CN117577266B - 基于力触觉手套的手部康复训练监测系统 - Google Patents
基于力触觉手套的手部康复训练监测系统 Download PDFInfo
- Publication number
- CN117577266B CN117577266B CN202410052859.0A CN202410052859A CN117577266B CN 117577266 B CN117577266 B CN 117577266B CN 202410052859 A CN202410052859 A CN 202410052859A CN 117577266 B CN117577266 B CN 117577266B
- Authority
- CN
- China
- Prior art keywords
- data
- current
- pressure sensor
- resistance
- glove
- 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.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 75
- 238000012544 monitoring process Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 27
- 230000005540 biological transmission Effects 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims abstract description 23
- 230000009467 reduction Effects 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 230000015654 memory Effects 0.000 claims abstract description 15
- 238000010606 normalization Methods 0.000 claims abstract description 14
- 230000008030 elimination Effects 0.000 claims abstract description 11
- 238000003379 elimination reaction Methods 0.000 claims abstract description 11
- 230000009471 action Effects 0.000 claims description 36
- 238000006243 chemical reaction Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 19
- 210000003811 finger Anatomy 0.000 claims description 15
- 230000007787 long-term memory Effects 0.000 claims description 10
- 230000006403 short-term memory Effects 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 101100156949 Arabidopsis thaliana XRN4 gene Proteins 0.000 claims description 4
- 101100215777 Schizosaccharomyces pombe (strain 972 / ATCC 24843) ain1 gene Proteins 0.000 claims description 4
- 210000003813 thumb Anatomy 0.000 claims description 4
- 101150075681 SCL1 gene Proteins 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 239000011229 interlayer Substances 0.000 claims description 3
- 101150111792 sda1 gene Proteins 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 17
- 238000005070 sampling Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 239000010408 film Substances 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000007906 compression Methods 0.000 description 6
- 230000006835 compression Effects 0.000 description 6
- 238000013144 data compression Methods 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 5
- 238000013500 data storage Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000001125 extrusion Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 240000007651 Rubus glaucus Species 0.000 description 1
- 235000011034 Rubus glaucus Nutrition 0.000 description 1
- 235000009122 Rubus idaeus Nutrition 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 210000004247 hand Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010030 laminating Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- 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
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06F3/014—Hand-worn input/output arrangements, e.g. data gloves
-
- 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
- G06F3/016—Input arrangements with force or tactile feedback as computer generated output to the user
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Physical Education & Sports Medicine (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Force Measurement Appropriate To Specific Purposes (AREA)
Abstract
本申请涉及一种基于力触觉手套的手部康复训练监测系统。该系统包括:通过力触觉手套装置读取当前的压力数据进行消抖处理,确定待传输的数据传输至终端设备;终端设备接收当前的压力数据,并监听数据传输状态进行降噪处理,获得降噪后的数据;对降噪后的数据进行归一化和维度处理,获得待识别数据,将待识别数据输入至训练好的动作识别模型进行动作识别,输出动作识别结果,根据动作识别结果,确定目标用户的动作是否标准,其中,训练好的动作识别模型是以目标用户在医生指导下的个性化训练过程产生的数据作为样本数据集,对基于多变量长短期记忆全卷积神经网络的动作识别模型进行训练获得的,提高了泛用性,降低了可穿戴设备康复系统的成本。
Description
技术领域
本申请涉及电子与信息工程技术领域,特别是涉及一种基于力触觉手套的手部康复训练监测系统。
背景技术
远程康复系统一直是医学研究中备受关注的领域,其方案不仅具备成本效益,还能减轻康复中心的负担。此外,远程康复系统还允许采用个性化的方法,并在康复中心系统内进行持续监测,专家们可以为患者量身定制运动和训练方案。在涉及远程康复系统时,需要考虑多个因素,如移动应用程序的互动性、数据处理、个性化锻炼,还有可能最重要的无线连接。
在神经康复领域,可以将大多数方法分为机器人辅助和基于触觉及多模态感知手套的可穿戴设备。在机器人辅助康复系统中,患者在治疗机器人或者外骨骼的辅助下进行康复训练,这可能帮助运动障碍患者恢复肢体功能和独立性。其中一个主要的优点是这些机器人手的柔软性和适应性,这些也确保了在锻炼过程中拥有安全舒适的互动。多模态感知可穿戴设备则是在协助练习的过程中监测患者,收集数据并评估数据,以产生对患者康复训练动作质量的评估。
AR/VR技术已在包括医疗在内的多个领域显示出良好的应用前景。远程神经康复就是这样一个领域,AR/VR有潜力提高康复计划的有效性。为此,AR/VR技术可以创造沉浸式环境,模拟现实情境,让患者在安全可控的环境中进行日常生活活动和虚拟康复锻炼。这可以提高患者的参与度和积极性,从而改善结局。此外,增强现实、虚拟现实技术可以为患者提供即时的反馈,让他们跟踪自己的进展,并对自己的动作做出必要的调整。另一个有趣但仍有待探索的问题是设计个性化的解决方案,它可以被可视化为个人特定的服务和康复训练利用AR/VR技术与触觉界面。
目前,机器人辅助在康复方面取得了显著的进步,并且有望在多个领域获得广泛应用,并拥有很好的适应性。然而,当前可穿戴设备康复系统,需要复杂的装配过程,大部分可穿戴设备康复系统都只针对单一疾病的康复训练,并且缺乏对患者的个性化训练,其中一些穿戴设备包含众多传感器,价格昂贵,主要提供在高度复杂的临床环境中。因此,目前的可穿戴设备康复系统的成本较高和泛用性差的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够降低可穿戴设备康复系统的成本和提高泛用性的基于力触觉手套的手部康复训练监测系统。
一种基于力触觉手套的手部康复训练监测系统,其特征在于,所述系统包括:力触觉手套装置和终端设备;
所述力触觉手套装置用于通过穿戴在目标用户的手指上的手套中的压力传感器读取当前的压力数据,并将当前的压力数据进行消抖处理,确定待传输的数据;并将待传输的数据进行压缩与编码后传输至终端设备;
所述终端设备用于接收所述力触觉手套装置当前传输的数据,对所述当前传输的数据进行解码,输出当前的压力数据,并监听数据传输状态,记录最近一次数据的时间,当未接收到数据的时间间隔超过预设时间的情况下,输出上一次的压力数据作为当前的压力数据,对当前的压力数据进行降噪处理,获得降噪后的数据;对所述降噪后的数据进行归一化和维度处理,获得待识别数据,将所述待识别数据输入至训练好的动作识别模型进行动作识别,输出动作识别结果,根据所述动作识别结果,确定目标用户的动作是否标准,其中,所述训练好的动作识别模型是以目标用户在医生指导下的个性化训练过程产生的数据作为样本数据集,对基于多变量长短期记忆全卷积神经网络的动作识别模型进行训练获得的。
在其中一个实施例中,所述力触觉手套装置包括手套本体、4个柔性薄膜式电阻压力传感器、4个电阻-电压转换模块、模数转换器和处理器;
所述4个柔性薄膜式电阻压力传感器分别放置于手套本体的大拇指到无名指的指肚处夹层中,每个所述电阻压力传感器的两个引脚分别连接一个电阻-电压转换模块“+”“-”两个引脚,每个电阻-电压转换模块的AO引脚分别连接模数转换器上的AIN0引脚至AIN3引脚;所述模数转换器的SDA引脚连接所述处理器的SDA1引脚,所述模数转换器的SCL引脚连接所述处理器的SCL1引脚; 4个柔性薄膜式电阻压力传感器、4个电阻-电压转换模块和模数转换器的VCC引脚连接所述处理器的5V引脚,4个柔性薄膜式电阻压力传感器、4个电阻-电压转换模块和模数转换器的GND引脚连接所述处理器的GND引脚。
在其中一个实施例中,所述处理器通过I2C总线协议先向硬件地址为0x48的所述模数转换器依次发送控制字符0x40、0x41、0x42和0x43以分别读取AIN0、AIN1、AIN2、AIN3通道上各电阻压力传感器的数值,获得当前轮次各电阻压力传感器的压力数据;
所述处理器采用传感器-牛顿力数值转换函数对当前轮次各电阻压力传感器的压力数据进行转换,获得当前轮次各电阻压力传感器的牛顿力数值;将当前轮次各电阻压力传感器的牛顿力数值与上一轮次各电阻压力传感器的牛顿力数值的差值与抖动阈值进行比较,将当前轮次中差值大于抖动阈值的牛顿力数值对应的压力数据确定为待传输的数据。
在其中一个实施例中,所述传感器-牛顿力数值转换函数的表达式为:
,
;
其中,为第n个电阻压力传感器在当前时刻t的牛顿力数值,为传感器-牛顿力数值转换函数,为自然常数,为第n个电阻压力传感器在当前时刻t的压力数据。
在其中一个实施例中,所述抖动阈值为:,其中,k为消抖参数,为第n个电阻压力传感器在t-1时刻的牛顿力数值。
在其中一个实施例中,所述处理器根据待传输的数据,确定编码标识,根据所述编码标识和预设的编码方式对所述待传输的数据进行压缩与编码后存入int型变量Data_s中,通过UDP网络传输协议发送至终端设备。
在其中一个实施例中,所述预设的编码方式的表达式为:
;
其中,为int型变量,为编码标识,为第n个电阻压力传感器当前的压力数据,为第1个电阻压力传感器当前的压力数据,为第2个电阻压力传感器当前的压力数据,为第3个电阻压力传感器当前的压力数据,为第4个电阻压力传感器当前的压力数据;在第n个电阻压力传感器当前的压力数据发生改变的情况下:,在第n个电阻压力传感器当前的压力数据未发生改变的情况下:。
在其中一个实施例中,所述动作识别模型包括:全卷积单元、长短期记忆单元、拼接单元和动作识别单元;
将所述待识别数据输入所述全卷积单元和所述长短期记忆单元进行特征提取,输出第一特征信息和第二特征信息;
所述第一特征信息和所述第二特征信息输入到所述拼接单元进行拼接,获得拼接后的特征信息;
将所述拼接后的特征信息输入所述动作识别单元进行动作识别,输出动作识别结果。
在其中一个实施例中,所述基于多变量长短期记忆全卷积神经网络的动作识别模型的训练方式为:
所述目标用户穿戴好所述力触觉手套装置的手套本体后,在医生指导下的个性化训练过程中,通过所述力触觉手套装置穿戴在目标用户的手指上的手套中的压力传感器读取压力数据,并将压力数据进行消抖处理,确定待传输的数据;并将所述待传输的数据进行压缩与编码后传输至终端设备;
所述终端设备接收所述力触觉手套装置当前传输的数据,对所述当前传输的数据进行解码,输出当前的压力数据,并监听数据传输状态,记录最近一次数据的时间,当未接收到数据的时间间隔超过预设时间的情况下,输出上一次的压力数据作为当前的压力数据,对当前的压力数据进行降噪处理,获得降噪后的数据,对所述降噪后的数据进行归一化和维度处理,获得样本数据集,将样本数据集划分为80%的训练集与20%的验证集,采用训练集对基于多变量长短期记忆全卷积神经网络的动作识别模型进行训练,获得训练后的动作识别模型,并采用验证集对所述训练后的动作识别模型进行验证,确定所述训练后的动作识别模型是否达到精度要求,若未达到精度要求调整网络参数并返回继续进行训练,直至达到精度要求时,获得训练好的动作识别模型。
在其中一个实施例中,所述终端设备还用于对所述降噪后的数据进行压缩后存储至数据库中。
上述基于力触觉手套的手部康复训练监测系统,通过所述力触觉手套装置穿戴在目标用户的手指上的手套中的压力传感器读取当前的压力数据,并将当前的压力数据进行消抖处理,确定待传输的数据;并将待传输的数据进行压缩与编码后传输至终端设备;所述终端设备接收所述力触觉手套装置当前传输的数据,对所述当前传输的数据进行解码,输出当前的压力数据,并监听数据传输状态,记录最近一次数据的时间,当未接收到数据的时间间隔超过预设时间的情况下,输出上一次的压力数据作为当前的压力数据,对当前的压力数据进行降噪处理,获得降噪后的数据;对所述降噪后的数据进行归一化和维度处理,获得待识别数据,将所述待识别数据输入至训练好的动作识别模型进行动作识别,输出动作识别结果,根据所述动作识别结果,确定目标用户的动作是否标准,其中,所述训练好的动作识别模型是以目标用户在医生指导下的个性化训练过程产生的数据作为样本数据集,对基于多变量长短期记忆全卷积神经网络的动作识别模型进行训练获得的,可以根据不同用户录入的数据定制化的训练模型,可用于识别用户本人康复训练的动作,判断其是否标准,由此,不仅可以提高了泛用性,还降低了可穿戴设备康复系统的成本。
附图说明
图1为一个实施例中基于力触觉手套的手部康复训练监测系统的处理流程示意图;
图2为一个实施例中的数据接收流程示意图;
图3为一个实施例中的降噪处理流程示意图;
图4为一个实施例中的力触觉手套装置的电路图;
图5为一个实施例中的基于感知死区的消抖处理及数据压缩流程示意图;
图6为一个实施例中的编码标识获取流程示意图;
图7为一个实施例中的动作识别模型结构示意图;
图8为一个实施例中的无损压缩流程示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种基于力触觉手套的手部康复训练监测系统,包括:力触觉手套装置和终端设备,其中,力触觉手套装置通过网络和终端设备进行通信,该网络可以是有线网络,也可以是无线网络。
力触觉手套装置用于通过穿戴在目标用户的手指上的手套中的压力传感器读取当前的压力数据,并将当前的压力数据进行消抖处理,确定待传输的数据;并将待传输的数据进行压缩与编码后传输至终端设备;
终端设备用于接收力触觉手套装置当前传输的数据,对当前传输的数据进行解码,输出当前的压力数据,并监听数据传输状态,记录最近一次数据的时间,当未接收到数据的时间间隔超过预设时间的情况下,输出上一次的压力数据作为当前的压力数据,对当前的压力数据进行降噪处理,获得降噪后的数据;对降噪后的数据进行归一化和维度处理,获得待识别数据,将待识别数据输入至训练好的动作识别模型进行动作识别,输出动作识别结果,根据动作识别结果,确定目标用户的动作是否标准,其中,训练好的动作识别模型是以目标用户在医生指导下的个性化训练过程产生的数据作为样本数据集,对基于多变量长短期记忆全卷积神经网络的动作识别模型进行训练获得的。
其中,每一个待识别数据可以是维度为(4,100)的压力数据,即4个传感器在 100个时间采样点的压力数据。
其中,由于在压力数据采样部分采用了的消抖处理,使变化幅度不大的压力数据维持不变,这对压力数据压缩是有用的。当经过消抖后的压力数据没有变化时,不发送该压力数据,这样可以显著减少数据传输量。当经过消抖后的压力数据产生变化时,将发生改变的压力数据(即待传输数据)分不同情况按规则进行编码后,可以存入占用字节数较小的int型变量中。随后通过UDP网络传输协议将经过utf-8编码后的数据传输到终端设备。
其中,在终端设备中,需要重现触觉数据,对接收到的编码后的数据进行解压缩。当接收到编码后的数据时,根据预设的规则对编码后的数据进行解码。当所有传感器读数在消抖处理之后没有变化时,针对力触觉手套装置没有发送任何数据,终端设备对应也没有接收任何数据的情况,终端设备需要持续输出数据以展示康复训练情况,可以在终端设备上设置如果超过15ms(即当未接收到数据的时间间隔超过预设时间15ms的情况下)没有接收到数据,则再次输出上次接收到的压力数据,这表示着电阻压力传感器的读数维持不变,并且还可以表示当前状态的持续时间。同时,根据输出的压力数据绘制动态数据曲线并展示。
在一个示例中,如图2所示,首先,终端设备开启UDP协议的监听状态监听数据,当接收到数据时,记录当前接收数据的时间t1,表明开始进入数据采集状态,对当前传输的数据进行解码,输出当前的压力数据,当未接收到数据时,终端设备记录当前未接收到数据时间t2,当持续时间t2- t1未超过15ms时,继续监听数据,当持续时间t2- t1超过15ms时,则输出上次接收到的压力数据,并令t1=t2,继续监听数据。当前未接收到数据的持续时间超过15ms这表示着电阻压力传感器的读数维持不变,并且可以表示当前状态的持续时间。当接收到数据时,根据预设的编码方式对数据进行解码,通过接受到的变量位数与编码标识不同数值所对应的数据变化情况表,解码读取出当前的压力数据。
应理解,观察动态数据曲线是可见某些电阻压力传感器可能出现数据短暂异常归零现象,需要对噪声进行剔除。由于力触觉手套装置在数据采集进行剔除短暂异常归零现象这类噪声会增加传输的延迟,无法满足实时性的要求。可以选择在终端设备接收数据后再对接收到的数据进行噪声处理。
其中,降噪处理可以类似于采用算法对按键消抖的降噪策略,即:当压力数据归零(即压力数值大于240时)且与上一次的压力数据差值较大时(即非缓慢松手时),计算其归零持续时间,如超过一定时间(可以设为60ms),则认为数据正常,否则,则更改归零期间的压力数据为上一次的压力数据。可以将得到的压力数据存入数据库中,留存训练过程数据,以便后续查询和使用。
应理解,压力数值大于240时说明电阻压力传感器没有受到压力。
在一个示例中,如图3所示,在终端设备中降噪处理的方式为:在当前输出的压力数据后,判断该当前的压力数据是否归零且与上一时刻输出的压力数据差值的绝对值是否大于100,若否,输出该当前的压力数据,若是,判断当前的压力数据归零的持续时间是否大于60ms,若是,输出该当前的压力数据,若否,将这60ms内的压力数据重新赋值为上一次未归零的压力数据输出,完成数据降噪处理。
其中,首先读取患者在医生指导下的个性化训练过程中产生的压力数据,对压力数据进行归一化,随后利用滑动窗口将压力数据分成多个的样本。最后将所有样本数据集划分为80%的训练集与20%的验证集。随后送入基于多变量长短期记忆全卷积神经网络(MLSTM-FCN)的动作识别模型中训练。从而实现个性化康复训练的动作识别与分类,可用于判断患者动作是否标准。
应理解,将数据实时传输到算力较强的终端设备进行存储、模型训练和动作识别。采用的基于多变量长短期记忆全卷积神经网络构建动作识别模型,可用于多变量的动作识别或活动识别。根据患者录入的数据可定制化的训练动作识别模型,可用于识别患者本人康复训练的动作,判断其是否标准。解决了力触觉手套装置算力较弱、针对单一疾病、泛用性差的问题。
上述基于力触觉手套的手部康复训练监测系统,通过力触觉手套装置穿戴在目标用户的手指上的手套中的压力传感器读取当前的压力数据,并将当前的压力数据进行消抖处理,确定待传输的数据;并将待传输的数据进行压缩与编码后传输至终端设备;终端设备接收力触觉手套装置当前传输的数据,对当前传输的数据进行解码,输出当前的压力数据,并监听数据传输状态,记录最近一次数据的时间,当未接收到数据的时间间隔超过预设时间的情况下,输出上一次的压力数据作为当前的压力数据,对当前的压力数据进行降噪处理,获得降噪后的数据;对降噪后的数据进行归一化和维度处理,获得待识别数据,将待识别数据输入至训练好的动作识别模型进行动作识别,输出动作识别结果,根据动作识别结果,确定目标用户的动作是否标准,其中,训练好的动作识别模型是以目标用户在医生指导下的个性化训练过程产生的数据作为样本数据集,对基于多变量长短期记忆全卷积神经网络的动作识别模型进行训练获得的,可以根据不同用户录入的数据定制化的训练模型,可用于监测用户本人康复训练的动作,判断其是否标准,由此,不仅可以提高了泛用性,还降低了可穿戴设备康复系统的成本。
如图4所示,在一个实施例中,力触觉手套装置包括手套本体、4个柔性薄膜式电阻压力传感器、4个电阻-电压转换模块、模数转换器和处理器;
电阻压力传感器1~电阻压力传感器4分别放置于手套本体的大拇指到无名指的指肚处夹层中,每个电阻压力传感器的两个引脚分别连接一个电阻-电压转换模块“+”“-”两个引脚,每个电阻-电压转换模块的AO引脚分别连接模数转换器上的AIN0引脚至AIN3引脚;模数转换器的SDA引脚连接处理器的SDA1引脚,模数转换器的SCL引脚连接处理器的SCL1引脚;电阻压力传感器1~电阻压力传感器4、电阻-电压转换模块1~电阻-电压转换模块4和模数转换器的VCC引脚连接处理器的5V引脚,电阻压力传感器1~电阻压力传感器4、电阻-电压转换模块1~电阻-电压转换模块4和模数转换器的GND引脚连接处理器的GND引脚。
其中,处理器可以是树莓派4b开发板。
其中,电阻-电压转换模块可以是RFP薄膜压力传感器专用电阻-电压转换模块,也可以是其他适配的电阻-电压转换模块。
其中,将电阻压力传感器放置于手套本体的大拇指到无名指的指肚处夹层中,当压力改变时,电阻压力传感器的电阻随之改变,电阻-电压转换模块将电阻压力传感器的电阻值转换为电压值,模数转换器将电压值这一模拟量转换为数字量。读取压力数据时,处理器通过I2C总线协议先向硬件地址为0x48的模数转换器依次发送控制字符0x40、0x41、0x42、0x43以分别读取AIN0、AIN1、AIN2、AIN3通道的数值,即电阻压力传感器的数值。当压力为0 N时,数值为255,当压力增加时,数值降低。处理器循环遍历读取4个电阻压力传感器的数据,每轮耗时3-4ms,数据采样率约250-300次每秒。
其中,处理器可以使用I2C串行通信协议从位于大拇指至无名指指肚区域的四个柔性薄膜式电阻压力传感器中依次循环读取压力数据。随后进行数据消抖处理,通过对应的传感器-牛顿力数值转换函数计算出各电阻压力传感器的压力数值分别对应的牛顿力(N)数值,将当前的牛顿力(N)数值与前一时刻从同一传感器获取的牛顿力(N)数值进行比较。当牛顿力(N)数值的变化值的绝对值小于一定范围时,将其视为电阻压力传感器抖动或正常范围的手部抖动,并将电阻压力传感器之前的读数(非牛顿力数值)作为当前读数。
其中,可以使用型号为FSR402的薄膜式、可弯曲的电阻压力传感器放置于手套本体的夹层,由手套本体本身向内的轻微压力固定电阻压力传感器的位置,并可以灵活调节电阻压力传感器的位置,以适应不同患者的手指,使电阻压力传感器有效区域贴合不同患者的指肚。解决了力触觉手套装置成本高昂、不方便根据患者个人情况进行个性化调节的问题。
在一个实施例中,处理器通过I2C总线协议先向硬件地址为0x48的模数转换器依次发送控制字符0x40、0x41、0x42和0x43以分别读取AIN0、AIN1、AIN2、AIN3通道上各电阻压力传感器的数值,获得当前轮次各电阻压力传感器的压力数据;处理器采用传感器-牛顿力数值转换函数对当前轮次各电阻压力传感器的压力数据进行转换,获得当前轮次各电阻压力传感器的牛顿力数值;将当前轮次各电阻压力传感器的牛顿力数值与上一轮次各电阻压力传感器的牛顿力数值的差值与抖动阈值进行比较,将当前轮次中差值大于抖动阈值的牛顿力数值对应的压力数据确定为待传输的数据。
应理解,由装有柔性薄膜式电阻压力传感器的力触觉手套装置检测并收集患者(即目标用户)手部进行康复训练时产生的压力数据,并将经消抖处理的压力数据实时传输到终端设备,由算力较强的终端设备评估数据并给出反馈,指导患者进行康复训练。
在一个实施例中,传感器-牛顿力数值转换函数的表达式为:
,
;
其中,为第n个电阻压力传感器在当前时刻t的牛顿力数值,为传感器-牛顿力数值转换函数,为自然常数,为第n个电阻压力传感器在当前时刻t的压力数据。
在一个实施例中,抖动阈值为:,其中,k为消抖参数,为第n个电阻压力传感器在t-1时刻的牛顿力数值。
在一示例中,如图5所示,初始化时,令=0,初始化后,处理器依次读取第n个电阻压力传感器当前时刻t的数值,获得第n个电阻压力传感器当前时刻t的压力数据;处理器采用传感器-牛顿力数值转换函数对第n个电阻压力传感器当前时刻t的压力数据进行转换,获得对应的牛顿力数值;判断对应的牛顿力数值与第n个电阻压力传感器上一时刻t-1的压力数据对应的牛顿力数值的差值是否大于抖动阈值,若是,则令,并将当前时刻t的压力数据输出作为待传输数据,并返回继续下一时刻的压力数据获取,若否,不更新,当前时刻t的压力数据不作为待传输的数据,并返回继续下一时刻的压力数据获取。
应理解,使用了可调节的消抖参数k的基于感知死区的消抖处理。感知死区是指人类能感知到的最小变化幅度之内的区域,当变化处于这一区域时,不更新数据。可通过调节消抖参数k来改变系统感知的灵敏度,这可用于不同应用场景,如诊疗时需要更加精细的压力数据,而日常康复训练时,可适当降低灵敏度。这既保留了数据的准确性,又有利于进行数据压缩,实现高采样率情况下数据的动态更新率。
在一个示例中,针对每个电阻压力传感器,首先,初始化一个变量用以存储上一次读取的压力数据。随后,开始循环读取各电阻压力传感器当前时刻的压力数据,并存入变量。将通过传感器-牛顿力数值转换函数转化为牛顿力数值(单位:N),该函数由实验取得的对应数据事先通过函数拟合得出,采用指数拟合,传感器-牛顿力数值转换函数为:
,
;
其中,为第n个电阻压力传感器在当前时刻t的牛顿力数值,为传感器-牛顿力数值转换函数,为自然常数,为第n个电阻压力传感器在当前时刻t的压力数据。
将当前获取的数值与前一时刻从同一传感器获取的数值进行比较。当数据变化值的绝对值大于时,即时,输出此时刻的,并更新为当前时刻的值。否则,将其视为传感器抖动或正常范围的手部抖动,不予输出。其中为消抖参数,一般设为0.2,可根据系统不同应用场景进行调节,如需求高灵敏度时可调节为0.1甚至0.05。当为0.2时,后续数据压缩量可达到90%以上。
在一个实施例中,处理器根据待传输的数据,确定编码标识,根据编码标识和预设的编码方式对待传输的数据进行压缩与编码后存入int型变量Data_s中,通过UDP网络传输协议发送至终端设备。
其中,在编码数据时,根据预设的编码方式将四个传感器产生的数据(需要存入的数据个数是动态的)分15种情况写入int型变量中并在变量开头采用编码标识做好标识,产生的int型变量占用字节数也会动态改变。这能进一步减少数据传输量,结合基于感知死区的数据压缩和预设的编码方式可实现高采样率下的自适应动态传输。
在一个实施例中,预设的编码方式的表达式为:
;
其中,为int型变量,为编码标识,为第n个电阻压力传感器当前的压力数据,为第1个电阻压力传感器当前的压力数据,为第2个电阻压力传感器当前的压力数据,为第3个电阻压力传感器当前的压力数据,为第4个电阻压力传感器当前的压力数据;在第n个电阻压力传感器当前的压力数据发生改变的情况下:,在第n个电阻压力传感器当前的压力数据未发生改变的情况下:。
在一个示例中,4个电阻压力传感器经过消抖后的数据变化情况总计共有15种。本申请并没有简单直接规定其编码标识序号,而是与编码过程结合起来,从而自适应改变传输的变量大小。如图6所示,在同一轮遍历读取中,对第个电阻压力传感器数据,当经过消抖后的数据发生改变时,令,否则, 。在遍历完所有电阻压力传感器一轮之后,计算编码标识 ,得到的的值为1到15,分别对应电阻压力传感器数据变化的15种情况。如表1详细展示了编码标识不同数值所对应的不同情况。
表1:编码标识不同数值所对应的数据变化情况表
。
接下来将根据编码标识和预设的编码方式的把当前传感器数据存入int型变量中:
其中,为电阻压力传感器当前的压力数据。根据该预设的编码方式得到的可能是4位数、7位数、8位数、13位数或14位数,其中13位数和14位数的变量占用字节大小为32,其余为28。随后,将得到的经过UTF-8编码后通过UDP网络传输协议发送给终端设备。在之后进行数据解码时,根据变量位数、表1与预设的编码方式即可进行解码。从而实现自适应改变传输的变量大小。
如图7所示,在一个实施例中,动作识别模型包括:全卷积单元、长短期记忆单元、拼接单元和动作识别单元;
将待识别数据输入全卷积单元和长短期记忆单元进行特征提取,输出第一特征信息和第二特征信息;
第一特征信息和第二特征信息输入到拼接单元进行拼接,获得拼接后的特征信息;
将拼接后的特征信息输入动作识别单元进行动作识别,输出动作识别结果。
其中,长短期记忆单元包括Dimension Shuffle层(即维度混洗)、长短期记忆块、Dropout层;Dimension Shuffle层、长短期记忆块和Dropout层依次连接。
将待识别数据输入Dimension Shuffle层对输入数据的维度进行变换后,通过长短期记忆块得到每个变量的全局时间信息,再经过Dropout层处理后,输出第一特征信息。
其中,在变量的数量小于时间步长时,维度混洗可以提高了模型的效率。
其中,全卷积单元包括:第一时间卷积块、第二时间卷积块、第三时间卷积块和全局平均池化层;第一时间卷积块、第二时间卷积块、第三时间卷积块和全局平均池化层依次连接。
其中,第一时间卷积块包括一个卷积层(即Conv1D 层)、批量归一化(BatchNormalization)层、ReLu激活函数和挤压激励块(Squeeze-and-Excite Block)依次连接。
其中,第二时间卷积块包括一个卷积层、批量归一化(Batch Normalization)层、ReLu激活函数和挤压激励块(Squeeze-and-Excite Block)依次连接。
其中,第三时间卷积块包括一个卷积层、批量归一化(Batch Normalization)层和ReLu激活函数。
其中,第一时间卷积块、第二时间卷积块和第三时间卷积块作为特征提取器,提取特征信息,提取出的特征信息通过全局平均池化层处理后输出第二特征信息。
在一个实施例中,基于多变量长短期记忆全卷积神经网络的动作识别模型的训练方式为:
目标用户穿戴好力触觉手套装置的手套本体后,在医生指导下的个性化训练过程中,通过力触觉手套装置穿戴在目标用户的手指上的手套中的压力传感器读取压力数据,并将压力数据进行消抖处理,确定待传输的数据;并将待传输的数据进行压缩与编码后传输至终端设备;
终端设备接收力触觉手套装置当前传输的数据,对当前传输的数据进行解码,输出当前的压力数据,并监听数据传输状态,记录最近一次数据的时间,当未接收到数据的时间间隔超过预设时间的情况下,输出上一次的压力数据作为当前的压力数据,对当前的压力数据进行降噪处理,获得降噪后的数据,对降噪后的数据进行归一化和维度处理,获得样本数据集,将样本数据集划分为80%的训练集与20%的验证集,采用训练集对基于多变量长短期记忆全卷积神经网络的动作识别模型进行训练,获得训练后的动作识别模型,并采用验证集对训练后的动作识别模型进行验证,确定训练后的动作识别模型是否达到精度要求,若未达到精度要求调整网络参数并返回继续进行训练,直至达到精度要求时,获得训练好的动作识别模型。
其中,对降噪后的数据进行归一化和维度处理,获得样本数据集,可以包括:首先读取降噪后的数据,对降噪后的数据进行归一化,随后利用滑动窗口将数据分成多个的样本数据,其中,窗口长度可以为100,步长可以为100,样本数据集维度为(n,4,100),其中,n为样本数量,n取决于读取的降噪后的数据的长度与滑动窗口的窗口长度和步长,4为单个样本的变量个数,即4个传感器同一时刻的压力数据, 100为单个样本数据的序列长度,即100个时间采样点的压力数据。
其中,读取降噪后的数据时,可以是在医生指导下的个性化训练过程中,通过力触觉手套装置穿戴在目标用户的手指上的手套中的压力传感器读取的所有压力数据。
应理解,目标用户在医生指导下的个性化训练过程中力触觉手套装置传输的到终端设备数据,可以由终端设备先将数据解码并降噪处理后压缩存储起来,在医生指导下的个性化训练结束后,读取在医生指导下的个性化训练过程中存储的数据进行归一化,随后利用滑动窗口将数据分成多个的样本数据。也可以在医生指导下的个性化训练过程中,根据接收到的数据解码并降噪处理后进行归一化,随后利用滑动窗口将数据分成多个的样本数据,对基于多变量长短期记忆全卷积神经网络的动作识别模型进行实时训练。
在一个实施例中,终端设备还用于对降噪后的数据进行压缩后存储至数据库中。
其中,压缩方式可以首先判断当前降噪后的数据与上一次的数据是否相同,如果相同,记录重复次数,如果不同,则将重复次数清零;当重复次数超过预设次数时,写入开始重复标记,重新记录重复次数。
其中,对于高刷采样率下,数据不发生变化时产生的大量相同数据,压缩方式还可以是当重复次数达到10时,则不再写入数据,而是写入特定标识,并记录重复次数。这可以在保证数据不失真的情况下对数据进行无损压缩。
在一个示例中,用户的手处于静止状态时,数据基本不会改变,此时会产生大量重复的数据,如果正常存储,信息含量低的数据将会占用大量空间。所以,在存储数据时对此进行压缩,并保留时间信息。如图8所示,首先判断输入的当前的压力数据与上一轮的压力数据是否相同,如果相同,记录重复次数,且重复次数超过10次时,10次以后的数据不写入,则在第11次时写入重复标记及重复次数,如果不同,则写入对应的数据。具体可以是如表2所示的数据储存示例:当重复次数超过10时(此时持续时间为150ms),在第11次写入999(传感器数据范围为0-255,写入999可以与压力数据进行区分)作为重复标记,并写入从此时开始的重复次数,在表2中,写入999这一行的300则代表在写入重复标记时起,数据重复了300次。后续解压缩时根据该标志识别开始重复,并还原数据。如表2所示的数据储存示例:
表2:数据储存示例
上述基于力触觉手套的手部康复训练监测系统,可用于识别患者的康复训练动作,并判断动作是否标准,同时记录和呈现患者训练过程的数据。适用于多种疾病的神经康复训练。在数据采集与传输上,采用可调节的基于感知死区的消抖及压缩处理,设计专门数据格式与传输规则,实现了高采样率下的自适应动态传输,降低了90%的数据传输量,降低传输频率,减少网络拥塞,将高采样率下的传输往返延迟降低到5ms左右,满足了触觉通信对高刷新率与高灵敏度的要求。对数据存储的无损压缩办法可将存储量降低80%以上,同时保留了时间信息,以便针对不同应用场景进行动作识别模型训练,从而满足多种康复训练动作的动作识别模型训练的需求。提高了力触觉手套装置的泛用性。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种基于力触觉手套的手部康复训练监测系统,其特征在于,所述系统包括:力触觉手套装置和终端设备;
所述力触觉手套装置用于通过穿戴在目标用户的手指上的手套中的压力传感器读取当前的压力数据,并将当前的压力数据进行消抖处理,确定待传输的数据;并将待传输的数据进行压缩与编码后传输至终端设备;
所述终端设备用于接收所述力触觉手套装置当前传输的数据,对所述当前传输的数据进行解码,输出当前的压力数据,并监听数据传输状态,记录最近一次数据的时间,当未接收到数据的时间间隔超过预设时间的情况下,输出上一次的压力数据作为当前的压力数据,对当前的压力数据进行降噪处理,获得降噪后的数据;对所述降噪后的数据进行归一化和维度处理,获得待识别数据,将所述待识别数据输入至训练好的动作识别模型进行动作识别,输出动作识别结果,根据所述动作识别结果,确定目标用户的动作是否标准,其中,所述训练好的动作识别模型是以目标用户在医生指导下的个性化训练过程产生的数据作为样本数据集,对基于多变量长短期记忆全卷积神经网络的动作识别模型进行训练获得的;
所述力触觉手套装置包括手套本体、4个柔性薄膜式电阻压力传感器、4个电阻-电压转换模块、模数转换器和处理器;
所述4个柔性薄膜式电阻压力传感器分别放置于手套本体的大拇指到无名指的指肚处夹层中,每个所述电阻压力传感器的两个引脚分别连接一个电阻-电压转换模块“+”“-”两个引脚,每个电阻-电压转换模块的AO引脚分别连接模数转换器上的AIN0引脚至AIN3引脚;所述模数转换器的SDA引脚连接所述处理器的SDA1引脚,所述模数转换器的SCL引脚连接所述处理器的SCL1引脚;4个柔性薄膜式电阻压力传感器、4个电阻-电压转换模块和模数转换器的VCC引脚连接所述处理器的5V引脚,4个柔性薄膜式电阻压力传感器、4个电阻-电压转换模块和模数转换器的GND引脚连接所述处理器的GND引脚;
所述处理器通过I2C总线协议先向硬件地址为0x48的所述模数转换器依次发送控制字符0x40、0x41、0x42和0x43以分别读取AIN0、AIN1、AIN2、AIN3通道上各电阻压力传感器的数值,获得当前轮次各电阻压力传感器的压力数据;
所述处理器采用传感器-牛顿力数值转换函数对当前轮次各电阻压力传感器的压力数据进行转换,获得当前轮次各电阻压力传感器的牛顿力数值;将当前轮次各电阻压力传感器的牛顿力数值与上一轮次各电阻压力传感器的牛顿力数值的差值与抖动阈值进行比较,将当前轮次中差值大于抖动阈值的牛顿力数值对应的压力数据确定为待传输的数据;
所述处理器根据待传输的数据,确定编码标识,根据所述编码标识和预设的编码方式对所述待传输的数据进行压缩与编码后存入int型变量Data_s中,通过UDP网络传输协议发送至终端设备;
所述预设的编码方式的表达式为:
其中,Data_s为int型变量,C为编码标识,xn为第n个电阻压力传感器当前的压力数据,x1为第1个电阻压力传感器当前的压力数据,x2为第2个电阻压力传感器当前的压力数据,x3为第3个电阻压力传感器当前的压力数据,x4为第4个电阻压力传感器当前的压力数据;在第n个电阻压力传感器当前的压力数据发生改变的情况下:dn=2n-1,在第n个电阻压力传感器当前的压力数据未发生改变的情况下:dn=0。
2.根据权利要求1所述的基于力触觉手套的手部康复训练监测系统,其特征在于,所述传感器-牛顿力数值转换函数的表达式为:
Fn,t=f(Sn,t),n∈1,2,3,4,
其中,Fn,t为第n个电阻压力传感器在当前时刻t的牛顿力数值,f(Sn,t)为传感器-牛顿力数值转换函数,e为自然常数,Sn,t为第n个电阻压力传感器在当前时刻t的压力数据。
3.根据权利要求1所述的基于力触觉手套的手部康复训练监测系统,其特征在于,所述抖动阈值为:k·Fn,t-1,其中,k为消抖参数,Fn,t-1为第n个电阻压力传感器在t-1时刻的牛顿力数值。
4.根据权利要求1所述的基于力触觉手套的手部康复训练监测系统,其特征在于,所述动作识别模型包括:全卷积单元、长短期记忆单元、拼接单元和动作识别单元;
将所述待识别数据输入所述全卷积单元和所述长短期记忆单元进行特征提取,输出第一特征信息和第二特征信息;
所述第一特征信息和所述第二特征信息输入到所述拼接单元进行拼接,获得拼接后的特征信息;
将所述拼接后的特征信息输入所述动作识别单元进行动作识别,输出动作识别结果。
5.根据权利要求1所述的基于力触觉手套的手部康复训练监测系统,其特征在于,所述基于多变量长短期记忆全卷积神经网络的动作识别模型的训练方式为:
所述目标用户穿戴好所述力触觉手套装置的手套本体后,在医生指导下的个性化训练过程中,通过所述力触觉手套装置穿戴在目标用户的手指上的手套中的压力传感器读取压力数据,并将压力数据进行消抖处理,确定待传输的数据;并将所述待传输的数据进行压缩与编码后传输至终端设备;
所述终端设备接收所述力触觉手套装置当前传输的数据,对所述当前传输的数据进行解码,输出当前的压力数据,并监听数据传输状态,记录最近一次数据的时间,当未接收到数据的时间间隔超过预设时间的情况下,输出上一次的压力数据作为当前的压力数据,对当前的压力数据进行降噪处理,获得降噪后的数据,对所述降噪后的数据进行归一化和维度处理,获得样本数据集,将样本数据集划分为80%的训练集与20%的验证集,采用训练集对基于多变量长短期记忆全卷积神经网络的动作识别模型进行训练,获得训练后的动作识别模型,并采用验证集对所述训练后的动作识别模型进行验证,确定所述训练后的动作识别模型是否达到精度要求,若未达到精度要求调整网络参数并返回继续进行训练,直至达到精度要求时,获得训练好的动作识别模型。
6.根据权利要求1所述的基于力触觉手套的手部康复训练监测系统,其特征在于,所述终端设备还用于对所述降噪后的数据进行压缩后存储至数据库中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410052859.0A CN117577266B (zh) | 2024-01-15 | 2024-01-15 | 基于力触觉手套的手部康复训练监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410052859.0A CN117577266B (zh) | 2024-01-15 | 2024-01-15 | 基于力触觉手套的手部康复训练监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117577266A CN117577266A (zh) | 2024-02-20 |
CN117577266B true CN117577266B (zh) | 2024-04-30 |
Family
ID=89884787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410052859.0A Active CN117577266B (zh) | 2024-01-15 | 2024-01-15 | 基于力触觉手套的手部康复训练监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117577266B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5549260A (en) * | 1995-01-27 | 1996-08-27 | Dynamic Engineering, Inc. | Active control device for aircraft tail buffet alleviation |
CN106445101A (zh) * | 2015-08-07 | 2017-02-22 | 飞比特公司 | 识别用户的方法和系统 |
WO2019046596A1 (en) * | 2017-09-01 | 2019-03-07 | Performance Athlytics | SYSTEM AND DEVICE FOR NON-EFFRACTIVE DETECTION OF ALCOHOLIZATION |
CN110755076A (zh) * | 2019-11-01 | 2020-02-07 | 上海联影医疗科技有限公司 | 磁共振扫描仪的图像采集方法、装置、设备和介质 |
CN114612511A (zh) * | 2022-03-09 | 2022-06-10 | 齐齐哈尔大学 | 基于改进域对抗神经网络算法的运动训练辅助决策支持系统 |
WO2023273191A1 (zh) * | 2021-06-28 | 2023-01-05 | 深圳先进技术研究院 | 一种面向手势控制的人机交互系统和方法 |
CN116250820A (zh) * | 2023-02-06 | 2023-06-13 | 河南山之峰信息科技股份有限公司 | 基于耳穴的生物电测健康预警系统及其预警方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170100632A1 (en) * | 2015-10-09 | 2017-04-13 | Arthur Borba Pedroso Castelo Branco | Data collection glove |
US20170136296A1 (en) * | 2015-11-18 | 2017-05-18 | Osvaldo Andres Barrera | System and method for physical rehabilitation and motion training |
WO2020006275A1 (en) * | 2018-06-27 | 2020-01-02 | Cortexxus Inc. | Wearable system for brain health monitoring and seizure detection and prediction |
US20230317280A1 (en) * | 2022-04-01 | 2023-10-05 | Jiangxi Provincial People's Hospital | Finger Kneading Rating Method Based on Intelligent Model Processing |
-
2024
- 2024-01-15 CN CN202410052859.0A patent/CN117577266B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5549260A (en) * | 1995-01-27 | 1996-08-27 | Dynamic Engineering, Inc. | Active control device for aircraft tail buffet alleviation |
CN106445101A (zh) * | 2015-08-07 | 2017-02-22 | 飞比特公司 | 识别用户的方法和系统 |
WO2019046596A1 (en) * | 2017-09-01 | 2019-03-07 | Performance Athlytics | SYSTEM AND DEVICE FOR NON-EFFRACTIVE DETECTION OF ALCOHOLIZATION |
CN111629661A (zh) * | 2017-09-01 | 2020-09-04 | Lvl科技股份有限公司 | 非侵入性饮水检测系统和设备 |
CN110755076A (zh) * | 2019-11-01 | 2020-02-07 | 上海联影医疗科技有限公司 | 磁共振扫描仪的图像采集方法、装置、设备和介质 |
WO2023273191A1 (zh) * | 2021-06-28 | 2023-01-05 | 深圳先进技术研究院 | 一种面向手势控制的人机交互系统和方法 |
CN114612511A (zh) * | 2022-03-09 | 2022-06-10 | 齐齐哈尔大学 | 基于改进域对抗神经网络算法的运动训练辅助决策支持系统 |
CN116250820A (zh) * | 2023-02-06 | 2023-06-13 | 河南山之峰信息科技股份有限公司 | 基于耳穴的生物电测健康预警系统及其预警方法 |
Non-Patent Citations (3)
Title |
---|
A Simple, Inexpensive, Wearable Glove with Hybrid Resistive-Pressure Sensors for Computational Sensing, Proprioception, and Task Identification;Josie Hughes等;《Advanced Intelligent Systems》;20200617;第2卷(第6期);第1-13页 * |
Hongyi Ren et al..GUFFLE: A Design of Lightweight Pressure Interface for Near-to-real-time Perceptual Tactile Sensation.《SenSys '22:Proceedings of the 20th ACM Conference on Embedded Networked Sensor Systems》.2023,第770-771页. * |
基于运动感知的手指康复训练系统的设计与实现;刘豪杰;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20190715(第07期);第C030-82页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117577266A (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Song et al. | Design of a flexible wearable smart sEMG recorder integrated gradient boosting decision tree based hand gesture recognition | |
US10878818B2 (en) | Methods and apparatus for silent speech interface | |
US20170178539A1 (en) | Providing information to a user through somatosensory feedback | |
JP2021072136A (ja) | ジェスチャに基づいて制御するための筋活動センサ信号と慣性センサ信号とを結合する方法および装置 | |
CN104267813A (zh) | 腕带和手环类产品采用十种手势实现输入或选择的方法 | |
CN106308781A (zh) | 基于环境感知的健康监护系统及方法 | |
Bahador et al. | Deep learning–based multimodal data fusion: Case study in food intake episodes detection using wearable sensors | |
CN117577266B (zh) | 基于力触觉手套的手部康复训练监测系统 | |
CN115509344A (zh) | 具有添加用户定制手势的框架的基于机器学习的手势识别 | |
Mezari et al. | Gesture recognition using symbolic aggregate approximation and dynamic time warping on motion data | |
CN116313087A (zh) | 一种孤独症患者心理状态识别方法与装置 | |
CN114255511A (zh) | 用于手势识别的控制器和方法以及手势识别设备 | |
CN113749656B (zh) | 基于多维生理信号的情感识别方法和装置 | |
Liu et al. | A wearable system for sign language recognition enabled by a convolutional neural network | |
Hua et al. | A customized convolutional neural network model integrated with acceleration-based smart insole toward personalized foot gesture recognition | |
KR102243040B1 (ko) | 전자 장치, 아바타 얼굴 표정 표시 시스템 및 제어 방법 | |
Haresamudram et al. | Towards Learning Discrete Representations via Self-Supervision for Wearables-Based Human Activity Recognition | |
CN113887332B (zh) | 一种基于多模态融合的肌肤作业安全监测方法 | |
TW201815443A (zh) | 握力訓練裝置 | |
KR20200144996A (ko) | 근육시너지 라이브러리를 이용한 운동 코칭 시스템 및 근육시너지 라이브러리를 이용한 근육시너지 특성 산출방법 | |
JP3699996B2 (ja) | 生体信号を利用したリモートコントローラ | |
CN114403858B (zh) | 一种人体运动功能评估方法、设备及系统 | |
WO2021241676A1 (ja) | 運動解析装置、システム及び記憶媒体、並びにリハビリテーションシステム | |
CN115533914A (zh) | 一种面向社交机器人的多模态融合情绪识别方法和系统 | |
JPWO2023112226A5 (zh) |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |