一种柔性可穿戴下肢康复辅助系统及分析方法

技术领域

本发明涉及医疗器械技术领域，特别是涉及一种柔性可穿戴下肢康复辅助系统及分析方法。

背景技术

专利申请号为CN201110450041.7的专利“一种基于微型传感器的交互式上肢康复系统”，提出了一种针对上肢康复训练的交互系统。其主要应用多类复杂传感器穿戴于用户上肢用于评估用户上肢康复训练情况。其主要不足包括系统依赖于复杂且多类的传感器，用户需要穿戴包括多个传感器节点及主控板的特制训练服，存在通用性不足的问题；同时，该专利传感器节点间通过有线的形式进行连接，且传感器为非柔性传感器，可能导致相关感知模块佩戴便携性及舒适度较低；另外，该专利仅针对上肢康复训练。

专利号CN201810498685.5的专利“基于肌电信号反馈的可穿戴下肢康复系统”，提出了一种通过肌电信号刺激的形式来辅助使用者完成制定康复动作，但针对患者缺少主动式的康复效果指引，包括直观的视觉或者声音的下肢康复动作完成度反馈去引导用户主动完成康复动作，而是直接采取电刺激的形式对患者肢体进行刺激使患者被动的完成。

发明内容

本发明的目的是提供一种柔性可穿戴下肢康复辅助系统及分析方法，有助于用户及时了解康复锻炼进展，辅助用户以正向激励反馈的形式主动完成康复动作。

为实现上述目的，本发明提供了如下方案：

一种柔性可穿戴下肢康复辅助系统，所述系统包括便携式设备、远程数据分析服务器和多个传感器感知模块；

各所述传感器感知模块设置在用户的康复训练预设部位；各所述传感器感知模块用于采集所述康复训练预设部位在多种康复动作下的惯性传感数据和肌电传感数据；

所述便携式设备分别与各所述传感器感知模块和所述远程数据分析服务器连接；所述便携式设备用于接收所述惯性传感数据和所述肌电传感数据，并接收和显示所述远程数据分析服务器返回的数据；

远程数据分析服务器，与所述便携式设备连接，用于接收所述惯性传感数据和所述肌电传感数据，并根据所述惯性传感数据和所述肌电传感数据应用深度学习框架确定所述康复动作的类别，以及记录完成各所述康复动作的时间，并根据所述时间确定预设康复周期内各康复动作完成度及完成次数，并将各所述康复动作完成度以及所述完成次数发送至所述便携式设备。

可选地，所述传感器感知模块包括惯性传感器、肌电传感器和控制器；

所述惯性传感器与所述控制器连接；所述惯性传感器用于采集所述康复训练预设部位在多种康复动作下的惯性传感数据；

所述肌电传感器与所述控制器连接；所述肌电传感器用于采集所述康复训练预设部位在多种康复动作下的肌电传感数据；

所述控制器与所述便携式设备连接；所述控制器用于将所述惯性传感数据和所述肌电传感数据发送至所述便携式设备。

可选地，所述惯性传感器包括陀螺仪，磁力计和加速度计。

可选地，所述传感器感知模块为应用印刷电子技术的柔性传感器。

可选地，所述便携式设备为智能手机、平板电脑或者笔记本电脑。

可选地，所述便携式设备通过无线传输方式分别与所述传感器感知模块和所述远程数据分析服务器连接。

可选地，所述无线传输方式为蓝牙或者WIFI。

可选地，远程数据分析服务器根据所述惯性传感数据和所述肌电传感数据，应用康复动作识别模型，确定所述康复动作的类别；其中，所述康复动作识别模型是应用样本数据集对深度学习框架进行训练得到的；所述样本数据集包括输入数据集和所述输入数据集对应的康复动作类别；所述输入数据集包括惯性传感样本数据和所述肌电传感样本数据。

一种柔性可穿戴下肢康复辅助分析方法，应用于上述的柔性可穿戴下肢康复辅助系统，所述分析方法包括：

获取用户的康复训练预设部位在康复动作下的惯性传感数据和肌电传感数据；

将所述惯性传感数据和所述肌电传感数据输入至康复动作识别模型，得到所述康复动作的类别；其中，所述康复动作识别模型是应用样本数据集对深度学习框架进行训练得到的；所述样本数据集包括输入数据集和所述输入数据集对应的康复动作类别；所述输入数据集包括惯性传感样本数据和所述肌电传感样本数据。

可选地，所述深度学习框架包括依次连接的多层卷积神经网络、时序模块和时域卷积网络；所述时序模块包括依次连接的双向LSTM模块及时间分布式全连接层。。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明针对现有技术方案感知模块存在佩戴便携性不佳及舒适度较低的情况，本发明利用印刷电子技术构件的毫米级厚度级别可拉伸的柔性传感器于可穿戴下肢康复系统监测，从而能够在不影响使用者正常日常生活及活动的情况下，来实现连续实时人体运动和运动状态的监测。同时，本发明通过应用视觉及听觉反馈，能够实时针对用户当下康复锻炼动作及进度进行展现，包括当前动作进程，准确度以及总体康复锻炼完成度等，以正向激励反馈的形式辅助用户主动完成康复动作。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例1提供的柔性可穿戴下肢康复辅助系统的模块化结构示意图；

图2本发明实施例1提供的柔性可穿戴下肢康复辅助系统各部件连接关系示意图。

符号说明：

传感器感知模块—1，数据融合模块—2，数据分析评估模块—3，直观反馈模块—4，小腿上部柔性传感器组件—5，小腿下部柔性传感器组件—6，脚背后部柔性传感器组件—7，脚背前部柔性传感器组件—8，便携式传感器数据接收及反馈设备—9，远程数据分析服务器—10。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种柔性可穿戴下肢康复辅助系统及分析方法，有助于用户及时了解康复锻炼进展，辅助用户以正向激励反馈的形式主动完成康复动作。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例1

如图1和图2所示，本发明提供了一种柔性可穿戴下肢康复辅助系统，所述系统包括便携式设备9、远程数据分析服务器10和多个传感器感知模块1；

各所述传感器感知模块1设置在用户的康复训练预设部位；各所述传感器感知模块1用于采集所述康复训练预设部位在多种康复动作下的惯性传感数据和肌电传感数据。

所述便携式设备9分别与各所述传感器感知模块1和所述远程数据分析服务器10连接；所述便携式设备9用于接收所述惯性传感数据和所述肌电传感数据，并接收和显示所述远程数据分析服务器10返回的数据。

远程数据分析服务器10，与所述便携式设备9连接，用于接收所述惯性传感数据和所述肌电传感数据，并根据所述惯性传感数据和所述肌电传感数据应用深度学习框架确定所述康复动作的类别，以及记录完成各所述康复动作的时间，并根据所述时间确定预设康复周期内各康复动作完成度及完成次数，并将各所述康复动作完成度以及所述完成次数发送至所述便携式设备9。

其中，所述传感器感知模块1包括惯性传感器、肌电传感器和控制器。

所述惯性传感器与所述控制器连接；所述惯性传感器用于采集所述康复训练预设部位在多种康复动作下的惯性传感数据。

所述肌电传感器与所述控制器连接；所述肌电传感器用于采集所述康复训练预设部位在多种康复动作下的肌电传感数据。

所述控制器与所述便携式设备9连接；所述控制器用于将所述惯性传感数据和所述肌电传感数据发送至所述便携式设备9。

具体地，所述惯性传感器包括陀螺仪，磁力计和加速度计。

进一步地，所述传感器感知模块1还包括开关及电池；所述电池用于为所述控制器和所述惯性传感器以及所述肌电传感器供电。所述开关用于控制所述惯性传感器、所述肌电传感器、所述控制器和电池的工作状态。所述传感器感知模块1为应用印刷电子技术的柔性传感器。

作为一个具体地实施方式，所述便携式设备9为智能手机、平板电脑或者笔记本电脑。

作为一个具体地实施方式，所述便携式设备9通过无线传输方式分别与所述传感器感知模块1和所述远程数据分析服务器10连接。

具体地，所述无线传输方式为蓝牙或者WIFI。

作为一个具体地实施方式，远程数据分析服务器10根据所述惯性传感数据和所述肌电传感数据，应用康复动作识别模型，确定所述康复动作的类别；其中，所述康复动作识别模型是应用样本数据集对深度学习框架进行训练得到的；所述样本数据集包括输入数据集和所述输入数据集对应的康复动作类别；所述输入数据集包括惯性传感样本数据和所述肌电传感样本数据。

在实际应用中，传感器感知模块1主要功能用于感知收集用户康复训练全流程中的惯性传感数据(包括陀螺仪，磁力计和加速度计数据，具体包含：x，y，z轴角速度(即ω

数据融合模块2的功能主要将多个传感器感知模块1中收集的相关多类多个传感器数据进行融合以及传输，具体技术手段为将不同传感器提取的特征数据(传感器感知模块1中的相关数据)通过无线(蓝牙或者Wi-Fi网络)的形式将数据传输至用户日常便携式设备9(手机、平板或者便携式笔记本)中并完成数据预处理，具体包括低通数据过滤，数据校准，数据归一化等，以此完成数据融合。具体而言，根据数据流(不同传感器提取的特征数据)的位置，数据融合主要分为三个阶段：在传感器感知模块1中的数据融合(即多传感器数据流在传感器感知模块1内的融合)，用户日常便携式设备9端的数据融合(即多个传感器感知模块1数据流的融合)以及深度学习网络内的数据融合。其中，传感器感知模块1的数据融合，主要将各类独立传感器数据源进行初级简单合并，校验并整合成单一字符串形便于传输；而用户日常便携式设备9端的数据融合，则将来自多个传感器感知模块1的多源数据流进行整合存储于相关数组模块，分类用于进一步处理及传输。第三类的数据融合位于深度学习层完成。

同时，第二阶段(用户日常便携式设备9端的数据融合)融合后的数据将进一步通过AES算法进行加密后以加密的形式即时传输至远程数据分析服务器10，并应用于数据分析评估模块3。具体加密手段利用Python的PyCryptodome模组库文件实现针对上述融合后位于数组模块的数据进行AES加密后传输。

数据分析评估模块3的主要功能包括完成用户康复锻炼动作数据分析，具体包含用户当前康复动作类型，当前康复动作完成度与完成时间，当前周期康复动作完成率以及全周期康复动作完成率等。

直观反馈模块4与数据分析评估模块3相衔接，基于数据分析评估模块3输出的康复锻炼动作分析数据，将结果实时反馈至用户日常便携式设备9中用于在日常设备内以视觉及听觉的形式(包括但不限于游戏)向用户反馈当前动作完成度，当前阶段康复训练进度等等，用于正向激励用户完成康复锻炼。同时，康复锻炼动作分析的数据也将进一步汇总提炼同步存储于远程服务器中，用于提供康复指导或者服务人员能够通过管理系统随时随地较为系统的去跟踪每位康复训练者的康复锻炼情况，有助于高效的进一步提供督促。

本发明通过传感器智能感知分析的形式对用户下肢康复训练过程中的多类康复动作进行监测识别，同步完成对康复动作完成度和准确度的分级，同时能够针对用户通过视觉及听觉的形式即时展现康复动作进度，完成度等信息，有助于用户即时了解康复锻炼进展，辅助用户以正向激励反馈的形式主动完成康复动作，极大减轻当前医疗以及康复领域针对康复人员人手极度短缺的情况，从而减轻人力成本及负担。另外，康复指导者能够通过管理系统随时随地较为系统的去跟踪每位康复训练者的康复锻炼情况，有助于高效的进一步提供督促。

实施例2

在实施例1的基础上，本发明还提供了一种柔性可穿戴下肢康复辅助分析方法，应用于实施例1的柔性可穿戴下肢康复辅助系统，所述分析方法包括：

步骤S1：获取用户的康复训练预设部位在康复动作下的惯性传感数据和肌电传感数据。

步骤S2：将所述惯性传感数据和所述肌电传感数据输入至康复动作识别模型，得到所述康复动作的类别；其中，所述康复动作识别模型是应用样本数据集对深度学习框架进行训练得到的；所述样本数据集包括输入数据集和所述输入数据集对应的康复动作类别；所述输入数据集包括惯性传感样本数据和所述肌电传感样本数据。

具体地，所述深度学习框架包括依次连接的多层卷积神经网络、时序模块和时域卷积网络；所述时序模块包括依次连接的双向LSTM模块及时间分布式全连接层。

在实际应用中，分解复杂康复动作至多个基础不可继续拆分的元概念(concept)/动作，现阶段主要针对6类康复动作：踝关节屈伸练习(Ankle Pumps)；踝关节环绕练习(Ankle Rotations)；股四头肌等长收缩练习(Quadriceps Set)；直腿抬高练习(StraightLeg Raises)；股四头肌等张收缩练习(Bed Supported Knee Bends)；床边练习(Sitting UnsupportedKnee Bends)。其中以股四头肌等张收缩练习为例，可拆分四个基础时序概念：左侧下肢膝屈曲至训练理想角度，右侧下肢伸直抬高及放下，右侧下肢膝屈曲至一定训练理想角度，左侧下肢伸直抬高及放下等。具体6类康复动作基础时序拆分如表1所示：

表1六类康复动作基础时序拆分表

首先，应用多层卷积神经网络针对传感器数据特征提取；然后，应用双向LSTM模块及时间分布式全连接层提取识别基础元概念组合，接着，将识别后的元概念分类时序组结合进一步通过时域卷积网络对复杂康复动作进行识别。

将融合后的传感器数据输入至多层卷积神经网络用于单一传感器感知模块及多个传感器感知模块采集的数据的特征初步提取。

输入数据：T×12的序列(对应角速度ω

其中，多层卷积神经网络具体包括依次连接的第一层扩张卷积、第二层扩张卷积、第三层扩张卷积和第四层扩张卷积。

第一层扩张卷积：64个长度为16的卷积核，扩张系数为2，输入为T×56，输出为T×64。

第二层扩张卷积：128个长度为16的卷积核，扩张系数为2，输入为T×64，输出为T×128。

第三层扩张卷积：128个长度为16的卷积核，扩张系数为4，输入为T×128，输出为T×128。

第四层扩张卷积：128个长度为16的卷积核，扩张系数为6，输入为T×128，输出为T×128。

将多层卷积神经网络提取的特征数据输入至双向LSTM模块及时间分布式全连接层，从而获取每个时间点t所有十个元概念的可能性分布。

时序模块包括依次连接的双向LSTM模块和时间分布式全连接层，其中，双向LSTM模块为第一层；双向LSTM模块用于提取时序特征，内部共含128个LSTM基础单元，同时设置return_sequences＝True，输入为T×128，输出维度为T×256。

时间分布式全连接层(Time-distributedDense Layer)为第二层；时间分布式全连接层用于将时序特征与元概念(concept)相映射：一共十个神经元(与concept数量一致)，同时用softmax层用于输出每个时间点t所有十个元概念的可能性分布，输出维度为T×10。

最后应用时域卷积网络完成对复杂康复动作进行分类并存储。时域卷积网络包括依次连接的第一层时域卷积层(Temporal Convolutional(TCN)layer)和第二层全连接层。

其中，第一层时域卷积层(Temporal Convolutional(TCN)layer)：64个长度为8的卷积核，扩张系数为1，输入为T×10，输出为1×64；第二层全连接层：输入为1×64，输出为1×6(6为复杂康复动作分类数量)。所述全连接层的输出通过Softmax层得到最终康复训练信息分类结果。

所述深度学习框架训练过程使用交叉熵cross-entropy作为损失函数，使用后向传播算法对模型进行优化。

另外，结合计时程序可完成用户动作完成时间统计。利用存储的分类数据结合日期及时长可完成当前周期康复动作完成率以及全周期康复动作完成率分析。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。