CN115544777A - 一种表征关节助力补偿值的方法及系统 - Google Patents
一种表征关节助力补偿值的方法及系统 Download PDFInfo
- Publication number
- CN115544777A CN115544777A CN202211268508.0A CN202211268508A CN115544777A CN 115544777 A CN115544777 A CN 115544777A CN 202211268508 A CN202211268508 A CN 202211268508A CN 115544777 A CN115544777 A CN 115544777A
- Authority
- CN
- China
- Prior art keywords
- target
- power
- compensation
- motion
- assisted
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Physiology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Hardware Design (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Rehabilitation Tools (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种表征关节助力补偿值的方法及系统,涉及计算机应用技术领域,所述方法包括:构建预设运动数据库;监测得到目标运动参数,其中包括多个关节指标参数;分析得到预测运动类型;遍历得到预测运动类型的目标预设运动参数;对比所述多个关节指标参数与所述目标预设运动参数,得到对比分析结果;获得助力补偿模型,并通过助力补偿模型对对比分析结果进行分析,生成助力补偿方案;根据助力补偿方案得到所述助力装置的关节助力补偿值。解决了现有技术中存在无法针对用户实际情况和应用场景针对性生成个性化的助力补偿方案,导致助力装置的助力补偿控制不精确的问题。达到了对助力装置的助力补偿值进行具体、量化的表征的技术效果。
Description
技术领域
本发明涉及计算机应用技术领域,尤其涉及一种表征关节助力补偿值的方法及系统。
背景技术
随着社会的快速发展和日渐自动化,利用科学技术对人体能力进行增强渐渐得到了人们的重视,一些能够取代或者增强人体能力的机器人系统被研发。示范性的如面向老年人、残疾人以及康复训练用的外骨骼机器人,面向各种特种任务如地震救援、消防抢险、野外行军以及航天航空等用的外骨骼机器人。现有技术中通过气弹簧对用户进行智能助力,存在助力补偿不具针对性、准确性,影响用户使用体验的技术问题。示范性的如各个老年人身体机能特征不同,对助力装置的助力补偿需求不同。因此,研究利用计算机技术对用户进行针对性的相关数据分析,进而确定用户助力补偿方案,对于提高助力装置可靠性、实用性,同时提高用户助力使用体验,最终促进助力装置和系统的发展等具有重要意义。
然而,现有技术中存在无法针对用户实际情况和应用场景针对性生成个性化的助力补偿方案,从而导致助力装置的助力补偿控制不精确,影响用户实际使用助力体验的技术问题。
发明内容
本发明的目的是提供一种表征关节助力补偿值的方法及系统,用以解决现有技术中存在无法针对用户实际情况和应用场景针对性生成个性化的助力补偿方案,从而导致助力装置的助力补偿控制不精确,影响用户实际使用助力体验的技术问题。
鉴于上述问题,本发明提供了一种表征关节助力补偿值的方法及系统。
第一方面,本发明提供了一种表征关节助力补偿值的方法,所述方法通过一种表征关节助力补偿值的系统实现,其中,所述方法包括:通过基于大数据构建预设运动数据库;通过所述监测装置对目标用户进行实时运动监测,得到目标运动参数,其中,所述目标运动参数包括多个关节指标参数;对所述多个关节指标参数进行分析,并根据分析结果预测所述目标用户的运动意图,得到预测运动类型;将所述预测运动类型在所述预设运动数据库中遍历,并根据遍历结果得到所述预测运动类型的目标预设运动参数;对比所述多个关节指标参数与所述目标预设运动参数,得到对比分析结果;获得助力补偿模型,并通过所述助力补偿模型对所述对比分析结果进行分析,生成助力补偿方案,其中,所述助力补偿方案是指对所述助力装置进行设置的方案;根据所述助力补偿方案,得到所述助力装置的关节助力补偿值。
第二方面,本发明还提供了一种表征关节助力补偿值的系统,用于执行如第一方面所述的一种表征关节助力补偿值的方法,其中,所述系统包括:构建模块,所述构建模块用于基于大数据构建预设运动数据库;监测模块,所述监测模块用于通过所述监测装置对目标用户进行实时运动监测,得到目标运动参数,其中,所述目标运动参数包括多个关节指标参数;预测模块,所述预测模块用于对所述多个关节指标参数进行分析,并根据分析结果预测所述目标用户的运动意图,得到预测运动类型;遍历模块,所述遍历模块用于将所述预测运动类型在所述预设运动数据库中遍历,并根据遍历结果得到所述预测运动类型的目标预设运动参数;对比模块,所述对比模块用于对比所述多个关节指标参数与所述目标预设运动参数,得到对比分析结果;生成模块,所述生成模块用于获得助力补偿模型,并通过所述助力补偿模型对所述对比分析结果进行分析,生成助力补偿方案,其中,所述助力补偿方案是指对所述助力装置进行设置的方案;获得模块,所述获得模块用于根据所述助力补偿方案,得到所述助力装置的关节助力补偿值。
本发明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:
通过基于大数据构建预设运动数据库;通过所述监测装置对目标用户进行实时运动监测,得到目标运动参数,其中,所述目标运动参数包括多个关节指标参数;对所述多个关节指标参数进行分析,并根据分析结果预测所述目标用户的运动意图,得到预测运动类型;将所述预测运动类型在所述预设运动数据库中遍历,并根据遍历结果得到所述预测运动类型的目标预设运动参数;对比所述多个关节指标参数与所述目标预设运动参数,得到对比分析结果;获得助力补偿模型,并通过所述助力补偿模型对所述对比分析结果进行分析,生成助力补偿方案,其中,所述助力补偿方案是指对所述助力装置进行设置的方案;根据所述助力补偿方案,得到所述助力装置的关节助力补偿值。通过基于大数据构建预设运动数据库,实现了为预测目标用户的运动意图和运动类型提供数据依据的技术目标,达到了提高目标用户运动意图预测准确性、有效性的技术效果。通过遍历分析确定目标预设运动参数,为后续分析确定助力装置的助力补偿方案提供了对比基准,从而达到了提高助力补偿方案的个性化程度的技术效果。通过助力补偿模型的智能化分析和计算,输出助力补偿方案,为助力装置的助力作业提供指导,进而根据助力补偿方案,得到了助力装置的关节补偿值,达到了对助力装置的助力补偿值进行具体、量化的表征的技术效果。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明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示例性的,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为本发明一种表征关节助力补偿值的方法的流程示意图;
图2为本发明一种表征关节助力补偿值的方法中构建预设运动数据库的流程示意图;
图3为本发明一种表征关节助力补偿值的方法中对目标预设运动参数进行调整的流程示意图;
图4为本发明一种表征关节助力补偿值的方法中获得助力补偿模型的流程示意图;
图5为本发明一种表征关节助力补偿值的系统的结构示意图。
附图标记说明:
构建模块M100,监测模块M200,预测模块M300,遍历模块M400,对比模块M500,生成模块M600,获得模块M700。
具体实施方式
本发明通过提供一种表征关节助力补偿值的方法及系统,解决了现有技术中存在无法针对用户实际情况和应用场景针对性生成个性化的助力补偿方案,从而导致助力装置的助力补偿控制不精确,影响用户实际使用助力体验的技术问题。达到了对助力装置的助力补偿值进行具体、量化的表征的技术效果。
本发明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。
下面,将参考附图对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,而不是本发明的全部实施例,应理解,本发明不受这里描述的示例实施例的限制。基于本发明的实施例,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。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部。
实施例一
请参阅附图1,本发明提供了一种表征关节助力补偿值的方法,其中,所述方法应用于一种表征关节助力补偿值的系统,所述系统与监测装置、助力装置通信连接,所述方法具体包括如下步骤:
步骤S100:基于大数据构建预设运动数据库;
进一步的,如附图2所示,本发明步骤S100还包括:
步骤S110:基于大数据组建运动类型集,其中,所述运动类型集包括多种运动类型;
步骤S120:提取所述多种运动类型中的目标运动类型,并对所述目标运动类型进行分析,得到目标运动参数;
进一步的,本发明还包括如下步骤:
步骤S121:组建运动关节集,其中,所述运动关节集包括多个关节;
步骤S122:基于所述目标运动类型对所述多个关节进行遍历,获得目标运动关节;
步骤S123:组建用户类别集,其中,所述用户类别集包括多个带有年龄、性别标识的用户类别;
步骤S124:根据所述多个带有年龄、性别标识的用户类别,得到目标用户类别;
步骤S125:基于大数据采集所述目标用户类别进行所述目标运动类型时,所述目标运动关节的目标指标数据;
步骤S126:对所述目标指标数据进行处理计算,得到所述目标运动参数。
步骤S130:根据所述目标运动类型与所述目标运动参数之间的映射关系,构建所述预设运动数据库。
具体而言,所述一种表征关节助力补偿值的方法应用于所述一种表征关节助力补偿值的系统,可以通过助力补偿模型的智能化分析和计算输出助力补偿方案,为助力装置的助力作业提供理论指导,同时根据助力补偿方案对助力装置的关节补偿值进行了具体、客观的量化表征。
首先通过大数据得到大量用户个体的运动数据,包括不同年龄、不同性别、不同身体状况的用户,在日常工作、生活中的各项运动的相关数据,进而组建得到所述运动类型集,其中,所述运动类型集包括多种运动类型。示范性的如快走、慢走、蹲起、上下楼梯等日常运动。然后,对所述运动类型集中的各个运动类型依次进行运动特征分析,从而得到各个运动类型情况下,用户运动涉及的身体关节,示范性的如肩关节、腕关节、肘关节、膝关节、踝关节等。也就是说,分析确定各个运动类型对应需要用到的关节情况,得到目标运动类型对应的目标运动关节,其中,所述目标运动关节包括多个关节。接着,对大数据采集到的用户个体的运动数据进行划分分析,从而得到不同用户类别的运动数据,其中包括不同年龄、不同性别的用户,示范性的如儿童、青少年、中年男性、中年女性、老年人等用户。进一步的,基于大数据采集所述目标用户类别进行所述目标运动类型时,所述目标运动关节的目标指标数据,对所述目标指标数据进行处理计算,得到所述目标运动参数。示范性的如中年男性在进行快速走路时的运动步距、步频,平均每次起步的抬腿高度等运动数据。
进一步的,基于大数据组建提取所述多种运动类型中的目标运动类型,并对所述目标运动类型进行分析,得到目标运动参数,并根据所述目标运动类型与所述目标运动参数之间的映射关系,构建所述预设运动数据库。通过基于大数据构建预设运动数据库,实现了为预测目标用户的运动意图和运动类型提供数据依据的技术目标,达到了提高目标用户运动意图预测准确性、有效性的技术效果。
步骤S200:通过所述监测装置对目标用户进行实时运动监测,得到目标运动参数,其中,所述目标运动参数包括多个关节指标参数;
步骤S300:对所述多个关节指标参数进行分析,并根据分析结果预测所述目标用户的运动意图,得到预测运动类型;
具体而言,所述一种表征关节助力补偿值的系统与监测装置、助力装置通信连接,其中,所述监测装置用于对目标用户的实时运动状态进行智能监测。也就是说,通过所述监测装置对目标用户进行实时运动监测,得到目标运动参数,其中,所述目标运动参数包括多个关节指标参数。示范性的如某用户的膝关节前屈、踝关节左旋参数。进一步的,对所述多个关节指标参数进行分析,并根据分析结果预测所述目标用户的运动意图,得到预测运动类型。其中,所述预测运动类型是指对所述目标用户的运动意图进行分析后确定的目标用户即将进行的运动类型。
步骤S400:将所述预测运动类型在所述预设运动数据库中遍历,并根据遍历结果得到所述预测运动类型的目标预设运动参数;
进一步的,如附图3所示,本发明步骤S400还包括:
步骤S410:获得所述目标用户的目标用户特征,其中,所述目标用户特征是指目标用户身体特征;
进一步的,本发明还包括如下步骤:
步骤S411:采集得到所述目标用户的年龄、性别、身高,并组成所述目标用户身体特征;
步骤S412:获得所述目标用户的身体机能信息;
步骤S413:根据所述身体机能信息对所述目标用户身体特征进行调整。
步骤S420:根据所述目标用户身体特征,对所述目标预设运动参数进行调整。
具体而言,在分析确定所述预测运动类型之后,系统自动将所述预测运动类型在所述预设运动数据库中遍历,并根据遍历结果得到所述预测运动类型的目标预设运动参数。其中,所述目标预设运动参数是指所述目标用户进行所述预测运动类型时的身体关节指标应该达到的变化程度参数。
进一步的,对所述目标用户的年龄、性别、身高等身体特征指标参数进行采集,并组成所述目标用户身体特征。此外,采集得到获得所述目标用户的身体机能信息,示范性的如从目标用户的治疗记录等数据确定目标用户的身体机能是否为正常状态,如某用户由于外力撞击导致腿部骨骼受伤,则该用户行走时的步频、步长、抬腿高度等指标参数不能达到正常状态,即不能达到预设运动参数。进而,根据所述目标用户身体特征和所述身体机能信息对所述目标用户身体特征进行调整。
通过采集目标用户的实际特征参数、实际身体指标数据并进行身体机能分析,进而针对性进行目标预设运动参数的调整,达到了提高目标预设运动参数的个性化和针对性的技术效果。
步骤S500:对比所述多个关节指标参数与所述目标预设运动参数,得到对比分析结果;
步骤S600:获得助力补偿模型,并通过所述助力补偿模型对所述对比分析结果进行分析,生成助力补偿方案,其中,所述助力补偿方案是指对所述助力装置进行设置的方案;
进一步的,如附图4所示,本发明步骤S600还包括:
步骤S610:构建第一训练数据集,其中,所述第一训练数据集包括多个关节指标参数差、多个助力补偿方案标识;
进一步的,本发明还包括如下步骤:
步骤S611:采集历史助力补偿数据,并提取所述历史助力补偿数据中的目标历史助力补偿数据;
步骤S612:其中,所述目标历史助力补偿数据包括历史关节指标参数差、历史助力补偿方案;
步骤S613:提取所述目标历史助力补偿数据中的历史助力评价数据,其中,所述历史助力评价数据是指历史用户对所述历史助力补偿方案的历史助力评价数据;
步骤S614:对所述历史助力评价数据进行归一化处理,得到历史助力评价值;
步骤S615:根据所述历史关节指标参数差、所述历史助力补偿方案、所述历史助力评价值,得到所述第一训练数据集。
步骤S620:根据所述第一训练数据集,构建第一预设决策树,其中,所述第一预设决策树的层数限定为随机整数a,10≤a≤15;
步骤S630:获得预设助力评价阈值;
步骤S640:基于所述预设助力评价阈值,对所述第一预设决策树的所述第一训练数据集进行筛选,得到第二训练数据集;
步骤S650:根据所述第二训练数据集,构建第二预设决策树,其中,所述第二预设决策树的层数限定为随机整数b,10≤b≤15;
步骤S660:继续迭代至得到第M训练数据集,其中,所述第M训练数据集的数据量为预设数据量阈值;
步骤S670:根据所述第M训练数据集,构建第M预设决策树;
步骤S680:将所述第一预设决策树、所述第二预设决策树直到所述第M-1预设决策树进行合并,获得所述助力补偿模型。
步骤S700:根据所述助力补偿方案,得到所述助力装置的关节助力补偿值。
具体而言,在监测得到所述目标用户的所述多个关节指标参数,同时遍历、调整得到所述目标预设运动参数之后,对所述多个关节指标参数与所述目标预设运动参数进行对比,从而得到所述对比分析结果。其中,所述对比分析结果中包括所述目标用户进行所述预测运动类型时,实际身体各部分应当达到的变化程度和目前已经达到的变化程度参数的对比结果。接下来构建助力补偿模型用于对所述对比分析结果进行分析。
首先基于大数据获得第一训练数据集,其中,所述第一训练数据集中包括多个关节指标参数差、多个助力补偿方案标识。然后利用所述第一训练数据集,构建所述第一预设决策树,其中,所述第一预设决策树的层数限定为随机整数a,且a的范围为10≤a≤15。最后基于预设助力评价阈值率,提取所述第一预设决策树中不满足所述预设助力评价阈值的结果数据,进而组成训练数据集。进一步的,基于Gradient Boosting原理,将所述训练数据集作为主要数据,同时结合所述第一训练数据集,组成所述第二训练数据集。其中,GradientBoosting指将多个偏差较大的弱模型生成一个偏差较小、预测较准的强模型,即通过最小化损失函数得到最优模型。然后利用所述第二训练数据集,构建第二预设决策树,其中,所述第二预设决策树的层数限定为随机整数b,且b的范围与第一预设决策树的层数限定值a相同,为10≤b≤15。通过设置决策树的最高层数,达到了保证决策结果准确性的同时,有效提高模型训练速度的效果。
同样的方法,提取所述第二预设决策树中不满足预设助力评价阈值的结果数据,进而组成训练数据集。同样基于Gradient Boosting原理,将训练数据集作为主要数据,同时结合所述第一训练数据集,组成所述第三训练数据集,再次构建预设决策树。以此类推,按照这样的方法,当第M训练数据集的数据量为预设数据量阈值时停止训练,获得第M-1预设决策树。其中,所述预设数据量阈值是指系统综合实际需求,预先设置的数据量范围。进一步的,所述第一预设决策树、第二预设决策树……第M-1预设决策树即为GradientBoosting中的多个弱模型。依次提取每个弱模型的误差数据,并将其设为重点训练数据重新进行模型的训练,使得下一个模型更多地关注那些决策结果不正确、不符合预设准确率的样本数据。此外,通过限制决策树的最高层数对其进行正则化,从而避免所述助力补偿模型过度拟合。最后,将所述第一预设决策树、所述第二预设决策树以及所述第M-1预设决策树加权组合,示范性的如主观赋权后加权计算,得到所述助力补偿模型。通过基于GradientBoosting思想,多次训练得到多个偏差较大的决策树弱模型,最终组合多个弱模型,得到偏差较小的助力补偿模型。达到了提高助力补偿模型准确率的技术效果。
进一步的,通过采集得到历史助力补偿数据,并提取所述历史助力补偿数据中的目标历史助力补偿数据。其中,所述目标历史助力补偿数据是指所述历史助力补偿数据中,任意一次使用助力装置进行助力补偿的使用记录数据,包括使用用户及其用户信息、用户历史运动类型、助力装置历史设置方案、用户使用该设置下的助力装置的实际使用体验等。其中,所述目标历史助力补偿数据包括历史关节指标参数差、历史助力补偿方案。接下来,提取所述目标历史助力补偿数据中的历史助力评价数据,其中,所述历史助力评价数据是指历史用户对所述历史助力补偿方案的历史助力评价数据,示范性的如用户个人使用主观体验评分,若用户为康复训练,则基于康复训练效果侧面评价得到助力评价数据等。最后,对所述历史助力评价数据进行归一化处理,得到历史助力评价值,最终将所述历史关节指标参数差、所述历史助力补偿方案、所述历史助力评价值进行合并,即得到所述第一训练数据集。通过助力补偿模型的智能化分析和计算,输出助力补偿方案,为助力装置的助力作业提供指导,进而根据助力补偿方案,得到了助力装置的关节补偿值,达到了对助力装置的助力补偿值进行具体、量化的表征的技术效果。
综上所述,本发明所提供的一种表征关节助力补偿值的方法具有如下技术效果:
通过基于大数据构建预设运动数据库;通过所述监测装置对目标用户进行实时运动监测,得到目标运动参数,其中,所述目标运动参数包括多个关节指标参数;对所述多个关节指标参数进行分析,并根据分析结果预测所述目标用户的运动意图,得到预测运动类型;将所述预测运动类型在所述预设运动数据库中遍历,并根据遍历结果得到所述预测运动类型的目标预设运动参数;对比所述多个关节指标参数与所述目标预设运动参数,得到对比分析结果;获得助力补偿模型,并通过所述助力补偿模型对所述对比分析结果进行分析,生成助力补偿方案,其中,所述助力补偿方案是指对所述助力装置进行设置的方案;根据所述助力补偿方案,得到所述助力装置的关节助力补偿值。通过基于大数据构建预设运动数据库,实现了为预测目标用户的运动意图和运动类型提供数据依据的技术目标,达到了提高目标用户运动意图预测准确性、有效性的技术效果。通过遍历分析确定目标预设运动参数,为后续分析确定助力装置的助力补偿方案提供了对比基准,从而达到了提高助力补偿方案的个性化程度的技术效果。通过助力补偿模型的智能化分析和计算,输出助力补偿方案,为助力装置的助力作业提供指导,进而根据助力补偿方案,得到了助力装置的关节补偿值,达到了对助力装置的助力补偿值进行具体、量化的表征的技术效果。
实施例二
基于与前述实施例中一种表征关节助力补偿值的方法,同样发明构思,本发明还提供了一种表征关节助力补偿值的系统,所述系统与监测装置、助力装置通信连接,请参阅附图5,所述系统包括:
构建模块M100,所述构建模块M100用于基于大数据构建预设运动数据库;
监测模块M200,所述监测模块M200用于通过所述监测装置对目标用户进行实时运动监测,得到目标运动参数,其中,所述目标运动参数包括多个关节指标参数;
预测模块M300,所述预测模块M300用于对所述多个关节指标参数进行分析,并根据分析结果预测所述目标用户的运动意图,得到预测运动类型;
遍历模块M400,所述遍历模块M400用于将所述预测运动类型在所述预设运动数据库中遍历,并根据遍历结果得到所述预测运动类型的目标预设运动参数;
对比模块M500,所述对比模块M500用于对比所述多个关节指标参数与所述目标预设运动参数,得到对比分析结果;
生成模块M600,所述生成模块M600用于获得助力补偿模型,并通过所述助力补偿模型对所述对比分析结果进行分析,生成助力补偿方案,其中,所述助力补偿方案是指对所述助力装置进行设置的方案;
获得模块M700,所述获得模块M700用于根据所述助力补偿方案,得到所述助力装置的关节助力补偿值。
进一步的,所述系统中的所述构建模块M100还用于:
基于大数据组建运动类型集,其中,所述运动类型集包括多种运动类型;
提取所述多种运动类型中的目标运动类型,并对所述目标运动类型进行分析,得到目标运动参数;
根据所述目标运动类型与所述目标运动参数之间的映射关系,构建所述预设运动数据库。
进一步的,所述系统中的所述构建模块M100还用于:
组建运动关节集,其中,所述运动关节集包括多个关节;
基于所述目标运动类型对所述多个关节进行遍历,获得目标运动关节;
组建用户类别集,其中,所述用户类别集包括多个带有年龄、性别标识的用户类别;
根据所述多个带有年龄、性别标识的用户类别,得到目标用户类别;
基于大数据采集所述目标用户类别进行所述目标运动类型时,所述目标运动关节的目标指标数据;
对所述目标指标数据进行处理计算,得到所述目标运动参数。
进一步的,所述系统中的所述遍历模块M400还用于:
获得所述目标用户的目标用户特征,其中,所述目标用户特征是指目标用户身体特征;
根据所述目标用户身体特征,对所述目标预设运动参数进行调整。
进一步的,所述系统中的所述遍历模块M400还用于:
采集得到所述目标用户的年龄、性别、身高,并组成所述目标用户身体特征;
获得所述目标用户的身体机能信息;
根据所述身体机能信息对所述目标用户身体特征进行调整。
进一步的,所述系统中的所述生成模块M600还用于:
构建第一训练数据集,其中,所述第一训练数据集包括多个关节指标参数差、多个助力补偿方案标识;
根据所述第一训练数据集,构建第一预设决策树,其中,所述第一预设决策树的层数限定为随机整数a,10≤a≤15;
获得预设助力评价阈值;
基于所述预设助力评价阈值,对所述第一预设决策树的所述第一训练数据集进行筛选,得到第二训练数据集;
根据所述第二训练数据集,构建第二预设决策树,其中,所述第二预设决策树的层数限定为随机整数b,10≤b≤15;
继续迭代至得到第M训练数据集,其中,所述第M训练数据集的数据量为预设数据量阈值;
根据所述第M训练数据集,构建第M预设决策树;
将所述第一预设决策树、所述第二预设决策树直到所述第M-1预设决策树进行合并,获得所述助力补偿模型。
进一步的,所述系统中的所述生成模块M600还用于:
采集历史助力补偿数据,并提取所述历史助力补偿数据中的目标历史助力补偿数据;
其中,所述目标历史助力补偿数据包括历史关节指标参数差、历史助力补偿方案;
提取所述目标历史助力补偿数据中的历史助力评价数据,其中,所述历史助力评价数据是指历史用户对所述历史助力补偿方案的历史助力评价数据;
对所述历史助力评价数据进行归一化处理,得到历史助力评价值;
根据所述历史关节指标参数差、所述历史助力补偿方案、所述历史助力评价值,得到所述第一训练数据集。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,前述图1实施例一中的一种表征关节助力补偿值的方法和具体实例同样适用于本实施例的一种表征关节助力补偿值的系统,通过前述对一种表征关节助力补偿值的方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种表征关节助力补偿值的系统,所以为了说明书的简洁,在此不再详述。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种表征关节助力补偿值的方法,其特征在于,所述方法应用于一种表征关节助力补偿值的系统,所述系统与监测装置、助力装置通信连接,所述方法包括:
基于大数据构建预设运动数据库;
通过所述监测装置对目标用户进行实时运动监测,得到目标运动参数,其中,所述目标运动参数包括多个关节指标参数;
对所述多个关节指标参数进行分析,并根据分析结果预测所述目标用户的运动意图,得到预测运动类型;
将所述预测运动类型在所述预设运动数据库中遍历,并根据遍历结果得到所述预测运动类型的目标预设运动参数;
对比所述多个关节指标参数与所述目标预设运动参数,得到对比分析结果;
获得助力补偿模型,并通过所述助力补偿模型对所述对比分析结果进行分析,生成助力补偿方案,其中,所述助力补偿方案是指对所述助力装置进行设置的方案;
根据所述助力补偿方案,得到所述助力装置的关节助力补偿值。
2.根据权利要求1所述的方法,其特征在于,所述基于大数据构建预设运动数据库,包括:
基于大数据组建运动类型集,其中,所述运动类型集包括多种运动类型;
提取所述多种运动类型中的目标运动类型,并对所述目标运动类型进行分析,得到目标运动参数;
根据所述目标运动类型与所述目标运动参数之间的映射关系,构建所述预设运动数据库。
3.根据权利要求2所述的方法,其特征在于,所述提取所述多种运动类型中的目标运动类型,并对所述目标运动类型进行分析,得到目标运动参数,包括:
组建运动关节集,其中,所述运动关节集包括多个关节;
基于所述目标运动类型对所述多个关节进行遍历,获得目标运动关节;
组建用户类别集,其中,所述用户类别集包括多个带有年龄、性别标识的用户类别;
根据所述多个带有年龄、性别标识的用户类别,得到目标用户类别;
基于大数据采集所述目标用户类别进行所述目标运动类型时,所述目标运动关节的目标指标数据;
对所述目标指标数据进行处理计算,得到所述目标运动参数。
4.根据权利要求1所述的方法,其特征在于,所述将所述预测运动类型在所述预设运动数据库中遍历,并根据遍历结果得到所述预测运动类型的目标预设运动参数之后,还包括:
获得所述目标用户的目标用户特征,其中,所述目标用户特征是指目标用户身体特征;
根据所述目标用户身体特征,对所述目标预设运动参数进行调整。
5.根据权利要求4所述的方法,其特征在于,所述获得所述目标用户的目标用户特征,其中,所述目标用户特征是指目标用户身体特征,包括:
采集得到所述目标用户的年龄、性别、身高,并组成所述目标用户身体特征;
获得所述目标用户的身体机能信息;
根据所述身体机能信息对所述目标用户身体特征进行调整。
6.根据权利要求1所述的方法,其特征在于,在所述获得助力补偿模型,并通过所述助力补偿模型对所述对比分析结果进行分析,生成助力补偿方案,其中,所述助力补偿方案是指对所述助力装置进行设置的方案之前,还包括:
构建第一训练数据集,其中,所述第一训练数据集包括多个关节指标参数差、多个助力补偿方案标识;
根据所述第一训练数据集,构建第一预设决策树,其中,所述第一预设决策树的层数限定为随机整数a,10≤a≤15;
获得预设助力评价阈值;
基于所述预设助力评价阈值,对所述第一预设决策树的所述第一训练数据集进行筛选,得到第二训练数据集;
根据所述第二训练数据集,构建第二预设决策树,其中,所述第二预设决策树的层数限定为随机整数b,10≤b≤15;
继续迭代至得到第M训练数据集,其中,所述第M训练数据集的数据量为预设数据量阈值;
根据所述第M训练数据集,构建第M预设决策树;
将所述第一预设决策树、所述第二预设决策树直到所述第M-1预设决策树进行合并,获得所述助力补偿模型。
7.根据权利要求6所述的方法,其特征在于,所述构建第一训练数据集,其中,所述第一训练数据集包括多个关节指标参数差、多个助力补偿方案标识,包括:
采集历史助力补偿数据,并提取所述历史助力补偿数据中的目标历史助力补偿数据;
其中,所述目标历史助力补偿数据包括历史关节指标参数差、历史助力补偿方案;
提取所述目标历史助力补偿数据中的历史助力评价数据,其中,所述历史助力评价数据是指历史用户对所述历史助力补偿方案的历史助力评价数据;
对所述历史助力评价数据进行归一化处理,得到历史助力评价值;
根据所述历史关节指标参数差、所述历史助力补偿方案、所述历史助力评价值,得到所述第一训练数据集。
8.一种表征关节助力补偿值的系统,其特征在于,包括:
构建模块,所述构建模块用于基于大数据构建预设运动数据库;
监测模块,所述监测模块用于通过监测装置对目标用户进行实时运动监测,得到目标运动参数,其中,所述目标运动参数包括多个关节指标参数;
预测模块,所述预测模块用于对所述多个关节指标参数进行分析,并根据分析结果预测所述目标用户的运动意图,得到预测运动类型;
遍历模块,所述遍历模块用于将所述预测运动类型在所述预设运动数据库中遍历,并根据遍历结果得到所述预测运动类型的目标预设运动参数;
对比模块,所述对比模块用于对比所述多个关节指标参数与所述目标预设运动参数,得到对比分析结果;
生成模块,所述生成模块用于获得助力补偿模型,并通过所述助力补偿模型对所述对比分析结果进行分析,生成助力补偿方案,其中,所述助力补偿方案是指对助力装置进行设置的方案;
获得模块,所述获得模块用于根据所述助力补偿方案,得到所述助力装置的关节助力补偿值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211268508.0A CN115544777B (zh) | 2022-10-17 | 2022-10-17 | 一种表征关节助力补偿值的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211268508.0A CN115544777B (zh) | 2022-10-17 | 2022-10-17 | 一种表征关节助力补偿值的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115544777A true CN115544777A (zh) | 2022-12-30 |
CN115544777B CN115544777B (zh) | 2023-05-16 |
Family
ID=84736278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211268508.0A Active CN115544777B (zh) | 2022-10-17 | 2022-10-17 | 一种表征关节助力补偿值的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115544777B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116153510A (zh) * | 2023-02-17 | 2023-05-23 | 河南翔宇医疗设备股份有限公司 | 矫正镜控制方法、装置、设备、存储介质及智能矫正镜 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110267344A1 (en) * | 2010-04-30 | 2011-11-03 | Liberovision Ag | Method for estimating a pose of an articulated object model |
CN104007822A (zh) * | 2014-05-30 | 2014-08-27 | 中山市永衡互联科技有限公司 | 基于大数据库的运动识别方法及其装置 |
US10065074B1 (en) * | 2014-12-12 | 2018-09-04 | Enflux, Inc. | Training systems with wearable sensors for providing users with feedback |
CN112223253A (zh) * | 2019-07-15 | 2021-01-15 | 上海中研久弋科技有限公司 | 外骨骼系统、外骨骼识别控制方法、电子装置及储存介质 |
CN114571470A (zh) * | 2022-05-05 | 2022-06-03 | 季华实验室 | 一种补偿结果优化方法、装置、电子设备和存储介质 |
-
2022
- 2022-10-17 CN CN202211268508.0A patent/CN115544777B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110267344A1 (en) * | 2010-04-30 | 2011-11-03 | Liberovision Ag | Method for estimating a pose of an articulated object model |
CN104007822A (zh) * | 2014-05-30 | 2014-08-27 | 中山市永衡互联科技有限公司 | 基于大数据库的运动识别方法及其装置 |
US10065074B1 (en) * | 2014-12-12 | 2018-09-04 | Enflux, Inc. | Training systems with wearable sensors for providing users with feedback |
CN112223253A (zh) * | 2019-07-15 | 2021-01-15 | 上海中研久弋科技有限公司 | 外骨骼系统、外骨骼识别控制方法、电子装置及储存介质 |
CN114571470A (zh) * | 2022-05-05 | 2022-06-03 | 季华实验室 | 一种补偿结果优化方法、装置、电子设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
柳群英: "基于运动的视频检索系统" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116153510A (zh) * | 2023-02-17 | 2023-05-23 | 河南翔宇医疗设备股份有限公司 | 矫正镜控制方法、装置、设备、存储介质及智能矫正镜 |
CN116153510B (zh) * | 2023-02-17 | 2024-04-16 | 河南翔宇医疗设备股份有限公司 | 矫正镜控制方法、装置、设备、存储介质及智能矫正镜 |
Also Published As
Publication number | Publication date |
---|---|
CN115544777B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110322947B (zh) | 一种基于深度学习的高血压老年人运动处方推荐方法 | |
KR102459677B1 (ko) | 알고리즘 학습 방법 및 장치 | |
Wang et al. | Integral real-time locomotion mode recognition based on GA-CNN for lower limb exoskeleton | |
Zhao et al. | Applying incremental Deep Neural Networks-based posture recognition model for ergonomics risk assessment in construction | |
KR20160031246A (ko) | 보행 환경 인식 방법 및 장치 | |
CN112754468A (zh) | 一种基于多源信号的人体下肢运动检测及识别方法 | |
Dasgupta et al. | Acceleration gait measures as proxies for motor skill of walking: A narrative review | |
CN110755085B (zh) | 基于关节活动度与运动协调性的运动功能评估方法及设备 | |
CN115544777B (zh) | 一种表征关节助力补偿值的方法及系统 | |
CN117472183A (zh) | 一种个性化动态康复人机交互方法及相关设备 | |
Ahamed et al. | Fuzzy inference system-based recognition of slow, medium and fast running conditions using a triaxial accelerometer | |
Ao et al. | EMG-driven musculoskeletal model calibration with estimation of unmeasured muscle excitations via synergy extrapolation | |
CN112494034B (zh) | 基于3d体态检测分析的数据处理分析系统及方法 | |
CN111481193B (zh) | 一种跌倒风险评估与预警方法及系统 | |
CN115147768B (zh) | 一种跌倒风险评估方法及系统 | |
CN116584961A (zh) | 人体下肢运动意图识别及外骨骼机器人角度预测控制方法 | |
CN113680026B (zh) | 一种仰卧板的智能辅助调控方法及装置 | |
Wei et al. | ActiveSelfHAR: Incorporating self-training into active learning to improve cross-subject human activity recognition | |
CN114642424A (zh) | 一种基于体感交互技术的体能评估方法和装置 | |
D’Arco et al. | U2FSM: Unsupervised Square Finite State Machine for Gait Events Estimation from Instrumented Insoles | |
Weng et al. | A gait stability evaluation method based on wearable acceleration sensors | |
Abdelhady et al. | Attention-Based Deep Recurrent Neural Network to Estimate Knee Angle During Walking from Lower-Limb EMG | |
CN113459158B (zh) | 外骨骼助力效能测评方法、装置及计算机可读存储介质 | |
CN115337003B (zh) | 一种用于脑卒中患者的多维度下肢康复评定装置及评定方法 | |
CN118448006A (zh) | 一种用于骨科的患者康复方案推荐方法及系统 |
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 |