CN113589932A - 一种沉浸式虚拟现实站立平衡训练平台及系统 - Google Patents

Abstract

本公开提供了一种沉浸式虚拟现实站立平衡训练平台及系统，带有一个安装了六维力/力矩传感器的站立平台，可以精确的测量受试者在平台上站立时各个方向的力和力矩。同时构建沉浸式虚拟现实环境，为受试者提供了全空间的训练任务和场景，误差通过视觉实时反馈给受试者，引导其建立对肢体重心的控制能力，最终帮助使受试者在虚拟世界中利用视觉反馈信息完成动态平面上的站立平衡训练任务。

Description

一种沉浸式虚拟现实站立平衡训练平台及系统

技术领域

本公开属于站立平衡控制技术领域，涉及一种沉浸式虚拟现实站立平衡训练平台及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

平衡能力是指感知身体重心并通过肢体等运动将身体重心控制在支撑面内的特性或行为。人的卧、坐、立、行等活动都需完整、有效的平衡作为保障。其中，站立平衡作为基本平衡，更是日常活动的基础。人体保持稳定的站立姿态需要感知-决策-运动等系统的协调、有序配合。站立时的平衡控制可近似于围绕脚踝旋转的单个倒立摆运动，重心一般位于身体正中面上第三骶椎上缘前方7厘米处，支撑面为包括两足底在内的两足间的表面。为维持身体站立姿态下的平衡，感知-决策-运动系统需无缝集成工作。来自视觉、前庭以及本体感觉的感知信息帮助中枢神经系统确定环境中人体的方向和状态，辅助中枢神经系统做出正确的运动计划并向运动系统发出合适的运动指令。运动系统中的肌肉、骨骼和关节的活动可以产生校正性的稳定扭矩，以保持姿势稳定性。这种感知-神经-运动系统整合机制保证了站立平衡控制的基本要求，并使身体在面对外界干扰时能做出及时、有效的反应。然而，多种神经肌肉系统疾病、老化及运动损伤都能导致平衡控制能力下降，从而增加跌倒风险。

人体站立平衡控制能力能够通过功能训练来改善或增强，并可应用于各种疾病患者的康复训练，运动员体能水平提升、运动损伤的恢复等。平衡训练的重要方法之一是建立符合生物反馈原理的训练机制。生物反馈是借助于传感器把采集到的器官活动信息加以处理和放大，及时转换成人们熟悉的视觉或听觉信号并进行显示。患者通过学习和训练，逐步建立操作性条件反射，学会在一定范围内对部分器官活动的随意控制，校正偏离正常范围的器官活动，恢复系统功能的稳定。如何在站立平衡过程中建立符合生物反馈原理的训练机制是目前本领域的难点。

发明内容

本公开为了解决上述问题，提出了一种沉浸式虚拟现实站立平衡训练平台及系统，本公开带有一个安装了六维力/力矩传感器的站立平台，可以精确的测量受试者在平台上站立时各个方向的力和力矩。同时构建沉浸式虚拟现实环境，为受试者提供了全空间的训练任务和场景，误差通过视觉实时反馈给受试者，引导其建立对肢体重心的控制能力，最终帮助使受试者在虚拟世界中利用视觉反馈信息完成动态平面上的站立平衡训练任务。

根据一些实施例，本公开采用如下技术方案：

一种沉浸式虚拟现实站立平衡训练平台，包括基板、第一底板、连接件和六维力/力矩传感器，其中，所述基板和第一底板之间可拆卸连接，所述基板上端面平整，用于提供多方向站立区域，所述第一底板上部设置有一腔体，所述腔体内设置有六维力/力矩传感器，所述六维力/力矩传感器能够检测所述基板的受力；

所述第一底板的底端为向外凸起的弧面形。

作为可选择的实施方式，还包括第二底座，所述第二底座和第一底座之间可拆卸连接，且所述第二底座上端设置有一与所述第一底座弧面形相契合的凹槽，当所述第二底座和第一底座连接时，所述第二底座的下端面与所述基板上端面平行。

通过上述方案，能够构建一不稳定站立平台和稳定站立平台，使受试者在不同的情况下进行训练或测试，适用场景多。

一种沉浸式虚拟现实站立平衡训练系统，包括上述平台、虚拟现实设备和处理系统，其中：

所述平台，用于获取受试者不同时刻的六维力/力矩；

所述处理系统，用于根据不同时刻的六维力/力矩，计算足底压力中心点实时信号，并将足底压力中心点转换为虚拟现实设备中的可移动点，并配置一设定区域，通过保持平台水平以控制可移动点停留在设定区域内，分析设定时间内足底压力中心点信号变化，确定受试者的平衡控制能力评估结果；

所述虚拟现实设备，用于提供虚拟图像，以显示可移动点和设定区域。

作为可选择的实施方式，所述平台在获取受试者不同时刻的六维力/力矩前先进行传感器的校零。

作为进一步的限定，取传感器开启后预定时间内传感器的记录值，对其求平均值，之后的传感器的记录值都减去此平均值即可得到准确的压力数据。

作为可选择的实施方式，所述处理系统，包括计算模块，被配置为将每一采样时刻的六维力/力矩形成数据集，根据平台坐标系中三轴力矩数据和地面反作用力的数据，计算足底压力中心点的坐标，即人体站立在平台上时垂直反应矢量在平台表面的位置。

作为可选择的实施方式，所述处理系统，包括特性描述模块，被配置为根据足底压力中心点数据构建降阶的马尔可夫链模型，以描述静态姿态控制的长期行为，获得姿态控制系统的稳态和时间演化特性。

作为进一步的限定，所述特性描述模块将数据调整为零均值到数据的质心，状态空间由形心发出的同心圆进行分割和离散，通过半径增加至设定范围，将状态空间离散成多个状态，计算足底压力中心在各状态间的转移概率来构造转移矩阵，根据转移矩阵计算不变密度，确定不同状态下找到足底压力中心点的概率。

作为可选择的实施方式，所述处理系统，包括特征参数提取模块，被配置为对马尔可夫链模型进行参数特征的计算，得到不变密度的最大概率、足底压力中心点离质心的平均距离、足底压力中心点的95％可能性的最大状态、不变密度的收敛速度和熵，利用五个特征参数进行受试者的平衡控制能力评估。

一种沉浸式虚拟现实站立平衡训练方法，包括以下步骤：

获取受试者不同时刻的六维力/力矩；

根据不同时刻的六维力/力矩，计算各时刻足底压力中心点信号，并将足底压力中心点转换为虚拟现实设备中的可移动点，并在虚拟现实设备配置一设定区域；

通过控制平台姿态，以控制可移动点停留在设定区域内，经过设定时间，分析该时间内的足底压力中心点信号，以评估受试者的平衡控制能力。

与现有技术相比，本公开的有益效果为：

本公开通过构建沉浸式虚拟现实环境，为受试者提供了全空间的训练任务和场景，通过视觉实时反馈给受试者，引导其建立对肢体重心的控制能力，最终帮助使受试者在虚拟世界中利用视觉反馈信息完成动态平面上的站立平衡训练任务。

本公开提供了分析静态姿态控制系统降阶模型的方法即不变密度分析方法，采用COP轨迹的降阶马尔可夫链模型代替封闭方程来描述状态的演化。该方法考虑了系统在时间和空间方面的演化。并提取特征参数进行精准定量评估。基于生物反馈的沉浸式站立平衡训练和测试，对受试者静止站立能力进行测试、训练和评估，具有重要的应用价值。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1是一实施例的平台结构示意图；

图2是一实施例的系统结构示意图；

图3(a)和图3(b)是两种测试场景示例示意图；

图4(a)是COP轨迹示例；

图4(b)是给定轨迹的概率转移矩阵；

图5是一实施例的流程示意图；

图6(a)、图6(b)是一实施例的平台结构立体示意图。

具体实施方式：

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

首先提供一种测试用的站立平台，如图1、图6(a)和图6(b)所示，外形结构主要分为三个部分。1为站立面，2为传感器，站立面是一个有一定厚度的圆板，上有螺孔，传感器表面也有螺孔，可以通过螺丝钉将站立面与传感器固定。3为底座一，是一个曲面弧度较大的实心圆顶形，周围有一圈伞形薄壁，上窄下宽。伞形结构的作用是当受试者测试过程中向一侧倾倒角度过大时与地面形成一个支撑面，防止受试者跌倒，正常测试过程中伞形结构不会与地面相接触。底座一中央设有凹槽，高度略小于传六维力/力矩传感器但面积略大于传感器底面积，能够将传感器放进去并使传感器上表面略高于底座一的上表面而又不会和腔体的壁面碰撞。该装置还配有一个带有碗形凹槽下底面平坦的底座即为底座二，4为底座二，将上述装置组合后放入底座中可将不稳定站立平台变为稳定站立平台。

5、6分别为站立面和传感器的螺孔，可通过螺丝钉将站立面和传感器固定。7为传感器的接线头，8和9都为穿透底座外壁的圆孔，当将3和4组合时圆孔边界可重合。圆孔的作用是让传感器的接线通过。站立平台组装后的外观如图6(a)和图6(b)所示。

进行测试或训练时，如图5所示，先给受试者佩戴虚拟现实头盔并握着扶手保持双脚距离与肩同宽站立在不稳定站立平台上站稳，使平台表面保持水平稳定后再放开扶手进行测试。测试过程中受试者双手在身体两侧自然下垂。测试分为两个场景，先完成测试场景一，在此过程中受试者视野内会出现一个虚拟房间，房间地板中央有一个光圈和一辆小车(当然，其他实施例中，可以以其他游戏方式显示)，受试者的足底压力中心点(COP)在平台上的方向矢量和小车在平台表面的运动矢量同方向，大小成比例，当平台水平时小车的重心位置与光圈的圆心重叠。测试要求受试者通过改变COP尽量保持平台水平以控制小车停留在光圈中，一定时间后测试结束。给受试者足够的休息时间后完成测试场景二。测试场景二与测试场景一相似，区别在于地板上没有光圈，受试者仅仅能看到小车的移动但难以判断小车是否处于中心位置，无法给受试者提供COP实时运动轨迹的视觉反馈，测试二同样进行一定时间。测试示例图如图2所示，为了保证安全性，可以增加扶手。

图3(a)显示的是测试场景一中受试者所看到的虚拟现实的游戏界面，图3(b)显示的是测试场景二中受试者所看到的虚拟现实的游戏界面。测试全部结束后对采集到的数据进行处理和分析。

站立平台的测量原理如下：在受试者站在平台上之前，因为传感器上方覆盖供站立的圆板，所以要先对传感器进行校零。具体的方式为取0.1秒内(在其他实施例中，可以替换为其他数据)的传感器记录值，对其求平均值，之后的传感器的记录值都减去此平均值即可得到准确的压力数据。

在本实施例中，传感器的采样率设置为1000Hz(在其他实施例中，可以替换为其他数据)，每次采样测得一组六维数据如下所示：

L＝[F_x,F_y,F_z,T_x,T_y,T_z] (1)

其中，L为数据集，T_x、T_y、T_z是围绕站立平台坐标系中x、y、z轴具有旋转趋势的力矩数据，F_x、F_y、F_z是站立平台坐标系x、y、z三个坐标方向的地面反作用力的数据。之后根据力/力矩数据计算压力中心点的坐标，计算公式如下：

人在平台上站立时，传感器测得受试者的重力大小和方向，因为传感器测得的是重力在三维空间中三个轴上的大小和绕这三个轴转动的力矩的大小，根据公式(2)就可以求得重力在平台上的准确位置，这个位置也是人体站立在平台上时垂直反应矢量在平台表面的位置。如果把平台看作一个以平台中心为原点的二维平面，这里计算出的就是重心点在平面上的坐标。

传感器采集的数据的格式如公式(1)所示，根据公式(2)计算出x，y两个方向的坐标。根据上式计算得出一定稳定时期的COP轨迹的数据，其中x、y分别代表人体冠状面和矢状面两个平面的法向方向。

姿态控制系统是一个复杂的动力学系统。通常不可能推导出简单的封闭式系统模型。因此，使用了一种数据驱动的方法，从COP数据构建一个降阶的马尔可夫链模型来描述静态姿态控制系统的长期行为。该系统是由人体姿态控制系统的稳定机制产生的动态系统的输出。这种方法的根源在于使用面向集的方法对动态系统进行离散化。

动态系统是用数学模型来描述系统的状态和这些状态的演化。系统的演化可以是一个确定性的过程，也可以是一个随机性的过程。确定性模型只有一种可能的未来状态是从当前状态演化而来的(例如，描述钟摆运动的微分方程)。随机模型有几种可能的状态，随机系统演化到特定状态的可能性可以用概率分布来描述。一个随机过程被认为是一个“马尔可夫链”，如果未来的状态是独立于所有过去的状态，因此只依赖于现在的状态。也就是说，Y是一个马尔可夫链：

P(Y_n+1＝y_n+1|Y_n＝y_n,...,Y₀＝y₀)＝P(Y_n+1＝y_n+1|Y_n＝y_n) (3)

对于具有状态空间Y和概率测度P的随机过程Y＝(Y₁,Y₂，…)，状态的一步演化称为转移，与可能的状态转移相关的概率称为转移概率。假设存在一个有限的状态集，其转移概率可以表示为一个转移矩阵P,P中的转移概率控制着马尔可夫链的演化，其概率分布演化为：

λ_n+1＝λ_nP (4)

其中λn为第n次迭代时的状态分布。如果马尔可夫链是不可约的、递归的，λn收敛于唯一的稳态分布π，也等价于特征值为1的P的左特征向量:

π＝πP (5)

其中π表示不变密度。之所以重要，是因为它不依赖于初始的系统分布，而是定义了长期的系统行为。基于COP数据的马尔可夫模型能够同时获得姿态控制系统的稳态和时间演化特性。在该模型中，稳态行为由不变密度表示，而时间演化行为由过渡矩阵表示。虽然因变量密度可以直接从时间序列COP数据中计算出来，但这里使用的是离散的马尔可夫链模型，因为马尔可夫框架提供了关于系统动态行为的附加信息(例如，收敛速度(P的第二个特征值)和系统的熵)。

本实施例采用离散马尔可夫链模型从测试中采集的COP数据中提取动态信息。对于每个COP数据集，按照以下方式构建马尔科夫模型和不变密度。首先，将COP数据调整为零均值到数据的质心。状态空间由形心发出的同心圆进行分割和离散，半径从0.0mm增加0.2mm。环的宽度由用于COP收集的力平台静态重量校准时测量的噪声水平决定。换句话说，在校准期间，环的宽度与COP数据的标准偏差相同(四舍五入到最接近的十分之一毫米)。其次，通过计算所有状态的转移概率来构造转移矩阵P如公式(6)。图4(a)是用来构造模型转移矩阵的有限状态空间的简化图。在这个例子中，状态空间被离散成六个状态(环1-6)。图4(b)给出了描述本例COP状态转换的6×6转换矩阵P。第三，通过求解公式(5)中P的左特征向量计算出不变密度π，特征值为1。因此，描述了在给定状态下找到COP的概率：

其中T_ij表示从状态i过渡到状态j的次数，N_i表示在状态i内部或外部的转换总数。

参数化。虽然不变密度π描述了COP行为，但是参数化π有助于数据的量化，并增强了对主体行为的理解。本实施例采用5个参数对离散马尔可夫链模型进行了表征。

MaxP，即不变密度的最大概率：

MaxP＝max_i∈I{π(i)} (7)

其中i是所有可能状态的集合，MaxP值越大，说明COP被驱动到特定状态的概率越大。MaxP是一个无量纲的值。

MeanDist是COP离质心的平均距离的测度：

MeanDist＝∑_i∈Iiπ(i) (8)

其中I是所有可能状态的集合。较大的MeanDist值表示COP的平均移动量较大。MeanDist的单位是圈数，或用圈数乘以圈宽后的mm。

D95为包含COP的95％可能性的最大状态。这个参数提供了对COP移动到相对圆心的距离的观察。D95是一个无量纲的值。

λ₂即转换矩阵的第二大特征值，对应于不变密度的收敛速度。λ₂描述了COP达到其不变分布的速度以及该过程对扰动的敏感性。较小的λ₂表明灵敏度较低，COP回归稳态的速度越慢。λ₂是一个无量纲的值。

Entropy即熵是系统随机性或不确定性的度量，低熵对应于更确定性的系统，高熵对应于更随机的系统。这个参数等价于香农熵的概念，熵的单位是bit。

Entropy＝-∑_i∈Iiπ(i)log₂π(i) (9)

由于IDA研究的是长期的静态行为，它需要以分钟为单位的COP数据。因此可将多个短测试合并到一个长测试中，因为COP数据通常是从多个测试中以秒为单位收集的。我们要求受试者重复测试场景一和测试场景二N次，检查基于N次设定时长测试的不变密度是否有统计学差异。

上述五个参数可在不同方面对平衡能力进行评估，后续分析时需对它们进行综合考虑。在其他四个参数相同的情况下，MaxP值越大系统演化到特定状态的可能性较低，平衡控制能力越差；MeanDist的值越小可表明COP距离质心位置较远，平衡控制能力越差；D95的值越大可表明COP波动增强，平衡控制能力越差；λ₂越小表示受到扰动后的COP运动回归稳态的速度越慢，平衡的控制能力越差；Entropy值越大，说明COP遵循的路径越随机，数据中具有更少的确定性信息，平衡控制能力越差。

本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (10)

1.一种沉浸式虚拟现实站立平衡训练平台，其特征是：包括基板、第一底板、连接件和六维力/力矩传感器，其中，所述基板和第一底板之间可拆卸连接，所述基板上端面平整，用于提供多方向站立区域，所述第一底板上部设置有一腔体，所述腔体内设置有六维力/力矩传感器，所述六维力/力矩传感器能够检测所述基板的受力；

所述第一底板的底端为向外凸起的弧面形。

2.如权利要求1所述的一种沉浸式虚拟现实站立平衡训练平台，其特征是：还包括第二底座，所述第二底座和第一底座之间可拆卸连接，且所述第二底座上端设置有一与所述第一底座弧面形相契合的凹槽，当所述第二底座和第一底座连接时，所述第二底座的下端面与所述基板上端面平行。

3.一种沉浸式虚拟现实站立平衡训练系统，其特征是：包括权利要求1或2所述的平台、虚拟现实设备和处理系统，其中：

所述平台，用于获取受试者不同时刻的六维力/力矩；

所述处理系统，用于根据不同时刻的六维力/力矩，计算足底压力中心点实时信号，并将足底压力中心点转换为虚拟现实设备中的可移动点，并配置一设定区域，通过保持平台水平以控制可移动点停留在设定区域内，分析设定时间内足底压力中心点信号变化，确定受试者的平衡控制能力评估结果；

所述虚拟现实设备，用于提供虚拟图像，以显示可移动点和设定区域。

4.如权利要求3所述的一种沉浸式虚拟现实站立平衡训练系统，其特征是：所述平台在获取受试者不同时刻的六维力/力矩前先进行传感器的校零。

5.如权利要求4所述的一种沉浸式虚拟现实站立平衡训练系统，其特征是：取传感器开启后预定时间内传感器的记录值，对其求平均值，之后的传感器的记录值都减去此平均值即可得到准确的压力数据。

6.如权利要求3所述的一种沉浸式虚拟现实站立平衡训练系统，其特征是：所述处理系统，包括计算模块，被配置为将每一采样时刻的六维力/力矩形成数据集，根据平台坐标系中三轴力矩数据和地面反作用力的数据，计算足底压力中心点的坐标，即人体站立在平台上时垂直反应矢量在平台表面的位置。

7.如权利要求3所述的一种沉浸式虚拟现实站立平衡训练系统，其特征是：所述处理系统，包括特性描述模块，被配置为根据足底压力中心点数据构建降阶的马尔可夫链模型，以描述静态姿态控制的长期行为，获得姿态控制系统的稳态和时间演化特性。

8.如权利要求7所述的一种沉浸式虚拟现实站立平衡训练系统，其特征是：所述特性描述模块将数据调整为零均值到数据的质心，状态空间由形心发出的同心圆进行分割和离散，半径增加至设定范围，将状态空间被离散成多个状态，计算所有状态的转移概率来构造转移矩阵，根据转移矩阵计算不变密度，确定不同状态下找到足底压力中心点的概率。

9.如权利要求3所述的一种沉浸式虚拟现实站立平衡训练系统，其特征是：所述处理系统，包括特征参数提取模块，被配置为对马尔可夫链模型进行参数特征的计算，得到不变密度的最大概率、足底压力中心点离质心的平均距离、足底压力中心点的95％可能性的最大状态、不变密度的收敛速度和熵，利用五个特征参数进行受试者的平衡控制能力评估。

10.一种沉浸式虚拟现实站立平衡训练方法，其特征是：包括以下步骤：

利用平台获取受试者不同时刻的六维力/力矩；

根据不同时刻的六维力/力矩，计算各时刻足底压力中心点信号，并将足底压力中心点转换为虚拟现实设备中的可移动点，并在虚拟现实设备配置一设定区域；

通过控制平台姿态，以控制可移动点停留在设定区域内，经过设定时间，分析该时间内的足底压力中心点信号，以评估受试者的平衡控制能力。

Images