CN114373530A - 一种肢体康复训练系统及方法 - Google Patents

一种肢体康复训练系统及方法 Download PDF

Info

Publication number
CN114373530A
CN114373530A CN202111508393.3A CN202111508393A CN114373530A CN 114373530 A CN114373530 A CN 114373530A CN 202111508393 A CN202111508393 A CN 202111508393A CN 114373530 A CN114373530 A CN 114373530A
Authority
CN
China
Prior art keywords
training
network
rehabilitation training
action
human body
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
CN202111508393.3A
Other languages
English (en)
Inventor
张立国
胡林
金梅
李清天
刘强
李翔宇
杨曼
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.)
Yanshan University
Original Assignee
Yanshan University
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 Yanshan University filed Critical Yanshan University
Priority to CN202111508393.3A priority Critical patent/CN114373530A/zh
Publication of CN114373530A publication Critical patent/CN114373530A/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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Epidemiology (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Rehabilitation Tools (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明提出了一种肢体康复训练系统及方法，属于人工智能及深度学习技术领域，包括以下步骤：搭建康复训练系统；收集康复训练病人的病历数据集，并对数据集进行标注用于训练算法模型；改进人体姿态估计网络结构，采用轻量化特征提取网络为主干网络，调整网络结构和激活函数；人体姿态估计算法模型在训练时增加数据增强方法，采用增加预热训练模式的余弦学习率下降方式训练网络；将训练好的算法模型移植到嵌入式电脑上，采用FP16进行量化；系统工作时，显示终端提示病人需要做的动作，随即病人执行动作；嵌入式电脑读取摄像头拍摄的图像送入人体姿态估计算法得到估计动作与给定动作的相似度，得出康复训练评估分值。

Description

一种肢体康复训练系统及方法
技术领域
本发明属于人工智能及深度学习技术领域，具体涉及到一种肢体康复训练系统及方法。
背景技术
随着科学技术的发展，深度学习的技术广泛的应用于各个领域并取得了显著的成果。深度学习技术在智能化的病房设备中的应用极大的提高了医务人员的工作效率。在传统的肢体损伤恢复训练中常采用将病人捆绑在机械设备上，通过机械设备的结构动作从而带动病人肢体的运动，此方法设备昂贵成本较高，而且在使用上不方便。另一种方法是通过医护人员搀扶病人，辅助病人抬腿、伸手等动作，此方法增加了医护人员的劳动强度且辅助抬腿等动作很难达到规定角度或高度，病人的锻炼情况不能得到及时反馈和调整。
因此需要一种新的肢体康复训练方法，能够克服设备成本高、训练情况不能量化记录和不能及时反馈的问题。
发明内容
本发明的目的是提供一种成本低的肢体康复训练系统及方法，一定程度上降低了医护人员的劳动强度。
为了解决上述问题，本申请的技术方案为：
一种肢体康复训练系统，包括辅助训练设备硬件实体和数据库端及专家系统端，辅助训练设备硬件实体包括嵌入式电脑、摄像头、显示终端、训练器材和摄像头。
本发明技术方案的进一步改进在于：所述实体摄像头和嵌入式电脑连接，嵌入式电脑和显示终端连接，嵌入式电脑用网线或局域网与数据库端连接，嵌入式电脑通过网络连接专家系统端。
一种肢体康复训练方法包括下述步骤：
步骤A：搭建辅助训练设备硬件实体，包括嵌入式电脑、摄像头、显示终端和锻炼器材，摄像头的位置根据当前运动模式进行固定；
步骤B：采集骨折、糖尿病等康复训练病人数据集，并对数据集进行标注，统计整理不同类别病人的康复训练方案和数据库；
步骤C：改进人体姿态估计网络结构，采用轻量化特征提取网络为主干网络，训练采用平方差损失，缩减后处理特征提取数量，使得网络满足轻量化的需求和嵌入式平台实时的需求；
步骤D：人体姿态估计网络在训练时增加数据增强方法，提升模型的鲁棒性；采用增加预热训练模式的余弦学习率下降方式训练网络，提升模型训练时的稳定性加快模型训练速度；
步骤E：运用训练好的模型移植到嵌入式设备上，接收摄像头采集图片，进行预处理后送入人体姿态估计算法得到人体姿态信息，然后发出指令随着用户跟着屏幕画面进行动作，并对每个关键点和躯干的运动情况进行统计；
步骤F：根据医嘱和数据库进行搜索匹配，定制化康复训练方案，当病人进行训练时统计运动情况，并将锻炼情况反馈给负责医师，及时的对当前恢复训练方案进行调整反馈，遇到紧急问题可以通过摄像头及时的向专家系统取得联系并解决。
进一步的，在步骤A中，在一个空旷的室内连接好嵌入式电脑、摄像头、显示终端和健身器材，将摄像头对准用户，根据被检测人在显示器中的画面位置进行调整。
进一步的，在所述步骤B中，采集骨折、糖尿病等康复训练病人数据集，并对数据集进行标注，统计整理不同类别病人的康复训练方案和数据库，具体包括：
收集不同类别病人恢复训练方法以及肢体运动幅度数据库，用于根据医嘱计算并匹配定制化的训练方案；将所有采集的数据集进行标注用于训练人体关键点检测算法。
进一步的，在所述步骤C中，所提及的改进人体姿态估计网络结构，采用轻量化特征提取网络为主干网络，训练采用平方差损失，缩减后处理特征提取数量，使得网络满足轻量化的需求和嵌入式平台实时的需求，具体包括:
采用适合移动端部署的MobilenetV1作为特征提取网络，减少热图提取和向量场提取循环次数；训练时包含关键点热图损失和肢体向量场损失，损失函数采用L2损失函数：
Figure BDA0003405041200000031
Figure BDA0003405041200000032
Figure BDA0003405041200000033
其中
Figure BDA0003405041200000034
表示预测热图与标签热图的误差值t表示当前是那个后处理阶段，
Figure BDA0003405041200000035
表示标签值，
Figure BDA0003405041200000036
表示预测值，j表示当前特征图属于哪个关键点图层W(p)是0和1的mask图层当为0时表示当前像素值无效，不进行损失计算反之则进行损失计算。总损失为两个损失函数累加如式子(3)所示。
网络设计中在网络输入和输出处参数量较少采用非线性好且计算复杂的h-swish激活函数，在网络中间层采用计算简单的ReLU激活函数，既能保证网络非线性特征又减少了计算量；
进一步的，在所述步骤D中，所提及的人体姿态估计网络在训练时增加数据增强方法，提升模型的鲁棒性；采用增加预热训练模式的余弦学习率下降方式训练网络，提升模型训练时的稳定性加快模型训练速度，具体包括：
训练模型是将输入图像进行数据增强，采用随机亮度、灰度和对比变换、随机裁剪、水平方向翻转和随机遮挡；经过数据增强有助于提升算法的鲁棒性和实际场景中的适用性。训练网络学习率下降采用预热训练加余弦学习率下降，计算式如(4)所示，其中ηmax表示学习率最大值，ηmin表示学习率最小值，Twarm表示预热训练的迭代次数x表示预热所处时刻，Tcur表示余弦学习率当前时刻。
Figure BDA0003405041200000041
进一步的，在所述步骤E中，所提及的运用训练好的模型移植到嵌入式设备上，接收摄像头采集图片，进行预处理后送入人体姿态估计算法得到人体姿态信息，然后发出指令随着用户跟着屏幕画面进行动作，并对每个关键点和躯干的运动情况进行统计，具体包括：
将训练好的模型部署到嵌入式设备上，并采用FP16对模型进行量化，提升姿态估计算法在嵌入式端的运算速度。检测到摄像头画面内有人时，经过手势交互确认后，即可开始广播动作，显示终端进行画面提示；实时监测人体位置和姿态关键点。将关键点和肢体角度信息进行统计整理得到康复训练报告。
本发明的有益效果是：
本申请一种肢体康复训练方法，方法中所用装置部分由硬件和软件算法组成，硬件部分包含嵌入式计算设备、摄像头、屏幕显示终端和健身器械部分。软件系统部分包含一些常见康复病人康复训练数据库如：糖尿病人、骨折病人等，当医生给出训练方案时，根据数据库搜索推荐定制化的康复训练方案；病人在执行康复训练的时候同时系统会通过摄像头采集图像送入深度学习算法进行人体姿态估计，从而得到当前病人的姿态及关键点位置以及每个躯干的运动幅度和角度数据，相应的在屏幕上显示病人需要做的动作；当病人进行康复训练动作时对检测到的躯干角度与给定动作计算相似度得到康复训练评估分值；当遇到一些特殊病人康复训练动作达不到训练给定的角或度幅度时可以调节降低阈值，训练完后将锻炼情况可视化反馈给负责医生，从而及时给出反馈和调整。采用计算机视觉和深度学习算法结合数据库智能化的根据病人情况制定康复训练方案，并对锻炼结果数据统计反馈给负责医师，极大降低了医务人员的劳动强度，使得康复训练反馈更加及时，提升了医生与病人的沟通效率。
采用大数据系统将医嘱作为输入即可查找匹配定制化的康复训练方案，通过与人体姿态估计算法的集合可以准确地统计和量化病人的康复训练质量，并将统计结果及时反馈给负责医师形成一个闭环，使得康复训练调整更加及时；大数据的方案推荐和深度学习算法估计统计出康复训练评估结果极大的降低了医师的劳动强度，提升了病人和医生的沟通效率。
针对人体姿态估计算法在主干网络、数据增强和训练策略上的改进使得算法在准确率得到了提高同时运算量减小，使得人体姿态估计算法部署在嵌入式端和实时的姿态估计成为了可能。
附图说明
图1为本发明执行流程；
图2为本发明硬件部署与安装；
图3为本发明程序执行流程图；
图4为本发明人体姿态关键点定义；
图5为本发明人体姿态估计网络结构；
图6为本发明人体姿态分类流程；
其中，1、训练器材，2、嵌入式电脑，3、专家系统端，4、数据库端，5、显示终端，6、摄像头。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种肢体康复训练方法包括以下步骤：
步骤A：搭建辅助训练设备硬件实体，包括嵌入式电脑、摄像头、显示终端和锻炼器材，摄像头的位置根据当前运动模式进行固定；在软件上结合计算机视觉算法和大数据搜索方法实现病人康复训练的定制化方案和康复训练效果评估；
在一个空旷的室内连接好硬件设备，连接关系如图2所示，其中摄像头6和嵌入式电脑2连接，嵌入式电脑2和可视化终端5连接，嵌入式电脑2用网线或局域网与数据库端4连接，嵌入式电脑2通过网络连接专家系统端3，训练器材1设置在摄像头6的拍摄范围内，使其在显示终端居中位置。
具体地，摄像头6用UBS数据线连接嵌入式电脑2用于读取图像作为算法的输入，可视化终端5通过HDMI数据线连接嵌入式电脑2，可以将康复病人实时姿态估计信息可视化并及时的反馈给病人当前动作是否达到要求，嵌入式电脑2用网线或局域网与数据库4进行通讯读取和查找定制化康复训练数据，嵌入式电脑2通过网络连接专家系统3可以及时的联系领域专家解决棘手问题，将健身器材1调整到摄像头6采集画面中央即可实现统计康复训练病人锻炼情况；
步骤B：采集骨折、糖尿病等康复训练病人数据集，并对数据集进行标注，统计整理不同类别病人的康复训练方案和数据库；
收集不同类别病人恢复训练方法以及肢体运动幅度数据库，用于根据医嘱计算并匹配定制化的康复训练方案；将所有采集的数据集进行标注用于训练人体关键点检测算法，具体标注方式如图4所示，将人体关键点标注为18个点，连接各个躯干形成人体骨架结构。
步骤C：改进人体姿态估计网络结构，采用轻量化特征提取网络为主干网络，训练采用平方差损失，缩减后处理特征提取数量，使得网络满足轻量化的需求和嵌入式平台实时的需求；
人体姿态估计关键点的定义如图4所示，一共定义18个关键点从0到17分别为鼻子、颈部、左肩、左肘、右手腕、右肩、右肘、右手腕、左腰、左膝盖、左脚踝、右腰、右膝盖、右脚踝、左眉毛、有眉毛、左耳朵和右耳朵。特征提取网络结构如图4所示，采用适合移动端部署的MobilenetV1作为特征提取网络，调整下采样布局实现八倍下采样；提取特征后将网络分为热图分支和亲和向量场分支，两个分支共用一部分特征提取结构如图5中S2和S5所示，后特征提取网络循环两次分别表示为stage_1和stage_2训练时包含关键点热图损失和肢体向量场损失，损失函数采用L2损失函数：
Figure BDA0003405041200000071
Figure BDA0003405041200000072
Figure BDA0003405041200000073
其中
Figure BDA0003405041200000074
表示预测热图与标签热图的误差值t表示当前是那个后处理阶段，
Figure BDA0003405041200000075
表示标签值，
Figure BDA0003405041200000076
表示预测值，j表示当前特征图属于哪个关键点图层W(p)是0和1的mask图层当为0时表示当前像素值无效，不进行损失计算反之则进行损失计算；
Figure BDA0003405041200000077
表示标签向量场和预测向量场的损失值。总损失为两个损失函数累加如式子(7)所示。
步骤D：人体姿态估计网络在训练时增加数据增强方法，提升模型的鲁棒性；采用增加预热训练模式的余弦学习率下降方式训练网络，提升模型训练时的稳定性加快模型训练速度；
训练模型是将输入图像进行数据增强，采用随机亮度、灰度和对比变换、随机裁剪、水平方向翻转和随机遮挡；经过数据增强有助于提升算法的鲁棒性和实际场景中的适用性。训练网络学习率下降采用预热训练加余弦学习率下降，计算式如(8)所示，其中ηmax表示学习率最大值，ηmin表示学习率最小值，Twarm表示预热训练的迭代次数x表示预热所处时刻，Tcur表示余弦学习率当前时刻。
Figure BDA0003405041200000081
训练网络参数设置Epoch＝30,学习率Lrmax＝0.01,Lrmin＝0.0001优化器采用SGD,momentum＝0.9；
步骤E：将训练好的算法模型移植到嵌入式设备上，采用FP16进行量化，网络输出关键点用增加权值的二部图匹配得到关节点间的连接信息，同时将估计人体姿态与指令给定姿态计算相似度得出康复训练结果评估分值；嵌入式设备读取摄像头图像，进行预处理后送入量化后的人体姿态估计算法得到人体姿态信息，然后发出指令用户跟着屏幕画面进行动作，并对每个关键点、康复训练评估结果和躯干的运动情况进行统计；
将训练好的模型部署到嵌入式设备上，并采用FP16对模型进行量化，提升姿态估计算法在嵌入式端的运算速度，同时将估计人体姿态与指定姿态计算相似度得出康复训练结果评估分值。计算式如(9)所示
Figure BDA0003405041200000082
其中Pi表示预测的躯干对，Qi表示指令给定躯干对，n为有效躯干对的数量最大值为19，排除掉无效躯干对。
图4所示网络检测结果只含有热图信息和亲和场信息，还需对多人关键点信息进行匹配；增加权值二部图方法对关键点对进行匹配，权值来源于关键点对之间的亲和场预测值进行积分运算如式子(10)所示；
Figure BDA0003405041200000091
Figure BDA0003405041200000092
在(10)式子中
Figure BDA0003405041200000093
和
Figure BDA0003405041200000094
表示关键点对的坐标E表示当前关键点对的权值，Lc表示坐标位置的置信度,在(11)式子中p(u)表示关键点对之间的坐标。关键点对设置为[[c,d],[d,e],[e,f],[g,h],[i,j],[j,k],[l,m],[m,n],[o,p],[b,i],[b,l],[b,c],[b,f],[c,q],[f,r],[a,o],[a,p],[o,q],[p,r]]；正常工作时当检测到画面中有完整的人体关键点时系统进入工作状态，经过手势交互确认后，即可开始广播动作，显示终端进行画面提示；实时监测人体位置和姿态关键点。将单个人的躯干对送入相似度算法计算得到当前动作和指令动作相似度的置信度，估计的置信度和设定的阈值进行比较在一定数值范围内则判断完成当前动作；如图6所示，首先输入为康复训练图像经过姿态估计网络输出躯干对信息送入余弦相似度相似度计算得到当前训练动作和给定动作的相似度。经过部署试验在Jetsonnano上实现368x368大小图像输入，推理时间为28ms，实现了嵌入式端实时的效果。
步骤F：根据医嘱和数据库进行匹配搜索，定制化康复训练方案，当病人进行训练时统计运动情况，并将锻炼情况反馈给负责医师，及时的对当前康复训练方案进行调整反馈，遇到紧急问题可以通过摄像头及时的和医师取得联系并解决。
系统整体执行流程图如图3所示，经过医嘱环节后进行康复训练方案定制，根据病人不同情况进行匹配合适的运动类型和运动量，病人执行后及时的将锻炼数据反馈给医师及时的给病人进行反馈和调整方案。
本发明提出一种肢体康复训练方法、装置及系统，通过人体姿态估计算法和大数据匹配策略相结合实现肢体康复训练的定制化和训练过程得以量化，同时将训练结果及时的反馈给医师及时调整，提升了医生和病人间的沟通效率；重新设计人体姿态估计网络，实现轻量化的特点，使得网络部署在嵌入式端成为了可能并达到实时的效果。通过人体姿态估计的深度学习算法使得肢体康复训练数据化成为了可能，康复训练更加标准化。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种肢体康复训练系统，其特征在于：包括辅助训练设备硬件实体和数据库端(4)及专家系统端(3)，辅助训练设备硬件实体包括嵌入式电脑(2)、摄像头(6)、显示终端(5)、训练器材(1)和摄像头(6)。
2.根据权利要求1所述的一种肢体康复训练系统，其特征在于：所述实体摄像头(6)和显示终端(5)都与和嵌入式电脑(2)连接，嵌入式电脑(2)用网线或局域网与数据库端(4)连接，嵌入式电脑(2)通过网络连接专家系统端(3)。
3.一种肢体康复训练方法，其特征在于包括以下步骤：
A搭建上述康复训练系统，摄像头(6)的位置根据当前运动模式进行固定；
B收集康复训练病人的病历数据集，并对数据集进行标注用于训练算法模型；
C改进人体姿态估计网络结构，采用轻量化特征提取网络为主干网络，调整网络结构和激活函数；
D人体姿态估计算法模型在训练时增加数据增强方法，采用增加预热训练模式的余弦学习率下降方式训练网络；
E将训练好的算法模型采用FP16进行量化后部署到嵌入式电脑(2)上，算法推理得到关键点结果用含有权值的二部图匹配算法得到关键点的连接关系；
F系统工作时，显示终端(5)提示病人需要做的动作，随即病人执行动作；嵌入式电脑(2)读取摄像头(6)拍摄的图像送入人体姿态估计算法得到估计动作,再用余弦相似度方法计算估计的动作和程序要求动作的相似度，从而完成当前动作评估，同时提醒康复训练病人及时调成可得到更高的评估分值。
4.根据权利要求3所述的一种肢体康复训练方法，其特征在于：步骤C中替换人体姿态估计主干网络为MobileNetV1并在网络输出处添加卷积计算调整特征图通道128和长宽为46x46；调整热图和亲和场向量提取网络，将这两个提取分支调整为共享权重减少计算量，热图和亲和场特征提取重复两次，网络的损失计算为L2损失：
Figure FDA0003405041190000021
Figure FDA0003405041190000022
Figure FDA0003405041190000023
其中
Figure FDA0003405041190000024
表示预测热图与标签热图的误差值t表示当前是那个后处理阶段，
Figure FDA0003405041190000025
表示标签值，
Figure FDA0003405041190000026
表示预测值，j表示当前特征图属于哪个关键点图层W(p)是0和1的mask图层当为0时表示当前像素值无效，不进行损失计算反之则进行损失计算，总损失为两个损失函数累加如式(3)所示。
5.根据权利要3所述的一种肢体康复训练方法，其特征在于：步骤D中训练网络学习率下降采用预热训练加余弦学习率下降，计算式如(4)所示，其中ηmax表示学习率最大值，ηmin表示学习率最小值，Twarm表示预热训练的迭代次数x表示预热所处时刻，Tcur表示余弦学习率当前时刻，
Figure FDA0003405041190000027
6.根据权利要求3所述的一种肢体康复训练方法，其特征在于：步骤E中用FP16量化的算法部署在嵌入式端，算法出结果只含有热图信息和亲和场信息，还需对多人关键点信息进行匹配，得到关键点的连接关系；采用增加权值二部图方法对关键点对进行匹配，权值来源于关键点对之间的亲和场预测值进行积分运算如式子(5)所示；
Figure FDA0003405041190000032
Figure FDA0003405041190000033
在(5)式子中
Figure FDA0003405041190000034
和
Figure FDA0003405041190000035
表示关键点对的坐标E表示当前关键点对的权值，Lc表示坐标位置的置信度,在(6)式子中p(u)表示关键点对之间的坐标；关键点对设置为[[c,d],[d,e],[e,f],[g,h],[i,j],[j,k],[l,m],[m,n],[o,p],[b,i],[b,l],[b,c],[b,f],[c,q],[f,r],[a,o],[a,p],[o,q],[p,r]]。
7.根据权利要求3所述的一种肢体康复训练方法，其特征在于：步骤F所述的用余弦相似度方法计算人体姿态与指令给定姿态相似度得出康复训练结果评估分值，具体是用余弦相似度的方式计算19对预测躯干和给定躯干的角度大小求和后取均值计算出当前动作评估分值，计算式如(7)所示：
Figure FDA0003405041190000031
其中Pi表示预测的躯干对，Qi表示指令给定躯干对，n为有效躯干对的数量最大值为19，排除掉无效躯干对。
CN202111508393.3A 2021-12-10 2021-12-10 一种肢体康复训练系统及方法 Pending CN114373530A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111508393.3A CN114373530A (zh) 2021-12-10 2021-12-10 一种肢体康复训练系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111508393.3A CN114373530A (zh) 2021-12-10 2021-12-10 一种肢体康复训练系统及方法

Publications (1)

Publication Number Publication Date
CN114373530A true CN114373530A (zh) 2022-04-19

Family

ID=81141124

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111508393.3A Pending CN114373530A (zh) 2021-12-10 2021-12-10 一种肢体康复训练系统及方法

Country Status (1)

Country Link
CN (1) CN114373530A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661856A (zh) * 2022-10-10 2023-01-31 西南交通大学 一种基于Lite-HRNet的自定义康复训练监测与评估方法
KR20240027176A (ko) * 2022-08-22 2024-03-04 박영욱 퇴행성 신경질환 예방 및 진단을 위한 훈련 장치 및 그 방법
CN117831703A (zh) * 2024-01-02 2024-04-05 复旦大学 基于图神经网络与深度学习的失能老人照护方案推荐方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240027176A (ko) * 2022-08-22 2024-03-04 박영욱 퇴행성 신경질환 예방 및 진단을 위한 훈련 장치 및 그 방법
KR102702942B1 (ko) * 2022-08-22 2024-09-06 박영욱 퇴행성 신경질환 예방 및 진단을 위한 훈련 장치
CN115661856A (zh) * 2022-10-10 2023-01-31 西南交通大学 一种基于Lite-HRNet的自定义康复训练监测与评估方法
CN117831703A (zh) * 2024-01-02 2024-04-05 复旦大学 基于图神经网络与深度学习的失能老人照护方案推荐方法
CN117831703B (zh) * 2024-01-02 2024-08-09 复旦大学 基于图神经网络与深度学习的失能老人照护方案推荐方法

Similar Documents

Publication Publication Date Title
CN106650687B (zh) 一种基于深度信息和骨骼信息的姿势矫正方法
CN114373530A (zh) 一种肢体康复训练系统及方法
CN114724241A (zh) 基于骨骼点距离的动作识别方法、装置、设备及存储介质
Chaudhari et al. Yog-guru: Real-time yoga pose correction system using deep learning methods
CN109011508A (zh) 一种智能教练系统及方法
CN109635820A (zh) 基于深度神经网络的帕金森病运动迟缓视频检测模型的构建方法
CN110490109B (zh) 一种基于单目视觉的在线人体康复动作识别方法
CN114067358A (zh) 一种基于关键点检测技术的人体姿态识别方法及系统
CN110478883A (zh) 一种健身动作教学及矫正系统及方法
CN112597933B (zh) 动作评分方法、装置及可读存储介质
CN115227234B (zh) 一种基于摄像头的心肺复苏按压动作评估方法与系统
CN108958482B (zh) 一种基于卷积神经网络的相似性动作识别装置及方法
CN110464356B (zh) 一种运动能力综合监测方法及系统
CN114099234B (zh) 一种用于辅助康复训练的智能化康复机器人数据处理方法及系统
CN112668531A (zh) 一种基于动作识别的运动姿态矫正方法
CN113974612B (zh) 一种卒中患者上肢运动功能自动化评估方法与系统
CN113516005A (zh) 一种基于深度学习和姿态估计的舞蹈动作评价系统
CN112381035A (zh) 一种基于骨骼关键点运动轨迹的动作相似度评价方法
CN114998983A (zh) 一种基于增强现实技术和姿态识别技术的肢体康复方法
CN112619109A (zh) 基于ar技术的康复训练系统及方法
Yan et al. Human-object interaction recognition using multitask neural network
CN115661856A (zh) 一种基于Lite-HRNet的自定义康复训练监测与评估方法
CN113240714B (zh) 一种基于情境感知网络的人体运动意图预测方法
Ata et al. A robust optimized convolutional neural network model for human activity recognition using sensing devices
Jadhav et al. Aasna: Kinematic Yoga Posture Detection And Correction System Using CNN

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