CN116849683A - 用于运动康复治疗的智能辅助装置 - Google Patents

用于运动康复治疗的智能辅助装置 Download PDF

Info

Publication number
CN116849683A
CN116849683A CN202311015527.7A CN202311015527A CN116849683A CN 116849683 A CN116849683 A CN 116849683A CN 202311015527 A CN202311015527 A CN 202311015527A CN 116849683 A CN116849683 A CN 116849683A
Authority
CN
China
Prior art keywords
healthy side
waveform
feature
electromyographic
electromyographic signal
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.)
Withdrawn
Application number
CN202311015527.7A
Other languages
English (en)
Inventor
刘正永
常岩岩
范露梅
冯晓东
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.)
First Affiliated Hospital of Henan University of TCM
Original Assignee
First Affiliated Hospital of Henan University of TCM
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 First Affiliated Hospital of Henan University of TCM filed Critical First Affiliated Hospital of Henan University of TCM
Priority to CN202311015527.7A priority Critical patent/CN116849683A/zh
Publication of CN116849683A publication Critical patent/CN116849683A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/389—Electromyography [EMG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/389—Electromyography [EMG]
    • A61B5/397—Analysis of electromyograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
    • A63B71/06—Indicating or scoring devices for games or players, or for other sports activities
    • A63B71/0619—Displays, user interfaces and indicating devices, specially adapted for sport equipment, e.g. display mounted on treadmills
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2230/00—Measuring physiological parameters of the user
    • A63B2230/08—Measuring physiological parameters of the user other bio-electrical signals

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Human Computer Interaction (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

一种用于运动康复治疗的智能辅助装置，其获取运动康复治疗对象在执行第一预定动作时的检测健侧肌电信号；从后台数据库提取执行所述第一预定动作时的参考健侧肌电信号；对所述检测健侧肌电信号和所述参考健侧肌电信号进行特征提取与特征交互以得到高维交互波形对比特征向量；以及，基于所述高维交互波形对比特征向量，确定所述运动康复治疗对象执行所述第一预定动作是否符合预定规范。这样，可以分析健侧肌电信号与执行预定动作时的参考健侧肌电信号之间的匹配程度，进而提高评估动作的准确性。

Description

用于运动康复治疗的智能辅助装置
技术领域
本申请涉及智能化辅助技术领域，并且更具体地，涉及一种用于运动康复治疗的智能辅助装置。
背景技术
运动康复治疗是一种通过指导和训练运动障碍患者恢复或改善其运动功能的方法。在运动康复治疗中，动作的准确性是评估康复进展和指导治疗的重要指标。
目前，运动康复治疗的动作准确性评估主要依赖于专业人员的主观判断，缺乏客观、量化和实时的评估手段。因此，期待一种用于运动康复治疗的辅助装置。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于运动康复治疗的智能辅助装置，其获取运动康复治疗对象在执行第一预定动作时的检测健侧肌电信号；从后台数据库提取执行所述第一预定动作时的参考健侧肌电信号；对所述检测健侧肌电信号和所述参考健侧肌电信号进行特征提取与特征交互以得到高维交互波形对比特征向量；以及，基于所述高维交互波形对比特征向量，确定所述运动康复治疗对象执行所述第一预定动作是否符合预定规范。这样，可以分析健侧肌电信号与执行预定动作时的参考健侧肌电信号之间的匹配程度，进而提高评估动作的准确性。
第一方面，提供了一种用于运动康复治疗的智能辅助装置，其包括：
检测健侧肌电信号获取模块，用于获取运动康复治疗对象在执行第一预定动作时的检测健侧肌电信号；
参考健侧肌电信号获取模块，用于从后台数据库提取执行所述第一预定动作时的参考健侧肌电信号；
特征提取与特征交互模块，用于对所述检测健侧肌电信号和所述参考健侧肌电信号进行特征提取与特征交互以得到高维交互波形对比特征向量；以及
第一预定动作确定模块，用于基于所述高维交互波形对比特征向量，确定所述运动康复治疗对象执行所述第一预定动作是否符合预定规范。
附图说明
为了更清楚地说明本申请实施例的技术方案，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为根据本申请实施例的用于运动康复治疗的智能辅助装置的框图。
图2为根据本申请实施例的用于运动康复治疗的智能辅助装置中所述特征提取与特征交互模块的框图。
图3为根据本申请实施例的用于运动康复治疗的智能辅助方法的流程图。
图4为根据本申请实施例的用于运动康复治疗的智能辅助方法架构的示意图。
图5为根据本申请实施例的用于运动康复治疗的智能辅助装置的应用场景图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
运动康复治疗是一种通过运动和体育活动来帮助患者康复和改善运动功能的治疗方法，适用于各种运动障碍和运动相关的损伤或疾病，包括肌肉骨骼损伤、关节问题、神经系统疾病、运动失调等。
运动康复治疗的目标是帮助患者恢复或改善运动功能，提高身体的柔韧性、力量、耐力和协调性，减轻疼痛和不适感，提高生活质量。可以应用于不同年龄段的人群，包括儿童、成人和老年人。
运动康复治疗通常由专业的康复医生、物理治疗师、运动治疗师或康复师来指导和实施。治疗方案根据患者的具体情况和康复目标进行个性化设计。治疗方法包括：1.运动训练：包括肌肉力量训练、柔韧性训练、平衡和协调训练等，旨在增强肌肉力量和控制能力，提高身体的稳定性和运动技能。2.康复运动：通过进行特定的康复运动，如步态训练、功能性训练、运动模式重建等，来恢复受损的运动模式和功能。3.手动疗法：包括按摩、牵引、关节调整等手法，用于缓解疼痛、促进血液循环和组织修复。4.热疗和冷疗：应用热敷或冷敷来减轻疼痛、减少炎症和肿胀。5.功能评估和指导：通过评估患者的运动功能和障碍，并提供相应的指导和建议，帮助患者正确进行运动和活动。
运动康复治疗的效果和进展可以通过定期评估和测量来监测。这些评估可以包括力量测试、灵活性测试、平衡测试、步态分析等，以便调整治疗计划和目标。运动康复治疗是一种综合性的康复方法，通过运动和体育活动来促进身体的康复和功能改善。强调个性化治疗，结合专业指导和科学评估，帮助患者恢复到最佳的运动状态。
在运动康复治疗中，动作准确性评估是评估患者康复进展和指导治疗的重要环节。准确的动作执行对于康复效果的提高和预防运动损伤至关重要。
动作准确性评估旨在评估患者在执行特定运动或动作时的技术和执行能力。通常包括：姿势和姿态，评估患者在动作执行过程中的身体姿势和姿态是否正确。这包括身体的对称性、关节的稳定性、身体的平衡和对齐等；运动范围和幅度，评估患者在动作执行中的运动范围和幅度是否符合正常的生理范围。这可以通过观察关节的活动范围和身体部位的移动程度来进行评估；协调性和流畅性，评估患者在动作执行中的协调性和流畅性。这包括肌肉群的协同工作、动作的连贯性和平滑性等；精确性和定位，评估患者在动作执行中的精确性和定位能力。这涉及到患者对于空间位置和运动方向的感知和控制能力。
动作准确性评估通常由专业的康复医生、物理治疗师或运动治疗师进行。评估方法可以包括以下几种：
观察和目测评估：通过直接观察患者的动作执行过程，评估其姿势、运动范围、协调性和流畅性等。评估者可以根据经验和专业知识，对动作的准确性进行判断和评估。
动作分析系统：利用运动分析系统，如三维运动捕捉系统、惯性测量单元等，对患者的动作进行定量分析。这些系统可以提供关节角度、运动轨迹、力量输出等数据，帮助评估动作的准确性和改进方向。
电生理信号评估：使用肌电图(EMG)等电生理信号记录患者肌肉活动情况。通过分析肌肉活动的时序、幅度和协调性，评估动作的准确性和肌肉控制能力。
动作准确性评估的结果可以作为康复治疗的参考依据，帮助康复专业人员制定个性化的治疗计划和目标。同时，也可以用于监测康复进展和调整治疗方案，以达到更好的康复效果。
在本申请的一个实施例中，图1为根据本申请实施例的用于运动康复治疗的智能辅助装置的框图。如图1所示，根据本申请实施例的用于运动康复治疗的智能辅助装置100，包括：检测健侧肌电信号获取模块110，用于获取运动康复治疗对象在执行第一预定动作时的检测健侧肌电信号；参考健侧肌电信号获取模块120，用于从后台数据库提取执行所述第一预定动作时的参考健侧肌电信号；特征提取与特征交互模块130，用于对所述检测健侧肌电信号和所述参考健侧肌电信号进行特征提取与特征交互以得到高维交互波形对比特征向量；以及，第一预定动作确定模块140，用于基于所述高维交互波形对比特征向量，确定所述运动康复治疗对象执行所述第一预定动作是否符合预定规范。
在所述检测健侧肌电信号获取模块110中，确保传感器的正确安装和定位，以获取准确的肌电信号。采用合适的采样频率和信号处理方法，以保证信号的准确性和稳定性。这样，可以实时监测患者的肌肉活动情况，提供客观的数据作为评估和治疗依据。还可以帮助康复专业人员了解患者的肌肉控制能力和运动模式，指导治疗计划的制定和调整。
在所述参考健侧肌电信号获取模块120中，确保数据库中的参考信号具有准确性和代表性，以确保参考信号的有效性。根据患者的特定情况和康复目标，选择合适的参考信号进行提取和使用。这样，可以提供与正常运动模式相比的参考标准，帮助患者了解和模仿正确的肌肉活动模式。也可以用于比较患者的肌电信号与参考信号，评估动作的准确性和改进方向。
在所述特征提取与特征交互模块130中，选择合适的特征提取方法，如时域特征、频域特征或时频域特征，以提取有代表性的特征信息。进行特征交互，可以通过比较和组合不同特征的方式，增强特征向量的表达能力。这样，可以提取出代表患者肌肉活动特征的高维交互波形对比特征向量。也可以通过特征向量的比较和分析，评估患者的动作准确性和与参考标准的接近程度。
在所述第一预定动作确定模块140中，设定明确的预定规范和标准，以判断动作的准确性和符合程度。设定合适的阈值或评分系统，对特征向量进行比较和评估，以确定动作的符合程度。这样，可以客观地评估患者的动作准确性，提供及时的反馈和指导。还可以帮助患者了解自己的动作执行情况，促进正确的肌肉活动和运动模式的形成。
智能辅助装置用于运动康复治疗可以通过检测肌电信号、提取特征向量并与参考信号进行比较，评估患者的动作准确性和符合程度，从而提供个性化的康复指导和反馈，帮助患者改善运动执行能力和康复效果。
具体地，在所述中，检测健侧肌电信号获取模块110和所述参考健侧肌电信号获取模块120，用于获取运动康复治疗对象在执行第一预定动作时的检测健侧肌电信号；以及，用于从后台数据库提取执行所述第一预定动作时的参考健侧肌电信号。针对上述技术问题，本申请的技术构思为通过分析健侧肌电信号与执行预定动作时的参考健侧肌电信号之间的匹配程度，来评估动作的准确性。
应可以理解，健侧肌肉在执行特定动作时会产生特定的肌肉电信号模式。这些信号模式包含了执行动作所需的肌肉活动模式。通过分析健侧肌电信号与参考健侧肌电信号之间的匹配程度，可以评估患者执行动作时的肌肉活动与健康参考模式的一致性。通常，较高的匹配程度表示动作执行得更准确、更一致。
基于此，在本申请的技术方案中，首先，获取运动康复治疗对象在执行第一预定动作时的检测健侧肌电信号，并从后台数据库提取执行所述第一预定动作时的参考健侧肌电信号。通过传感器或电极获取患者在执行第一预定动作时的肌肉电活动信号，检测健侧肌电信号的目的是实时监测患者的肌肉活动情况，提供客观的数据作为评估和治疗依据。可以帮助康复专业人员了解患者的肌肉控制能力和运动模式，指导治疗计划的制定和调整。
从后台数据库提取的执行第一预定动作时的参考健侧肌电信号，参考健侧肌电信号提供了与正常运动模式相比的参考标准。通过比较患者的肌电信号与参考信号，可以评估患者的动作准确性和与参考标准的接近程度。参考健侧肌电信号可以用作比较和参考，帮助患者了解和模仿正确的肌肉活动模式。
检测健侧肌电信号和参考健侧肌电信号是在不同的时间点获取的。检测健侧肌电信号是在患者执行第一预定动作时实时获取的，而参考健侧肌电信号是事先录制并存储在后台数据库中的。这两者之间的关系是通过比较和分析它们的信号特征来评估患者的动作准确性和与参考标准的接近程度。
检测健侧肌电信号可以提供实时的肌肉活动数据，帮助评估患者的动作执行情况和康复进展。参考健侧肌电信号提供了一个标准参考，用于比较患者的肌电信号和正常运动模式，评估动作的准确性和改进方向。通过比较检测健侧肌电信号和参考健侧肌电信号，可以确定患者执行第一预定动作是否符合预定规范，提供个性化的康复指导和反馈。
获取运动康复治疗对象在执行第一预定动作时的检测健侧肌电信号和从后台数据库提取执行所述第一预定动作时的参考健侧肌电信号，对最后确定所述运动康复治疗对象执行所述第一预定动作是否符合预定规范具有重要作用。
具体地，通过获取患者在执行第一预定动作时的检测健侧肌电信号，可以获得关于患者肌肉活动的客观数据。这些数据可以用于评估患者的肌肉控制能力和运动模式，提供康复治疗的客观依据。
从后台数据库提取执行第一预定动作时的参考健侧肌电信号可以提供与正常运动模式相比的参考标准。通过比较患者的肌电信号与参考信号，可以评估患者的动作准确性和与参考标准的接近程度。
特征提取与特征交互模块通过对检测健侧肌电信号和参考健侧肌电信号进行特征提取和特征交互，得到高维交互波形对比特征向量。第一预定动作确定模块可以基于这些特征向量来确定患者执行第一预定动作是否符合预定规范。这样可以客观地评估患者的动作准确性，并提供及时的反馈和指导。
获取运动康复治疗对象的检测健侧肌电信号和参考健侧肌电信号，并通过特征提取和特征交互来评估动作准确性，可以提供客观的数据和参考标准，帮助确定患者执行第一预定动作是否符合预定规范。这有助于康复专业人员制定个性化的治疗计划和目标，并提供指导和反馈，以提高患者的动作质量和康复效果。
具体地，所述特征提取与特征交互模块130，用于对所述检测健侧肌电信号和所述参考健侧肌电信号进行特征提取与特征交互以得到高维交互波形对比特征向量。图2为根据本申请实施例的用于运动康复治疗的智能辅助装置中所述特征提取与特征交互模块的框图，如图2所示，所述特征提取与特征交互模块130，包括：波形特征提取单元131，用于提取所述检测健侧肌电信号和所述参考健侧肌电信号的波形特征以得到检测健侧肌电信号波形特征向量和参考健侧肌电信号波形特征向量；以及，交互单元132，用于对所述检测健侧肌电信号波形特征向量和所述参考健侧肌电信号波形特征向量进行交互以得到所述高维交互波形对比特征向量。
所述波形特征提取单元131用于提取检测健侧肌电信号和参考健侧肌电信号的波形特征。在提取波形特征时，选择适当的特征提取方法和参数设置，以确保提取到具有代表性和区分性的特征。
通过提取波形特征，可以将原始的肌电信号转化为更具信息量的特征向量。这些特征向量可以反映患者的肌肉活动模式、运动控制能力和动作执行准确性，为后续的交互分析提供基础。
所述交互单元132用于对检测健侧肌电信号波形特征向量和参考健侧肌电信号波形特征向量进行交互。交互的方式可以是简单的向量加减、点乘等，也可以是更复杂的矩阵运算或神经网络模型。
通过对波形特征向量进行交互，可以捕捉到检测健侧肌电信号和参考健侧肌电信号之间的关联和差异。这样得到的高维交互波形对比特征向量可以更全面地描述患者的动作执行情况，包括动作的精确性、协调性和肌肉活动模式的匹配度等。
波形特征提取单元用于提取检测健侧肌电信号和参考健侧肌电信号的波形特征，而交互单元用于对这些特征进行交互，以得到更具代表性和区分性的高维交互波形对比特征向量，高维交互波形对比特征向量可以提供更全面的信息，用于评估患者的动作准确性和康复进展，并为制定个性化的康复指导和反馈提供依据。
对于所述波形特征提取单元131，用于：将所述检测健侧肌电信号和所述参考健侧肌电信号通过包含第一图像编码器和第二图像编码器的双重检测模块以得到所述检测健侧肌电信号波形特征向量和所述参考健侧肌电信号波形特征向量。
在本申请中，第一图像编码器是一个用于将检测健侧肌电信号转换为波形特征向量的模块，采用图像编码器的原理，将输入的肌电信号波形视为图像，并通过深度学习模型对其进行编码。这个编码器可能采用卷积神经网络(CNN)或其他图像处理技术，以提取肌电信号波形的特征表示。
第二图像编码器是用于将参考健侧肌电信号转换为波形特征向量的模块，与第一图像编码器类似，同样采用图像编码器的原理，将参考健侧肌电信号波形视为图像，并通过深度学习模型对其进行编码。这个编码器可能采用与第一图像编码器相同或不同的结构，以提取参考健侧肌电信号波形的特征表示。
通过将检测健侧肌电信号和参考健侧肌电信号分别输入第一图像编码器和第二图像编码器，双重检测模块可以得到检测健侧肌电信号波形特征向量和参考健侧肌电信号波形特征向量。这些特征向量可以用于后续的特征交互和分析，以提取更具代表性和区分性的高维交互波形对比特征向量。
该双重检测模块的设计灵感来自于图像编码器的成功应用，通过将肌电信号波形视为图像，可以利用图像处理和深度学习技术来提取有用的特征表示。双重检测模块的使用可以增加特征提取的多样性和信息丰富性，从而提高动作准确性评估和康复治疗的效果。
考虑到若将所述检测健侧肌电信号和所述参考健侧肌电信号在源域中直接比较，可能会受到较大的干扰。例如，所述检测健侧肌电信号可能受到环境条件的影响而存在噪声，导致信号存在一定的畸变，进而影响比较结果的准确性。因此，在本申请的技术方案中，期待对所述检测健侧肌电信号和所述参考健侧肌电信号进行特征提取，将更为抽象、更为语义化的特征信息在高维空间中进行对比，使得对比结果更为准确。
具体地，将所述检测健侧肌电信号和所述参考健侧肌电信号通过包含第一图像编码器和第二图像编码器的双重检测模块以得到检测健侧肌电信号波形特征向量和参考健侧肌电信号波形特征向量。这里，所述双重检测模块中所述第一图像编码器和所述第二图像编码器的网络结构是相同的。具体来说，使用相同的网络结构可以确保第一图像编码器和第二图像编码器在处理健侧肌电信号和参考健侧肌电信号时具有一致的特征提取能力，从而可以保持特征提取的一致性，使得所得到的检测健侧肌电信号波形特征向量和参考健侧肌电信号波形特征向量具有可比性。
应可以理解，使用双重检测模块，可以从不同的角度和层次提取特征。第一图像编码器和第二图像编码器可能采用不同的特征提取方法和模型结构，从而捕捉到不同的信号特征。这可以增加特征的多样性，提供更全面和丰富的信息。
通过使用双重检测模块，可以获得两个独立的特征向量，即检测健侧肌电信号波形特征向量和参考健侧肌电信号波形特征向量。这些特征向量可能具有不同的特点和信息。通过将它们结合起来，可以获得更全面、准确和鲁棒的特征表示，从而提高动作准确性评估的效果。
第一图像编码器和第二图像编码器可以从不同的角度对信号进行编码和表达。这种双重编码可以提供更丰富和全面的信息，包括时域特征、频域特征、空间特征等。这样可以更好地反映患者的肌肉活动模式和动作执行情况，提供更准确和全面的评估结果。
通过包含第一图像编码器和第二图像编码器的双重检测模块，可以提取多样性、互补性和丰富性的特征，从而提高动作准确性评估的效果。这有助于更准确地分析和评估患者的运动康复情况，为康复治疗提供更有针对性的指导和反馈。
对于所述交互单元132，用于：使用特征间注意力层来进行所述检测健侧肌电信号波形特征向量和所述参考健侧肌电信号波形特征向量之间特征级数据交互以得到所述高维交互波形对比特征向量。
其中，特征间注意力层(Feature-wise Attention Layer)是一种在深度学习模型中应用的注意力机制，用于增强特征之间的交互和关联性。该层可以自适应地学习特征之间的权重，以便在不同任务和输入样本之间动态调整特征的重要性。
特征间注意力层通常用于处理多通道或多维特征的情况，其中每个通道或维度都对应一个特征。特征间注意力层的输入为特征张量，一个多通道或多维的特征张量，形状为(batch_size,channels,height,width)或(batch_size,height,width,channels)。每个通道或维度对应一个特征。
特征间注意力层的运算过程包括：首先，通过一个映射函数将输入特征张量映射为注意力权重张量，这个映射函数可以是全连接层、卷积层或其他适合的函数，用于学习特征之间的相关性。然后，对于每个特征通道或维度，注意力权重计算使用softmax函数将映射后的特征张量进行归一化，得到注意力权重张量。这些权重表示了每个特征通道或维度在整个特征张量中的重要性。接着，将注意力权重张量与输入特征张量进行逐元素相乘，得到加权后的特征张量。这样，重要的特征通道或维度将得到增强，而不重要的特征通道或维度将受到抑制。最后，加权后的特征张量作为特征间注意力层的输出，可以作为后续层的输入进行进一步的处理和分析。
特征间注意力层能够增强特征之间的交互和关联性，使得模型能够更好地捕捉特征之间的重要关系，提高模型的表达能力和性能。通过学习注意力权重，特征间注意力层可以自适应地调整特征的权重，根据输入样本的特点和任务的需求，动态地分配特征的重要性。特征间注意力层在计算机视觉、自然语言处理和语音处理等领域都有广泛的应用，用于提高模型的性能和泛化能力。
特征间注意力层通过自适应地学习特征之间的权重，增强了特征之间的交互和关联性，提高了模型的表达能力和性能，是一种强大的工具，可以在深度学习模型中应用于各种任务和领域。
然后，使用特征间注意力层来进行所述检测健侧肌电信号波形特征向量和所述参考健侧肌电信号波形特征向量之间特征级数据交互以得到高维交互波形对比特征向量。值得一提的是，传统的注意力机制的目标在于学习一个注意力权重矩阵，应用于当前层的各个神经节点，对于那些重要的节点，赋予它们较大的权重，对于那些次要的节点，赋予它们较小的权重。由于每个神经节点都包含着某种特征信息，经过上述操作，神经网络就能从众多特征信息中选择出对当前任务目标更关键的信息。而所述特征间注意力层则不同，其更多地关注到了各个特征信息间的依赖关系。
特征间注意力层可以通过学习特征之间的相关性，自适应地调整特征的权重。在检测健侧肌电信号波形特征向量和参考健侧肌电信号波形特征向量之间，特征间注意力层可以增强相关特征之间的联系，减弱无关特征的影响。有助于提高特征的表达能力，使得所得到的高维交互波形对比特征向量更能准确地反映两个信号之间的差异和相似性。
通过特征间注意力层，可以将检测健侧肌电信号波形特征向量和参考健侧肌电信号波形特征向量进行交互，从而实现信息的融合和增强。特征间注意力层可以根据特征之间的重要性分配权重，使得两个信号的关键特征得到更多的关注和强化。这有助于提取出更具区分度和代表性的特征，为后续的动作准确性评估和处理提供更有用的信息。
特征间注意力层可以通过自适应地调整特征权重，提高模型的鲁棒性和泛化性。可以自动适应不同输入样本之间的特征差异，从而更好地适应不同患者的肌电信号波形。这有助于提高模型的泛化能力，使得所得到的高维交互波形对比特征向量在不同患者和不同动作情况下都能有效地反映动作准确性的差异。
使用特征间注意力层进行特征级数据交互可以增强特征的关联性、信息的融合和增强，提高模型的鲁棒性和泛化性。这有助于生成更具代表性和区分度的高维交互波形对比特征向量，从而提高动作准确性评估的效果。
具体地，所述第一预定动作确定模块140，用于基于所述高维交互波形对比特征向量，确定所述运动康复治疗对象执行所述第一预定动作是否符合预定规范，包括：优化单元，用于对所述高维交互波形对比特征向量进行特征分布优化以得到优化高维交互波形对比特征向量；以及，分类单元，用于将所述优化高维交互波形对比特征向量通过分类器以得到分类结果，所述分类结果用于表示所述运动康复治疗对象执行所述第一预定动作是否符合预定规范。
在本申请的一个实施例中，所述优化单元，包括：分布采样融合子单元，用于对所述检测健侧肌电信号波形特征向量和所述参考健侧肌电信号波形特征向量进行齐次吉尔伯特空间度量式密集点分布采样融合以得到融合特征向量；以及，融合子单元，用于将所述融合特征向量与所述高维交互波形对比特征向量进行融合以得到所述优化高维交互波形对比特征向量。
在本申请的技术方案中，使用特征间注意力层来进行所述检测健侧肌电信号波形特征向量和所述参考健侧肌电信号波形特征向量之间特征级数据交互得到所述高维交互波形对比特征向量时，由于特征间注意力层更聚焦于所述检测健侧肌电信号波形特征向量和所述参考健侧肌电信号波形特征向量之间的依赖关系特征的提取，而对于所述检测健侧肌电信号波形特征向量和所述参考健侧肌电信号波形特征向量本身对于所述检测健侧肌电信号和所述参考健侧肌电信号的图像语义特征的表达可能存在不足，因此，本申请的申请人考虑进一步融合所述检测健侧肌电信号和所述参考健侧肌电信号的图像语义特征表达来强化所述高维交互波形对比特征向量的特征表达。
并且，本申请的申请人考虑到所述检测健侧肌电信号和所述参考健侧肌电信号的图像语义特征分别为所述检测健侧肌电信号和所述参考健侧肌电信号的基于图像齐次编码的卷积核尺度下的密集采样式局部关联特征表达，因此对所述检测健侧肌电信号波形特征向量，例如记为V1和所述参考健侧肌电信号波形特征向量，例如记为V2进行齐次吉尔伯特空间度量式密集点分布采样融合，具体表示为：
Lp(·,·)表示闵式距离，且p为超参数，和/>分别是所述检测健侧肌电信号波形特征向量V1和所述参考健侧肌电信号波形特征向量V2的全局特征均值，且特征向量V1和V2均为行向量。
这里，通过对所述检测健侧肌电信号波形特征向量V1和所述参考健侧肌电信号波形特征向量V2的特征分布中心的齐次吉尔伯特空间度量，来对所述检测健侧肌电信号波形特征向量V1和所述参考健侧肌电信号波形特征向量V2的融合特征分布进行高维特征空间内的融合特征流形超平面的真实(ground-truth)几何中心约束，并以交叉式距离约束的逐点特征关联作为偏置项，来实现特征分布的关联约束界限内的特征密集点采样式分布融合，从而增强向量间的齐次采样关联融合性。然后，再将融合特征向量Vc与所述高维交互波形对比特征向量融合，就可以改进所述高维交互波形对比特征向量的特征表达。
进而，将所述高维交互波形对比特征向量通过分类器以得到分类结果，所述分类结果用于表示所述运动康复治疗对象执行所述第一预定动作是否符合预定规范。
综上，基于本申请实施例的用于运动康复治疗的智能辅助装置100被阐明，其通过分析健侧肌电信号与参考健侧肌电信号之间的匹配程度，可以评估患者执行动作时的肌肉活动与健康参考模式的一致性。通常，较高的匹配程度表示动作执行得更准确、更一致。
在本申请的一个实施例中，图3为根据本申请实施例的用于运动康复治疗的智能辅助方法的流程图。图4为根据本申请实施例的用于运动康复治疗的智能辅助方法架构的示意图。如图3和图4所示，所述用于运动康复治疗的智能辅助方法，包括：210，获取运动康复治疗对象在执行第一预定动作时的检测健侧肌电信号；220，从后台数据库提取执行所述第一预定动作时的参考健侧肌电信号；230，对所述检测健侧肌电信号和所述参考健侧肌电信号进行特征提取与特征交互以得到高维交互波形对比特征向量；以及，240，基于所述高维交互波形对比特征向量，确定所述运动康复治疗对象执行所述第一预定动作是否符合预定规范。
本领域技术人员可以理解，上述用于运动康复治疗的智能辅助方法中的各个步骤的具体操作已经在上面参考图1到图2的用于运动康复治疗的智能辅助装置系统的描述中得到了详细介绍，并因此，将省略其重复描述。
图5为根据本申请实施例的用于运动康复治疗的智能辅助装置的应用场景图。如图5所示，在该应用场景中，首先，获取运动康复治疗对象在执行第一预定动作时的检测健侧肌电信号(例如，如图5中所示意的C1)；从后台数据库提取执行所述第一预定动作时的参考健侧肌电信号(例如，如图5中所示意的C2)；然后，将获取的检测健侧肌电信号和参考健侧肌电信号输入至部署有用于运动康复治疗的智能辅助算法的服务器(例如，如图5中所示意的S)中，其中所述服务器能够基于用于运动康复治疗的智能辅助算法对所述检测健侧肌电信号和所述参考健侧肌电信号进行处理，以确定所述运动康复治疗对象执行所述第一预定动作是否符合预定规范。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
最后，还需要说明的是，在本文中，诸如第一和第二等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、物品或者终端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、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (7)

1.一种用于运动康复治疗的智能辅助装置，其特征在于，包括：
检测健侧肌电信号获取模块，用于获取运动康复治疗对象在执行第一预定动作时的检测健侧肌电信号；
参考健侧肌电信号获取模块，用于从后台数据库提取执行所述第一预定动作时的参考健侧肌电信号；
特征提取与特征交互模块，用于对所述检测健侧肌电信号和所述参考健侧肌电信号进行特征提取与特征交互以得到高维交互波形对比特征向量；以及
第一预定动作确定模块，用于基于所述高维交互波形对比特征向量，确定所述运动康复治疗对象执行所述第一预定动作是否符合预定规范。
2.根据权利要求1所述的用于运动康复治疗的智能辅助装置，其特征在于，所述特征提取与特征交互模块，包括：
波形特征提取单元，用于提取所述检测健侧肌电信号和所述参考健侧肌电信号的波形特征以得到检测健侧肌电信号波形特征向量和参考健侧肌电信号波形特征向量；以及
交互单元，用于对所述检测健侧肌电信号波形特征向量和所述参考健侧肌电信号波形特征向量进行交互以得到所述高维交互波形对比特征向量。
3.根据权利要求2所述的用于运动康复治疗的智能辅助装置，其特征在于，所述波形特征提取单元，用于：
将所述检测健侧肌电信号和所述参考健侧肌电信号通过包含第一图像编码器和第二图像编码器的双重检测模块以得到所述检测健侧肌电信号波形特征向量和所述参考健侧肌电信号波形特征向量。
4.根据权利要求3所述的用于运动康复治疗的智能辅助装置，其特征在于，所述交互单元，用于：
使用特征间注意力层来进行所述检测健侧肌电信号波形特征向量和所述参考健侧肌电信号波形特征向量之间特征级数据交互以得到所述高维交互波形对比特征向量。
5.根据权利要求4所述的用于运动康复治疗的智能辅助装置，其特征在于，所述第一预定动作确定模块，包括：
优化单元，用于对所述高维交互波形对比特征向量进行特征分布优化以得到优化高维交互波形对比特征向量；以及
分类单元，用于将所述优化高维交互波形对比特征向量通过分类器以得到分类结果，所述分类结果用于表示所述运动康复治疗对象执行所述第一预定动作是否符合预定规范。
6.根据权利要求5所述的用于运动康复治疗的智能辅助装置，其特征在于，所述优化单元，包括：
分布采样融合子单元，用于对所述检测健侧肌电信号波形特征向量和所述参考健侧肌电信号波形特征向量进行齐次吉尔伯特空间度量式密集点分布采样融合以得到融合特征向量；以及
融合子单元，用于将所述融合特征向量与所述高维交互波形对比特征向量进行融合以得到所述优化高维交互波形对比特征向量。
7.根据权利要求6所述的用于运动康复治疗的智能辅助装置，其特征在于，所述分布采样融合子单元，用于：以如下优化公式对所述检测健侧肌电信号波形特征向量和所述参考健侧肌电信号波形特征向量进行齐次吉尔伯特空间度量式密集点分布采样融合以得到融合特征向量；
其中，所述优化公式为：
其中，V1是所述检测健侧肌电信号波形特征向量，V2是所述参考健侧肌电信号波形特征向量，V2 T是所述参考健侧肌电信号波形特征向量的转置向量，Vc是所述融合特征向量，Lp(·,·)表示闵式距离，且p为超参数，和/>分别是所述检测健侧肌电信号波形特征向量V1和所述参考健侧肌电信号波形特征向量V2的全局特征均值，且所述检测健侧肌电信号波形特征向量V1和所述参考健侧肌电信号波形特征向量V2均为行向量，/>表示按位置加法，⊙表示按位置乘法。
CN202311015527.7A 2023-08-14 2023-08-14 用于运动康复治疗的智能辅助装置 Withdrawn CN116849683A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311015527.7A CN116849683A (zh) 2023-08-14 2023-08-14 用于运动康复治疗的智能辅助装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311015527.7A CN116849683A (zh) 2023-08-14 2023-08-14 用于运动康复治疗的智能辅助装置

Publications (1)

Publication Number Publication Date
CN116849683A true CN116849683A (zh) 2023-10-10

Family

ID=88223666

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311015527.7A Withdrawn CN116849683A (zh) 2023-08-14 2023-08-14 用于运动康复治疗的智能辅助装置

Country Status (1)

Country Link
CN (1) CN116849683A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117457134A (zh) * 2023-11-06 2024-01-26 广东信拓人工智能研究院有限公司 基于智能ai的医疗数据管理方法及其系统
CN118121217A (zh) * 2024-05-08 2024-06-04 吉林大学 基于人工智能的盆底康复锻炼辅助系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117457134A (zh) * 2023-11-06 2024-01-26 广东信拓人工智能研究院有限公司 基于智能ai的医疗数据管理方法及其系统
CN118121217A (zh) * 2024-05-08 2024-06-04 吉林大学 基于人工智能的盆底康复锻炼辅助系统及方法

Similar Documents

Publication Publication Date Title
Moniri et al. Real-time forecasting of sEMG features for trunk muscle fatigue using machine learning
CN116849683A (zh) 用于运动康复治疗的智能辅助装置
US10004455B2 (en) Realtime biofeedback mechanism and data presentation for knee injury rehabilitation monitoring and a soft real time intelligent system thereof
Karg et al. Human movement analysis as a measure for fatigue: A hidden Markov-based approach
CN111528842A (zh) 基于生理和行为指标的帕金森病症状定量化评估方法
Maura et al. Literature review of stroke assessment for upper-extremity physical function via EEG, EMG, kinematic, and kinetic measurements and their reliability
Tang Hybridized hierarchical deep convolutional neural network for sports rehabilitation exercises
CN110570946A (zh) 一种下肢康复机器人康复训练运动功能康复评价方法
KR20150096550A (ko) 재활운동 지원 장치 및 방법
Liu et al. sEMG-based dynamic muscle fatigue classification using SVM with improved whale optimization algorithm
Li et al. Quantitative assessment of hand motor function for post-stroke rehabilitation based on HAGCN and multimodality fusion
Zhen et al. Hybrid Deep‐Learning Framework Based on Gaussian Fusion of Multiple Spatiotemporal Networks for Walking Gait Phase Recognition
Mrotek et al. The Arm Movement Detection (AMD) test: a fast robotic test of proprioceptive acuity in the arm
Scheffer et al. Inertial motion capture in conjunction with an artificial neural network can differentiate the gait patterns of hemiparetic stroke patients compared with able-bodied counterparts
CN117133404B (zh) 一种针对胸廓出口综合征的智能化康复护理装置
CN114202772A (zh) 基于人工智能和智慧医疗的参考信息生成系统及方法
Dejneka et al. Identification of muscle movements and activity by experimental methods for selected cases--stage# 1.
CN116798635A (zh) 运动功能障碍程度评价模型、评价装置及评价系统
CN114642424A (zh) 一种基于体感交互技术的体能评估方法和装置
Mazumder et al. Posturography stability score generation for stroke patient using Kinect: Fuzzy based approach
Lai Optimization of Innovative Path of Physical Education Teaching in Colleges and Universities under Information Integration Technology
Bawa A machine learning approach for clinical gait analysis and classification of polymyalgia rheumatica using myoelectric sensors
Yee et al. Data-driven model for upper limb spasticity detection
Alencar et al. Embedded Restricted Boltzmann Machine Approach for Adjustments of Repetitive Physical Activities Using IMU Data
CN117493999B (zh) 一种集成的康复下肢外骨骼脑电解码方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20231010

WW01 Invention patent application withdrawn after publication