CN117393104A - 一种康复训练方案匹配的方法、装置、设备及介质 - Google Patents
一种康复训练方案匹配的方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117393104A CN117393104A CN202311388505.5A CN202311388505A CN117393104A CN 117393104 A CN117393104 A CN 117393104A CN 202311388505 A CN202311388505 A CN 202311388505A CN 117393104 A CN117393104 A CN 117393104A
- Authority
- CN
- China
- Prior art keywords
- eye movement
- data
- patient
- training
- type
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 167
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000004424 eye movement Effects 0.000 claims abstract description 150
- 238000012360 testing method Methods 0.000 claims abstract description 40
- 238000007477 logistic regression Methods 0.000 claims abstract description 36
- 230000000007 visual effect Effects 0.000 claims description 15
- 230000006399 behavior Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000002688 persistence Effects 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000004434 saccadic eye movement Effects 0.000 claims description 4
- 230000006641 stabilisation Effects 0.000 claims description 4
- 238000011105 stabilization Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 8
- 210000005252 bulbus oculi Anatomy 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 210000001508 eye Anatomy 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 230000001149 cognitive effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 206010044565 Tremor Diseases 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000003920 cognitive function Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 206010029864 nystagmus Diseases 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001720 vestibular Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013142 basic testing Methods 0.000 description 1
- 238000009227 behaviour therapy Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036995 brain health Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007659 motor function Effects 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 238000000554 physical therapy Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 230000008433 psychological processes and functions Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/113—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for determining or recording eye movement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/193—Preprocessing; Feature extraction
-
- 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
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Ophthalmology & Optometry (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physical Education & Sports Medicine (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Rehabilitation Tools (AREA)
Abstract
本申请提供了一种康复训练方案匹配的方法、装置、设备及介质，该方法包括：对患者进行眼动测试，并采集所述患者的目标眼睛运动数据；对所述目标眼睛运动数据进行分析，确定出所述目标眼睛运动数据对应的眼动类型和所述眼动类型下的特征数据；将各个眼动类型下的所述特征数据输入到预先训练的逻辑回归模型中，得到为所述患者匹配的目标康复训练方案。本申请基于患者的目标眼睛运动数据为患者匹配个性化的目标康复训练方案，提高了患者的康复效果。
Description
技术领域
本申请涉及康复训练方案匹配技术领域，具体而言，涉及一种康复训练方案匹配的方法、装置、设备及介质。
背景技术
眼动测试是一种用于评估眼球运动功能和眼动控制的方法，它在医学、心理学、人机交互等领域具有广泛应用，尤其是在疾病康复训练中起着重要作用。
现有技术中，在将眼动测试运用在疾病康复训练时，依靠的医护人员的主观经验的评估，缺乏客观量化数据，训练方案的不能够与患者较好的匹配，导致患者的康复效果不佳。
发明内容
有鉴于此，本申请的目的在于提供一种康复训练方案匹配的方法、装置、设备及介质，以克服现有技术中的问题。
第一方面，本申请实施例提供了一种康复训练方案匹配的方法，所述方法包括：
对患者进行眼动测试，并采集所述患者的目标眼睛运动数据；
对所述目标眼睛运动数据进行分析，确定出所述目标眼睛运动数据对应的眼动类型和所述眼动类型下的特征数据；
将各个眼动类型下的所述特征数据输入到预先训练的逻辑回归模型中，得到为所述患者匹配的目标康复训练方案。
在本申请一些技术方案中，上述对患者进行眼动测试，并采集所述患者的目标眼睛运动数据，包括：
对患者进行眼动测试，通过采集设备采集所述患者的初始眼睛运动数据；
对所述初始眼睛运动数据进行数据处理和坐标转换，得到在显示终端上进行展示的目标眼睛运动数据。
在本申请一些技术方案中，上述将各个眼动类型下的所述特征数据输入到预先训练的逻辑回归模型中，得到为所述患者匹配的目标康复训练方案，包括：
将各个所述特征数据输入到所述逻辑回归模型中，得到该特征数据对应的康复训练子方案；
将所有的康复训练子方案作为所述患者的目标康复训练方案。
在本申请一些技术方案中，上述康复训练子方案包括扫视训练、注视稳定训练、追踪训练。
在本申请一些技术方案中，上述眼动类型包括注视类型，所述注视类型的特征数据包括偏移次数、总偏移量、总偏移时长、总偏移时常正确率；
所述眼动类型包括扫视类型，所述扫视类型的特征数据包括正确率、潜伏期、最快反应时长、平均反应时长、平均速度、最大速度；
所述眼动类型包括视觉图形类型，所述视觉图形类型的特征数据包括坚持时长、恢复时长；
所述眼动类型包括日常行为类型，所述日常行为类型的特征数据包括坚持时长。
在本申请一些技术方案中，上述逻辑回归模型通过以下类型的训练数据训练得到：
注视类型的训练数据包括偏移次数、总偏移量、总偏移时长、总偏移时常正确率；
扫视类型的训练数据包括正确率、潜伏期、最快反应时长、平均反应时长、平均速度、最大速度；
视觉图形类型的训练数据包括坚持时长、恢复时长；
日常行为类型的训练数据包括坚持时长。
在本申请一些技术方案中，通过以下方式训练得到所述逻辑回归模型：
获取初始训练数据；
对所述初始训练数据进行分类，得到多个类型的训练数据；
基于多个类型的训练数据对初始模型进行训练，在达到预设截止条件时，得到所述逻辑回归模型。
第二方面，本申请实施例提供了一种康复训练方案匹配的装置，所述装置包括：
采集模块，用于对患者进行眼动测试，并采集所述患者的目标眼睛运动数据；
分析模块，用于对所述目标眼睛运动数据进行分析，确定出所述目标眼睛运动数据对应的眼动类型和所述眼动类型下的特征数据；
匹配模块，用于将各个眼动类型下的所述特征数据输入到预先训练的逻辑回归模型中，得到为所述患者匹配的目标康复训练方案。
第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的康复训练方案匹配的方法的步骤。
第四方面，本申请实施例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上存储有计算机程序，所述计算机程序被处理器运行时执行上述的康复训练方案匹配的方法的步骤。
本申请的实施例提供的技术方案可以包括以下有益效果：
本申请方法包括对患者进行眼动测试，并采集所述患者的目标眼睛运动数据；对所述目标眼睛运动数据进行分析，确定出所述目标眼睛运动数据对应的眼动类型和所述眼动类型下的特征数据；将各个眼动类型下的所述特征数据输入到预先训练的逻辑回归模型中，得到为所述患者匹配的目标康复训练方案。本申请基于患者的目标眼睛运动数据为患者匹配个性化的目标康复训练方案，提高了患者的康复效果。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1示出了本申请实施例所提供的一种康复训练方案匹配的方法的流程示意图；
图2示出了本申请实施例所提供的一种实施场景的示意图；
图3示出了本申请实施例所提供的一种康复训练方案匹配装置示意图；
图4为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的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。
需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其他的特征。
基于此，本申请实施例提供了一种康复训练方案匹配的方法、装置、设备及介质，下面通过实施例进行描述。
图1示出了本申请实施例所提供的一种康复训练方案匹配的方法的流程示意图，其中，该方法包括步骤S101-S103；具体的：
S101、对患者进行眼动测试，并采集所述患者的目标眼睛运动数据；
S102、对所述目标眼睛运动数据进行分析，确定出所述目标眼睛运动数据对应的眼动类型和所述眼动类型下的特征数据；
S103、将各个眼动类型下的所述特征数据输入到预先训练的逻辑回归模型中，得到为所述患者匹配的目标康复训练方案。
本申请基于患者的目标眼睛运动数据为患者匹配个性化的目标康复训练方案，提高了患者的康复效果。
下面对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
眼动测试是一种用于评估眼球运动功能和眼动控制的方法，它在医学、心理学、人机交互等领域具有广泛应用。然而，传统的眼动测试通常需要较长时间，并且在进行测试之前很难预测患者的眼动特征，导致测试内容不够高效和针对性。
眼动测试在疾病康复训练中起着重要作用，但现有方法往往康复训练通常依赖于专业医护人员的主观评估和经验。缺乏客观量化数据，可能导致训练方案的不够个性化和有效。现有眼动测试方法难以根据受试者特定情况设置高效和针对性的训练方案。耗时时间长，给老年患者带来负担。
康复训练是帮助患者恢复或提高其在生理、认知、心理方面的功能，从而减轻症状、改善生活质量，甚至实现更好的社会参与。不同类型的康复训练可能有不同的目标，例如物理康复训练可以帮助患者恢复运动功能，认知康复训练可以改善记忆和思维能力。通常基于科学的理论和技术，采用不同的方法和技术来达到特定的目标。例如，物理康复训练可能包括运动疗法、物理疗法等，认知康复训练可能包括认知训练、记忆训练等。这些方法和技术可以根据患者的状况和需求进行调整和个性化。康复训练应该根据每位患者的状况和需求进行个性化的制定。这意味着康复师或医疗团队需要综合考虑患者的健康状况、功能损伤程度、生活环境等因素，制定适合患者的训练计划。
基于此，本申请实施例提供一种康复训练方案匹配的方法，该方法应用在康复训练方案匹配系统上。康复训练方案匹配系统包括眼动测试设备、数据处理模块和康复训练模块。患者通过眼动测试，测试结果将被传输到数据处理模块，该模块通过算法和数据分析，匹配最适合患者的康复训练方案，并将方案传输到康复训练模块进行执行。具体的，这里的眼动测试设备为非接触式的，例如红外眼动仪。红外眼动捕捉技术使用红外光源发射红外光线。这些红外光线是肉眼不可见的，但可以穿透到患者眼球的表面。当红外光线照射到患者眼球表面时，部分光线会被眼球反射回来。这些反射光包含了眼球的位置和运动信息。红外眼动康复设备配备了红外光学传感器，用于感知和捕捉眼球反射的红外光。红外光学传感器通常位于眼动仪的摄像头部分。如图2所示，患者只需要面向该眼动测试设备即可，眼动测试设备可以实时记录患者的眼睛运动数据。
在一可选的实施方式中，本申请实施例通过采集设备采集到的数据为患者的初始眼睛运动数据。采集设备采集到了初始眼睛运动数据之后，采集设备将初始眼睛运动数据发送给数据处理模块，数据处理模块对初始眼睛运动数据进行数据处理和坐标转换，得到目标眼睛运动数据。例如，采集设备为红外光学传感器，数据处理模块为计算机，红外光学传感器将捕捉到的反射光转换成电信号，并传送到计算机进行数据处理。计算机使用接收到的反射光信号来计算眼球的位置和运动轨迹，实时获得患者眼球的运动信息。经过数据处理和坐标转换后，可以获得患者在屏幕上的注视点和扫视路径。这些数据可以用于分析患者的注意力分布、视觉注意转移等信息。
在得到了患者的目标眼睛运动数据之后，本申请实施例依据目标眼睛运动数据为患者匹配康复训练方案。为了实现康复训练方案能够具有个性化，本申请实施例数据处理模块没有直接使用目标眼睛运动数据进行匹配，而是对目标眼睛运动数据进行了分析，从目标眼睛运动数据中提取了眼动类型和所述眼动类型下的特征数据。基于眼动类型和所述眼动类型下的特征数据为患者匹配个性化的康复训练方案。
在对目标眼动数据进行分析时，得到了多个眼动类型。具体眼动类型包括注视类型、扫视类型、视觉图形类型和日常行为类型。注视类型的特征数据包括偏移次数、总偏移量、总偏移时长、总偏移时常正确率；扫视类型的特征数据包括正确率、潜伏期、最快反应时长、平均反应时长、平均速度、最大速度；视觉图形类型的特征数据包括坚持时长、恢复时长；日常行为类型的特征数据包括坚持时长。
数据处理模块在对上述的目标眼睛运动数据处理得到特征数据之后，数据处理模块将特征数据发送给康复训练模块。康复训练模块根据特征数据为患者匹配个性化的目标康复训练方案。
在为患者匹配目标康复训练方案时，由于本申请实施例中包括了多个眼动类型下的特征数据，根据多个特征数据就能匹配得到多个康复训练子方案。将所有的康复训练子方案集合在一起，即可得到该患者的目标康复训练方案。
具体的，本申请实施例在为患者匹配康复训练子方案时，使用的是预先训练好的逻辑回归模型。将特征数据输入到该逻辑回归模型中，即可得到逻辑回归模型输出的康复训练子方案。康复训练子方案包括扫视训练、注视稳定训练、追踪训练。
逻辑回归模型是一个二元或多元分类模型，用于估计不同眼动类型的概率。以下是该算法的步骤：模型初始化：初始化逻辑回归模型的权重和偏差。损失函数定义：定义损失函数，通常使用对数损失函数，用于衡量模型输出概率与实际标签的差距。优化算法：使用梯度下降或其他优化算法来最小化损失函数，调整模型参数以提高分类性能。模型评估：使用训练集和验证集来评估模型的性能，检查分类准确性和泛化能力。
本申请实施例中的逻辑回归模型通过以下类型的训练数据训练得到：
注视类型的训练数据包括偏移次数、总偏移量、总偏移时长、总偏移时常正确率；
扫视类型的训练数据包括正确率、潜伏期、最快反应时长、平均反应时长、平均速度、最大速度；
视觉图形类型的训练数据包括坚持时长、恢复时长；
日常行为类型的训练数据包括坚持时长。
本申请实施例中的逻辑回归模型通过以下方式得到：获取初始训练数据；
对所述初始训练数据进行分类，得到多个类型的训练数据；
基于多个类型的训练数据对初始模型进行训练，在达到预设截止条件时，得到所述逻辑回归模型。
在具体实施时，可以通过以下方式得到训练数据：
对训练人员进行偏位凝视行为测试，主要反映到受试者的眼动特征为偏移次数、总偏移量、总偏移时长、总偏移时常正确率：这四项特征会以参数Pc1、Zp1、Ps1和Pz1来表示。可以通过设定阈值来判断眼球是否处于注视状态。
对训练人员进行扫视测试，主要反映到受试者的眼动特征为正确率(ac)、潜伏期(qf)、反应时长(最快)(fyk)、反应时长(平均)(fyp)、平均速度(pj)、最大速度(zs)。
对训练人员进行视觉图形测试，主要反映到受试者的眼动特征为坚持时长(js)、恢复时长(hs)。
对训练人员进行日常行为测试，主要反映到受试者的眼动特征为坚持时长(js)。
对于所有通用的眼动测试结果进行标注。对于所有的眼动基础测试进行测试目的标注：分别为扫视类(Sac)、注视类(Fix)、追踪类(Pur)、视觉图形类(Pic)、日常行为类(Dbh)；并进行数字序号标记(1，2，3，4，5……)。以偏位凝视为例，系统标注为1-Sac。
使用标注后的数据对初始模型进行训练，在达到预设截止条件时，得到逻辑回归模型。这里的预设截止条件包括达到预设训练次数，或者达到预设的精准等对于受试者所表现特征值是否落入需要当前康复项目进行依次判断。例如，Pc1和Pz1为凝视特征值，根据数据库所建立的逻辑回归模型，判断标注为1-Sac的训练是否需要进行。
在具体实施时，个性化康复训练方案匹配：将推荐结果放入测试流程遍历预设的康复池中的所有康复，剔除掉以受试者所表现的眼动特征不需要进行的测试，组合推荐算法所形成的测试集合，呈现给当前受试者。
匹配康复训练方案算法：根据逻辑回归模型的输出概率，将患者匹配到适当的康复训练方案。这是一个决策过程，可以设置一个阈值，例如，如果某个眼动类型的输出概率超过0.5，患者将被匹配到该类型的康复训练方案。这些算法一起构成了康复训练方案匹配方法的核心。通过数据分类、特征提取、模型训练和匹配，系统能够为患者提供个性化的康复训练方案，以提高他们的康复效果。算法的性能和准确性取决于数据质量、特征选择和模型参数的优化。
数据分类算法：可以使用机器学习算法来解决，例如多类逻辑回归或支持向量机。以下是该算法的步骤：数据准备：将采集的眼动数据标记为不同的眼动类型，如注视、扫视、追踪。特征提取：从每个数据点中提取相关的特征，例如注视点坐标、注视时长、注视频率等。模型训练：使用已标记的数据集，训练一个多类分类模型，例如多类逻辑回归。这个模型将学会如何将特征映射到不同的眼动类型。模型评估：使用交叉验证等技巧来评估模型的性能，确保其能够准确分类不同的眼动类型。
特征提取算法：为了捕捉眼动数据中的关键信息，以下是可能用到的特征提取算法：均值和方差：计算注视点坐标的均值和方差，以了解眼球的稳定性。频域分析：使用傅立叶变换等技术来提取注视频率的频谱特征。运动分析：计算眼动数据点之间的速度和加速度，以获取与扫视类型相关的特征。时间序列特征：计算注视的时长分布，以获得与注视类型相关的特征。
康复训练池中的所有康复子项，采用基于机器学习的推荐算法，建立匹配对应关系的个性化康复训练方案，根据推荐的训练方案，为患者提供个性化的康复训练，包括扫视训练、注视稳定训练、追踪训练等。
在一可选的实施方式中，在具体实施时，本申请方案可以针对于老年人的脑健康康复状况训练、认知功能康复训练、神经退行性疾病的康复训练、精神疾病康复训练、心理疾病的康复训练、前庭功能康复训练等应用场景。
例如：前庭功能障碍的典型的眼动异常为眼球运动的协调性，导致视觉不稳定或眼球震颤(眼球震颤是一种不自主的眼球快速颤动)。震颤幅度与疾病等级有强关联，在眼动测试中的偏位注视测试范式中的整体正确率，总偏移次数，总偏移量都会体现出这一特征。便无需依赖于专业医护人员的主观评估和经验，减轻受试者和测试人员的负担。
图3示出了本申请实施例所提供的一种康复训练方案匹配的装置的结构示意图，所述装置包括：
采集模块，用于对患者进行眼动测试，并采集所述患者的目标眼睛运动数据；
分析模块，用于对所述目标眼睛运动数据进行分析，确定出所述目标眼睛运动数据对应的眼动类型和所述眼动类型下的特征数据；
匹配模块，用于将各个眼动类型下的所述特征数据输入到预先训练的逻辑回归模型中，得到为所述患者匹配的目标康复训练方案。
所述对患者进行眼动测试，并采集所述患者的目标眼睛运动数据，包括：
对患者进行眼动测试，通过采集设备采集所述患者的初始眼睛运动数据；
对所述初始眼睛运动数据进行数据处理和坐标转换，得到在显示终端上进行展示的目标眼睛运动数据。
所述眼动类型为多个，所述将各个眼动类型下的所述特征数据输入到预先训练的逻辑回归模型中，得到为所述患者匹配的目标康复训练方案，包括：
将各个所述特征数据输入到所述逻辑回归模型中，得到该特征数据对应的康复训练子方案；
将所有的康复训练子方案作为所述患者的目标康复训练方案。
所述眼动类型包括注视类型，所述注视类型的特征数据包括偏移次数、总偏移量、总偏移时长、总偏移时常正确率；
所述眼动类型包括扫视类型，所述扫视类型的特征数据包括正确率、潜伏期、最快反应时长、平均反应时长、平均速度、最大速度；
所述眼动类型包括视觉图形类型，所述视觉图形类型的特征数据包括坚持时长、恢复时长；
所述眼动类型包括日常行为类型，所述日常行为类型的特征数据包括坚持时长。
所述康复训练子方案包括扫视训练、注视稳定训练、追踪训练。
所述逻辑回归模型通过以下类型的训练数据训练得到：
注视类型的训练数据包括偏移次数、总偏移量、总偏移时长、总偏移时常正确率；
扫视类型的训练数据包括正确率、潜伏期、最快反应时长、平均反应时长、平均速度、最大速度；
视觉图形类型的训练数据包括坚持时长、恢复时长；
日常行为类型的训练数据包括坚持时长。
通过以下方式训练得到所述逻辑回归模型：
获取初始训练数据；
对所述初始训练数据进行分类，得到多个类型的训练数据；
基于多个类型的训练数据对初始模型进行训练，在达到预设截止条件时，得到所述逻辑回归模型。
如图4所示，本申请实施例提供了一种电子设备，用于执行本申请中的康复训练方案匹配的方法，该设备包括存储器、处理器、总线及存储在该存储器上并可在该处理器上运行的计算机程序，其中，上述处理器执行上述计算机程序时实现上述的康复训练方案匹配的方法的步骤。
具体地，上述存储器和处理器可以为通用的存储器和处理器，这里不做具体限定，当处理器运行存储器存储的计算机程序时，能够执行上述的康复训练方案匹配的方法。
对应于本申请中的康复训练方案匹配的方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述的康复训练方案匹配的方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述的康复训练方案匹配的方法。
在本申请所提供的实施例中，应该理解到，所揭露系统和方法，可以通过其他的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，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信连接可以是通过一些通信接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。
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，既可以位于一个地方，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。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，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。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种康复训练方案匹配的方法，其特征在于，所述方法包括：
对患者进行眼动测试，并采集所述患者的目标眼睛运动数据；
对所述目标眼睛运动数据进行分析，确定出所述目标眼睛运动数据对应的眼动类型和所述眼动类型下的特征数据；
将各个眼动类型下的所述特征数据输入到预先训练的逻辑回归模型中，得到为所述患者匹配的目标康复训练方案。
2.根据权利要求1所述的方法，其特征在于，所述对患者进行眼动测试，并采集所述患者的目标眼睛运动数据，包括：
对患者进行眼动测试，通过采集设备采集所述患者的初始眼睛运动数据；
对所述初始眼睛运动数据进行数据处理和坐标转换，得到在显示终端上进行展示的目标眼睛运动数据。
3.根据权利要求1所述的方法，其特征在于，所述将各个眼动类型下的所述特征数据输入到预先训练的逻辑回归模型中，得到为所述患者匹配的目标康复训练方案，包括：
将各个所述特征数据输入到所述逻辑回归模型中，得到该特征数据对应的康复训练子方案；
将所有的康复训练子方案作为所述患者的目标康复训练方案。
4.根据权利要求3所述的方法，其特征在于，所述康复训练子方案包括扫视训练、注视稳定训练、追踪训练。
5.根据权利要求1所述的方法，其特征在于，所述眼动类型包括注视类型，所述注视类型的特征数据包括偏移次数、总偏移量、总偏移时长、总偏移时常正确率；
所述眼动类型包括扫视类型，所述扫视类型的特征数据包括正确率、潜伏期、最快反应时长、平均反应时长、平均速度、最大速度；
所述眼动类型包括视觉图形类型，所述视觉图形类型的特征数据包括坚持时长、恢复时长；
所述眼动类型包括日常行为类型，所述日常行为类型的特征数据包括坚持时长。
6.根据权利要求1所述的方法，其特征在于，所述逻辑回归模型通过以下类型的训练数据训练得到：
注视类型的训练数据包括偏移次数、总偏移量、总偏移时长、总偏移时常正确率；
扫视类型的训练数据包括正确率、潜伏期、最快反应时长、平均反应时长、平均速度、最大速度；
视觉图形类型的训练数据包括坚持时长、恢复时长；
日常行为类型的训练数据包括坚持时长。
7.根据权利要求6所述的方法，其特征在于，通过以下方式训练得到所述逻辑回归模型：
获取初始训练数据；
对所述初始训练数据进行分类，得到多个类型的训练数据；
基于多个类型的训练数据对初始模型进行训练，在达到预设截止条件时，得到所述逻辑回归模型。
8.一种康复训练方案匹配的装置，其特征在于，所述装置包括：
采集模块，用于对患者进行眼动测试，并采集所述患者的目标眼睛运动数据；
分析模块，用于对所述目标眼睛运动数据进行分析，确定出所述目标眼睛运动数据对应的眼动类型和所述眼动类型下的特征数据；
匹配模块，用于将各个眼动类型下的所述特征数据输入到预先训练的逻辑回归模型中，得到为所述患者匹配的目标康复训练方案。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的康复训练方案匹配的方法的步骤。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7任一所述的康复训练方案匹配的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311388505.5A CN117393104A (zh) | 2023-10-24 | 2023-10-24 | 一种康复训练方案匹配的方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311388505.5A CN117393104A (zh) | 2023-10-24 | 2023-10-24 | 一种康复训练方案匹配的方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117393104A true CN117393104A (zh) | 2024-01-12 |
Family
ID=89436986
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311388505.5A Pending CN117393104A (zh) | 2023-10-24 | 2023-10-24 | 一种康复训练方案匹配的方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117393104A (zh) |
-
2023
- 2023-10-24 CN CN202311388505.5A patent/CN117393104A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3684248B1 (en) | Method and apparatus for determining health status | |
| US10874343B2 (en) | Methods and systems for rapid screening of mild traumatic brain injury | |
| Fritz et al. | Using psycho-physiological measures to assess task difficulty in software development | |
| US20190350510A1 (en) | Systems and methods for assessing and improving sustained attention | |
| KR20170052628A (ko) | 운동 과제 분석 시스템 및 방법 | |
| Rigas et al. | Current research in eye movement biometrics: An analysis based on BioEye 2015 competition | |
| Makowski et al. | DeepEyedentificationLive: Oculomotoric biometric identification and presentation-attack detection using deep neural networks | |
| de Almeida et al. | Computational methodology for automatic detection of strabismus in digital images through Hirschberg test | |
| WO2007102053A2 (en) | System and method for determining human emotion by analyzing eye properties | |
| KR20150076167A (ko) | 감각 및 인지 프로파일링을 위한 시스템 및 방법 | |
| Wang et al. | Screening early children with autism spectrum disorder via response-to-name protocol | |
| Menekse Dalveren et al. | Insights from surgeons’ eye-movement data in a virtual simulation surgical training environment: effect of experience level and hand conditions | |
| Valenza et al. | Autonomic nervous system dynamics for mood and emotional-state recognition: Significant advances in data acquisition, signal processing and classification | |
| Soltani et al. | Real-world gait bout detection using a wrist sensor: An unsupervised real-life validation | |
| Cook et al. | Towards automatic screening of typical and atypical behaviors in children with autism | |
| Newman et al. | 1D convolutional neural networks for detecting nystagmus | |
| Thurman et al. | Revisiting the importance of common body motion in human action perception | |
| Ponciano et al. | Sensors are capable to help in the measurement of the results of the timed-up and go test? A systematic review | |
| CN108451494A (zh) | 使用瞳孔反应来检测时域心脏参数的方法及系统 | |
| US20220395206A1 (en) | Cognitive assessment system based on eye movement | |
| Yang et al. | Loneliness forecasting using multi-modal wearable and mobile sensing in everyday settings | |
| CN117393104A (zh) | 一种康复训练方案匹配的方法、装置、设备及介质 | |
| D’Arco et al. | U2FSM: Unsupervised Square Finite State Machine for Gait Events Estimation from Instrumented Insoles | |
| Proffitt et al. | An algorithm for activity recognition and assessment of adults poststroke | |
| Kiprijanovska et al. | Smart Glasses for Gait Analysis of Parkinson’s Disease 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 |