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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 210000001503 joint Anatomy 0.000 claims abstract description 153
- 210000002414 leg Anatomy 0.000 claims description 165
- 238000004590 computer program Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000036541 health Effects 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 230000004580 weight loss Effects 0.000 claims description 6
- 210000003423 ankle Anatomy 0.000 claims description 4
- 210000001624 hip Anatomy 0.000 claims description 4
- 210000003127 knee Anatomy 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 5
- 206010019468 Hemiplegia Diseases 0.000 description 4
- 230000006386 memory function Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005021 gait Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 206010033892 Paraplegia Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 230000007659 motor function Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
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:
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。
通过计算公式
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:
对于关节角度区间中除第一个历史时刻以外的其他历史时刻,关节角度模糊规则信息的表达式为/>;其中,/>表示第/>个历史时刻的健侧腿关节角度样本的权重,/>,/>表示关节角度区间中历史时刻的总数量,/>表示第/>个历史时刻的关节角度模糊规则信息/>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:
其中,表示第/>个关节角度区间的关节角度模糊规则,/>表示第/>个关节角度模糊规则下的第/>个模糊集,/>,/>表示关节角度区间的总数量,/>表示第/>个历史时刻的健侧腿关节角度样本,/>,/>表示关节的编号,关节包括膝关节,髋关节和踝关节,/>表示第/>个关节角度区间的关节角度模糊规则下第/>个历史时刻的患侧腿关节角度样本,/>和/>均表示参数,/>表示关节角度模糊规则在第/>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:
通过计算公式
权重损失函数的表达式如下:
患侧腿关节角度预测模型的表达式如下:
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
若修正角度误差等于零,则通过计算公式
若修正角度误差不等于零,则通过计算公式
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个历史时刻的健侧腿关节角度样本和/>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,采集到的个历史时刻的健侧腿关节角度样本表示为/>,其中,第/>个历史时刻的健侧腿关节角度样本/>,/>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。
在本申请的一些实施例中,上述模糊聚类方法可以是模糊均值聚类方法(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/>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/>和方差/>。
具体的,通过计算公式
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;其中,/>表示第一个历史时刻的健侧腿关节角度样本,/>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/>,关节角度模糊规则信息的表达式为/>;其中,/>表示第/>个历史时刻的健侧腿关节角度样本的权重,/>,/>表示关节角度区间中历史时刻的总数量,/>表示第/>个历史时刻的关节角度模糊规则信息的权重。
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:
其中,表示第/>个关节角度区间的关节角度模糊规则,/>表示第/>个关节角度模糊规则下的第/>个模糊集,/>,/>表示关节角度区间的总数量,/>表示第/>个历史时刻的健侧腿关节角度样本,/>,/>表示关节的编号,关节包括膝关节,髋关节和踝关节,/>表示第/>个关节角度区间的关节角度模糊规则下第/>个历史时刻的患侧腿关节角度样本,/>和/>均表示参数,/>表示关节角度模糊规则在第/>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
若修正角度误差等于零,则通过计算公式
得到用于控制所述患侧腿外骨骼的扭矩,其中,/>表示外骨骼的重力和关节摩擦力补偿,/>表示常数项,/>表示实际关节角度/>与关节预测角度/>之间的距离,/>表示健侧腿的关节角度,/>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,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
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:
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。
步骤15.2.1,通过计算公式
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:
通过求导可得以下优化条件:
其中,
其中,权重损失函数的表达式如下:
患侧腿关节角度预测模型的表达式如下:
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
因此,权重参数的迭代公式为:
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/>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/>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:
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。
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。
通过计算公式
所述权重损失函数的表达式如下:
所述患侧腿关节角度预测模型的表达式如下:
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
若所述修正角度误差等于零,则通过计算公式
得到用于控制所述患侧腿外骨骼的扭矩,其中,/>表示外骨骼的重力和关节摩擦力补偿,/>表示常数项,/>表示实际关节角度/>与关节预测角度/>之间的距离,/>表示健侧腿的关节角度,/>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
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。
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)
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)
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 |
-
2023
- 2023-05-05 CN CN202310493739.XA patent/CN116227606B/zh active Active
Patent Citations (9)
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)
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)
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 |