本发明涉及一种康复训练参数确定方法、装置、电子设备及系统,属于智能评估领域。
背景技术:
在临床上,医生仅依靠感觉和经验对用户的肢体运动恢复情况进行评估,然后根据主观评估结果确定用户后续的康复训练强度、频率等训练参数。
由于医生评估结果仅凭经验进行主观判断,容易导致给出的康复训练参数与用户康复情况不符的问题,影响用户康复,因此亟需一种能够较为客观准确地确定用户后续康复训练参数的方法。
技术实现要素:
本发明的技术解决问题是:针对现有技术中存在的问题,提出一种下肢外骨骼康复训练参数确定方法、装置、电子设备及系统,能够较为客观准确地确定用户后续康复训练参数。
为实现上述发明目的,本发明提供如下技术方案:
一种康复训练参数确定方法,包括:
获取用户肢体表面肌电信号和运动功能评定信息;
根据所述表面肌电信号,确定用户肢体运动状态信息;
根据预设的模糊神经网络模型,将所述肢体运动状态信息和运动功能评定信息转化成康复训练参数信息。
在一可选实施例中,所述预设的模糊神经网络模型为Takagi-Sugeno模糊神经网络模型。
在一可选实施例中,所述运动功能评定信息包括运动功能评定值,所述获取运动功能评定信息,包括:
显示运动功能评定量表,以使用户根据所述运动功能评定量表确定运动功能评定值;
获取所述用户输入的所述运动功能评定值。
在一可选实施例中,所述运动功能评定量表包括髋关节屈伸功能与分值的对应关系、膝关节屈伸功能与分值的对应关系、踝关节屈伸功能与分值的对应关系、直线运动功能与分值的对应关系、蹬自行车运动功能与分值的对应关系及8字形运动功能与分值的对应关系;所述运动功能评定信息包括髋关节屈伸评定值、膝关节屈伸评定值、踝关节屈伸评定值、直线运动评定值、蹬自行车运动评定值及8字形运动评定值。
在一可选实施例中,所述表面肌电信号包括多块肌肉的肌电信号,所述肢体运动状态信息包括多种肢体运动的状态信息,且所述多块肌肉与所述多种肢体运动一一对应,所述根据所述表面肌电信号,确定用户肢体运动状态信息,包括:
根据所述多块肌肉的肌电信号,确定所述多块肌肉对应的肌电图波幅的均方根值;
将确定的所述多块肌肉对应的肌电图波幅的均方根值,作为所述多种肢体运动的状态信息。
在一可选实施例中,所述多种肢体运动包括髋关节屈伸、膝关节屈伸、踝关节屈伸、直线运动、蹬自行车运动与8字形运动。
在一可选实施例中,所述模糊神经网络模型为:
其中:
αj为所述用户肢体运动状态信息与运动功能评定信息对第j条模糊规则的适应度,yj是所述用户肢体运动状态信息与运动功能评定信息在第j条模糊规则的输出,m是模糊规则的数量,y为康复训练参数。
在一可选实施例中,所述康复训练参数信息包括训练强度、训练周期、训练时间间隔及训练次数。
一种康复训练参数确定装置,包括:
获取模块,用于获取用户肢体表面肌电信号和运动功能评定信息;
确定模块,用于根据所述表面肌电信号,确定用户肢体运动状态信息;
转化模块,用于根据预设的模糊神经网络模型,将所述肢体运动状态信息和运动功能评定信息转化成康复训练参数信息。
一种电子设备,包括存储器和处理器,所述存储器用于存储一条或多条计算机指令;所述处理器执行所述一条或多条计算机指令,以用于:
获取用户肢体表面肌电信号和运动功能评定信息;
根据所述表面肌电信号,确定用户肢体运动状态信息;
根据预设的模糊神经网络模型,将所述肢体运动状态信息和运动功能评定信息转化成康复训练参数信息。
一种康复训练参数确定系统,包括康复训练参数确定装置及表面肌电信号传感器,所述表面肌电信号传感器用于采集并发送用户肢体表面肌电信号,所述康复训练参数确定装置包括获取模块、确定模块及转化模块,所述获取模块用于获取所述表面肌电信号传感器发送的用户肢体表面肌电信号和运动功能评定信息,所述确定模块用于根据所述表面肌电信号确定用户肢体运动状态信息,所述转化模块用于根据预设的模糊神经网络模型将所述肢体运动状态信息和运动功能评定信息转化成康复训练参数信息。
本发明具有如下有益效果:
本发明实施例提供的康复训练参数确定方法,通过获取用户的肢体表面肌电信号,确定用户当前的肢体运动状态信息,采用模糊神经网络模型将肢体运动状态信息和运动功能评定信息量化成用户当前康复训练参数信息,使得到的康复训练参数信息客观、准确,避免了主观误判导致的训练效果不理想等问题。
附图说明
图1为本发明实施例提供的康复训练参数确定方法流程图;
图2为本发明实施例提供的康复训练参数确定装置结构示意图;
图3为本发明实施例提供的自适应模糊神经网络模型结构图形。
具体实施方式
参见图1,本发明实施例提供了一种康复训练参数确定方法,包括:
步骤101:获取用户肢体表面肌电信号和运动功能评定信息;
具体地,本发明实施例中表面肌电信号可以通过表面肌电传感器获得,所述运动功能评定信息可以包括根据现有单关节和/或多关节的运动功能评定量表评定所得评定值,所述量表可以包括肌张力、关节力矩、关节角度等运动功能参数区间及其对应的评定值,也可以包括关节运动状态与其对应的评定值,本发明不做限定,所述运动例如关节屈伸、肢体直线运动、肢体蹬自行运动等,对应的运动状态例如能进行、微弱进行、不能进行等状态,本发明实施例中,优选Fugl-Meyer运动功能评定量表;
在一可选实施例中,所述获取运动功能评定信息,包括:显示运动功能评定量表,以使用户根据所述运动功能评定量表确定运动功能评定值;获取所述用户输入的所述运动功能评定值;本发明实施例中,用户既可以是医生也可以是患者本人,优选医生;通过显示功能评定量表,使用户根据量表提示给出客观运动功能评价信息,进一步提高了康复训练参数信息的准确、可靠性。
在一具体实施例中,所述运动功能评定量表包括髋关节屈伸功能与分值的对应关系、膝关节屈伸功能与分值的对应关系、踝关节屈伸功能与分值的对应关系、直线运动功能与分值的对应关系、蹬自行车运动功能与分值的对应关系及8字形运动功能与分值的对应关系;所述运动功能评定信息包括髋关节屈伸评定值、膝关节屈伸评定值、踝关节屈伸评定值、直线运动评定值、蹬自行车运动评定值及8字形运动评定值,例如表1所示:
表1运动功能评定量表
步骤102:根据所述表面肌电信号,确定用户肢体运动状态信息;
具体地,所述肢体运动状态信息可以为肢体运动的强度、幅度或角度等参数值,可以根据表面肌电信号的大小来确定各参数值。在一可选实施例中,所述表面肌电信号包括多块肌肉的肌电信号,所述肢体运动状态信息包括多种肢体运动的状态信息,且所述多块肌肉与所述多种肢体运动一一对应,所述根据所述表面肌电信号,确定用户肢体运动状态信息,包括:根据所述多块肌肉的肌电信号,确定所述多块肌肉对应的肌电图波幅的均方根值(RMS);将确定的所述多块肌肉对应的肌电图波幅的均方根值,作为所述多种肢体运动的状态信息。由于肌电图波幅均方根值的波形与肌电信号的线性包络波形类似,在时间维度上反映着信号的振幅变化特征,其值与运动单元募集和兴奋节律的同步化相关,取决于肌肉负荷性因素和肌肉本身的生理、生化过程之间的内在联系,因其具有较好的实时性而常被用于描述肌肉活动状态;
步骤103:根据预设的模糊神经网络模型,将所述肢体运动状态信息和运动功能评定信息转化成康复训练参数信息。
具体地,本发明实施例中,所述模糊神经网络模型可以为Takagi-Sugeno模糊神经网络模型、Mamdani模型、BP神经网络模型等,优选Takagi-Sugeno模糊神经网络模型,该模型计算简单,利于数学分析,为具有自适应能力的模糊神经网络模型。
本发明实施例提供的康复训练参数确定方法,通过获取用户的肢体表面肌电信号,确定用户当前的肢体运动状态信息,采用模糊神经网络模型将肢体运动状态信息和运动功能评定信息量化成用户当前康复训练参数信息,使得到的康复训练参数信息客观、准确,避免了主观误判导致的训练效果不理想等问题。
在一可选实施例中,所述康复训练参数信息包括训练强度、训练周期、训练时间间隔及训练次数。
参见图2,本发明实施例还提供了一种康复训练参数确定装置,包括:
获取模块10,用于获取用户肢体表面肌电信号和运动功能评定信息;
确定模块20,用于根据所述表面肌电信号,确定用户肢体运动状态信息;
转化模块30,用于根据预设的模糊神经网络模型,将所述肢体运动状态信息和运动功能评定信息转化成康复训练参数信息。
本发明装置实施例与方法实施例一一对应,具体描述参见方法实施例,在此不再赘述;
本发明实施例还提供了一种电子设备,包括存储器和处理器,所述存储器用于存储一条或多条计算机指令;所述处理器执行所述一条或多条计算机指令,以用于:
获取用户肢体表面肌电信号和运动功能评定信息;
根据所述表面肌电信号,确定用户肢体运动状态信息;
根据预设的模糊神经网络模型,将所述肢体运动状态信息和运动功能评定信息转化成康复训练参数信息。
本发明电子设备实施例与方法实施例一一对应,具体描述参见方法实施例,在此不再赘述;
本发明实施例还提供了一种康复训练参数确定系统,包括康复训练参数确定装置及表面肌电信号传感器,所述表面肌电信号传感器用于采集并发送用户肢体表面肌电信号,所述康复训练参数确定装置包括获取模块、确定模块及转化模块,所述获取模块用于获取所述表面肌电信号传感器发送的用户肢体表面肌电信号和运动功能评定信息,所述确定模块用于根据所述表面肌电信号确定用户肢体运动状态信息,所述转化模块用于根据预设的模糊神经网络模型将所述肢体运动状态信息和运动功能评定信息转化成康复训练参数信息。
具体地,本发明实施例提供的表面肌电信号传感器可以包括多个,分别测量不同肌肉的肌电信号;
本发明实施例采用的康复训练参数确定装置由上述装置实施例提供,具体描述参见上述装置实施例,在此不再赘述;
进一步地,本发明实施例中还可以包括显示器,用于显示运动功能评定量表和康复训练参数信息。
以下为本发明的一个具体实施例:
本实施例提供了一种坐卧式下肢外骨骼康复训练参数确定方法,具体包括以下步骤:
1、数据加载
首先将由运动功能评定信息和表面肌电信号组成的评估数据(由训练样本提供)存为可以被加载的文件类型。
2、生成模糊神经网络模型:
采用网格分割法定义模糊推理系统,定义输入变量隶属度函数和隶属度函数类型,输出函数类型为常数,生成的自适应模糊推理系统的模型结构图形如图3所示。
3、定义模型计算方式:
自适应模糊神经网络模型由12个输入变量采用2个隶属度函数描述,对应模糊规则完成输出变量值输出,按Sugeno方式对输出值加权处理,按最小二乘法原则计算输出误差,将此误差值反向传回,按最大梯度法修正隶属度函数曲线参数,最后根据模型设定条件生成唯一的输出变量值完成模型推算,具体地:
设输入向量x=[x1,x2,...,x12]T,每个分量xi(i=1,2,...,12)均为模糊语言变量,具体为6个肢体运动状态值和6个运动功能评定值。
为xi的第j(j=1,2,...,m)个语言变量值,它是定义在论域Ui上的一个模糊集合,m是模糊规则的数量。
相应的隶属度函数为隶属度函数类型为三角型。T-S所提出的模糊规则后件是输入变量的线性组合,即
如果x1是andx2是andxn是则
yj=pj0+pj1x1+...+pj12x12 (2)
其中P为线性系数;
若输入量采用单点模糊集合的模糊化方法,则对于给定的输入x,可以求得对于每条模糊规则的适应度αj为:
模糊系统的输出量为每条规则的输出量y(训练强度、训练周期、训练时间间隔及训练次数)的加权平均,即:
式中yj是第j条模糊规则的输出,αj为第j条模糊规则的适应度,j=1,2,……,m,m是模糊规则的数量。
4、训练参数设置:
采用多个训练样本,对自适应模糊神经网络模型进行训练,
模型的最终优化方式选择反向传播与最小二乘法组合而成的混合算法,因为通过大量数据训练之后的结果表明,所选择的混合算法误差要低于反向传播算法。
5、训练数据:
在完成训练参数设置后,开始训练模型,得到模型运算中返回的输出误差值的变化情况。训练由训练误差值或训练次数设定值控制,当训练误差值小于设定值或训练次数大于设定值时训练结束。系统训练过程中用混合算法对隶属度函数进行修正,以达到最佳输出即系统输出值与期望输出值差值最小。
6、保存模型:
在完成对系统的训练后,可以利用图形界面窗口中的File/Export/To Workspace…或/To File…命令,将该系统保存到MATLAB工作空间或者磁盘文件的fisMat.fis模糊推理矩阵中,作为预设的模糊神经网络模型。
7、采用6个表面肌电信号传感器测量患者下肢臀大肌、股直肌、比目鱼肌、股二头肌、胫骨前肌、臀中肌的表面肌电信号,分别对应髋关节屈伸、膝关节屈伸、踝关节屈伸、下肢直线运动、下肢蹬自行车运动及下肢8字形运动;
本实施例选择表面肌电信号的RMS特征值来评价用户肢体运动状态信息,其表达式如下:
其中,RMS为肌电信号均方根特征值,即肢体运动状态值,n=1,2,…,N,xn是表面肌电信号实测值,N为肌电信号时间序列xn的长度。
本实施例根据式1确定髋关节屈伸、膝关节屈伸、踝关节屈伸、直线运动、蹬自行车运动与8字形运动这6个运动对应的6个RMS特征值,作为模糊神经网络模型的6个输入;根据表1所示的运动量表,确定模糊神经网络模型的另外6个输入。
8、输出训练强度、训练周期、训练时间间隔及训练次数。
本发明未详细说明部分属于本领域技术人员公知常识。所述的具体实施例仅是对本发明精神作举例说明。本发明所属技术领域的人员可以对所述的具体实施例做不同的修改或补充或采用类似的方式代替,但不偏离本发明的精神或者超越所附权利要求书所定义的范围。