Priority date: 2020-11-10
Filing date: 2020-11-10
Publication date: 2021-02-19
Anticipated expiration: 2040-11-10
Also published as: CN112370339B

Abstract

本发明公开了一种基于机器学习的手部刺激训练装置的实现方法，手部刺激训练装置包括手套、充气泵、控制装置、无线模块、远程终端；手套包括手指部、手掌部和手背部，分别设置于手指部的中指套的末端、手掌部中心和手背部中心与充气泵连通的充气口，以及设置于手套内并按照手部穴位分布的若干刺激部件；所有的刺激部件与控制装置电性相连；实现方法包括：(1)数据库建立；(2)对原始数据的预处理；(3)缺失数据处理；(4)神经网络模型开发；(5)生成针对手部刺激训练的预测指南。本发明采用机器学习的方式建立相应的神经网络模型，利用模型预测出不同手部神经损伤情况下的刺激训练恢复程度，能为医生制定最佳的训练计划提供指导。

Description

基于机器学习的手部刺激训练装置的实现方法

技术领域

本发明涉及医疗器械技术领域，具体地说，是涉及一种基于机器学习的手部刺激训练装置的实现方法。

背景技术

手针疗法(hand acupuncture)，又称手针。它是在中国传统针灸学基础上，结合牛物全息理论规律的基础上形成，通过针刺等方法刺激手部特定区域和穴位，以治疗疾病的一种治疗方法。经多年实践，近代已经将电针运用于手针刺治疗疾病中，并对手针穴线的定位、适应范围和刺激方法积累了更多的经验，手针已成为一些临床医生常用的治疗方法之一，在治疗大量小儿患者上取得了显著的疗效。手针体系的治疗范围广，辨证取穴简便，并具有科学性。手针治疗在能够取得疗效的同时，容易操作，易被患者极其家属所接受。

另外，直流电刺激(direct current stimulation，DCS)是一种非侵入性的，利用恒定、低强度直流电调节神经元活动的技术。早在11世纪人们就开始尝试利用电来治疗疾病，随着认识的发展直流电刺激技术逐步成熟。DCS有两个不同的电极及其供电电池设备，外加一个控制软件设置刺激类型的输出。刺激方式包括3种，即阳极刺激、阴极刺激和伪刺激。阳极刺激通常能增强刺激部位神经的兴奋性，阴极刺激则降低刺激部位神经的兴奋性。DCS不是通过阈上刺激引起神经末梢放电，而是通过调节神经网络的活性而发挥作用。

因此，现有的手部刺激训练方案，往往加入了直流电刺激，以期达到良好的辅助治疗目的。但现有的手部刺激训练方案，很多时候训练效果并不理想，最终都难以实现预期的辅助治疗目的，主要原因在于参考数据的缺失，导致训练结果难以预测或预测与实际偏差较大，这为医生制定训练计划带来了较大的困难。如果能够根据不同的手部神经损伤情况下预测出相应的刺激训练恢复程度，从而为医生制定最佳的训练计划提供指导，则将极大地促进手部刺激训练的效果。

发明内容

本发明的目的在于提供一种基于机器学习的手部刺激训练装置的实现方法，能够充分结合直流电刺激的特点，根据不同的手部神经损伤情况，较好地预测出相应刺激训练的恢复程度，为医生制定最佳的训练计划提供指导。

为实现上述目的，本发明采用的技术方案如下：

基于机器学习的手部刺激训练装置的实现方法，所述的手部刺激训练装置包括与手掌形状配套且内部具有气囊的手套，与手套配套使用用于向手套充气的充气泵，用于控制充气泵和手套工作的控制装置，设置在控制装置上的无线模块，以及与无限模块连接的远程终端；

所述手套包括外部连为一体、内部呈相互独立的封闭式结构的手指部、手掌部和手背部，分别设置于手指部的中指套的末端、手掌部中心和手背部中心与充气泵连通的充气口，以及设置于手套内并按照手部穴位分布的若干刺激部件；所有的磁极部件与控制装置电性相连；

所述的实现方法包括以下步骤：

(1)收集以往的手部刺激训练报告，获得相关原始数据，并传至远程终端的数据库中；

(2)根据已有的生物学解释，将一些初始值分配给数据库中的缺失数据；

(3)将赋予缺失数据的初始值设置为数据库中存在的值的平均值，然后递归应用以下方程式直至收敛，并最终返回收敛的结果，获得缺失数据的预测值：

a^(s+1)＝(1-η)f(a^s)+ηa^s

其中，a^(s+1)代表预测值，s表示迭代次数；f(a^s)表示从神经网络获得的关于a的预测；η小于1；函数f在每次循环迭代中保持固定；

(4)根据原始数据和缺失数据的预测值建立手部神经网络模型；

(5)将建立的模型用于训练神经网络，同时，记录模型以及评估预测的性能，其中，具有较小的不确定性预测将用于生成针对手部刺激训练的预测指南，包括预期的最佳训练结果；生成的预测指南将用作制定训练计划的参考，从而根据训练计划利用控制装置控制刺激部件对手部进行刺激训练。

作为优选，所述刺激部件为电极。

作为优选，所述步骤(3)中，η＝0.4。

更进一步地，所述手指部与人体手部的掌指关节的对应位置设置有用于固定掌指关节的套管。

与现有技术相比，本发明具有以下有益效果：

(1)本发明通过设置一套手部刺激训练装置，并采用机器学习的方式建立相应的神经网络模型，利用模型预测出不同手部神经损伤情况下的刺激训练恢复程度，从而为医生制定最佳的训练计划提供指导，然后根据最佳训练计划的制定，结合手部刺激训练装置的应用，即可安全、长时间、傻瓜式地对患者手部进行刺激训练，并获得可预期的训练效果。

(2)本发明利用控制装置和充气泵实现对手套的充气控制，并控制电极工作，从而实现对手部的压力刺激和电刺激，且相互独立的手指部、手掌部、手背部的设计可以使手指、手掌、手背等不同部位独立控制，接受不同的刺激强度、刺激方式和刺激顺序，实现有针对性的刺激训练。如此一来，在结合最佳的训练计划后，可以大幅提升刺激训练效果，很好地实现了辅助治疗的目的，其不仅操作便捷，而且使用上非常灵活。

(3)并且，对于一些不适宜通过手部刺激训练的患者，在经由本发明预测训练效果后，可以明确将刺激训练方案排除，如此既避免了病情被延误，同时也帮助患者节约了不必要的医疗支出。

(4)本发明在进行缺失数据处理时，最终返回的是收敛结果，而不是f(a^s)，一方面，收敛结果同时包含了数据内部信息和数据外部机器学习反馈结果，相当于利用了数据内部的关联和外部神经网络学习的结果共同进行预测；另一方面，参数η小于1可以防止预测出现波动。如此一来，本发明可以利用数据库中的全部信息，为得出更可靠的模型并提高预测的质量提供了保障。

附图说明

图1为本发明手部刺激训练装置的结构示意图。

图2为图1中部分部件的剖面结构示意图。

图3为本发明的实现流程示意图。

其中，附图标记对应的零部件名称为：

1-手套，2-充气泵，3-控制装置，4-手指部，5-手掌部，6-手背部，7-充气口，8-刺激部件，9-套管，10-无线模块，11-远程终端。

具体实施方式

下面结合附图说明和实施例对本发明作进一步说明，本发明的方式包括但不仅限于以下实施例。

实施例

本发明提供了一种基于机器学习的手部刺激训练装置，如图1、2所示，其包括与手掌形状配套且内部具有气囊的手套1，与手套1配套使用用于向手套1充气的充气泵2，用于控制充气泵2和手套1工作的控制装置3，设置在控制装置3上的无线模块10，以及与无线模块10连接的远程终端11。所述手套1包括外部连为一体、内部呈相互独立的封闭式结构的手指部4、手掌部5和手背部6，分别设置于手指部4的中指套的末端、手掌部5中心和手背部6中心与充气泵2连通的充气口7，以及设置于手套内并按照手部穴位分布的若干刺激部件8；所有的刺激部件与控制装置3电性相连。本实施例中，刺激部件8优选采用电极，通过直流电刺激方式实现对手部穴位的刺激。

上述训练装置作为手部刺激训练的硬件部分，下面介绍本发明的软件控制部分，其是采用机器学习的方式，不断地收集原始数据，然后通过处理其中的缺失数据，使之完整，进而生成训练模型并不断地深度学习完善，最终利用模型预测出不同手部神经损伤情况下的刺激训练恢复程度，从而为医生制定最佳的训练计划提供指导。

如图3所示，本发明的实现流程如下：

一、数据库建立

收集已发布的有关手部刺激训练情况和结果的报告，获得原始数据，并将其分类为数据的输入和输出。原始数据的输入包括条件变量，例如年龄、性别、BMI、手部神经损伤程度等。数据的输出将是训练结果，通过手部感觉评分来衡量。

二、对原始数据的预处理

并非所有报告，原始数据都是齐全的，而这将导致输入数据的“丢失”，本发明根据已有的生物学解释，根据基础假设对这些值进行初步猜测，即：将一些初始值分配给数据库中的缺失数据，作为初步预测的缺失值。这些初始值将用作稍后进行迭代机器学习的起点。

三、缺失数据处理

上述指出，由于数据采集方式和训练方案差异的问题，数据库可能会包含输入信息不完整的条目，如果将设计和目的上可接受差异的研究结果汇集起来形成数据库，这种缺失数据的可能性更大。

而本发明的设计思路在于，对于任何未知属性，首先将初始值设置为数据集中存在的值的平均值。通过对神经网络所有值的估计，然后递归应用以下方程式直至收敛，并最终返回收敛的结果，获得缺失数据的预测值：

a^(s+1)＝(1-η)f(a^s)+ηa^s

其中，a^(s+1)代表预测值，s表示迭代次数；f(a^s)表示从神经网络获得的关于a的预测；η取值0.4；函数f在每次循环迭代中保持固定。

四、模型开发

对丢失数据进行初步预测和处理后，基于此基础建立相应的神经网络模型。

五、生成针对手部刺激训练的预测指南

将建立的模型用于训练神经网络，同时，记录模型以及评估预测的性能；而后，根据全部不同模型的表现得到预测的整体性能，其中，具有较大不确定性的预测将指导如何将具有特定输入类型的额外数据补充到数据库中；较小的不确定性预测将用于生成一系列针对手部刺激训练的定量指南，指南内容包括：特定患者的预期最佳训练结果、实现最佳结果的训练计划。

六、制定最佳的训练计划及通过训练装置进行刺激训练

生成的预测指南将用作医生制定训练计划的参考，制定的训练计划将由远程终端经由无线模块传至控制装置中储存，然后患者自行将手套固定到手部后，启动控制装置，控制装置便根据训练计划自动控制刺激部件对手部上相应的穴位给予不同穴位组合、不同顺序、不同刺激方式及其组合和不同时长的刺激，最终实现对手部有序的刺激训练。并且在使用本发明的过程中，为了防止关节因刺激部位的异动而发生动作，保持手部的稳定性，所述手指部与人体手部的掌指关节的对应位置设置有用于固定掌指关节的套管9，如图2所示。

本发明采用机器学习的方式建立相应的神经网络模型，利用模型预测出不同手部神经损伤情况下的刺激训练恢复程度，从而为医生制定最佳的训练计划提供指导，然后根据最佳训练计划的制定，可安全、长时间、傻瓜式地对患者手部进行刺激训练，并较好地获得预期的训练效果。本发明不仅可以大幅提高手部刺激训练的效果，为手部神经损伤治疗提供可靠的辅助训练，并且对于一些不适宜通过手部刺激训练的患者，在经由本发明预测训练效果后，可以明确将刺激训练方案排除，如此既避免了病情被延误，同时也帮助患者节约了不必要的医疗支出。

上述实施例仅为本发明的优选实施方式之一，不应当用于限制本发明的保护范围，但凡在本发明的主体设计思想和精神上作出的毫无实质意义的改动或润色，其所解决的技术问题仍然与本发明一致的，均应当包含在本发明的保护范围之内。

Claims

1.基于机器学习的手部刺激训练装置的实现方法，其特征在于，所述的手部刺激训练装置包括与手掌形状配套且内部具有气囊的手套(1)，与手套(1)配套使用用于向手套(1)充气的充气泵(2)，用于控制充气泵(2)和手套(1)工作的控制装置(3)，设置在控制装置(3)上的无线模块(10)，以及与无限模块(10)连接的远程终端(11)；

所述手套(1)包括外部连为一体、内部呈相互独立的封闭式结构的手指部(4)、手掌部(5)和手背部(6)，分别设置于手指部(4)的中指套的末端、手掌部(5)中心和手背部(6)中心与充气泵(2)连通的充气口(7)，以及设置于手套内并按照手部穴位分布的若干刺激部件；所有的磁极部件与控制装置(3)电性相连；

所述的实现方法包括以下步骤：

a^(s+1)＝(1-η)f(a^s)+ηa^s

2.根据权利要求1所述的基于机器学习的手部刺激训练装置的实现方法，其特征在于，所述刺激部件为电极。

3.根据权利要求1或2所述的基于机器学习的手部刺激训练装置的实现方法，其特征在于，所述步骤(3)中，η＝0.4。

4.根据权利要求3所述的基于机器学习的手部刺激训练装置的实现方法，其特征在于，所述手指部(4)与人体手部的掌指关节的对应位置设置有用于固定掌指关节的套管(9)。