CN114470719B - 一种全自动姿态矫正训练方法及系统 - Google Patents
一种全自动姿态矫正训练方法及系统 Download PDFInfo
- Publication number
- CN114470719B CN114470719B CN202210279983.1A CN202210279983A CN114470719B CN 114470719 B CN114470719 B CN 114470719B CN 202210279983 A CN202210279983 A CN 202210279983A CN 114470719 B CN114470719 B CN 114470719B
- Authority
- CN
- China
- Prior art keywords
- walking
- user
- posture
- obtaining
- feature
- 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.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
- A63B71/06—Indicating or scoring devices for games or players, or for other sports activities
- A63B71/0619—Displays, user interfaces and indicating devices, specially adapted for sport equipment, e.g. display mounted on treadmills
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B23/00—Exercising apparatus specially adapted for particular parts of the body
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
- A63B71/06—Indicating or scoring devices for games or players, or for other sports activities
- A63B71/0619—Displays, user interfaces and indicating devices, specially adapted for sport equipment, e.g. display mounted on treadmills
- A63B2071/0647—Visualisation of executed movements
Landscapes
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physical Education & Sports Medicine (AREA)
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Rehabilitation Tools (AREA)
Abstract
本发明公开了一种全自动姿态矫正训练方法,其中,所述方法应用于一种全自动姿态矫正训练装置,所述装置包括一视频采集装置,所述方法包括:获得第一用户的第一行走特征;获得第一康复训练计划;采集第一视频信息;获得第二行走特征;获得第一指标曲线;获得第二指标曲线;获得指标变化曲线;调整所述第一康复训练计划,获得第二康复训练计划;对所述第一用户进行姿态矫正训练。解决了行走姿态矫正康复训练计划不合理且常见矫正计划与用户的行走特征和行走姿态的适配度低的技术问题,结合用户行走特征与行走姿态确定指标变化,依据指标变化自动实时调整行走姿态矫正康复训练计划,达到了智能匹配用户行走姿态矫正康复训练计划的技术效果。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种全自动姿态矫正训练方法及系统。
背景技术
行走姿态不端会带给人较差的第一印象,而对于偏瘫下肢有一定的运动功能、但站起来和行走有困难、或姿态异常者来说,行走过程的姿态矫正训练康复训练一般是在医生的指导下进行恢复训练,但是在医院里医生的指导进行恢复训练周期长,医生个人精力有限无法及时的对恢复训练计划进行调整,导致行走过程的姿态矫正训练康复训练周期过长,影响需要进行行走姿态矫正患者恢复正常工作生活的周期,另一方面,行走姿态不端人群需要进行行走姿态矫正训练,但去医院在医生的指导下进行调整训练成本过高,影响行走姿态不端人群的正常工作生活,现下常见的行走姿态矫正是通过对应的固定器械之类的辅助调整行走姿态,常见如束腰脊椎固定器械辅助行走姿态矫正,但矫正周期较长且矫正效果有限且没有针对性的设计,固定器械进行行走姿态矫正的用户行走特征和行走姿态适配度较低。
现有技术中存在行走姿态矫正康复训练计划不合理且常见矫正计划与用户的行走特征和行走姿态的适配度低的技术问题。
发明内容
本申请通过提供了一种全自动姿态矫正训练方法及系统,解决了行走姿态矫正康复训练计划不合理且常见矫正计划与用户的行走特征和行走姿态的适配度低的技术问题,结合用户行走特征与行走姿态确定指标变化,依据指标变化自动实时调整行走姿态矫正康复训练计划,达到了智能匹配用户行走姿态矫正康复训练计划的技术效果。
鉴于上述问题,本申请提供了一种全自动姿态矫正训练方法及系统。
第一方面,本申请提供了一种全自动姿态矫正训练方法,其中,所述方法应用于一种全自动姿态矫正训练装置,所述装置包括一视频采集装置,所述方法包括:获得第一用户的第一行走特征;根据所述第一用户的行走特征,获得第一康复训练计划;通过所述视频采集装置采集第一视频信息,所述第一视频信息包括所述第一用户的第一行走姿态,所述第一行走姿态包括进行所述第一康复训练计划时的行走姿态;根据所述第一视频信息,对所述第一用户的第一行走姿态进行特征识别,获得第二行走特征;根据所述第一行走特征,获得第一指标曲线;根据所述第二行走特征,获得第二指标曲线;根据所述第一指标曲线和所述第二指标曲线,获得指标变化曲线;根据所述指标变化曲线,调整所述第一康复训练计划,获得第二康复训练计划;根据所述第二康复训练计划,对所述第一用户进行姿态矫正训练。
第二方面,本申请提供了一种全自动姿态矫正训练系统,其中,所述系统应用于一种全自动姿态矫正训练装置,所述装置包括一视频采集装置,所述系统包括:第一获得单元,所述第一获得单元用于获得第一用户的第一行走特征;第二获得单元,所述第二获得单元用于根据所述第一用户的行走特征,获得第一康复训练计划;第一采集单元,所述第一采集单元用于通过所述视频采集装置采集第一视频信息,所述第一视频信息包括所述第一用户的第一行走姿态,所述第一行走姿态包括进行所述第一康复训练计划时的行走姿态;第三获得单元,所述第三获得单元用于根据所述第一视频信息,对所述第一用户的第一行走姿态进行特征识别,获得第二行走特征;第四获得单元,所述第四获得单元用于根据所述第一行走特征,获得第一指标曲线;第五获得单元,所述第五获得单元用于根据所述第二行走特征,获得第二指标曲线;第六获得单元,所述第六获得单元用于根据所述第一指标曲线和所述第二指标曲线,获得指标变化曲线;第七获得单元,所述第七获得单元用于根据所述指标变化曲线,调整所述第一康复训练计划,获得第二康复训练计划;第一执行单元,所述第一执行单元用于根据所述第二康复训练计划,对所述第一用户进行姿态矫正训练。
第三方面,本申请提供了一种全自动姿态矫正训练系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
第四方面,本申请提供了一种计算机程序产品,包括计算机程序和/或指令,其中,该计算机程序和/或指令被处理器执行时实现第一方面任一项所述方法的步骤。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了获得用户的第一行走特征;根据用户的行走特征,获得第一康复训练计划;通过视频采集装置采集第一视频信息,第一视频信息包括用户的第一行走姿态,第一行走姿态包括进行第一康复训练计划时的行走姿态;根据第一视频信息,对用户的第一行走姿态进行特征识别,获得第二行走特征;根据第一行走特征,获得第一指标曲线;根据第二行走特征,获得第二指标曲线;根据第一指标曲线和第二指标曲线,获得指标变化曲线;根据指标变化曲线,调整第一康复训练计划,获得第二康复训练计划;根据第二康复训练计划,对用户进行姿态矫正训练。解决了行走姿态矫正康复训练计划不合理且常见矫正计划与用户的行走特征和行走姿态的适配度低的技术问题,结合用户行走特征与行走姿态确定指标变化,依据指标变化自动实时调整行走姿态矫正康复训练计划,达到了智能匹配用户行走姿态矫正康复训练计划的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请一种全自动姿态矫正训练方法的流程示意图;
图2为本申请一种全自动姿态矫正训练方法的获得所述第一用户的第一行走特征的流程示意图;
图3为本申请一种全自动姿态矫正训练方法的获得第一提醒信息的流程示意图;
图4为本申请一种全自动姿态矫正训练方法的第二用户运动效果评估的流程示意图;
图5为本申请一种全自动姿态矫正训练系统的结构示意图;
图6为本申请示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第一采集单元13,第三获得单元14,第四获得单元15,第五获得单元16,第六获得单元17,第七获得单元18,第一执行单元19,电子设备300,存储器301,处理器302,通信接口303,总线架构304。
具体实施方式
本申请通过提供了一种全自动姿态矫正训练方法及系统,解决了行走姿态矫正康复训练计划不合理且常见矫正计划与用户的行走特征和行走姿态的适配度低的技术问题,结合用户行走特征与行走姿态确定指标变化,依据指标变化自动实时调整行走姿态矫正康复训练计划,达到了智能匹配用户行走姿态矫正康复训练计划的技术效果。
申请概述
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
姿态矫正训练康复训练在医生的指导进行,但恢复训练周期长,医生无法即时调整恢复训练计划,行走姿态不端人群进行行走姿态矫正训练,但固定器械辅没有针对性的设计,用户行走特征和行走姿态适配度较低。
现有技术中存在行走姿态矫正康复训练计划不合理且常见矫正计划与用户的行走特征和行走姿态的适配度低的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请提供了一种全自动姿态矫正训练方法,其中,所述方法应用于一种全自动姿态矫正训练装置,所述装置包括一视频采集装置,所述方法包括:获得用户的第一行走特征;根据用户的行走特征,获得第一康复训练计划;通过视频采集装置采集第一视频信息,第一视频信息包括用户的第一行走姿态,第一行走姿态包括进行第一康复训练计划时的行走姿态;根据第一视频信息,对用户的第一行走姿态进行特征识别,获得第二行走特征;根据第一行走特征,获得第一指标曲线;根据第二行走特征,获得第二指标曲线;根据第一指标曲线和第二指标曲线,获得指标变化曲线;根据指标变化曲线,调整第一康复训练计划,获得第二康复训练计划;根据第二康复训练计划,对用户进行姿态矫正训练。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请提供了一种全自动姿态矫正训练方法,其中,所述方法应用于一种全自动姿态矫正训练装置,所述装置包括一视频采集装置,所述方法包括:
S100:获得第一用户的第一行走特征;
具体而言,所述第一用户是需要进行行走姿态矫正康复训练的用户,所述第一用户包括偏瘫下肢有一定的运动功能,但站起来和行走有困难,或姿态异常者,当然的,不对所述第一用户的用户年龄、用户性别、用户体重信息或其他相关基础信息进行限定,所述第一行走特征是所述第一用户才没有使用所述全自动姿态矫正训练方法进行行走姿态矫正训练时的行走特征,所述第一行走特征可以包括但不限于是行走的步频、步幅、运步方式、运足的作用力或其他相关行走特征,所述步幅特征还可以进一步细化为左步长、右步长、左步宽、右步宽、左步角、右步角,所述运步方式与运足的作用力应结合进行细化,可以进一步细化为后脚跟发力、脚掌发力或其他发力方式起步,脚掌着地、脚跟着地或其他落足方式,运步方式与运足的作用力一定程度影响所述第一用户行走的稳定性,特别的,所述第一用户的用户年龄、用户性别、用户体重信息或其他相关基本信息会对所述第一用户的第一行走特征产生一定的影响,简单说明,用户的体重超重可能或导致用户步幅稍缓或其他想关行走特征的变化,当然的,例中说明存在一定的片面性,现实中因个体的差异,说明中不可避免存在一定的局限性,现实应用应结合实际数据进行具体分析,获取所述第一用户的第一行走特征的方式可以是通过全自动姿态矫正训练装置的视频采集装置对用户的行走姿态采集,当然的,不对所述第一用户的第一行走特征的获取方式进行限定,特别的,不同行走特征对应不同测试手段,具体数据获取可以根据行走特征的数据形式进行具体选择,具体不做赘述,完成数据采集并对行走特征进行记录,所述记录进行整理获得第一用户的第一行走特征,为数据分析提供数据基础。
S200:根据所述第一用户的行走特征,获得第一康复训练计划;
具体而言,所述第一康复训练计划可以包括但不限于站起训练、向前迈步训练、使用辅助器具行走训练与行走训练,实际的所述第一康复训练计划应结合所述第一用户的行走特征进行实际确定,所述第一用户需要通过康复训练计划进行姿态矫正训练,将所述行走特征作为输入信息输入神经网络模型,在所述神经网络模型输出收敛状态,获得所述神经网络模型的输出信息,所述输出信息包括所述第一康复训练计划。一般的,所述行走特征相关数据因数据特征,所述第一用户的行走特征数据具有特定性和相对稳定性,所述第一用户的行走特征相关数据相对稳定,所述第一用户的行走特征作为模型训练数据,保证了所述第一康复训练计划的可靠性,为用户进行姿态矫正训练提供数据基础。
S300:通过所述视频采集装置采集第一视频信息,所述第一视频信息包括所述第一用户的第一行走姿态,所述第一行走姿态包括进行所述第一康复训练计划时的行走姿态;
具体而言,所述视频采集装置可以是摄像头之类的实时监控设备,不对所述视频采集装置进行具体限定,所述第一视频信息是对所述第一用户的行走进行视频采集,采集视频信息可以实际客观的反映所述第一用户的行走姿态,所述行走姿态包括行走的抬脚高度、抬脚时与腰部的角度、手臂摆动信息、行走过程左走手臂与左走腿部配合状况或其他行走姿态相关的信息,所述第一用户的第一行走姿态包括进行所述第一康复训练计划时的行走姿态,一般的,所述第一用户在进行所述第一康复训练计划时因计划的针对性,简单来说举例说明就是站起障碍用户的康复训练计划中,站起训练会保持一定的频率,站起训练是站起障碍用户需要针对训练的项目,当然的,所述第一用户在进行所述第一康复训练计划过程中,所述第一用户的行走姿态会随着康复训练计划的进行相应改善,所述第一视频信息包括所述第一用户的第一行走姿态,采用视频采集装置采集所述第一用户的第一行走姿态,可以保证所述第一用户的第一行走姿态的客观性与真实性,为后续数据分析提供数据理论基础。
S400:根据所述第一视频信息,对所述第一用户的第一行走姿态进行特征识别,获得第二行走特征;
具体而言,所述第一行走姿态是所述第一用户进行所述第一康复训练计划时的行走姿态,对所述第一行走姿态进行特征处理得到所述第二行走特征,所述特征识别简单来说就是结合全自动姿态矫正训练装置,对所述第一用户的第一行走姿态进行解析,所述解析结果包括所述第二行走特征,特别的,所述行走姿态不同于所述行走特征,简单说明,所述用户的行走姿态是用户行走过程视频信息中直观获取的,行走特征则是导致用户行走姿态异常的根本,简单举例说明,所述用户行走姿态左走不协调,进行数据分析,所述用户的行走特征数据显示用户行走过程左脚发力点与右脚发力点不同,结合全自动姿态矫正训练装置根据所述第一视频信息,对所述第一用户的第一行走姿态进行特征识别,获得第二行走特征,当然的,所述第二行走特征的获取方式需要结合所述全自动姿态矫正训练装置进行进一步细化,此处不做赘述,当然的,不对所述第二行走特征的获取方式进行具体限定,所述例中说明是为理解方案步骤进行的解释,例中所述因现实因素难以避免存在局限性,此处不做细化分析,现实应用应结合实际数据进行具体分析,此处不做赘述。
S500:根据所述第一行走特征,获得第一指标曲线;
S600:根据所述第二行走特征,获得第二指标曲线;
具体而言,所述第一行走特征不同于所述第二行走特征,所述第一行走特征是所述第一用户才没有使用所述全自动姿态矫正训练方法进行行走姿态矫正训练时的行走特征,所述第二行走特征是所述第一用户进行所述第一康复训练计划时的行走姿态进行特征处理所得的行走特征,所述行走姿态不同于所述行走特征,所述第一行走特征数据为不连续数据,将所述数据使用图表进行统计,数据点之间进行拟合,所获曲线所述第一指标曲线,所述第一行走特征包含多个特征数据,所述第一指标曲线的确定需要两组数据,一为所述第一行走特征的多个特征数据的偏离数据,另一为所述第一行走特征的指标,两组数据分别为所述第一指标曲线的横轴与纵轴确定所述第一指标曲线,简单举例说明,步幅在第一指标曲线中需要确定位置,假定步幅为50厘米,以标准步幅为限定对步幅进行换算,将偏移量得出,以偏移量为纵坐标,以步幅数据为横坐标,确定步幅在第一指标曲线中的位置;所述第二行走特征数据为不连续数据,将所述数据使用图表进行统计,数据点之间进行拟合,所获曲线所述第二指标曲线,使用不同的颜色对两条曲线进行区分,一般的,在进行指标分析的过程,需要对指标的变化进行整合分析,使用曲线对指标变化进行统计可以使得指标的变化清楚明了,当然的,所述第一指标曲线与所述第二指标曲线不代表具体情况,实际参考实际分析结果进行判定,所述第一指标曲线与所述第二指标曲线在所述第一用户进行姿态矫正训练的不同时刻,应对时刻进行具体标识,为优化用户的康复训练计划做数据准备。
S700:根据所述第一指标曲线和所述第二指标曲线,获得指标变化曲线;
具体而言,所述指标变化曲线可以将指标随着时间变化的偏移状况进行数据表达,使得指标的变化更加的有据可依,所述第一指标曲线与所述第二指标曲线在所述第一用户进行姿态矫正训练的不同时刻,所述第二指标曲线与所述第一指标曲线在同一坐标体系中,以颜色为区分进行数据表达,将所述第二指标曲线与所述第一指标曲线对照同一横轴位置,使用所述第二指标曲线的纵坐标数据减去所述第一指标曲线的纵坐标数据,得出一组差值数据,在同一坐标体系中,使用同一横轴位置将差值数据在所述同一坐标体系,将所述差值数据使用图表进行统计,数据点之间进行拟合,所获曲线所述指标变化曲线,所述指标变化曲线表达为所述第一用户执行所述第一康复训练计划过程行走特征的指标变化状况,当然的,所述第一康复训练计划因制定计划过程数据的局限性与个体的差异,所述第一康复训练计划存在一定的不合理,可能出现用户的部分行走特征指标变差的状况,属于正常的状况,所述指标变化状况的变化应结合实际的数据进行确定,此处不做赘述。
S800:根据所述指标变化曲线,调整所述第一康复训练计划,获得第二康复训练计划;
S900:根据所述第二康复训练计划,对所述第一用户进行姿态矫正训练。
具体而言,所述第二康复训练计划是根据所述指标变化曲线对所述第一康复训练计划进行调整,当然的,所述第二康复训练计划不作为所述第一用户的最终康复训练计划,所述康复训练计划应结合所述指标变化曲线适时进行调整,用户的行走姿态矫正康复训练计划具有阶段性,常见的,复健运动需要在医生的遗嘱进行实时调整,同样的,用户的行走姿态矫正康复训练计划需要结合用户当前的指标变化曲线进行调整,所述第一指标曲线和所述第二指标曲线是结合标准行走特征信息所确定的偏离数据指标变化曲线,在进行用户的行走姿态矫正康复训练计划的优化过程是进行比对获取的,在用户的行走特征信息达到标准行走特征信息范围确定最终康复训练计划,一般的,在用户的行走特征信息达到标准行走特征信息范围后不应立即停止行走姿态矫正康复训练,需要进行阶段性的行走姿态矫正康复训练,保证所述第一用户的行走姿态问题彻底改善,当然的,个体存在一定的差异,实际的行走姿态矫正康复训练计划应结合实际的数据进行确定,现实因素导致步骤说明中存在的难以避免的局限性,此处不做细化分析,现实应用应结合实际数据进行具体分析。
进一步的,如图2所示,所述获得第一用户的第一行走特征,步骤S100还包括:
S110:通过所述视频采集装置采集第二视频信息,所述第二视频信息包括第一用户的第二行走姿态,所述第二行走姿态包括训练前的行走姿态;
S120:根据标准行走姿态确定行走特征过滤器;
S130:根据所述行走特征过滤器对所述第二视频信息进行逐帧3D卷积特征提取,获得所述第一用户的第一行走特征。
具体而言,所述行走特征过滤器是基于所述3D卷积特征提取技术所获取的,所述3D卷积特征提取技术是2D卷积的泛化,简单解释,所述第一用户处于3D空间,所述第一用户的行走是一种3D的动态行为,在进行所述第一用户的行走特征提取过程。通过所述视频采集装置采集第二视频信息,所述第二视频信息包括第一用户的第二行走姿态,所述第二行走姿态包括训练前的行走姿态;根据标准行走姿态确定行走特征过滤器,所述行走特征过滤器深度小于输入层深度(核大小<通道大小),所述行走特征过滤器可以在所有三个方向(所述第二视频信息的高度、宽度、通道)上移动,换句话说就是根据所述行走特征过滤器对所述第二视频信息进行逐帧3D卷积特征提取,在每个位置,逐元素的乘法和加法都会提供一个数值,因为所述行走特征过滤器是滑过一个3D空间,所以输出数值也按3D空间排布,也就是说输出是一个3D数据,所述输出的3D数据即为所述第一用户的第一行走特征,使用3D卷积,针对行走姿态立体结构进行特征识别,获取立体空间影像数据,进行卷积处理,可以保证所述行走特征数据的适配度,为后续数据分析处理提供充分详细的数据基础。
进一步的,根据所述行走特征过滤器对所述第二视频信息进行逐帧3D卷积特征提取,获得所述第一用户的第一行走特征,包括,步骤S130还包括:
S131:基于所述第二视频信息,构建三维直角坐标系;
S132:基于所述三维直角坐标系对所述第二视频中每一帧的图像信息进行网格分割;
S133:通过所述行走特征过滤器对所述第二视频中每一帧的图像信息按照所述三维直角坐标系的三个坐标方向进行卷积,获得所述第一用户的行走特征,其中,所述行走特征过滤器的深度小于输入层深度。
具体而言,所述三维直角坐标系依照比例尺等比例构建,需要注意的是,所述第一用户虽处于立体空间,但进行采集的装置为一视频采集装置,在进行构建过程应对照实际数据信息进行进一步确定,基于所述第二视频信息,构建三维直角坐标系;所述网格分割为进行所述3D卷积特征提取技术提供数据准备,所述网格分割就是将所述第一用户的行走姿态进行空间分割,使用统一标准的小单位数据对所述第一用户的行走姿态进行空间分割,基于所述三维直角坐标系对所述第二视频中每一帧的图像信息进行网格分割;将所述第二视频中每一帧的图像信息在所述三维直角坐标系中确定后,通过所述行走特征过滤器对所述第二视频中每一帧的图像信息按照所述三维直角坐标系的三个坐标方向进行卷积,获得所述第一用户的行走特征,其中,所述行走特征过滤器的深度小于输入层深度,当然的,在进行处理过程可能存在其他物品,所述视频采集装置在进行数据处理过程可以对视频信息进行筛选,保证所述第二视频信息包括第一用户的行走姿态,进而保证数据的有效性,降低数据处理的复杂度。
进一步的,如图3所示,所述根据所述第一视频信息,对所述第一用户的第一行走姿态进行特征识别,获得第二行走特征之后,步骤S400还包括:
S410:获得标准行走特征信息;
S420:判断所述第二行走特征与所述标准行走特征信息的差异程度是否在预定差异程度阈值之内;
S430:如果所述第二行走特征与所述标准行走特征信息的差异程度不在预定差异程度阈值之内,获得第一提醒信息,所述第一提醒信息用于提醒所述第一用户行走异常。
具体而言,所述标准行走特征信息可以结合中华人民共和国公共安全行业标准(GA/T 2000),对标准行走姿态进行确定,再结合所述3D卷积特征提取技术,获得标准行走特征信息,当然的,所述标准行走特征信息的获取标准不唯一,不对所述标准行走特征信息的获取方式进行限定;所述预定差异程度阈值可以是结合标准行走姿态信息的数据范围进行对照确定,判断所述第二行走特征与所述标准行走特征信息的差异程度是否在预定差异程度阈值之内;如果所述第二行走特征与所述标准行走特征信息的差异程度不在预定差异程度阈值之内,获得第一提醒信息,所述第一提醒信息用于提醒所述第一用户行走异常,一般的,所述第一用户行走姿态可以依照所述视频采集装置实时获取,即时且有效的保证所述第一用户行走姿态的规范,提高用户使用全自动姿态矫正训练装置的便捷性。
进一步的,如图4所示,所述根据所述行走特征过滤器对所述第二视频信息进行逐帧3D卷积特征提取,获得所述第一用户的第一行走特征,步骤S130还包括:
S131:从所述第二视频信息中获得所述第一用户在预定时间段内的第一行走姿态集合;
S132:获得所述第一用户的第一行走姿态作为无偏估计值;
S133:通过蒙特卡罗方法根据所述第一行走姿态集合和所述无偏估计量,获得第二行走姿态集合;
S134:根据所述行走特征过滤器对所述第二行走姿态集合进行逐帧3D卷积特征提取,获得所述第一用户的第一行走特征。
具体而言,所述第一行走姿态集合包括所述第一用户在预定时间段内行走姿态,当然的,所述第一行走姿态集合采用了固定的采样频率对所述第一用户在预定时间段内行走姿态进行整理,所述采样频率依照所述第一用户的步频或其他相关数据进行细化,从所述第二视频信息中获得所述第一用户在预定时间段内的第一行走姿态集合;所述无偏估计值表示所述第一用户的第一行走姿态可以用于所述第一用户的行走姿态整体评估过程中,常见的,用户的行走姿态需要一组作为估计量的数据值,所述第一用户的第一行走姿态用于所述第一用户的行走姿态整体评估过程中作为估计量更合理,获得所述第一用户的第一行走姿态作为无偏估计值;所述蒙特卡罗方法简单来说是指使用随机数(或伪随机数)来解决很多计算问题的方法,将复杂的问题采用模拟的方式进行多次拟合调整并计算,使得结果无限靠近实际的结果,将所述无偏估计量作为比对目标;通过蒙特卡罗方法从所述第一行走姿态集合中随机挑选所述第一用户的行走姿态与所述无偏估计量进行比对;参加比对的所述第一用户的行走姿态与所述无偏估计量进行比较,所述第一用户的第一行走姿态作为所述无偏估计量,所述第一用户的第一行走姿态有预定差异程度阈值,简单解释说明,通过蒙特卡罗方法对第二视频中第一用户的行走姿态进行筛选,选出最符合第一用户平常的走路姿态,去除掉异常数据,但不可避免的,筛选过程存在一定的差异范围,所述无偏估计量的预定差异程度阈值依据筛选过程的差异范围进行具体确定,当然的,实际的数据存在现实干扰,需要对数据进行实际分析,此处不对实际状况进行进一步分析,将与所述无偏估计量差值小于预定阈值的行走姿态存入所述第二行走姿态集合中;根据所述行走特征过滤器对所述第二行走姿态集合进行逐帧3D卷积特征提取,获得所述第一用户的第一行走特征,结合蒙特卡罗方法对数据进行处理,提高了用户行走姿态数据的准确度,为后续数据处理提供可靠数据支持。
进一步的,所述通过蒙特卡罗方法根据所述第一行走姿态集合和所述无偏估计量,获得第二行走姿态集合,步骤S133还包括:
S1331:将所述无偏估计量作为比对目标;
S1332:通过蒙特卡罗方法从所述第一行走姿态集合中随机挑选所述第一用户的行走姿态与所述无偏估计量进行比对;
S1333:将与所述无偏估计量差值小于预定阈值的行走姿态存入所述第二行走姿态集合中。
具体而言,将所述无偏估计量作为比对目标;结合所述蒙特卡罗方法的对数据进行随机挑选,在多次比较后可以使得所述第一行走姿态集合数据用于准确的表达所述第一用户的行走姿态,降低数据的误差范围,通过蒙特卡罗方法从所述第一行走姿态集合中随机挑选所述第一用户的行走姿态与所述无偏估计量进行比对;将与所述无偏估计量差值小于预定阈值的行走姿态存入所述第二行走姿态集合中,所述第二行走姿态集合,结合所述蒙特卡罗方法多次对数据进行处理,降低了数据的误差范围,为最终对第一康复训练计划进行调整,获取第二康复训练计划提供数据理论基础。
进一步的,所述根据所述第一用户的行走特征,获得第一康复训练计划,步骤S200还包括:
S210:将所述行走特征作为输入信息输入神经网络模型,所述神经网络模型通过多组训练数据训练至收敛状态获得,其中,所述多组训练数据中的每组数据中都包括所述行走特征和用于标记输出结果的标识信息;
S220:获得所述神经网络模型的输出信息,所述输出信息包括所述第一康复训练计划。
具体而言,所述神经网络模型是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型,常用与机器学习过程,将所述行走特征作为输入信息输入神经网络模型,当然的所述输入信息包括但不限于所述行走特征,具体应结合实际数据进行进一步确定,所述神经网络模型通过多组训练数据训练至收敛状态获得,其中,所述多组训练数据中的每组数据中都包括所述行走特征和用于标记输出结果的标识信息;获得所述神经网络模型的输出信息,所述输出信息包括所述第一康复训练计划,使用所述神经网络模型可以保证所述第一康复训练计划的可靠性与合理性。
综上所述,本申请所提供的一种全自动姿态矫正训练方法及系统具有如下技术效果:
1.由于采用了获得第一用户的第一行走特征;根据所述第一用户的行走特征,获得第一康复训练计划;通过所述视频采集装置采集第一视频信息,所述第一视频信息包括所述第一用户的第一行走姿态,所述第一行走姿态包括进行所述第一康复训练计划时的行走姿态;根据所述第一视频信息,对所述第一用户的第一行走姿态进行特征识别,获得第二行走特征;根据所述第一行走特征,获得第一指标曲线;根据所述第二行走特征,获得第二指标曲线;根据所述第一指标曲线和所述第二指标曲线,获得指标变化曲线;根据所述指标变化曲线,调整所述第一康复训练计划,获得第二康复训练计划;根据所述第二康复训练计划,对所述第一用户进行姿态矫正训练。本申请通过提供了一种全自动姿态矫正训练方法,解决了行走姿态矫正康复训练计划不合理且常见矫正计划与用户的行走特征和行走姿态的适配度低的技术问题,结合用户行走特征与行走姿态确定指标变化,依据指标变化自动实时调整行走姿态矫正康复训练计划,达到了智能匹配用户行走姿态矫正康复训练计划的技术效果。
2.由于采用了通过所述视频采集装置采集第二视频信息,所述第二视频信息包括第一用户的第二行走姿态,所述第二行走姿态包括训练前的行走姿态;根据标准行走姿态确定行走特征过滤器;根据所述行走特征过滤器对所述第二视频信息进行逐帧3D卷积特征提取,获得所述第一用户的第一行走特征。使用3D卷积特征提取技术,针对行走姿态立体结构进行特征识别,获取立体空间影像数据,进行卷积处理,可以保证所述行走特征数据的适配度,为后续数据分析处理提供充分详细的数据基础。
3.由于采用了获得标准行走特征信息;判断所述第二行走特征与所述标准行走特征信息的差异程度是否在预定差异程度阈值之内;如果所述第二行走特征与所述标准行走特征信息的差异程度不在预定差异程度阈值之内,获得第一提醒信息,所述第一提醒信息用于提醒所述第一用户行走异常。所述第一用户行走姿态可以依照所述视频采集装置实时获取,即时且有效的保证所述第一用户行走姿态的规范,提高用户使用全自动姿态矫正训练装置的便捷性。
4.由于采用了从所述第二视频信息中获得所述第一用户在预定时间段内的第一行走姿态集合;获得所述第一用户的第一行走姿态作为无偏估计值;通过蒙特卡罗方法根据所述第一行走姿态集合和所述无偏估计量,获得第二行走姿态集合;根据所述行走特征过滤器对所述第二行走姿态集合进行逐帧3D卷积特征提取,获得所述第一用户的第一行走特征。结合蒙特卡罗方法对数据进行处理,提高了用户行走姿态数据的准确度,为后续数据处理提供可靠数据支持。
实施例二
基于与前述实施例中一种全自动姿态矫正训练方法相同的发明构思,如图5所示,本申请提供了一种全自动姿态矫正训练系统,其中,所述系统应用于一种全自动姿态矫正训练装置,所述装置包括一视频采集装置,所述系统包括:
第一获得单元11,所述第一获得单元11用于获得第一用户的第一行走特征;
第二获得单元12,所述第二获得单元12用于根据所述第一用户的行走特征,获得第一康复训练计划;
第一采集单元13,所述第一采集单元13用于通过所述视频采集装置采集第一视频信息,所述第一视频信息包括所述第一用户的第一行走姿态,所述第一行走姿态包括进行所述第一康复训练计划时的行走姿态;
第三获得单元14,所述第三获得单元14用于根据所述第一视频信息,对所述第一用户的第一行走姿态进行特征识别,获得第二行走特征;
第四获得单元15,所述第四获得单元15用于根据所述第一行走特征,获得第一指标曲线;
第五获得单元16,所述第五获得单元16用于根据所述第二行走特征,获得第二指标曲线;
第六获得单元17,所述第六获得单元17用于根据所述第一指标曲线和所述第二指标曲线,获得指标变化曲线;
第七获得单元18,所述第七获得单元18用于根据所述指标变化曲线,调整所述第一康复训练计划,获得第二康复训练计划;
第一执行单元19,所述第一执行单元19用于根据所述第二康复训练计划,对所述第一用户进行姿态矫正训练。
进一步的,所述系统包括:
第二采集单元,所述第二采集单元用于通过所述视频采集装置采集第二视频信息,所述第二视频信息包括第一用户的第二行走姿态,所述第二行走姿态包括训练前的行走姿态;
第一确定单元,所述第一确定单元用于根据标准行走姿态确定行走特征过滤器;
第八获得单元,所述第八获得单元用于根据所述行走特征过滤器对所述第二视频信息进行逐帧3D卷积特征提取,获得所述第一用户的第一行走特征。
进一步的,所述系统包括:
第一构建单元,所述第一构建单元用于基于所述第二视频信息,构建三维直角坐标系;
第二执行单元,所述第二执行单元用于基于所述三维直角坐标系对所述第二视频中每一帧的图像信息进行网格分割;
第九获得单元,所述第九获得单元用于通过所述行走特征过滤器对所述第二视频中每一帧的图像信息按照所述三维直角坐标系的三个坐标方向进行卷积,获得所述第一用户的行走特征,其中,所述行走特征过滤器的深度小于输入层深度。
进一步的,所述系统包括:
第十获得单元,所述第十获得单元用于获得标准行走特征信息;
第一判断单元,所述第一判断单元用于判断所述第二行走特征与所述标准行走特征信息的差异程度是否在预定差异程度阈值之内;
第十一获得单元,所述第十一获得单元用于如果所述第二行走特征与所述标准行走特征信息的差异程度不在预定差异程度阈值之内,获得第一提醒信息,所述第一提醒信息用于提醒所述第一用户行走异常。
进一步的,所述系统包括:
第十二获得单元,所述第十二获得单元用于从所述第二视频信息中获得所述第一用户在预定时间段内的第一行走姿态集合;
第十三获得单元,所述第十三获得单元用于获得所述第一用户的第一行走姿态作为无偏估计值;
第十四获得单元,所述第十四获得单元用于通过蒙特卡罗方法根据所述第一行走姿态集合和所述无偏估计量,获得第二行走姿态集合;
第十五获得单元,所述第十五获得单元用于根据所述行走特征过滤器对所述第二行走姿态集合进行逐帧3D卷积特征提取,获得所述第一用户的第一行走特征。
进一步的,所述系统包括:
第二确定单元,所述第二确定单元用于将所述无偏估计量作为比对目标;
第一比对单元,所述第一比对单元用于通过蒙特卡罗方法从所述第一行走姿态集合中随机挑选所述第一用户的行走姿态与所述无偏估计量进行比对;
第三执行单元,所述第三执行单元用于将与所述无偏估计量差值小于预定阈值的行走姿态存入所述第二行走姿态集合中。
进一步的,所述系统包括:
第一输入单元,所述第一输入单元用于将所述行走特征作为输入信息输入神经网络模型,所述神经网络模型通过多组训练数据训练至收敛状态获得,其中,所述多组训练数据中的每组数据中都包括所述行走特征和用于标记输出结果的标识信息;
第十六获得单元,所述第十六获得单元用于获得所述神经网络模型的输出信息,所述输出信息包括所述第一康复训练计划。
示例性电子设备
下面参考图6来描述本申请的电子设备,基于与前述实施例中一种全自动姿态矫正训练方法相同的发明构思,本申请还提供了一种全自动姿态矫正训练系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得系统以执行第一方面任一项所述的方法。
该电子设备300包括:处理器302、通信接口303、存储器301。可选的,电子设备300还可以包括总线架构304。其中,通信接口303、处理器302以及存储器301可以通过总线架构304相互连接;总线架构304可以是外设部件互连标(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture,简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN),有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable Programmable read only memory,EEPROM)、只读光盘(compactdiscread only memory,CD ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令,并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令,从而实现本申请上述实施例提供的一种全自动姿态矫正训练方法。
可选的,本申请中的计算机执行指令也可以称之为应用程序代码,本申请对此不作具体限定。
本申请提供了一种全自动姿态矫正训练方法,其中,所述方法应用于一种全自动姿态矫正训练装置,所述装置包括一视频采集装置,所述方法包括:获得第一用户的第一行走特征;根据所述第一用户的行走特征,获得第一康复训练计划;通过所述视频采集装置采集第一视频信息,所述第一视频信息包括所述第一用户的第一行走姿态,所述第一行走姿态包括进行所述第一康复训练计划时的行走姿态;根据所述第一视频信息,对所述第一用户的第一行走姿态进行特征识别,获得第二行走特征;根据所述第一行走特征,获得第一指标曲线;根据所述第二行走特征,获得第二指标曲线;根据所述第一指标曲线和所述第二指标曲线,获得指标变化曲线;根据所述指标变化曲线,调整所述第一康复训练计划,获得第二康复训练计划;根据所述第二康复训练计划,对所述第一用户进行姿态矫正训练。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本申请的范围,也不表示先后顺序。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如a,b,或c中的至少一项(个、种),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如软盘、硬盘、磁带)、光介质(例如DVD)、或者半导体介质(例如固态硬盘(SolidState Disk,SSD))等。
本申请中所描述的各种说明性的逻辑单元和电路可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本申请中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于终端中。可选地,处理器和存储媒介也可以设置于终端中的不同的部件中。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。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (7)
1.一种全自动姿态矫正训练方法,其特征在于,所述方法应用于一种全自动姿态矫正训练装置,所述装置包括一视频采集装置,所述方法包括:
获得第一用户的第一行走特征;
根据所述第一用户的行走特征,获得第一康复训练计划;
通过所述视频采集装置采集第一视频信息,所述第一视频信息包括所述第一用户的第一行走姿态,所述第一行走姿态包括进行所述第一康复训练计划时的行走姿态;
根据所述第一视频信息,对所述第一用户的第一行走姿态进行特征识别,获得第二行走特征;
根据所述第一行走特征,获得第一指标曲线;
根据所述第二行走特征,获得第二指标曲线;
根据所述第一指标曲线和所述第二指标曲线,获得指标变化曲线;
根据所述指标变化曲线,调整所述第一康复训练计划,获得第二康复训练计划;
根据所述第二康复训练计划,对所述第一用户进行姿态矫正训练;
其中,所述获得第一用户的第一行走特征,包括:
通过所述视频采集装置采集第二视频信息,所述第二视频信息包括第一用户的第二行走姿态,所述第二行走姿态包括训练前的行走姿态;
根据标准行走姿态确定行走特征过滤器;
根据所述行走特征过滤器对所述第二视频信息进行逐帧3D卷积特征提取,获得所述第一用户的第一行走特征,包括:
从所述第二视频信息中获得所述第一用户在预定时间段内的第一行走姿态集合;
获得所述第一用户的第一行走姿态作为无偏估计值;
通过蒙特卡罗方法根据所述第一行走姿态集合和所述无偏估计量,获得第二行走姿态集合;
根据所述行走特征过滤器对所述第二行走姿态集合进行逐帧3D卷积特征提取,获得所述第一用户的第一行走特征;
所述通过蒙特卡罗方法根据所述第一行走姿态集合和所述无偏估计量,获得第二行走姿态集合,包括:
将所述无偏估计量作为比对目标;
通过蒙特卡罗方法从所述第一行走姿态集合中随机挑选所述第一用户的行走姿态与所述无偏估计量进行比对;
将与所述无偏估计量差值小于预定阈值的行走姿态存入所述第二行走姿态集合中。
2.如权利要求1所述的方法,其特征在于,所述根据所述行走特征过滤器对所述第二视频信息进行逐帧3D卷积特征提取,获得所述第一用户的第一行走特征,包括:
基于所述第二视频信息,构建三维直角坐标系;
基于所述三维直角坐标系对所述第二视频中每一帧的图像信息进行网格分割;
通过所述行走特征过滤器对所述第二视频中每一帧的图像信息按照所述三维直角坐标系的三个坐标方向进行卷积,获得所述第一用户的行走特征,其中,所述行走特征过滤器的深度小于输入层深度。
3.如权利要求1所述的方法,其特征在于,所述根据所述第一视频信息,对所述第一用户的第一行走姿态进行特征识别,获得第二行走特征之后,还包括:
获得标准行走特征信息;
判断所述第二行走特征与所述标准行走特征信息的差异程度是否在预定差异程度阈值之内;
如果所述第二行走特征与所述标准行走特征信息的差异程度不在预定差异程度阈值之内,获得第一提醒信息,所述第一提醒信息用于提醒所述第一用户行走异常。
4.如权利要求1所述的方法,其特征在于,所述根据所述第一用户的行走特征,获得第一康复训练计划,包括:
将所述行走特征作为输入信息输入神经网络模型,所述神经网络模型通过多组训练数据训练至收敛状态获得,其中,所述多组训练数据中的每组数据中都包括所述行走特征和用于标记输出结果的标识信息;
获得所述神经网络模型的输出信息,所述输出信息包括所述第一康复训练计划。
5.一种全自动姿态矫正训练系统,其特征在于,所述系统应用于一种全自动姿态矫正训练装置,所述装置包括一视频采集装置,所述系统包括:
第一获得单元,所述第一获得单元用于获得第一用户的第一行走特征;
第二获得单元,所述第二获得单元用于根据所述第一用户的行走特征,获得第一康复训练计划;
第一采集单元,所述第一采集单元用于通过所述视频采集装置采集第一视频信息,所述第一视频信息包括所述第一用户的第一行走姿态,所述第一行走姿态包括进行所述第一康复训练计划时的行走姿态;
第三获得单元,所述第三获得单元用于根据所述第一视频信息,对所述第一用户的第一行走姿态进行特征识别,获得第二行走特征;
第四获得单元,所述第四获得单元用于根据所述第一行走特征,获得第一指标曲线;
第五获得单元,所述第五获得单元用于根据所述第二行走特征,获得第二指标曲线;
第六获得单元,所述第六获得单元用于根据所述第一指标曲线和所述第二指标曲线,获得指标变化曲线;
第七获得单元,所述第七获得单元用于根据所述指标变化曲线,调整所述第一康复训练计划,获得第二康复训练计划;
第一执行单元,所述第一执行单元用于根据所述第二康复训练计划,对所述第一用户进行姿态矫正训练;
第二采集单元,所述第二采集单元用于通过所述视频采集装置采集第二视频信息,所述第二视频信息包括第一用户的第二行走姿态,所述第二行走姿态包括训练前的行走姿态;
第一确定单元,所述第一确定单元用于根据标准行走姿态确定行走特征过滤器;
第八获得单元,所述第八获得单元用于根据所述行走特征过滤器对所述第二视频信息进行逐帧3D卷积特征提取,获得所述第一用户的第一行走特征;
第十二获得单元,所述第十二获得单元用于从所述第二视频信息中获得所述第一用户在预定时间段内的第一行走姿态集合;
第十三获得单元,所述第十三获得单元用于获得所述第一用户的第一行走姿态作为无偏估计值;
第十四获得单元,所述第十四获得单元用于通过蒙特卡罗方法根据所述第一行走姿态集合和所述无偏估计量,获得第二行走姿态集合;
第十五获得单元,所述第十五获得单元用于根据所述行走特征过滤器对所述第二行走姿态集合进行逐帧3D卷积特征提取,获得所述第一用户的第一行走特征;
第二确定单元,所述第二确定单元用于将所述无偏估计量作为比对目标;
第一比对单元,所述第一比对单元用于通过蒙特卡罗方法从所述第一行走姿态集合中随机挑选所述第一用户的行走姿态与所述无偏估计量进行比对;
第三执行单元,所述第三执行单元用于将与所述无偏估计量差值小于预定阈值的行走姿态存入所述第二行走姿态集合中。
6.一种全自动姿态矫正训练系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至4任一项所述方法的步骤。
7.一种计算机程序产品,包括计算机程序和/或指令,其特征在于,该计算机程序和/或指令被处理器执行时实现权利要求1至4中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210279983.1A CN114470719B (zh) | 2022-03-22 | 2022-03-22 | 一种全自动姿态矫正训练方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210279983.1A CN114470719B (zh) | 2022-03-22 | 2022-03-22 | 一种全自动姿态矫正训练方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114470719A CN114470719A (zh) | 2022-05-13 |
CN114470719B true CN114470719B (zh) | 2022-12-20 |
Family
ID=81487549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210279983.1A Active CN114470719B (zh) | 2022-03-22 | 2022-03-22 | 一种全自动姿态矫正训练方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114470719B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115153505B (zh) * | 2022-07-15 | 2023-03-24 | 北京蓝田医疗设备有限公司 | 一种生物反馈式脊柱关节矫正训练方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106109176A (zh) * | 2016-07-18 | 2016-11-16 | 张力心 | 一种基于云平台智能康复机器人系统及其操作方法 |
KR20190081350A (ko) * | 2017-12-29 | 2019-07-09 | (주)동아금속 | 하지 재활용 보행 밸런스 모니터링 시스템 |
CN111347438A (zh) * | 2020-02-24 | 2020-06-30 | 五邑大学 | 一种学习式机器人及基于其的学习矫正方法 |
CN111414840A (zh) * | 2020-03-17 | 2020-07-14 | 浙江大学 | 步态识别方法、装置、设备及计算机可读存储介质 |
CN111888194A (zh) * | 2020-08-06 | 2020-11-06 | 广州一康医疗设备实业有限公司 | 一种上肢康复训练方法、系统、装置及存储介质 |
WO2021057810A1 (zh) * | 2019-09-29 | 2021-04-01 | 深圳数字生命研究院 | 数据处理、训练、识别方法、装置和存储介质 |
CN113499229A (zh) * | 2021-07-16 | 2021-10-15 | 中国科学院深圳先进技术研究院 | 康复机构的控制方法、康复机构的控制系统及康复设备 |
-
2022
- 2022-03-22 CN CN202210279983.1A patent/CN114470719B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106109176A (zh) * | 2016-07-18 | 2016-11-16 | 张力心 | 一种基于云平台智能康复机器人系统及其操作方法 |
KR20190081350A (ko) * | 2017-12-29 | 2019-07-09 | (주)동아금속 | 하지 재활용 보행 밸런스 모니터링 시스템 |
WO2021057810A1 (zh) * | 2019-09-29 | 2021-04-01 | 深圳数字生命研究院 | 数据处理、训练、识别方法、装置和存储介质 |
CN111347438A (zh) * | 2020-02-24 | 2020-06-30 | 五邑大学 | 一种学习式机器人及基于其的学习矫正方法 |
CN111414840A (zh) * | 2020-03-17 | 2020-07-14 | 浙江大学 | 步态识别方法、装置、设备及计算机可读存储介质 |
CN111888194A (zh) * | 2020-08-06 | 2020-11-06 | 广州一康医疗设备实业有限公司 | 一种上肢康复训练方法、系统、装置及存储介质 |
CN113499229A (zh) * | 2021-07-16 | 2021-10-15 | 中国科学院深圳先进技术研究院 | 康复机构的控制方法、康复机构的控制系统及康复设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114470719A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2757048C1 (ru) | Способ и система оценки здоровья тела человека на основе данных большого объема о сне | |
WO2018107872A1 (zh) | 一种体型预测方法及设备 | |
CN111862020B (zh) | 一种眼前节生理年龄预测方法、装置、服务器及存储介质 | |
CN114470719B (zh) | 一种全自动姿态矫正训练方法及系统 | |
CN111785366A (zh) | 患者治疗方案的确定方法、装置及计算机设备 | |
CN113870239A (zh) | 视力检测方法及装置、电子设备、存储介质 | |
CN106333643B (zh) | 用户健康的监测方法、监测装置以及监测终端 | |
CN110400613B (zh) | 一种随访患者筛选方法、装置、可读介质及电子设备 | |
CN110503636B (zh) | 参数调整方法、病灶预测方法、参数调整装置及电子设备 | |
CN114727761A (zh) | 患有运动障碍的患者的个性化保健的改善 | |
CN115985515A (zh) | 一种基于机器学习的弱视矫治效果预测方法、装置及设备 | |
CN110222734B (zh) | 贝叶斯网络学习方法、智能设备及存储装置 | |
CN111354463B (zh) | 人体健康测量方法、装置、计算机设备及存储介质 | |
Himami et al. | Deep learning in image classification using dense networks and residual networks for pathologic myopia detection | |
CN112998657A (zh) | 一种预防皮肤过敏的方法及系统 | |
CN110570949A (zh) | 智慧社区内老人的健康监测方法、设备及可读存储介质 | |
CN114202772B (zh) | 基于人工智能和智慧医疗的参考信息生成系统及方法 | |
CN112120666B (zh) | 晶状体屈光力测算方法、装置、设备及存储介质 | |
JP2020091535A (ja) | 前処理装置、前処理方法及び前処理プログラム | |
CN112754457B (zh) | 体脂健康状态获取方法、装置和系统 | |
CN112786185B (zh) | 血压健康状态获取方法、装置和系统 | |
CN109102889A (zh) | 疾病检测方法、检测服务器及计算机可读存储介质 | |
CN115223232A (zh) | 一种眼健康综合管理系统 | |
CN110390999B (zh) | 一种临床数据的值域计算方法、装置、可读介质及电子设备 | |
CN114068036A (zh) | 一种基于物联网感知的传染传播预测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |