CN117472183A - 一种个性化动态康复人机交互方法及相关设备 - Google Patents

一种个性化动态康复人机交互方法及相关设备 Download PDF

Info

Publication number
CN117472183A
CN117472183A CN202311417906.9A CN202311417906A CN117472183A CN 117472183 A CN117472183 A CN 117472183A CN 202311417906 A CN202311417906 A CN 202311417906A CN 117472183 A CN117472183 A CN 117472183A
Authority
CN
China
Prior art keywords
patient
rehabilitation
target
motion
movement
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
CN202311417906.9A
Other languages
English (en)
Inventor
但果
马锦婷
王丽芬
罗铭洋
张乃文
张羽
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.)
Shenzhen University
Original Assignee
Shenzhen University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen University filed Critical Shenzhen University
Priority to CN202311417906.9A priority Critical patent/CN117472183A/zh
Publication of CN117472183A publication Critical patent/CN117472183A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
    • A61B5/1071—Measuring physical dimensions, e.g. size of the entire body or parts thereof measuring angles, e.g. using goniometers
    • 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
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/08—Learning methods
    • G06N3/092—Reinforcement learning
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2203/00—Indexing scheme relating to G06F3/00 - G06F3/048
    • G06F2203/01—Indexing scheme relating to G06F3/01
    • G06F2203/011—Emotion or mood input determined on the basis of sensed human body parameters such as pulse, heart rate or beat, temperature of skin, facial expressions, iris, voice pitch, brain activity patterns
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Mathematical Physics (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Primary Health Care (AREA)
  • Neurosurgery (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Neurology (AREA)
  • Dermatology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Epidemiology (AREA)
  • Fuzzy Systems (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)

Abstract

本发明公开了一种个性化动态康复人机交互方法及相关设备，获取目标患者康复训练时的目标参数；将高密度柔性电极贴附在目标患者肢体的相应肌肉上，采集表面肌电信号，得到表面肌电信号时间窗并从中提取运动单元放电脉冲序列；将表面肌电信号时间窗及运动单元放电脉冲序列分别输入特征提取模块，并通过深度变换神经网络进行特征融合，回归预测患者的关节运动角度和末端力；计算运动单元的平均放电频率及单位时间内的累积脉冲，量化目标患者在训练过程中的主动参与度，根据患者实际运动参数与目标运动参数之间的平均绝对百分比误差评估并记录患者的运动表现；根据目标患者的主动参与度和运动表现动态调整康复机器人的参数，提高患者的康复主动性。

Description

一种个性化动态康复人机交互方法及相关设备
技术领域
本发明涉及康复机器人及人机交互技术领域，尤其涉及一种个性化动态康复人机交互方法、系统、终端及计算机可读存储介质。
背景技术
随着现代化进程的加速，脑卒中的发病率呈逐年持续上升且年轻化趋势，已成为威胁民众健康的公共卫生问题。据相关统计，约有75％的脑卒中患者存在不同程度的功能障碍，严重降低了患者的生活自理能力，导致其难以回归正常的家庭和社会生活。
传统的功能康复训练需要康复师根据医生的治疗方案对患者进行人工辅助，耗时耗力，且依赖于康复师的临床经验和主观判断，难以准确客观地评估患者的主动参与程度及功能恢复情况。
近年来，医疗机器人技术已广泛应用于运动功能康复领域，可以为患者提供长期有效的康复训练引导和辅助。与人工判断相比，康复机器人可借助脑电和肌电等生理信号更客观实时且精准地记录并评估患者的训练状态和康复效果，从而辅助康复师和医生制定进一步的个性化康复训练方案。因此，康复机器人可以提供个性化、可重复和高密度的康复训练，具有实时监控和反馈等优势，其开发和优化对神经肌肉疾病患者的功能康复至关重要。
在康复机器人系统中，人机交互控制策略是为了实现特定治疗目标和适应患者需求而采取的控制方法，直接影响患者的训练主动性和康复治疗效果。临床医学研究表明，相比于重复枯燥的被动训练，有患者主动参与的康复治疗对神经系统重建和运动功能恢复更加有效，能够对患者的认知功能和心理情绪功能的恢复产生积极影响，提高患者的康复效率。
因此，保持并提高患者在训练过程中的主动参与度是当前脑卒中康复的研究重点。患者的运动意图、主动参与度和运动表现是康复机器人实现安全有效和个性化康复治疗，促进患者主动参与和努力的关键因素。然而，现有的康复机器人要么只按照康复师设置的固定参数进行被动训练引导；要么只将运动意图转换为控制信号，而忽略了患者在实际训练中的运动表现和主动参与度；要么只考虑运动表现或主动参与度，而忽略了患者的运动意图，缺乏对患者主动参与信息的全面收集和反馈，不利于保持患者在康复训练过程中的积极主动性。同时，还缺乏患者主动参与度的准确量化评估方法，不能实时监测患者的主动参与度及投入状态的变化，无法根据患者的运动能力和训练进展动态调整辅助控制参数，难以满足患者的个性化康复需求。
因此，现有技术还有待于改进和发展。
发明内容
本发明的主要目的在于提供一种个性化动态康复人机交互方法、系统、终端及计算机可读存储介质，旨在解决现有技术无法实时监测患者的主动参与度及投入状态的变化，无法根据患者的运动能力和训练进展动态调整辅助控制参数，难以满足患者的个性化康复需求的问题。
为实现上述目的，本发明提供一种个性化动态康复人机交互方法，所述个性化动态康复人机交互方法包括如下步骤：
获取目标患者康复训练时的目标参数，以及每个动作对应的运动单元平均放电频率和单位时间内的累积脉冲，并存储到在康复训练系统中；
将高密度柔性电极贴附在目标患者肢体的相应肌肉上，采集表面肌电信号，并采用滑动窗口实时分割表面肌电信号，得到表面肌电信号时间窗，并从表面肌电信号时间窗提取运动单元放电脉冲序列；
将表面肌电信号时间窗及运动单元放电脉冲序列分别输入特征提取模块，并通过深度变换神经网络进行特征融合，回归预测患者的关节运动角度和末端力；
计算运动单元的平均放电频率及单位时间内的累积脉冲，量化目标患者在康复训练过程中的主动参与度，并采用运动过程中的平均放电频率及单位时间内的累积脉冲与目标平均放电频率及累积脉冲之间的比值表示患者的主动参与度百分比，根据患者实际运动参数与目标运动参数之间的平均绝对百分比误差评估并记录患者的运动表现；
基于强化学习算法，根据目标患者的主动参与度和运动表现动态调整康复机器人的最大辅助力和运动速度，以实现康复机器人的个性化动态康复反馈控制。
可选地，所述的个性化动态康复人机交互方法，其中，所述获取目标患者康复训练时的目标参数，以及每个动作对应的运动单元平均放电频率和单位时间内的累积脉冲，并存储到在康复训练系统中，具体包括：
在训练开始前，根据康复训练计划，对于偏瘫的第一目标患者，采集第一目标患者健康侧肢体完成多种日常生活动作时的关节运动角度和末端力，存储在康复训练系统中，作为第一目标患者康复训练时的目标参数；
对于双侧肢体均存在运动障碍的第二目标患者，采集与第二目标患者年龄和身高相仿的健康人完成多种日常生活动作时的平均关节运动角度和平均末端力，存储在康复训练系统中，作为第二目标患者康复训练时的目标参数；
将每个动作对应的运动单元平均放电频率和单位时间内的累积脉冲存储在康复训练系统中，用于计算患者的主动参与度。
可选地，所述的个性化动态康复人机交互方法，其中，所述从表面肌电信号时间窗提取运动单元放电脉冲序列，具体包括：
将每个表面肌电信号时间窗作为样本输入深度卷积神经网络模型，提取运动单元的放电脉冲序列；
其中，所述深度卷积神经网络模型包括四个一维卷积层、两个最大池化层、一个全连接层和乙状激活函数。
可选地，所述的个性化动态康复人机交互方法，其中，所述将每个表面肌电信号时间窗作为样本输入深度卷积神经网络模型，提取运动单元的放电脉冲序列，具体包括：
通过两个一维卷积层提取表面肌电信号时间窗中的肌电特征，使用最大池化层进行特征筛选和降维，再通过两个一维卷积层提取深层的肌电特征，并使用最大池化层进行最后的特征筛选和降维，最终经过全连接层和乙状激活函数输出所有激活运动单元的放电脉冲序列，用于运动意图识别和主动参与度量化。
可选地，所述的个性化动态康复人机交互方法，其中，所述将表面肌电信号时间窗及运动单元放电脉冲序列分别输入特征提取模块，并通过深度变换神经网络进行特征融合，回归预测患者的关节运动角度和末端力，具体包括：
通过卷积神经网络构成的特征提取模块分别从表面肌电信号时间窗和运动单元脉冲序列中提取特征，通过深度变换神经网络的编码模块中的注意力机制提取并筛选特征，最后由全连接层输出关节角度和末端力；
康复训练系统根据目标患者的运动意图自动选择合适的训练任务及运动目标，所述运动意图包括关节角度和末端力，在人机交互界面显示目标任务及相关运动参数，通过视觉及语音引导患者完成相应的训练动作，并展示动作完成情况。
可选地，所述的个性化动态康复人机交互方法，其中，所述计算运动单元的平均放电频率及单位时间内的累积脉冲，量化目标患者在康复训练过程中的主动参与度，并采用运动过程中的平均放电频率及单位时间内的累积脉冲与目标平均放电频率及累积脉冲之间的比值表示患者的主动参与度百分比，根据患者实际运动参数与目标运动参数之间的平均绝对百分比误差评估并记录患者的运动表现，具体包括：
采用运动过程中的主动参与度与目标平均放电频率及累积脉冲之间的比值表示患者的主动参与度百分比P％：
其中，rt为实际运动过程中运动单元的平均放电频率，rg为运动单元的目标平均放电频率，ct为实际运动过程中运动单元单位时间内的累积脉冲，cg为运动单元单位时间内的目标累积脉冲；
使用实际运动测量得到的关节角度θi和末端力Fj，与根据运动意图设置的目标关节角度θi′和目标末端力Fj′之间的平均绝对百分比误差MSE％评估患者的实际运动表现：
其中，i表示第i个关节，m为测量的关节角度的总个数，j表示第j个末端，n为测量的末端力的总个数；平均绝对百分比误差MSE％越小，患者的运动表现越好。
可选地，所述的个性化动态康复人机交互方法，其中，所述基于强化学习算法，根据目标患者的主动参与度和运动表现动态调整康复机器人的最大辅助力和运动速度，以实现康复机器人的个性化动态康复反馈控制，具体包括：
设计目标患者康复训练过程中的运动情况评价函数E，表示为：
E＝α×P％+β×(1-MSE％)；
其中，α和β分别为主动参与度百分比P％和平均绝对百分比误差MSE％的权重系数，两者之和为1，设置α＝β＝0.5，表示患者的主动参与度和运动表现的提高具有同等重要性；
基于深度Q网络自适应调整康复机器人的训练参数，包括最大辅助力和运动速度。
此外，为实现上述目的，本发明还提供一种个性化动态康复人机交互系统，其中，所述个性化动态康复人机交互系统包括：
训练任务及运动目标设计模块，用于获取目标患者康复训练时的目标参数，以及每个动作对应的运动单元平均放电频率和单位时间内的累积脉冲，并存储到在康复训练系统中；
表面肌电信号采集与分解模块，用于将高密度柔性电极贴附在目标患者肢体的相应肌肉上，采集表面肌电信号，并采用滑动窗口实时分割表面肌电信号，得到表面肌电信号时间窗，并从表面肌电信号时间窗提取运动单元放电脉冲序列；
运动意图识别模块，用于将表面肌电信号时间窗及运动单元放电脉冲序列分别输入特征提取模块，并通过深度变换神经网络进行特征融合，回归预测患者的关节运动角度和末端力；
主动参与度量化及运动表现评估模块，用于计算运动单元的平均放电频率及单位时间内的累积脉冲，量化目标患者在康复训练过程中的主动参与度，并采用运动过程中的平均放电频率及单位时间内的累积脉冲与目标平均放电频率及累积脉冲之间的比值表示患者的主动参与度百分比，根据患者实际运动参数与目标运动参数之间的平均绝对百分比误差评估并记录患者的运动表现；
个性化动态康复反馈控制模块，用于基于强化学习算法，根据目标患者的主动参与度和运动表现动态调整康复机器人的最大辅助力和运动速度，以实现康复机器人的个性化动态康复反馈控制。
此外，为实现上述目的，本发明还提供一种终端，其中，所述终端包括：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个性化动态康复人机交互程序，所述个性化动态康复人机交互程序被所述处理器执行时实现如上所述的个性化动态康复人机交互方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有个性化动态康复人机交互程序，所述个性化动态康复人机交互程序被处理器执行时实现如上所述的个性化动态康复人机交互方法的步骤。
本发明中，获取目标患者康复训练时的目标参数，以及每个动作对应的运动单元平均放电频率和单位时间内的累积脉冲，并存储到在康复训练系统中；将高密度柔性电极贴附在目标患者肢体的相应肌肉上，采集表面肌电信号，并采用滑动窗口实时分割表面肌电信号，得到表面肌电信号时间窗，并从表面肌电信号时间窗提取运动单元放电脉冲序列；将表面肌电信号时间窗及运动单元放电脉冲序列分别输入特征提取模块，并通过深度变换神经网络进行特征融合，回归预测患者的关节运动角度和末端力；计算运动单元的平均放电频率及单位时间内的累积脉冲，量化目标患者在康复训练过程中的主动参与度，并采用运动过程中的平均放电频率及单位时间内的累积脉冲与目标平均放电频率及累积脉冲之间的比值表示患者的主动参与度百分比，根据患者实际运动参数与目标运动参数之间的平均绝对百分比误差评估并记录患者的运动表现；基于强化学习算法，根据目标患者的主动参与度和运动表现动态调整康复机器人的最大辅助力和运动速度，以实现康复机器人的个性化动态康复反馈控制。本发明提供更个性化的动态精确辅助支持，改善人机交互体验，从而提高患者的康复主动性，促进神经功能重塑，改善康复治疗效果。
附图说明
图1是本发明个性化动态康复人机交互方法的较佳实施例的流程图；
图2是本发明个性化动态康复人机交互方法的较佳实施例中基于运动单元放电信息的个性化动态康复反馈控制方法的流程图；
图3是本发明个性化动态康复人机交互方法的较佳实施例中对表面肌电信号进行离线分解，计算每个动作对应的运动单元平均放电频率和单位时间内的累积脉冲的流程示意图；
图4是本发明个性化动态康复人机交互方法的较佳实施例中基于深度卷积神经网络的表面肌电信号分解模型的示意图；
图5是本发明个性化动态康复人机交互方法的较佳实施例中康复训练过程中的人机交互及相关界面的示意图；
图6是本发明个性化动态康复人机交互方法的较佳实施例中卷积神经网络及深度变换神经网络的结构图的示意图；
图7是本发明个性化动态康复人机交互方法的较佳实施例中使用惯性测量单元数据估计关节运动角度的流程图；
图8是本发明个性化动态康复人机交互方法的较佳实施例中深度Q网络的网络结构示意图；
图9是本发明个性化动态康复人机交互方法的较佳实施例中深度Q网络的训练过程的示意图；
图10是本发明个性化动态康复人机交互方法的较佳实施例中强化学习模型从仿真环境到真实环境的示意图；
图11是本发明个性化动态康复人机交互系统的较佳实施例的原理示意图；
图12为本发明终端的较佳实施例的运行环境示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
现有的康复机器人人机交互控制策略通常只基于人机交互信息或表面肌电信号的整体特征来识别运动意图及量化主动参与度，且仅单独根据患者的运动意图、运动表现或主动参与度来调整康复训练参数；例如：一种基于信息融合的上肢康复机器人控制方法通过机器人末端的位置、速度和患者对机器人末端施加的力预测患者的运动意图，并根据机器人的末端位置及与环境碰撞的力来估计环境特征，基于卡尔曼滤波算法融合运动意图和环境特征，采用朴素贝叶斯原理判断任务完成情况，若任务完成则终止，否则引入柔顺模型保证任务安全完成；例如：基于博弈论和sEMG的上肢康复机器人自适应控制方法及系统使用表面肌电信号估计肌力，利用博弈论原理分析人机交互系统，推导机器人的角色，采用纳什平衡更新人机之间的控制率(权重因子)，使机器人根据患者操作过程中的运动意图自适应调整训练模式；自适应位置约束的康复机器人按需辅助控制方法和系统基于位置误差转换量和人机交互力矩构建运动表现函数，并以运动表现为输入变量设计连续可导的机器人辅助水平函数，用于表征机器人对患者的辅助程度，作为人机交互系统控制器的权重因子，使控制器能够实现不同模式下的按需辅助；例如：一种康复机器人智能主被动混合训练控制方法通过标定患者的关节活动度和最大功率来获取人机交互力的差值，用于计算患者康复训练过程中的主动参与度，并转换为速度偏移量，根据速度偏移量自适应地调整被动训练关节运动速度；一种基于贝叶斯优化提高按需辅助康复训练参与度的方法采用轨迹跟踪误差评估患者的运动表现，采用表面肌电信号的均方根值评估患者在训练中的运动参与度，建立综合运动表现和主动参与度的评价函数，通过贝叶斯优化方法学习评价函数与按需辅助策略超参数(最大边界辅助力)之间的关系，找到下一轮按需辅助中使评价函数最大的超参数，根据患者训练过程中的位置误差和最佳超参数，按照辅助力场规律实时调整康复机器人对患者施加的力。
现有技术的缺点：
(1)、现有的康复机器人人机交互控制策略中缺乏对患者连续精细运动意图的实时或提前识别，不利于康复机器人控制参数的及时调整，难以迅速适应患者不断变化的运动意图，无法提供适时的支持和反馈，影响患者在康复训练过程中的主动参与度。
(2)、现有的康复机器人人机交互控制策略中大多采用人机交互信息或表面肌电信号的均方根值来评估患者的主动参与度，存在滞后性和不稳定性(易受外部因素的影响)，缺乏更准确的个性化主动参与度量化指标，难以实时评估和监测患者在运动训练过程中的主动参与度，导致无法及时反馈患者参与康复训练的状态变化，难以有效引导患者积极参与，影响康复训练效果。
(3)、现有的康复机器人人机交互控制策略中往往单独考虑患者的运动意图、主动参与度或运动表现来改变训练参数，缺乏综合考虑运动意图、主动参与度和运动表现进行个性化动态反馈控制的方法，难以实时反馈患者的运动状态并进行有针对性的训练参数调整。
本发明公开了一种基于运动单元放电信息的个性化动态康复人机交互方法，通过运动单元的放电信息识别患者的运动意图，并量化主动参与度，根据实时反馈信息自动调整辅助力度和运动速度等训练参数，综合考虑运动意图、主动参与度和运动表现，以适应患者在康复训练过程中的需求和运动状态变化，提供更个性化的动态精确辅助支持，改善人机交互体验，从而提高患者的康复主动性，促进神经功能重塑，改善康复治疗效果。
本发明较佳实施例所述的个性化动态康复人机交互方法，如图1和图2所示，所述个性化动态康复人机交互方法包括以下步骤：
步骤S10、获取目标患者康复训练时的目标参数，以及每个动作对应的运动单元平均放电频率和单位时间内的累积脉冲，并存储到在康复训练系统中。
具体地，在训练开始前，根据康复训练计划，对于偏瘫的第一目标患者，采集第一目标患者健康侧(健康的一侧)肢体完成多种日常生活动作时的关节运动角度和末端力，存储在康复训练系统中，作为第一目标患者康复训练时的目标参数；对于双侧肢体均存在运动障碍的第二目标患者，采集与第二目标患者年龄和身高相仿的健康人完成多种日常生活动作时的平均关节运动角度和平均末端力，存储在康复训练系统中，作为第二目标患者康复训练时的目标参数；将每个动作对应的运动单元平均放电频率和单位时间内的累积脉冲存储在康复训练系统中，用于计算患者的主动参与度(将主动参与度的值转换到[0，1]之间)。
此外，将高密度柔性电极贴附在患者健侧肢体的表面肌肉上，采集每个动作对应的表面肌电信号30s以上，并通过卷积盲源分离算法对表面肌电信号进行离线分解，计算每个动作对应的运动单元平均放电频率和单位时间内的累积脉冲存储在康复训练系统中，用于计算患者的主动参与度。
如图3所示，图3为对表面肌电信号进行离线分解，计算每个动作对应的运动单元平均放电频率和单位时间内的累积脉冲的流程示意图，首先对采集得到的表面肌电信号进行通道扩展，扩展参数R设置为16，并通过将每个通道的值减去该通道的均值进行去均值化，再进行零相位分析白化变换去除通道之间的相关性，得到信号z；其次，初始化分离矩阵B后进入外循环，i表示当前循环次数，迭代次数设置为50；当循环次数i≤迭代次数时，初始化分离向量ωI(0)和ωI(-1)；当第n个分离向量ωI(n)的转置与第n-1个分离向量ωi(n)-1的点积减1的绝对值小于容差Tolx时，设置容差为10-8，即当|ωi(n)Tωi(n-1)-1|<Tolx时，进入第一个内循环，执行不动点算法，并通过正交化和标准化计算得到第n个分离向量ωi(n)，令n＝n+1，继续第一个内循环，直到|ωi(n)Tωi(n-1)-1|≥Tolx或n超过不动点迭代次数300；然后，初始化第n-1个和第n个变异系数CoVn-1和CoVn，当CoVn-1>CoVn时，进入第二个内循环，估计第i个源，并使用峰值检测和K均值聚类算法估计脉冲序列PTn，令CoVn-1＝CoVn，计算脉冲序列PTn的变异系数CoVn，令分离向量放电时间点tj＝{t:PTn(t)＝1}，J为放电脉冲总数；令n＝n+1，继续第二个内循环，直到CoVn-1≤CoVn或n超过不动点迭代次数300；最后，当轮廓系数SIL大于0.9时，接受第i个源的估计，将ωi添加到分离矩阵B中，令i＝i+1，继续外循环。当SIL≤0.9时，直接令i＝i+1，继续外循环；当循环次数i＞迭代次数时，结束外循环；最终通过不动点迭代算法从表面肌电信号中提取激活运动单元的放电信息。
本发明通过采集患者健侧的运动学和动力学参数为其设计个性化的训练任务及运动目标，更符合患者的运动能力和康复需求，可以为患者提供合理的康复训练引导，并有助于患者双侧肢体协调配合性的恢复。
步骤S20、将高密度柔性电极贴附在目标患者肢体的相应肌肉上，采集表面肌电信号，并采用滑动窗口实时分割表面肌电信号，得到表面肌电信号时间窗，并从表面肌电信号时间窗提取运动单元放电脉冲序列。
具体地，表面肌电信号采集与分解：将高密度柔性电极贴附在患者肢体的相应肌肉上，采集表面肌电信号，并采用滑动窗口实时分割表面肌电信号，得到表面肌电信号时间窗；本发明中滑动窗口的窗长设置为60个数据点，步长设置为20个数据点，将60％的表面肌电信号时间窗及对应运动单元脉冲序列作为训练集，20％作为验证集，20％作为测试集，通过五折交叉验证训练表面肌电信号在线分解模型；将每个表面肌电信号时间窗作为样本输入深度卷积神经网络模型，从所述表面肌电信号时间窗中提取运动单元的放电脉冲序列；其中，如图4所示，图4为本发明基于深度卷积神经网络的表面肌电信号分解模型的示意图，所述深度卷积神经网络模型包括四个一维卷积层、两个最大池化层、一个全连接层和乙状激活函数。
深度卷积神经网络模型的输入为表面肌电信号时间窗，首先通过两个一维卷积层提取表面肌电信号时间窗中的肌电特征，然后使用最大池化层进行特征筛选和降维，再通过两个一维卷积层提取深层的肌电特征，并使用最大池化层进行最后的特征筛选和降维，最终经过全连接层和乙状激活函数输出所有激活运动单元的放电脉冲序列，用于运动意图识别和主动参与度量化。
在线分解模型的模型训练过程中，设置学习率为10-4，权重衰减为10-6，采用二值交叉熵作为损失函数，自适应矩估计作为优化方法，进行100轮训练后通过验证集的损失函数值选择最佳模型；在康复训练过程中，将采集到的60个数据点表面肌电信号输入在线分解模型，即可得到所有激活运动单元的放电脉冲序列，用于运动意图识别和主动参与度量化。
本发明结合表面肌电信号和运动单元放电信息基于深度变换网络构建患者关节角度和末端力预测模型，根据患者训练过程中的运动意图为其选择与健侧对应的合适的目标运动参数，能够确保患者在安全范围内进行康复训练并通过康复机器人的辅助达到训练目标，增加患者的康复信心，避免固定重复的训练动作导致康复治疗过程的枯燥乏味，可以充分调动并保持患者的训练主动性。
步骤S30、将表面肌电信号时间窗及运动单元放电脉冲序列输入特征提取模块，并通过深度变换神经网络进行特征融合，回归预测患者的关节运动角度和末端力。
具体地，通过卷积神经网络构成的特征提取模块分别从表面肌电信号时间窗和运动单元脉冲序列中提取特征(即输入进运动意图识别模型)，即可预测患者的关节运动角度和末端力；康复训练系统根据患者的运动意图和康复训练计划，自动选择对应的训练任务及运动目标，可根据预测关节角度与现有训练任务关节角度之间的相关性系数选择训练任务，并根据患者的运动能力选择其能够实现的目标设置对应的运动参数；通过深度变换神经网络的编码模块中的注意力机制提取并筛选特征，最后由全连接层输出关节角度和末端力；康复训练系统根据目标患者的运动意图自动选择合适的训练任务及运动目标，所述运动意图包括关节角度和末端力，在人机交互界面显示目标任务及相关运动参数，通过视觉及语音引导患者完成相应的训练动作，并展示动作完成情况，如图5所示，图5为康复训练过程中的人机交互及相关界面的示意图，视觉引导以手功能的康复训练为例。
为了实时监测患者在康复训练过程中的运动意图，本发明设计了基于卷积神经网络和深度变换神经网络的混合神经网络结构，如图6所示，包括特征提取模块、编码模块和输出模块，其中，特征提取模块采用基本残差块、软阈值算法和注意力机制分别从表面肌电信号和运动单元放电脉冲序列提取特征，两种特征拼接后进入深度变换神经网络的输入层，进行位置编码；编码模块由两个编码器层堆叠而成，每个编码器层由两个子层连接结构组成，第一个子层连接结构包括一个多头注意力子层、标准化层和一个残差连接，第二个子层连接结构包括一个前馈全连接子层、标准化层和一个残差连接；通过注意力机制对拼接特征进行提取和筛选，最后由全连接层输出预测关节角度和末端力。在运动意图识别模型训练过程中，设置学习率为10-4，权重衰减为10-6，采用平均绝对误差作为损失函数，自适应矩估计作为优化方法，进行100轮训练后通过验证集的损失函数值选择最佳模型，最终得到运动意图识别模型；如图6所示，图6为本发明采用的基于深度卷积神经网络和深度变速神经网络的运动意图识别模型的示意图，通过卷积神经网络构成的特征提取模块分别从表面肌电信号和运动单元脉冲序列中提取特征，通过深度变换神经网络编码模块中的注意力机制进一步提取并筛选特征，最后由全连接层输出关节角度和末端力。
本发明采用运动单元放电信息量化患者在康复训练过程中的主动参与度，能够更稳定准确的判断肌肉激活程度，提供更可靠的主动参与度信息。
步骤S40、计算运动单元的平均放电频率及单位时间内的累积脉冲量化目标患者在康复训练过程中的主动参与度，并采用运动过程中的主动参与度与目标平均放电频率及累积脉冲之间的比值表示患者的主动参与度，根据患者实际运动参数与目标运动参数之间的平均绝对百分比误差评估并记录患者的运动表现。
具体地，主动参与度量化及运动表现评估：运动单元放电脉冲序列中包含患者运动行为的重要信息；本发明通过计算单位时间内运动单元的平均放电频率及累积脉冲序列量化患者在康复训练过程中的主动参与度，采用运动过程中的主动参与度与目标平均放电频率及累积脉冲之间的比值表示患者的主动参与度百分比P％：
其中，rt为实际运动过程中运动单元的平均放电频率，rg为运动单元的目标平均放电频率，ct为实际运动过程中运动单元单位时间内的累积脉冲，cg为运动单元单位时间内的目标累积脉冲。
进一步地，使用实际运动测量得到的关节角度θi和末端力Fj，与根据运动意图设置的目标关节角度θi′和目标末端力Fj′之间的平均绝对百分比误差MSE％评估患者的实际运动表现：
其中，i表示第i个关节，m为测量的关节角度的总个数，j表示第j个末端，n为测量的末端力的总个数；平均绝对百分比误差MSE％越小，患者的运动表现越好；根据该指标在人机交互界面显示患者的动作完成度百分比1-MSE％，如图5所示。
进一步地，为了评估患者的真实运动表现，对于膝关节等较大的关节，将惯性测量单元放在与关节运动轴线相切或平行的位置，通过加速度计测量关节的加速度数据a(t)，通过陀螺仪测量关节的角速度数据ω(t)，图7为使用惯性测量单元数据估计关节运动角度的流程图；使用陀螺仪角速度数据的数值积分初步估计关节角度，公式如下：
θ_ω(t)＝θ_ω(t-1)+ω(t)*Δt；(3)
其中，为时刻t的角度估计，为采样时间间隔。为了获取更准确的关节角度信息，使用加速度数据校正陀螺仪的角度估计，基于加速度数据估计关节角度的公式如下：
其中，ax(t)、ay(t)、az(t)分别为加速度计在X、Y和Z轴上的测量值。通过卡尔曼滤波算法对角速度数据的数值积分θ_ω(t)和加速度计的校正角度θ_a(t)进行融合及滤波，获得准确和稳定的关节角度估计θi。而对于手指关节等较小的关节，使用柔性电极采集关节角度θi。同时，将六轴力传感器放置在运动肢体的末端，测量末端力的三个分量Fx、Fy、Fz和力矩的三个分量Mx、My、Mz，通过传感器的测量数据计算肢体末端的力Fj和力矩Mj。
本发明通过对比患者患侧肢体的实际运动情况与训练目标来评估其运动表现，综合主动参与度和运动表现，基于强化学习算法实现康复训练系统辅助参数的自适应调整，优化患者的交互体验，提高康复训练效果。
S50、基于强化学习算法，根据目标患者的主动参与度和运动表现动态调整康复机器人的最大辅助力和运动速度，以实现康复机器人的个性化动态康复反馈控制。
具体地，个性化动态康复反馈控制策略：以提高患者的主动参与度和运动表现为目标，设计目标患者康复训练过程中的运动情况评价函数E，表示为：
E＝α×P％+β×(1-MSE％)；(5)
其中，α和β分别为主动参与度百分比P％和平均绝对百分比误差MSE％的权重系数，两者之和为1，设置α＝β＝0.5，表示患者的主动参与度和运动表现的提高具有同等重要性。
基于深度Q网络自适应调整康复机器人的训练参数，包括最大辅助力和运动速度；如图8所示，图8为深度Q网络的网络结构示意图，输入为状态和动作，经过隐藏层调整参数θ，最终输出每个动作对应的Q值Q(st,at；θ)；深度Q网络的训练过程的示意图如图9所示，首先初始化深度Q网络，用于估计环境状态与动作对之间的Q值，作为估计值网络，并创建目标值网络，网络结构与估计值网络相同，但网络参数不同；然后，初始化回放记忆单元，用于存储先前的状态、动作、奖励及下一个状态，以及初始化环境模型，包括初始化状态和动作；最后，进行训练循环，基于贪心策略根据当前状态从估计值网络中选择一个动作并应用于调整康复机器人与环境互动，观察奖励和下一个状态；将当前状态、动作、奖励和下一个状态存储到回放记忆单元，并从中随机抽样一批经验数据，使用目标值网络计算目标Q值，使用均方误差损失函数比较估计值网络的Q值与目标Q值之间的误差，使用梯度下降算法和损失函数的梯度更新估计值网络的参数，减小估计Q值和目标Q值之间的差距，定期将估计值网络的参数复制到目标值网络中，以稳定目标Q值的计算，直到达到停止条件；使用训练后的估计值网络来选择动作，以动态调整康复机器人的训练参数，提高患者的主动参与度和运动表现。
本发明通过深度Q网络模型动态调整康复机器人的训练参数，包括最大辅助力和运动速度；首先，根据患者的生理特征及康复机器人和任务性质创建仿真环境，模拟患者与康复机器人之间互动的场景，通过评价函数E评估患者的训练情况，提供反馈信号；本发明采用深度Q网络作为强化学习代理程序，根据仿真环境提供的反馈信号来学习如何调整康复机器人的训练参数，以最大化评价函数E；根据评价函数E的数值变化设计奖励函数，当训练参数调整后评价函数E增大，将奖励函数的数值为1，否则为-1；为了保证患者康复训练过程中的安全性，设置所有训练参数的安全范围，当代理程序将训练参数调整到安全范围之外时，奖励函数的数值为-5。让强化学习代理程序与仿真环境互动，训练深度Q网络，不断调整康复机器人的训练参数，以最大化累积奖励；训练完成后，在治疗师的监督下在实际临床环境中验证强化学习模型的有效性，完成模型部署，实现康复训练过程中康复机器人的动态反馈控制，提高患者的主动参与度和运动表现，训练过程如图9所示。图10为强化学习模型从仿真环境到真实环境的示意图。
本发明能够综合考虑患者在康复训练过程中的运动意图、主动参与度和运动表现这三个关键因素，可以根据患者的主动意愿为其提供更符合个性化需求的机器人辅助康复训练，能够提高患者参与运动训练的积极主动性，提高康复治疗效率。
本发明基于镜像康复原理，根据患者健侧肢体的运动学和动力参数设计训练任务及目标，并通过对比患者患侧肢体的实际运动情况与训练目标来评估其运动表现，为患者提供更个性化的康复训练引导，有利于患者患侧肢体的运动功能康复至与健侧协调。
本发明按照患者的运动意图为其设置与健侧对应的目标运动参数，使患者能够达到更合理的训练目标，提高患者参与康复训练的积极主动性，有助于主动康复的实现，促进患者神经功能重塑，加快康复进展。
本发明通过融合原始表面肌电信号和运动单元放电特征进行运动意图识别，相比于仅使用时频域特征的运动意图识别方法，运动单元放电特征为运动意图识别提供了神经驱动相关信息，有助于进行更稳定精细的连续运动意图识别。
本发明通过运动单元的平均放电频率及单位时间内的累积脉冲来量化患者在康复训练过程中的主动参与度，且为了消除个体差异对量化指标的影响，使用患者健侧的平均放电频率及单位时间内的累积脉冲对主动参与度进行归一化，表示为百分比的形式，可以更直观准确地反馈给患者和康复训练系统。
本发明综合考虑患者的运动意图、主动参与度和实际运动表现来实现康复训练系统的动态康复反馈控制，为患者提供更符合其运动能力和康复需求的训练引导，并通过强化学习算法实现康复训练系统辅助参数的动态调整，提高并保持患者进行康复训练的积极主动性，促进神经功能的有效重塑。
本发明旨在综合考虑运动意图、主动参与度和运动表现为患者提供个性化、智能化的机器人辅助康复训练，提高患者参与运动康复的积极主动性，促进其神经功能的有效重塑。本发明通过采集患者健侧关节角度和末端力并根据康复训练计划为其设计康复训练任务及运动目标，并记录健侧完成不同运动时的主动参与度，基于镜像康复原理保证患者双侧肢体协同性的恢复。首先，基于深度卷积神经网络将表面肌电信号分解成运动单元放电脉冲序列。其次，基于深度变换神经网络融合运动单元放电脉冲序列和表面肌电信号特征，预测患者的关节运动角度及末端力，实现患者连续运动意图的实时监测，自适应地为患者选择训练任务及目标。同时，使用运动单元的平均放电频率和累积脉冲序列量化患者在康复训练过程中的主动参与度，并采用健康一侧主动参与度进行标准化，实现主动参与度的稳定及个性化评估。然后，根据患者实际运动参数与目标运动参数之间的平均绝对误差百分比评估并记录患者的运动表现。最后，基于强化学习算法，根据患者的主动参与度和运动表现动态调整康复机器人的最大辅助力和运动速度等训练参数，实现康复机器人的个性化动态康复反馈控制，提高康复效率，加快康复进展。
进一步地，如图11所示，基于上述个性化动态康复人机交互方法，本发明还相应提供了一种个性化动态康复人机交互系统，其中，所述个性化动态康复人机交互系统包括：
训练任务及运动目标设计模块51，用于获取目标患者康复训练时的目标参数，以及每个动作对应的运动单元平均放电频率和单位时间内的累积脉冲，并存储到在康复训练系统中；
表面肌电信号采集与分解模块52，用于将高密度柔性电极贴附在目标患者肢体的相应肌肉上，采集表面肌电信号，并采用滑动窗口实时分割表面肌电信号，得到表面肌电信号时间窗，并从表面肌电信号时间窗提取运动单元放电脉冲序列；
运动意图识别模块53，用于将表面肌电信号时间窗及运动单元放电脉冲序列分别输入特征提取模块，并通过深度变换神经网络进行特征融合，回归预测患者的关节运动角度和末端力；
主动参与度量化及运动表现评估模块54，用于计算运动单元的平均放电频率及单位时间内的累积脉冲，量化目标患者在康复训练过程中的主动参与度，并采用运动过程中的平均放电频率及单位时间内的累积脉冲与目标平均放电频率及累积脉冲之间的比值表示患者的主动参与度百分比，根据患者实际运动参数与目标运动参数之间的平均绝对百分比误差评估并记录患者的运动表现；
个性化动态康复反馈控制模块55，用于基于强化学习算法，根据目标患者的主动参与度和运动表现动态调整康复机器人的最大辅助力和运动速度，以实现康复机器人的个性化动态康复反馈控制。
进一步地，如图12所示，基于上述个性化动态康复人机交互方法和系统，本发明还相应提供了一种终端，所述终端包括处理器10、存储器20及显示器30。图12仅示出了终端的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
所述存储器20在一些实施例中可以是所述终端的内部存储单元，例如终端的硬盘或内存。所述存储器20在另一些实施例中也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器20还可以既包括所述终端的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述终端的应用软件及各类数据，例如所述安装终端的程序代码等。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有个性化动态康复人机交互程序40，该个性化动态康复人机交互程序40可被处理器10所执行，从而实现本申请中个性化动态康复人机交互方法。
所述处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行所述存储器20中存储的程序代码或处理数据，例如执行所述个性化动态康复人机交互方法等。
所述显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。所述显示器30用于显示在所述终端的信息以及用于显示可视化的用户界面。所述终端的部件10-30通过系统总线相互通信。
在一实施例中，当处理器10执行所述存储器20中个性化动态康复人机交互程序40时实现以下步骤：
获取目标患者康复训练时的目标参数，以及每个动作对应的运动单元平均放电频率和单位时间内的累积脉冲，并存储到在康复训练系统中；
将高密度柔性电极贴附在目标患者肢体的相应肌肉上，采集表面肌电信号，并采用滑动窗口实时分割表面肌电信号，得到表面肌电信号时间窗，并从表面肌电信号时间窗提取运动单元放电脉冲序列；
将表面肌电信号时间窗及运动单元放电脉冲序列分别输入特征提取模块，并通过深度变换神经网络进行特征融合，回归预测患者的关节运动角度和末端力；
计算运动单元的平均放电频率及单位时间内的累积脉冲，量化目标患者在康复训练过程中的主动参与度，并采用运动过程中的平均放电频率及单位时间内的累积脉冲与目标平均放电频率及累积脉冲之间的比值表示患者的主动参与度百分比，根据患者实际运动参数与目标运动参数之间的平均绝对百分比误差评估并记录患者的运动表现；
基于强化学习算法，根据目标患者的主动参与度和运动表现动态调整康复机器人的最大辅助力和运动速度，以实现康复机器人的个性化动态康复反馈控制。
其中，所述获取目标患者康复训练时的目标参数，以及每个动作对应的运动单元平均放电频率和单位时间内的累积脉冲，并存储到在康复训练系统中，具体包括：
在训练开始前，根据康复训练计划，对于偏瘫的第一目标患者，采集第一目标患者健康侧肢体完成多种日常生活动作时的关节运动角度和末端力，存储在康复训练系统中，作为第一目标患者康复训练时的目标参数；
对于双侧肢体均存在运动障碍的第二目标患者，采集与第二目标患者年龄和身高相仿的健康人完成多种日常生活动作时的平均关节运动角度和平均末端力，存储在康复训练系统中，作为第二目标患者康复训练时的目标参数；
将每个动作对应的运动单元平均放电频率和单位时间内的累积脉冲存储在康复训练系统中，用于计算患者的主动参与度。
其中，所述从表面肌电信号时间窗提取运动单元放电脉冲序列，具体包括：
将每个表面肌电信号时间窗作为样本输入深度卷积神经网络模型，提取运动单元的放电脉冲序列；
其中，所述深度卷积神经网络模型包括四个一维卷积层、两个最大池化层、一个全连接层和乙状激活函数。
其中，所述将每个表面肌电信号时间窗作为样本输入深度卷积神经网络模型，提取运动单元的放电脉冲序列，具体包括：
通过两个一维卷积层提取表面肌电信号时间窗中的肌电特征，使用最大池化层进行特征筛选和降维，再通过两个一维卷积层提取深层的肌电特征，并使用最大池化层进行最后的特征筛选和降维，最终经过全连接层和乙状激活函数输出所有激活运动单元的放电脉冲序列，用于运动意图识别和主动参与度量化。
其中，所述将表面肌电信号时间窗及运动单元放电脉冲序列输入特征提取模块，并通过深度变换神经网络进行特征融合，回归预测患者的关节运动角度和末端力，具体包括：
通过卷积神经网络构成的特征提取模块分别从表面肌电信号时间窗和运动单元脉冲序列中提取特征，通过深度变换神经网络的编码模块中的注意力机制提取并筛选特征，最后由全连接层输出关节角度和末端力；
康复训练系统根据目标患者的运动意图自动选择合适的训练任务及运动目标，所述运动意图包括关节角度和末端力，在人机交互界面显示目标任务及相关运动参数，通过视觉及语音引导患者完成相应的训练动作，并展示动作完成情况。
其中，所述计算运动单元的平均放电频率及单位时间内的累积脉冲，量化目标患者在康复训练过程中的主动参与度，并采用运动过程中的平均放电频率及单位时间内的累积脉冲与目标平均放电频率及累积脉冲之间的比值表示患者的主动参与度百分比，根据患者实际运动参数与目标运动参数之间的平均绝对百分比误差评估并记录患者的运动表现，具体包括：
采用运动过程中的主动参与度与目标平均放电频率及累积脉冲之间的比值表示患者的主动参与度百分比P％：
其中，rt为实际运动过程中运动单元的平均放电频率，rg为运动单元的目标平均放电频率，ct为实际运动过程中运动单元单位时间内的累积脉冲，cg为运动单元单位时间内的目标累积脉冲；
使用实际运动测量得到的关节角度θi和末端力Fj，与根据运动意图设置的目标关节角度θi′和目标末端力Fj′之间的平均绝对百分比误差MSE％评估患者的实际运动表现：
其中，i表示第i个关节，m为测量的关节角度的总个数，j表示第j个末端，n为测量的末端力的总个数；平均绝对百分比误差MSE％越小，患者的运动表现越好。
其中，所述基于强化学习算法，根据目标患者的主动参与度和运动表现动态调整康复机器人的最大辅助力和运动速度，以实现康复机器人的个性化动态康复反馈控制，具体包括：
设计目标患者康复训练过程中的运动情况评价函数E，表示为：
E＝α×P％+β×(1-MSE％)；
其中，α和β分别为主动参与度百分比P％和平均绝对百分比误差MSE％的权重系数，两者之和为1，设置α＝β＝0.5，表示患者的主动参与度和运动表现的提高具有同等重要性；
基于深度Q网络自适应调整康复机器人的训练参数，包括最大辅助力和运动速度。
本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有个性化动态康复人机交互程序，所述个性化动态康复人机交互程序被处理器执行时实现如上所述的个性化动态康复人机交互方法的步骤。
综上所述，本发明提供一种个性化动态康复人机交互方法及相关设备，所述方法包括：获取目标患者康复训练时的目标参数，以及每个动作对应的运动单元平均放电频率和单位时间内的累积脉冲，并存储到在康复训练系统中；将高密度柔性电极贴附在目标患者肢体的相应肌肉上，采集表面肌电信号，并采用滑动窗口实时分割表面肌电信号，得到表面肌电信号时间窗，并从表面肌电信号时间窗提取运动单元放电脉冲序列；将表面肌电信号时间窗及运动单元放电脉冲序列分别输入特征提取模块，并通过深度变换神经网络进行特征融合，回归预测患者的关节运动角度和末端力；计算运动单元的平均放电频率及单位时间内的累积脉冲，量化目标患者在康复训练过程中的主动参与度，并采用运动过程中的平均放电频率及单位时间内的累积脉冲与目标平均放电频率及累积脉冲之间的比值表示患者的主动参与度百分比，根据患者实际运动参数与目标运动参数之间的平均绝对百分比误差评估并记录患者的运动表现；基于强化学习算法，根据目标患者的主动参与度和运动表现动态调整康复机器人的最大辅助力和运动速度，以实现康复机器人的个性化动态康复反馈控制。本发明提供更个性化的动态精确辅助支持，改善人机交互体验，从而提高患者的康复主动性，促进神经功能重塑，改善康复治疗效果。
需要说明的是，在本文中，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，并不排除在包括该要素的过程、方法、物品或者终端中还存在另外的相同要素。
当然，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件(如处理器，控制器等)来完成，所述的程序可存储于一计算机可读取的计算机可读存储介质中，所述程序在执行时可包括如上述各方法实施例的流程。其中所述的计算机可读存储介质可为存储器、磁碟、光盘等。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种个性化动态康复人机交互方法，其特征在于，所述个性化动态康复人机交互方法包括：
获取目标患者康复训练时的目标参数，以及每个动作对应的运动单元平均放电频率和单位时间内的累积脉冲，并存储到在康复训练系统中；
将高密度柔性电极贴附在目标患者肢体的相应肌肉上，采集表面肌电信号，并采用滑动窗口实时分割表面肌电信号，得到表面肌电信号时间窗，从表面肌电信号时间窗提取运动单元放电脉冲序列；
将表面肌电信号时间窗及运动单元放电脉冲序列分别输入特征提取模块，并通过深度变换神经网络进行特征融合，回归预测患者的关节运动角度和末端力；
计算运动单元的平均放电频率及单位时间内的累积脉冲，量化目标患者在康复训练过程中的主动参与度，并采用运动过程中的平均放电频率及单位时间内的累积脉冲与目标平均放电频率及累积脉冲之间的比值表示患者的主动参与度百分比，根据患者实际运动参数与目标运动参数之间的平均绝对百分比误差评估并记录患者的运动表现；
基于强化学习算法，根据目标患者的主动参与度和运动表现动态调整康复机器人的最大辅助力和运动速度，以实现康复机器人的个性化动态康复反馈控制。
2.根据权利要求1所述的个性化动态康复人机交互方法，其特征在于，所述获取目标患者康复训练时的目标参数，以及每个动作对应的运动单元平均放电频率和单位时间内的累积脉冲，并存储到在康复训练系统中，具体包括：
在训练开始前，根据康复训练计划，对于偏瘫的第一目标患者，采集第一目标患者健康侧肢体完成多种日常生活动作时的关节运动角度和末端力，存储在康复训练系统中，作为第一目标患者康复训练时的目标参数；
对于双侧肢体均存在运动障碍的第二目标患者，采集与第二目标患者年龄和身高相仿的健康人完成多种日常生活动作时的平均关节运动角度和平均末端力，存储在康复训练系统中，作为第二目标患者康复训练时的目标参数；
将每个动作对应的运动单元平均放电频率和单位时间内的累积脉冲存储在康复训练系统中，用于计算患者的主动参与度。
3.根据权利要求1所述的个性化动态康复人机交互方法，其特征在于，所述从表面肌电信号时间窗提取运动单元放电脉冲序列，具体包括：
将每个表面肌电信号时间窗作为样本输入深度卷积神经网络模型，提取运动单元的放电脉冲序列；
其中，所述深度卷积神经网络模型包括四个一维卷积层、两个最大池化层、一个全连接层和乙状激活函数。
4.根据权利要求3所述的个性化动态康复人机交互方法，其特征在于，所述将每个表面肌电信号时间窗作为样本输入深度卷积神经网络模型，提取运动单元的放电脉冲序列，具体包括：
通过两个一维卷积层提取表面肌电信号时间窗中的肌电特征，使用最大池化层进行特征筛选和降维，再通过两个一维卷积层提取深层的肌电特征，并使用最大池化层进行最后的特征筛选和降维，最终经过全连接层和乙状激活函数输出所有激活运动单元的放电脉冲序列，用于运动意图识别和主动参与度量化。
5.根据权利要求1所述的个性化动态康复人机交互方法，其特征在于，所述将表面肌电信号时间窗及运动单元放电脉冲序列分别输入特征提取模块，并通过深度变换神经网络进行特征融合，回归预测患者的关节运动角度和末端力，具体包括：
通过卷积神经网络构成的特征提取模块分别从表面肌电信号时间窗和运动单元脉冲序列中提取特征，通过深度变换神经网络的编码模块中的注意力机制提取并筛选特征，最后由全连接层输出关节角度和末端力；
康复训练系统根据目标患者的运动意图自动选择合适的训练任务及运动目标，所述运动意图包括关节角度和末端力，在人机交互界面显示目标任务及相关运动参数，通过视觉及语音引导患者完成相应的训练动作，并展示动作完成情况。
6.根据权利要求1所述的个性化动态康复人机交互方法，其特征在于，所述计算运动单元的平均放电频率及单位时间内的累积脉冲，量化目标患者在康复训练过程中的主动参与度，并采用运动过程中的平均放电频率及单位时间内的累积脉冲与目标平均放电频率及累积脉冲之间的比值表示患者的主动参与度百分比，根据患者实际运动参数与目标运动参数之间的平均绝对百分比误差评估并记录患者的运动表现，具体包括：
采用运动过程中的主动参与度与目标平均放电频率及累积脉冲之间的比值表示患者的主动参与度百分比P％：
其中，rt为实际运动过程中运动单元的平均放电频率，rg为运动单元的目标平均放电频率，ct为实际运动过程中运动单元单位时间内的累积脉冲，cg为运动单元单位时间内的目标累积脉冲；
使用实际运动测量得到的关节角度θi和末端力Fj，与根据运动意图设置的目标关节角度θ′i和目标末端力F′j之间的平均绝对百分比误差MSE％评估患者的实际运动表现：
其中，i表示第i个关节，m为测量的关节角度的总个数，j表示第j个末端，n为测量的末端力的总个数；平均绝对百分比误差MSE％越小，患者的运动表现越好。
7.根据权利要求1所述的个性化动态康复人机交互方法，其特征在于，所述基于强化学习算法，根据目标患者的主动参与度和运动表现动态调整康复机器人的最大辅助力和运动速度，以实现康复机器人的个性化动态康复反馈控制，具体包括：
设计目标患者康复训练过程中的运动情况评价函数E，表示为：
E＝α×P％+β×(1-MSE％)；
其中，α和β分别为主动参与度百分比P％和平均绝对百分比误差MSE％的权重系数，两者之和为1，设置α＝β＝0.5，表示患者的主动参与度和运动表现的提高具有同等重要性；
基于深度Q网络自适应调整康复机器人的训练参数，包括最大辅助力和运动速度。
8.一种个性化动态康复人机交互系统，其特征在于，所述个性化动态康复人机交互系统包括：
训练任务及运动目标设计模块，用于获取目标患者康复训练时的目标参数，以及每个动作对应的运动单元平均放电频率和单位时间内的累积脉冲，并存储到在康复训练系统中；
表面肌电信号采集与分解模块，用于将高密度柔性电极贴附在目标患者肢体的相应肌肉上，采集表面肌电信号，并采用滑动窗口实时分割表面肌电信号，得到表面肌电信号时间窗，并从表面肌电信号时间窗提取运动单元放电脉冲序列；
运动意图识别模块，用于将表面肌电信号时间窗及运动单元放电脉冲序列分别输入特征提取模块，并通过深度变换神经网络进行特征融合，回归预测患者的关节运动角度和末端力；
主动参与度量化及运动表现评估模块，用于计算运动单元的平均放电频率及单位时间内的累积脉冲，量化目标患者在康复训练过程中的主动参与度，并采用运动过程中的平均放电频率及单位时间内的累积脉冲与目标平均放电频率及累积脉冲之间的比值表示患者的主动参与度百分比，根据患者实际运动参数与目标运动参数之间的平均绝对百分比误差评估并记录患者的运动表现；
个性化动态康复反馈控制模块，用于基于强化学习算法，根据目标患者的主动参与度和运动表现动态调整康复机器人的最大辅助力和运动速度，以实现康复机器人的个性化动态康复反馈控制。
9.一种终端，其特征在于，所述终端包括：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个性化动态康复人机交互程序，所述个性化动态康复人机交互程序被所述处理器执行时实现如权利要求1-7任一项所述的个性化动态康复人机交互方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有个性化动态康复人机交互程序，所述个性化动态康复人机交互程序被处理器执行时实现如权利要求1-7任一项所述的个性化动态康复人机交互方法的步骤。
CN202311417906.9A 2023-10-27 2023-10-27 一种个性化动态康复人机交互方法及相关设备 Pending CN117472183A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311417906.9A CN117472183A (zh) 2023-10-27 2023-10-27 一种个性化动态康复人机交互方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311417906.9A CN117472183A (zh) 2023-10-27 2023-10-27 一种个性化动态康复人机交互方法及相关设备

Publications (1)

Publication Number Publication Date
CN117472183A true CN117472183A (zh) 2024-01-30

Family

ID=89628664

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311417906.9A Pending CN117472183A (zh) 2023-10-27 2023-10-27 一种个性化动态康复人机交互方法及相关设备

Country Status (1)

Country Link
CN (1) CN117472183A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117654000A (zh) * 2024-01-31 2024-03-08 中国科学院苏州生物医学工程技术研究所 一种机器人主被动康复训练控制方法、系统、设备及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117654000A (zh) * 2024-01-31 2024-03-08 中国科学院苏州生物医学工程技术研究所 一种机器人主被动康复训练控制方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
Khera et al. Role of machine learning in gait analysis: a review
Bao et al. A CNN-LSTM hybrid model for wrist kinematics estimation using surface electromyography
CN108304917B (zh) 一种基于lstm网络的p300信号检测方法
Martinez-Hernandez et al. Adaptive Bayesian inference system for recognition of walking activities and prediction of gait events using wearable sensors
Fabiani et al. Conversion of EEG activity into cursor movement by a brain-computer interface (BCI)
Jabbari et al. EMG-based hand gesture classification with long short-term memory deep recurrent neural networks
CN110675933B (zh) 一种手指镜像康复训练系统
CN112022619B (zh) 一种上肢康复机器人多模态信息融合感知系统
Al-Faiz et al. A k-nearest neighbor based algorithm for human arm movements recognition using EMG signals
CN117472183A (zh) 一种个性化动态康复人机交互方法及相关设备
CN111976733A (zh) 一种驾驶员转向意图连续预测方法和系统
Liang et al. Obstructive sleep apnea detection using combination of CNN and LSTM techniques
CN114266270A (zh) 一种基于递归神经网络与集成学习的肌电信号解码方法
KR100994408B1 (ko) 손가락 힘 추정 방법 및 추정 장치, 손가락 힘 추정을 위한근육 판별 방법 및 근육 판별 장치
Coyle et al. Extracting features for a brain-computer interface by self-organising fuzzy neural network-based time series prediction
CN112998725A (zh) 一种基于运动观察的脑机接口技术的康复方法与系统
Fu et al. Identification of finger movements from forearm surface EMG using an augmented probabilistic neural network
CN115147768B (zh) 一种跌倒风险评估方法及系统
Wu et al. Difference analysis of musculation and estimation of sEMG-to-force in process of increasing force and decreasing force
CN116831874A (zh) 一种基于肌电信号的下肢康复器控制方法
CN115544777A (zh) 一种表征关节助力补偿值的方法及系统
CN114767132A (zh) 一种基于表面肌电分解的运动单位识别方法
CN115040726A (zh) 考虑痛感的机器人静脉穿刺方法
Yu et al. A Control and Posture Recognition Strategy for Upper‐Limb Rehabilitation of Stroke Patients
Chau Machine learning for gesture recognition with electromyography

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