CN115841863A - 康复训练计划生成和康复训练系统 - Google Patents
康复训练计划生成和康复训练系统 Download PDFInfo
- Publication number
- CN115841863A CN115841863A CN202211509567.2A CN202211509567A CN115841863A CN 115841863 A CN115841863 A CN 115841863A CN 202211509567 A CN202211509567 A CN 202211509567A CN 115841863 A CN115841863 A CN 115841863A
- Authority
- CN
- China
- Prior art keywords
- plan
- motion
- rehabilitation
- rehabilitation training
- motion data
- 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
Images
Abstract
本申请涉及一种康复训练计划生成和康复训练系统。所述系统包括:运动评估模块,用于对目标部位的运动数据进行识别,得到所述目标部位的运动评估结果,将所述运动评估结果输入至计划调整模块;计划监测模块,用于将所述目标部位的活动度与原始的康复训练计划进行比较,得到所述目标部位对于所述原始的康复训练计划的计划执行情况,将所述计划执行情况和所述原始的康复训练计划输入至计划调整模块;计划调整模块,用于根据接收到的所述运动评估结果、所述计划执行情况和所述原始的康复训练计划,确定所述目标部位的康复情况,根据所述康复情况对所述原始的康复训练计划进行调整,得到调整后的康复训练计划。采用本方法能够得到较为合理的训练计划。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种康复训练计划生成和康复训练系统。
背景技术
目前,部分骨科患者需要在术后进行关节康复训练,康复训练即根据医生制定的训练计划,做出指定的动作,其间,医生需要根据患者的康复情况,定期对训练计划进行调整。
训练计划的调整可以是患者定期到达医院现场,由医生根据临床经验进行调整,由于此种方式不利于行动不便的患者,因此还可以由医生定期进行电话随访,根据患者自述调整康复训练计划,但是当患者表达不清晰时,医生无法准确确定患者情况,容易导致训练计划制定的不合理,随着远程医疗技术的发展,医生可以通过音频或者视频与患者实时交互,进而调整训练计划,然而,由于医生无法主动掌握影像视野,且不能直接获取客观的测量数据,也容易影响训练计划制定的合理性。
因此,目前的康复训练存在训练计划制定不合理的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够得到合理的训练计划的康复训练计划生成和康复训练系统。
第一方面,本申请提供了一种康复训练计划生成系统,所述系统包括运动评估模块、计划监测模块和计划调整模块;所述运动评估模块和所述计划监测模块均与所述计划调整模块相连接;
所述运动评估模块,用于对目标部位的运动数据进行识别,得到所述目标部位的运动评估结果,将所述运动评估结果输入至所述计划调整模块;
所述计划监测模块,用于将所述目标部位的活动度与原始的康复训练计划进行比较,得到所述目标部位对于所述原始的康复训练计划的计划执行情况,将所述计划执行情况和所述原始的康复训练计划输入至所述计划调整模块;
所述计划调整模块,用于根据接收到的所述运动评估结果、所述计划执行情况和所述原始的康复训练计划,确定所述目标部位的康复情况,根据所述康复情况对所述原始的康复训练计划进行调整,得到调整后的康复训练计划。
在其中一个实施例中,所述目标部位包括上肢部位,所述运动数据包括运动传感器采集到的肩部运动数据、肘部运动数据、腕部运动数据和手部运动数据中的至少一种。
在其中一个实施例中,所述目标部位包括下肢部位,所述运动数据包括运动传感器采集到的髋部运动数据、膝部运动数据、踝部运动数据和足部运动数据中的至少一种。
在其中一个实施例中,所述运动评估模块,还用于将所述目标部位的运动数据输入至预先训练的运动评估模型,得到所述目标部位的运动评估结果;所述运动数据包括加速度计数据、陀螺仪数据和磁力计数据;所述预先训练的运动评估模型通过对运动数据样本,以及所述运动数据样本对应的步态标签和运动情况标签进行训练得到。
在其中一个实施例中,所述计划监测模块,还用于将所述目标部位的运动数据输入至预先训练的活动度计算模型,得到所述目标部位的活动度;所述预先训练的活动度计算模型通过对所述运动数据样本,以及所述运动数据样本对应的活动度标签进行训练得到。
在其中一个实施例中,所述计划监测模块,还用于确定所述活动度与所述原始的康复训练计划之间的差值,根据所述差值,确定所述目标部位对于所述原始的康复训练计划的计划执行情况。
在其中一个实施例中,所述计划调整模块,还用于将所述运动评估结果、所述计划执行情况和所述原始的康复训练计划均输入至预先训练的康复情况预测模型,得到所述目标部位的康复情况。
在其中一个实施例中,所述系统还包括模型训练模块;所述模型训练模块,用于对运动数据样本进行增强处理,得到增强后的运动数据样本,根据所述增强后的运动数据样本,对待训练的识别模型进行训练,得到预先训练的识别模型;所述识别模型包括所述运动评估模型、所述活动度计算模型和所述康复情况预测模型。
在其中一个实施例中,所述增强处理包括幅值偏移、幅值扭曲、幅值组合增强、时间扭曲和扭曲组合增强中的至少一种。
第二方面,本申请还提供了一种康复训练系统,所述系统包括运动传感器和康复训练计划生成系统;
所述运动传感器,用于采集目标部位的运动数据,并发送所述运动数据至所述康复训练计划生成系统;
所述康复训练计划生成系统包括运动评估模块、计划监测模块和计划调整模块;所述运动评估模块和所述计划监测模块均与所述计划调整模块相连接;
所述运动评估模块,用于对目标部位的运动数据进行识别,得到所述目标部位的运动评估结果,将所述运动评估结果输入至所述计划调整模块;
所述计划监测模块,用于将所述目标部位的活动度与原始的康复训练计划进行比较,得到所述目标部位对于所述原始的康复训练计划的计划执行情况,将所述计划执行情况和所述原始的康复训练计划输入至所述计划调整模块;
所述计划调整模块,用于根据接收到的所述运动评估结果、所述计划执行情况和所述原始的康复训练计划,确定所述目标部位的康复情况,根据所述康复情况对所述原始的康复训练计划进行调整,得到调整后的康复训练计划。
上述康复训练计划生成和康复训练系统,通过运动评估模块对目标部位的运动数据进行识别,得到目标部位的运动评估结果,将运动评估结果输入至计划调整模块,计划监测模块将目标部位的活动度与原始的康复训练计划进行比较,得到目标部位对于原始的康复训练计划的计划执行情况,将计划执行情况和原始的康复训练计划输入至计划调整模块,计划调整模块根据接收到的运动评估结果、计划执行情况和原始的康复训练计划,确定目标部位的康复情况,根据康复情况对原始的康复训练计划进行调整,得到调整后的康复训练计划;可以通过运动评估模块实时地对目标部位的关节活动情况进行评估,得到运动评估结果,通过计划监测模块实时地监测目标部位对于康复训练计划的完成程度,得到计划执行情况,将运动评估结果、计划执行情况和当前的康复训练计划输入计划调整模块,计划调整模块可以根据运动评估结果、计划执行情况和当前的康复训练计划,预测目标部位的康复情况,进而根据康复情况对当前的康复训练计划进行调整,使调整后的康复训练计划与目标部位当前的关节活动情况和康复训练计划完成程度相匹配,得到较为合理的康复训练计划。
附图说明
图1为一个实施例中康复训练计划生成系统的结构框图;
图2为一个实施例中下肢关节康复训练计划生成过程的示意图;
图3为一个实施例中上肢关节康复训练计划生成过程的示意图;
图4为一个实施例中下肢关节运动评估模型和下肢关节活动度计算模型的生成过程的示意图;
图5为一个实施例中下肢关节康复情况预测模型的生成过程的示意图;
图6为一个实施例中上肢关节运动评估模型、活动度计算模型和康复情况预测模型的生成过程的示意图;
图7为一个实施例中增强处理的结果的示意图;
图8为一个实施例中关节康复评估过程的流程示意图;
图9为另一个实施例中关节康复评估过程的流程示意图;
图10为一个实施例中康复训练系统的结构框图;
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种康复训练计划生成系统100,包括运动评估模块110、计划监测模块120和计划调整模块130;运动评估模块110和计划监测模块120均与计划调整模块130相连接;
运动评估模块110,用于对目标部位的运动数据进行识别,得到目标部位的运动评估结果,将运动评估结果输入至计划调整模块130;
计划监测模块120,用于将目标部位的活动度与原始的康复训练计划进行比较,得到目标部位对于原始的康复训练计划的计划执行情况,将计划执行情况和原始的康复训练计划输入至计划调整模块130;
计划调整模块130,用于根据接收到的运动评估结果、计划执行情况和原始的康复训练计划,确定目标部位的康复情况,根据康复情况对原始的康复训练计划进行调整,得到调整后的康复训练计划。
其中,康复训练计划生成系统可以为终端,包括但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等,便携式可穿戴设备可为智能手表、智能手环、头戴设备等。
其中,运动评估模块、计划监测模块和计划调整模块均可以为终端上的实体模块。
其中,目标部位可以为需要进行康复训练的人体部位。
其中,运动数据可以为运动传感器采集到的九轴数据,包括三轴加速度计数据、三轴陀螺仪数据和三轴磁力计数据。
其中,运动评估结果可以为目标部位的活动情况的诊断结果,例如,目标部位活动正常或者活动异常的诊断结果。
其中,计划执行情况可以为目标部位对于康复训练计划的完成程度。
其中,康复情况可以为目标部位的康复程度。
具体实现中,可以在目标部位佩戴运动传感器,运动传感器采集目标部位的运动数据,将运动数据分别输入至运动评估模块和计划监测模块,运动评估模块对接收到的运动数据进行识别,得到目标部位的运动评估结果,之后将运动评估结果输入至计划调整模块;计划监测模块对接收到的运动数据进行识别,得到目标部位的活动度,将活动度与原始的康复训练计划进行比较,得到目标部位对于原始的康复训练计划的计划执行情况,之后将计划执行情况和原始的康复训练计划共同输入至计划调整模块;计划调整模块根据从运动评估模块接收到的运动评估结果,以及从计划监测模块接收到的计划执行情况和原始的康复训练计划,预测目标部位的康复情况,进而根据预测得到的目标部位的康复情况,对原始的康复训练计划进行调整,得到调整后的康复训练计划。
需要说明的是,在得到调整后的康复训练计划后,还可以将调整后的康复训练计划作为原始的康复训练计划,重复上述过程,从而不断调整康复训练计划,使其与目标部位的实时的运动评估结果和计划执行情况相匹配。
还需要说明的是,运动评估模块可以包括运动评估模型,计划监测模块可以包括活动度计算模型、活动度监测子模块和康复训练计划子模块,计划调整模块可以包括康复情况预测模型。
其中,运动评估模型可以为对目标部位的运动数据进行识别,得到目标部位活动正常或者活动异常结果的模型。
其中,活动度计算模型可以为对目标部位的运动数据进行识别,得到目标部位的活动度的模型。
其中,活动度监测子模块可以为将目标部位的活动度与康复训练计划中的标准活动度相比较的模块。
其中,康复情况预测模型可以为预测目标部位的康复情况的模型。
其中,康复训练计划子模块可以为对康复训练计划进行调整的模块。
其中,运动评估模型、活动度计算模型和康复情况预测模型均可以通过机器学习、深度学习等人工智能技术得到。
图2提供了一个下肢关节康复训练计划生成过程的示意图。根据图2,可以预先训练下肢关节运动评估模型、下肢关节活动度计算模型和下肢关节康复情况预测模型,还可以在人体双侧下肢的髋关节、膝关节和踝关节处分别佩戴运动传感器,通过运动传感器采集下肢关节运动数据,将下肢关节运动数据输入至预先训练的下肢关节运动评估模型,得到髋关节、膝关节和踝关节正常或者异常的评估结果;还可以将下肢关节运动数据输入至预先训练的下肢关节活动度计算模型,得到髋关节、膝关节和踝关节的活动度,将活动度输入活动度监测子模块,活动度监测子模块从康复训练计划子模块获取康复训练计划中的标准活动度,将下肢关节活动度计算模型识别到的活动度与标准活动度相比较,根据二者之间的差异确定下肢关节对于康复训练计划的执行情况,例如,可以计算下肢关节活动度计算模型识别到的活动度与标准活动度之间差的绝对值,将得到的绝对值作为下肢关节对于康复训练计划的执行情况,若该绝对值超过预设阈值,表明下肢关节在执行康复训练计划时动作不标准,反之,若该绝对值未超过预设阈值,表明下肢关节在执行康复训练计划时动作较为标准;运动评估模块将各个关节的评估结果输入至计划调整模块,计划监测模块将各个关节对于康复训练计划的执行情况以及当前的康复训练计划输入至计划调整模块,计划调整模块基于下肢关节康复情况预测模型,对评估结果、执行情况和康复训练计划进行识别,实现对康复情况的预测,例如,预测得到的康复情况可以为下肢关节恢复程度20%,计划调整模块还可以根据预测得到的康复情况,对当前的康复训练计划进行调整,例如,若医生对于恢复程度20%不满意,则可以增加当前康复训练计划中的训练强度。
需要说明的是,上述运动评估模型、活动度计算模型和康复情况预测模型,可以分别对每个关节进行识别,也可以一次对所有关节进行识别,例如,运动评估模型可以先识别髋关节的运动数据,得到髋关节正常的评估结果,再识别膝关节的运动数据,得到膝关节异常的评估结果,最后识别踝关节的运动数据,得到和踝关节异常的评估结果;运动评估模型还可以同时对髋关节、膝关节和踝关节的运动数据进行识别,一次得到髋关节正常、膝关节异常、踝关节异常的评估结果。
图3提供了一个上肢关节运动数据处理过程的示意图,根据图3,可以预先训练上肢关节运动评估模型、上肢关节活动度计算模型和上肢关节康复情况预测模型,还可以在人体双侧上肢的肩关节、肘关节和腕关节处分别佩戴运动传感器,通过运动传感器采集上肢关节运动数据,将上肢关节运动数据输入至预先训练的上肢关节运动评估模型,得到各关节正常或者异常的评估结果;还可以将上肢关节运动数据输入至预先训练的上肢关节活动度计算模型,得到各关节的活动度,将活动度输入活动度监测子模块,活动度监测子模块从康复训练计划子模块获取康复训练计划中的标准活动度,将上肢关节活动度计算模型识别到的活动度与标准活动度相比较,根据二者之间的差异确定上肢关节对于康复训练计划的执行情况;运动评估模块将各个关节的评估结果输入至计划调整模块,计划监测模块将各个关节对于康复训练计划的执行情况以及当前的康复训练计划输入至计划调整模块,计划调整模块基于上肢关节康复情况预测模型,对评估结果、执行情况和康复训练计划进行识别,实现对康复情况的预测,并根据预测得到的康复情况,对当前的康复训练计划进行调整。
上述康复训练计划生成系统,通过运动评估模块对目标部位的运动数据进行识别,得到目标部位的运动评估结果,将运动评估结果输入至计划调整模块,计划监测模块将目标部位的活动度与原始的康复训练计划进行比较,得到目标部位对于原始的康复训练计划的计划执行情况,将计划执行情况和原始的康复训练计划输入至计划调整模块,计划调整模块根据接收到的运动评估结果、计划执行情况和原始的康复训练计划,确定目标部位的康复情况,根据康复情况对原始的康复训练计划进行调整,得到调整后的康复训练计划;可以通过运动评估模块实时地对目标部位的关节活动情况进行评估,得到运动评估结果,通过计划监测模块实时地监测目标部位对于康复训练计划的完成程度,得到计划执行情况,将运动评估结果、计划执行情况和当前的康复训练计划输入计划调整模块,计划调整模块可以根据运动评估结果、计划执行情况和当前的康复训练计划,预测目标部位的康复情况,进而根据康复情况对当前的康复训练计划进行调整,使调整后的康复训练计划与目标部位当前的关节活动情况和康复训练计划完成程度相匹配,得到较为合理的康复训练计划。
在一个实施例中,上述目标部位包括上肢部位,上述运动数据包括运动传感器采集到的肩部运动数据、肘部运动数据、腕部运动数据和手部运动数据中的至少一种。
其中,上肢部位可以包括肩部、肘部、腕部和手部中的至少一种。
具体实现中,可以使用运动传感器采集肩部、肘部、腕部和/或手部的运动数据,并将采集得到肩部运动数据、肘部运动数据、腕部运动数据和/或手部运动数据输入至康复训练计划生成系统的运动评估模块和计划监测模块。
实际应用中,以肩部为例,可以在肩关节处佩戴九轴运动传感器,九轴运动传感器将采集到的三轴加速度计数据、三轴陀螺仪数据和三轴磁力计数据作为肩部运动数据,输入至运动评估模块和计划监测模块,采用同样的方法,九轴运动传感器还可以将肘部运动数据、腕部运动数据和/或手部运动数据输入至运动评估模块和计划监测模块。
本实施例中,通过使目标部位包括上肢部位,运动数据包括运动传感器采集到的肩部运动数据、肘部运动数据、腕部运动数据和手部运动数据中的至少一种,可以针对上肢,合理制定康复训练计划,保证上肢康复训练计划的合理性。
在一个实施例中,上述目标部位包括下肢部位,上述运动数据包括运动传感器采集到的髋部运动数据、膝部运动数据、踝部运动数据和足部运动数据中的至少一种。
其中,下肢部位可以包括髋部、膝部、踝部和足部中的至少一种。
具体实现中,可以使用运动传感器采集髋部、膝部、踝部和/或足部的运动数据,并将采集得到髋部运动数据、膝部运动数据、踝部运动数据和/或足部运动数据输入至康复训练计划生成系统的运动评估模块和计划监测模块。
实际应用中,以髋部为例,可以在髋关节处佩戴九轴运动传感器,九轴运动传感器将采集到的三轴加速度计数据、三轴陀螺仪数据和三轴磁力计数据作为髋部运动数据,输入至运动评估模块和计划监测模块,采用同样的方法,九轴运动传感器还可以将膝部运动数据、踝部运动数据和/或足部运动数据输入至运动评估模块和计划监测模块。
本实施例中,通过使目标部位包括下肢部位,运动数据包括运动传感器采集到的髋部运动数据、膝部运动数据、踝部运动数据和足部运动数据中的至少一种,可以针对下肢,合理制定康复训练计划,保证下肢康复训练计划的合理性。
在一个实施例中,上述运动评估模块,还用于将目标部位的运动数据输入至预先训练的运动评估模型,得到目标部位的运动评估结果;运动数据包括加速度计数据、陀螺仪数据和磁力计数据;预先训练的运动评估模型通过对运动数据样本,以及运动数据样本对应的步态标签和运动情况标签进行训练得到。
其中,运动数据样本可以为对运动评估模型进行训练的样本数据。
其中,步态标签和运动情况标签可以为运动数据样本对应的标签,具体地,步态标签可以为运动数据样本对应的步频和步幅,运动情况标签可以为运动数据样本对应的目标部位的康复诊断结果。
具体实现中,可以预先获取运动数据样本,以及运动数据样本对应的步态标签和运动情况标签,根据步态标签中的步频、步幅,以及运动情况标签中的康复诊断结果,确定运动数据样本对应的运动评估结果标签,根据运动数据样本及其对应的运动评估结果标签,对待训练的运动评估模型进行训练,得到预先训练的运动评估模型。当需要对康复训练计划进行调整时,可以将目标部位的运动数据输入至预先训练的运动评估模型,通过预先训练的运动评估模型对运动数据进行识别,得到目标部位的运动评估结果。
实际应用中,可以人工根据步态标签中的步频、步幅,以及运动情况标签中的康复诊断结果,确定运动数据样本对应的运动评估结果,例如,针对膝关节的一个运动数据样本,步态标签为步频0.5步/秒,步幅为0.5米,康复诊断结果为关节炎,根据步频、步幅和康复诊断结果,可以确定该运动数据样本对应的运动评估结果标签为膝关节异常。
本实施例中,通过运动评估模块将目标部位的运动数据输入至预先训练的运动评估模型,得到目标部位的运动评估结果,可以通过识别运动数据得到目标部位的运动评估结果,提高获取运动评估结果的效率,进而提高康复训练计划生成的效率。
在一个实施例中,上述计划监测模块,还用于将目标部位的运动数据输入至预先训练的活动度计算模型,得到目标部位的活动度;预先训练的活动度计算模型通过对运动数据样本,以及运动数据样本对应的活动度标签进行训练得到。
其中,活动度标签可以为运动数据样本对应的活动度。
具体实现中,可以预先获取运动数据样本,以及运动数据样本对应的活动度,将活动度作为标签,根据运动数据样本及其对应的活动度,对待训练的活动度计算模型进行训练,得到预先训练的活动度计算模型。当需要对康复训练计划进行调整时,可以将目标部位的运动数据输入至预先训练的活动度计算模型,通过预先训练的活动度计算模型对运动数据进行识别,得到目标部位的活动度。
本实施例中,通过计划监测模块将目标部位的运动数据输入至预先训练的活动度计算模型,得到目标部位的活动度,可以通过识别运动数据得到目标部位的活动度,提高确定活动度的效率,进而提高康复训练计划生成的效率。
在一个实施例中,上述计划监测模块,还用于确定活动度与原始的康复训练计划之间的差值,根据差值,确定目标部位对于原始的康复训练计划的计划执行情况。
具体实现中,计划监测模块可以从康复训练计划子模块中存储的康复训练计划中,获取原始的康复训练计划对应的标准活动度,在通过活动度计算模型对运动数据进行识别,得到目标部位的活动度后,可以将识别到的活动度与标准活动度进行相减,并根据预设的映射关系对相减得到的差值进行映射处理,得到目标部位对于原始的康复训练计划的计划执行情况。
例如,设置映射关系为:计划执行情况=差值/标准活动度×100%,针对膝关节的康复训练,若原始康复训练计划中的标准活动度为90度,通过活动度计算模型识别到的活动度为70度,与标准活动度之间的差值为90-70=20度,则计划执行情况为20/90×100%=22%。
本实施例中,通过计划监测模块确定活动度与原始的康复训练计划之间的差值,根据差值,确定目标部位对于原始的康复训练计划的计划执行情况,可以将目标部位进行康复训练的活动度与康复训练计划中的标准活动度相比较,进而根据比较结果确定目标部位对于康复训练计划的执行情况,便于根据执行情况对当前的康复训练计划进行调整,使调整后的康复训练计划与执行情况相匹配。
在一个实施例中,上述计划调整模块,还用于将运动评估结果、计划执行情况和原始的康复训练计划均输入至预先训练的康复情况预测模型,得到目标部位的康复情况。
具体实现中,可以预先对康复情况预测模型进行训练,得到预先训练的康复情况预测模型,计划调整模块可以从运动评估模块获取运动评估结果,从计划监测模块获取计划执行情况和原始的康复训练计划,将运动评估结果、计划执行情况和原始的康复训练计划输入至预先训练的康复情况预测模型,预先训练的康复情况预测模型对运动评估结果、计划执行情况和原始的康复训练计划进行识别,得到目标部位的康复情况。
例如,运动评估模块识别到膝关节异常、计划监测模块识别到膝关节的计划执行情况为22%,则可以将膝关节异常、计划执行情况22%,以及当前膝关节的康复训练计划输入至下肢关节康复情况预测模型,下肢关节康复情况预测模型可以对膝关节的康复情况进行预测,得到恢复程度50%,表示按照当前的康复训练计划,当前患者膝关节的恢复程度将会是50%。
本实施例中,通过计划调整模块将运动评估结果、计划执行情况和原始的康复训练计划均输入至预先训练的康复情况预测模型,得到目标部位的康复情况,可以通过识别运动评估结果、计划执行情况和原始的康复训练计划,预测目标部位的康复情况,进而根据预测得到的康复情况调整康复训练计划,提高康复训练计划制定的合理性。
图4提供了一个下肢关节运动评估模型和下肢关节活动度计算模型的生成过程的示意图。根据图4,下肢关节标签数据集中可以包括活动度参数标签集、步态参数标签集和下肢关节康复诊断结果标签集,其中,活动度参数标签集包含运动数据集中各运动数据样本对应的活动度,步态参数标签集包含运动数据集中各运动数据样本对应的步频和步幅,下肢关节康复诊断结果标签集包含运动数据集中各运动数据样本对应的康复诊断结果(例如,关节是否患有疾病,或者关节的疾病名称)。将运动传感器采集到的运动数据集以及运动数据集对应的活动度参数标签集输入至待训练的下肢关节活动度计算模型进行训练,可以得到预先训练的下肢关节活动度计算模型;将运动数据集、步态参数标签集和下肢关节康复诊断结果标签集输入至待训练的下肢关节运动评估模型进行训练,可以得到预先训练的下肢关节运动评估模型,其中,可以人工根据步态参数标签集中的步频、步幅,以及下肢关节康复诊断结果标签集中的康复诊断结果,确定运动数据集中各运动数据样本对应的运动评估结果,将运动评估结果作为运动数据样本的标签,对待训练的下肢关节运动评估模型进行训练。
图5提供了一个下肢关节康复情况预测模型的生成过程的示意图。根据图5,可以获取下肢关节中髋关节、膝关节和踝关节的诊断结果,作为诊断结果组合数据集,还可以针对诊断结果组合数据集中的每一个诊断结果,确定相应的康复训练计划和计划执行情况,得到康复计划标签数据集和计划执行情况标签数据集,将诊断结果组合数据集、康复训练计划标签数据集和计划执行情况标签数据集输入至待训练的下肢关节康复情况预测模型进行训练,可以得到预先训练的下肢关节康复情况预测模型。
图6提供了一个上肢关节运动评估模型、活动度计算模型和康复情况预测模型的生成过程的示意图。根据图6,可以将运动传感器采集到的运动数据集以及运动数据集对应的上肢关节活动度参数标签集输入至待训练的上肢关节活动度计算模型进行训练,得到预先训练的上肢关节活动度计算模型。还可以获取运动数据集对应的上肢关节康复诊断结果标签集,将运动数据集和上肢关节康复诊断结果标签数据集输入至待训练的上肢关节运动评估模型进行训练,得到预先训练的上肢关节运动评估模型,其中,上肢关节康复诊断结果标签集中包含上肢关节的诊断结果。将上肢关节运动评估模型输出的至少一组诊断结果组成诊断结果组合数据集,并针对诊断结果组合数据集中的每一个诊断结果,确定相应的康复训练计划和计划执行情况,得到康复训练计划标签数据集和计划执行情况标签数据集,将运动数据集及其对应的诊断结果组合数据集、康复训练计划标签数据集和计划执行情况标签数据集输入至待训练的上肢关节康复情况预测模型进行训练,得到预先训练的上肢关节康复情况预测模型。
在一个实施例中,上述康复训练计划生成系统还包括模型训练模块;模型训练模块,用于对运动数据样本进行增强处理,得到增强后的运动数据样本,根据增强后的运动数据样本,对待训练的识别模型进行训练,得到预先训练的识别模型;识别模型包括运动评估模型、活动度计算模型和康复情况预测模型。
其中,增强处理可以为增加运动数据样本及其标签数量的处理。
其中,运动数据样本可以为用于对运动评估模型、活动度计算模型和康复情况预测模型进行训练的运动数据的样本。
具体实现中,可以使用运动传感器采集运动数据样本,使用光学动作捕捉系统采集运动数据样本对应的样本标签,其中,样本标签可以为运动数据样本对应的活动度、步频或者步幅,模型训练模块可以对采集到的运动数据样本进行增强处理,得到运动数据样本对应的若干增强后的运动数据样本,模型训练模块还可以将运动数据样本对应的样本标签,作为增强后的运动数据样本的样本标签,根据增强后的运动数据样本及其样本标签,对待训练的运动评估模型、活动度计算模型和康复情况预测模型进行训练,可以得到预先训练的运动评估模型、活动度计算模型和康复情况预测模型。
本实施例中,通过模型训练模块对运动数据样本进行增强处理,得到增强后的运动数据样本,根据增强后的运动数据样本,对待训练的识别模型进行训练,得到预先训练的识别模型,可以扩充运动评估模型、活动度计算模型和康复情况预测模型的训练样本的数量,减少模型训练过程中训练样本采集所耗费的时间和资源,提高模型训练的效率。
在一个实施例中,上述增强处理包括幅值偏移、幅值扭曲、幅值组合增强、时间扭曲和扭曲组合增强中的至少一种。
其中,幅值偏移可以通过将正态分布的随机数添加到单步态周期的关节角度值中来引入。
其中,幅值扭曲可以通过样条曲线的方式拟合正态分布的随机数来引入,随机数沿单步态周期的时域均匀分布,样条曲线在原始关节角度向量的时间增量处进行评估,以形成失真向量,通过将失真向量与原始关节角度向量相乘,即生成了关节角度的幅值扭曲。
其中,幅值组合增强可以是同时进行幅值偏移和幅值扭曲。
其中,单步态周期可以是同一只脚从脚跟离地跨出,到再次脚跟着地的周期。
其中,时间扭曲可以通过样条曲线的方式拟合正态分布的随机数来引入,随机数沿单步态周期的时域均匀分布,样条曲线以原始关节角度向量的时间增量进行评估,然后计算累积和向量并除以原始关节角度向量的长度,形成时间失真向量,通过在时间失真向量中的时间值处内插原始关节角度即可生成时间扭曲数值向量。
其中,扭曲组合增强可以是同时进行时间扭曲和幅值扭曲。
具体实现中,可以将运动数据样本输入至仿真分析工具,提取运动数据样本对应的活动度,得到活动度标签,对运动数据样本进行幅值偏移、幅值扭曲或者幅值组合增强,得到该运动数据样本对应的至少一个增强后的运动数据样本,将该运动数据样本的活动度标签,作为每一个增强后的运动数据样本的活动度标签。还可以将运动数据样本输入至仿真分析工具,提取运动数据样本对应的步态,得到步态标签,对该运动数据样本进行幅值偏移、幅值扭曲、幅值组合增强、时间扭曲或者扭曲组合增强,得到该运动数据样本对应的至少一个增强后的运动数据样本,将该运动数据样本对应的步态标签,作为每一个增强后的运动数据样本的步态标签。
实际应用中,可以采集运动数据的样本sn(n=1,……,N),计算各样本对应的活动度tn,得到N个运动数据样本和N个活动度标签。对运动数据样本s1进行增强处理,得到增强后的运动数据样本S11,S12,……,S1k,将活动度t1作为增强后的运动数据样本S11,S12,……,S1k的活动度标签;类似地,对样本sN进行增强处理,得到增强后的运动数据样本SN1,SN2,……,SNk,将活动度tN作为增强后的运动数据样本SN1,SN2,……,SNk的活动度标签,最终,通过上述增强处理,可以得到M=S1k+……+SNk(M>N)个运动数据样本和相应的活动度标签。还可以采集运动数据的样本sn(n=1,……,N),计算各样本对应的步态pn,得到N个运动数据样本和N个步态标签。对运动数据样本s1进行增强处理,得到增强后的运动数据样本S11,S12,……,S1k,将步态p1作为增强后的运动数据样本S11,S12,……,S1k的步态标签;类似地,对样本sN进行增强处理,得到增强后的运动数据样本SN1,SN2,……,SNk,将步态pN作为增强后的运动数据样本SN1,SN2,……,SNk的步态标签,最终,通过上述增强处理,可以得到M=S1k+……+SNk(M>N)个运动数据样本和相应的步态标签。
图7提供了一个增强处理的结果的示意图,其中,实线表示原始的运动数据样本,虚线/>表示增强后的运动数据样本。根据图7,运动数据样本可以为膝关节角度(Knee Angle),对膝关节角度进行幅值偏移(Magnitude Offset)、幅值扭曲(Magnitude Wrap)、幅值组合增强(Magnitude Offset+Magnitude Wrap)、时间扭曲(TimeWarp)或者扭曲组合增强(Time Warp+Magnitude Offset),得到膝关节角度对应的至少一个增强后的运动数据样本。
本实施例中,通过使增强处理包括幅值偏移、幅值扭曲、幅值组合增强、时间扭曲和扭曲组合增强中的至少一种,可以在模型训练过程中,扩充运动数据样本的数量,提高模型训练的效率。
为了便于本领域技术人员深入理解本申请实施例,以下将结合一个具体示例进行说明。
图8提供了一个关节康复评估过程的流程示意图。根据图8,关节康复评估包括数据集生成部分和模型训练部分,其中,数据集生成部分包括原始数据集、标签数据集、医学关节康复评估诊断数据集和康复诊疗计划数据集的生成,模型训练部分包括对活动度计算模型、下肢关节运动评估模型、上肢关节运动评估模型和康复情况预测模型的训练。
图9提供了另一个关节康复评估过程的流程示意图。根据图9,以下肢关节为例,数据集生成部分可以包括下肢数据采集、原始数据集、通过仿真分析工具提取运动参数、合成生物力学运动数据增强方法、标签数据集生成等过程,模型训练部分可以包括对下肢关节活动度计算模型、下肢关节运动评估模型和下肢关节康复情况预测模型的训练。具体地,关节康复评估过程可以包括:
1、下肢数据采集包括利用运动传感器(可穿戴设备)采集腰、大腿、小腿、脚踝等下肢关节处的9轴(3轴加速度计、3轴陀螺仪、3轴磁力计)原始数据,基于采集到的下肢数据生成原始数据集;同步地,下肢数据采集还包括使用光学运动捕捉系统(例如,Vicon,一种光学运动捕捉系统)在下肢关节放置光学标记点,生成光学运动捕捉数据标签集,光学运动捕捉数据标签集中可以包括活动度参数、步态分析参数等标签数据;同步地,还可以采集数据动作者的医学关节康复评估诊断结果及相对应的康复诊疗计划,分别生成医学关节康复评估诊断数据集和康复诊疗计划数据集。
2、在上述常规光学运动捕捉系统采集生成的标签数据基础上,为扩充数据集样本量以克服数据集匮乏和获取困难的问题,提出了一种标签数据扩充的方法,对前述采集到的下肢关节9轴运动数据利用仿真分析工具(例如,Opensim,一种仿真分析工具平台)提取类光学运动捕捉系统标签数据。
3、由于人工智能模型需求大量的训练数据,而获取康复医疗领域的数据集会耗费大量的时间和资源,对模型开发造成瓶颈。因此,提出了一种合成生物力学运动数据增强方法(简称数据增强方法)。针对前述采集及仿真分析生成获取的标签数据,例如,活动度参数、步态分析参数等,通过采用不同的数值技术来增加这些标签数据。例如,利用各关节部位的活动度参数训练生成关节活动度计算模型,在训练过程中,采用不同的数值技术扩增标签数据,经特征选择及主成分分析过程,可以确定采用幅值偏移、幅值扭曲、幅值偏移和扭曲的组合增强方法的模型生成效果为最优;又例如,利用各关节部位的步态分析参数(如步频、步幅)训练生成下肢关节运动评估模型,在训练过程中,采用不同的数值技术扩增标签数据,经特征选择及主成分分析过程,可以确定采用幅值偏移、幅值扭曲、幅值偏移和扭曲的组合、时间扭曲以及时间扭曲和幅值扭曲的组合五种数据增强方法来扩增样本数据量的模型生成效果为最优。假设运动传感器下肢数据采集过程获得了1000例次数据,利用仿真分析工具提取运动参数,得到1000×2共2000例标签数据,其中,1000例为运动传感器采集到的下肢数据,光学运动捕捉生成1000例标签,仿真分析工具提取运动参数生成1000例标签,对于关节活动度计算模型,采用优选的数值增强方法有3种,假设每个数值增强方法扩增数量倍数为8,则最终可获取到的关节活动度计算模型的标签数据量为2000×3×8共48000例;而对于下肢关节运动评估模型,采用优选的数值增强方法有5种,假设每个数值增强方法扩增数量倍数为8,则最终可获取到的下肢关节运动评估模型的标签数据量为2000*5*8共80000例。
4、上述数据增强方法中,幅值偏移是通过将来自正态分布(例如,μ=0°,σ=5°)的随机数添加到单步态周期中的膝关节角度值中来引入幅值偏移。幅值扭曲是通过样条曲线的方式拟合来自正态分布(例如,μ=1,σ=0.2)的7个随机数来引入幅值扭曲,这些随机数沿单步态周期的时域均匀分布,样条曲线在原始关节角度向量的时间增量处进行评估,以形成失真向量;通过将失真向量与原始关节角度向量相乘,即生成了关节角度的幅值扭曲。幅值偏移和扭曲的组合是前述两种方法的综合应用。时间扭曲是通过样条曲线的方式拟合来自正态分布(例如,μ=1,σ=0.2)的7个随机数,这些随机数沿单步态周期的时域均匀分布,样条曲线以原始关节角度向量的时间增量进行评估,然后计算累积和向量并除以原始关节角度向量的长度,形成时间失真向量,通过在时间失真向量中的时间值处内插原始关节角度即可生成时间扭曲数值向量。时间扭曲和幅值扭曲的组合是前述时间扭曲和幅值扭曲的组合应用。
其中,单步态周期是指同一只脚从脚跟离地跨出,到再次脚跟着地的行进过程。膝关节运动曲线是指在一个步态周期中,膝关节出现了两次屈曲和伸展,足跟着地前即迈步相末期,下肢伸展进入站立相早期后小幅屈曲,即膝关节屈曲,站立相中期再度伸展,随后膝关节再度屈曲,并在迈步相早期达到了高峰。
5、标签数据集建立后,采用通用的机器/深度学习人工智能技术进行人工智能模型的训练生成,其中,人工智能模型包括关节活动度计算模型、下肢关节运动评估人工智能模型和下肢关节康复情况预测模型,机器/深度学习人工智能技术包括但不限于是决策树、随机森林、卷积神经网络或者LSTM(Long Short-Term Memory,长短期记忆网络)。具体地,关节活动度计算模型利用前述采集的下肢关节(髋、膝、踝)活动度参数标签数据和下肢关节9轴原始数据共同构建模型数据集,采用机器/深度学习技术训练得到目标模型;下肢关节运动评估模型利用前述采集的下肢关节(髋、膝、踝)步态分析参数标签数据、关节康复评估诊断结果和下肢关节9轴原始数据共同构建模型数据集,采用机器/深度学习技术训练得到目标模型;下肢关节康复情况预测模型利用前述采集的下肢各部位医学关节康复评估诊断结果和康复诊疗计划构建模型数据集,采用机器/深度学习技术训练得到目标模型。
6、前述模型构建完成后,应用流如图2所示。在进行下肢关节康复训练计划场景条件下,通过佩戴下肢关节(腰处、大腿处、小腿处、脚踝处)运动传感器后,将采集到的下肢关节运动传感器数据送入关节活动度计算模型后,即可直接获得髋、膝和踝关节等部位的活动度数值,通过与康复训练计划中预设的活动度范围进行比较,获取当前康复动作执行是否规范达标的反馈;而将采集到的下肢关节运动传感器数据送入下肢关节运动评估模型后,即可直接获得髋、膝和踝关节等部位的康复评估诊断结果,将各部位康复评估诊断结果的组合送入下肢关节康复情况预测模型,即可输出不同康复程度相对应的康复训练计划,并自适应调整传递至用户及医生端,例如,上一次康复训练对应的康复程度为50%,则本次康复训练可以自动将康复程度调整为70%,并将康复程度70%的康复训练计划传递至医生端。
需要说明的是,上述关节康复评估方法不限定应用于常见的髋、膝关节的康复评估,还能应用于上肢关节、下肢关节和脊柱关节等康复领域。如图8所示,可以在上肢关节如肩、肘、腕、脊柱等部位佩戴运动传感器采集上肢关节运动数据,采用通用的机器/深度学习人工智能技术生成关节活动度计算模型、上肢关节运动评估模型和上肢关节康复情况预测模型,具体的关节康复评估过程与下肢关节相同,在此不再赘述。
上述人工智能模型能够适用于各种不同的应用部位关节。如关节活动度计算模型包括髋关节、膝关节等下肢关节以及肩关节、肘关节、脊柱关节等上肢关节。下肢关节运动评估模型能够对下肢关节康复进展进行自动判定;上肢关节运动评估模型能够对上肢关节康复进展进行自动判定。
上述方法中的康复情况预测模型基于不同应用部位关节,自适应调输出个性化康复诊疗方案。如膝关节,通过将膝关节活动度计算模型输出和下肢关节运动评估模型输出,共同作为康复情况预测模型的输入,以获取膝关节患者个性化康复诊疗方案输出;如肘关节,通过将肘关节活动度计算模型输出和上肢关节运动评估模型输出,共同作为康复情况预测模型的输入,以获取肘关节患者个性化康复诊疗方案输出。
上述基于人工智能技术的关节康复评估过程,通过人工智能技术直接从运动传感器采集到的数据流中可靠地预测各种活动的关节运动数据,以避免现有关节活动数据计算技术中误差较大问题,同时基于人工智能技术输出个性化的康复评估和诊疗方案,以提升康复诊疗的有效性和合理性。而且,通过使用合成生物力学运动数据增强方法,可以解决数据集匮乏和获取困难的问题。
在一个实施例中,如图10所示,提供了一种康复训练系统200,包括运动传感器300和康复训练计划生成系统100;
所述运动传感器300,用于采集目标部位的运动数据,并发送所述运动数据至所述康复训练计划生成系统100;
所述康复训练计划生成系统100包括运动评估模块、计划监测模块和计划调整模块;所述运动评估模块和所述计划监测模块均与所述计划调整模块相连接;
所述运动评估模块,用于对目标部位的运动数据进行识别,得到所述目标部位的运动评估结果,将所述运动评估结果输入至所述计划调整模块;
所述计划监测模块,用于将所述目标部位的活动度与原始的康复训练计划进行比较,得到所述目标部位对于所述原始的康复训练计划的计划执行情况,将所述计划执行情况和所述原始的康复训练计划输入至所述计划调整模块;
所述计划调整模块,用于根据接收到的所述运动评估结果、所述计划执行情况和所述原始的康复训练计划,确定所述目标部位的康复情况,根据所述康复情况对所述原始的康复训练计划进行调整,得到调整后的康复训练计划。
具体实现中,可以在目标部位佩戴运动传感器,运动传感器采集目标部位的运动数据,将运动数据分别输入至运动评估模块和计划监测模块,运动评估模块对接收到的运动数据进行识别,得到目标部位的运动评估结果,之后将运动评估结果输入至计划调整模块;计划监测模块对接收到的运动数据进行识别,得到目标部位的活动度,将活动度与原始的康复训练计划进行比较,得到目标部位对于原始的康复训练计划的计划执行情况,之后将计划执行情况和原始的康复训练计划共同输入至计划调整模块;计划调整模块根据从运动评估模块接收到的运动评估结果,以及从计划监测模块接收到的计划执行情况和原始的康复训练计划,预测目标部位的康复情况,进而根据预测得到的目标部位的康复情况,对原始的康复训练计划进行调整,得到调整后的康复训练计划。
由于运动传感器和康复训练计划生成系统的具体处理过程在上述实施例中已进行详细描述,在此不再赘述。
上述康复训练系统,通过运动传感器采集目标部位的运动数据,并发送至康复训练计划生成系统,康复训练计划生成系统的运动评估模块对目标部位的运动数据进行识别,得到目标部位的运动评估结果,将运动评估结果输入至计划调整模块,计划监测模块将目标部位的活动度与原始的康复训练计划进行比较,得到目标部位对于原始的康复训练计划的计划执行情况,将计划执行情况和原始的康复训练计划输入至计划调整模块,计划调整模块根据接收到的运动评估结果、计划执行情况和原始的康复训练计划,确定目标部位的康复情况,根据康复情况对原始的康复训练计划进行调整,得到调整后的康复训练计划;可以通过运动评估模块实时地对目标部位的关节活动情况进行评估,得到运动评估结果,通过计划监测模块实时地监测目标部位对于康复训练计划的完成程度,得到计划执行情况,将运动评估结果、计划执行情况和当前的康复训练计划输入计划调整模块,计划调整模块可以根据运动评估结果、计划执行情况和当前的康复训练计划,预测目标部位的康复情况,进而根据康复情况对当前的康复训练计划进行调整,使调整后的康复训练计划与目标部位当前的关节活动情况和康复训练计划完成程度相匹配,得到较为合理的康复训练计划。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图11所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种康复训练计划生成和康复训练系统。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各系统实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各系统实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种康复训练计划生成系统,其特征在于,所述系统包括运动评估模块、计划监测模块和计划调整模块;所述运动评估模块和所述计划监测模块均与所述计划调整模块相连接;
所述运动评估模块,用于对目标部位的运动数据进行识别,得到所述目标部位的运动评估结果,将所述运动评估结果输入至所述计划调整模块;
所述计划监测模块,用于将所述目标部位的活动度与原始的康复训练计划进行比较,得到所述目标部位对于所述原始的康复训练计划的计划执行情况,将所述计划执行情况和所述原始的康复训练计划输入至所述计划调整模块;
所述计划调整模块,用于根据接收到的所述运动评估结果、所述计划执行情况和所述原始的康复训练计划,确定所述目标部位的康复情况,根据所述康复情况对所述原始的康复训练计划进行调整,得到调整后的康复训练计划。
2.根据权利要求1所述的系统,其特征在于,所述目标部位包括上肢部位,所述运动数据包括运动传感器采集到的肩部运动数据、肘部运动数据、腕部运动数据和手部运动数据中的至少一种。
3.根据权利要求1所述的系统,其特征在于,所述目标部位包括下肢部位,所述运动数据包括运动传感器采集到的髋部运动数据、膝部运动数据、踝部运动数据和足部运动数据中的至少一种。
4.根据权利要求1所述的系统,其特征在于,所述运动评估模块,还用于将所述目标部位的运动数据输入至预先训练的运动评估模型,得到所述目标部位的运动评估结果;所述运动数据包括加速度计数据、陀螺仪数据和磁力计数据;所述预先训练的运动评估模型通过对运动数据样本,以及所述运动数据样本对应的步态标签和运动情况标签进行训练得到。
5.根据权利要求4所述的系统,其特征在于,所述计划监测模块,还用于将所述目标部位的运动数据输入至预先训练的活动度计算模型,得到所述目标部位的活动度;所述预先训练的活动度计算模型通过对所述运动数据样本,以及所述运动数据样本对应的活动度标签进行训练得到。
6.根据权利要求5所述的系统,其特征在于,所述计划监测模块,还用于确定所述活动度与所述原始的康复训练计划之间的差值,根据所述差值,确定所述目标部位对于所述原始的康复训练计划的计划执行情况。
7.根据权利要求5所述的系统,其特征在于,所述计划调整模块,还用于将所述运动评估结果、所述计划执行情况和所述原始的康复训练计划均输入至预先训练的康复情况预测模型,得到所述目标部位的康复情况。
8.根据权利要求7所述的系统,其特征在于,所述系统还包括模型训练模块;所述模型训练模块,用于对运动数据样本进行增强处理,得到增强后的运动数据样本,根据所述增强后的运动数据样本,对待训练的识别模型进行训练,得到预先训练的识别模型;所述识别模型包括所述运动评估模型、所述活动度计算模型和所述康复情况预测模型。
9.根据权利要求8所述的系统,其特征在于,所述增强处理包括幅值偏移、幅值扭曲、幅值组合增强、时间扭曲和扭曲组合增强中的至少一种。
10.一种康复训练系统,其特征在于,所述系统包括运动传感器和权利要求1至9中任一项所述的康复训练计划生成系统;所述运动传感器,用于采集目标部位的运动数据,并发送所述运动数据至所述康复训练计划生成系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211509567.2A CN115841863A (zh) | 2022-11-29 | 2022-11-29 | 康复训练计划生成和康复训练系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211509567.2A CN115841863A (zh) | 2022-11-29 | 2022-11-29 | 康复训练计划生成和康复训练系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115841863A true CN115841863A (zh) | 2023-03-24 |
Family
ID=85576177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211509567.2A Pending CN115841863A (zh) | 2022-11-29 | 2022-11-29 | 康复训练计划生成和康复训练系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115841863A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117133402A (zh) * | 2023-08-30 | 2023-11-28 | 广东省中医院(广州中医药大学第二附属医院、广州中医药大学第二临床医学院、广东省中医药科学院) | 动态监管患者康复的方法、装置、设备及可读存储介质 |
-
2022
- 2022-11-29 CN CN202211509567.2A patent/CN115841863A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117133402A (zh) * | 2023-08-30 | 2023-11-28 | 广东省中医院(广州中医药大学第二附属医院、广州中医药大学第二临床医学院、广东省中医药科学院) | 动态监管患者康复的方法、装置、设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Physics-informed deep learning for musculoskeletal modeling: Predicting muscle forces and joint kinematics from surface EMG | |
Liao et al. | A review of computational approaches for evaluation of rehabilitation exercises | |
Lopez-Nava et al. | Wearable inertial sensors for human motion analysis: A review | |
Pizzolato et al. | Real-time inverse kinematics and inverse dynamics for lower limb applications using OpenSim | |
Hernandez et al. | Lower body kinematics estimation from wearable sensors for walking and running: A deep learning approach | |
Rapp et al. | Estimation of kinematics from inertial measurement units using a combined deep learning and optimization framework | |
CN115954081A (zh) | 膝关节置换术后远程智能康复方法及系统 | |
CN112970074A (zh) | 身体活动量化和监测 | |
US20220409098A1 (en) | A wearable device for determining motion and/or a physiological state of a wearer | |
CN113728394A (zh) | 身体活动执行和训练的评分度量 | |
WO2021258333A1 (zh) | 一种步态异常早期识别与风险预警方法和装置 | |
Rahman | Multimedia environment toward analyzing and visualizing live kinematic data for children with hemiplegia | |
Dorschky et al. | Perspective on “in the wild” movement analysis using machine learning | |
CN115841863A (zh) | 康复训练计划生成和康复训练系统 | |
CN115346670A (zh) | 基于姿态识别的帕金森病评级方法、电子设备及介质 | |
Bleser et al. | Development of an inertial motion capture system for clinical application: Potentials and challenges from the technology and application perspectives | |
Liu et al. | Health care data analysis and visualization using interactive data exploration for sportsperson | |
Solongontuya et al. | Novel side pose classification model of stretching gestures using three-layer LSTM | |
CN113869090A (zh) | 一种跌倒风险评估方法及装置 | |
Wai et al. | Development of holistic physical therapy management system using multimodal sensor network | |
Cai et al. | Iot-based gait monitoring system for static and dynamic classification of data | |
Tam et al. | Lower-body posture estimation with a wireless smart insole | |
CN115813377B (zh) | 一种智能姿势评估方法及系统 | |
Purushothaman et al. | Smart vision-based analysis and error deduction of human pose to reduce musculoskeletal disorders in construction | |
Mantashloo et al. | Lower body kinematics estimation during walking using an accelerometer |
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 |