CN115579130B - 一种患者肢体功能的评估方法、装置、设备及介质 - Google Patents

Abstract

本发明涉及肢体功能评估技术领域，特别涉及一种患者肢体功能的评估方法、装置、设备及介质，该方法包括：获取目标患者待评估的第一肢体功能数据，第一肢体功能数据包括肌力数据、肌张力数据和关节活动度数据；将第一肢体功能数据输入训练好的第一机器学习模型，得到待处理特征；将第一肢体功能数据和待处理特征进行拼接处理，得到第二肢体功能数据；将第二肢体功能数据输入训练好的第二机器学习模型，得到目标患者肢体功能的康复状态，第二机器学习模型是基于已知肢体功能数据和与已知肢体功能数据对应的康复状态得到的。本技术方案能够解决相关技术存在主观性强的问题。

Description

一种患者肢体功能的评估方法、装置、设备及介质

技术领域

本发明涉及肢体功能评估技术领域，特别涉及一种患者肢体功能的评估方法、装置、设备及介质。

背景技术

颈椎病、腰椎间盘突出症等相关骨科运动系统疾病及脑卒中等相关神经系统疾病均会造成不同程度的肢体功能障碍，合理有效的肢体功能状态评估对于临床中精准掌握患者的肢体功能障碍改善情况、科学设计相关治疗及康复锻炼方案至关重要。

相关技术中，主要基于量表、查体、影像学检查等方式对患者进行肢体功能障碍评估（即康复状态评估）。临床常见的查体数据有肌力、肌张力及关节活动度，它们反映了患者的主动运动时肌肉的激活程度以及痉挛程度，可从不同角度反映出患者的肢体功能障碍程度。然而，上述方式的评估结果比较依赖医生的经验，存在较强的主观性，不够智能化、精准化和科学化。

因此，目前亟待需要提供一种患者肢体功能的评估方法、装置、设备及介质来解决上述技术问题。

发明内容

为了解决相关技术存在主观性强的问题，本发明实施例提供了一种患者肢体功能的评估方法、装置、设备及介质。

第一方面，本发明实施例提供了一种患者肢体功能的评估方法，包括：

获取目标患者待评估的第一肢体功能数据；其中，所述第一肢体功能数据包括肌力数据、肌张力数据和关节活动度数据；

将所述第一肢体功能数据输入训练好的第一机器学习模型，得到待处理特征；其中，所述第一机器学习模型是通过如下方式得到的：将两个已知肢体功能数据和两个所述已知肢体功能数据对应的康复状态作为样本分别输入两个相同的待训练的机器学习模型，得的两个待比较特征；将两个所述待比较特征输入预设的对比损失函数，以对所述待训练的机器学习模型的参数进行更新；将完成参数更新的所述待训练的机器学习模型确定为第一机器学习模型；

将所述第一肢体功能数据和所述待处理特征进行拼接处理，得到第二肢体功能数据；

将所述第二肢体功能数据输入训练好的第二机器学习模型，得到所述目标患者肢体功能的康复状态；其中，所述第二机器学习模型是基于已知肢体功能数据和与所述已知肢体功能数据对应的康复状态得到的。

在一种可能的设计中，所述肌力数据和所述肌张力数据均是基于肢体在等长收缩状态下的肌电信号得到的，所述关节活动度数据是通过惯性传感器测得的。

在一种可能的设计中，所述将两个所述待比较特征输入预设的对比损失函数，包括：

将两个所述待比较特征输入预设的全连接神经网络，得到待预测特征；

将所述待预测特征输入预设的均方误差损失函数，得到预测值；

在所述预测值大于预设阈值时，将两个所述待比较特征输入预设的对比损失函数。

在一种可能的设计中，所述对比损失函数为：

，

式中，N为样本个数，n表示具体样本编号，n取值范围是1~N，y为两个样本是否匹配的标签，y=1表示两个样本匹配，y=0表示两个样本不匹配，d为两个样本的欧氏距离，margin为预设的欧氏距离阈值。

第二方面，本发明实施例还提供了一种患者肢体功能的评估装置，包括：

获取模块，用于获取目标患者待评估的第一肢体功能数据；其中，所述第一肢体功能数据包括肌力数据、肌张力数据和关节活动度数据；

第一输入模块，用于将所述第一肢体功能数据输入训练好的第一机器学习模型，得到待处理特征；其中，所述第一机器学习模型是通过如下方式得到的：将两个已知肢体功能数据和两个所述已知肢体功能数据对应的康复状态作为样本分别输入两个相同的待训练的机器学习模型，得的两个待比较特征；将两个所述待比较特征输入预设的对比损失函数，以对所述待训练的机器学习模型的参数进行更新；将完成参数更新的所述待训练的机器学习模型确定为第一机器学习模型；

拼接模块，用于将所述第一肢体功能数据和所述待处理特征进行拼接处理，得到第二肢体功能数据；

第二输入模块，用于将所述第二肢体功能数据输入训练好的第二机器学习模型，得到所述目标患者肢体功能的康复状态；其中，所述第二机器学习模型是基于已知肢体功能数据和与所述已知肢体功能数据对应的康复状态得到的。

在一种可能的设计中，所述肌力数据和所述肌张力数据均是基于肢体在等长收缩状态下的肌电信号得到的，所述关节活动度数据是通过惯性传感器测得的。

在一种可能的设计中，所述将两个所述待比较特征输入预设的对比损失函数，包括：

将两个所述待比较特征输入预设的全连接神经网络，得到待预测特征；

将所述待预测特征输入预设的均方误差损失函数，得到预测值；

在所述预测值大于预设阈值时，将两个所述待比较特征输入预设的对比损失函数。

在一种可能的设计中，所述对比损失函数为：

，

式中，N为样本个数，n表示具体样本编号，n取值范围是1~N，y为两个样本是否匹配的标签，y=1表示两个样本匹配，y=0表示两个样本不匹配，d为两个样本的欧氏距离，margin为预设的欧氏距离阈值。

第三方面，本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本发明任一实施例所述的方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行本发明任一实施例所述的方法。

本发明实施例提供了一种患者肢体功能的评估方法、装置、设备及介质，首先将目标患者待评估的第一肢体功能数据输入训练好的第一机器学习模型，得到待处理特征，这样考虑了第一肢体功能数据所蕴含的具有其差异化特点的待处理特征；然后将第一肢体功能数据和待处理特征进行拼接处理，得到第二肢体功能数据，这样使得第二肢体功能数据包括了其原始的第一肢体功能数据和具有其差异化特点的待处理特征；最后将第二肢体功能数据输入训练好的第二机器学习模型，得到目标患者肢体功能的康复状态，这样对第二肢体功能数据进行评估的准确率相比对原有的第一肢体功能数据进行评估的准确率就会得到提高，同时还解决了相关技术存在主观性强的问题。

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，下面描述中的附图是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。

图1是本发明一实施例提供的一种患者肢体功能的评估方法流程图；

图2是本发明一实施例提供的一种电子设备的硬件架构图；

图3是本发明一实施例提供的一种患者肢体功能的评估装置结构图；

图4是本说明书一实施例提供的第一机器学习模型训练过程的框架图；

图5是本说明书一实施例提供的康复状态评估过程的框架图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的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。

请参考图1，本发明实施例提供了一种患者肢体功能的评估方法，该方法包括：

步骤100：获取目标患者待评估的第一肢体功能数据；其中，第一肢体功能数据包括肌力数据、肌张力数据和关节活动度数据；

步骤102：将第一肢体功能数据输入训练好的第一机器学习模型，得到待处理特征；其中，第一机器学习模型是通过如下方式得到的：将两个已知肢体功能数据和两个已知肢体功能数据对应的康复状态作为样本分别输入两个相同的待训练的机器学习模型，得的两个待比较特征；将两个待比较特征输入预设的对比损失函数，以对待训练的机器学习模型的参数进行更新；将完成参数更新的待训练的机器学习模型确定为第一机器学习模型；

步骤104：将第一肢体功能数据和待处理特征进行拼接处理，得到第二肢体功能数据；

步骤106：将第二肢体功能数据输入训练好的第二机器学习模型，得到目标患者肢体功能的康复状态；其中，第二机器学习模型是基于已知肢体功能数据和与已知肢体功能数据对应的康复状态得到的。

本发明实施例中，首先将目标患者待评估的第一肢体功能数据输入训练好的第一机器学习模型，得到待处理特征，这样考虑了第一肢体功能数据所蕴含的具有其差异化特点的待处理特征；然后将第一肢体功能数据和待处理特征进行拼接处理，得到第二肢体功能数据，这样使得第二肢体功能数据包括了其原始的第一肢体功能数据和具有其差异化特点的待处理特征；最后将第二肢体功能数据输入训练好的第二机器学习模型，得到目标患者肢体功能的康复状态，这样对第二肢体功能数据进行评估的准确率相比对原有的第一肢体功能数据进行评估的准确率就会得到提高，同时还解决了相关技术存在主观性强的问题。

下面描述图1所示的各个步骤的执行方式。

针对步骤100：

在本发明一个实施例中，肌力数据和肌张力数据均是基于肢体在等长收缩状态下的肌电信号得到的，关节活动度数据是通过惯性传感器测得的。

在一些实施方式中，肌电信号包括时域特征和频域特征，时域特征包括平均绝对值、波形长度、方差、方均根、威尔逊振幅和调整平均值，频域特征包括平均频率、频率方差、频率熵、能量密度、频率偏度和频率峰度，这些特征已由本领域技术人员所熟知，在此对其不进行赘述。

肌电积分值（iEMG）是指所得肌电信号（EMG）经整流滤波后单位时间内曲线下面积的总和，它可反映EMG信号随时间进行的强弱变化。均方根值（RMS）和iEMG一样也可在时间维度上反映表面肌电信号（SEMG）信号振幅的变化特征，它直接与EMG信号的电功率相关，具有更加直接的物理意义。肌电积分值与肌力和肌张力之间的关系是：肌肉随静力收缩时用表面电极测定的肌电积分值与肌肉强力之间呈正相关；肌电积分值与肌张力呈正相关。通过对肌电积分值进行分段，对应不同的肌肉和肌张力的能力值。

具体地，如何基于肢体在等长收缩状态下的肌电信号得到肌力数据和肌张力数据可参见公开号为CN112353407A的专利，在此对其不进行赘述。

惯性传感器可以是MPU6050传感器，MPU6050传感器集成了3轴MEMS陀螺仪、3轴MEMS加速度计以及一个可扩展的数字运动处理器DMP（Digital Motion Processor）。通过使用MPU6050芯片可以得到待测物体（如四轴飞行器、平衡小车等）x、y、z轴的倾角（俯仰角Pitch、翻滚角Roll、偏航角Yaw）。通过I2C读取到MPU6050的六个数据（三轴加速度AD值、三轴角速度AD值）经过姿态融合后就可以得到Pitch、Roll、Yaw角。DMP是MPU6050芯片中的数据处理模块，（内置卡尔曼滤波算法）获取陀螺仪和加速度传感器数据，并处理输出四元数，可以减轻外围微处理器的工作负担且避免了繁琐的滤波和数据融合。因此，可以利用惯性传感器测量得到关节活动度数据。当然，也可以利用如公开号为CN112353407A的专利声称的方式去测量得到，在此对其不进行赘述。

可以知道的是，在本发明实施例中，肢体功能数据主要从肌力数据、肌张力数据和关节活动度数据三个维度去体现（这是因为肌肉的变化均与肌力数据、肌张力数据和关节活动度数据相关，因此患者的肢体功能需要至少由上述三个维度的数据去体现），通过将对目标患者测量得到的各数据组成一维向量的方式，即可作为机器学习模型的输入。

可以理解的是，肢体包括但不限于手部、上肢和下肢，在此不进行限定。

针对步骤102：

相关技术中，首先利用已知肢体功能数据（即带有标签的肢体功能数据，标签为该肢体功能数据对应的康复状态）来训练得到康复状态评估模型（即下文的第二机器学习模型），然后利用该康复评估模型对未知肢体功能数据（即第一肢体功能数据）进行评估，从而得到未知肢体功能数据的康复状态。然而，由于肢体功能数据具有较高的随机性、非平衡性和非线性，因此在利用康复评估模型对肢体功能数据进行评估时，难以保证较高的评估准确率。

为了解决该技术问题，发明人在研发过程中考虑到：可以增加未知肢体功能数据的数据特点（即差异化特点），即使得该未知肢体功能数据具有更多的能够代表其差异化特点的信息，这样就可以提高未知肢体功能数据的评估准确率。进一步地，发明人考虑到可以借助两个相同的待训练的机器学习模型分别对两个已知肢体功能数据进行训练，以得到完成参数更新后的第一机器学习模型，该完成参数更新后的第一机器学习模型可以提取到更多的能够代表未知肢体功能数据差异化特点的信息，然后将提取到的具有差异化特点的信息（即下文的待处理特征）与原始的第一肢体功能数据进行拼接处理，从而完成了对未知肢体功能数据的信息扩充。

在一些实施方式中，第一机器学习模型可以是神经网络，也可以是决策树，在此不进行限定。

如图4和图5所示，以神经网络为例即，在训练两个已知肢体功能数据（其对应的康复状态可以相同也可以不同）时，这样可以对两个待训练的神经网络的参数（包括权重w和偏置b）进行不断更新，直至训练完成后得到完成参数更新的神经网络。接着，利用该神经网络去执行扩充未知肢体功能数据的差异化特点信息的操作，即将第一肢体功能数据输入该神经网络来得到待处理特征，并将提取到的具有差异化特点的信息（即待处理特征）与原始的第一肢体功能数据进行拼接处理，从而完成了对未知肢体功能数据的信息扩充。最后，将经拼接处理得到的第二肢体功能数据输入训练好的第二机器学习模型，得到第二肢体功能数据对应的康复状态，这样就可以提高未知肢体功能数据的评估准确率。

在一些实施方式中，上述神经网络可以是AE、CNN、GRU、LSTM中的一个，在此不进行限定。

需要说明的是，将两个网络结构相同的机器学习模型与对比损失函数联用，可以使得两个标签相同的输入的距离（即损失值）尽可能的小，两个标签不同的输入的距离尽可能的大，以此来进行待训练的机器学习模型的参数更新。

在本发明一个实施例中，将两个待比较特征输入预设的对比损失函数，包括：

将两个待比较特征输入预设的全连接神经网络，得到待预测特征；

将待预测特征输入预设的均方误差损失函数，得到预测值；

在预测值大于预设阈值时，将两个待比较特征输入预设的对比损失函数。

在本实施例中，在将两个待比较特征输入预设的对比损失函数之前，可以先借助全连接神经网络和均方误差损失函数来计算两个待比较特征的预测值，如果该预测值大于预设阈值（例如可以是85%）时，则代表该两个待训练的机器学习模型的模型复杂度可以用于进行后续计算损失值，从而可以保证获得较为准确的康复状态。

在本发明一个实施例中，对比损失函数为：

，

式中，N为样本个数，n表示具体样本编号，n取值范围是1~N，y为两个样本是否匹配的标签，y=1表示两个样本匹配，y=0表示两个样本不匹配，d为两个样本的欧氏距离，margin为预设的欧氏距离阈值。

当然，对比损失函数还可以采用余弦相似性函数、互信息函数和相关性度量函数等函数实现度量，在此不进行限定。

需要说明的是，通过利用第一机器学习模型得到的待处理特征，不仅可以提高了后续的评估准确率，还可以使得第二机器学习模型具备一定的可解释性，即采用的是哪种对比损失函数，就可以利用该对比损失函数的类型（例如欧氏距离、概率密度分布等）来解释康复状态的评估结果，进而实现第二机器学习模型的过程可解释。

针对步骤104：

举例来说，第一肢体功能数据的数据维度为2000，待处理特征的数据维度为940，则第二肢体功能数据的数据维度为2940，如此实现了对第一肢体功能数据的信息扩充。

针对步骤106：

在一些实施方式中，第二机器学习模型包括但不限于朴素贝叶斯、决策树、逻辑回归、支持向量机、神经网络（例如任意形式的卷积神经网络和循环神经网络）等，在此不进行限定。

如图2、图3所示，本发明实施例提供了一种患者肢体功能的评估装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图2所示，为本发明实施例提供的一种患者肢体功能的评估装置所在电子设备的一种硬件架构图，除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，如图3所示，作为一个逻辑意义上的装置，是通过其所在电子设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。

如图3所示，本实施例提供的一种患者肢体功能的评估装置，包括：

获取模块300，用于获取目标患者待评估的第一肢体功能数据；其中，所述第一肢体功能数据包括肌力数据、肌张力数据和关节活动度数据；

第一输入模块302，用于将所述第一肢体功能数据输入训练好的第一机器学习模型，得到待处理特征；其中，所述第一机器学习模型是通过如下方式得到的：将两个已知肢体功能数据和两个所述已知肢体功能数据对应的康复状态作为样本分别输入两个相同的待训练的机器学习模型，得的两个待比较特征；将两个所述待比较特征输入预设的对比损失函数，以对所述待训练的机器学习模型的参数进行更新；将完成参数更新的所述待训练的机器学习模型确定为第一机器学习模型；

拼接模块304，用于将所述第一肢体功能数据和所述待处理特征进行拼接处理，得到第二肢体功能数据；

第二输入模块306，用于将所述第二肢体功能数据输入训练好的第二机器学习模型，得到所述目标患者肢体功能的康复状态；其中，所述第二机器学习模型是基于已知肢体功能数据和与所述已知肢体功能数据对应的康复状态得到的。

在本发明实施例中，获取模块300可用于执行上述方法实施例中的步骤100，第一输入模块302可用于执行上述方法实施例中的步骤102，拼接模块304可用于执行上述方法实施例中的步骤104，第二输入模块306可用于执行上述方法实施例中的步骤106。

在本发明的一个实施例中，所述肌力数据和所述肌张力数据均是基于肢体在等长收缩状态下的肌电信号得到的，所述关节活动度数据是通过惯性传感器测得的。

在本发明的一个实施例中，所述将两个所述待比较特征输入预设的对比损失函数，包括：

将两个所述待比较特征输入预设的全连接神经网络，得到待预测特征；

将所述待预测特征输入预设的均方误差损失函数，得到预测值；

在所述预测值大于预设阈值时，将两个所述待比较特征输入预设的对比损失函数。

在本发明的一个实施例中，所述对比损失函数为：

，

式中，N为样本个数，n表示具体样本编号，n取值范围是1~N，y为两个样本是否匹配的标签，y=1表示两个样本匹配，y=0表示两个样本不匹配，d为两个样本的欧氏距离，margin为预设的欧氏距离阈值。

可以理解的是，本发明实施例示意的结构并不构成对一种患者肢体功能的评估装置的具体限定。在本发明的另一些实施例中，一种患者肢体功能的评估装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。

上述装置内的各模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。

本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本发明任一实施例中的一种患者肢体功能的评估方法。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在被处理器执行时，使所述处理器执行本发明任一实施例中的一种患者肢体功能的评估方法。

具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机（或CPU或MPU）读出并执行存储在存储介质中的程序代码。

在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。

用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘（如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW）、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。

此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。

此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。

需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种患者肢体功能的评估方法，其特征在于，包括：

获取目标患者待评估的第一肢体功能数据；其中，所述第一肢体功能数据包括肌力数据、肌张力数据和关节活动度数据；

将所述第一肢体功能数据输入训练好的第一机器学习模型，得到待处理特征；其中，所述待处理特征为具有所述第一肢体功能数据差异化特点的信息，所述第一机器学习模型是通过如下方式得到的：将两个已知肢体功能数据和两个所述已知肢体功能数据对应的康复状态作为样本分别输入两个相同的待训练的机器学习模型，得的两个待比较特征；将两个所述待比较特征输入预设的对比损失函数，以对所述待训练的机器学习模型的参数进行更新；将完成参数更新的所述待训练的机器学习模型确定为第一机器学习模型；

将所述第一肢体功能数据和所述待处理特征进行拼接处理，得到第二肢体功能数据，由此完成对所述第一肢体功能数据的信息扩充；

将所述第二肢体功能数据输入训练好的第二机器学习模型，得到所述目标患者肢体功能的康复状态；其中，所述第二机器学习模型是基于已知肢体功能数据和与所述已知肢体功能数据对应的康复状态得到的；

其中，所述将两个所述待比较特征输入预设的对比损失函数，包括：

将两个所述待比较特征输入预设的全连接神经网络，得到待预测特征；

将所述待预测特征输入预设的均方误差损失函数，得到预测值；

在所述预测值大于预设阈值时，将两个所述待比较特征输入预设的对比损失函数。

2.根据权利要求1所述的方法，其特征在于，所述肌力数据和所述肌张力数据均是基于肢体在等长收缩状态下的肌电信号得到的，所述关节活动度数据是通过惯性传感器测得的。

3.根据权利要求1-2中任一项所述的方法，其特征在于，所述对比损失函数为：

，

式中，N为样本个数，n表示具体样本编号，n取值范围是1~N，y为两个样本是否匹配的标签，y=1表示两个样本匹配，y=0表示两个样本不匹配，d为两个样本的欧氏距离，margin为预设的欧氏距离阈值。

4.一种患者肢体功能的评估装置，其特征在于，包括：

获取模块，用于获取目标患者待评估的第一肢体功能数据；其中，所述第一肢体功能数据包括肌力数据、肌张力数据和关节活动度数据；

第一输入模块，用于将所述第一肢体功能数据输入训练好的第一机器学习模型，得到待处理特征；其中，所述待处理特征为具有所述第一肢体功能数据差异化特点的信息，所述第一机器学习模型是通过如下方式得到的：将两个已知肢体功能数据和两个所述已知肢体功能数据对应的康复状态作为样本分别输入两个相同的待训练的机器学习模型，得的两个待比较特征；将两个所述待比较特征输入预设的对比损失函数，以对所述待训练的机器学习模型的参数进行更新；将完成参数更新的所述待训练的机器学习模型确定为第一机器学习模型；

拼接模块，用于将所述第一肢体功能数据和所述待处理特征进行拼接处理，得到第二肢体功能数据，由此完成对所述第一肢体功能数据的信息扩充；

第二输入模块，用于将所述第二肢体功能数据输入训练好的第二机器学习模型，得到所述目标患者肢体功能的康复状态；其中，所述第二机器学习模型是基于已知肢体功能数据和与所述已知肢体功能数据对应的康复状态得到的；

其中，所述将两个所述待比较特征输入预设的对比损失函数，包括：

将两个所述待比较特征输入预设的全连接神经网络，得到待预测特征；

将所述待预测特征输入预设的均方误差损失函数，得到预测值；

在所述预测值大于预设阈值时，将两个所述待比较特征输入预设的对比损失函数。

5.根据权利要求4所述的装置，其特征在于，所述肌力数据和所述肌张力数据均是基于肢体在等长收缩状态下的肌电信号得到的，所述关节活动度数据是通过惯性传感器测得的。

6.根据权利要求4-5中任一项所述的装置，其特征在于，所述对比损失函数为：

，

式中，N为样本个数，n表示具体样本编号，n取值范围是1~N，y为两个样本是否匹配的标签，y=1表示两个样本匹配，y=0表示两个样本不匹配，d为两个样本的欧氏距离，margin为预设的欧氏距离阈值。

7.一种电子设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-3中任一项所述的方法。

8.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-3中任一项所述的方法。

Images