CN117059274A - 一种脑卒中康复训练系统 - Google Patents

一种脑卒中康复训练系统 Download PDF

Info

Publication number
CN117059274A
CN117059274A CN202311051495.6A CN202311051495A CN117059274A CN 117059274 A CN117059274 A CN 117059274A CN 202311051495 A CN202311051495 A CN 202311051495A CN 117059274 A CN117059274 A CN 117059274A
Authority
CN
China
Prior art keywords
rehabilitation
training
patient
rehabilitation training
brain
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
Application number
CN202311051495.6A
Other languages
English (en)
Inventor
赵宁
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202311051495.6A priority Critical patent/CN117059274A/zh
Publication of CN117059274A publication Critical patent/CN117059274A/zh
Pending 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
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
    • A61B5/4064—Evaluating the brain
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Neurology (AREA)
  • Veterinary Medicine (AREA)
  • Computational Linguistics (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Animal Behavior & Ethology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Neurosurgery (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fuzzy Systems (AREA)
  • Psychology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提供了一种脑卒中康复训练系统，包括初始评估单元，用于全面评估脑卒中患者的情况并生成评估结果；个性化训练方案生成单元，利用深度前馈神经网络根据初始评估生成训练方案，并利用长短时记忆网络预测康复进展并优化训练方案；康复训练监测与反馈单元，监测训练完成度和康复水平，实时调整训练方案；以及数据分析和可视化单元，为医生提供实时和历史康复进展视图以辅助临床决策。此系统具有个性化、动态适应和数据驱动的特性，可提高脑卒中患者的康复效率，提供精准的治疗方案，以实现更好的康复效果。

Description

一种脑卒中康复训练系统
技术领域
本发明涉及康复训练技术领域，尤其涉及一种脑卒中康复训练系统。
背景技术
脑卒中是全球性的公共卫生问题，会对患者造成严重的身体和精神损害。根据世界卫生组织的数据，每年有超过1500万人遭受脑卒中，其中三分之二的患者会有不同程度的身体功能损害。康复训练是改善患者生活质量和功能恢复的重要环节，但现有的康复训练方式往往采用固定的训练方案，缺乏针对患者具体状况的个性化训练。
目前，大多数脑卒中康复训练系统只是根据患者的一般情况，如年龄、性别和脑卒中类型等基本信息来设计训练方案，很少考虑到患者的病程、神经生物标志物、大脑功能连通性、损伤位置和大小、康复治疗前的功能水平、生活习惯和心理状态以及既往康复训练响应等多元化信息。此外，现有的康复训练系统缺乏有效的监测和反馈机制，无法实时跟踪和调整训练方案，也难以准确预测患者的康复进度和可能的康复障碍。这些问题不仅限制了康复训练的效果，也加大了医护人员的工作压力。
因此，急需一种新的脑卒中康复训练系统，能够全面评估患者的状态，生成个性化的训练方案，实时监测和调整训练进程，同时提供康复进展的数据分析和可视化，以支持医生进行科学和精准的康复管理，从而提高康复训练的效果。
发明内容
本申请提供一种脑卒中康复训练系统，以提高脑卒中康复训练的效果。
本申请提供的脑卒中康复训练系统包括：
初始评估单元，用于收集患者的相关信息并进行全方位评估，生成评估结果，并将评估结果传递给个性化训练方案生成单元；其中，所述全方位评估包括评估卒中类型、病程、年龄、性别、神经生物标志物、大脑功能连通性分析、卒中损伤位置和大小、康复治疗前的功能水平、生活习惯和心理状态和既往康复训练响应；
个性化训练方案生成单元，包括康复潜力评估模块以及功能恢复进展评估模块；其中，所述康复潜力评估模块，根据初始评估单元的评估结果，通过以下公式进行康复潜力LPR的计算：
LPR＝fDFN(STYPE,PROG,AGE,SEX,BIO,CONN,INJ,PRE_FUNC,HAB,PSY,HIST,GENE)，
并根据计算出的康复潜力LPR生成适合患者的个性化训练方案，包括康复训练类型、康复训练强度和时长；其中，STYPE代表卒中类型，PROG代表病程，AGE代表年龄，SEX代表性别，BIO代表神经生物标志物，CONN代表大脑功能连通性，INJ代表损伤位置和大小，PRE_FUNC代表康复治疗前的功能水平，HAB代表生活习惯，PSY代表心理状态，HIST代表既往康复训练响应，f是一个训练好的深度前馈神经网络；所述功能恢复进展评估模块，接收所述初始评估单元提供的评估结果和康复训练监测与反馈单元提供的患者训练后的康复数据，根据如下公式预测患者未来一段时间内的康复进展：
(Output_1,Output_2,Output_3)＝fLSTM(I+RTD)，
并根据预测结果调整和优化所述个性化训练方案，其中，Output_1代表功能恢复速度，Output_2代表达到的康复水平，Output_3代表潜在的康复障碍，fLSTM是一个训练好的长短时记忆网络，I代表患者初始的康复水平的一维数据，其根据所述初始评估单元提供的评估结果进行计算获得，RTD是由康复训练监测与反馈单元提供的患者训练后的康复水平组成的时间序列；
康复训练监测与反馈单元，用于监测患者的康复训练完成度，并实时分析患者训练后的康复水平，并将训练后的康复水平发送至所述个性化训练方案生成单元，以动态调整训练方案；
数据分析和可视化单元，用于为医生提供患者康复进展的实时和历史视图，进而提供更好的临床决策。
更进一步地，所述个性化训练方案生成单元中的康复潜力评估模块，通过深度前馈神经网络计算康复潜力LPR，其中CONN代表大脑功能连通性，其量化具体包括：
将额叶、顶叶、颞叶、枕叶、基底节、小脑以及脑干等大脑区域，作为网络节点；
从每个网络节点中提取出功能性磁共振成像信号的时间序列，并基于这些时间序列，计算任意两个节点之间时间序列的皮尔逊相关性，作为该节点对的权重；
根据所述节点对的权重，计算整个网络中所有节点对的最短路径长度的倒数的平均值，这个值被定义为大脑功能网络的全局效率；
将所述全局效率作为表征大脑功能连通性的数据。
更进一步地，所述个性化训练方案生成单元中的康复潜力评估模块，通过深度前馈神经网络计算康复潜力LPR，其中INJ代表损伤位置和大小，其量化具体包括：
利用脑影像技术，确定脑损伤的位置和大小；
标记损伤是否涉及到额叶、顶叶、颞叶、枕叶、基底节、小脑以及脑干等大脑区域，以量化损伤位置；
计算受损区域在所述额叶、顶叶、颞叶、枕叶、基底节、小脑以及脑干等大脑区域中所占的比例，以量化损伤大小。
更进一步地，所述个性化训练方案生成单元中的康复潜力评估模块，使用如下公式计算康复训练强度TREAT_INTENSITY：
TREAT_INTENSITY＝b1*AGE+b2*SEX+HAB+PSY+b3*LPR
其中，AGE代表患者的年龄，SEX代表患者的性别，HAB代表患者的生活习惯，PSY代表患者的心理状态，如焦虑、抑郁等，LPR代表计算得出的康复潜力，b1、b2和b3是权重系数，用于平衡各因素对康复训练强度的影响。
更进一步地，所述个性化训练方案生成单元中的康复训练时长评估模块，使用如下公式计算康复训练时长TREAT_DURATION：
TREAT_DURATION＝c1*PROG+c2*BIO+c3*CONN+HIST+c4*LPR
其中，PROG代表患者的病程，BIO代表神经生物标志物，CONN代表大脑的功能连通性，HIST代表既往康复训练响应，LPR代表计算得出的康复潜力；c1、c2、c3和c4是权重系数，用于平衡各因素对康复训练时长的影响。
更进一步地，所述功能恢复进展评估模块中的长短时记忆网络包括遗忘门、输出门以及记忆单元。
更进一步地，所述数据分析和可视化单元提供基于患者个人信息的个性化康复建议。
更进一步地，所述数据分析和可视化单元提供交互式数据查询界面，允许医生和治疗师查询特定的数据或时间段。
更进一步地，所述数据分析和可视化单元支持数据共享和多人合作，团队成员可以在同一平台上查看和分析数据，并互相提供注释和建议。
更进一步地，所述数据分析和可视化单元具有显示损伤位置和大小的界面，该界面可展示额叶、顶叶、颞叶、枕叶、基底节、小脑和脑干等大脑区域的损伤情况。
本申请提供的技术方案不同于现有技术中的其他方案。首先该系统的初始评估单元全方位收集脑卒中患者的相关信息，包括卒中类型、病程、年龄、性别、神经生物标志物、大脑功能连通性、损伤位置和大小、康复治疗前的功能水平、生活习惯、心理状态和既往康复训练响应等。进而，根据患者的初始评估结果，通过深度前馈神经网络计算出康复潜力LPR，生成个性化的训练方案。接着，使用长短时记忆网络，预测患者未来一段时间内的康复进展，包括功能恢复速度、达到的康复水平和潜在的康复障碍，根据预测结果调整和优化个性化训练方案。然后，监测患者的康复训练完成度，并实时分析训练后的康复水平，将结果发送至个性化训练方案生成单元以动态调整训练方案。
本申请提供的技术方案的有益效果包括：
(1)提供个性化的康复训练方案：通过对患者全面评估，生成个性化的训练方案，有助于提高康复训练的效果，加快患者康复的速度。
(2)动态调整训练方案：通过实时监测和预测患者的康复进展，能够动态调整训练方案，保证训练方案始终与患者的实际情况相匹配。
(3)优化临床决策：提供数据分析和可视化，帮助医生更好地了解患者的康复情况，优化临床决策，提高康复治疗的质量和效率。
(4)节省医疗资源：通过自动化的评估和训练方案生成，减轻医护人员的工作负担，节省医疗资源。
附图说明
图1是本申请第一实施例提供的一种脑卒中康复训练系统的示意图。
图2是本申请第一实施例涉及的前馈神经网络的示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。
本申请第一实施例提供一种脑卒中康复训练系统。请参看图1，该图为本申请第一实施例的示意图。以下结合图1对本申请第一实施例提供一种脑卒中康复训练系统进行详细说明。
如图1所示，所述脑卒中康复训练系统包括初始评估单元101，个性化训练方案生成单元102，康复训练监测与反馈单元103以及数据分析和可视化单元104。
所述初始评估单元101，用于收集脑卒中患者的相关信息并进行全方位评估，生成评估结果，并将评估结果传递给个性化训练方案生成单元；其中，所述全方位评估包括评估卒中类型、病程、年龄、性别、神经生物标志物、大脑功能连通性分析、卒中损伤位置和大小、康复治疗前的功能水平、生活习惯和心理状态、既往康复训练响应。
初始评估单元101是一种用于收集脑卒中患者相关信息的系统单元，用于评估多个关键因素，并生成一个全方位的评估结果，以便进一步制定个性化训练方案。
收集脑卒中患者的相关信息并进行评估是一项复杂的任务，涉及多个步骤和各种方法。以下是如何收集和评估信息的过程：
步骤S101：患者初步接触与采访
在医院或康复中心，患者与专业医护人员初次接触，医护人员会解释整个评估流程。医生或护士将与患者及其家属进行详细的问诊，了解患者的基本情况、卒中的初步症状、发病时间、家族病史等。
步骤S102：物理和医学评估
医生可能会进行神经系统检查和生命体征检查，以评估患者的整体神经功能状态及卒中类型和严重程度。CT扫描、MRI和血管造影等技术被用来确定卒中损伤位置和大小。血液检测和心电图等方法用于评估与卒中有关的神经生物标志物、心脏问题等。
步骤S103：心理和行为评估
通过与心理医生或职业治疗师的会谈和测试，评估患者的心理状态、日常生活技能和康复需求。查看既往的康复记录，了解患者对不同康复方法的响应。
步骤S104：信息整合与全方位评估
所有收集的信息将由包括神经医生、理疗师、心理医生等在内的专业团队整合和分析。
专业团队将形成全方位的评估结果，该评估结果包括患者的卒中类型、病程、年龄、性别、神经生物标志物、大脑功能连通性分析、损伤位置和大小、康复治疗前的功能水平、生活习惯和心理状态、既往康复训练响应等方面的评估结果。
卒中类型可以包括缺血性卒中或出血性卒中。病程指自患者发病以来的时间长度。神经生物标志物的评估涉及收集和分析血液样本以确定某些特定化合物的存在或缺失，这些化合物可能与脑损伤有关。例如，一些特定的蛋白质水平的变化可能表明大脑组织的损伤程度，从而影响康复方案的选择。大脑功能连通性分析涉及使用如fMRI等先进技术来观察大脑不同区域之间的连接情况。例如，若分析显示患者的大脑某个区域与其他区域的连接减弱，可能需要特殊的认知康复训练。卒中损伤位置和大小评估通常通过医学图像学来确定损伤的具体位置和范围。例如，MRI扫描可能揭示了大脑左半球的明显损伤，这可能影响了语言和沟通能力的康复。康复治疗前的功能水平评估包括分析患者卒中前的医疗记录和功能能力，如行走、说话等。例如，患者卒中前可能是一名运动员，因此康复方案可能更注重恢复其运动能力。生活习惯和心理状态评估包括评估患者的饮食、锻炼、睡眠习惯，以及情感和心理状况，如抑郁、焦虑等。例如，患者的抑郁症状可能需要精神健康专家介入康复团队。既往康复训练响应评估用于评估患者以前的康复训练反应，了解哪些方法有效或无效。例如，如果患者以前对某种物理疗法反应良好，那么新的康复方案可能会包括该疗法。
在执行完成信息整合与全方位评估后，传递评估结果给个性化训练方案生成单元102。全方位的评估结果将被用于制定个性化的康复训练方案，为接下来的康复训练提供科学依据。
个性化训练方案生成单元102，包括康复潜力评估模块以及功能恢复进展评估模块；其中，所述康复潜力评估模块，根据初始评估单元的评估结果，通过以下公式进行康复潜力LPR计算：
LPR＝f(STYPE,PROG,AGE,SEX,BIO,CONN,INJ,PRE_FUNC,HAB,PSY,HIST,GENE)，
并根据计算出的康复潜力确定适合患者的康复训练类型、强度和时长，其中，STYPE代表卒中类型，PROG代表病程，AGE代表年龄，SEX代表性别，BIO代表神经生物标志物，CONN代表大脑功能连通性，INJ代表损伤位置和大小，PRE_FUNC代表康复治疗前的功能水平，HAB代表生活习惯，PSY代表心理状态，HIST代表历史响应，f是一个训练好的深度学习模型。
在本实施例提供的脑卒中康复训练系统中，康复潜力评估模块使用深度学习模型进行康复潜力的预测。具体来说，这个模型可以设计为一种多层前馈神经网络，例如深度前馈神经网络(DFN，Deep Feedforward Network)或者卷积神经网络(CNN，ConvolutionalNeural Network)，也可以选择循环神经网络(RNN，Recurrent Neural Network)或者长短期记忆网络(LSTM)等处理序列化输入的模型。这里以深度前馈神经网络(DFN)为例进行描述。
模型的输入包括以下各项评估结果：卒中类型(STYPE)，病程(PROG)，年龄(AGE)，性别(SEX)，神经生物标志物(BIO)，大脑功能连通性(CONN)，损伤位置和大小(INJ)，康复治疗前的功能水平(PRE_FUNC)，生活习惯(HAB)，心理状态(PSY)，历史响应(HIST)等。
这些输入在进入模型前，需要进行适当的量化处理，将非数字的描述性数据转换为可以被模型处理的数字数据：
STYPE(卒中类型)：可以通过独热编码(One-hot Encoding)方式进行量化，比如将"缺血性脑卒中"编码为[1,0,0]，将"出血性脑卒中"编码为[0,1,0]等。
PROG(病程)、AGE(年龄)：这些已经是数值型数据，可以直接使用，也可以进行归一化处理，使得其分布在一个特定的范围内，例如0-1。
SEX(性别)：可将"男"编码为1，"女"编码为0。
BIO(神经生物标志物)：神经生物标志物的浓度通常可以通过血液或者脑脊液检测得到，得出的结果通常是连续的数值。这些数值可以直接用于模型输入，但为了减小不同标志物之间的数值范围造成的影响，可以进行归一化处理。例如，每个标志物的数值减去该标志物所有数值的平均值，再除以该标志物所有数值的标准差，这种处理方式被称为Z-score标准化。
CONN(大脑功能连通性)：大脑功能连通性的评估通常是通过功能性磁共振成像(fMRI)等脑影像技术完成的。评估结果可能是一个复杂的网络图，描述了大脑各个区域之间的活动关联性。这种结果可以通过图理论等方法进行量化，例如计算网络的全局效率、聚类系数等指标，这些指标可以用于描述网络的整体连通性、聚集性和复杂性。这些连续的数值可以直接用于模型输入，也可以进行Z-score标准化。
本实施例中，根据脑卒中的特点可以选择如下大脑的具体区域作为网络的节点：
额叶：包括前额皮质(负责情绪控制和决策制定)、运动皮质(控制肌肉运动)、布洛卡区(参与语言产生)等。
顶叶：包括主要感觉皮质(处理身体感觉)、语言理解区等。
颞叶：包括威尼克区(理解语言)、听觉皮质、记忆形成区等。
枕叶：主要包括视觉皮质。
基底节：对运动的精细调节，如肌肉张力和自发运动的调节。
小脑：主要负责精细运动的调节、运动学习和协调。
脑干：包含生命维持功能如呼吸和心跳的控制中枢。
这些区域对应的边，即各区域间的功能连通性，可以根据功能性磁共振成像(fMRI)等脑影像技术得到的数据进行计算。具体计算方法包括如下步骤：
步骤S1001：提取大脑区域的时间序列。在功能性磁共振成像(fMRI)中，大脑被分割成多个小的立方体，称为体素(voxel)。每一个体素都可以被视为大脑中的一个小区域。在一次fMRI扫描过程中，会连续多次测量每个体素的信号强度，形成一个时间序列。因此，每个大脑区域(可以是额叶、顶叶、颞叶、枕叶、基底节、小脑以及脑干等)都对应一个fMRI信号的时间序列。
步骤S1002：计算时间序列的相关性或协同变化。对于任意两个大脑区域，都可以计算它们的fMRI信号时间序列之间的相关性。一般来说，相关性可以通过皮尔逊相关系数(Pearson Correlation Coefficient)来计算，其值介于-1到1之间，值越接近1，表示两个时间序列越同步，即两个大脑区域的活动更同步，连通性更强；值越接近-1，表示两个时间序列越反向同步，即两个大脑区域的活动越反向，连通性越弱。这个相关性值，就可以作为大脑功能网络中，这两个大脑区域对应的边的权重。
步骤S1003：计算全局效率。在网络图理论中，全局效率被定义为网络中所有节点对的最短路径的平均倒数。对于一个有n个节点的无向图G，其全局效率定义为所有节点对之间的平均最短路径的倒数，计算公式如下：
E(G)＝1/(n*(n-1))*∑_(i≠j)(1/d_ij)
其中，E(G)表示的是全局效率，d_ij代表节点i和节点j之间的最短路径长度。
在大脑功能网络中，节点代表大脑区域，边代表大脑区域之间的连通性，边的权重就是这两个区域的fMRI信号时间序列的相关性。因此，可以按照全局效率的定义，计算出大脑功能网络的全局效率。具体来说，对于每一对大脑区域(即网络中的每一对节点)，首先找出它们之间的最短路径(这个路径可能包含多条边)，然后计算这个路径的长度(如果路径包含多条边，则路径的长度就是这些边的权重之和)。最后，取所有节点对的最短路径长度的倒数的平均值，就得到了大脑功能网络的全局效率。根据全局效率的定义，全局效率越高，表示大脑各区域之间的连通性越强，信息传递的效率越高。
需要注意的是，全局效率是一个0-1之间的连续数值，为了避免不同患者的数值范围过大，可以对全局效率进行Z-score标准化。即，将全局效率的数值减去所有患者全局效率的平均值，然后除以所有患者全局效率的标准差。这样，就得到了一个分布在正负几个标准差之间的数值，可以作为深度学习模型的输入。
INJ(损伤位置和大小)：损伤位置和大小通常是通过CT、MRI等脑影像技术得到的。损伤位置可以通过将脑袋分为在大脑功能连通性中所提供的额叶、顶叶、颞叶、枕叶、基底节、小脑和脑干等七个区域，并标记损伤是否涉及到这些区域来量化。例如，如果脑袋被分为7个区域，那么损伤位置可以被编码为一个7位的二进制数，每一位代表对应的区域是否受损。损伤大小可以通过计算受损区域在所有区域中所占的比例来量化，这是一个0-1之间的连续数值。
PRE_FUNC(康复治疗前的功能水平)：康复治疗前的功能水平可以通过专门的评估量表，如巴氏量表(Barthel Index)等进行评估，这种量表的得分通常是离散的数值。这些数值可以直接用于模型输入，也可以进行归一化处理，使其分布在0-1之间。
HAB(生活习惯)、PSY(心理状态)：生活习惯和心理状态通常是通过问卷调查得到的。问卷的问题可以被设计为量表形式，例如一个问题的答案可以是"非常不同意"、"不同意"、"一般"、"同意"、"非常同意"五个选项，分别对应1-5分。问卷的总分就可以作为生活习惯或心理状态的量化结果。这个总分可以通过除以最大可能分数，进行归一化处理，使其分布在0-1之间。
HIST(历史响应)：可以根据过去的康复训练响应效果进行量化，如响应良好编码为1，响应一般编码为0。
模型的输出是患者的康复潜力评分(LPR)，这是一个连续的数值，代表患者的康复潜力。评分越高，康复潜力越大。
本实施例中提供的深度学习模型是一个多层的前馈神经网络。其包含一个输入层，三个隐藏层，和一个输出层。下面结合图2对该深度学习模型进行详细说明。该深度学习模型采用3个隐藏层，每个隐藏层含有128个神经元，并且使用ReLU作为激活函数，模型的输出层使用线性激活函数。
输入层201由12个神经元组成，分别对应STYPE，PROG，AGE，SEX，BIO，CONN，INJ，PRE_FUNC，HAB，PSY，HIST，GENE这12个经过预处理后的输入特征。
隐藏层1(202)，包含128个神经元，每个神经元都接受输入层的所有神经元的输出，并通过权重加权求和。然后，将求和的结果加上一个偏置项，最后通过ReLU激活函数进行非线性转换。权重和偏置项是通过训练过程优化得到的。计算公式可以表示为：
H1＝ReLU(W1*Input+b1)
其中，H1代表第一层隐藏层的输出，W1和b1分别代表第一层隐藏层的权重矩阵和偏置项，ReLU代表非线性激活函数，Input代表输入层的输出(即输入特征)。
隐藏层2(203)，与隐藏层1类似，这一层也包含128个神经元，每个神经元都接受上一层(隐藏层1)的所有神经元的输出，并进行类似的加权求和、偏置加和、ReLU激活的计算过程。计算公式为：
H2＝ReLU(W2*H1+b2)
其中，H2代表第二层隐藏层的输出，W2和b2分别代表第二层隐藏层的权重矩阵和偏置项。
隐藏层3(204)，这一层的操作与前两个隐藏层相同，只是输入变为了隐藏层2的输出。计算公式为：
H3＝ReLU(W3*H2+b3)
其中，H3代表第三层隐藏层的输出，W3和b3分别代表第三层隐藏层的权重矩阵和偏置项。
输出层205只包含一个神经元，它接收隐藏层3的所有神经元的输出，并通过权重加权求和，然后加上一个偏置项。不同的是，这里通常使用线性激活函数，以便输出连续的数值，表示康复潜力评分(LPR)。计算公式为：
LPR＝W4*H3+b4
其中，W4和b4分别代表输出层的权重和偏置项。
这个深度学习模型需要通过大量的历史康复数据进行训练，训练过程中使用的是监督学习，即同时有输入(如量化后的STYPE，PROG，AGE等)和期望的输出(如LPR)。通过反向传播和梯度下降等优化算法，模型的参数(神经元之间的权重和偏置)会逐步调整，以便让模型的预测输出尽可能接近实际的输出。
生成个性化训练方案需要综合患者的各项特征和康复潜力评估(LPR)结果，提供符合患者实际情况的个性化康复训练建议。在制定训练方案时，需要考虑康复训练的类型，强度和时长等因素。
康复训练类型：康复训练的类型可能包括物理疗法，职业疗法，语言疗法等，根据患者的具体情况(例如卒中类型，损伤位置和大小，康复治疗前的功能水平等)和LPR结果，选择最适合的训练类型。例如，如果患者的损伤位置主要在控制语言功能的大脑区域，那么可能需要重点进行语言疗法。
可以设计一个多分类模型，输入是患者的特征(STYPE,PROG,AGE,SEX,BIO,CONN,INJ,PRE_FUNC,HAB,PSY,HIST,GENE)，输出是各种训练类型(例如，物理疗法，职业疗法，语言疗法等)的可能性。选择可能性最高的训练类型作为推荐的训练类型。
TREAT_TYPE＝g(STYPE,PROG,AGE,SEX,BIO,CONN,INJ,PRE_FUNC,HAB,PSY,HIST,GENE)
这里的g是一个训练好的多分类模型。
康复训练强度：康复训练的强度可以根据患者的年龄，性别，生活习惯，心理状态和LPR结果等因素调整。例如，如果患者年纪较大，体力较弱，那么训练强度可能需要适当降低。反之，如果LPR结果较高，显示出较强的康复潜力，那么训练强度可以适当提高。
康复训练强度(TREAT_INTENSITY)可以通过如下公式计算：
TREAT_INTENSITY＝
b1*AGE+b2*SEX+HAB+PSY+b3*LPR
AGE(年龄):患者的年龄可能会影响康复训练的强度。例如，年纪较大的患者可能需要更轻的训练强度。
SEX(性别):性别会影响康复训练的强度。男性和女性可能在身体力量和康复反应上存在差异。
HAB(生活习惯):包括患者的饮食习惯，运动习惯，睡眠习惯等。这些习惯可能会影响患者的康复过程和结果。
PSY(心理状态):指的是患者的心理状态，如焦虑，抑郁，动机等。心理状态可能会影响康复训练的强度和效果。
需要指出，这里的年龄、性别、生活习惯和心理状态的量化方法和前面的深度前馈神经网络中这些数据的特征量化方法相同。这里的b1、b2和b3是权重系数。
康复训练时长：康复训练的时长可以根据患者的病程，神经生物标志物，大脑功能连通性，既往康复训练响应和LPR结果等因素调整。例如，如果患者的病程较短，那么可能需要更频繁、更持久的康复训练。如果患者的既往康复训练响应较好，那么也可以增加训练时长。
康复训练时长(TREAT_DURATION)可以通过如下公式计算：
TREAT_DURATION＝c1*PROG+c2*BIO+c3*CONN+HIST+c4*LPR
PROG(病程):这是指自患者发病以来的时间长度。病程的长短可能会影响康复训练的时长。
BIO(神经生物标志物):这是指血液或脑脊液中的一些物质，它们可能反映患者的疾病状况和康复潜力。
CONN(大脑功能连通性):这是指大脑各部分之间的功能连接。一些研究发现，大脑的功能连通性可能与康复的可能性和速度有关。
HIST(既往康复训练响应):如果患者以前经历过康复训练，他们在那些训练中的反应可能会影响这次康复训练的时长。
需要指出，这里的病程、神经生物标志物、大脑功能连通性和既往康复训练响应的量化方法和前面的深度前馈神经网络中这些数据的特征量化方法相同。这里的c1、c2、c3和c4是权重系数，用于平衡各因素对康复训练时长的影响。
功能恢复进展评估模块103，接收初始评估单元101的评估结果和康复训练监测与反馈单元的实时训练数据，使用长短时记忆网络(LSTM)进行非线性时间序列建模，预测患者未来一段时间内的康复进展，包括功能恢复速度、达到的康复水平、潜在的康复障碍。
长短期记忆网络(Long Short-Term Memory，LSTM)是一种特殊的循环神经网络(RNN)，能够在时间序列数据中学习长期依赖性。LSTM的优点是可以避免传统RNN中的梯度消失问题，使得模型能更好地处理长序列数据。
本实施例中，初始评估单元101的评估结果为一维数据I，康复训练监测与反馈单元的实时训练数据为T维时间序列数据RTD，即RTD＝[RTD(1),RTD(2),...,RTD(T)]。这些数据可以组合起来作为LSTM的输入。
一维数据I可以是一个介于0和1之间的数值，代表患者初始的康复水平，比如0.2表示康复状态相对较低。具体而言，所述一维数据I可以根据初始评估单元101提供的卒中类型、病程、年龄、性别、神经生物标志物、大脑功能连通性分析、卒中损伤位置和大小、康复治疗前的功能水平、生活习惯和心理状态和既往康复训练响应进行量化和加权处理，然后再进行归一化处理获得。
T维时间序列数据RTD(康复训练监测与反馈单元的脑卒中患者训练后的康复数据)可以是一个包含T个元素的数组，每个元素都是一个介于0和1之间的数值，代表每一次训练后的康复水平。例如，RTD可以是[0.2,0.3,0.35,0.4,0.45]，这代表患者在连续5次训练后的康复水平。
LSTM的主要组成部分包括输入门、遗忘门、输出门以及一个记忆单元。在每一个时间步，LSTM的输入包括当前时间步的输入(例如RTD(t))和上一时间步的隐藏状态。输出是当前时间步的隐藏状态，这个隐藏状态也会作为下一时间步的输入的一部分。
对于具体的LSTM单元，其内部计算过程为：
输入门：i(t)＝sigmoid(W_i*[h(t-1),RTD(t)]+b_i)，这里的W_i和b_i是输入门的权重和偏置，sigmoid是激活函数，h(t-1)是上一时间步的隐藏状态，RTD(t)是当前时间步的输入。
遗忘门：f(t)＝sigmoid(W_f*[h(t-1),RTD(t)]+b_f)，其中W_f和b_f是遗忘门的权重和偏置。
记忆单元：C(t)＝f(t)*C(t-1)+i(t)*tanh(W_C*[h(t-1),RTD(t)]+b_C)，这里的W_C和b_C是记忆单元的权重和偏置，C(t-1)是上一时间步的记忆单元状态。
输出门：o(t)＝sigmoid(W_o*[h(t-1),RTD(t)]+b_o)，其中W_o和b_o是输出门的权重和偏置。
隐藏状态：h(t)＝o(t)*tanh(C(t))。
这个过程会在每一个时间步重复，最后一个时间步的隐藏状态可以用来预测未来一段时间内的康复进展。
预测的康复进展可以包括功能恢复速度(Speed_of_Recovery)、达到的康复水平(Level_of_Recovery)、潜在的康复障碍(Potential_Recovery_Obstacles)，这可以通过一个全连接层实现，即：
[Speed_of_Recovery,Level_of_Recovery,Potential_Recovery_Obstacles]＝
softmax(W_p*h(T)+b_p)
这里的W_p和b_p是全连接层的权重和偏置，h(T)是最后一个时间步的隐藏状态，softmax是激活函数，使得输出的三个值在0到1之间且和为1，可以表示预测的各项康复进展的概率。
例如，输出可能为[0.6,0.3,0.1]。其中：
功能恢复速度(Speed_of_Recovery)：0.6，表示患者有较高的康复速度，即康复进展较快。
达到的康复水平(Level_of_Recovery)：0.3，是指患者在一定时间内(比如在康复训练结束时)可能达到的身体或者功能状态。达到的康复水平被量化为一个具体的数值，以便于进行评估和比较。比如，在0到1的范围内，1表示最佳的康复状态，0表示未发生任何康复。
潜在的康复障碍(Potential_Recovery_Obstacles)：0.1，表示患者在康复过程中可能遇到障碍的可能性较低。
这些输出可以帮助医护人员了解患者的康复进展，并据此调整康复治疗方案。
以下是如何根据预测结果来调整和优化个性化训练方案的详细步骤：
步骤S201：对LSTM模型的预测结果进行评估。预测的康复进展包括功能恢复速度、达到的康复水平、潜在的康复障碍。这三个指标给出了对患者未来一段时间内可能的康复情况的预估。
步骤S202：将预测结果与设定的康复目标进行比较。这个康复目标可能基于医生的建议、患者的期望或者其他相关的因素。
步骤S203：调整训练方案。如果预测结果与目标相符，说明当前的训练方案可能是合适的，可以继续执行。如果预测结果与目标有较大偏差，那么需要调整训练方案。调整的方式可以有很多，具体需要根据患者的具体情况和康复目标来确定。可能的调整包括增加或者减少训练的强度，修改训练的方式，增加或者减少训练的频率等。
步骤S204：考虑潜在的康复障碍。在调整训练方案时，还需要考虑预测的潜在的康复障碍。如果预测结果显示有可能的康复障碍，那么可能需要改变训练的方式，或者寻求其他的辅助措施，比如物理治疗、药物治疗等。
步骤S205：实施新的训练方案。完成训练方案的调整后，将新的训练方案应用于患者的康复训练。并且，监控患者在新的训练方案下的反应和康复情况。
步骤S206：反馈。新的训练数据会被输入到LSTM模型中，这将会产生新的预测结果。然后，可以根据新的预测结果再次进行训练方案的调整。这样，训练方案的调整和优化就形成了一个持续的、反馈驱动的过程。
在这个过程中，关键的一步就是如何根据预测结果来调整训练方案。这需要专业的康复训练知识，也可能需要与医生或者其他专业人士进行沟通和合作。
康复训练监测与反馈单元203，用于监测患者的康复训练完成度，并实时分析患者的进展，与个性化训练方案生成单元实时交互，以动态调整训练方案。
康复训练监测与反馈单元203的主要功能是监测和分析患者的康复训练完成度，实时评估患者每次训练后的康复水平，并与个性化训练方案生成单元进行交互以实现训练方案的动态调整。可以通过以下几个步骤详细解释这一过程：
步骤S301：监测康复训练完成度。这一步骤涉及到实时收集关于患者训练状态的信息。例如，这可能包括已经完成的训练次数、训练的强度、持续时间等。康复训练监测与反馈单元可能会使用各种传感器和监测设备来收集这些数据。
步骤S302：实时分析康复水平。在每次训练结束后，单元会立即分析患者的康复水平。这可能包括使用预设的评估标准来评估患者的身体功能、活动能力、身体舒适度等。这一步骤需要考虑到各种可能影响康复的因素，包括患者的年龄、健康状况、训练类型和强度等。
步骤S303：发送康复水平信息。分析完成后，单元会将康复水平的信息发送给个性化训练方案生成单元。这可能通过某种形式的接口或通信协议实现，确保数据的及时和准确传递。
步骤S304：动态调整训练方案。在接收到康复水平的信息后，个性化训练方案生成单元202会根据这些信息来调整训练方案。例如，如果患者的康复进展超过了预期，训练方案可能会增加训练的强度或频率。反之，如果康复进展缓慢或出现了障碍，训练方案可能会减少训练的强度，或者更改训练的类型和方法。
通过这种方式，康复训练监测与反馈单元203可以实现对患者康复训练的实时监测和评估，同时根据患者的具体情况动态调整训练方案，以最大程度地促进患者的康复。
数据分析和可视化单元304，用于为医生提供患者康复进展的实时和历史视图，进而提供更好的临床决策。数据分析和可视化单元304的主要目的是将患者的康复进程信息进行整理和表现，以便医生或治疗师更好地理解患者的康复状态和进程，从而能够进行更有效的决策。
可以通过如下步骤详细解释这一过程：
步骤S401：数据收集。数据分析和可视化单元104首先需要从康复训练监测与反馈单元103、功能恢复进展评估模块等获取数据。这些数据可能包括训练的完成度、每次训练后的康复水平、预测的康复进展等。
步骤S402：数据分析。数据分析和可视化单元104对收集到的数据进行分析，提取有意义的信息。例如，它可能会计算康复训练的平均完成度，或者确定最近一段时间内康复进展的趋势。针对脑卒中患者，可以使用特定的分析方法，如时间序列分析，来跟踪和预测神经功能恢复的动态变化。这可能包括使用某些机器学习算法来更准确地预测患者的康复进程，包括病灶位置，损伤范围，以及患者的基线状态等因素。
步骤S403：数据可视化。数据分析和可视化单元104将分析结果以图形的形式展示出来，让医生或治疗师能更直观地理解。这可能包括使用线图来展示康复进展的趋势，使用饼图来显示训练的完成度，或者使用热力图来展示脑卒中患者特定神经网络的活跃度。这种可视化的方式可以帮助医生快速地理解患者的状态，并做出决策。
步骤S404：提供临床决策支持。数据分析和可视化单元还可以根据分析和可视化的结果提供临床决策支持。例如，如果数据显示患者的康复进展缓慢，那么单元可以建议医生或治疗师调整训练方案。针对脑卒中患者，根据损伤部位和病程，可提供特定的物理疗法、认知疗法等建议。
步骤S405：个性化康复建议。数据分析和可视化单元304不仅分析通用数据，还可以根据患者的个人信息(如年龄、性别、生活习惯和遗传信息)为医生提供个性化的康复建议。例如，对于年长患者，可以推荐一些低强度但效果显著的康复训练；对于年轻患者，则可以推荐一些更具挑战性的训练。
步骤S406：患者反馈集成。在收集和分析数据的过程中，数据分析和可视化单元304还会考虑患者的反馈。例如，患者可以通过一个界面为每次训练提供反馈，描述他们的感受或提出问题。这样，医生不仅能了解康复进展的数据，还能了解患者的感受和需求。
步骤S407：交互式数据查询。为了更好地帮助医生和治疗师，数据分析和可视化单元304还提供了一个交互式界面，允许他们根据需要查询特定的数据或时间段。例如，医生可以选择查看过去三个月的康复进展数据，或者查看某个特定时间点的神经网络活跃度。
步骤S408：多维数据对比。数据分析和可视化单元304可以同时分析和展示多种数据，如康复训练数据、神经功能恢复数据和患者反馈数据，这使得医生可以在同一界面上进行多维度的对比和分析。
步骤S409：数据共享与团队合作。考虑到康复治疗可能涉及多个医疗团队成员，如医生、物理治疗师和心理医生等，数据分析和可视化单元304还支持数据共享和多人合作。团队成员可以在同一平台上查看和分析数据，互相留下注释和建议，提高治疗效率。
步骤S409：显示损伤位置和大小的界面。该数据分析和可视化单元配备了一个专门的界面，其主要用途是展示大脑不同部位的损伤情况。该界面不仅可以显示损伤的位置，还可以呈现损伤的大小或程度。
通过这种方式，数据分析和可视化单元304可以帮助医生和治疗师更好地理解患者的康复状态和进程，从而做出更有效的临床决策。
本申请虽然以较佳实施例公开如上，但其并不是用来限定本申请，任何本领域技术人员在不脱离本申请的精神和范围内，都可以做出可能的变动和修改，因此本申请的保护范围应当以本申请权利要求所界定的范围为准。

Claims (10)

1.一种脑卒中康复训练系统，其特征在于，包括：
初始评估单元，用于收集患者的相关信息并进行全方位评估，生成评估结果，并将评估结果传递给个性化训练方案生成单元；其中，所述全方位评估包括评估卒中类型、病程、年龄、性别、神经生物标志物、大脑功能连通性分析、卒中损伤位置和大小、康复治疗前的功能水平、生活习惯和心理状态和既往康复训练响应；
个性化训练方案生成单元，包括康复潜力评估模块以及功能恢复进展评估模块；其中，所述康复潜力评估模块，根据初始评估单元的评估结果，通过以下公式进行康复潜力LPR的计算：
LPR＝fDFN(STYPE,PROG,AGE,SEX,BIO,CONN,INJ,PRE_FUNC,HAB,
PSY,HIST,GENE)，
并根据计算出的康复潜力LPR生成适合患者的个性化训练方案，包括康复训练类型、康复训练强度和时长；其中，STYPE代表卒中类型，PROG代表病程，AGE代表年龄，SEX代表性别，BIO代表神经生物标志物，CONN代表大脑功能连通性，INJ代表损伤位置和大小，PRE_FUNC代表康复治疗前的功能水平，HAB代表生活习惯，PSY代表心理状态，HIST代表既往康复训练响应，fDFN是一个训练好的深度前馈神经网络；所述功能恢复进展评估模块，接收所述初始评估单元提供的评估结果和康复训练监测与反馈单元提供的患者训练后的康复数据，根据如下公式预测患者未来一段时间内的康复进展：
(Output_1,Output_2,Output_3)＝fLSTM(I+RTD)，
并根据预测结果调整和优化所述个性化训练方案，其中，Output_1代表功能恢复速度，Output_2代表达到的康复水平，Output_3代表潜在的康复障碍，fLSTM是一个训练好的长短时记忆网络，I代表患者初始的康复水平的一维数据，其根据所述初始评估单元提供的评估结果进行计算获得，RTD是由康复训练监测与反馈单元提供的患者训练后的康复水平组成的时间序列；
康复训练监测与反馈单元，用于监测患者的康复训练完成度，并实时分析患者训练后的康复水平，并将训练后的康复水平发送至所述个性化训练方案生成单元，以动态调整训练方案；
数据分析和可视化单元，用于为医生提供患者康复进展的实时和历史视图，进而提供更好的临床决策。
2.根据权利要求1所述的脑卒中康复训练系统，其特征在于，所述个性化训练方案生成单元中的康复潜力评估模块，通过深度前馈神经网络计算康复潜力LPR，其中CONN代表大脑功能连通性，其量化具体包括：
将额叶、顶叶、颞叶、枕叶、基底节、小脑以及脑干等大脑区域，作为网络节点；
从每个网络节点中提取出功能性磁共振成像信号的时间序列，并基于这些时间序列，计算任意两个节点之间时间序列的皮尔逊相关性，作为该节点对的权重；
根据所述节点对的权重，计算整个网络中所有节点对的最短路径长度的倒数的平均值，这个值被定义为大脑功能网络的全局效率；
将所述全局效率作为表征大脑功能连通性的数据。
3.根据权利要求1所述的脑卒中康复训练系统，其特征在于，所述个性化训练方案生成单元中的康复潜力评估模块，通过深度前馈神经网络计算康复潜力LPR，其中INJ代表损伤位置和大小，其量化具体包括：
利用脑影像技术，确定脑损伤的位置和大小；
标记损伤是否涉及到额叶、顶叶、颞叶、枕叶、基底节、小脑以及脑干等大脑区域，以量化损伤位置；
计算受损区域在所述额叶、顶叶、颞叶、枕叶、基底节、小脑以及脑干等大脑区域中所占的比例，以量化损伤大小。
4.根据权利要求1所述的脑卒中康复训练系统，其特征在于，所述个性化训练方案生成单元中的康复潜力评估模块，使用如下公式计算康复训练强度TREAT_INTENSITY：
TREAT_INTENSITY＝b1*AGE+b2*SEX+HAB+PSY+b3*LPR
其中，AGE代表患者的年龄，SEX代表患者的性别，HAB代表患者的生活习惯，PSY代表患者的心理状态，如焦虑、抑郁等，LPR代表计算得出的康复潜力，b1、b2和b3是权重系数，用于平衡各因素对康复训练强度的影响。
5.根据权利要求1所述的脑卒中康复训练系统，其特征在于，所述个性化训练方案生成单元中的康复训练时长评估模块，使用如下公式计算康复训练时长TREAT_DURATION：
TREAT_DURATION＝c1*PROG+c2*BIO+c3*CONN+HIST+c4*LPR
其中，PROG代表患者的病程，BIO代表神经生物标志物，CONN代表大脑的功能连通性，HIST代表既往康复训练响应，LPR代表计算得出的康复潜力；c1、c2、c3和c4是权重系数，用于平衡各因素对康复训练时长的影响。
6.根据权利要求1所述的脑卒中康复训练系统，其特征在于，所述功能恢复进展评估模块中的长短时记忆网络包括遗忘门、输出门以及记忆单元。
7.根据权利要求1所述的脑卒中康复训练系统，其特征在于，所述数据分析和可视化单元提供基于患者个人信息的个性化康复建议。
8.根据权利要求1所述的脑卒中康复训练系统，其特征在于，所述数据分析和可视化单元提供交互式数据查询界面，允许医生和治疗师查询特定的数据或时间段。
9.根据权利要求1所述的脑卒中康复训练系统，其特征在于，所述数据分析和可视化单元支持数据共享和多人合作，团队成员可以在同一平台上查看和分析数据，并互相提供注释和建议。
10.根据权利要求1所述的脑卒中康复训练系统，其特征在于，所述数据分析和可视化单元具有显示损伤位置和大小的界面，该界面可以展示额叶、顶叶、颞叶、枕叶、基底节、小脑和脑干等大脑区域的损伤情况。
CN202311051495.6A 2023-08-21 2023-08-21 一种脑卒中康复训练系统 Pending CN117059274A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311051495.6A CN117059274A (zh) 2023-08-21 2023-08-21 一种脑卒中康复训练系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311051495.6A CN117059274A (zh) 2023-08-21 2023-08-21 一种脑卒中康复训练系统

Publications (1)

Publication Number Publication Date
CN117059274A true CN117059274A (zh) 2023-11-14

Family

ID=88665984

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311051495.6A Pending CN117059274A (zh) 2023-08-21 2023-08-21 一种脑卒中康复训练系统

Country Status (1)

Country Link
CN (1) CN117059274A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117457218A (zh) * 2023-12-22 2024-01-26 深圳市健怡康医疗器械科技有限公司 互动式康复训练辅助方法及系统
CN117594245A (zh) * 2024-01-18 2024-02-23 凝动万生医疗科技(武汉)有限公司 一种骨科患者康复进程跟踪方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117457218A (zh) * 2023-12-22 2024-01-26 深圳市健怡康医疗器械科技有限公司 互动式康复训练辅助方法及系统
CN117457218B (zh) * 2023-12-22 2024-03-05 深圳市健怡康医疗器械科技有限公司 互动式康复训练辅助方法及系统
CN117594245A (zh) * 2024-01-18 2024-02-23 凝动万生医疗科技(武汉)有限公司 一种骨科患者康复进程跟踪方法及系统
CN117594245B (zh) * 2024-01-18 2024-03-22 凝动万生医疗科技(武汉)有限公司 一种骨科患者康复进程跟踪方法及系统

Similar Documents

Publication Publication Date Title
CN108780663B (zh) 数字个性化医学平台和系统
CN117059274A (zh) 一种脑卒中康复训练系统
CN111105860B (zh) 面向慢性病康复的精准运动大数据智能预测、分析及优化系统
US9589104B2 (en) Self-improving method of using online communities to predict health-related outcomes
US20130122476A1 (en) System and methods for providing dynamic integrated wellness assessment
CN111524602A (zh) 一种老年人记忆及认知功能评估筛查预警系统
JP2023547875A (ja) 個人化された認知介入システム及び方法
CN113905663B (zh) 监测注意力缺陷伴多动障碍的诊断和有效性
CN114616632A (zh) 用于临床结果量度的自动检测的系统和方法
EP3960071A1 (en) Systems and devices for sleep intervention quality assessment
TW202333005A (zh) 用於經電腦化之認知訓練程式之自適應組態之系統及方法
Mishra et al. Harnessing an AI-Driven Analytics Model to Optimize Training and Treatment in Physical Education for Sports Injury Prevention
US20200381118A1 (en) Artificial intelligence (ai) system for individual health maintenance recommendations
CA3157380A1 (en) Systems and methods for cognitive diagnostics for neurological disorders: parkinson's disease and comorbid depression
Dogaru et al. Big Data and Machine Learning Framework in Healthcare
Lim et al. Developing a mobile wellness management system for healthy lifestyle by analyzing daily living activities
US20240307651A1 (en) Devices, Systems, and Methods for Monitoring and Managing Resilience
Nag et al. Integrative Multi-Modal Computing for Personal Health Navigation
US20220230755A1 (en) Systems and Methods for Cognitive Diagnostics for Neurological Disorders: Parkinson's Disease and Comorbid Depression
Kunhimangalam et al. Artificial neural networks in the identification of peripheral nerve disorders
Suresh Deep Learning Approaches For Epilepsy Seizures Detection
US20240324946A1 (en) Method and digital product system for cognitive impairment risk prediction and precise cognitive training
KR102357041B1 (ko) 인공 지능을 이용한 질병 분석 및 예측 방법
Radhakrishnan et al. Stress Evaluation in Veteran Population Using BRFSS Data with Machine Learning
Banupriya et al. A Review on Deep Learning Algorithms for Sleep Quality Monitoring in Osteoporosis Patients

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