CN115517667A - 一种基于辅助步行外骨骼训练器的步态评估系统及方法 - Google Patents
一种基于辅助步行外骨骼训练器的步态评估系统及方法 Download PDFInfo
- Publication number
- CN115517667A CN115517667A CN202211488112.7A CN202211488112A CN115517667A CN 115517667 A CN115517667 A CN 115517667A CN 202211488112 A CN202211488112 A CN 202211488112A CN 115517667 A CN115517667 A CN 115517667A
- Authority
- CN
- China
- Prior art keywords
- gait
- module
- time
- data
- timing
- 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
Links
- 230000005021 gait Effects 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000011156 evaluation Methods 0.000 claims abstract description 35
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 238000007635 classification algorithm Methods 0.000 claims abstract description 16
- 230000007170 pathology Effects 0.000 claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000010586 diagram Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 10
- 230000009471 action Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 6
- 210000004394 hip joint Anatomy 0.000 claims description 6
- 210000000629 knee joint Anatomy 0.000 claims description 6
- 230000001575 pathological effect Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 16
- 238000004590 computer program Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000002045 lasting effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- A61B5/112—Gait analysis
-
- 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
- A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
- A61B5/1071—Measuring physical dimensions, e.g. size of the entire body or parts thereof measuring angles, e.g. using goniometers
-
- 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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physiology (AREA)
- Dentistry (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Rehabilitation Tools (AREA)
Abstract
一种基于辅助步行外骨骼训练器的步态评估系统及方法，系统包括检测模块，检测脉冲信号与关节角度，用于检测患者的步态与行走距离；计时模块，用于对患者训练时间计时；显示模块，用于系统显示训练信息，显示评估信息；语音播报模块，用于系统播报语音信息；信号处理模块，输入端与检测模块、计时模块对应连接，多个输出端与显示模块、语音播报模块连接，用于对患者的步态进行评估，所述信号处理模块包括CNN神经网络模型，所述信号处理模块将步态数据输入到CNN神经网络模型中，再通过SVM分类算法进行分类，并与病理数据库的样本比对得出评估结果。本申请使训练过程与结果数据化，减少人为误判的同时增加了患者训练的高效性，提升了设备的科技感。
Description
技术领域
本发明属于康复设备的技术领域，尤其涉及一种基于辅助步行外骨骼训练器的步态评估系统及方法。
背景技术
目前，市面上的儿童助行器基本为机械结构，很少添加电子设备，且穿戴舒适性与操作便捷度普遍不高，无法在硬件基础上进行后续的软硬件升级。患者训练时，陪护主要通过人工计时与目测来计算患者的训练饱和度，没有可靠的数据支撑患者的训练结果评估。
市面上的儿童助行器的缺点为：1、患者训练时，需要陪护计时来判断训练饱和度，对人工的需求量较大。2、陪护通过目测与经验评估患者训练质量精确度不高，对患者训练量评估时，人为干扰因素较多。3、患者在训练时没有人机交互，训练过程枯燥乏味。
目前需要解决的技术问题包括：1、需要通过计时检测方式对患者训练时间进行自动记录。2、需要步态检测方式对患者的行走距离进行检测记录。3、需要步态评估显示实现人机交互，使用语音播报对患者进行鼓励性训练。
发明内容
为解决背景技术中存在的问题，为此，本发明提出了一种基于辅助步行外骨骼训练器的步态评估系统及方法，具体方案如下：
一种基于辅助步行外骨骼训练器的步态评估系统，包括
检测模块，检测脉冲信号与关节角度，用于检测患者的步态与行走距离；
计时模块，用于对患者训练时间计时；
显示模块，用于系统显示训练信息，显示评估信息；
语音播报模块，用于系统播报语音信息；
信号处理模块，输入端与检测模块、计时模块对应连接，多个输出端与显示模块、语音播报模块连接，用于对患者的步态进行评估，所述信号处理模块包括CNN神经网络模型，所述信号处理模块将步态数据输入到CNN神经网络模型中，再通过SVM分类算法进行分类，并与病理数据库的样本比对得出评估结果。
具体地说，每行走设定距离，语音播报模块播放鼓励性语音，当计时模块检测训练时间每增加第一设定时间时，语音播报模块进行计时播报，直至训练达到第二设定时间。
具体地说，还包括电源模块，包括存储单元、充电单元、电量指示灯，所述存储单元用于给整个系统持续供电，所述充电单元用于给存储单元充电，所述电量指示灯与信号处理模块连接，所述信号处理模块检测电源模块电量，当电量过低时，信号处理模块控制电量过低指示灯电量。
具体地说，系统工作过程具体如下：
S1、打开系统，系统处理模块检测电源模块电量，当电量过低时电量过低指示灯，否则进入步骤S2；
S2、信号处理模块发送信号控制检测模块，判断步态是否大于等于设定距离，当是，信号处理模块将计数标志位清零，发送随机鼓励性语音指令到语音播报模块，并进入步骤S3，当不是，直接进入步骤S3；
S3、每隔设定时间发送对应的时间提醒语音时间，显示模块和计时模块提醒行走动作，直至计时结束，计时模块时刻检测是否到达计时检测的时间点；
S4、信号处理模块获得步态检测数据，包括行走速度、训练时间、左右髋关节与膝关节角速度，对数据进行集中打包；
S5、将打包的数据发送到CNN模型中进行特征提取；
S6、提取的数据使用SVM分类算法进行分类；
S7、与病理数据库对比，得出评估结果，将评估结果生成可视化图表与三维动画再显示模块上显示。
具体地说，步骤S5中使用CNNC模型进行特征提取的步骤为：
S51、获得打包的数据后，拟合成初始化步态周期波形；
S52、规则化步态幅值；
S53、时频转换与去毛刺化处理获得CNN步态时频图样本；
S54、将CNN步态时频图样本导入到CNN模型中，再卷积层进行计算，计算公式为w′=(w+2p−k)/s+1，其中参数w为输入步态特征矩阵大小，k为卷积核大小，s为步幅，p为补零层数，w′为卷积后的输出矩阵，并且对卷积后进行池化，重复步骤S54若干次；
S55、进行全连接网络计算，公式为V=conv2(W,X,"valid")+b，conv2()是卷积运算的函数固定格式,X为权重矩阵，X输入样本特征矩阵，valid为卷积方式，b是偏置，V为输出矩阵，经过公式计算输出Y=φ(V)，其中φ(V)为激活函数，Y为输出向量。
具体地说，在步骤S6中使用SVM分类算法进行分类的步骤为：
S61、SVM分类模型获得病理样本库数据集，进行超平面划分，划分公式为wTxi+b≥1,yi=1，其中wTxi+b≤−1,yi=−1；线性方程wTxi+b中w=（w1,w2,...wn）表示平面的法矢量，（xi,yi）为样本空间坐标，b为常量系数；
S62、利用损失函数得出损失率最小的数据；
S63、输出样本库比对结果。
上述一种基于辅助步行外骨骼训练器的步态评估系统的使用方法，包括以下步骤：
S1、打开系统，系统处理模块检测电源模块电量，当电量过低时电量过低指示灯，否则进入步骤S2；
S2、信号处理模块发送信号控制检测模块，判断步态是否大于等于设定距离，当是，信号处理模块将计数标志位清零，发送随机鼓励性语音指令到语音播报模块，并进入步骤S3，当不是，直接进入步骤S3；
S3、每隔设定时间发送对应的时间提醒语音时间，显示模块和计时模块提醒行走动作，直至计时结束，计时模块时刻检测是否到达计时检测的时间点；
S4、信号处理模块获得步态检测数据，包括行走速度、训练时间、左右髋关节与膝关节角速度，对数据进行集中打包；
S5、将打包的数据发送到CNN模型中进行特征提取；
S6、提取的数据使用SVM分类算法进行分类；
S7、与病理数据库对比，得出评估结果，将评估结果生成可视化图表与三维动画再显示模块上显示。
具体的说，步骤S5中使用CNNC模型进行特征提取的步骤为：
S51、获得打包的数据后，拟合成初始化步态周期波形；
S52、规则化步态幅值；
S53、时频转换与去毛刺化处理获得CNN步态时频图样本；
S54、将CNN步态时频图样本导入到CNN模型中，再卷积层进行计算，计算公式为w′=(w+2p−k)/s+1，其中参数w为输入步态特征矩阵大小，k为卷积核大小，s为步幅，p为补零层数，w′为卷积后的输出矩阵，并且对卷积后进行池化，重复步骤S54若干次；
S55、进行全连接网络计算，公式为V=conv2(W,X,"valid")+b，conv2()是卷积运算的函数固定格式,X为权重矩阵，X输入样本特征矩阵，valid为卷积方式，b是偏置，V为输出矩阵，经过公式计算输出Y=φ(V)，其中φ(V)为激活函数，Y为输出向量。
具体地说，在步骤S6中使用SVM分类算法进行分类的步骤为：
S61、SVM分类模型获得病理样本库数据集，进行超平面划分，划分公式为wTxi+b≥1,yi=1，其中wTxi+b≤−1,yi=−1；线性方程wTxi+b中w=（w1,w2,...wn）表示平面的法矢量，（xi,yi）为样本空间坐标，b为常量系数；
S62、利用损失函数得出损失率最小的数据；
S63、输出样本库比对结果。
一种基于辅助步行外骨骼训练器的步态评估方法的实现介质，所述介质存储用于执行上述方法的计算机指令。
本申请的优点在于：本申请在保证了设备便携性的同时，通过人机交互的语音播报提升了患者训练的积极性，并且利用步态评估算法将步态评估结果展示给陪护与患者，减轻了医生的负担。使训练过程与结果数据化，减少人为误判的同时增加了患者训练的高效性，提升了设备的科技感。
附图说明
图1为本发明提出的一种基于辅助步行外骨骼训练器的步态评估系统的结构示意图。
图2和图3为本发明方法的流程图。
1、检测模块；2、计时模块；3、显示模块；4、语音播报模块；5、信号处理模块；61、存储单元；62、充电单元；63、电量指示灯。
具体实施方式
如图1所示，一种基于辅助步行外骨骼训练器的步态评估系统，包括
检测模块1，检测脉冲信号与关节角度，用于检测患者的步态与行走距离；
计时模块2，用于对患者训练时间计时；
显示模块3，用于系统显示训练信息，显示评估信息，包括可视化步态评估图表与三维动画；
语音播报模块4，用于系统播报语音信息；具体地说，每行走设定距离，语音播报模块4播放鼓励性语音，当计时模块2检测训练时间每增加第一设定时间时，语音播报模块4进行计时播报，直至训练达到第二设定时间；行走距离每行走到设定距离时，控制语音播报模块4进行鼓励性语音播报，计时模块2检测训练时间每增加5分钟时，控制语音播报模块4进行计时播报，直到训练时间达到30分钟，语音播报模块4播报训练结束语音。
信号处理模块5，输入端与检测模块1、计时模块2、电源模块对应连接，多个输出端与显示模块3、语音播报模块4连接，用于对患者的步态进行评估。具体的说，所述信号处理模块5包括CNN神经网络模型，所述信号处理模块5将步态数据输入到CNN神经网络模型中，再通过SVM分类算法进行分类，并与病理数据库的样本比对得出评估结果；
电源模块，包括存储单元61、充电单元62、电量指示灯63，所述存储单元61用于给整个系统持续供电，所述充电单元62用于给存储单元61充电，所述电量指示灯63与信号处理模块5连接，所述信号处理模块5检测电源模块电量，当电量过低时，信号处理模块5控制电量过低指示灯电量。
如图2和图3系统工作过程具体如下：
S1、打开系统，系统处理模块检测电源模块电量，当电量过低时电量过低指示灯，否则进入步骤S2；
S2、信号处理模块5发送信号控制检测模块1，判断步态是否大于等于设定距离，当是，信号处理模块5将计数标志位清零，发送随机鼓励性语音指令到语音播报模块4，并进入步骤S3，当不是，直接进入步骤S3；
S3、每隔设定时间发送对应的时间提醒语音时间，显示模块3和计时模块2提醒行走动作，直至计时结束，计时模块2时刻检测是否到达计时检测的时间点；
S4、信号处理模块5获得步态检测数据，包括行走速度、训练时间、左右髋关节与膝关节角速度，对数据进行集中打包；
S5、将打包的数据发送到CNN模型中进行特征提取；
S6、提取的数据使用SVM分类算法进行分类；
S7、与病理数据库对比，得出评估结果，将评估结果生成可视化图表与三维动画再显示模块3上显示。
具体的说，步骤S5中使用CNNC模型进行特征提取的步骤为：
S51、获得打包的数据后，拟合成初始化步态周期波形；
S52、规则化步态幅值；
S53、时频转换与去毛刺化处理获得CNN步态时频图样本；
S54、将CNN步态时频图样本导入到CNN模型中，再卷积层进行计算，计算公式为w′=(w+2p−k)/s+1，其中参数w为输入步态特征矩阵大小，k为卷积核大小，s为步幅，p为补零层数，w′为卷积后的输出矩阵，并且对卷积后进行池化，重复步骤S54若干次；
S55、进行全连接网络计算，公式为V=conv2(W,X,"valid")+b，conv2()是卷积运算的函数固定格式,X为权重矩阵，X输入样本特征矩阵，valid为卷积方式，b是偏置，V为输出矩阵，经过公式计算输出Y=φ(V)，其中φ(V)为激活函数，Y为输出向量。
在步骤S6中使用SVM分类算法进行分类的步骤为：
S61、SVM分类模型获得病理样本库数据集，进行超平面划分，划分公式为wTxi+b≥1,yi=1，其中wTxi+b≤−1,yi=−1；线性方程wTxi+b中w=（w1,w2,...wn）表示平面的法矢量，（xi,yi）为样本空间坐标，b为常量系数；
S62、利用损失函数得出损失率最小的数据；
S63、输出样本库比对结果。
如图2和图3所示，一种上述基于辅助步行外骨骼训练器的步态评估系统的使用方法，包括以下步骤：
S1、打开系统，系统处理模块检测电源模块电量，当电量过低时电量过低指示灯，否则进入步骤S2；
S2、信号处理模块5发送信号控制检测模块1，判断步态是否大于等于设定距离，当是，信号处理模块5将计数标志位清零，发送随机鼓励性语音指令到语音播报模块4，并进入步骤S3，当不是，直接进入步骤S3；
S3、每隔设定时间发送对应的时间提醒语音时间，显示模块3和计时模块2提醒行走动作，直至计时结束，计时模块2时刻检测是否到达计时检测的时间点；
S4、信号处理模块5获得步态检测数据，包括行走速度、训练时间、左右髋关节与膝关节角速度，对数据进行集中打包；
S5、将打包的数据发送到CNN模型中进行特征提取；
S6、提取的数据使用SVM分类算法进行分类；
S7、与病理数据库对比，得出评估结果，将评估结果生成可视化图表与三维动画再显示模块3上显示。
具体的说，步骤S5中使用CNNC模型进行特征提取的步骤为：
S51、获得打包的数据后，拟合成初始化步态周期波形；
S52、规则化步态幅值；
S53、时频转换与去毛刺化处理获得CNN步态时频图样本；
S54、将CNN步态时频图样本导入到CNN模型中，再卷积层进行计算，计算公式为w′=(w+2p−k)/s+1，其中参数w为输入步态特征矩阵大小，k为卷积核大小，s为步幅，p为补零层数，w′为卷积后的输出矩阵，并且对卷积后进行池化，重复步骤S54若干次；
S55、进行全连接网络计算，公式为V=conv2(W,X,"valid")+b，conv2()是卷积运算的函数固定格式,X为权重矩阵，X输入样本特征矩阵，valid为卷积方式，b是偏置，V为输出矩阵，经过公式计算输出Y=φ(V)，其中φ(V)为激活函数，Y为输出向量。
在步骤S6中使用SVM分类算法进行分类的步骤为：
S61、SVM分类模型获得病理样本库数据集，进行超平面划分，划分公式为wTxi+b≥1,yi=1，其中wTxi+b≤−1,yi=−1；线性方程wTxi+b中w=（w1,w2,...wn）表示平面的法矢量，（xi,yi）为样本空间坐标，b为常量系数；
S62、利用损失函数得出损失率最小的数据；
S63、输出样本库比对结果。
本申请实施例提供了基于辅助步行外骨骼训练器的步态评估系统的使用方法的实现介质，所述介质存储用于执行上述开发方法的计算机指令。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统和介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请实施例提供的系统和介质与方法是一一对应的，因此，系统和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述系统和介质的有益技术效果。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。
计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
本申请主要用于支持局域网或广域网环境下的大规模系统仿真，满足仿真应用规模、结构日益扩大和复杂的需求，是具有分布、异构、协同、互操作、重用等性能的分布式仿真运行支撑环境构建技术。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于辅助步行外骨骼训练器的步态评估系统，其特征在于，包括
检测模块，检测脉冲信号与关节角度，用于检测患者的步态与行走距离；
计时模块，用于对患者训练时间计时；
显示模块，用于系统显示训练信息，显示评估信息；
语音播报模块，用于系统播报语音信息；
信号处理模块，输入端与检测模块、计时模块对应连接，多个输出端与显示模块、语音播报模块连接，用于对患者的步态进行评估，所述信号处理模块包括CNN神经网络模型，所述信号处理模块将步态数据输入到CNN神经网络模型中，再通过SVM分类算法进行分类，并与病理数据库的样本比对得出评估结果。
2.根据权利要求1所述的一种基于辅助步行外骨骼训练器的步态评估系统，其特征在于，每行走设定距离，语音播报模块播放鼓励性语音，当计时模块检测训练时间每增加第一设定时间时，语音播报模块进行计时播报，直至训练达到第二设定时间。
3.根据权利要求1所述的一种基于辅助步行外骨骼训练器的步态评估系统，其特征在于，还包括电源模块，包括存储单元、充电单元、电量指示灯，所述存储单元用于给整个系统持续供电，所述充电单元用于给存储单元充电，所述电量指示灯与信号处理模块连接，所述信号处理模块检测电源模块电量，当电量过低时，信号处理模块控制电量过低指示灯电量。
4.根据权利要求1所述的一种基于辅助步行外骨骼训练器的步态评估系统，其特征在于，系统工作过程具体如下：
S1、打开系统，系统处理模块检测电源模块电量，当电量过低时电量过低指示灯，否则进入步骤S2；
S2、信号处理模块发送信号控制检测模块，判断步态是否大于等于设定距离，当是，信号处理模块将计数标志位清零，发送随机鼓励性语音指令到语音播报模块，并进入步骤S3，当不是，直接进入步骤S3；
S3、每隔设定时间发送对应的时间提醒语音时间，显示模块和计时模块提醒行走动作，直至计时结束，计时模块时刻检测是否到达计时检测的时间点；
S4、信号处理模块获得步态检测数据，包括行走速度、训练时间、左右髋关节与膝关节角速度，对数据进行集中打包；
S5、将打包的数据发送到CNN模型中进行特征提取；
S6、提取的数据使用SVM分类算法进行分类；
S7、与病理数据库对比，得出评估结果，将评估结果生成可视化图表与三维动画再显示模块上显示。
5.根据权利要求4所述的一种基于辅助步行外骨骼训练器的步态评估系统，其特征在于，步骤S5中使用CNNC模型进行特征提取的步骤为：
S51、获得打包的数据后，拟合成初始化步态周期波形；
S52、规则化步态幅值；
S53、时频转换与去毛刺化处理获得CNN步态时频图样本；
S54、将CNN步态时频图样本导入到CNN模型中，再卷积层进行计算，计算公式为w′=(w+2p−k)/s+1，其中参数w为输入步态特征矩阵大小，k为卷积核大小，s为步幅，p为补零层数，w′为卷积后的输出矩阵，并且对卷积后进行池化，重复步骤S54若干次；
S55、进行全连接网络计算，公式为V=conv2(W,X,"valid")+b，conv2()是卷积运算的函数固定格式,X为权重矩阵，X输入样本特征矩阵，valid为卷积方式，b是偏置，V为输出矩阵，经过公式计算输出Y=φ(V)，其中φ(V)为激活函数，Y为输出向量。
6.根据权利要求4所述的一种基于辅助步行外骨骼训练器的步态评估系统，其特征在于，在步骤S6中使用SVM分类算法进行分类的步骤为：
S61、SVM分类模型获得病理样本库数据集，进行超平面划分，划分公式为wTxi+b≥1,yi=1，其中wTxi+b≤−1,yi=−1；线性方程wTxi+b中w=（w1,w2,...wn）表示平面的法矢量，（xi,yi）为样本空间坐标，b为常量系数；
S62、利用损失函数得出损失率最小的数据；
S63、输出样本库比对结果。
7.根据权利要求1-3中任一项所述的一种基于辅助步行外骨骼训练器的步态评估系统的使用方法，其特征在于，包括以下步骤：
S1、打开系统，系统处理模块检测电源模块电量，当电量过低时电量过低指示灯，否则进入步骤S2；
S2、信号处理模块发送信号控制检测模块，判断步态是否大于等于设定距离，当是，信号处理模块将计数标志位清零，发送随机鼓励性语音指令到语音播报模块，并进入步骤S3，当不是，直接进入步骤S3；
S3、每隔设定时间发送对应的时间提醒语音时间，显示模块和计时模块提醒行走动作，直至计时结束，计时模块时刻检测是否到达计时检测的时间点；
S4、信号处理模块获得步态检测数据，包括行走速度、训练时间、左右髋关节与膝关节角速度，对数据进行集中打包；
S5、将打包的数据发送到CNN模型中进行特征提取；
S6、提取的数据使用SVM分类算法进行分类；
S7、与病理数据库对比，得出评估结果，将评估结果生成可视化图表与三维动画再显示模块上显示。
8.根据权利要求7所述的方法，其特征在于，步骤S5中使用CNNC模型进行特征提取的步骤为：
S51、获得打包的数据后，拟合成初始化步态周期波形；
S52、规则化步态幅值；
S53、时频转换与去毛刺化处理获得CNN步态时频图样本；
S54、将CNN步态时频图样本导入到CNN模型中，再卷积层进行计算，计算公式为w′=(w+2p−k)/s+1，其中参数w为输入步态特征矩阵大小，k为卷积核大小，s为步幅，p为补零层数，w′为卷积后的输出矩阵，并且对卷积后进行池化，重复步骤S54若干次；
S55、进行全连接网络计算，公式为V=conv2(W,X,"valid")+b，conv2()是卷积运算的函数固定格式,X为权重矩阵，X输入样本特征矩阵，valid为卷积方式，b是偏置，V为输出矩阵，经过公式计算输出Y=φ(V)，其中φ(V)为激活函数，Y为输出向量。
9.根据权利要求7所述的方法，其特征在于，在步骤S6中使用SVM分类算法进行分类的步骤为：
S61、SVM分类模型获得病理样本库数据集，进行超平面划分，划分公式为wTxi+b≥1,yi=1，其中wTxi+b≤−1,yi=−1；线性方程wTxi+b中w=（w1,w2,...wn）表示平面的法矢量，（xi,yi）为样本空间坐标，b为常量系数；
S62、利用损失函数得出损失率最小的数据；
S63、输出样本库比对结果。
10.一种基于辅助步行外骨骼训练器的步态评估方法的实现介质，其特征在于，所述介质存储用于执行权利要求7-9的方法的计算机指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211488112.7A CN115517667A (zh) | 2022-11-25 | 2022-11-25 | 一种基于辅助步行外骨骼训练器的步态评估系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211488112.7A CN115517667A (zh) | 2022-11-25 | 2022-11-25 | 一种基于辅助步行外骨骼训练器的步态评估系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115517667A true CN115517667A (zh) | 2022-12-27 |
Family
ID=84705288
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211488112.7A Pending CN115517667A (zh) | 2022-11-25 | 2022-11-25 | 一种基于辅助步行外骨骼训练器的步态评估系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115517667A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4278095A (en) * | 1977-09-12 | 1981-07-14 | Lapeyre Pierre A | Exercise monitor system and method |
| US20080096726A1 (en) * | 2006-09-07 | 2008-04-24 | Nike, Inc. | Athletic Performance Sensing and/or Tracking Systems and Methods |
| CN204744852U (zh) * | 2015-06-12 | 2015-11-11 | 中国人民解放军第四军医大学 | 一种辅助步行训练器 |
| CN111291865A (zh) * | 2020-01-21 | 2020-06-16 | 北京工商大学 | 一种基于卷积神经网络和孤立森林的步态识别方法 |
| CN212631583U (zh) * | 2020-06-17 | 2021-03-02 | 台州恩泽医疗中心(集团) | 一种康复踩车 |
| CN112487902A (zh) * | 2020-11-20 | 2021-03-12 | 杭州电子科技大学 | 面向外骨骼的基于tcn-hmm的步态相位分类方法 |
| CN112669964A (zh) * | 2019-10-16 | 2021-04-16 | 深圳市迈步机器人科技有限公司 | 动力外骨骼及基于动力外骨骼的康复评价方法 |
| CN115019393A (zh) * | 2022-06-09 | 2022-09-06 | 天津理工大学 | 一种基于卷积神经网络的外骨骼机器人步态识别系统及方法 |
-
2022
- 2022-11-25 CN CN202211488112.7A patent/CN115517667A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4278095A (en) * | 1977-09-12 | 1981-07-14 | Lapeyre Pierre A | Exercise monitor system and method |
| US20080096726A1 (en) * | 2006-09-07 | 2008-04-24 | Nike, Inc. | Athletic Performance Sensing and/or Tracking Systems and Methods |
| US20170209766A1 (en) * | 2006-09-07 | 2017-07-27 | Nike, Inc. | Athletic Performance Sensing and/or Tracking Systems and Methods |
| CN204744852U (zh) * | 2015-06-12 | 2015-11-11 | 中国人民解放军第四军医大学 | 一种辅助步行训练器 |
| CN112669964A (zh) * | 2019-10-16 | 2021-04-16 | 深圳市迈步机器人科技有限公司 | 动力外骨骼及基于动力外骨骼的康复评价方法 |
| CN111291865A (zh) * | 2020-01-21 | 2020-06-16 | 北京工商大学 | 一种基于卷积神经网络和孤立森林的步态识别方法 |
| CN212631583U (zh) * | 2020-06-17 | 2021-03-02 | 台州恩泽医疗中心(集团) | 一种康复踩车 |
| CN112487902A (zh) * | 2020-11-20 | 2021-03-12 | 杭州电子科技大学 | 面向外骨骼的基于tcn-hmm的步态相位分类方法 |
| CN115019393A (zh) * | 2022-06-09 | 2022-09-06 | 天津理工大学 | 一种基于卷积神经网络的外骨骼机器人步态识别系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109948647B (zh) | 一种基于深度残差网络的心电图分类方法及系统 | |
| CN110411464B (zh) | 三维点云地图生成方法、装置、设备及存储介质 | |
| CN104007822A (zh) | 基于大数据库的运动识别方法及其装置 | |
| CN113033369B (zh) | 动作捕捉方法、装置、电子设备及计算机可读存储介质 | |
| CN107545057A (zh) | 展示思维导图的方法、装置、设备及存储介质 | |
| CN103593654A (zh) | 一种人脸定位的方法与装置 | |
| CN109034394A (zh) | 一种机器学习模型的更新方法和装置 | |
| CN111126280B (zh) | 基于融合手势识别的失语症患者辅助康复训练系统及方法 | |
| JP6574004B2 (ja) | 計算手法決定システム、計算手法決定装置、処理装置、計算手法決定方法、処理方法、計算手法決定プログラム、及び、処理プログラム | |
| CN108937866A (zh) | 睡眠状态的监测方法及装置 | |
| CN111523940A (zh) | 一种带负反馈的基于深度强化学习的推荐方法及系统 | |
| CN115517667A (zh) | 一种基于辅助步行外骨骼训练器的步态评估系统及方法 | |
| CN114419087A (zh) | 病灶图像生成方法、装置、电子设备及存储介质 | |
| AU2021204525B1 (en) | Generating point cloud completion network and processing point cloud data | |
| CN116051699B (zh) | 动捕数据的处理方法、装置、设备及存储介质 | |
| US20220211283A1 (en) | Methods for blood pressure calibration selection and modeling methods thereof | |
| CN114980450A (zh) | 一种分区域光环境在线评估展示方法、系统、介质及设备 | |
| CN108447487A (zh) | 基于文本输入与输出训练模拟人脑思维的方法及系统 | |
| CN114550282A (zh) | 多人三维姿态估计方法、装置及电子设备 | |
| CN110047118B (zh) | 视频生成方法、装置、计算机设备及存储介质 | |
| CN106502743A (zh) | 电子设备的触摸屏固件的升级方法和升级装置、电子设备 | |
| CN118015709B (zh) | 一种基于多模态图神经网络的动作识别方法及装置 | |
| CN113569155B (zh) | 一种基于改进循环神经网络算法的推荐召回方法及系统 | |
| CN117131712B (zh) | 一种虚实结合的应急救护模拟系统和方法 | |
| CN111665740B (zh) | 机器人的仿真方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221227 |
|
| RJ01 | Rejection of invention patent application after publication |