基于云平台及下肢康复机器人的康复训练系统及方法

本技术涉及智能化康复训练领域，且更为具体地，涉及一种基于云平台及下肢康复机器人的康复训练系统及方法。

背景技术：

1、随着全球老龄化的进程，康复领域逐渐成为了重要的研究方向。下肢康复机器人作为一种创新型的康复设备，已经被广泛应用于各种康复治疗中，并在改善患者康复效果和提高生活质量方面发挥了巨大作用。

2、然而，传统康复治疗通常需要人工监测和评估患者康复状态，效率较低且数据精度较差，并且难以根据患者实际需求进行个性化康复训练，极大地限制了康复治疗的优化和普及。

3、因此，期望一种优化的基于云平台及下肢康复机器人的康复训练系统。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于云平台及下肢康复机器人的康复训练系统及方法。其首先将多个预定时间点的关节角度值、力矩值、心率值和血压值上传至云平台后再将其分别排列为关节角度时序输入向量、力矩时序输入向量、心率时序输入向量和血压时序输入向量，接着，分别进行关联编码以得到运行状态关联矩阵和生理状态关联矩阵，然后，将所述运行状态关联矩阵通过第一卷积神经网络模型以得到运行状态特征矩阵，接着，将所述生理状态关联矩阵通过第二卷积神经网络模型以得到生理状态特征矩阵，最后，将融合所述运行状态特征矩阵和所述生理状态特征矩阵得到的分类特征矩阵通过分类器以得到用于表示康复状态的标签值的分类结果。这样，可以实现智能评估检测。

2、根据本技术的一个方面，提供了一种基于云平台及下肢康复机器人的康复训练系统，其包括：

3、数据采集模块，用于获取由下肢康复机器人的传感器组采集的预定时间段内多个预定时间点的关节角度值、力矩值、心率值和血压值；

4、数据传输模块，用于将所述多个预定时间点的关节角度值、力矩值、心率值和血压值上传至云平台；

5、数据参数时序排列模块，用于在所述云平台，将所述多个预定时间点的关节角度值、力矩值、心率值和血压值分别按照时间维度排列为关节角度时序输入向量、力矩时序输入向量、心率时序输入向量和血压时序输入向量；

6、关联编码模块，用于对所述关节角度时序输入向量和所述力矩时序输入向量进行关联编码以得到运行状态关联矩阵，且对所述心率时序输入向量和所述血压时序输入向量进行关联编码以得到生理状态关联矩阵；

7、运行状态双向注意力特征提取模块，用于将所述运行状态关联矩阵通过使用双向注意力机制的第一卷积神经网络模型以得到运行状态特征矩阵；

8、生理状态双向注意力特征提取模块，用于将所述生理状态关联矩阵通过使用双向注意力机制的第二卷积神经网络模型以得到生理状态特征矩阵；

9、特征融合模块，用于融合所述运行状态特征矩阵和所述生理状态特征矩阵以得到分类特征矩阵；

10、以及康复状态评估模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示康复状态的标签值。

11、在上述的基于云平台及下肢康复机器人的康复训练系统中，所述关联编码模块，包括：

12、第一关联编码单元，用于以如下第一关联编码公式对所述关节角度时序输入向量和所述力矩时序输入向量进行关联编码以得到所述运行状态关联矩阵；

13、其中，所述第一关联编码公式为：

14、

15、其中，表示所述关节角度时序输入向量，表示所述关节角度时序输入向量的转置向量，表示所述力矩时序输入向量，表示所述运行状态关联矩阵，表示向量相乘；

16、以及第二关联编码单元，用于以如下第二关联编码公式对所述心率时序输入向量和所述血压时序输入向量进行关联编码以得到所述生理状态关联矩阵；

17、其中，所述第二关联编码公式为：

18、

19、其中，表示所述心率时序输入向量，表示所述心率时序输入向量的转置向量，表示所述血压时序输入向量，表示所述生理状态关联矩阵，表示向量相乘。

20、在上述的基于云平台及下肢康复机器人的康复训练系统中，所述运行状态双向注意力特征提取模块，包括：

21、第一双向池化单元，用于将所述运行状态关联矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；

22、第一池化关联编码单元，用于对所述第一向池化向量和所述第二向池化向量进行关联编码以得到运行状态双向关联矩阵；

23、第一激活单元，用于将所述运行状态双向关联矩阵输入sigmoid激活函数以得到运行状态注意力矩阵；

24、第一矩阵展开单元，用于将所述运行状态关联矩阵和所述运行状态注意力矩阵分别展开为特征向量以得到运行状态关联向量和运行状态注意力向量；

25、第一优化特征融合单元，用于融合所述运行状态关联向量和所述运行状态注意力向量以得到运行状态融合关联向量；

26、以及第一维度重构单元，用于将所述运行状态融合关联向量进行维度重构以得到所述运行状态特征矩阵。

27、在上述的基于云平台及下肢康复机器人的康复训练系统中，所述第一优化特征融合单元，用于：

28、通过采用类转换器空间迁移置换融合的方式，以如下第一融合公式来融合所述运行状态关联向量和所述运行状态注意力向量以得到所述运行状态融合关联向量；

29、其中，所述第一融合公式为：

30、

31、其中，是所述运行状态关联向量，是所述运行状态注意力向量，为所述运行状态关联向量和所述运行状态注意力向量之间的距离矩阵，表示所述运行状态关联向量和所述运行状态注意力向量之间的欧式距离，为所述运行状态关联向量的第个特征值，为所述运行状态注意力向量的第个特征值，为掩码阈值超参数，且向量均为行向量，、和分别表示特征向量的逐位置相加、相减和相乘，表示矩阵乘法，表示函数，是所述运行状态融合关联向量。

32、在上述的基于云平台及下肢康复机器人的康复训练系统中，所述生理状态双向注意力特征提取模块，包括：

33、第二双向池化单元，用于将所述生理状态关联矩阵分别沿着水平方向和垂直方向进行池化以得到第三向池化向量和第四向池化向量；

34、第二池化关联编码单元，用于对所述第一向池化向量和所述第二向池化向量进行关联编码以得到生理状态双向关联矩阵；

35、第二激活单元，用于将所述生理状态双向关联矩阵输入sigmoid激活函数以得到生理状态注意力矩阵；

36、第二矩阵展开单元，用于将所述生理状态关联矩阵和所述生理状态注意力矩阵分别展开为特征向量以得到生理状态关联向量和生理状态注意力向量；

37、第二优化特征融合单元，用于融合所述生理状态关联向量和所述生理状态注意力向量以得到生理状态融合关联向量；

38、以及第二维度重构单元，用于将所述生理状态融合关联向量进行维度重构以得到所述生理状态特征矩阵。

39、在上述的基于云平台及下肢康复机器人的康复训练系统中，所述第二优化特征融合单元，用于：

40、通过采用类转换器空间迁移置换融合的方式，以如下第二融合公式来融合所述生理状态关联向量和所述生理状态注意力向量以得到所述生理状态融合关联向量；

41、其中，所述第二融合公式为：

42、

43、其中，是所述生理状态关联向量，是所述生理状态注意力向量，为所述生理状态关联向量和所述生理状态注意力向量之间的距离矩阵，表示所述生理状态关联向量和所述生理状态注意力向量之间的欧式距离，为所述生理状态关联向量的第个特征值，为所述生理状态注意力向量的第个特征值，为掩码阈值超参数，且向量均为行向量，、和分别表示特征向量的逐位置相加、相减和相乘，表示矩阵乘法，表示函数，是所述生理状态融合关联向量。

44、在上述的基于云平台及下肢康复机器人的康复训练系统中，所述康复状态评估模块，包括：

45、展开单元，用于将所述分类特征矩阵按照行向量或者列向量展开为分类特征向量；

46、全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；

47、以及分类单元，用于将所述编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。

48、根据本技术的另一个方面，提供了一种基于云平台及下肢康复机器人的康复训练方法，其包括：

49、获取由下肢康复机器人的传感器组采集的预定时间段内多个预定时间点的关节角度值、力矩值、心率值和血压值；

50、将所述多个预定时间点的关节角度值、力矩值、心率值和血压值上传至云平台；

51、在所述云平台，将所述多个预定时间点的关节角度值、力矩值、心率值和血压值分别按照时间维度排列为关节角度时序输入向量、力矩时序输入向量、心率时序输入向量和血压时序输入向量；

52、对所述关节角度时序输入向量和所述力矩时序输入向量进行关联编码以得到运行状态关联矩阵，且对所述心率时序输入向量和所述血压时序输入向量进行关联编码以得到生理状态关联矩阵；

53、将所述运行状态关联矩阵通过使用双向注意力机制的第一卷积神经网络模型以得到运行状态特征矩阵；

54、将所述生理状态关联矩阵通过使用双向注意力机制的第二卷积神经网络模型以得到生理状态特征矩阵；

55、融合所述运行状态特征矩阵和所述生理状态特征矩阵以得到分类特征矩阵；

56、以及将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示康复状态的标签值。

57、在上述的基于云平台及下肢康复机器人的康复训练方法中，对所述关节角度时序输入向量和所述力矩时序输入向量进行关联编码以得到运行状态关联矩阵，且对所述心率时序输入向量和所述血压时序输入向量进行关联编码以得到生理状态关联矩阵，包括：

58、以如下第一关联编码公式对所述关节角度时序输入向量和所述力矩时序输入向量进行关联编码以得到所述运行状态关联矩阵；

59、其中，所述第一关联编码公式为：

60、

61、其中，表示所述关节角度时序输入向量，表示所述关节角度时序输入向量的转置向量，表示所述力矩时序输入向量，表示所述运行状态关联矩阵，表示向量相乘；

62、以及以如下第二关联编码公式对所述心率时序输入向量和所述血压时序输入向量进行关联编码以得到所述生理状态关联矩阵；

63、其中，所述第二关联编码公式为：

64、

65、其中，表示所述心率时序输入向量，表示所述心率时序输入向量的转置向量，表示所述血压时序输入向量，表示所述生理状态关联矩阵，表示向量相乘。

66、在上述的基于云平台及下肢康复机器人的康复训练方法中，将所述运行状态关联矩阵通过使用双向注意力机制的第一卷积神经网络模型以得到运行状态特征矩阵，包括：

67、将所述运行状态关联矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；

68、对所述第一向池化向量和所述第二向池化向量进行关联编码以得到运行状态双向关联矩阵；

69、将所述运行状态双向关联矩阵输入sigmoid激活函数以得到运行状态注意力矩阵；

70、将所述运行状态关联矩阵和所述运行状态注意力矩阵分别展开为特征向量以得到运行状态关联向量和运行状态注意力向量；

71、融合所述运行状态关联向量和所述运行状态注意力向量以得到运行状态融合关联向量；

72、以及将所述运行状态融合关联向量进行维度重构以得到所述运行状态特征矩阵。

73、与现有技术相比，本技术提供的基于云平台及下肢康复机器人的康复训练系统及方法，其首先将多个预定时间点的关节角度值、力矩值、心率值和血压值上传至云平台后再将其分别排列为关节角度时序输入向量、力矩时序输入向量、心率时序输入向量和血压时序输入向量，接着，分别进行关联编码以得到运行状态关联矩阵和生理状态关联矩阵，然后，将所述运行状态关联矩阵通过第一卷积神经网络模型以得到运行状态特征矩阵，接着，将所述生理状态关联矩阵通过第二卷积神经网络模型以得到生理状态特征矩阵，最后，将融合所述运行状态特征矩阵和所述生理状态特征矩阵得到的分类特征矩阵通过分类器以得到用于表示康复状态的标签值的分类结果。这样，可以实现智能评估检测。