System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于医疗或健康数据处理,特别是涉及一种基于可穿戴设备、摄像头等运动捕获设备和深度学习技术的智能康复评估方法和系统。
技术介绍
1、神经系统疾病如脑卒中、多发性硬化症、帕金森病、脊髓损伤、外周神经损伤以及颅脑损伤等在发病后,常伴有运动功能的严重损伤。在康复过程中,对患者的运动功能进行准确的评估尤为关键。运动功能评估旨在了解患者的运动能力、肌肉功能、协调性以及平衡能力等方面的情况,以便制定个性化的康复计划和治疗方案。
2、然而,运动功能评估往往是一项繁琐且需要耗费大量时间的工作。评估人员需要与患者建立信任关系,详细了解患者的病史、症状和康复目标,以确保评估的全面性和准确性。在评估过程中,评估人员可能需要进行多次测试,以监测康复进展并调整治疗方案。此外,由于神经系统疾病的复杂性和患者个体差异的存在,运动功能评估还可能面临一些挑战,如患者情绪波动、认知障碍、运动障碍等。评估人员需要具备足够的专业知识和经验,以应对各种复杂情况,并确保评估过程的顺利进行和评估结果的准确性。
3、因此,迫切需要开发一套智能的评估系统,特别是针对运动功能的评估。这套系统应当集成先进的传感技术、机器学习算法以提供高效、准确和个性化的运动功能评估。
技术实现思路
1、本专利技术目的在于解决上述
技术介绍
中提出的问题,旨在建立基于时变图卷积网络和图相似度计算的康复过程中运动功能智能评估方法,基于运动数据采集设备如运动传感器、摄像头等,实现运动功能精准评估;为运动功能障碍患者的康复评定和康
2、为了实现本专利技术目的,本专利技术公开了一种基于时变图卷积网络和图相似度计算的智能康复评估方法,包括以下步骤:
3、步骤1、数据采集:采集多模态数据,包括但不限于使用可穿戴设备采集患者的运动信号数据,使用摄像头采集患者的运动视频图像数据;
4、步骤2、数据预处理:可穿戴设备采集的运动信号数据预处理包括缺失值处理、信号去噪、信号分割和信号重采样;摄像头采集的运动视频图像数据预处理包括目标检测、图像增强、帧插值;
5、步骤3、数据准备:将预处理后的运动信号数据或运动视频图像数据转化为时变图结构数据;预处理后的数据为时序数据,将每一个时间点的数据转化为一张图,最终形成时变图;时变图的图结构包含多个节点,各节点对应人体不同位置;
6、步骤4、动作智能评估:通过时变图结构数据,建立基于时变图相似度计算的网络对患者运动进行评估,包括对整体康复评估动作的评估和对特定身体部位标准度的评估。
7、进一步地,步骤1中,使用可穿戴设备采集患者的运动信号类数据的可穿戴设备包括5个康复臂环,1只康复手套;康复臂环中配备惯性传感器,用于采集加速度,角速度,角度信号;康复手套配备惯性传感器和弯曲传感器,用于采集手指和手腕弯曲的角度,具体数据采集过程如下:
8、步骤1-1-1、设备穿戴;可穿戴设备穿戴方式为,5个康复臂环分别安装在患者身体患侧的上肢小臂和大臂,下肢大腿和小腿,腰部肚脐位置;康复手套穿戴于患者手掌;
9、步骤1-1-2、数据采集;打开可穿戴设备,进行传感器校准,检查准确性并校正偏移;启动数据采集程序,患者穿戴可穿戴设备完成康复评估动作,系统记录患者康复训练过程中动作的运动数据;每个传感器以50hz的采样率采集数据;康复臂环采集的信号包括欧拉角、校准后的x、y、z三个方向的加速度和角速度,其中康复臂环采集的欧拉角包括俯仰角pitch、偏航角yaw和翻滚角roll;康复手套采集的信号包括欧拉角、校准后的x、y、z三个方向的加速度和角速度、手指弯曲角度,其中康复手套采集的欧拉角包括俯仰角pitch、偏航角yaw和翻滚角roll;康复臂环采集的数据dimu大小为传感器数量×信号类型数量×信号长度l,即dimu∈r5×9×l,康复手套采集的数据dhand大小为传感器数量×信号类型数量×信号长度l,即dhand∈r1×14×l;
10、步骤1-1-3、数据存储和传输;采集到的数据存储在存储设备或云端数据库中。
11、进一步地,步骤1中,使用摄像头采集患者的运动视频数据,所述摄像头包括但不限于普通摄像头,红外摄像头,激光雷达,具体数据采集过程如下:
12、步骤1-2-1、摄像头配置安装;摄像头安装于患者正前方,保证位于该位置的摄像头能够捕捉到患者全身各个部位的运动;
13、步骤1-2-2、数据采集;打开摄像头,患者位于摄像头正前方完成康复评估动作;摄像头每秒采集至少30帧图像;图像大小为512×256,摄像头采集的数据dcam大小表示为512×256×l,其中l为视频帧数,即dcam∈r512×256×l;
14、步骤1-2-3、数据存储和传输;采集到的数据存储在存储设备或云端数据库中。
15、进一步地,步骤2中,可穿戴设备采集的运动信号数据预处理具体步骤如下:
16、步骤2-1-1、信号缺失值处理;数据采集过程中,如果产生缺失值,利用已有信号进行补齐;若信号中某片段缺失,采用缺失片段前段信号和后段信号取均值补齐;若整个信号缺失,随机采用数据库中相同标签数据代替;
17、步骤2-1-2、信号滤波;去除原始信号包含的随机噪声,采用移动平均滤波器对原始信号进行去噪处理,移动平均滤波器输出的计算公式如下:
18、
19、其中,yk 表示滑动平均输出的结果,xk 表示原始信号,n 表示滤波器的长度;
20、步骤2-1-3、信号分割;原始信号为周期信号;计算信号的一阶差分,检测波峰和波谷分别对应差分符号的变化点,从正变为负的点为波峰,从负变为正的点为波谷;通过检测的波峰波谷分割周期,采用第2至第3个周期信号作为输出信号,用于后续分析计算;
21、步骤2-1-4、信号重采样;将分割后的数据长度统一到100个采样点;采用分片线性插值法统一分段信号的周期,计算公式如下:
22、
23、其中,(x1,y1)和(x2,y2)分别代表序列中相邻的两个点,f(x)是分段线性插值函数,自变量x的取值区间为[x1,x2];
24、通过上述预处理方法,病人的每个动作的数据处理为:康复臂环数据大小为5×9×100,手套数据大小为1×14×100,即dimu∈r5×9×100,dhand∈r1×14×100。
25、进一步地,步骤2中,摄像头采集的运动视频图像数据预处理具体步骤如下:
26、步骤2-2-1、利用深度学习目标检测网络完成视频中每一帧的人体目标检测;检测到人体后将检测框内容分割出,重新调整每一帧图像的大小,将其统一为128×64;
27、步骤2-2-2、利用直方图均衡化法,对视频的每一帧图像进行增强,改善图像质量、增强图像细节;
28、步骤2-2-3、利用线性插值法,对视频进行插值或者采样,使得最终视频的帧数为10本文档来自技高网...
【技术保护点】
1.一种基于时变图卷积网络和图相似度计算的智能康复评估方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于时变图卷积网络和图相似度计算的智能康复评估方法,其特征在于,步骤1中,使用可穿戴设备采集患者的运动信号类数据的可穿戴设备包括5个康复臂环,1只康复手套;康复臂环中配备惯性传感器,用于采集加速度,角速度,角度信号;康复手套配备惯性传感器和弯曲传感器,用于采集手指和手腕弯曲的角度,具体数据采集过程如下:
3.根据权利要求1所述的一种基于时变图卷积网络和图相似度计算的智能康复评估方法,其特征在于,步骤1中,使用摄像头采集患者的运动视频数据,所述摄像头包括但不限于普通摄像头,红外摄像头,激光雷达,具体数据采集过程如下:
4.根据权利要求1所述的一种基于时变图卷积网络和图相似度计算的智能康复评估方法,其特征在于,步骤2中,可穿戴设备采集的运动信号数据预处理具体步骤如下:
5.根据权利要求1所述的一种基于时变图卷积网络和图相似度计算的智能康复评估方法,其特征在于,步骤2中,摄像头采集的运动视频图像数据预处理具体步骤如下:
>6.根据权利要求1所述的一种基于时变图卷积网络和图相似度计算的智能康复评估方法,其特征在于,步骤3中,预处理后运动信号数据的数据准备具体步骤如下:
7.根据权利要求1所述的一种基于时变图卷积网络和图相似度计算的智能康复评估方法,其特征在于,步骤3中,预处理后运动视频数据的数据准备具体步骤如下:
8.根据权利要求1所述的一种基于时变图卷积网络和图相似度计算的智能康复评估方法,其特征在于,步骤4中,基于时变图卷积和图相似度计算完成康复评估算法模型,所述康复评估算法模型包括时变图卷积模块、残差网络、注意力机制提取全局特征模块、神经张量网络、点相似度特征提取模块和相似度计算网络;
9.根据权利要求1所述的一种基于时变图卷积网络和图相似度计算的智能康复评估方法,其特征在于,步骤4中,基于时变图卷积网络和图相似度计算的康复评估算法模型,该模型最终输出一个图相似度sim和点相似度向量vsim_loc;
10.一种基于时变图卷积网络和图相似度计算的智能康复评估系统,所述系统基于权利要求1-9中任一项所述的一种基于时变图卷积网络和图相似度计算的智能康复评估方法,其特征在于,包括以下模块:
...【技术特征摘要】
1.一种基于时变图卷积网络和图相似度计算的智能康复评估方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于时变图卷积网络和图相似度计算的智能康复评估方法,其特征在于,步骤1中,使用可穿戴设备采集患者的运动信号类数据的可穿戴设备包括5个康复臂环,1只康复手套;康复臂环中配备惯性传感器,用于采集加速度,角速度,角度信号;康复手套配备惯性传感器和弯曲传感器,用于采集手指和手腕弯曲的角度,具体数据采集过程如下:
3.根据权利要求1所述的一种基于时变图卷积网络和图相似度计算的智能康复评估方法,其特征在于,步骤1中,使用摄像头采集患者的运动视频数据,所述摄像头包括但不限于普通摄像头,红外摄像头,激光雷达,具体数据采集过程如下:
4.根据权利要求1所述的一种基于时变图卷积网络和图相似度计算的智能康复评估方法,其特征在于,步骤2中,可穿戴设备采集的运动信号数据预处理具体步骤如下:
5.根据权利要求1所述的一种基于时变图卷积网络和图相似度计算的智能康复评估方法,其特征在于,步骤2中,摄像头采集的运动视频图像数据预处理具体步骤如下:
6.根据权利要求...
【专利技术属性】
技术研发人员:郭立泉,周炜楠,王计平,熊大曦,丁康佳,张博超,
申请(专利权)人:中国科学院苏州生物医学工程技术研究所,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。