CN116227606A - 一种关节角度预测方法、终端设备及介质 - Google Patents

一种关节角度预测方法、终端设备及介质 Download PDF

Info

Publication number
CN116227606A
CN116227606A CN202310493739.XA CN202310493739A CN116227606A CN 116227606 A CN116227606 A CN 116227606A CN 202310493739 A CN202310493739 A CN 202310493739A CN 116227606 A CN116227606 A CN 116227606A
Authority
CN
China
Prior art keywords
joint angle
angle
side leg
joint
fuzzy
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
Application number
CN202310493739.XA
Other languages
English (en)
Other versions
CN116227606B (zh
Inventor
陆新江
柏的旭
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.)
Central South University
Original Assignee
Central South University
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 Central South University filed Critical Central South University
Priority to CN202310493739.XA priority Critical patent/CN116227606B/zh
Publication of CN116227606A publication Critical patent/CN116227606A/zh
Application granted granted Critical
Publication of CN116227606B publication Critical patent/CN116227606B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Fuzzy Systems (AREA)
  • Biomedical Technology (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Rehabilitation Tools (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本申请适用于人机交互技术领域，提供了一种关节角度预测方法、终端设备及介质，该方法包括采集关节角度数据；利用模糊聚类方法将健侧腿关节角度样本分解到模糊集，得到健侧腿关节角度样本对模糊集的隶属度；将患侧腿关节角度样本划分为多个关节角度区间；根据关节角度区间中的健侧腿关节角度样本，得到关节角度模糊规则信息，并根据关节角度区间中健侧腿关节角度样本对应的模糊集、患侧腿关节角度样本以及关节角度模糊规则信息，构建关节角度模糊规则；根据关节角度模糊规则，得到患侧腿关节角度预测模型；利用患侧腿关节角度预测模型，对患侧腿关节角度进行预测，得到患侧腿关节预测角度。本申请能提高关节角度预测的准确性。

Description

一种关节角度预测方法、终端设备及介质
技术领域
本申请属于人机交互技术领域，尤其涉及一种关节角度预测方法、终端设备及介质。
背景技术
随着人口老年化程度加重，由脑卒中，中风，意外事故导致的偏瘫患者逐渐增多。除了手术治疗之外，康复运动对于偏瘫、截瘫等下肢运动功能障碍患者至关重要，及早接受康复治疗将极大提升康复效果，这对提高偏瘫患者的生活质量，帮助其早日回归正常生活等方面具有重要意义。
关节角度预测是偏瘫患者康复运动中最重要的环节，通常在一个正常人的行走过程中，双腿之间存在着较强的协同作用。然而，由于偏瘫患者的运动功能受损，健侧腿和患侧腿之间的协同性较弱，因此，现行的基于健侧腿和患侧腿之间的协同性的关节角度预测方法的准确性并不理想。此外，常用的有线性模型、高阶多项式模型、神经网络模型等，受限于关节角度的连续性、模糊性以及非线性，无法对运动时的关节角度进行准确的建模，因而无法满足关节角度预测的要求。因此，亟需一种能够对关节角度进行准确预测的方法。
发明内容
本申请实施例提供了一种关节角度预测方法、终端设备及介质，可以解决目前关节角度预测准确性较低的问题。
第一方面，本申请实施例提供了一种关节角度预测方法，包括：
采集目标患者的关节角度数据；关节角度数据包括
Figure SMS_1
个历史时刻的健侧腿关节角度样本和/>
Figure SMS_2
个历史时刻的患侧腿关节角度样本；
利用模糊聚类方法将
Figure SMS_3
个历史时刻的健侧腿关节角度样本分解到多个模糊集，得到每个历史时刻的健侧腿关节角度样本对每个模糊集的隶属度；
将
Figure SMS_4
个历史时刻的患侧腿关节角度样本划分为多个关节角度区间；
分别针对每个关节角度区间，根据关节角度区间中每个历史时刻的健侧腿关节角度样本，得到该历史时刻的关节角度模糊规则信息，并根据关节角度区间中每个历史时刻的健侧腿关节角度样本对应的模糊集、每个历史时刻的患侧腿关节角度样本以及每个历史时刻的关节角度模糊规则信息，构建关节角度区间的关节角度模糊规则；
根据多个关节角度区间的关节角度模糊规则，得到患侧腿关节角度预测模型；
利用患侧腿关节角度预测模型，对目标患者在待测时刻的患侧腿关节角度进行预测，得到患侧腿关节预测角度。
可选的，利用模糊聚类方法将
Figure SMS_5
个历史时刻的健侧腿关节角度样本分解到多个模糊集，得到每个历史时刻的健侧腿关节角度样本对每个模糊集的隶属度，包括：
通过计算公式
Figure SMS_6
得到隶属度
Figure SMS_9
；其中，/>
Figure SMS_12
表示第/>
Figure SMS_15
个历史时刻的健侧腿关节角度样本对第/>
Figure SMS_8
个模糊集的隶属度，/>
Figure SMS_11
，/>
Figure SMS_14
表示模糊集的总数量，/>
Figure SMS_16
表示第/>
Figure SMS_7
个模糊集的聚类中心，/>
Figure SMS_10
表示第/>
Figure SMS_13
个模糊集的方差。
可选的，根据关节角度区间中每个历史时刻的健侧腿关节角度样本，得到该历史时刻的关节角度模糊规则信息，包括：
对于关节角度区间的第一个历史时刻，关节角度模糊规则信息的表达式为
Figure SMS_17
；其中，/>
Figure SMS_18
表示第一个历史时刻的健侧腿关节角度样本，/>
Figure SMS_19
表示非线性映射函数；
对于关节角度区间中除第一个历史时刻以外的其他历史时刻
Figure SMS_22
，关节角度模糊规则信息的表达式为/>
Figure SMS_24
；其中，/>
Figure SMS_26
表示第/>
Figure SMS_21
个历史时刻的健侧腿关节角度样本的权重，/>
Figure SMS_25
，/>
Figure SMS_27
表示关节角度区间中历史时刻的总数量，/>
Figure SMS_28
表示第/>
Figure SMS_20
个历史时刻的关节角度模糊规则信息/>
Figure SMS_23
的权重。
可选的，关节角度区间的关节角度模糊规则的表达式如下：
Figure SMS_29
Figure SMS_30
其中，
Figure SMS_38
表示第/>
Figure SMS_32
个关节角度区间的关节角度模糊规则，/>
Figure SMS_41
表示第/>
Figure SMS_39
个关节角度模糊规则下的第/>
Figure SMS_44
个模糊集，/>
Figure SMS_37
，/>
Figure SMS_48
表示关节角度区间的总数量，/>
Figure SMS_33
表示第/>
Figure SMS_46
个历史时刻的健侧腿关节角度样本，/>
Figure SMS_31
，/>
Figure SMS_42
表示关节的编号，关节包括膝关节，髋关节和踝关节，/>
Figure SMS_40
表示第/>
Figure SMS_47
个关节角度区间的关节角度模糊规则下第/>
Figure SMS_36
个历史时刻的患侧腿关节角度样本，/>
Figure SMS_45
和/>
Figure SMS_35
均表示参数，/>
Figure SMS_43
表示关节角度模糊规则在第/>
Figure SMS_34
个历史时刻的关节角度模糊规则信息。
可选的，根据多个关节角度区间的关节角度模糊规则，得到患侧腿关节角度预测模型，包括：
根据多个关节角度区间的关节角度模糊规则，构建患侧腿关节角度与健侧腿关节角度之间的关联关系；
对关联关系中的参数进行求解，并根据求解得到的参数得到患侧腿关节角度预测模型。
可选的，患侧腿关节角度与健侧腿关节角度之间的关联关系为：
Figure SMS_49
Figure SMS_50
其中，
Figure SMS_51
表示第/>
Figure SMS_52
个历史时刻的健侧腿关节角度样本/>
Figure SMS_53
对应的患侧腿关节角度样本，/>
Figure SMS_54
表示/>
Figure SMS_55
对第/>
Figure SMS_56
个模糊集的隶属度。
可选的，关联关系中的参数包括后件参数
Figure SMS_57
、第/>
Figure SMS_58
个历史时刻的健侧腿关节角度的权重/>
Figure SMS_59
以及第/>
Figure SMS_60
个历史时刻的关节角度模糊规则信息的权重/>
Figure SMS_61
；
通过计算公式
Figure SMS_62
；
Figure SMS_63
；
得到后件参数
Figure SMS_64
；其中，/>
Figure SMS_65
表示正则化因子，/>
Figure SMS_66
表示第/>
Figure SMS_67
个历史时刻的误差；
将后件参数
Figure SMS_68
代入关联关系，得到患侧腿关节角度与健侧腿关节角度之间的关系式；
构建权重损失函数，根据梯度下降法对关系式中的健侧腿关节角度的权重
Figure SMS_69
以及关节角度模糊规则信息的权重/>
Figure SMS_70
进行求解，得到患侧腿关节角度预测模型；其中，
权重损失函数的表达式如下：
Figure SMS_71
患侧腿关节角度预测模型的表达式如下：
Figure SMS_72
Figure SMS_73
可选的，在利用患侧腿关节角度预测模型，对目标患者在待测时刻的患侧腿关节角度进行预测，得到患侧腿关节预测角度后，本申请提供的关节角度预测方法还包括：
通过计算公式
Figure SMS_74
得到修正角度误差
Figure SMS_75
；其中，/>
Figure SMS_76
，/>
Figure SMS_77
表示患侧腿关节预测角度，/>
Figure SMS_78
表示采集的患侧腿外骨骼关节实际角度，/>
Figure SMS_79
表示预先设置的向外拓宽角度；
若修正角度误差等于零，则通过计算公式
Figure SMS_80
Figure SMS_81
Figure SMS_82
得到用于控制患侧腿外骨骼的扭矩
Figure SMS_84
，其中，/>
Figure SMS_87
表示外骨骼的重力和关节摩擦力补偿，/>
Figure SMS_88
表示常数项，/>
Figure SMS_85
表示实际关节角度/>
Figure SMS_86
与关节预测角度/>
Figure SMS_89
之间的距离，
Figure SMS_90
表示健侧腿的关节角度，/>
Figure SMS_83
表示健侧腿的运动方向；
若修正角度误差不等于零，则通过计算公式
Figure SMS_91
Figure SMS_92
得到扭矩
Figure SMS_93
；其中，/>
Figure SMS_94
表示比例项，/>
Figure SMS_95
表示微分项。
第二方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的关节角度预测方法。
第三方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述的关节角度预测方法。
本申请的上述方案有如下的有益效果：
在本申请的一些实施例中，通过利用模糊聚类方法将
Figure SMS_96
个历史时刻的健侧腿关节角度样本分解到多个模糊集，得到每个历史时刻的健侧腿关节角度样本对每个模糊集的隶属度，能够较好的处理健侧腿关节角度的模糊性，提高患侧腿关节角度预测的准确性；根据关节角度区间中每个历史时刻的健侧腿关节角度样本对应的模糊集、每个历史时刻的患侧腿关节角度样本以及每个历史时刻的关节角度模糊规则信息，构建关节角度区间的关节角度模糊规则，能够使关节角度模糊规则具有记忆功能，从而提高关节角度预测的准确性。
本申请的其它有益效果将在随后的具体实施方式部分予以详细说明。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，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为本申请一实施例提供的关节角度预测方法的流程图；
图2为本申请一实施例提供的利用患侧腿关节角度预测模型得到患侧腿关节预测角度的过程示意图；
图3为本申请一实施例提供的外骨骼控制方法的流程图；
图4为本申请一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
针对目前关节角度预测的准确性较低的问题，本申请提供了一种关节角度预测方法、终端设备及介质，其中，该方法通过利用模糊聚类方法将
Figure SMS_97
个历史时刻的健侧腿关节角度样本分解到多个模糊集，得到每个历史时刻的健侧腿关节角度样本对每个模糊集的隶属度，能够较好的处理健侧腿关节角度的模糊性，提高患侧腿关节角度预测的准确性；根据关节角度区间中每个历史时刻的健侧腿关节角度样本对应的模糊集、每个历史时刻的患侧腿关节角度样本以及每个历史时刻的关节角度模糊规则信息，构建关节角度区间的关节角度模糊规则，能够使关节角度模糊规则具有记忆功能，从而提高关节角度预测的准确性。
如图1所示，本申请提供的关节角度预测方法包括以下步骤：
步骤11，采集目标患者的关节角度数据。
上述关节角度数据包括
Figure SMS_98
个历史时刻的健侧腿关节角度样本和/>
Figure SMS_99
个历史时刻的患侧腿关节角度样本。可用常见的关节角度数据采集方法对目标患者的关节角度数据进行采集，例如：光电式运动捕捉系统（使用多个摄像头捕捉身体运动轨迹和关节角度，通过软件处理和计算得到关节角度）、惯性测量单元（为患侧腿穿戴惯性测量单元，通过测量运动物体的角速度和加速度等数据，计算关节角度）以及传感器（安装在关节附近的传感器可以测量关节的位置和角度）。
示例性的，在本申请的一实施例中，采集到的
Figure SMS_100
个历史时刻的健侧腿关节角度样本表示为/>
Figure SMS_101
，其中，第/>
Figure SMS_102
个历史时刻的健侧腿关节角度样本/>
Figure SMS_103
，/>
Figure SMS_104
表示关节编号，在本申请的一些实施例中，上述关节包括膝关节，髋关节和踝关节。
采集到的
Figure SMS_105
个历史时刻的患侧腿关节角度样本表示为/>
Figure SMS_106
。
步骤12，利用模糊聚类方法将
Figure SMS_107
个历史时刻的健侧腿关节角度样本分解到多个模糊集，得到每个历史时刻的健侧腿关节角度样本对每个模糊集的隶属度。
在本申请的一些实施例中，上述模糊聚类方法可以是模糊
Figure SMS_108
均值聚类方法（FuzzyC-means clustering），其具体过程为：将多维时间序列的健侧腿关节样本分解到/>
Figure SMS_109
个模糊集，通过不断优化模糊集中心以及健侧腿关节样本到模糊集中心的距离，从而得到最优的聚类中心/>
Figure SMS_110
和方差/>
Figure SMS_111
。
具体的，通过计算公式
Figure SMS_112
得到隶属度
Figure SMS_115
；其中，/>
Figure SMS_118
表示第/>
Figure SMS_119
个历史时刻的健侧腿关节角度样本对第/>
Figure SMS_114
个模糊集的隶属度，/>
Figure SMS_117
，/>
Figure SMS_121
表示模糊集的总数量，/>
Figure SMS_122
表示第/>
Figure SMS_113
个模糊集的聚类中心，/>
Figure SMS_116
表示第/>
Figure SMS_120
个模糊集的方差。
步骤13，将
Figure SMS_123
个历史时刻的患侧腿关节角度样本划分为多个关节角度区间。
在一般情况下，人运动时的腿部关节角度的取值区间为
Figure SMS_124
，因此，在本申请的一些实施例中，基于上述先验知识，将患侧腿关节角度样本划分成/>
Figure SMS_125
、
Figure SMS_126
、/>
Figure SMS_127
、/>
Figure SMS_128
这样的关节角度区间。
步骤14，分别针对每个关节角度区间，根据关节角度区间中每个历史时刻的健侧腿关节角度样本，得到该历史时刻的关节角度模糊规则信息，并根据关节角度区间中每个历史时刻的健侧腿关节角度样本对应的模糊集、每个历史时刻的患侧腿关节角度样本以及每个历史时刻的关节角度模糊规则信息，构建关节角度区间的关节角度模糊规则。
步骤14.1，对于关节角度区间的第一个历史时刻，关节角度模糊规则信息的表达式为
Figure SMS_131
；其中，/>
Figure SMS_135
表示第一个历史时刻的健侧腿关节角度样本，/>
Figure SMS_137
表示非线性映射函数；对于关节角度区间中除第一个历史时刻以外的其他历史时刻/>
Figure SMS_132
，关节角度模糊规则信息的表达式为/>
Figure SMS_134
；其中，/>
Figure SMS_138
表示第/>
Figure SMS_140
个历史时刻的健侧腿关节角度样本的权重，/>
Figure SMS_129
，/>
Figure SMS_133
表示关节角度区间中历史时刻的总数量，/>
Figure SMS_136
表示第/>
Figure SMS_139
个历史时刻的关节角度模糊规则信息
Figure SMS_130
的权重。
值得一提的是，本申请提供的关节角度预测方法在计算每个时刻的关节角度模糊规则信息，考虑了前一历史时刻的关节角度模糊规则信息，能够提高关节角度模糊规则信息的准确度，从而提高关节角度预测的准确性。
步骤14.2，构建的关节角度区间的关节角度模糊规则的表达式如下：
Figure SMS_141
Figure SMS_142
其中，
Figure SMS_150
表示第/>
Figure SMS_147
个关节角度区间的关节角度模糊规则，/>
Figure SMS_158
表示第/>
Figure SMS_145
个关节角度模糊规则下的第/>
Figure SMS_156
个模糊集，/>
Figure SMS_152
，/>
Figure SMS_160
表示关节角度区间的总数量，/>
Figure SMS_146
表示第/>
Figure SMS_157
个历史时刻的健侧腿关节角度样本，/>
Figure SMS_143
，/>
Figure SMS_154
表示关节的编号，关节包括膝关节，髋关节和踝关节，/>
Figure SMS_151
表示第/>
Figure SMS_159
个关节角度区间的关节角度模糊规则下第/>
Figure SMS_148
个历史时刻的患侧腿关节角度样本，/>
Figure SMS_155
和/>
Figure SMS_144
均表示参数，/>
Figure SMS_153
表示关节角度模糊规则在第/>
Figure SMS_149
个历史时刻的关节角度模糊规则信息。
步骤15，根据多个关节角度区间的关节角度模糊规则，得到患侧腿关节角度预测模型。
步骤16，利用患侧腿关节角度预测模型，对目标患者在待测时刻的患侧腿关节角度进行预测，得到患侧腿关节预测角度。
如图2所示，将目标患者在待测时刻的健侧腿关节角度输入患侧腿关节角度预测模型，再通过计算患侧腿关节角度预测模型，就能得到该时刻患侧腿关节预测角度。
如图3所示，经过步骤16得到的患侧腿关节预测角度能够辅助患侧腿外骨骼的控制，其具体控制过程如下：
通过计算公式
Figure SMS_161
得到修正角度误差
Figure SMS_162
；其中，/>
Figure SMS_163
，/>
Figure SMS_164
表示患侧腿关节预测角度，/>
Figure SMS_165
表示采集的患侧腿外骨骼关节实际角度，/>
Figure SMS_166
表示预先设置的向外拓宽角度；
若修正角度误差等于零，则通过计算公式
Figure SMS_167
Figure SMS_168
Figure SMS_169
得到用于控制所述患侧腿外骨骼的扭矩
Figure SMS_171
，其中，/>
Figure SMS_174
表示外骨骼的重力和关节摩擦力补偿，/>
Figure SMS_176
表示常数项，/>
Figure SMS_172
表示实际关节角度/>
Figure SMS_173
与关节预测角度/>
Figure SMS_175
之间的距离，/>
Figure SMS_177
表示健侧腿的关节角度，/>
Figure SMS_170
表示健侧腿的运动方向；
具体的，如果健侧腿轨迹在允许的安全轨迹内，即
Figure SMS_178
，康复控制器在实际关节角度等于健侧腿关节角度时产生最大引导扭矩，并驱动外骨骼机器人沿着健侧腿轨迹前进。否则，最大的扭矩是在最接近康复步态的安全轨迹边缘产生的。引导扭矩随着距离的增加而变小。/>
若修正角度误差不等于零，则通过计算公式
Figure SMS_179
Figure SMS_180
得到扭矩
Figure SMS_181
；其中，/>
Figure SMS_182
表示比例项，/>
Figure SMS_183
表示微分项。
下面对步骤15（根据多个关节角度区间的关节角度模糊规则，得到患侧腿关节角度预测模型）的具体过程做示例性说明。
步骤15.1，根据多个关节角度区间的关节角度模糊规则，构建患侧腿关节角度与健侧腿关节角度之间的关联关系。
具体的，患侧腿关节角度与健侧腿关节角度之间的关联关系为：
Figure SMS_184
Figure SMS_185
其中，
Figure SMS_186
表示第/>
Figure SMS_187
个历史时刻的健侧腿关节角度样本/>
Figure SMS_188
对应的患侧腿关节角度样本，/>
Figure SMS_189
表示/>
Figure SMS_190
对第/>
Figure SMS_191
个模糊集的隶属度。
步骤15.2，对关联关系中的参数进行求解，并根据求解得到的参数得到患侧腿关节角度预测模型。
上述关联关系中的参数包括后件参数
Figure SMS_192
、第/>
Figure SMS_193
个历史时刻的健侧腿关节角度的权重/>
Figure SMS_194
以及第/>
Figure SMS_195
个历史时刻的关节角度模糊规则信息的权重/>
Figure SMS_196
。
步骤15.2.1，通过计算公式
Figure SMS_197
；
Figure SMS_198
；
得到后件参数
Figure SMS_199
；其中，/>
Figure SMS_200
表示正则化因子，/>
Figure SMS_201
表示第/>
Figure SMS_202
个历史时刻的误差。
下面对步骤15.2.1的计算过程进行示例性说明。
为了求解上式，本申请的实施例构建以下目标函数：
Figure SMS_203
其中，
Figure SMS_204
表示拉格朗日乘子。
通过求导可得以下优化条件：
Figure SMS_205
Figure SMS_206
Figure SMS_207
Figure SMS_208
Figure SMS_209
联合上述各优化条件的表达式可得
Figure SMS_210
其中，
Figure SMS_211
Figure SMS_212
Figure SMS_213
Figure SMS_214
Figure SMS_215
/>
Figure SMS_216
Figure SMS_217
Figure SMS_218
Figure SMS_219
求解可得
Figure SMS_220
。
步骤15.2.2，将后件参数
Figure SMS_221
代入关联关系，得到患侧腿关节角度与健侧腿关节角度之间的关系式。
步骤15.2.3，构建权重损失函数，根据梯度下降法对关系式中的健侧腿关节角度的权重
Figure SMS_222
以及关节角度模糊规则信息的权重/>
Figure SMS_223
进行求解，得到患侧腿关节角度预测模型。
其中，权重损失函数的表达式如下：
Figure SMS_224
患侧腿关节角度预测模型的表达式如下：
Figure SMS_225
Figure SMS_226
下面对步骤15.2.3的具体过程做示例性说明。
对关系式中的权重参数分别求偏导可得
Figure SMS_227
Figure SMS_228
Figure SMS_229
因此，权重参数的迭代公式为：
Figure SMS_230
Figure SMS_231
其中，
Figure SMS_232
和/>
Figure SMS_233
均表示学习率，/>
Figure SMS_234
表示迭代次数。
如图4所示，本申请的实施例提供了一种终端设备，如图4所示，该实施例的终端设备D10包括：至少一个处理器D100（图4中仅示出一个处理器）、存储器D101以及存储在所述存储器D101中并可在所述至少一个处理器D100上运行的计算机程序D102，所述处理器D100执行所述计算机程序D102时实现上述任意各个方法实施例中的步骤。
具体的，所述处理器D100执行所述计算机程序D102时，通过采集目标患者的关节角度数据，再利用模糊聚类方法将关节角度数据中的
Figure SMS_235
个历史时刻的健侧腿关节角度样本分解到多个模糊集，得到每个历史时刻的健侧腿关节角度样本对每个模糊集的隶属度，然后将/>
Figure SMS_236
个历史时刻的患侧腿关节角度样本划分为多个关节角度区间，随后根据关节角度区间中每个历史时刻的健侧腿关节角度样本，得到该历史时刻的关节角度模糊规则信息，并根据关节角度区间中每个历史时刻的健侧腿关节角度样本对应的模糊集、每个历史时刻的患侧腿关节角度样本以及每个历史时刻的关节角度模糊规则信息，构建关节角度区间的关节角度模糊规则，然后根据多个关节角度区间的关节角度模糊规则，得到患侧腿关节角度预测模型，最后利用患侧腿关节角度预测模型，对目标患者在待测时刻的患侧腿关节角度进行预测，得到患侧腿关节预测角度。其中，通过利用模糊聚类方法将/>
Figure SMS_237
个历史时刻的健侧腿关节角度样本分解到多个模糊集，得到每个历史时刻的健侧腿关节角度样本对每个模糊集的隶属度，能够较好的处理健侧腿关节角度的模糊性，提高患侧腿关节角度预测的准确性；根据关节角度区间中每个历史时刻的健侧腿关节角度样本对应的模糊集、每个历史时刻的患侧腿关节角度样本以及每个历史时刻的关节角度模糊规则信息，构建关节角度区间的关节角度模糊规则，能够使关节角度模糊规则具有记忆功能，从而提高关节角度预测的准确性。
所称处理器D100可以是中央处理单元(CPU，Central Processing Unit)，该处理器D100还可以是其他通用处理器、数字信号处理器 (DSP，Digital Signal Processor)、专用集成电路 (ASIC，Application Specific Integrated Circuit)、现成可编程门阵列(FPGA，Field-Programmable Gate Array) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器D101在一些实施例中可以是所述终端设备D10的内部存储单元，例如终端设备D10的硬盘或内存。所述存储器D101在另一些实施例中也可以是所述终端设备D10的外部存储设备，例如所述终端设备D10上配备的插接式硬盘，智能存储卡（SMC，SmartMedia Card ），安全数字（SD，Secure Digital）卡，闪存卡（Flash Card）等。进一步地，所述存储器D101还可以既包括所述终端设备D10的内部存储单元也包括外部存储设备。所述存储器D101用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器D101还可以用于暂时地存储已经输出或者将要输出的数据。
本申请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存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到关节角度预测终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，RandomAccess Memory）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
本申请提供的关节角度预测方法、终端设备及介质的优点在于：
（1）引入了历史模型信息h，使得每个规则具有记忆功能，能够结合历史输出和模型信息做出更好的关节角度预测；
（2）建立了偏瘫步态预测方法。由于关节角度是连续时间序列的变量，且与历史时刻的人体关节信息有强烈的关联性。因此以健侧腿关节角度为输入，患侧腿关节角度为输出，建立了患侧腿关节角度预测模型，完成了患侧腿关节角度的预测；
（3）设计了一种按需辅助的控制策略。根据患侧腿的运动能力，设计合理的期望角度作为患侧腿的康复目标。使得患侧腿在进行康复训练的同时，保障了运动的安全性；
（4）开发了一种混合学习方法对参数进行辨识，得到了患侧腿关节角度预测模型的最佳参数。
以上所述是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种关节角度预测方法，其特征在于，包括：
采集目标患者的关节角度数据；所述关节角度数据包括
Figure QLYQS_1
个历史时刻的健侧腿关节角度样本和所述/>
Figure QLYQS_2
个历史时刻的患侧腿关节角度样本；
利用模糊聚类方法将所述
Figure QLYQS_3
个历史时刻的健侧腿关节角度样本分解到多个模糊集，得到每个历史时刻的健侧腿关节角度样本对每个模糊集的隶属度；
将所述
Figure QLYQS_4
个历史时刻的患侧腿关节角度样本划分为多个关节角度区间；
分别针对每个关节角度区间，根据所述关节角度区间中每个历史时刻的健侧腿关节角度样本，得到该历史时刻的关节角度模糊规则信息，并根据所述关节角度区间中每个历史时刻的健侧腿关节角度样本对应的模糊集、每个历史时刻的患侧腿关节角度样本以及每个历史时刻的关节角度模糊规则信息，构建所述关节角度区间的关节角度模糊规则；
根据所述多个关节角度区间的关节角度模糊规则，得到患侧腿关节角度预测模型；
利用所述患侧腿关节角度预测模型，对所述目标患者在待测时刻的患侧腿关节角度进行预测，得到患侧腿关节预测角度。
2.根据权利要求1所述的关节角度预测方法，其特征在于，所述利用模糊聚类方法将所述
Figure QLYQS_5
个历史时刻的健侧腿关节角度样本分解到多个模糊集，得到每个历史时刻的健侧腿关节角度样本对每个模糊集的隶属度，包括：
通过计算公式
Figure QLYQS_6
得到所述隶属度
Figure QLYQS_9
；其中，/>
Figure QLYQS_10
表示第/>
Figure QLYQS_14
个历史时刻的健侧腿关节角度样本对第/>
Figure QLYQS_8
个模糊集的隶属度，/>
Figure QLYQS_11
，/>
Figure QLYQS_13
表示模糊集的总数量，/>
Figure QLYQS_16
表示第/>
Figure QLYQS_7
个模糊集的聚类中心，/>
Figure QLYQS_12
表示第/>
Figure QLYQS_15
个模糊集的方差。
3.根据权利要求2所述的关节角度预测方法，其特征在于，所述根据所述关节角度区间中每个历史时刻的健侧腿关节角度样本，得到该历史时刻的关节角度模糊规则信息，包括：
对于所述关节角度区间的第一个历史时刻，所述关节角度模糊规则信息的表达式为
Figure QLYQS_17
；其中，/>
Figure QLYQS_18
表示第一个历史时刻的健侧腿关节角度样本，/>
Figure QLYQS_19
表示非线性映射函数；
对于所述关节角度区间中除第一个历史时刻以外的其他历史时刻
Figure QLYQS_22
，所述关节角度模糊规则信息的表达式为/>
Figure QLYQS_25
；其中，/>
Figure QLYQS_27
表示第/>
Figure QLYQS_21
个历史时刻的健侧腿关节角度样本的权重，/>
Figure QLYQS_24
，/>
Figure QLYQS_26
表示所述关节角度区间中历史时刻的总数量，/>
Figure QLYQS_28
表示第/>
Figure QLYQS_20
个历史时刻的关节角度模糊规则信息/>
Figure QLYQS_23
的权重。/>
4.根据权利要求3所述的关节角度预测方法，其特征在于，所述关节角度区间的关节角度模糊规则的表达式如下：
Figure QLYQS_29
Figure QLYQS_30
其中，
Figure QLYQS_35
表示第/>
Figure QLYQS_40
个关节角度区间的关节角度模糊规则，/>
Figure QLYQS_48
表示第/>
Figure QLYQS_39
个关节角度模糊规则下的第/>
Figure QLYQS_46
个模糊集，/>
Figure QLYQS_38
，/>
Figure QLYQS_47
表示关节角度区间的总数量，/>
Figure QLYQS_36
表示第/>
Figure QLYQS_45
个历史时刻的健侧腿关节角度样本，/>
Figure QLYQS_31
，/>
Figure QLYQS_41
表示关节的编号，所述关节包括膝关节，髋关节和踝关节，/>
Figure QLYQS_34
表示第/>
Figure QLYQS_44
个关节角度区间的关节角度模糊规则下第/>
Figure QLYQS_33
个历史时刻的患侧腿关节角度样本，/>
Figure QLYQS_43
和/>
Figure QLYQS_32
均表示参数，/>
Figure QLYQS_42
表示关节角度模糊规则在第/>
Figure QLYQS_37
个历史时刻的关节角度模糊规则信息。
5.根据权利要求4所述的关节角度预测方法，其特征在于，所述根据所述多个关节角度区间的关节角度模糊规则，得到患侧腿关节角度预测模型，包括：
根据所述多个关节角度区间的关节角度模糊规则，构建患侧腿关节角度与健侧腿关节角度之间的关联关系；
对所述关联关系中的参数进行求解，并根据求解得到的参数得到患侧腿关节角度预测模型。
6.根据权利要求5所述的关节角度预测方法，其特征在于，所述患侧腿关节角度与健侧腿关节角度之间的关联关系为：
Figure QLYQS_49
Figure QLYQS_50
其中，
Figure QLYQS_51
表示第/>
Figure QLYQS_52
个历史时刻的健侧腿关节角度样本/>
Figure QLYQS_53
对应的患侧腿关节角度样本，/>
Figure QLYQS_54
表示/>
Figure QLYQS_55
对第/>
Figure QLYQS_56
个模糊集的隶属度。
7.根据权利要求6所述的关节角度预测方法，其特征在于，所述关联关系中的参数包括后件参数
Figure QLYQS_57
、第/>
Figure QLYQS_58
个历史时刻的健侧腿关节角度的权重/>
Figure QLYQS_59
以及第/>
Figure QLYQS_60
个历史时刻的关节角度模糊规则信息的权重/>
Figure QLYQS_61
；
通过计算公式
Figure QLYQS_62
；/>
Figure QLYQS_63
；
得到所述后件参数
Figure QLYQS_64
；其中，/>
Figure QLYQS_65
表示正则化因子，/>
Figure QLYQS_66
表示第/>
Figure QLYQS_67
个历史时刻的误差；
将所述后件参数
Figure QLYQS_68
代入所述关联关系，得到所述患侧腿关节角度与健侧腿关节角度之间的关系式；
构建权重损失函数，根据梯度下降法对所述关系式中的健侧腿关节角度的权重
Figure QLYQS_69
以及关节角度模糊规则信息的权重/>
Figure QLYQS_70
进行求解，得到所述患侧腿关节角度预测模型；其中，
所述权重损失函数的表达式如下：
Figure QLYQS_71
所述患侧腿关节角度预测模型的表达式如下：
Figure QLYQS_72
Figure QLYQS_73
。
8.根据权利要求7所述的关节角度预测方法，其特征在于，在利用所述患侧腿关节角度预测模型，对所述目标患者在待测时刻的患侧腿关节角度进行预测，得到患侧腿关节预测角度后，所述关节角度预测方法还包括：
通过计算公式
Figure QLYQS_74
得到修正角度误差
Figure QLYQS_75
；其中，/>
Figure QLYQS_76
，/>
Figure QLYQS_77
表示所述患侧腿关节预测角度，
Figure QLYQS_78
表示采集的患侧腿外骨骼关节实际角度，/>
Figure QLYQS_79
表示预先设置的向外拓宽角度；
若所述修正角度误差等于零，则通过计算公式
Figure QLYQS_80
/>
Figure QLYQS_81
Figure QLYQS_82
得到用于控制所述患侧腿外骨骼的扭矩
Figure QLYQS_84
，其中，/>
Figure QLYQS_87
表示外骨骼的重力和关节摩擦力补偿，/>
Figure QLYQS_89
表示常数项，/>
Figure QLYQS_85
表示实际关节角度/>
Figure QLYQS_86
与关节预测角度/>
Figure QLYQS_88
之间的距离，/>
Figure QLYQS_90
表示健侧腿的关节角度，/>
Figure QLYQS_83
表示健侧腿的运动方向；
若所述修正角度误差不等于零，则通过计算公式
Figure QLYQS_91
Figure QLYQS_92
得到所述扭矩
Figure QLYQS_93
；其中，/>
Figure QLYQS_94
表示比例项，/>
Figure QLYQS_95
表示微分项。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的关节角度预测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的关节角度预测方法。
CN202310493739.XA 2023-05-05 2023-05-05 一种关节角度预测方法、终端设备及介质 Active CN116227606B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310493739.XA CN116227606B (zh) 2023-05-05 2023-05-05 一种关节角度预测方法、终端设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310493739.XA CN116227606B (zh) 2023-05-05 2023-05-05 一种关节角度预测方法、终端设备及介质

Publications (2)

Publication Number Publication Date
CN116227606A true CN116227606A (zh) 2023-06-06
CN116227606B CN116227606B (zh) 2023-08-15

Family

ID=86589508

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310493739.XA Active CN116227606B (zh) 2023-05-05 2023-05-05 一种关节角度预测方法、终端设备及介质

Country Status (1)

Country Link
CN (1) CN116227606B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116719417A (zh) * 2023-08-07 2023-09-08 海马云（天津）信息技术有限公司 虚拟数字人的运动约束方法和装置、电子设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102799937A (zh) * 2012-06-26 2012-11-28 天津大学 肌电信号与关节角度信息融合的下肢运动轨迹预测方法
JP2013013579A (ja) * 2011-07-04 2013-01-24 Iwate Univ 健側情報フィードバック型歩行補助装置
KR20130010609A (ko) * 2011-07-19 2013-01-29 한국생산기술연구원 보행 보조 로봇 및 보행 보조 로봇의 제어 방법
US10271768B1 (en) * 2010-12-23 2019-04-30 Jogohealth Inc. Method for determining rehab protocol and behavior shaping target for rehabilitation of neuromuscular disorders
CN109771216A (zh) * 2019-01-25 2019-05-21 王晶 一种脑卒中患者复健fes信号精确定位方法
CN113011458A (zh) * 2021-02-19 2021-06-22 华南理工大学 负载机动型外骨骼人体运动意图识别方法及外骨骼系统
WO2022136915A1 (en) * 2020-12-21 2022-06-30 Future Health Works Ltd. Joint angle determination under limited visibility
CN115227542A (zh) * 2022-06-27 2022-10-25 国家康复辅具研究中心 一种腕手综合康复系统及方法
CN115599222A (zh) * 2022-11-08 2023-01-13 中南大学（Cn） 关节运动估计方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10271768B1 (en) * 2010-12-23 2019-04-30 Jogohealth Inc. Method for determining rehab protocol and behavior shaping target for rehabilitation of neuromuscular disorders
JP2013013579A (ja) * 2011-07-04 2013-01-24 Iwate Univ 健側情報フィードバック型歩行補助装置
KR20130010609A (ko) * 2011-07-19 2013-01-29 한국생산기술연구원 보행 보조 로봇 및 보행 보조 로봇의 제어 방법
CN102799937A (zh) * 2012-06-26 2012-11-28 天津大学 肌电信号与关节角度信息融合的下肢运动轨迹预测方法
CN109771216A (zh) * 2019-01-25 2019-05-21 王晶 一种脑卒中患者复健fes信号精确定位方法
WO2022136915A1 (en) * 2020-12-21 2022-06-30 Future Health Works Ltd. Joint angle determination under limited visibility
CN113011458A (zh) * 2021-02-19 2021-06-22 华南理工大学 负载机动型外骨骼人体运动意图识别方法及外骨骼系统
CN115227542A (zh) * 2022-06-27 2022-10-25 国家康复辅具研究中心 一种腕手综合康复系统及方法
CN115599222A (zh) * 2022-11-08 2023-01-13 中南大学（Cn） 关节运动估计方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
JIE LIANG ET AL.: "Gaussian Process Autoregression for", 《FRONT. PUBLIC HEALTH》, vol. 9, pages 1 - 15 *
张达: "基于动力学仿真的肌无力型偏瘫步态特征研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》, pages 006 - 162 *
徐俊武;沈林勇;章亚男;钱晋武;: "利用健肢sEMG信号对康复机械腿进行映射控制", 工业控制计算机, no. 05, pages 12 - 14 *
王洪瑞;刘琨;肖金壮;熊鹏;: "一种基于T-S模糊辨识的人体站立平衡系统建模方法", 生物医学工程学杂志, no. 06, pages 1243 - 1249 *
隋昊 等: "基于误差均值与方差最小化的鲁棒T-S 模糊建模方法", 《浙江大学学报（工学版）》, vol. 53, pages 382 - 387 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116719417A (zh) * 2023-08-07 2023-09-08 海马云（天津）信息技术有限公司 虚拟数字人的运动约束方法和装置、电子设备及存储介质
CN116719417B (zh) * 2023-08-07 2024-01-26 海马云（天津）信息技术有限公司 虚拟数字人的运动约束方法和装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN116227606B (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
CN116227606B (zh) 一种关节角度预测方法、终端设备及介质
Bonnet et al. Monitoring of hip and knee joint angles using a single inertial measurement unit during lower limb rehabilitation
CN109727672B (zh) 患者胸腹部肿瘤呼吸运动预测跟踪方法
KR20160031246A (ko) 보행 환경 인식 방법 및 장치
CN107588784A (zh) 一种状态识别并区分的方法、装置及终端
Thorey et al. AI vs Humans for the diagnosis of sleep apnea
Alinia et al. A reliable and reconfigurable signal processing framework for estimation of metabolic equivalent of task in wearable sensors
Rai et al. Mode-free control of prosthetic lower limbs
CN112568898A (zh) 一种基于视觉图像对人体运动动作自动进行伤病风险评估及动作矫正的方法、装置及设备
Li et al. A neural network-based model for lower limb continuous estimation against the disturbance of uncertainty
Chen et al. IMU-based estimation of lower limb motion trajectory with graph convolution network
Foroutannia et al. Adaptive fuzzy impedance control of exoskeleton robots with electromyography-based convolutional neural networks for human intended trajectory estimation
CN112438707A (zh) 生命体征的检测装置、方法及系统
Potter et al. Evaluation of Error-State Kalman Filter Method for Estimating Human Lower-Limb Kinematics during Various Walking Gaits
Chaubey et al. Disease diagnosis and treatment using deep learning algorithms for the healthcare system
Tham et al. Biomechanical ambulatory assessment of 3D knee angle using novel inertial sensor-based technique
Chee et al. Gait acceleration-based diabetes detection using hybrid deep learning
Qian et al. Combining deep learning and model-based method using Bayesian Inference for walking speed estimation
Kammoun et al. Estimation of temporal parameters during running with a wrist-worn inertial sensor: An in-field validation
WO2023035457A1 (zh) 助行器的控制方法、系统和驱动设备
CN110279411A (zh) 一种心脏数据异常检测方法、装置、存储介质及终端设备
Cornish et al. Hip contact forces can be predicted with a neural network using only synthesised key points and electromyography in people with hip osteoarthritis.
CN115211872A (zh) 肌肉运动状态检测方法、装置、电子设备及存储介质
WO2021241676A1 (ja) 運動解析装置、システム及び記憶媒体、並びにリハビリテーションシステム
Hashim et al. Optimization of ECG Peaks (Amplitude and Duration) in Predicting ECG Abnormality using Artificial Neural Network

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
CB03 Change of inventor or designer information

Inventor after: Lu Xinjiang

Inventor after: Bai Yunxu

Inventor before: Lu Xinjiang

Inventor before: Bai Dexu

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant