CN117672457A - 一种微感反馈的智能膝盖康复护理方法与装置 - Google Patents

一种微感反馈的智能膝盖康复护理方法与装置 Download PDF

Info

Publication number
CN117672457A
CN117672457A CN202311727616.4A CN202311727616A CN117672457A CN 117672457 A CN117672457 A CN 117672457A CN 202311727616 A CN202311727616 A CN 202311727616A CN 117672457 A CN117672457 A CN 117672457A
Authority
CN
China
Prior art keywords
knee
leg
representing
parameters
patient
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
CN202311727616.4A
Other languages
English (en)
Inventor
张雅芬
孟丽
陈博
祁长银
白易民
赵广明
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.)
Shandong Aoluorui Medical Technology Co ltd
Original Assignee
Shandong Aoluorui Medical Technology Co ltd
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 Shandong Aoluorui Medical Technology Co ltd filed Critical Shandong Aoluorui Medical Technology Co ltd
Priority to CN202311727616.4A priority Critical patent/CN117672457A/zh
Publication of CN117672457A publication Critical patent/CN117672457A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及微感反馈的技术领域，公开了一种微感反馈的智能膝盖康复护理方法与装置，所述方法包括：采集患者腿部神经信号以及步态姿势参数，对腿部神经信号进行滤波处理得到原发性神经信号；构建原发性神经信号特征提取模型对原发性神经信号进行特征提取；利用康复步态校正模型生成膝盖护理校正参数，对患者步行过程中的腿部膝盖姿势进行实时校正。本发明对不同尺度下的腿部神经信号滤波处理结果进行多尺度的卷积特征以及空间感知信息的融合处理，得到有利于表征神经信号异常的空间感知的神经信号特征，根据神经信号特征分布的异常性，在患者步态姿势参数的基础上进行校正参数生成，实现基于患者腿部神经微感反馈的膝盖动作康复校正护理。

Description

一种微感反馈的智能膝盖康复护理方法与装置
技术领域
本发明涉及微感反馈的技术领域，尤其涉及一种微感反馈的智能膝盖康复护理方法与装置。
背景技术
随着国家倡导体育强国的不断推广，运动性膝盖损伤严重影响人们健康和生活质量。对膝盖进行手术并实施康复训练成为膝盖康复护理关键的环节。大多数患者因疼痛不能进行有效而持久的肌力训练和关键活动度锻炼。现有康复护理方案无法有效追踪患者康复锻炼依从性及康复效果，尤其是膝盖这种精细化康复治疗方案对当前患者的恢复状态需要有精准的判断，否则会产生二次损伤。针对该问题，本发明提出一种微感反馈的智能膝盖康复护理方法与装置，通过检测微弱神经信号指导反馈康复护理设备参数，实现智能化膝盖康复护理。
发明内容
有鉴于此，本发明提供一种微感反馈的智能膝盖康复护理方法与装置，目的在于：1)构建小波函数、滤波器对所采集的腿部神经信号进行滤波分解处理，得到多尺度的近似系数以及细节系数，利用原发性神经信号特征提取模型对包含更多能量信息的近似系数进行特征提取处理，首先利用伪迹去除层对原发性神经信号进行主成分提取处理，过滤原发性神经信号中可能存在的伪迹信号，保证提取处理后的信号为纯净的腿部神经信号，进而采用提取多尺度近似系数卷积特征空间感知信息的方式，进行多尺度的卷积特征以及空间感知信息的融合处理，得到空间感知的神经信号特征，有利于表征腿部神经信号异常；2)利用康复步态校正模型对神经信号特征进行映射，生成膝盖护理校正参数，其中腿部神经信号的异常程度越大，对应的神经信号特征分布就越异常，根据神经信号特征分布的异常性，在患者步态姿势参数的基础上进行校正参数生成，进而对患者步行过程中的腿部膝盖姿势进行实时监测，将监测结果作为步态姿势参数对膝盖护理校正参数进行遍历，遍历得到对应的校正参数，根据校正参数提醒患者调整膝盖弯曲幅度以及弯曲速度，实现基于患者腿部神经微感反馈的膝盖动作康复校正护理。
为实现上述目的，一方面，本发明提供了一种微感反馈的智能膝盖康复护理方法，包括以下步骤：
S1：采集患者腿部神经信号以及对应的步态姿势参数，并对采集的患者腿部神经信号进行滤波处理得到原发性神经信号；
S2：构建原发性神经信号特征提取模型对原发性神经信号进行特征提取，得到神经信号特征，所述原发性神经信号特征提取模型以原发性神经信号为输入，以空间感知的神经信号特征为输出；
S3：构建康复步态校正模型，利用康复步态校正模型生成膝盖护理校正参数，所述模型以神经信号特征以及对应的步态姿势参数为输入，以膝盖护理校正参数为输出；
S4：根据所生成的膝盖护理校正参数，对患者步行过程中的腿部膝盖姿势进行实时校正。
作为本发明的进一步改进方法：
可选地，所述S1步骤中采集患者腿部神经信号以及对应的步态姿势参数，包括：
在患者腿部放置电极片，并引导患者完成指定的步态姿势，得到患者腿部神经信号以及对应的步态姿势参数，所述患者腿部神经信号以及对应步态姿势参数的表示形式为：
{(xn(tn),Ln)|n∈[1,N]}
其中：
xn(tn)表示所采集患者的第n段腿部神经信号，tn表示时序信息，tn∈[tn(0),tn(sn)]，tn(0)表示采集患者第n段腿部神经信号的初始时刻，tn(sn)表示采集患者第n段腿部神经信号的截止时刻；
N表示所采集的患者腿部神经信号总数；
Ln表示腿部神经信号xn(tn)对应的步态姿势参数，Ln∈L，其中L表示步态姿势参数集合。在本发明实施例中，步态姿势参数集合中包括膝盖的弯曲幅度以及弯曲速度参数。
可选地，所述S1步骤中对采集的患者腿部神经信号进行滤波处理得到原发性神经信号，包括：
对采集的患者腿部神经信号进行滤波处理得到原发性神经信号，其中患者腿部神经信号xn(tn)的滤波处理流程为：
S11：构建用于滤波处理的小波函数：
其中：
ψ(t)表示用于滤波处理的父小波函数，t表示函数输入值；
表示用于滤波处理的母小波函数；
S12：构建用于滤波处理的滤波器：
其中：
h0(ft)表示低通滤波器，ft表示输入的信号频率值，表示低通滤波限制频率；
h1(ft)表示高通滤波器，表示高通滤波限制频率；
S13：基于小波函数以及用于滤波处理的滤波器，对患者腿部神经信号xn(tn)进行滤波分解处理：
其中：
表示对xn(tn(j))进行滤波分解得到的滤波分解尺度k下的近似系数值，xn(tn(j))表示腿部神经信号xn(tn)在采集时刻tn(j)的信号值，tn(j)∈[tn(0),tn(sn)]，j∈[0,sn]，k∈[1,K]，对应K个滤波分解尺度；
表示对xn(tn(j))进行滤波分解得到的尺度k下的细节系数值；
mod表示取模符号；
在本发明实施例中，
构成腿部神经信号xn(tn)在K个滤波分解尺度的滤波分解结果：
其中：
表示腿部神经信号xn(tn)在滤波分解尺度k下的近似系数；
表示腿部神经信号xn(tn)在滤波分解尺度k下的细节系数；
在本发明实施例中，信号的能量大多集中在近似系数中，噪声大多集中在细节系数中，因此只对近似系数进行多尺度分解，将噪声信息剔除；
将K个滤波分解尺度下的近似系数以及细节系数作为腿部神经信号xn(tn)的原发性神经信号。
可选地，所述S2步骤中构建原发性神经信号特征提取模型对原发性神经信号进行特征提取，包括：
构建原发性神经信号特征提取模型，所述原发性神经信号特征提取模型以原发性神经信号为输入，以空间感知的神经信号特征为输出，其中原发性神经信号特征提取模型包括输入层、伪迹去除层以及特征提取层，输入层用于接收原发性神经信号，伪迹去除层用于对原发性神经信号中膝盖活动外其他生理动作所产生的伪迹信号进行去除，特征提取层用于对伪迹去除后的原发性神经信号进行特征提取处理；
利用原发性神经信号特征提取模型对原发性神经信号进行特征提取处理，其中腿部神经信号xn(tn)所对应原发性神经信号的特征提取处理流程为：
S21：输入层接收腿部神经信号xn(tn)的K个滤波分解尺度下的近似系数以及细节系数，并提取近似系数，构成近似系数的协方差矩阵，其中近似系数的协方差矩阵形式为：
其中：
T表示转置；
trace(·)表示计算矩阵的迹；
表示近似系数/>的协方差矩阵；
将所构成的K个滤波分解尺度下的协方差矩阵发送到伪迹去除层；
S22：伪迹去除层对协方差矩阵进行特征分解处理，其中每个协方差矩阵分解得到E个特征值以及对应的特征向量，将E个特征值构成对角矩阵，E个特征向量构成特征向量矩阵；
S23：初始化K个近似系数的主成分向量，每个主成分向量中包含M组主成分特征提取向量，其中所对应的主成分向量初始化形式为：
其中：
表示/>所对应的主成分向量初始化形式，/>表示主成分向量中第m组主成分特征提取向量初始化形式，m∈[1,M]；
在本发明实施例中，||·||为L1范数；
S24：设置主成分向量的当前迭代次数为e，e的初始值为0，则所对应主成分向量的第e次迭代结果为/>主成分向量/>中第m组主成分特征提取向量为
S25：对主成分向量中的每组主成分特征提取向量进行迭代更新，若 小于预设的阈值，则将/>作为/>的最终迭代得到的第m组主成分特征提取向量/>并对其他组主成分特征提取向量进行迭代更新，否则对/>进行迭代：
其中：
||·||为L1范数；
Ak表示对协方差矩阵进行特征分解得到的特征向量矩阵，∑k表示对协方差矩阵/>进行特征分解得到的对角矩阵；
令e＝e+1，返回步骤S25；
S26：根据迭代更新得到的主成分特征提取向量，生成腿部神经信号xn(tn)的主成分近似系数Rk(n)：
其中：
Rk(n)表示去除伪迹信号的滤波分解尺度k下的主成分近似系数；
S27：特征提取层对K个主成分近似系数进行卷积特征提取处理，得到腿部神经信号xn(tn)的神经信号特征Fn。
可选地，所述S27步骤中对K个主成分近似系数进行卷积特征提取处理，包括：
S271：生成主成分近似系数Rk(n)的卷积特征Ck(n)：
Ck(n)＝σ(w1Rk(n)+b1)
其中：
σ(·)表示激活函数；在本发明实施例中，所选取激活函数为ReLU激活函数；
w1表示卷积计算过程中的权重参数，b1表示卷积计算过程中的偏置参数；
S272：生成滤波分解尺度1至k-1下的空间感知信息：
其中：
exp(·)表示以自然常数为底的指数函数；
Softmax(·)为Softmax函数；
w2表示空间感知信息计算过程中的权重参数；
S273：结合空间感知信息对卷积特征Ck(n)进行空间感知融合处理：
Fk(n)＝σ(w3[Ck(n),Fk-1(n)]+b3)tanh(Gk-1(n))
其中：
w3表示空间感知信息融合过程中的权重参数，b3表示空间感知信息融合过程中的偏置参数；
Fk(n)表示主成分近似系数Rk(n)的融合空间感知信息的卷积特征提取结果；
在本发明实施例中，F0(n)＝0；
S274：令k＝k+1，返回步骤S271，直到k＝K，将FK(n)作为腿部神经信号xn(tn)的神经信号特征Fn。
可选地，所述S3步骤中构建康复步态校正模型，包括：
构建康复步态校正模型，所述康复步态校正模型以神经信号特征以及对应的步态姿势参数为输入，以膝盖护理校正参数为输出，其中康复步态校正模型包括输入层、校正参数映射层以及输出层，输入层用于接收N段腿部神经信号的神经信号特征以及对应的步态姿势参数，校正参数映射层用于将神经信号特征映射为校正参数，输出层将校正参数以及步态姿势参数进行对应组合，构成膝盖护理校正参数进行输出。
可选地，所述S3步骤中利用康复步态校正模型生成膝盖护理校正参数，包括：
利用康复步态校正模型生成膝盖护理校正参数，其中膝盖护理校正参数的生成流程为：
S31：输入层用于接收N段腿部神经信号的神经信号特征以及对应的步态姿势参数，其中所接收神经信号特征以及步态姿势参数集合为：
{(Fn,Ln)|n∈[1,N]}
其中：
(Fn,Ln)表示第n段腿部神经信号的神经信号特征以及对应的步态姿势参数；
S32：计算得到神经信号特征Fn对应的参数调整步长λn：
其中：
mean(Fn)表示神经信号特征Fn的均值；
std(Fn)表示神经信号特征Fn的标准差；
W表示特征映射矩阵；
S33：基于参数调整步长λn生成步态姿势参数Ln对应的校正参数：
gn＝Ln-λn
其中：
gn为步态姿势参数Ln对应的校正参数；
S34：构成膝盖护理校正参数：{(gn,Ln)|n∈[1,N]}。
可选地，所述S4步骤中根据膝盖护理校正参数，对患者步行过程中的腿部膝盖姿势进行实时校正，包括：
根据膝盖护理校正参数，对患者步行过程中的腿部膝盖姿势进行实时监测，其中腿部膝盖姿势包括膝盖的弯曲幅度以及弯曲速度，将监测结果作为步态姿势参数对膝盖护理校正参数进行遍历，遍历得到对应的校正参数，其中校正参数为校正后的膝盖弯曲幅度以及弯曲速度，根据校正参数提醒患者调整膝盖弯曲幅度以及弯曲速度。
为了解决上述问题，另一方面，本发明提供一种微感反馈的智能膝盖康复护理装置，其特征在于，所述装置包括：
微感信号采集装置，用于采集患者腿部神经信号以及对应的步态姿势参数，并对采集的患者腿部神经信号进行滤波处理得到原发性神经信号；
信号特征提取模块，用于构建原发性神经信号特征提取模型对原发性神经信号进行特征提取，得到神经信号特征；
膝盖护理校正装置，用于构建康复步态校正模型，利用康复步态校正模型生成膝盖护理校正参数，对患者步行过程中的腿部膝盖姿势进行实时校正。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；
通信接口，实现电子设备通信；及
处理器，执行所述存储器中存储的指令以实现上述所述的微感反馈的智能膝盖康复护理方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的微感反馈的智能膝盖康复护理方法。
相对于现有技术，本发明提出一种微感反馈的智能膝盖康复护理方法，该技术具有以下优势：
首先，本方案提出一种腿部神经信号特征提取方法，对采集的患者腿部神经信号进行滤波处理得到原发性神经信号，其中患者腿部神经信号xn(tn)的滤波处理流程为：构建用于滤波处理的小波函数：
其中：ψ(t)表示用于滤波处理的父小波函数，t表示函数输入值；表示用于滤波处理的母小波函数；构建用于滤波处理的滤波器：
其中：h0(ft)表示低通滤波器，ft表示输入的信号频率值，表示低通滤波限制频率；h1(ft)表示高通滤波器，/>表示高通滤波限制频率；基于小波函数以及用于滤波处理的滤波器，对患者腿部神经信号xn(tn)进行滤波分解处理：
其中：表示对xn(tn(j))进行滤波分解得到的滤波分解尺度k下的近似系数值，xn(tn(j))表示腿部神经信号xn(tn)在采集时刻tn(j)的信号值，tn(j)∈[tn(0),tn(sn)]，j∈[0,sn]，k∈[1,K]，对应K个滤波分解尺度；/>表示对xn(tn(j))进行滤波分解得到的尺度k下的细节系数值；mod表示取模符号；构成腿部神经信号xn(tn)在K个滤波分解尺度的滤波分解结果：
其中：表示腿部神经信号xn(tn)在滤波分解尺度k下的近似系数；/>表示腿部神经信号xn(tn)在滤波分解尺度k下的细节系数；将K个滤波分解尺度下的近似系数以及细节系数作为腿部神经信号xn(tn)的原发性神经信号。构建原发性神经信号特征提取模型，所述原发性神经信号特征提取模型以原发性神经信号为输入，以空间感知的神经信号特征为输出，其中原发性神经信号特征提取模型包括输入层、伪迹去除层以及特征提取层，输入层用于接收原发性神经信号，伪迹去除层用于对原发性神经信号中膝盖活动外其他生理动作所产生的伪迹信号进行去除，特征提取层用于对伪迹去除后的原发性神经信号进行特征提取处理。本方案通过构建小波函数、滤波器对所采集的腿部神经信号进行滤波分解处理，得到多尺度的近似系数以及细节系数，利用原发性神经信号特征提取模型对包含更多能量信息的近似系数进行特征提取处理，首先利用伪迹去除层对原发性神经信号进行主成分提取处理，过滤原发性神经信号中可能存在的伪迹信号，保证提取处理后的信号为纯净的腿部神经信号，进而采用提取多尺度近似系数卷积特征空间感知信息的方式，进行多尺度的卷积特征以及空间感知信息的融合处理，得到空间感知的神经信号特征，有利于表征腿部神经信号异常。
同时，本方案提出一种膝盖校正参数生成方法，通过构建康复步态校正模型，所述康复步态校正模型以神经信号特征以及对应的步态姿势参数为输入，以膝盖护理校正参数为输出，利用康复步态校正模型生成膝盖护理校正参数，其中膝盖护理校正参数的生成流程为：输入层用于接收N段腿部神经信号的神经信号特征以及对应的步态姿势参数，其中所接收神经信号特征以及步态姿势参数集合为：
{(Fn,Ln)|n∈[1,N]}
其中：(Fn,Ln)表示第n段腿部神经信号的神经信号特征以及对应的步态姿势参数；计算得到神经信号特征Fn对应的参数调整步长λn：
其中：mean(Fn)表示神经信号特征Fn的均值；std(Fn)表示神经信号特征Fn的标准差；W表示特征映射矩阵；基于参数调整步长λn生成步态姿势参数Ln对应的校正参数：
gn＝Ln-λn
其中：gn为步态姿势参数Ln对应的校正参数；构成膝盖护理校正参数：{(gn,Ln)|n∈[1,N]}。本方案利用康复步态校正模型对神经信号特征进行映射，生成膝盖护理校正参数，其中腿部神经信号的异常程度越大，对应的神经信号特征分布就越异常，根据神经信号特征分布的异常性，在患者步态姿势参数的基础上进行校正参数生成，进而对患者步行过程中的腿部膝盖姿势进行实时监测，将监测结果作为步态姿势参数对膝盖护理校正参数进行遍历，遍历得到对应的校正参数，根据校正参数提醒患者调整膝盖弯曲幅度以及弯曲速度，实现基于患者腿部神经微感反馈的膝盖动作康复校正护理。
附图说明
图1为本发明一实施例提供的一种微感反馈的智能膝盖康复护理方法的流程示意图；
图2为本发明一实施例提供的微感反馈的智能膝盖康复护理装置的功能模块图；
图2中：100智能膝盖康复护理装置，101微感信号采集装置，102信号特征提取模块，103膝盖护理校正装置；
图3为本发明一实施例提供的实现微感反馈的智能膝盖康复护理方法的电子设备的结构示意图；
图3中：1电子设备，10处理器，11存储器，12程序，13通信接口。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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。
本申请实施例提供一种微感反馈的智能膝盖康复护理方法。所述微感反馈的智能膝盖康复护理方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述微感反馈的智能膝盖康复护理方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1：
S1：采集患者腿部神经信号以及对应的步态姿势参数，并对采集的患者腿部神经信号进行滤波处理得到原发性神经信号。
所述S1步骤中采集患者腿部神经信号以及对应的步态姿势参数，包括：
在患者腿部放置电极片，并引导患者完成指定的步态姿势，得到患者腿部神经信号以及对应的步态姿势参数，所述患者腿部神经信号以及对应步态姿势参数的表示形式为：
{(xn(tn),Ln)|n∈[1,N]}
其中：
xn(tn)表示所采集患者的第n段腿部神经信号，tn表示时序信息，tn∈[tn(0),tn(sn)]，tn(0)表示采集患者第n段腿部神经信号的初始时刻，tn(sn)表示采集患者第n段腿部神经信号的截止时刻；
N表示所采集的患者腿部神经信号总数；
Ln表示腿部神经信号xn(tn)对应的步态姿势参数，Ln∈L，其中L表示步态姿势参数集合。在本发明实施例中，步态姿势参数集合中包括膝盖的弯曲幅度以及弯曲速度参数。
所述S1步骤中对采集的患者腿部神经信号进行滤波处理得到原发性神经信号，包括：
对采集的患者腿部神经信号进行滤波处理得到原发性神经信号，其中患者腿部神经信号xn(tn)的滤波处理流程为：
S11：构建用于滤波处理的小波函数：
其中：
ψ(t)表示用于滤波处理的父小波函数，t表示函数输入值；
表示用于滤波处理的母小波函数；
S12：构建用于滤波处理的滤波器：
其中：
h0(ft)表示低通滤波器，ft表示输入的信号频率值，表示低通滤波限制频率；
h1(ft)表示高通滤波器，表示高通滤波限制频率；
S13：基于小波函数以及用于滤波处理的滤波器，对患者腿部神经信号xn(tn)进行滤波分解处理：
其中：
表示对xn(tn(j))进行滤波分解得到的滤波分解尺度k下的近似系数值，xn(tn(j))表示腿部神经信号xn(tn)在采集时刻tn(j)的信号值，tn(j)∈[tn(0),tn(sn)]，j∈[0,sn]，k∈[1,K]，对应K个滤波分解尺度；
表示对xn(tn(j))进行滤波分解得到的尺度k下的细节系数值；
mod表示取模符号；
构成腿部神经信号xn(tn)在K个滤波分解尺度的滤波分解结果：
其中：
表示腿部神经信号xn(tn)在滤波分解尺度k下的近似系数；
表示腿部神经信号xn(tn)在滤波分解尺度k下的细节系数；
将K个滤波分解尺度下的近似系数以及细节系数作为腿部神经信号xn(tn)的原发性神经信号。
S2：构建原发性神经信号特征提取模型对原发性神经信号进行特征提取，得到神经信号特征，所述原发性神经信号特征提取模型以原发性神经信号为输入，以空间感知的神经信号特征为输出。
所述S2步骤中构建原发性神经信号特征提取模型对原发性神经信号进行特征提取，包括：
构建原发性神经信号特征提取模型，所述原发性神经信号特征提取模型以原发性神经信号为输入，以空间感知的神经信号特征为输出，其中原发性神经信号特征提取模型包括输入层、伪迹去除层以及特征提取层，输入层用于接收原发性神经信号，伪迹去除层用于对原发性神经信号中膝盖活动外其他生理动作所产生的伪迹信号进行去除，特征提取层用于对伪迹去除后的原发性神经信号进行特征提取处理；
利用原发性神经信号特征提取模型对原发性神经信号进行特征提取处理，其中腿部神经信号xn(tn)所对应原发性神经信号的特征提取处理流程为：
S21：输入层接收腿部神经信号xn(tn)的K个滤波分解尺度下的近似系数以及细节系数，并提取近似系数，构成近似系数的协方差矩阵，其中近似系数的协方差矩阵形式为：
其中：
T表示转置；
trace(·)表示计算矩阵的迹；
表示近似系数/>的协方差矩阵；
将所构成的K个滤波分解尺度下的协方差矩阵发送到伪迹去除层；
S22：伪迹去除层对协方差矩阵进行特征分解处理，其中每个协方差矩阵分解得到E个特征值以及对应的特征向量，将E个特征值构成对角矩阵，E个特征向量构成特征向量矩阵；
S23：初始化K个近似系数的主成分向量，每个主成分向量中包含M组主成分特征提取向量，其中所对应的主成分向量初始化形式为：
其中：
表示/>所对应的主成分向量初始化形式，/>表示主成分向量中第m组主成分特征提取向量初始化形式，m∈[1,M]；
S24：设置主成分向量的当前迭代次数为e，e的初始值为0，则所对应主成分向量的第e次迭代结果为/>主成分向量/>中第m组主成分特征提取向量为
S25：对主成分向量中的每组主成分特征提取向量进行迭代更新，若 小于预设的阈值，则将/>作为/>的最终迭代得到的第m组主成分特征提取向量/>并对其他组主成分特征提取向量进行迭代更新，否则对/>进行迭代：
其中：
||·||为L1范数；
Ak表示对协方差矩阵进行特征分解得到的特征向量矩阵，∑k表示对协方差矩阵/>进行特征分解得到的对角矩阵；
令e＝e+1，返回步骤S25；
S26：根据迭代更新得到的主成分特征提取向量，生成腿部神经信号xn(tn)的主成分近似系数Rk(n)：
其中：
Rk(n)表示去除伪迹信号的滤波分解尺度k下的主成分近似系数；
S27：特征提取层对K个主成分近似系数进行卷积特征提取处理，得到腿部神经信号xn(tn)的神经信号特征Fn。
所述S27步骤中对K个主成分近似系数进行卷积特征提取处理，包括：
S271：生成主成分近似系数Rk(n)的卷积特征Ck(n)：
Ck(n)＝σ(w1Rk(n)+b1)
其中：
σ(·)表示激活函数；在本发明实施例中，所选取激活函数为ReLU激活函数；
w1表示卷积计算过程中的权重参数，b1表示卷积计算过程中的偏置参数；
S272：生成滤波分解尺度1至k-1下的空间感知信息：
其中：
exp(·)表示以自然常数为底的指数函数；
Softmax(·)为Softmax函数；
w2表示空间感知信息计算过程中的权重参数；
S273：结合空间感知信息对卷积特征Ck(n)进行空间感知融合处理：
Fk(n)＝σ(w3[Ck(n),Fk-1(n)]+b3)tanh(Gk-1(n))
其中：
w3表示空间感知信息融合过程中的权重参数，b3表示空间感知信息融合过程中的偏置参数；
Fk(n)表示主成分近似系数Rk(n)的融合空间感知信息的卷积特征提取结果；
在本发明实施例中，F0(n)＝0；
S274：令k＝k+1，返回步骤S271，直到k＝K，将FK(n)作为腿部神经信号xn(tn)的神经信号特征Fn。
S3：构建康复步态校正模型，利用康复步态校正模型生成膝盖护理校正参数，所述模型以神经信号特征以及对应的步态姿势参数为输入，以膝盖护理校正参数为输出。
所述S3步骤中构建康复步态校正模型，包括：
构建康复步态校正模型，所述康复步态校正模型以神经信号特征以及对应的步态姿势参数为输入，以膝盖护理校正参数为输出，其中康复步态校正模型包括输入层、校正参数映射层以及输出层，输入层用于接收N段腿部神经信号的神经信号特征以及对应的步态姿势参数，校正参数映射层用于将神经信号特征映射为校正参数，输出层将校正参数以及步态姿势参数进行对应组合，构成膝盖护理校正参数进行输出。
所述S3步骤中利用康复步态校正模型生成膝盖护理校正参数，包括：
利用康复步态校正模型生成膝盖护理校正参数，其中膝盖护理校正参数的生成流程为：
S31：输入层用于接收N段腿部神经信号的神经信号特征以及对应的步态姿势参数，其中所接收神经信号特征以及步态姿势参数集合为：
{(Fn,Ln)|n∈[1,N]}
其中：
(Fn,Ln)表示第n段腿部神经信号的神经信号特征以及对应的步态姿势参数；
S32：计算得到神经信号特征Fn对应的参数调整步长λn：
其中：
mean(Fn)表示神经信号特征Fn的均值；
std(Fn)表示神经信号特征Fn的标准差；
W表示特征映射矩阵；
S33：基于参数调整步长λn生成步态姿势参数Ln对应的校正参数：
gn＝Ln-λn
其中：
gn为步态姿势参数Ln对应的校正参数；
S34：构成膝盖护理校正参数：{(gn,Ln)|n∈[1,N]}。
S4：根据所生成的膝盖护理校正参数，对患者步行过程中的腿部膝盖姿势进行实时校正。
所述S4步骤中根据膝盖护理校正参数，对患者步行过程中的腿部膝盖姿势进行实时校正，包括：
根据膝盖护理校正参数，对患者步行过程中的腿部膝盖姿势进行实时监测，其中腿部膝盖姿势包括膝盖的弯曲幅度以及弯曲速度，将监测结果作为步态姿势参数对膝盖护理校正参数进行遍历，遍历得到对应的校正参数，其中校正参数为校正后的膝盖弯曲幅度以及弯曲速度，根据校正参数提醒患者调整膝盖弯曲幅度以及弯曲速度。
实施例2：
如图2所示，是本发明一实施例提供的微感反馈的智能膝盖康复护理装置的功能模块图，其可以实现实施例1中的微感反馈的智能膝盖康复护理方法。
本发明所述微感反馈的智能膝盖康复护理装置100可以安装于电子设备中。根据实现的功能，所述微感反馈的智能膝盖康复护理装置可以包括微感信号采集装置101、信号特征提取模块102及膝盖护理校正装置103。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
微感信号采集装置101，用于采集患者腿部神经信号以及对应的步态姿势参数，并对采集的患者腿部神经信号进行滤波处理得到原发性神经信号；
信号特征提取模块102，用于构建原发性神经信号特征提取模型对原发性神经信号进行特征提取，得到神经信号特征；
膝盖护理校正装置103，用于构建康复步态校正模型，利用康复步态校正模型生成膝盖护理校正参数，对患者步行过程中的腿部膝盖姿势进行实时校正。
详细地，本发明实施例中所述微感反馈的智能膝盖康复护理装置100中的所述各模块在使用时采用与上述的图1中所述的微感反馈的智能膝盖康复护理方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
实施例3：
如图3所示，是本发明一实施例提供的实现微感反馈的智能膝盖康复护理方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信接口13和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、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11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(用于实现微感反馈的智能膝盖康复护理的程序12等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接，并实现电子设备内部组件之间的连接通信。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是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。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
采集患者腿部神经信号以及对应的步态姿势参数，并对采集的患者腿部神经信号进行滤波处理得到原发性神经信号；
构建原发性神经信号特征提取模型对原发性神经信号进行特征提取，得到神经信号特征；
构建康复步态校正模型，利用康复步态校正模型生成膝盖护理校正参数；
根据所生成的膝盖护理校正参数，对患者步行过程中的腿部膝盖姿势进行实时校正。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图3对应实施例中相关步骤的描述，在此不赘述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。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、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种微感反馈的智能膝盖康复护理方法与装置，其特征在于，所述方法包括：
S1：采集患者腿部神经信号以及对应的步态姿势参数，并对采集的患者腿部神经信号进行滤波处理得到原发性神经信号；
S2：构建原发性神经信号特征提取模型对原发性神经信号进行特征提取，得到神经信号特征，所述原发性神经信号特征提取模型以原发性神经信号为输入，以空间感知的神经信号特征为输出；
S3：构建康复步态校正模型，利用康复步态校正模型生成膝盖护理校正参数，所述模型以神经信号特征以及对应的步态姿势参数为输入，以膝盖护理校正参数为输出；
S4：根据所生成的膝盖护理校正参数，对患者步行过程中的腿部膝盖姿势进行实时校正。
2.如权利要求1所述的一种微感反馈的智能膝盖康复护理方法，其特征在于，所述S1步骤中采集患者腿部神经信号以及对应的步态姿势参数，包括：
在患者腿部放置电极片，并引导患者完成指定的步态姿势，得到患者腿部神经信号以及对应的步态姿势参数，所述患者腿部神经信号以及对应步态姿势参数的表示形式为：
其中：
表示所采集患者的第n段腿部神经信号，/>表示时序信息，/>，表示采集患者第n段腿部神经信号的初始时刻，/>表示采集患者第n段腿部神经信号的截止时刻；
N表示所采集的患者腿部神经信号总数；
表示腿部神经信号/>对应的步态姿势参数，/>，其中L表示步态姿势参数集合。
3.如权利要求2所述的一种微感反馈的智能膝盖康复护理方法，其特征在于，所述S1步骤中对采集的患者腿部神经信号进行滤波处理得到原发性神经信号，包括：
对采集的患者腿部神经信号进行滤波处理得到原发性神经信号，其中患者腿部神经信号的滤波处理流程为：
S11：构建用于滤波处理的小波函数：
其中：
表示用于滤波处理的父小波函数，t表示函数输入值；
表示用于滤波处理的母小波函数；
S12：构建用于滤波处理的滤波器：
其中：
表示低通滤波器，/>表示输入的信号频率值，/>表示低通滤波限制频率；
表示高通滤波器，/>表示高通滤波限制频率；
S13：基于小波函数以及用于滤波处理的滤波器，对患者腿部神经信号进行滤波分解处理：/>
其中：
表示对/>进行滤波分解得到的滤波分解尺度k下的近似系数值，表示腿部神经信号/>在采集时刻/>的信号值，/>，，/>，对应K个滤波分解尺度；
表示对/>进行滤波分解得到的尺度k下的细节系数值；
mod表示取模符号；
构成腿部神经信号在K个滤波分解尺度的滤波分解结果：
其中：
表示腿部神经信号/>在滤波分解尺度k下的近似系数；
表示腿部神经信号/>在滤波分解尺度k下的细节系数；
将K个滤波分解尺度下的近似系数以及细节系数作为腿部神经信号的原发性神经信号。
4.如权利要求1所述的一种微感反馈的智能膝盖康复护理方法，其特征在于，所述S2步骤中构建原发性神经信号特征提取模型对原发性神经信号进行特征提取，包括：
构建原发性神经信号特征提取模型，所述原发性神经信号特征提取模型以原发性神经信号为输入，以空间感知的神经信号特征为输出，其中原发性神经信号特征提取模型包括输入层、伪迹去除层以及特征提取层，输入层用于接收原发性神经信号，伪迹去除层用于对原发性神经信号中膝盖活动外其他生理动作所产生的伪迹信号进行去除，特征提取层用于对伪迹去除后的原发性神经信号进行特征提取处理；
利用原发性神经信号特征提取模型对原发性神经信号进行特征提取处理，其中腿部神经信号所对应原发性神经信号的特征提取处理流程为：
S21：输入层接收腿部神经信号的K个滤波分解尺度下的近似系数以及细节系数，并提取近似系数，构成近似系数的协方差矩阵，其中近似系数/>的协方差矩阵形式为：
其中：
T表示转置；
表示计算矩阵的迹；
表示近似系数/>的协方差矩阵；
将所构成的K个滤波分解尺度下的协方差矩阵发送到伪迹去除层；
S22：伪迹去除层对协方差矩阵进行特征分解处理，其中每个协方差矩阵分解得到E个特征值以及对应的特征向量，将E个特征值构成对角矩阵，E个特征向量构成特征向量矩阵；
S23：初始化K个近似系数的主成分向量，每个主成分向量中包含M组主成分特征提取向量，其中所对应的主成分向量初始化形式为：
其中：
表示 />所对应的主成分向量初始化形式，/>表示主成分向量/>中第m组主成分特征提取向量初始化形式，/>；
S24：设置主成分向量的当前迭代次数为e，e的初始值为0，则所对应主成分向量的第e次迭代结果为/>，主成分向量/>中第m组主成分特征提取向量为/>；
S25：对主成分向量中的每组主成分特征提取向量进行迭代更新，若小于预设的阈值，则将/>作为 />的最终迭代得到的第m组主成分特征提取向量/>，并对其他组主成分特征提取向量进行迭代更新，否则对/>进行迭代：/>
其中：
为L1范数；
表示对协方差矩阵/>进行特征分解得到的特征向量矩阵，/>表示对协方差矩阵/>进行特征分解得到的对角矩阵；
令e=e+1，返回步骤S25；
S26：根据迭代更新得到的主成分特征提取向量，生成腿部神经信号的主成分近似系数/>：
其中：
表示去除伪迹信号的滤波分解尺度k下的主成分近似系数；
S27：特征提取层对K个主成分近似系数进行卷积特征提取处理，得到腿部神经信号的神经信号特征/>。
5.如权利要求4所述的一种微感反馈的智能膝盖康复护理方法，其特征在于，所述S27步骤中对K个主成分近似系数进行卷积特征提取处理，包括：
S271：生成主成分近似系数的卷积特征/>：
其中：
表示激活函数；
表示卷积计算过程中的权重参数，/>表示卷积计算过程中的偏置参数；
S272：生成滤波分解尺度1至k-1下的空间感知信息：
其中：
表示以自然常数为底的指数函数；
为/>函数；
表示空间感知信息计算过程中的权重参数；
S273：结合空间感知信息对卷积特征进行空间感知融合处理：
其中：
表示空间感知信息融合过程中的权重参数，/>表示空间感知信息融合过程中的偏置参数；
表示主成分近似系数/>的融合空间感知信息的卷积特征提取结果；
S274：令k=k+1，返回步骤S271，直到k=K，将作为腿部神经信号/>的神经信号特征/>。
6.如权利要求1所述的一种微感反馈的智能膝盖康复护理方法，其特征在于，所述S3步骤中构建康复步态校正模型，包括：
构建康复步态校正模型，所述康复步态校正模型以神经信号特征以及对应的步态姿势参数为输入，以膝盖护理校正参数为输出，其中康复步态校正模型包括输入层、校正参数映射层以及输出层，输入层用于接收N段腿部神经信号的神经信号特征以及对应的步态姿势参数，校正参数映射层用于将神经信号特征映射为校正参数，输出层将校正参数以及步态姿势参数进行对应组合，构成膝盖护理校正参数进行输出。
7.如权利要求6所述的一种微感反馈的智能膝盖康复护理方法，其特征在于，所述S3步骤中利用康复步态校正模型生成膝盖护理校正参数，包括：
利用康复步态校正模型生成膝盖护理校正参数，其中膝盖护理校正参数的生成流程为：
S31：输入层用于接收N段腿部神经信号的神经信号特征以及对应的步态姿势参数，其中所接收神经信号特征以及步态姿势参数集合为：
其中：
表示第n段腿部神经信号的神经信号特征以及对应的步态姿势参数；
S32：计算得到神经信号特征对应的参数调整步长/>：
其中：
表示神经信号特征/>的均值；
表示神经信号特征/>的标准差；
W表示特征映射矩阵；
S33：基于参数调整步长生成步态姿势参数/>对应的校正参数：
其中：
为步态姿势参数/>对应的校正参数；
S34：构成膝盖护理校正参数：。
8.如权利要求7所述的一种微感反馈的智能膝盖康复护理方法，其特征在于，所述S4步骤中根据膝盖护理校正参数，对患者步行过程中的腿部膝盖姿势进行实时校正，包括：
根据膝盖护理校正参数，对患者步行过程中的腿部膝盖姿势进行实时监测，其中腿部膝盖姿势包括膝盖的弯曲幅度以及弯曲速度，将监测结果作为步态姿势参数对膝盖护理校正参数进行遍历，遍历得到对应的校正参数，其中校正参数为校正后的膝盖弯曲幅度以及弯曲速度，根据校正参数提醒患者调整膝盖弯曲幅度以及弯曲速度。
9.一种微感反馈的智能膝盖康复护理装置，其特征在于，所述装置包括：
微感信号采集装置，用于采集患者腿部神经信号以及对应的步态姿势参数，并对采集的患者腿部神经信号进行滤波处理得到原发性神经信号；
信号特征提取模块，用于构建原发性神经信号特征提取模型对原发性神经信号进行特征提取，得到神经信号特征；
膝盖护理校正装置，用于构建康复步态校正模型，利用康复步态校正模型生成膝盖护理校正参数，对患者步行过程中的腿部膝盖姿势进行实时校正，以实现一种如权利要求1-8所述的微感反馈的智能膝盖康复护理方法。
CN202311727616.4A 2023-12-15 2023-12-15 一种微感反馈的智能膝盖康复护理方法与装置 Pending CN117672457A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311727616.4A CN117672457A (zh) 2023-12-15 2023-12-15 一种微感反馈的智能膝盖康复护理方法与装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311727616.4A CN117672457A (zh) 2023-12-15 2023-12-15 一种微感反馈的智能膝盖康复护理方法与装置

Publications (1)

Publication Number Publication Date
CN117672457A true CN117672457A (zh) 2024-03-08

Family

ID=90071277

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311727616.4A Pending CN117672457A (zh) 2023-12-15 2023-12-15 一种微感反馈的智能膝盖康复护理方法与装置

Country Status (1)

Country Link
CN (1) CN117672457A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109730672A (zh) * 2019-01-29 2019-05-10 郑州大学 一种用于多导联心电信号的特征提取方法及对应监测系统
KR20210041963A (ko) * 2019-10-08 2021-04-16 대구대학교 산학협력단 융합형 중증 장애자용 재활 장치
CN115830718A (zh) * 2023-02-14 2023-03-21 福建中医药大学 基于步态识别预测康复训练效果的数据处理系统
CN116671932A (zh) * 2023-06-06 2023-09-01 哈尔滨理工大学 一种基于小波及自适应滤波的抑郁症脑电信号提取方法
CN116779155A (zh) * 2023-02-08 2023-09-19 上海海每康智能医疗科技有限公司 一种多维度量化康复干预方法及其系统、介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109730672A (zh) * 2019-01-29 2019-05-10 郑州大学 一种用于多导联心电信号的特征提取方法及对应监测系统
KR20210041963A (ko) * 2019-10-08 2021-04-16 대구대학교 산학협력단 융합형 중증 장애자용 재활 장치
CN116779155A (zh) * 2023-02-08 2023-09-19 上海海每康智能医疗科技有限公司 一种多维度量化康复干预方法及其系统、介质
CN115830718A (zh) * 2023-02-14 2023-03-21 福建中医药大学 基于步态识别预测康复训练效果的数据处理系统
CN116671932A (zh) * 2023-06-06 2023-09-01 哈尔滨理工大学 一种基于小波及自适应滤波的抑郁症脑电信号提取方法

Similar Documents

Publication Publication Date Title
CN108904980B (zh) 基于脑电和功能性电刺激的上肢主动康复方法及装置
Hou et al. GCNs-net: a graph convolutional neural network approach for decoding time-resolved eeg motor imagery signals
CN107145744A (zh) 医学知识图谱的构建方法、装置及辅助诊断方法
Nguyen et al. EOG artifact removal using a wavelet neural network
CN107949321A (zh) 时域干扰去除和改进的心率测量跟踪机理
CN109784412A (zh) 用于步态分类的基于深度学习的多传感器信号融合方法
EP3764881A1 (en) Systems and methods for assessment of a musculoskeletal profile of a target individual
CN116942149B (zh) 基于毫米波雷达的腰椎监控方法、装置、设备及存储介质
CN110710976A (zh) 个性化步态生成方法存储介质、控制系统及外骨骼机器人
CN116311539B (zh) 基于毫米波的睡眠动作捕捉方法、装置、设备及存储介质
CN109284761A (zh) 一种图像特征提取方法、装置、设备及可读存储介质
CN110141215A (zh) 降噪自编码器的训练方法、心电信号的降噪方法及相关装置、设备
Zheng et al. Wrist angle estimation with a musculoskeletal model driven by electrical impedance tomography signals
CN117672457A (zh) 一种微感反馈的智能膝盖康复护理方法与装置
CN117524427A (zh) 一种智能化医学影像分析方法
CN107944754A (zh) 康复治疗质量评定的方法、装置、存储介质及电子设备
CN115268531B (zh) 一种智能浴缸的水流调温控制方法、装置、设备及存储介质
CN117055726A (zh) 一种脑机交互的微运动控制方法
CN115841863A (zh) 康复训练计划生成和康复训练系统
TWI657800B (zh) 步態分析方法與系統
Staszuk et al. Telerehabilitation approach for patients with hand impairment
CN115154828A (zh) 一种基于脑机接口技术的大脑功能重塑方法、系统、设备
CN110507336B (zh) 一种用于颈椎监护与矫正的个性化方法
CN116687357B (zh) 基于毫米波雷达的睡眠监测方法、装置、设备及存储介质
CN116304585B (zh) 情感识别及模型训练方法、装置、电子设备及存储介质

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