一种基于传感器的康复动作标准评判方法与流程

技术领域：
：本发明属于康复训练领域
技术领域：
，具体涉及一种传感器的康复动作标准评判方法。
背景技术：
：：肢体康复(physicalrehabilitation)：通过主动运动来改善运动障碍的治疗方法的总称，主要内容包括关节活动度训练、增强肌力训练和姿势矫正训练等。肢体康复动作训练是指运用有目的的、经过选择的动作活动为治疗手段来改善和补助患者肢体活动功能的方法，其目的是最大限度地提高患者自理、工作、休闲等日常生活能力，提高生活质量，是有利于患者回归家庭和社会的理想方法。肢体康复需要医师的专业指导，患者需要去专门的康复机构进行康复训练，使得患者康复训练不仅受到时间和空间的局限，而且浪费了大量的医师资源；甚至在医师资源短缺的现状下，大量患者只能盲目地进行康复动作训练，无法得到康复动作的标准反馈，使得康复效果降低、进度缓慢。因此，针对目前医疗成本高、医师资源少、患者对康复标准认知不清的情况，通过研究肢体康复动作准确性评判，为肢体功能性障碍患者提供后期康复支持成为了现代康复医疗的重中之重。专利cn110675934a公开了一种肢体运动障碍者远程康复训练系统，通过惯性传感器采集肢体在三维空间中的运动数据，然后基于惯性传感器获取的肢体运动数据构建康复运动轨迹，然后基于康复运动数据评价患者的康复运动完成程度(如以打分的形式评价)并给出矫正建议。但是其并没有具体地阐述如何对康复运动完成程度进行评价，本申请作为该项课题的进一步研究，通过dtw-knn算法对该康复动作序列进行分析并对康复动作准确性作出分类评判。技术实现要素：：本发明目的在于克服现有技术存在的缺点，寻求设计一种基于传感器的康复动作标准评判方法。通过获取康复动作实时数据，根据标准动作进行评判，进一步改进优化康复动作，有效提高肢体功能性障碍患者的康复效率。解决了目前肢体功能性障碍患者所做康复动作难以得到准确性评判的难题。为了实现上述目的，本发明涉及的一种基于传感器的上肢康复动作标准评判方法，具体包括以下步骤：s1、根据完成程度的准确性，将康复训练分为n种级别，每种级别均训练m次，训练过程中通过传感器采集每一次训练的动作数据，所述动作数据包括由若干个变量随时间变化的二维数组组成的动作序列，每一次训练作为一个样本，构成包括n×m个样本的样本集；s2、通过传感器获取的患者康复训练过程的每一个变量的动作序列，作为待评估动作序列，通过dtw算法计算每一个变量对应的待评估动作序列与样本集中的每个样本中对应的动作序列之间的标准化距离，求取若干个变量对应的标准化距离之和，评估患者动作与样本集中每一组样本对应动作之间的相似程度；s3、将得到的标准化距离之和输入到knn分类器中，与患者康复训练过程的待评估动作序列标准化距离最小的前k个样本所属的类别最多者，即为待评估动作的类别；具体地，所述传感器包括加速度传感器、陀螺仪和方向传感器中的一种，其中，加速度传感器测得传感器的三轴加速度值ax、ay、az，陀螺仪测得的传感器绕三轴转动的角速度值ωx、ωy、ωz，方向传感器测得的传感器转动的角度β(俯仰角)、γ(航向角)和α(滚转角)，因此，动作序列为ax、ay、az、ωx、ωy、ωz、β、γ和α中任一种变量随着时间变化的序列点集合。进一步地，所述传感器可以为现有智能设备上的传感器。本发明与现有技术相比具有以下有益效果：(1)通过dtw算法计算患者康复动作序列与样本康复动作序列之间的累积距离代替knn算法中常用的欧式距离，解决动作序列不能直接得到欧式距离的问题；(2)通过dtw-knn算法对该康复动作序列进行分析并对康复动作准确性作出分类评判，患者根据反馈评价进一步修正动作，保障了康复训练成效，提高了康复治疗效率，推进了患者的康复进度；(3)利用传感器采集到患者康复训练动作数据，实时精确，无需医师一对一进行康复动作标准分析，降低了医师工作量与医疗成本、减轻了患者家庭的经济负担。附图说明：图1是本发明涉及的knn分类算法示意图。图2是航向角序列与航向角样本序列图。具体实施方式：下面通过具体实施例并结合附图对本发明作进一步说明。实施例1：一种基于传感器的上肢康复动作标准评判方法，具体包括以下步骤：s1、根据完成程度的准确性，将康复训练分为n种级别，每种级别均训练m次，训练过程中通过传感器采集每一次训练的动作数据，所述动作数据包括由若干个变量随时间变化的二维数组组成的动作序列，每一次训练作为一个样本，构成包括n×m个样本的样本集。如，对于每一个康复动作，根据完成程度的准确性分良好、一般和较差三种级别进行90次训练，其中，良好、一般和较差均进行30次，训练过程中通过传感器采集每一次训练的动作序列，每一次训练作为一个样本，构成包括90个样本的样本集。s2、通过传感器获取的患者康复训练过程的每一个变量的动作序列，作为待评估动作序列，通过dtw算法计算每一个变量对应的待评估动作序列与样本集中的每个样本中对应的动作序列之间的标准化距离，求取若干个变量对应的标准化距离之和，评估患者动作与样本集中每一组样本对应动作之间的相似程度。s3、将得到的标准化距离之和输入到knn分类器中，与患者康复训练过程的待评估动作序列标准化距离最小的前k个样本所属的类别最多者，即为待评估动作的类别；优选地，为了保证分类的准确性以及避免三种类别投票数相等而难以决策，所述k为7\9\11等奇数。k最近邻(k-nearestneighbor，knn)分类算法，是一个理论上比较成熟的方法。该方法的思路是：在特征空间中，如果一个样本附近的k个最近(即特征空间中最邻近)样本的大多数属于某一个类别，则该样本也属于这个类别。如图1所示，其中的圆形、三角形和正方形分别对应良好、一般和较差三个级别的样本，空心圆为患者康复训练动作，处于原点位置，根据标准化距离，样本分布于患者动作周围。当k＝9时，有8个三角形，1个正方形，患者动作的康复等级为一般；当k＝11时，有8个三角形，2个正方形，患者动作的康复等级也为一般。具体地，所述传感器包括加速度传感器、陀螺仪和方向传感器中的一种，其中，加速度传感器测得传感器的三轴加速度值ax、ay、az，陀螺仪测得的传感器绕三轴转动的角速度值ωx、ωy、ωz，方向传感器测得的传感器转动的角度β(俯仰角)、γ(航向角)和α(滚转角)，因此，动作序列为ax、ay、az、ωx、ωy、ωz、β、γ和α中任一种变量随着时间变化的序列点集合。如图2所示，为待评估航向角序列与航向角样本序列图，其中测试动作为待评估航向角序列，a类模板动作为航向角样本序列。进一步地，所述传感器可以为现有智能设备上的传感器，如手机。所述dtw算法的具体处理过程为：s201、首先根据患者康复动作序列y(y1,....ym)和样本的康复动作序列x(x1,...xn)中序列点之间的欧式距离d(i，j)＝f(xi，yi)≥0，获得一个序列距离矩阵m；s202、根据序列距离矩阵生成累积距离矩阵mc，mc(i,j)＝min(mc(i-1,j-1),mc(i-1,j),mc(i,j-1))+m(i,j)，其中，1≤i≤n，1≤j≤m，累积距离矩阵mc中最后一行，最后一列对应的数据就是两个序列之间的距离，又称标准化距离。例如，x：(3，5，6，7，7，1)；y：(3，6，6，7，8，1，1)。则x和y之间的距离矩阵m如下表1所示，累积距离矩阵mc如表2所示。表1x/y3667811303345225211234463001255741101667411016612556700表2当前第1页1 2 3 

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通，为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除