CN117912669A - 一种康复状态大数据分析预判方法及系统 - Google Patents
一种康复状态大数据分析预判方法及系统 Download PDFInfo
- Publication number
- CN117912669A CN117912669A CN202311702735.4A CN202311702735A CN117912669A CN 117912669 A CN117912669 A CN 117912669A CN 202311702735 A CN202311702735 A CN 202311702735A CN 117912669 A CN117912669 A CN 117912669A
- Authority
- CN
- China
- Prior art keywords
- rehabilitation
- model
- big data
- data analysis
- data
- 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
- 238000007405 data analysis Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 56
- 230000001225 therapeutic effect Effects 0.000 claims abstract description 16
- 238000003958 fumigation Methods 0.000 claims abstract description 4
- 230000000638 stimulation Effects 0.000 claims abstract description 4
- 238000011156 evaluation Methods 0.000 claims description 42
- 238000004393 prognosis Methods 0.000 claims description 22
- 238000009826 distribution Methods 0.000 claims description 12
- 238000013136 deep learning model Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000014509 gene expression Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000002560 therapeutic procedure Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 23
- 238000004458 analytical method Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 abstract description 5
- 238000011160 research Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000036541 health Effects 0.000 description 5
- 238000011084 recovery Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000012827 research and development Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 235000014347 soups Nutrition 0.000 description 1
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请涉及医疗康复技术领域,具体而言,涉及一种康复状态大数据分析预判方法及系统,一定程度上可以解决现有产品功能有限,难以对有康复照护需求的用户实现全周期、全方位的康复状态监控、分析与评估的问题。该系统包括:云服务器、客户端、数据传输器、康复训练机器;所述云服务器包括数据库及康复状态大数据分析预判模型,所述客户端包括患者端及医护端;所述数据传输器为多模态数据采集仪器,包括摄像头、麦克风、压力传感器、肌电采集仪器、惯性传感器;所述康复训练仪器包括康复机器人、电刺激治疗仪、超声波治疗仪、低频脉冲治疗仪及熏蒸治疗仪。
Description
技术领域
本申请涉及医疗康复技术领域,具体而言,涉及一种康复状态大数据分析预判方法及系统。
背景技术
目前针对弱能老人的康复照护,健康监测技术多为单一指标的检测,尚未开发出可以实现准确且多方位、多场景的康复状态监测系统,同时,由于个体差异性和年龄差异,弱能老人表现出不同的身体状况、运动能力和康复进度,如何设计多诱因状态下个性与共性融合的自主学习照护康复状态预判与康复指导给予系统,实现多用户、多场景的交互式数据共享,以及康复机器人运行参数选择和智能适配技术是目前面临的难点。
针对多模态、多场景下的康复患者的康复信息,建立基于大数据的照护康复状态预判模型;开发多诱因状态下个性与共性融合的自主学习照护康复状态预判与康复指导给予系统,将评估结果共享到云端或服务器储存,实现多用户、多场景的交互式数据共享,指导康复机器人实施准确的康复辅助行为;搭建海量数据管理系统,通过对数据的清洗和分类,实现康复信息的更新与管理;搭建链接医生、康复专家、病患、家属等多用户端,支持电脑终端、移动端、智能终端等的康复监控与交互平台,实现对患者康复信息的实时传输、监控、评估、管理及反向干预,构成“康复评估-指导-康复运动实施-康复评估”的闭环。
现有研究中,对于多模态多场景康复信息综合监控的研究还处于初步阶段,大多是针对单一场景和离线的多模态数据融合分析,基于参数自学习的多场景多模态康复信息的研究较为不足。在大数据分析平台研发方面,虽然大部分已进入市场,但产品功能有限,对于高度集成一体化的多功能、多模态、多场景康复综合监控的大数据分析平台研究尚处于起步阶段,难以对有康复照护需求的用户实现全周期、全方位的康复状态监控、分析与评估。
发明内容
为了解决现有产品功能有限,难以对有康复照护需求的用户实现全周期、全方位的康复状态监控、分析与评估的问题,本申请提供了一种康复状态大数据分析预判方法及系统。
本申请的实施例是这样实现的:
第一方面,本申请提供一种康复状态大数据分析预判系统,包括:云服务器、客户端、数据传输器、康复训练机器;
所述云服务器包括数据库及康复状态大数据分析预判模型,所述数据库用于加密存储弱能老人的多模态数据、康复评估数据以及相关的个人信息,所述康复状态大数据分析预判模型根据所述数据库进行学习与训练;
所述客户端包括患者端及医护端,所述患者端用于支持患者在线查看自己的康复评估状态,待完成或已完成的康复训练任务,生成的康复处方及其它康复信息,所述医护端开放给医生与护工使用,用于查看患者的情况以及下达的康复处方,用于人工的二次确认;
所述数据传输器为多模态数据采集仪器,包括摄像头、麦克风、压力传感器、肌电采集仪器、惯性传感器,所采集的信号通过蓝牙或WIFI传至所述云服务器,用于模型测试训练;
所述康复训练仪器包括康复机器人、电刺激治疗仪、超声波治疗仪、低频脉冲治疗仪及熏蒸治疗仪,在生成康复处方后,系统会使用对应康复仪器进行康复治疗。
在一种可能的实现方式中,所述康复状态大数据分析预判模型将收集的大数据病患数据与阶段康复数据的基础上,通过神经网络算法开发,迭代得到共性化的病患预判和康复评测模型;
基于采集弱能老人的个体多模态数据,自主学习评估算法,即在康复评估算法的基础上,通过大样本量的康复数据实现自主学习、迭代优化获得更加准确的康复评价算法;
并根据评估结果,系统的平台会匹配相应康复处方,来用对应的康复治疗设备进行康复治疗,同时为康复机器人设置匹配的训练任务与时长。
在一种可能的实现方式中,所述康复状态大数据分析预判模型是一个不断能够喂入大数据量而迭代的模型,也是一个预期准确率不断提高的模型。
在一种可能的实现方式中,所述康复机器为穿戴的外骨骼机器人,在接收到康复状态大数据分析预判模型下达的康复训练任务后,辅助患者进行蹲、起、行走等训练任务。
在一种可能的实现方式中,所述摄像头用于采集表情及手势,所述麦克风用于采集语音,所述压力传感器用于采集足底压力,所述肌电采集仪器用于采集表面肌电信号,所述惯性传感器用于采集关节角度。
第二方面,本申请提供一种康复状态大数据分析预判方法,包括:
获取多模态数据,并将多模态数据输入云服务器中;
选择适合的深度学习模型,并根据所述多模态数据对选定的模型进行训练及评估,计算其准确率、召回率、F1值等指标,评估模型的性能;
在模型训练和评估完成后,将模型应用于实际的康复状态评估中。
在一种可能的实现方式中,所述获取多模态数据,并将多模态数据输入云服务器中,进一步包括:
采集患者个体的多模态数据;
对所述多模态数据数据进行预处理,确保数据的质量和可用性;
将预处理后的多模态数据传输至云服务器中。
在一种可能的实现方式中,所述预处理包括数据清洗、去噪、缺失值处理、特征提取。
在一种可能的实现方式中,所述深度学习模型,包括卷积神经网络、循环神经网络、长短时记忆网络。
在一种可能的实现方式中,所述选择适合的深度学习模型,并根据所述多模态数据对选定的模型进行训练及评估,计算其准确率、召回率、F1值等指标,评估模型的性能还包括:
基于所述多模态数据,融合地区分布、年龄分布、病因分布、康复阶段分布等多影响因子。将所述多模态数据划分为训练集和测试集;
使用训练集对选定的模型进行训练,通过反向传播算法不断优化模型参数,使其更好地拟合数据;
使用测试集对训练好的模型进行评估,计算其准确率、召回率、F1值等指标,评估模型的性能。
本申请提供的技术方案至少可以达到以下有益效果:
本申请提供的康复状态大数据分析预判方法,相比于市面上的单模态数据评估与检测,通过采用多模态数据,通过大样本量的康复数据实现自主学习、迭代优化获得更加准确的康复评价算法,康复评估结果更加全面、准确,弥补单个样本或小样本量评估结果的不足,在进行评估后根据评估结果,系统的平台会匹配相应康复处方,来用对应的康复治疗设备进行康复治疗,同时为康复机器人设置匹配的训练任务与时长。同时也支持患者和医护人员在APP端进行查看。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一示例性实施例示出的一种康复状态大数据分析预判系统的框架示意图;
图2是本申请一示例性实施例示出的一种康复状态大数据分析预判系统的数据传输途径示意图;
图3是本申请一示例性实施例示出的康复状态大数据分析预判模型算法的实现方法流程示意图;
图4是本申请一示例性实施例示出的康复状态大数据分析预判模型的训练流程示意图;
图5是本申请一示例性实施例示出的一种康复状态大数据分析预判方法的流程示意图;
图6是本申请一示例性实施例示出的获取多模态数据的流程示意图;
图7是本申请一示例性实施例示出的深度学习模型训练及评估的流程示意图。
具体实施方式
为了使本申请的目的、实施方式和优点更加清楚明白,下面将结合本申请示例性实施例中的附图,对本申请示例性实施方式进行清楚、完整地描述,显然,所描述的示例性实施例仅是本申请一部分实施例,而不是全部的实施例,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。
需要说明的是,本申请中对于术语的简要说明,仅是为了方便理解接下来描述的实施方式,而不是意图限定本申请的实施方式。除非另有说明,这些术语应当按照其普通和通常的含义理解。
本申请中说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别类似或同类的对象或实体,而不必然意味着限定特定的顺序或先后次序,除非另外注明。应该理解这样使用的用语在适当情况下可以互换。
术语“包括”和“具有”以及他们的任何变形,意图在于覆盖但不排他的包含,例如,包含了一系列组件的产品或设备不必限于清楚地列出的所有组件,而是可包括没有清楚地列出的或对于这些产品或设备固有的其它组件。
在对本申请实施例提供的康复状态大数据分析预判方法进行解释说明之前,先对本申请实施例的应用场景和实施环境进行介绍。
目前针对弱能老人的康复照护,健康监测技术多为单一指标的检测,尚未开发出可以实现准确且多方位、多场景的康复状态监测系统,同时,由于个体差异性和年龄差异,弱能老人表现出不同的身体状况、运动能力和康复进度,如何设计多诱因状态下个性与共性融合的自主学习照护康复状态预判与康复指导给予系统,实现多用户、多场景的交互式数据共享,以及康复机器人运行参数选择和智能适配技术是目前面临的难点。
针对多模态、多场景下的康复患者的康复信息,建立基于大数据的照护康复状态预判模型;开发多诱因状态下个性与共性融合的自主学习照护康复状态预判与康复指导给予系统,将评估结果共享到云端或服务器储存,实现多用户、多场景的交互式数据共享,指导康复机器人实施准确的康复辅助行为;搭建海量数据管理系统,通过对数据的清洗和分类,实现康复信息的更新与管理;搭建链接医生、康复专家、病患、家属等多用户端,支持电脑终端、移动端、智能终端等的康复监控与交互平台,实现对患者康复信息的实时传输、监控、评估、管理及反向干预,构成“康复评估-指导-康复运动实施-康复评估”的闭环。
围绕康复大数据分析及康复信息综合监控方面,国内外多家机构已取得了一系列进展,如以色列维特尔数字医疗开发了维特尔智能健康云防护系统,能够为医疗护理保健者进行主动持续监护及预警防护。
美国Zemplee公司,通过AI传感器和设备来捕捉健康数据,检查老人日常生活,实现对老年人的远程监控;商汤科技建立了面向不同医院场景的SenseCare智慧医院,形成覆盖智慧诊疗、智慧就医、智慧管理、智慧科研、智慧医联体等多场景、多应用的平台体系;华唯科技开发了康复数字化管理系统,通过信息化手段实现对康复全过程的有效指导和监控,对康复数据的有效管理和应用。
国外主要机构及典型成果
国内主要机构及典型成果
现有研究中,对于多模态多场景康复信息综合监控的研究还处于初步阶段,大多是针对单一场景和离线的多模态数据融合分析,基于参数自学习的多场景多模态康复信息的研究较为不足。在大数据分析平台研发方面,虽然大部分已进入市场,但产品功能有限,对于高度集成一体化的多功能、多模态、多场景康复综合监控的大数据分析平台研究尚处于起步阶段,难以对有康复照护需求的用户实现全周期、全方位的康复状态监控、分析与评估。
与国外企业相比较,国内企业在康复大数据方面的研究集中在康复大数据软件或应用软件的开发上,对于各种康复大数据处理的算法、结合传感器与硬件等综合性系统方面的研究相比国外仍很薄弱。现有研究中,对于多模态多场景康复信息综合监控的研究还处于初步阶段,大多是针对单一场景和离线的多模态数据融合分析,基于参数自学习的多场景多模态康复信息的研究较为不足,在大数据分析平台研发方面,虽然大部分已进入市场,但产品功能有限,对于高度集成一体化的多功能、多模态、多场景康复综合监控的大数据分析平台研究尚处于起步阶段,难以对有康复照护需求的用户实现全周期、全方位的康复状态监控、分析与评估。
基于此,本申请提供了一种康复状态大数据分析预判方法及系统,包括:云服务器(数据库和康复状态大数据分析预判模型)、客户端(PC端和APP端)、用于康复训练的机器人、以及其他用于数据传输的硬件系统和相关康复训练仪器。
其康复状态大数据分析预判模型搭载在云服务器上进行学习、训练。将收集的大数据病患数据(个性)与阶段康复数据的基础上,通过神经网络算法开发,迭代得到共性化的病患(行为)预判和康复评测模型,是一个不断能够喂入大数据量而迭代的模型,也是一个预期准确率不断提高的模型。
接下来,将通过实施例并结合附图具体地对本申请的技术方案,以及本申请的技术方案如何解决上述技术问题进行详细说明。各实施例之间可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。显然,所描述的实施例是本申请实施例一部分实施例,而不是全部的实施例。
图1是本申请一示例性实施例示出的一种康复状态大数据分析预判系统的框架示意图。
在一个示例性实施例中,如图1所示,提供了一种康复状态大数据分析预判系统,本实施例中,该系统可以包括:云服务器(数据库和康复状态大数据分析预判模型)、客户端(PC端和APP端)、数据传输器及康复训练机器。
在一种可能的实现方式中,云服务器包括:
数据库:用来加密存储弱能老人的多模态数据、康复评估数据以及相关的个人信息,支持康复恢复情况的全程追踪。
康复状态大数据分析预判模型:搭载在云服务器上进行学习、训练。将收集的大数据病患数据(个性)与阶段康复数据的基础上,通过神经网络算法开发,迭代得到共性化的病患(行为)预判和康复评测模型,是一个不断能够喂入大数据量而迭代的模型,也是一个预期准确率不断提高的模型。会根据采集弱能老人的个体多模态数据,自主学习评估算法,即在康复评估算法的基础上,通过大样本量的康复数据实现自主学习、迭代优化获得更加准确的康复评价算法,康复评估结果更加全面、准确,弥补单个样本或小样本量评估结果的不足,后期患者可以通过一基于小样本量算法更新后的算法就可以获得更加准确的康复评估结果。并根据评估结果,系统的平台会匹配相应康复处方,来用对应的康复治疗设备进行康复治疗,同时为康复机器人设置匹配的训练任务与时长。
在一种可能的实现方式中,客户端包括:
根据使用平台分为手机端和电脑端,根据使用用户又分为患者端与医护端。患者端支持患者在线查看自己的康复评估状态,待完成或已完成的康复训练任务,生成的康复处方及其它康复信息。医护端只开放给医生与护工使用,用于查看患者的情况以及下达的康复处方,用于人工的二次确认。
在一种可能的实现方式中,数据传输器为多模态数据采集仪器,包括摄像头(采集表情、手势)、麦克风(采集语音),压力传感器(采集足底压力)、肌电采集仪器(采集表面肌电信号)、惯性传感器(采集关节角度)。采集的信号通过蓝牙或WIFI传至云服务器,用于模型测试训练。
在一种可能的实现方式中,康复训练机器包括:
康复机器人:一般为穿戴的外骨骼机器人,在接收到康复状态大数据分析预判模型下达的康复训练任务后,辅助患者进行蹲、起、行走等训练任务。
康复训练仪器:包括电刺激治疗仪,超声波治疗仪,低频脉冲治疗仪,熏蒸治疗仪等,在生成康复处方后,系统会使用对应康复仪器进行康复治疗。
可以看出,如图3所示,本申请的一些实施例中,随着个体多模态数据(表情、手势、语音,足底压力、表面肌电信号、关节角度)的不断积累,不断完善云服务器的数据库,系统会不断增强个性化建模,定期评估深度学习大数据分析系统的个体适应性,在康复方案和康复训练的评估和指导上根据算法相应的调整具体的训练方案。
该系统会根据采集弱能老人的个体多模态数据,自主学习评估算法,即在康复评估算法的基础上,通过大样本量的康复数据实现自主学习、迭代优化获得更加准确的康复评价算法,康复评估结果更加全面、准确,弥补单个样本或小样本量评估结果的不足,后期患者可通过一基于小样本量算法更新后的算法就可以获得更加准确的康复评估结果。根据评估结果,系统平台会匹配相应康复处方,来用对应的康复治疗设备进行康复治疗,同时为康复机器人设置匹配的训练任务与时长。
应该理解的是,虽然上述实施例所涉及的流程图中的各个步骤按照指示依次显示,但是这些步骤并不是必然按照指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
与前述康复状态大数据分析预判系统的实施例相对应,采用相同的技术构思,本申请还提供了康复状态大数据分析预判方法的实施例。
图2是本申请一示例性实施例示出的一种康复状态大数据分析预判系统的数据传输途径示意图,图5是本申请一示例性实施例示出的一种康复状态大数据分析预判方法的流程示意图。
在一个示例性实施例中,如图2及图5所示,该康复状态大数据分析预判方法包括:
步骤100:获取多模态数据,并将多模态数据输入云服务器中。
步骤200:选择适合的深度学习模型,如卷积神经网络、循环神经网络、长短时记忆网络,并根据所述多模态数据对选定的模型进行训练及评估,计算其准确率、召回率、F1值等指标,评估模型的性能。
步骤300:在模型训练和评估完成后,将模型应用于实际的康复状态评估中。
图3是本申请一示例性实施例示出的康复状态大数据分析预判模型算法的实现方法流程示意图,图6是本申请一示例性实施例示出的获取多模态数据的流程示意图。
在一种可能的实现方式中,如图3及6所示,所述获取多模态数据,并将多模态数据输入云服务器中,进一步包括:
步骤110:采集患者个体的多模态数据。
步骤120:对所述多模态数据数据进行预处理,所述预处理包括数据清洗、去噪、缺失值处理、特征提取,确保数据的质量和可用性。
步骤130:将预处理后的多模态数据传输至云服务器中。
图4是本申请一示例性实施例示出的康复状态大数据分析预判模型的训练流程示意图,图7是本申请一示例性实施例示出的深度学习模型训练及评估的流程示意图。
在一种可能的实现方式中,如图4及图7所示,所述选择适合的深度学习模型,并根据所述多模态数据对选定的模型进行训练及评估,计算其准确率、召回率、F1值等指标,评估模型的性能还包括:
步骤210:基于所述多模态数据,融合地区分布、年龄分布、病因分布、康复阶段分布等多影响因子。将所述多模态数据划分为训练集和测试集。
步骤220:使用训练集对选定的模型进行训练,通过反向传播算法不断优化模型参数,使其更好地拟合数据。
步骤230:使用测试集对训练好的模型进行评估,计算其准确率、召回率、F1值等指标,评估模型的性能。
关于康复状态大数据分析预判方法的具体限定可以参见上文中对于康复状态大数据分析预判系统的限定,在此不再赘述。
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。
以上所述的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 (10)
1.一种康复状态大数据分析预判方法系统,其特征在于,包括:云服务器、客户端、数据传输器、康复训练机器;
所述云服务器包括数据库及康复状态大数据分析预判模型,所述数据库用于加密存储弱能老人的多模态数据、康复评估数据以及相关的个人信息,所述康复状态大数据分析预判模型根据所述数据库进行学习与训练;
所述客户端包括患者端及医护端,所述患者端用于支持患者在线查看自己的康复评估状态,待完成或已完成的康复训练任务,生成的康复处方及其它康复信息,所述医护端开放给医生与护工使用,用于查看患者的情况以及下达的康复处方,用于人工的二次确认;
所述数据传输器为多模态数据采集仪器,包括摄像头、麦克风、压力传感器、肌电采集仪器、惯性传感器,所采集的信号通过蓝牙或WIFI传至所述云服务器,用于模型测试训练;
所述康复训练仪器包括康复机器人、电刺激治疗仪、超声波治疗仪、低频脉冲治疗仪及熏蒸治疗仪,在生成康复处方后,系统会使用对应康复仪器进行康复治疗。
2.如权利要求1所述的康复状态大数据分析预判系统,其特征在于,
所述康复状态大数据分析预判模型将收集的大数据病患数据与阶段康复数据的基础上,通过神经网络算法开发,迭代得到共性化的病患预判和康复评测模型;
基于采集弱能老人的个体多模态数据,自主学习评估算法,即在康复评估算法的基础上,通过大样本量的康复数据实现自主学习、迭代优化获得更加准确的康复评价算法;
并根据评估结果,系统的平台会匹配相应康复处方,来用对应的康复治疗设备进行康复治疗,同时为康复机器人设置匹配的训练任务与时长。
3.如权利要求1所述的康复状态大数据分析预判系统,其特征在于,所述康复状态大数据分析预判模型是一个不断能够喂入大数据量而迭代的模型,也是一个预期准确率不断提高的模型。
4.如权利要求1所述的康复状态大数据分析预判系统,其特征在于,所述康复机器为穿戴的外骨骼机器人,在接收到康复状态大数据分析预判模型下达的康复训练任务后,辅助患者进行蹲、起、行走等训练任务。
5.如权利要求1所述的康复状态大数据分析预判方法,其特征在于,所述摄像头用于采集表情及手势,所述麦克风用于采集语音,所述压力传感器用于采集足底压力,所述肌电采集仪器用于采集表面肌电信号,所述惯性传感器用于采集关节角度。
6.一种康复状态大数据分析预判方法,其特征在于,包括:
获取多模态数据,并将多模态数据输入云服务器中;
选择适合的深度学习模型,并根据所述多模态数据对选定的模型进行训练及评估,计算其准确率、召回率、F1值等指标,评估模型的性能;
在模型训练和评估完成后,将模型应用于实际的康复状态评估中。
7.如权利要求6所述的康复状态大数据分析预判方法,其特征在于,所述获取多模态数据,并将多模态数据输入云服务器中,进一步包括:
采集患者个体的多模态数据;
对所述多模态数据数据进行预处理,确保数据的质量和可用性;
将预处理后的多模态数据传输至云服务器中。
8.如权利要求7所述的康复状态大数据分析预判方法,其特征在于,所述预处理包括数据清洗、去噪、缺失值处理、特征提取。
9.如权利要求6所述的康复状态大数据分析预判方法,其特征在于,所述深度学习模型,包括卷积神经网络、循环神经网络、长短时记忆网络。
10.如权利要求6所述的康复状态大数据分析预判方法,其特征在于,所述选择适合的深度学习模型,并根据所述多模态数据对选定的模型进行训练及评估,计算其准确率、召回率、F1值等指标,评估模型的性能还包括:
基于所述多模态数据,融合地区分布、年龄分布、病因分布、康复阶段分布等多影响因子。将所述多模态数据划分为训练集和测试集;
使用训练集对选定的模型进行训练,通过反向传播算法不断优化模型参数,使其更好地拟合数据;
使用测试集对训练好的模型进行评估,计算其准确率、召回率、F1值等指标,评估模型的性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311702735.4A CN117912669A (zh) | 2023-12-11 | 2023-12-11 | 一种康复状态大数据分析预判方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311702735.4A CN117912669A (zh) | 2023-12-11 | 2023-12-11 | 一种康复状态大数据分析预判方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117912669A true CN117912669A (zh) | 2024-04-19 |
Family
ID=90688047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311702735.4A Pending CN117912669A (zh) | 2023-12-11 | 2023-12-11 | 一种康复状态大数据分析预判方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117912669A (zh) |
-
2023
- 2023-12-11 CN CN202311702735.4A patent/CN117912669A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Majumder et al. | An energy efficient wearable smart IoT system to predict cardiac arrest | |
KR102166010B1 (ko) | 얼굴인식을 이용한 인지장애 판단 방법 및 시스템 | |
CN108430570B (zh) | 从可植入医疗装置获取高分辨率信息 | |
CN109119130A (zh) | 一种基于云计算的大数据健康管理系统及方法 | |
CN109087706B (zh) | 基于睡眠大数据的人体健康评估方法及评估系统 | |
CN110301012A (zh) | 使用增强现实提供关于医疗保健程序和系统性能的辅助信息 | |
WO2017147552A9 (en) | Multi-format, multi-domain and multi-algorithm metalearner system and method for monitoring human health, and deriving health status and trajectory | |
CN107729929A (zh) | 用于获取信息的方法及装置 | |
CN109659017A (zh) | 一种预测、分配医生就诊量的智慧医疗系统 | |
CN105808946A (zh) | 基于云计算的远程移动医疗系统 | |
CN107803843A (zh) | 一种基于树莓派的人体健康监测机器人 | |
CN109512384A (zh) | 头皮检测设备 | |
Akrivopoulos et al. | Utilising fog computing for developing a person-centric heart monitoring system | |
CN104392404A (zh) | 远程高血压管理平台及实现方法 | |
WO2018087286A1 (en) | Methods and apparatuses for handgrip strength assessment using pressure-sensitive elements | |
Shao et al. | Comparison Analysis of Different Time‐Scale Heart Rate Variability Signals for Mental Workload Assessment in Human‐Robot Interaction | |
Khovrichev et al. | Intelligent approach for heterogeneous data integration: Information processes analysis engine in clinical remote monitoring systems | |
CN117912669A (zh) | 一种康复状态大数据分析预判方法及系统 | |
CN116741368A (zh) | 一种医用诊疗系统完善优化系统 | |
Lv et al. | Edge-Cloud-Based wearable computing for automation empowered virtual rehabilitation | |
EP4113535A1 (en) | Remote monitoring methods and systems for monitoring patients suffering from chronical inflammatory diseases | |
Chiriac et al. | Towards combining validation concepts for short and long-term ambient health monitoring | |
CN114093450A (zh) | 一种基于可穿戴设备的慢病管理系统及方法 | |
CN114792570A (zh) | 一种基于多中心研究的单病种筛查系统 | |
Rahman et al. | mdebugger: Assessing and diagnosing the fidelity and yield of mobile sensor data |
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 |