CN114711754A - 一种运动评估方法、系统、装置以及计算机可读存储介质 - Google Patents

一种运动评估方法、系统、装置以及计算机可读存储介质 Download PDF

Info

Publication number
CN114711754A
CN114711754A CN202110006796.1A CN202110006796A CN114711754A CN 114711754 A CN114711754 A CN 114711754A CN 202110006796 A CN202110006796 A CN 202110006796A CN 114711754 A CN114711754 A CN 114711754A
Authority
CN
China
Prior art keywords
unit time
time window
data
sensor node
current
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
CN202110006796.1A
Other languages
English (en)
Inventor
戴明
袁辉洲
戴晔
阳奇
朱慧萍
代兵
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.)
Shenzhen Polytechnic
Original Assignee
Shenzhen Polytechnic
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 Shenzhen Polytechnic filed Critical Shenzhen Polytechnic
Priority to CN202110006796.1A priority Critical patent/CN114711754A/zh
Publication of CN114711754A publication Critical patent/CN114711754A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1116—Determining posture transitions
    • A61B5/1117—Fall detection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A61B5/6804—Garments; Clothes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
    • 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
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Dentistry (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种运动评估方法、系统、装置以及计算机可读存储介质，方法包括：获取被测试者的姿态数据；如果被测试者选择的分解模式，则基于该模式的音乐确定所有单个动作对应的保持时间段，并基于各个保持时间段内该被测试者的姿态数据和标准数据对被测试者在各个保持时间段内的单个动作分别进行评估；如果被测试者选择的连续模式，则基于单位时间窗口内该被测试者的姿态数据和标准数据对被测试者在各个单位时间窗口内的动作分别进行评估，并综合连续的多个单位时间窗口内的动作评估结果，对被测试者的整体运动过程进行评估，本发明对被测试者的运动过程进行评估，从而便于实现功能性障碍患者在身体机能康复及训练效果方面的定量化健康评估。

Description

一种运动评估方法、系统、装置以及计算机可读存储介质
技术领域
本发明涉及运动训练领域，尤其涉及一种运动评估方法、系统、装置以及计算机可读存储介质。
背景技术
世界上大约有10％(约6.5亿)的残疾人，在中国60岁以上的老年人中占比约2.4亿，由于患有功能障碍的各类残疾人、各类术后病人、各类慢性病病人及患有功能障碍的老年人群体庞大，因此为消除和减轻上述人员的功能障碍，弥补和重建人的功能缺失，设法改善和提高上述人员的各方面功能，对上述群体进行康复训练前后或某一状态观察期间内，对其运动状态的监测，并展开相应生理机能评估具有重要意义，有利于评价伤病所造成的功能障碍和能力受限的病伤残者以及老年人当中的活动功能受限者的运动功能恢复情况。
各类肢体损伤的残疾人，术后病人，患有慢性疾病的病人及功能障碍的老年人，其在生产及生活中因存在肢体障碍，需要进行康复训练，而对康复训练前后的康复效果评估，一直以来都是采用肉眼对比观察进行定性评估，不能定量评估，而且通常还受很多外界因素影响，比如个体判断标准，环境因素，身心状态等影响。总的来说，肉眼对比观察进行定性评估主要包括如下：康复效果无法每天跟踪；康复训练效果难以细化到相应部位，且康复效果无法量化；每天康复评估结果无法保存和回放；无法对一段时间内的肢体变化情况进行前后对比分析；无法进行大数据处理及信息挖掘，无法实现大数据处理和分析后得到可能存在的病变情况，及时为患者提供早期建议和提醒。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种运动评估方法、系统、装置以及计算机可读存储介质。
本发明解决其技术问题所采用的技术方案是：
一方面，构造一种运动评估方法，所述方法包括：
获取被测试者的姿态数据；
如果被测试者选择的运动模式是分解模式，则基于该模式的音乐确定所有单个动作对应的保持时间段，并基于各个保持时间段内该被测试者的姿态数据和标准数据对被测试者在各个保持时间段内的单个动作分别进行评估；
如果被测试者选择的运动模式是连续模式，则基于单位时间窗口内该被测试者的姿态数据和标准数据对被测试者在各个单位时间窗口内的动作分别进行评估，并综合连续的多个单位时间窗口内的动作评估结果，对被测试者的整体运动过程进行评估。
优选的，所述的基于各个保持时间段内该被测试者的姿态数据和标准数据对被测试者在各个保持时间段内的单个动作分别进行评估，包括：
针对每一个保持时间段，分析各个传感器节点在该保持时间段内的产生的姿态数据和标准数据是否满足如下的条件(1)；
Figure BDA0002882882520000021
统计满足条件(1)的i的数量n，根据数量n的大小分析对应的传感器节点在各个保持时间段内的评估结果；
对各个保持时间段内的所有传感器节点的评估结果进行统计，并根据统计结果分析在各个保持时间段内的单个动作的评估结果；
条件(1)中：i、j为正整数，M表示传感器节点的总数量，
Figure BDA0002882882520000031
表示当前保持时间段内第j个传感器节点的第i轴的标准数据，
Figure BDA0002882882520000032
表示当前保持时间段内被测试者的第j个传感器节点的第i轴的多次运动的均值数据，
Figure BDA0002882882520000033
表示当前保持时间段内第j个传感器节点的第i轴的误差修正数据，如果不存在历史姿态数据，则
Figure BDA0002882882520000034
被记作0处理，
Figure BDA0002882882520000035
表示当前保持时间段内被测试者的第j个传感器节点的第i轴的最新一次的姿态数据，
Figure BDA0002882882520000036
为第j个传感器节点的第i轴对应的常数。
优选的，所述传感器节点的数量为多个且多个所述传感器节点是分布在弹性运动服的四肢、头部及躯干位置；
所述的根据数量n的大小分析对应的传感器节点在各个保持时间段内的评估结果，包括：如果当前保持时间段内统计出的数量n大于第一阈值，则判定当前保持时间段内该传感器节点的动作优秀；如果当前保持时间段内统计出的数量n大于等于第二阈值且小于第一阈值，则判定当前保持时间段内该传感器节点的动作合格；如果当前保持时间段内统计出的数量n小于第二阈值，则判定当前保持时间段内该传感器节点的动作不达标；
所述的对各个保持时间段内的所有传感器节点的评估结果进行统计，并根据统计结果分析在各个保持时间段内的单个动作的评估结果，包括：统计同一保持时间段内的达到动作优秀和动作合格的传感器节点的数量之和m；根据m的大小，对各个保持时间段内的单次动作进行评级。
优选的，所述方法还包括：当分析在各个保持时间段内的单个动作的评估结果之后，还进一步对所有保持时间段内的评估结果进行级别的分类统计，并根据分类统计结果分析整套单次动作的评估结果。
优选的，所述的基于单位时间窗口内该被测试者的姿态数据和标准数据对被测试者在各个单位时间窗口内的动作分别进行评估，包括：
以步长移动单位时间窗口，所述单位时间窗口的长度与步长相等；
针对当前的第k个单位时间窗口，分析各个传感器节点在第k个单位时间窗口内产生的姿态数据和标准数据是否满足如下的条件(2)；
Figure BDA0002882882520000041
统计满足条件(2)的i的数量n，根据数量n的大小分析对应的传感器节点在各个单位时间窗口内的评估结果；
对各个单位时间窗口内的所有传感器节点的评估结果进行统计，并根据统计结果分析在各个单位时间窗口内的连续动作的评估结果；
条件(2)中：i、j为正整数，M表示传感器节点的总数量，τ表示单位时间窗口的长度，
Figure BDA0002882882520000042
分别表示第k个、第k-1个单位时间窗口内第j个传感器节点的第i轴的标准数据，
Figure BDA0002882882520000043
表示第k个、第k-1个单位时间窗口内被测试者的第j个传感器节点的第i轴的单次姿态数据/多次运动的均值数据，k取1时，
Figure BDA0002882882520000044
以及
Figure BDA0002882882520000045
均被记作0处理，t表示延时时间，
Figure BDA0002882882520000046
为第j个传感器节点的第i轴对应的常数。
优选的，所述的根据数量n的大小分析对应的传感器节点在各个单位时间窗口内的评估结果，包括：如果当前单位时间窗口内统计出的数量n大于第一阈值，则判定当前单位时间窗口内该传感器节点的动作优秀；如果当前单位时间窗口内统计出的数量n大于等于第二阈值且小于第一阈值，则判定当前单位时间窗口内该传感器节点的动作合格；如果当前单位时间窗口内统计出的数量n小于第二阈值，则判定当前单位时间窗口内该传感器节点的动作不达标；所述的根据统计结果分析在各个单位时间窗口内的连续动作的评估结果，包括：统计同一单位时间窗口内的达到动作优秀和动作合格的传感器节点的数量之和m；根据m的大小，对各个单位时间窗口内的单次动作进行评级；
所述的综合连续的多个单位时间窗口内的动作评估结果，对被测试者的整体运动过程进行评估，包括：对所有单位时间窗口内的评估结果进行级别的分类统计，并根据分类统计结果分析整套连续动作的评估结果。
优选的，所述方法还包括：
如果被测试者的姿态数据是实时上传的且被测试者选择的运动模式是连续模式，则采用滑动的三个时间窗口获取需要比对的被测试者的姿态数据和对应的标准数据，三个时间窗口的长度相同，且第一个时间窗口的时间结束时刻为当前时刻，第二个时间窗口的时间结束时刻为第一个时间窗口的起始时刻，第三个时间窗口的时间结束时刻为第二个时间窗口的起始时刻；
统计满足条件(3)的i的数量n，根据数量n的大小分析预测是否存在跌倒险情，并在存在跌倒险情时进行提示；
Figure BDA0002882882520000051
条件(3)中：M表示传感器节点的总数量，i、j为正整数，
Figure BDA0002882882520000052
Figure BDA0002882882520000053
分别表示第一个、第二个、第三个时间窗口内跟练者的第j个传感器节点的第i轴的姿态数据。
二方面，构造一种运动评估系统，包括弹性运动服和服务器，所述运动服内嵌入有处理器、存储器、通信模块、语音模块、输入模块和电源管理模块，所述运动服内在四肢、头部及躯干分别嵌入安装有九轴运动姿态传感器，各个九轴运动姿态传感器与处理器连接，处理器可根据输入模块选择的运动模式通过语音模块播放对应的音乐，将各个九轴运动姿态传感器采集的姿态数据存储到存储器，以及将姿态数据通过通信模块上传到服务器，服务器根据获取的姿态数据执行如前所述的方法的步骤。
三方面，构造一种运动评估装置，包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序被处理器执行时实现如前所述的方法的步骤。
四方面，构造一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如前所述的方法的步骤。
本发明的运动评估方法、系统、装置以及计算机可读存储介质，具有以下有益效果：本发明可以对康复训练过程中从人体肢体、躯干、头部处采集到的姿态数据进行远端分析管理和存储，基于被测试者的姿态数据，可以对被测试者的运动过程进行评估，从而便于实现功能性障碍患者在身体机能康复及训练效果方面的定量化健康评估，细化和量化不同部位健康状况及康复情况，实现康复效果可跟踪；进一步地，本发明还可以进行防跌倒预测，及时提醒患者采取相应措施，避免意外事故发生。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图：
图1是本发明运动评估方法的流程图；
图2是传感器节点分布示意图；
图3是单位时间窗口移动示意图；
图4是本发明的运动评估系统的结构示意图。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的典型实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
本说明书中使用的“第一”、“第二”等包含序数的术语可用于说明各种构成要素，但是这些构成要素不受这些术语的限定。使用这些术语的目的仅在于将一个构成要素区别于其他构成要素。例如，在不脱离本发明的权利范围的前提下，第一构成要素可被命名为第二构成要素，类似地，第二构成要素也可以被命名为第一构成要素。
本发明总的思路是：用户穿戴弹性运动服进行运动训练，弹性运动服中安装有九轴运动姿态传感器、输入模块、语音模块等，弹性运动服可根据输入模块选择的运动模式通过语音模块播放对应的音乐，将各个九轴运动姿态传感器采集的姿态数据通过通信模块上传到服务器，服务器再基于上传的姿态数据进行大数据分析，主要包括：
1)如果被测试者选择的运动模式是分解模式，则基于该模式的音乐确定所有单个动作对应的保持时间段，并基于各个保持时间段内该被测试者的姿态数据和标准数据对被测试者在各个保持时间段内的单个动作分别进行评估；
2)如果被测试者选择的运动模式是连续模式，则基于单位时间窗口内该被测试者的姿态数据和标准数据对被测试者在各个单位时间窗口内的动作分别进行评估，并综合连续的多个单位时间窗口内的动作评估结果，对被测试者的整体运动过程进行评估。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明，应当理解本发明实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互组合。
实施例一
本实施例的运动评估方法，执行主体可以是服务器。所有弹性运动服采集到的被测试者的姿态数据会统一上传到服务器中，服务器执行如下方法来分析被测试者的运动。
参考图1，方法包括：
S101：获取被测试者的姿态数据；
姿态数据主要是被测试者所穿戴的运动服中的各个九轴运动姿态传感器所采集的X,Y,Z方向的加速度、俯仰、滚动、偏航角度及磁力方位等九轴姿态数据。具体的，被测试者穿戴好运动服后，可以通过运动服上的输入模块比如按钮，选择一种运动模式，然后运动服内的语音模块就会输出相应的音乐，被测试者即可开始运动。可以理解的是，传感器节点产生的姿态数据可以实时同步到服务器进行分析，也可以是在用户把音乐对应的整套运动做完之后，再同一打包上传到服务器，对此本发明并无限制。
S102：如果被测试者选择的运动模式是分解模式，则基于该模式的音乐确定所有单个动作对应的保持时间段，并基于各个保持时间段内该被测试者的姿态数据和标准数据对被测试者在各个保持时间段内的单个动作分别进行评估；
所谓分解模式，是指的此时对应的整套运动操实际上是由多个单次动作组成，每一个单次动作都是要保持一段时间。被测试者需根据音乐节奏指令进行一系列固定的、简单分解的动作，比如抬脚、伸手、弯腰等简单分解动作，而且在做出这些动作时需在保持时间段内保持动作不动。因为音乐的节奏是确定的，即各个单个动作的保持时间段都是可以预先确定的，所以无论是被测试者的姿态数据还是教练的标准数据，都只需控制传感器采集所确定的保持时间段内的数据即可。所以在分解模式下，理论上只需要在单个动作的保持时间内采集一次传感器数据即可，但是为了保证数据的可靠性，也可以在单个动作的保持时间内采集多次数据后进行均值处理。另外，需要说明的是，各个单个动作的保持时间段的长度可以是相同的，也可以是不同的。
具体的，该步骤包括如下子步骤：
a1)针对每一个保持时间段，分析各个传感器节点在该保持时间段内的产生的姿态数据和标准数据是否满足如下的条件(1)；
Figure BDA0002882882520000091
其中，i、j为正整数，M表示传感器节点的总数量，比如本实施例中，M是10，即被测试者所穿戴的运动服中包括10个传感器。参考图2，这10个传感器节点分别对应人体的四肢的上下部、头部及躯干。
其中，
Figure BDA0002882882520000101
表示当前保持时间段内第j个传感器节点的第i轴的标准数据，标准数据是预先存放在服务器的存储器中的，标准数据可以是由教练穿戴运动服后在分解模式的音乐下进行运动所获取的。
其中，
Figure BDA0002882882520000102
表示当前保持时间段内被测试者的第j个传感器节点的第i轴的多次运动的均值数据。比如说，被测试者可以每天都穿戴运动服进行运动，因为每个运动服都有对应的编号，绑定了对应的被测试者信息，所以该运动服上传的历史姿态数据会全部存储在服务器，随着被测试者运动次数的增加，历史数据会越来越多，因此
Figure BDA0002882882520000103
也是持续更新的。
其中，
Figure BDA0002882882520000104
表示当前保持时间段内第j个传感器节点的第i轴的误差修正数据，如果不存在历史姿态数据，则
Figure BDA0002882882520000105
被记作0处理。
Figure BDA0002882882520000106
表示当前保持时间段内被测试者的第j个传感器节点的第i轴的最新一次的姿态数据，
Figure BDA0002882882520000107
为第j个传感器节点的第i轴对应的常数。
a2)统计满足条件(1)的i的数量n，根据数量n的大小分析对应的传感器节点在各个保持时间段内的评估结果；
所述的根据数量n的大小分析对应的传感器节点在各个保持时间段内的评估结果，包括：如果当前保持时间段内统计出的数量n大于第一阈值，则判定当前保持时间段内该传感器节点的动作优秀；如果当前保持时间段内统计出的数量n大于等于第二阈值且小于第一阈值，则判定当前保持时间段内该传感器节点的动作合格；如果当前保持时间段内统计出的数量n小于第二阈值，则判定当前保持时间段内该传感器节点的动作不达标。
比如说，本实施例中，传感器节点的数量是10个，第一阈值是7，第二阈值是4，假设条件(1)的i是1、3、5、6，即n＝4，则判定该传感器节点的动作合格。
a3)对各个保持时间段内的所有传感器节点的评估结果进行统计，并根据统计结果分析在各个保持时间段内的单个动作的评估结果；
具体的，统计同一保持时间段内的达到动作优秀和动作合格的传感器节点的数量之和m，根据m的大小，对各个保持时间段内的单次动作进行评级。比如说，本实施例中，如果某一保持时间段内动作优秀和动作合格的传感器节点的数量之和m≥9时，评为L1级；n＝8时，评为L2级；n＝7时，评为L3级；n＝6时，评为L4级；n＝5时，评为L5级；n＝4或3时，评为L6级；n≤2时，评为L7级。其中，L1、L2级别代表优秀，L3、L4级别代表中等，L5-L7级别代表差。
优选地，所述方法还包括：当分析在各个保持时间段内的单个动作的评估结果之后，还进一步对所有保持时间段内的评估结果进行级别的分类统计，并根据分类统计结果分析整套单次动作的评估结果。例如，一个具体的实例中，可以统计全部的保持时间段内的L1、L2、L3、L4级别的数量之和s，s≥9时，则判定整套单次动作的标准；7≤m<9时，则判定整套单次动作的良好；5≤m<7时，则判定整套单次动作的中等；3≤m<5时，则判定整套单次动作的合格；1≤m<3时，则判定整套单次动作的不达标；m<1时，则判定整套单次动作的严重不达标。
可见，本实施例中在步骤a1中是对单个节点进行评估，所以，此评估结果实际上也反应了人体各个部位的康复水平。步骤a2通过对单个动作进行评估，步骤a3对整套单次动作进行评估，都可以实现被测试者的康复水平的量化。
可以理解的是，由于该步骤得到了各个传感器节点的评估结果，单个动作的评估结果，以及整套运动的评估结果，所以有了这些结果，就可以反应被测试者的康复情况，他们是正相关的，比如说评估结果是标准，则意味着完全康复。进一步地，康复情况确定了也就可以估计接下来需要的大致康复时间，因为康复情况和康复时间是负相关的，即康复情况越好，康复时间越小。
S103：如果被测试者选择的运动模式是连续模式，则基于单位时间窗口内该被测试者的姿态数据和标准数据对被测试者在各个单位时间窗口内的动作分别进行评估，并综合连续的多个单位时间窗口内的动作评估结果，对被测试者的整体运动过程进行评估。
区别于分解模式的是，连续模式时整套运动操实际上是由连续的动作组成。传感器也是连续的等时间间隔采集数据。
本步骤具体包括如下
b1)以步长移动单位时间窗口，所述单位时间窗口的长度与步长相等。我们用τ表示单位时间窗口的长度，也即步长。
如图3所示，单位时间窗口是逐步移动的，我们把移动过程中该窗口最开始所确定的时间范围视为第一个窗口，即图中k＝1所示的窗口；第一次移动后的所确定的时间范围视为第二个窗口，即图中k＝2所示的窗口；以此类推。
b2)针对当前的第k个单位时间窗口，分析各个传感器节点在第k个单位时间窗口内产生的姿态数据和标准数据是否满足如下的条件(2)；
Figure BDA0002882882520000121
其中，i、j为正整数，M表示传感器节点的总数量，比如本实施例中，M是10。
其中，
Figure BDA0002882882520000131
分别表示第k个、第k-1个单位时间窗口内第j个传感器节点的第i轴的标准数据。同理，标准数据是预先存放在服务器的存储器中的，标准数据可以是由教练穿戴运动服后在连续模式的音乐下进行运动所获取的。
其中，
Figure BDA0002882882520000132
表示第k个、第k-1个单位时间窗口内被测试者的第j个传感器节点的第i轴的单次姿态数据/多次运动的均值数据，即被测试者可以是仅完成一次整套动作，并将该次采集的数据上传进行评估；也可以是完成多次整套动作后取均值进行评估。另外，k取1时，
Figure BDA0002882882520000133
Figure BDA0002882882520000134
以及Sjit+k-1τ均被记作0处理。
其中，
Figure BDA0002882882520000135
为第j个传感器节点的第i轴对应的常数。t表示延时时间，例如说音乐启动之后可能需要延时一定时间才会开始跳操。
b3)统计满足条件(2)的i的数量n，根据数量n的大小分析对应的传感器节点在各个单位时间窗口内的评估结果；
具体的，如果当前单位时间窗口内统计出的数量n大于第一阈值，则判定当前单位时间窗口内该传感器节点的动作优秀；如果当前单位时间窗口内统计出的数量n大于等于第二阈值且小于第一阈值，则判定当前单位时间窗口内该传感器节点的动作合格；如果当前单位时间窗口内统计出的数量n小于第二阈值，则判定当前单位时间窗口内该传感器节点的动作不达标。同理，比如说，本实施例中，传感器节点的数量是10个，第一阈值是7，第二阈值是4，因此：如果n≥7，则判定该传感器节点的动作优秀；如果4≤n＜7，则判定该传感器节点的动作合格；如果0≤n＜4，则判定该传感器节点的动作不达标。
b4)对各个单位时间窗口内的所有传感器节点的评估结果进行统计，并根据统计结果分析在各个单位时间窗口内的连续动作的评估结果；
具体的，统计同一单位时间窗口内的达到动作优秀和动作合格的传感器节点的数量之和m；根据m的大小，对各个单位时间窗口内的单次动作进行评级。比如说，本实施例中，如果第k个单位时间窗口内动作优秀和动作合格的传感器节点的数量之和m≥9时，则该第k个单位时间窗口评为L1级；n＝8时，评为L2级；n＝7时，评为L3级；n＝6时，评为L4级；n＝5时，评为L5级；n＝4或3时，评为L6级；n≤2时，评为L7级。其中，L1、L2级别代表优秀，L3、L4级别代表中等，L5-L7级别代表差。
B5)对所有单位时间窗口内的评估结果进行级别的分类统计，并根据分类统计结果分析整套连续动作的评估结果。
例如，一个具体的实例中，可以统计全部的单位时间窗口内的L1、L2、L3、L4级别的数量之和s，同理，预先为标准、良好、中等、合格、不达标或者严重不达标分别确定具体的数值范围，根据s的大小落入哪一个数值范围，即可判定整套连续动作是标准、良好、中等、合格、不达标或者严重不达标。
同理，由于该步骤得到了各个传感器节点的评估结果，以及整套运动的评估结果，所以有了这些结果，就可以反应被测试者的康复情况，他们是正相关的，比如说评估结果是标准，则意味着完全康复。进一步地，康复情况确定了也就可以估计接下来需要的大致康复时间，因为康复情况和康复时间是负相关的，即康复情况越好，康复时间越小。
优选地，所述方法还包括：如果被测试者的姿态数据是实时上传的，且被测试者选择的运动模式是连续模式时还执行如下步骤：
c1)采用滑动的三个时间窗口获取需要比对的被测试者的姿态数据和对应的标准数据，三个时间窗口的长度相同，且第一个时间窗口的时间结束时刻为当前时刻，第二个时间窗口的时间结束时刻为第一个时间窗口的起始时刻，第三个时间窗口的时间结束时刻为第二个时间窗口的起始时刻。
需要说明的是，三个时间窗口在同步滑动时永远保持第一个时间窗口的时间结束时刻为当前时刻。
c2)统计满足条件(3)的i的数量n；
Figure BDA0002882882520000151
条件(3)中：M表示传感器节点的总数量，i、j为正整数，
Figure BDA0002882882520000152
Figure BDA0002882882520000153
分别表示第一个、第二个、第三个时间窗口内跟练者的第j个传感器节点的第i轴的姿态数据。
c3)根据数量n的大小分析预测是否存在跌倒险情，并在存在跌倒险情时进行提示。比如说，满足条件(3)的i的数量n>5，则代表存在跌倒险情风险较高，可以及时通过服务器给用户发出警告。
综上，本实施例适用于各类肢体损伤的残疾人，术后病人，患有慢性疾病的病人及功能障碍的老年人，其在生产及生活中因存在肢体障碍，需要进行康复训练的情形。现有技术中对康复训练前后的康复效果评估一直以来采用肉眼对比观察训练前后身体机能的变化，通过肉眼对肢体状态恢复情况进行定性评估，受很多外界因素影响，比如个体判断标准，环境因素，身心状态等影响，而一种对康复训练过程中或康复训练前后身体机能效果的定量评估方法对患者康复治疗策略的选择意义重大。相比于现有技术的方法而言，本实施例的方法具有以下优势：康复效果每天可跟踪，可细化和量化不同部位健康状况及康复情况，甚至可以根据患者前期的康复情况估算需要完全康复的时间，以及根据当时的评估效果，给患者提供相对应的信息及康复建议；可进行防跌倒预测，及时提醒患者采取相应措施，避免意外事故发生。
实施例二
参考图4，本实施例公开了一种运动评估系统，包括弹性运动服和服务器，所述运动服内嵌入有处理器、存储器、通信模块、语音模块、输入模块(比如按键)、电池、电源管理模块，电源管理模块提供外部电源对电池进行充电的充电接口，所述运动服内在四肢、头部及躯干分别嵌入安装有九轴运动姿态传感器，各个九轴运动姿态传感器与处理器连接，处理器可根据输入模块选择的运动模式通过语音模块播放对应的音乐，将各个九轴运动姿态传感器采集的姿态数据存储到存储器，以及将姿态数据通过通信模块上传到服务器，服务器根据获取的姿态数据执行如实施例一所述的方法的步骤。具体实现过程可参阅上述方法实施例的描述，此处不再赘述。用户可以通过微信小程序、WEB端或者手机端APP来查询具体的评估结果。
其中，传感器设置在柔性微电路板上，我们对柔性微电路板进行统一编号，并将其固定嵌入穿戴衣内的固定位置，比如将柔性微型电路板嵌入放置在弹性穿戴衣袖子的上、下两截各自的中心位置，裤子的上、下两截各自的中心位置，头部及前胸位置，由于传感器位于人体上的位置相对固定，因此，经过统一编号后的传感器被分别用来测量人体不同部位的姿态信息，为肢体躯干等每个部位的康复情况提供最原始的数据集。
其中，处理器包括主控MCU和负责姿态检测的姿态检测MCU，10个九轴运动姿态传感器分布嵌入带有弹性、透气的运动衣服内，传感器分别位于四肢的上下部分，头部及躯干上，具体放置点如图3所示，10个传感器通过SPI或IIC接口与姿态检测MCU电连接，其传输导线嵌入衣服线条中，且电池及设置处理器、存储器、通信模块、电源管理模块的电路板被放置在弹性运动服腰部位置，运动服是弹性连体衣，中间通过拉链进行扣紧，上述各种硬件装置与弹性连体衣浑为一体，并留有通用充电接口。当被测试者穿戴上连体衣，并按下按键开启测试评估后，智能、透气、紧身穿戴衣上的MCU则根据按键连续按下次数来选择不同的运动模式，并通过主控MCU控制语音模块通过语音模块播放对应的音乐，被测试者根据音乐指令及节奏做出相关的运动动作，10个9轴运动姿态传感器采集九轴姿态数据并将九轴姿态数据统一采集后发送给姿态检测MCU，姿态检测MCU对采集的数据进行预处理(例如分解模式时，可以对单个保持时间段内的数据进行均值处理，再例如将姿态数据和传感器编号关联起来)后送给主控MCU，主控MCU对各个九轴加速度数据进行加密处理，并将加密数据通过通信模块发送给指定IP地址的后台服务器。
其中，通信模块可采用物联网卡或GSM/GPRS/4G/5G多制式模块或WiFi模块来实现MCU与后台服务器之间无线数据传输，也可通过网线等有线方式来实现MCU与后台服务器之间有线数据传输。
实施例三
基于同一发明构思，本实施例公开了一种运动评估装置，包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序被处理器执行时实现如实施例一所述的方法的步骤。具体实现过程可参阅上述方法实施例的描述，此处不再赘述。
实施例四
基于同一发明构思，本实施例公开了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如实施例一所述的方法的步骤。具体实现过程可参阅上述方法实施例的描述，此处不再赘述。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (10)

1.一种运动评估方法，其特征在于，所述方法包括：
获取被测试者运动过程中被采集的姿态数据；
如果被测试者选择的运动模式是分解模式，则基于该模式的音乐确定所有单个动作对应的保持时间段，并基于各个保持时间段内该被测试者的姿态数据和标准数据对被测试者在各个保持时间段内的单个动作分别进行评估；
如果被测试者选择的运动模式是连续模式，则基于单位时间窗口内该被测试者的姿态数据和标准数据对被测试者在各个单位时间窗口内的动作分别进行评估，并综合连续的多个单位时间窗口内的动作评估结果，对被测试者的整体运动过程进行评估。
2.根据权利要求1所述的方法，其特征在于，所述的基于各个保持时间段内该被测试者的姿态数据和标准数据对被测试者在各个保持时间段内的单个动作分别进行评估，包括：
针对每一个保持时间段，分析各个传感器节点在该保持时间段内的产生的姿态数据和标准数据是否满足如下的条件(1)；
Figure FDA0002882882510000011
统计满足条件(1)的i的数量n，根据数量n的大小分析对应的传感器节点在各个保持时间段内的评估结果；
对各个保持时间段内的所有传感器节点的评估结果进行统计，并根据统计结果分析在各个保持时间段内的单个动作的评估结果；
条件(1)中：i、j为正整数，M表示传感器节点的总数量，
Figure FDA0002882882510000021
表示当前保持时间段内第j个传感器节点的第i轴的标准数据，
Figure FDA0002882882510000022
表示当前保持时间段内被测试者的第j个传感器节点的第i轴的多次运动的均值数据，
Figure FDA0002882882510000023
表示当前保持时间段内第j个传感器节点的第i轴的误差修正数据，如果不存在历史姿态数据，则
Figure FDA0002882882510000024
被记作0处理，
Figure FDA0002882882510000025
表示当前保持时间段内被测试者的第j个传感器节点的第i轴的最新一次的姿态数据，
Figure FDA0002882882510000026
为第j个传感器节点的第i轴对应的常数。
3.根据权利要求2所述的方法，其特征在于，所述传感器节点的数量为多个且多个所述传感器节点是分布在弹性运动服的四肢、头部及躯干位置；
所述的根据数量n的大小分析对应的传感器节点在各个保持时间段内的评估结果，包括：如果当前保持时间段内统计出的数量n大于第一阈值，则判定当前保持时间段内该传感器节点的动作优秀；如果当前保持时间段内统计出的数量n大于等于第二阈值且小于第一阈值，则判定当前保持时间段内该传感器节点的动作合格；如果当前保持时间段内统计出的数量n小于第二阈值，则判定当前保持时间段内该传感器节点的动作不达标；
所述的对各个保持时间段内的所有传感器节点的评估结果进行统计，并根据统计结果分析在各个保持时间段内的单个动作的评估结果，包括：统计同一保持时间段内的达到动作优秀和动作合格的传感器节点的数量之和m；根据m的大小，对各个保持时间段内的单次动作进行评级。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
当分析在各个保持时间段内的单个动作的评估结果之后，还进一步对所有保持时间段内的评估结果进行级别的分类统计，并根据分类统计结果分析整套单次动作的评估结果。
5.根据权利要求1所述的方法，其特征在于，所述的基于单位时间窗口内该被测试者的姿态数据和标准数据对被测试者在各个单位时间窗口内的动作分别进行评估，包括：
以步长移动单位时间窗口，所述单位时间窗口的长度与步长相等；
针对当前的第k个单位时间窗口，分析各个传感器节点在第k个单位时间窗口内产生的姿态数据和标准数据是否满足如下的条件(2)；
Figure FDA0002882882510000031
统计满足条件(2)的i的数量n，根据数量n的大小分析对应的传感器节点在各个单位时间窗口内的评估结果；
对各个单位时间窗口内的所有传感器节点的评估结果进行统计，并根据统计结果分析在各个单位时间窗口内的连续动作的评估结果；
条件(2)中：i、j为正整数，M表示传感器节点的总数量，τ表示单位时间窗口的长度，
Figure FDA0002882882510000032
分别表示第k个、第k-1个单位时间窗口内第j个传感器节点的第i轴的标准数据，
Figure FDA0002882882510000033
表示第k个、第k-1个单位时间窗口内被测试者的第j个传感器节点的第i轴的单次姿态数据/多次运动的均值数据，k取1时，
Figure FDA0002882882510000034
以及
Figure FDA0002882882510000035
均被记作0处理，t表示延时时间，
Figure FDA0002882882510000036
为第j个传感器节点的第i轴对应的常数。
6.根据权利要求5所述的方法，其特征在于，
所述的根据数量n的大小分析对应的传感器节点在各个单位时间窗口内的评估结果，包括：如果当前单位时间窗口内统计出的数量n大于第一阈值，则判定当前单位时间窗口内该传感器节点的动作优秀；如果当前单位时间窗口内统计出的数量n大于等于第二阈值且小于第一阈值，则判定当前单位时间窗口内该传感器节点的动作合格；如果当前单位时间窗口内统计出的数量n小于第二阈值，则判定当前单位时间窗口内该传感器节点的动作不达标；所述的根据统计结果分析在各个单位时间窗口内的连续动作的评估结果，包括：统计同一单位时间窗口内的达到动作优秀和动作合格的传感器节点的数量之和m；根据m的大小，对各个单位时间窗口内的单次动作进行评级；
所述的综合连续的多个单位时间窗口内的动作评估结果，对被测试者的整体运动过程进行评估，包括：对所有单位时间窗口内的评估结果进行级别的分类统计，并根据分类统计结果分析整套连续动作的评估结果。
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：
如果被测试者的姿态数据是实时上传的且被测试者选择的运动模式是连续模式，则采用滑动的三个时间窗口获取需要比对的被测试者的姿态数据和对应的标准数据，三个时间窗口的长度相同，且第一个时间窗口的时间结束时刻为当前时刻，第二个时间窗口的时间结束时刻为第一个时间窗口的起始时刻，第三个时间窗口的时间结束时刻为第二个时间窗口的起始时刻；
统计满足条件(3)的i的数量n，根据数量n的大小分析预测是否存在跌倒险情，并在存在跌倒险情时进行提示；
Figure FDA0002882882510000041
条件(3)中：M表示传感器节点的总数量，i、j为正整数，
Figure FDA0002882882510000042
Figure FDA0002882882510000043
分别表示第一个、第二个、第三个时间窗口内跟练者的第j个传感器节点的第i轴的姿态数据。
8.一种运动评估系统，其特征在于，包括弹性运动服和服务器，所述运动服内嵌入有处理器、存储器、通信模块、语音模块、输入模块和电源管理模块，所述运动服内在四肢、头部及躯干分别嵌入安装有九轴运动姿态传感器，各个九轴运动姿态传感器与处理器连接，处理器可根据输入模块选择的运动模式通过语音模块播放对应的音乐，将各个九轴运动姿态传感器采集的姿态数据存储到存储器，以及将姿态数据通过通信模块上传到服务器，服务器根据获取的姿态数据执行如权利要求1-7任一项所述的方法的步骤。
9.一种运动评估装置，其特征在于，包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的方法的步骤。
10.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的方法的步骤。
CN202110006796.1A 2021-01-04 2021-01-04 一种运动评估方法、系统、装置以及计算机可读存储介质 Pending CN114711754A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110006796.1A CN114711754A (zh) 2021-01-04 2021-01-04 一种运动评估方法、系统、装置以及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110006796.1A CN114711754A (zh) 2021-01-04 2021-01-04 一种运动评估方法、系统、装置以及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN114711754A true CN114711754A (zh) 2022-07-08

Family

ID=82233789

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110006796.1A Pending CN114711754A (zh) 2021-01-04 2021-01-04 一种运动评估方法、系统、装置以及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN114711754A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116110584A (zh) * 2023-02-23 2023-05-12 江苏万顶惠康健康科技服务有限公司 一种人体健康风险评估预警系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116110584A (zh) * 2023-02-23 2023-05-12 江苏万顶惠康健康科技服务有限公司 一种人体健康风险评估预警系统
CN116110584B (zh) * 2023-02-23 2023-09-22 江苏万顶惠康健康科技服务有限公司 一种人体健康风险评估预警系统

Similar Documents

Publication Publication Date Title
Seeger et al. myHealthAssistant: a phone-based body sensor network that captures the wearer's exercises throughout the day
Mannini et al. Activity recognition in youth using single accelerometer placed at wrist or ankle
CN109480858B (zh) 一种用于量化检测帕金森患者运动迟缓症状的可穿戴智能系统及方法
Di Rosa et al. Concurrent validation of an index to estimate fall risk in community dwelling seniors through a wireless sensor insole system: A pilot study
Pärkkä et al. Personalization algorithm for real-time activity recognition using PDA, wireless motion bands, and binary decision tree
CN104169926B (zh) 计算能量消耗的装置
CN106267780B (zh) 一种运动提醒的方法及装置
US10993651B2 (en) Exercise guidance method and exercise guidance device
US11992345B2 (en) Method and system for adjusting audio signals based on motion deviation
CN109637625B (zh) 自学习式健身计划生成系统
US20090204030A1 (en) Method and system for monitoring the functional use of limbs
CN109069066A (zh) 可穿戴和连接的步态分析系统
CN108209947B (zh) 一种康复保健评估方法及装置
EP2264988A1 (en) Method of detecting a current user activity and environment context of a user of a mobile phone using an accelerator sensor and a microphone, computer program product, and mobile phone
CN105705093A (zh) 用于感测和分析的适形传感器系统
CN108905170B (zh) 一种基于心肺耐力等级和rpe反馈的有效运动评测方法及实现该方法的装置
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
CN108514421A (zh) 提升混合现实与日常健康监测的方法
John et al. Calibrating a novel multi-sensor physical activity measurement system
CN108229283B (zh) 肌电信号采集方法及装置
CN114711754A (zh) 一种运动评估方法、系统、装置以及计算机可读存储介质
Schuldhaus Human activity recognition in daily life and sports using inertial sensors
US10272292B1 (en) Adaptive sport posture sensing system and method
CN106031824A (zh) 可使用于不同运动类型的穿戴式装置
CN116261749A (zh) 识别用户动作的方法和系统

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