一种虚拟现实脑中风上肢康复训练系统及控制方法与流程
本发明属于医疗康复技术领域，尤其涉及一种虚拟现实脑中风上肢康复训练系统及控制方法。
背景技术
目前，业内常用的现有技术是这样的：
脑中风是一组以脑部缺血及出血性损伤症状为主要临床表现的疾病，又称脑卒中或脑血管意外，具有极高的病死率和致残率，主要分为出血性脑中风(脑出血或蛛网膜下腔出血)和缺血性脑中风(脑梗塞、脑血栓形成)两大类，以脑梗塞最为常见。脑中风发病急，病死率高，是世界上最重要的致死性疾病之一。中风的死亡率也有随年龄增长而上升的趋势，由于一直缺乏有效的治疗措施，目前认为预防是最好的措施，因此，加强对全民普及脑中风的危险因素及先兆症状的教育，才会真正获得有效的防治效果。然而，现有脑中风上肢康复训练由医护人员进行人工通知和提醒，效率较低，且容易发生康复计划制定冲突、错误通知、遗漏通知等问题，发生执行错误，导致康复医疗资源的浪费，甚至贻误病情；同时现有康复训练设备成本高、占有空间大、训练方式单一。
常用的三维重建方法有三类：(1)立体视觉方法。该方法模拟人类视觉系统对客观三维物体的感知方式，利用两个以上相机对同一个景物在不同位置进行成像，再根据两帧图像之间的视差图，转换为深度图，获得了物体的深度信息。此方法生成的几何模型文件通常比较小，很容易被用到虚拟现实中。但该方法需要克服物体特征稀疏的问题，当纹理平坦时，计算得到的视差图存在大片的空白区域，点云的稠密程度很低。(2)运动结构方法。对物体进行绕拍，刚性物体上任意位置的点在两帧图像之间发生的运动是相同的，通过对两帧图像之间提取若干对特征点并进行匹配，能够计算得到物体发生运动的变换矩阵，根据变换矩阵能确定两个相机之间的位置关系，通过小孔成像原理，能恢复特征点在世界坐标系中的坐标。此方法发展比较成熟，能在相机内参标定的情况下计算出相机的移动，对稀疏点云进行处理能获取较稠密点云，并恢复出较为精准的三维模型。但是其要求相邻两帧间的匹配特征点数量要多，因此在特征平坦的区域有效点的数量较少。(3)基于深度图像的方法。通过每帧图像的rgb图与深度图就能生成在当前相机坐标系下物体的点云，相邻两帧rgbd图生成的两组点云进行匹配，计算出两帧相机的变换矩阵，就可以两组点云融合到世界坐标系。此方法计算得到的点云较为精确，且点云的稠密程度较高。但是其需要深度相机的协助，且对深度图的精度很敏感，在大范围重建场景中，深度相机的精度总是有限的，而深度相机的精度将直接关联重建点云的精度。
综上所述，现有技术存在的问题是：
现有脑中风上肢康复训练由医护人员进行人工通知和提醒，效率较低，且容易发生康复计划制定冲突、错误通知、遗漏通知等问题，发生执行错误，导致康复医疗资源的浪费，甚至贻误病情；同时现有康复训练设备成本高、占有空间大、训练方式单一。
现有技术中，立体或虚拟视觉法需要的计算量较小，但是在图像纹理平坦区域得到的视差图存在空白区域，因此计算得到的点云稠密程度很低；运动结构法具有较高的普适性，其中包含稀疏点云到稠密点云的派生过程，但是获得的稠密点云的稠密程度仍然取决于图像的纹理复杂程度，对于纹理平坦的图像，获得的点云稠密程度也比较低；基于深度图像的重建方法精度较高，且对图像的纹理复杂程度没有要求，但是该方法对深度相机精度的敏感程度不高，目前不适用与虚拟物体三维重建。
现有配置康复训练参数信号中，分类准确率低，不能获得准确的相关参数，不能为训练方案提供依据。
技术实现要素：
针对现有技术存在的问题，本发明提供了一种虚拟现实脑中风上肢康复训练系统。
本发明是这样实现的，一种虚拟现实脑中风上肢康复训练系统的控制方法，所述虚拟现实脑中风上肢康复训练系统的控制方法包括：
通过摄影设备获取一组绕拍图像序列，对每帧绕拍图像提取物体轮廓，并将轮廓区域内的像素值设置为255，将轮廓外的像素值设为0，得到一帧二值图像，为有效区域图；对绕拍图像序列进行三维重建步骤，获得一个稠密度很低的点云，为初始点云，同时还获得每一帧相机相对于世界坐标系的旋转矩阵r与平移向量t,旋转矩阵与平移向量组合起来形成变换矩阵m；遍历初始点云中的每个点，获得初始点云中所有点在x、y、z三个轴上取值的最大值与最小值，并计算每个轴上最大值与最小值之间的距离差，分别记做x_dis、y_dis、z_dis，分别将此三个距离差除以100，得到的三个量，为初始点云的派生尺度，记做x_scalar、y_scalar、z_scalar；
将初始点云中的一个点作为源点，分别沿x、y、z三个方向的正负方向各扩展对应计算的派生尺度大小，得到一个以源点为中心的长方体，该长方体的长宽高分别为2*x_scalar、2*y_scalar、2*z_scalar，该源点中心往长方体的周围共扩展了26个方向，在每个方向上派生出一个新点，取该新点的法向量与源点的法向量相同，且每个派生点均记录其源点；对初始点云中的每一个点都进行一次派生操作，将得到一个派生的点云，该点云中点的数量是初始点云数量的26倍；
对绕拍图像序列中的第i帧图像，取出计算得到的变换矩阵mi，将得到的派生点云根据变换矩阵mi变换到对应的相机坐标系下，并根据投影原理将派生点云中的每个点反投影到获得的第i帧的有效区域图上；对投影到第i帧有效区域图中的无效区域内的点，将从派生点云中删除，投影到第i帧有效区域图中的有效区域中的点则保留；对绕拍图像序列中的每一帧均执行绕拍图像序列中的第i帧图像步骤和对投影到第i帧有效区域图中的无效区域内的点，从派生点云中删除的操作，通过对派生点云环绕投影并删除，三维重建获得了含有内点的派生点云；
遍历所获得的派生点云中的每个派生点，判断每个派生点是内点还是外点，删除掉是内点的派生点云，保留是外点的派生点云；最终保留下的点云为派生一次的有效点云；统计所得有效点云的数量，若稠密程度达到需求，则此有效点云为最终点云；若稠密程度未达到需求，则将该有效点云作为初始点云，直到获得的有效点云满足稠密度要求，构建出虚拟康复训练场景；
采集患者手部坐标的动态数据，对所述动态数据和手部动作对象的位置信息进行处理，通过处理结果识别手部的动作，在虚拟场景中映射出虚拟的手，使手部的动作与场景进行交互，进行康复训练的指定动作；
通过参数配置模块配置康复训练参数；对获取到的原始康复训练参数信号进行预处理，以减少伪迹干扰；创建滤波器，将预处理后的康复训练参数信号滤波到所需的频段；利用相位同步分析方法，计算各频段的康复训练参数信号在各个时间点每两个通道之间的相位关系，获得动态功能连接矩阵；逐个计算两个通道之间相位关系值的时域熵，得到每条边的信息熵，以度量康复训练参数功能网络各边时间域的复杂度；利用各频段的动态功能连接熵分别作为康复训练参数功能网络的分类特征，训练自适应提高分类器，得到多个自适应提高分类器以及对应的分类正确率；利用训练好的多个自适应提高分类器以投票的方式对样本进行组合分类；滤波器的创建中，康复训练参数信号使用小波包分解为五个频段，δ(1－3hz)、θ(4－7hz)、α(8－13hz)、β(14－30hz)γ(31-50hz)；采用相位锁定值plv来计算各频段的康复训练参数信号在各个时间点上每两个通道之间的相位关系，计算公式：plv＝|<exp(j{φi(t)-φj(t)})>|；其中，φi(t)和φj(t)分别为电极i和j的瞬时相位；信号的相位值采用希尔伯特变换来计算，具体公式如下：
k的每个元素kijt为在t时间点上第i个电极和第j个电极之间的plv值，该矩阵为动态功能连接矩阵，它不仅包含不同康复训练参数通道两两之间的相位关系，还包含康复训练参数通道的空间信息和时间信息；
通过专家诊断模块进行在线专家进行实时诊断；
通过康复提醒模块提醒患者进行康复计划；
通过按摩模块对训练肢体进行按摩；
通过vr显示模块显示手部在虚拟现实康复训练场景中的动作；
最后，通过训练数据生成模块将虚拟现上肢康复训练数据打包，生成训练数据报告记录。
进一步，所述的派生尺度是初始点云中所有点坐标分别在x、y、z三个轴上最大值与最小值之间距离差的百分之一，该参数是经过多次测试后的有效参数，不需要根据具体应用调整；
以初始点云中的其中一个点作为源点向长方体的26个方向派生获得新点，其中新点的计算公式为：
其中，x_org、y_org、z_org分别为初始点云中某一个点在x、y、z轴上的坐标，x_scalar、y_scalar、z_scalar分别为计算得到的x、y、z三个方向的派生尺度，
上式计算得到的3*3*3个新点坐标，除了源点坐标增量为(0，0，0)的情况，将会派生出描述的26个新点云。
进一步，逐个计算两个通道之间相位关系值的信息熵，动态功能连接熵，按照以下步骤进行：
首先，将每个康复训练参数时间点数t的m×m的上三角矩阵各个plv值提取出来，得到一个(m*(m-1)/2)×t的二维矩阵；然后对(m*(m-1)/2)×t这个plv矩阵各条边计算信息熵，得到一个(m*(m-1)/2)×1的熵值矩阵；
自适应提高分类器训练过程为：
得到各个被试样本在各个频段下的动态功能连接熵后，对各个频段下的训练样本集(m*(m*(m-1)/2))进行分类，m为训练样本的数目，利用训练样本5个频段的动态功能连接熵，作为训练样本的特征各训练一最优自适应提高分类器，得到多个最优自适应提高分类器以及对应的分类正确率；
获得最优自适应提高分类器的具体过程包括：对给定的样本(x1，y1)，...，(xm，ym)，其中xi∈x，yi∈y＝(-1，1)，x为训练特征，y为被试者类别，首先初始化每个训练样本集的权重为
其中，hp(xi)为第p个弱分类器对样本分类得到的分类标签值，dp(i)是第p次迭代时每个训练样本集的权重，然后计算分类序列权重
p次迭代结束后得到该频段下的p个弱分类器hp，最后将p个弱分类器组合构建最终分类器为最优自适应提高分类器：
然后分别计算各个频段下的最优自适应提高分类器的分类正确率。
进一步，康复提醒方法包括：
首先，从医护终端接收康复计划，所述康复计划包括患者信息、待执行项目、每个待执行项目对应的开始时间、执行时长以及执行地点；
然后，将所述康复计划与已存储的康复计划进行比较，如果未发生冲突，则存储所述康复计划且设置预设提醒时间，其中，冲突指的是执行时间、执行地点以及执行人中的一项或多项的冲突；
最后，如果当前时间到达所述预设提醒时间，则向所述患者信息对应的患者终端发送警示信息；其中，所述预设提醒时间早于所述开始时间；
所述康复提醒方法还包括：
向所述患者终端发送康复计划表以供所述患者终端显示，所述康复计划表中包含与所述患者终端关联的全部康复计划；
向所述患者终端发送康复计划表以供所述患者终端显示，所述康复计划表中包含与所述患者终端关联的各个待执行项目的执行安排，所述待执行项目的执行安排包括需要执行所述待执行项目的患者信息以及每个患者信息对应的开始时间、执行时长以及执行地点。
进一步，vr显示方法包括：
(1)vr设备生成视频显示信号；所述视频显示信号以全息投影的形式重现在用户周围，形成动态投影图像；
(2)vr设备同步生成背景视频信号；所述背景视频信号以全息投影的形式重现在所述动态投影图像远离用户的一侧，形成背景投影图像；
(3)在一个显示周期中，所述背景投影图像具有单一色彩，所述背景投影图像与所述动态投影图像具有不同的色彩特征参数。
本发明另一目的在于提供一种实现所述虚拟现实脑中风上肢康复训练系统的控制方法的计算机程序。
本发明另一目的在于提供一种实现所述虚拟现实脑中风上肢康复训练系统的控制方法的信息数据处理终端。
本发明另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述的虚拟现实脑中风上肢康复训练系统的控制方法。
本发明另一目的在于提供一种虚拟现实脑中风上肢康复训练系统包括：
场景构建模块，集成有摄影设备，与中央控制模块连接，用于构建出虚拟康复训练场景；
动作数据采集模块，与中央控制模块连接，用于采集患者手部坐标的动态数据，对所述动态数据和手部动作对象的位置信息进行处理，通过处理结果识别手部的动作，在虚拟场景中映射出虚拟的手，使手部的动作与场景进行交互，以完成康复训练的指定动作；
参数配置模块，与中央控制模块连接，用于配置康复训练参数；
中央控制模块，与场景构建模块、动作数据采集模块、参数配置模块、专家诊断模块、康复提醒模块、按摩模块、vr显示模块、训练数据生成模块连接，用于控制各个模块正常工作；
专家诊断模块，与中央控制模块连接，用于通过在线专家进行实时诊断；
康复提醒模块，与中央控制模块连接，用于提醒患者进行康复计划包括患者信息、待执行项目、每个待执行项目对应的开始时间、执行时长以及执行地点；
按摩模块，与中央控制模块连接，用于通过按摩器对训练肢体进行按摩；
vr显示模块，与中央控制模块连接，用于通过虚拟现实设备实时显示手部在虚拟现实康复训练场景中的动作；
训练数据生成模块，与中央控制模块连接，用于将虚拟现上肢康复训练数据打包，生成训练数据报告记录。
本发明另一目的在于提供一种搭载所述虚拟现实脑中风上肢康复训练系统的虚拟现实脑中风上肢康复训练设备。
本发明的优点及积极效果为：
本发明通过康复提醒模块将医护人员制定的康复计划与已存储的康复计划进行比较，在未发生冲突的情况下存储所述康复计划且设置预设提醒时间，有助于保证康复计划的制定的准确性，进而通过在预设提醒时间对患者进行提醒，相比于现有技术中通过人工通知及提醒，可以提高康复计划的执行效率和准确性；同时通过场景构建模块、动作数据采集模块、vr显示模块可以实现虚拟训练，减少训练设备占有空间、丰富训练方式，提高康复训练效果。
本发明场景构建模块的构建方法，相比基于立体视觉获取点云的方法：基于立体视觉获取点云的方法需要提供纹理复杂的图像序列，重建过程中没有视差图的区域没有点，重建误差受视差图求解误差的影响。而本发明对图像的纹理没有过多的要求，只要提供的初始点云能较为接近真实物体的形状，便能在一定程度上恢复初始点云丢失的大部分信息。
相比基于运动结构获取点云的方法：基于运动结构获取点云的方法获得的点云的数量取决与相邻两帧之间有效匹配特征点对的数量，采取的稀疏点云到稠密点云的派生方式的计算复杂。而本发明中生成的派生点云的数量与图像的纹理没有直接联系，对初始点云没有过多要求，只要较为接近真实物体，能通过派生方式使得原本点云分布稀疏的地方的点云数量增加，增加有效点云的数量。
相比基于深度图像的方法：基于深度图像的方法需要提供每帧图像的深度图，算法对深度图的精确度的敏感度较高，在两个点云之间的匹配使用迭代算法，使得所需计算量很大，矩阵运算很多，需要在gpu上计算。而本发明提出的方法对深度图没有要求，随着派生点云的滤除，需要计算的点的数量也在减少，计算速度增快，不需要在gpu上计算也能有较快的速度。可快速准确的构建出虚拟的场景图像。
本发明通过采用相位同步分析方法、信息熵方法、自适应提高(adaboost)分类算法、多分类器投票组合方法，实现了对动态功能连接进行描述，由此大幅提高了分类准确率。本发明有效解决了参数配置信号配置数据分类准确率低的问题，为准确训练方案带来参考依据。
附图说明
图1是本发明实施例提供的虚拟现实脑中风上肢康复训练系统结构图。
图中：1、场景构建模块；2、动作数据采集模块；3、参数配置模块；4、中央控制模块；5、专家诊断模块；6、康复提醒模块；7、按摩模块；8、vr显示模块；9、训练数据生成模块。
如图2是本发明实施例提供的vr显示方法流程图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
如图1所示，本发明实施例提供的虚拟现实脑中风上肢康复训练系统，包括：场景构建模块1、动作数据采集模块2、参数配置模块3、中央控制模块4、专家诊断模块5、康复提醒模块6、按摩模块7、vr显示模块8、训练数据生成模块9。
场景构建模块1，集成有摄影设备，与中央控制模块4连接，用于构建出虚拟康复训练场景；
动作数据采集模块2，与中央控制模块4连接，用于采集患者手部坐标的动态数据，对所述动态数据和手部动作对象的位置信息进行处理，通过处理结果识别手部的动作，在虚拟场景中映射出虚拟的手，使手部的动作与场景进行交互，以完成康复训练的指定动作；
参数配置模块3，与中央控制模块4连接，用于配置康复训练参数；
中央控制模块4，与场景构建模块1、动作数据采集模块2、参数配置模块3、专家诊断模块5、康复提醒模块6、按摩模块7、vr显示模块8、训练数据生成模块9连接，用于控制各个模块正常工作；
专家诊断模块5，与中央控制模块4连接，用于通过在线专家进行实时诊断；
康复提醒模块6，与中央控制模块4连接，用于提醒患者进行康复计划包括患者信息、待执行项目、每个待执行项目对应的开始时间、执行时长以及执行地点；
按摩模块7，与中央控制模块4连接，用于通过按摩器对训练肢体进行按摩；
vr显示模块8，与中央控制模块4连接，用于通过虚拟现实设备实时显示手部在虚拟现实康复训练场景中的动作；
训练数据生成模块9，与中央控制模块4连接，用于将虚拟现上肢康复训练数据打包，生成训练数据报告记录。
本发明提供的康复提醒模块6提醒方法如下：
首先，从医护终端接收康复计划，所述康复计划包括患者信息、待执行项目、每个待执行项目对应的开始时间、执行时长以及执行地点；
然后，将所述康复计划与已存储的康复计划进行比较，如果未发生冲突，则存储所述康复计划且设置预设提醒时间，其中，冲突指的是执行时间、执行地点以及执行人中的一项或多项的冲突；
最后，如果当前时间到达所述预设提醒时间，则向所述患者信息对应的患者终端发送警示信息；其中，所述预设提醒时间早于所述开始时间。
本发明提供的康复提醒模块6提醒方法还包括：
向所述患者终端发送康复计划表以供所述患者终端显示，所述康复计划表中包含与所述患者终端关联的全部康复计划；
向所述患者终端发送康复计划表以供所述患者终端显示，所述康复计划表中包含与所述患者终端关联的各个待执行项目的执行安排，所述待执行项目的执行安排包括需要执行所述待执行项目的患者信息以及每个患者信息对应的开始时间、执行时长以及执行地点。
如图2所示，本发明提供的vr显示模块显示方法包括：
s101:vr设备生成视频显示信号；所述视频显示信号以全息投影的形式重现在用户周围，形成动态投影图像；
s102:vr设备同步生成背景视频信号；所述背景视频信号以全息投影的形式重现在所述动态投影图像远离用户的一侧，形成背景投影图像；
s103:在一个显示周期中，所述背景投影图像具有单一色彩，所述背景投影图像与所述动态投影图像具有不同的色彩特征参数。
本发明训练时，通过场景构建模块1构建出虚拟康复训练场景；接着，通过动作数据采集模块2采集患者手部坐标的动态数据，对所述动态数据和手部动作对象的位置信息进行处理，通过处理结果识别手部的动作，在虚拟场景中映射出虚拟的手，使手部的动作与场景进行交互，以完成康复训练的指定动作；通过参数配置模块3配置康复训练参数；中央控制模块4调度专家诊断模块5通过在线专家进行实时诊断；通过康复提醒模块6提醒患者进行康复计划包括患者信息、待执行项目、每个待执行项目对应的开始时间、执行时长以及执行地点；训练时间长，容易产生疲劳，通过按摩模块7对训练肢体进行按摩；通过vr显示模块8显示手部在虚拟现实康复训练场景中的动作；最后，通过训练数据生成模块9将虚拟现上肢康复训练数据打包，生成训练数据报告记录。
下面结合具体分析对本发明作进一步描述。
本发明实施例提供的虚拟现实脑中风上肢康复训练系统的控制方法，包括：
通过摄影设备获取一组绕拍图像序列，对每帧绕拍图像提取物体轮廓，并将轮廓区域内的像素值设置为255，将轮廓外的像素值设为0，得到一帧二值图像，为有效区域图；对绕拍图像序列进行三维重建步骤，获得一个稠密度很低的点云，为初始点云，同时还获得每一帧相机相对于世界坐标系的旋转矩阵r与平移向量t,旋转矩阵与平移向量组合起来形成变换矩阵m；遍历初始点云中的每个点，获得初始点云中所有点在x、y、z三个轴上取值的最大值与最小值，并计算每个轴上最大值与最小值之间的距离差，分别记做x_dis、y_dis、z_dis，分别将此三个距离差除以100，得到的三个量，为初始点云的派生尺度，记做x_scalar、y_scalar、z_scalar；
将初始点云中的一个点作为源点，分别沿x、y、z三个方向的正负方向各扩展对应计算的派生尺度大小，得到一个以源点为中心的长方体，该长方体的长宽高分别为2*x_scalar、2*y_scalar、2*z_scalar，该源点中心往长方体的周围共扩展了26个方向，在每个方向上派生出一个新点，取该新点的法向量与源点的法向量相同，且每个派生点均记录其源点；对初始点云中的每一个点都进行一次派生操作，将得到一个派生的点云，该点云中点的数量是初始点云数量的26倍；
对绕拍图像序列中的第i帧图像，取出计算得到的变换矩阵mi，将得到的派生点云根据变换矩阵mi变换到对应的相机坐标系下，并根据投影原理将派生点云中的每个点反投影到获得的第i帧的有效区域图上；对投影到第i帧有效区域图中的无效区域内的点，将从派生点云中删除，投影到第i帧有效区域图中的有效区域中的点则保留；对绕拍图像序列中的每一帧均执行绕拍图像序列中的第i帧图像步骤和对投影到第i帧有效区域图中的无效区域内的点，从派生点云中删除的操作，通过对派生点云环绕投影并删除，三维重建获得了含有内点的派生点云；
遍历所获得的派生点云中的每个派生点，判断每个派生点是内点还是外点，删除掉是内点的派生点云，保留是外点的派生点云；最终保留下的点云为派生一次的有效点云；统计所得有效点云的数量，若稠密程度达到需求，则此有效点云为最终点云；若稠密程度未达到需求，则将该有效点云作为初始点云，直到获得的有效点云满足稠密度要求，构建出虚拟康复训练场景；
采集患者手部坐标的动态数据，对所述动态数据和手部动作对象的位置信息进行处理，通过处理结果识别手部的动作，在虚拟场景中映射出虚拟的手，使手部的动作与场景进行交互，进行康复训练的指定动作；
通过参数配置模块配置康复训练参数；对获取到的原始康复训练参数信号进行预处理，以减少伪迹干扰；创建滤波器，将预处理后的康复训练参数信号滤波到所需的频段；利用相位同步分析方法，计算各频段的康复训练参数信号在各个时间点每两个通道之间的相位关系，获得动态功能连接矩阵；逐个计算两个通道之间相位关系值的时域熵，得到每条边的信息熵，以度量康复训练参数功能网络各边时间域的复杂度；利用各频段的动态功能连接熵分别作为康复训练参数功能网络的分类特征，训练自适应提高分类器，得到多个自适应提高分类器以及对应的分类正确率；利用训练好的多个自适应提高分类器以投票的方式对样本进行组合分类；滤波器的创建中，康复训练参数信号使用小波包分解为五个频段，δ(1－3hz)、θ(4－7hz)、α(8－13hz)、β(14－30hz)γ(31-50hz)；采用相位锁定值plv来计算各频段的康复训练参数信号在各个时间点上每两个通道之间的相位关系，计算公式：plv＝|<exp(j{φi(t)-φj(t)})>|；其中，φi(t)和φj(t)分别为电极i和j的瞬时相位；信号的相位值采用希尔伯特变换来计算，具体公式如下：
k的每个元素kijt为在t时间点上第i个电极和第j个电极之间的plv值，该矩阵为动态功能连接矩阵，它不仅包含不同康复训练参数通道两两之间的相位关系，还包含康复训练参数通道的空间信息和时间信息；
通过专家诊断模块进行在线专家进行实时诊断；
通过康复提醒模块提醒患者进行康复计划；
通过按摩模块对训练肢体进行按摩；
通过vr显示模块显示手部在虚拟现实康复训练场景中的动作；
最后，通过训练数据生成模块将虚拟现上肢康复训练数据打包，生成训练数据报告记录。
所述的派生尺度是初始点云中所有点坐标分别在x、y、z三个轴上最大值与最小值之间距离差的百分之一，该参数是经过多次测试后的有效参数，不需要根据具体应用调整；
以初始点云中的其中一个点作为源点向长方体的26个方向派生获得新点，其中新点的计算公式为：
其中，x_org、y_org、z_org分别为初始点云中某一个点在x、y、z轴上的坐标，x_scalar、y_scalar、z_scalar分别为计算得到的x、y、z三个方向的派生尺度，
上式计算得到的3*3*3个新点坐标，除了源点坐标增量为(0，0，0)的情况，将会派生出描述的26个新点云。
逐个计算两个通道之间相位关系值的信息熵，动态功能连接熵，按照以下步骤进行：
首先，将每个康复训练参数时间点数t的m×m的上三角矩阵各个plv值提取出来，得到一个(m*(m-1)/2)×t的二维矩阵；然后对(m*(m-1)/2)×t这个plv矩阵各条边计算信息熵，得到一个(m*(m-1)/2)×1的熵值矩阵；
自适应提高分类器训练过程为：
得到各个被试样本在各个频段下的动态功能连接熵后，对各个频段下的训练样本集(m*(m*(m-1)/2))进行分类，m为训练样本的数目，利用训练样本5个频段的动态功能连接熵，作为训练样本的特征各训练一最优自适应提高分类器，得到多个最优自适应提高分类器以及对应的分类正确率；
获得最优自适应提高分类器的具体过程包括：对给定的样本(x1，y1)，...，(xm，ym)，其中xi∈x，yi∈y＝(-1，1)，x为训练特征，y为被试者类别，首先初始化每个训练样本集的权重为
其中，hp(xi)为第p个弱分类器对样本分类得到的分类标签值，dp(i)是第p次迭代时每个训练样本集的权重，然后计算分类序列权重
p次迭代结束后得到该频段下的p个弱分类器hp，最后将p个弱分类器组合构建最终分类器为最优自适应提高分类器：
然后分别计算各个频段下的最优自适应提高分类器的分类正确率。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solidstatedisk(ssd))等。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。
- 还没有人留言评论。精彩留言会获得点赞！