适用于不同个体的下肢康复方案设计方法、装置及设备

技术领域

本发明涉及康复方案设计技术领域，尤其涉及一种适用于不同个体的下肢康复方案设计方法、装置及设备。

背景技术

患者或老年人下肢运动功能受损给日常生活带来了极大的不便，而康复治疗能有效地帮助患者或老年人恢复运动功能，提高他们的生活质量。因此，下肢康复方案的设计就显得尤为重要。

目前下肢康复方案的设计大都针对单一个体，即每面对一个新受试者都要对其进行康复程度的评估，进而形成康复方案。现在也存在一些数据库和模型，可以根据个体信息直接选出最为合适的康复方案。但不同的个体之间存在诸多方面的差异，尤其是不同的下肢运动方式与运动学特征，限制了下肢康复方案设计模型在不同个体之间的通用性。

现有类似已公开的专利：

一种康复训练管理的方法及系统(CN 114242203 A)，该专利的步骤是：

步骤一：确定目标用户的属性信息和初始生理特征信息；

步骤二：将属性信息和初始生理特征信息输入至预先训练好的康复训练模型中，得到训练周期内针对目标用户的康复训练方案，康复训练方案包括至少一个训练监测项；

步骤三：确定目标用户在前序训练周期内至少一个训练监测项下的更新生理特征信息；

步骤四：将目标用户的属性信息和更新生理特征信息输入至康复训练模型中，得到在后序训练周期内针对目标用户的康复训练方案。

一种基于深度学习的骨科术后康复方案推荐方法(CN 110970109A)，该专利步骤是：

步骤一：采集骨科术后康复治疗方案以及治疗该方案以及治疗该方案对应的实际治疗数据，形成数据集；

步骤二：根据创伤部位和创伤评价将数据集中的治疗方案划分为多个子类；

步骤三：将训练集的治疗方案中的患者创伤部位和创伤评价作为输入，治疗方案作为输出，通过神经网络进行学习，提取特征，形成方案推荐模型；

步骤四：将患者的受伤部位以及创伤评价输入至方案推荐模型中，方案推荐模型输出推荐的治疗方案。

现有技术并没有考虑不同个体之间的差异性，设计方法的通用性较差；并没有对提取的诸多信息进行评估和分析，存在很多冗余信息。

因此，如何在康复训练场景中提取出与个体相关性低的鲁棒特征，使下肢康复方案设计的模型适用于大多数个体，是一个亟待解决的问题。

发明内容

本发明旨在解决现有技术中忽略个体差异性、通用性差以及冗余信息多的技术问题。本发明采取的技术方案如下：提供了一种适用于不同个体的下肢康复方案设计方法、装置及设备，该技术方案利用信息分解和特征评估获取与个体无关的鲁棒特征，提高了下肢康复方案设计模型的通用性。

根据本发明的第一方面，一种适用于不同个体的下肢康复方案设计方法，包括以下步骤：

采集受试者的多源信息并进行预处理，所述多源信息包括：表面肌电信号、心率、血压、运动速度、运动加速度、关节活动度、肌力和肌张力；

基于对称双线性模型提取多源信息中的运动相关因子，并从运动相关因子中提取个体无关特征；

对多种个体无关特征进行特征评估，根据评估结果选择目标特征；

将目标特征输入到卷积神经网络中进行训练，训练完成后得到下肢康复方案设计模型，基于下肢康复方案设计模型获取不同受试者的下肢康复方案。

进一步地，所述基于对称双线性模型提取多源信息中的运动相关因子，并从运动相关因子中提取个体无关特征的步骤，包括：

设多源信息D＝{D

利用对称双线性模型对第p类信息进行建模，得到第p类信息的模型如下：

式中：X∈R

让S个处在不同康复阶段的受试者进行第c(c＝1,2,…C)个康复训练方案，并采集训练时的数据；

计算目标函数，获取目标函数E的值最小时对应的X,W

让新受试者根据指示完成特定训练，获得一组

根据

进一步地，所述目标函数的计算公式如下：

式中：X

进一步地，所述获取目标函数E的值最小时对应的X,W

对第p类信息的模型公式进行变换，得到以下公式：

[D

[D

通过奇异值分解对Y进行第一次估计，奇异值分解公式如下：

A＝UΣV

式中：A为待分解的矩阵；U为左奇异矩阵；Σ为除了对角线的元素都是0的矩阵，对角线上的元素为奇异值；V为右奇异矩阵；

对D

根据第一次估计值

根据第一次估计值

和/>

W

进一步地，所述个体无关特征为在运动相关因子X中提取的特征，包括：时域中的绝对值均值、自回归系数、频域中的中值频率和时频域中的小波变换。

优选地，所述对多种个体无关特征进行特征评估，根据评估结果选择目标特征的步骤，包括：

使用戴维森堡丁指数DBI和散射分布指数SCAT进行特征评估；DBI和SCAT的定义如下：

使用戴维森堡丁指数DBI和散射分布指数SCAT进行特征评估；DBI和SCAT的定义如下：

式中：N为康复训练方案的种类；

SCAT＝Trace(S

式中：S

根据戴维森堡丁指数DBI和散射分布指数SCAT，计算STN指数，计算公式如下：

式中：DBI

将STN指数满足预设条件的特征作为目标特征。

优选的，所述卷积神经网络为多输入多输出卷积神经网络，卷积核的形状为n×m×h×w，m为输入的特征种类个数，n为康复训练方案的内容项数，h和w为长和宽。

根据本发明的第二方面，一种适用于不同个体的下肢康复方案设计装置，包括以下模块：

采集和预处理模块，用于采集受试者的多源信息并进行预处理，所述多源信息包括：表面肌电信号、心率、血压、运动速度、运动加速度、关节活动度、肌力和肌张力；

运动相关因子提取模块，用于基于对称双线性模型提取多源信息中的运动相关因子，并从运动相关因子中提取个体无关特征；

特征评估及选择模块，用于对多种个体无关特征进行特征评估，根据评估结果选择目标特征；

网络训练及方案获取模块，用于将目标特征输入到卷积神经网络中进行训练，训练完成后得到下肢康复方案设计模型，基于下肢康复方案设计模型获取不同受试者的下肢康复方案。

根据本发明的第三方面，一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的适用于不同个体的下肢康复方案设计方法的步骤。

根据本发明的第四方面，一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的适用于不同个体的下肢康复方案设计方法的步骤。

本发明提供的技术方案具有以下有益效果：

将获取的多源信息分解为个体相关因子和运动相关因子，运动相关因子只与实际的康复训练有关，提高了下肢康复方案设计模型的通用性；对提取到的特征进行评估，根据评估结果对特征进行选择，舍去冗余信息，提高模型的速度和效率。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1为本发明实施例中一种适用于不同个体的下肢康复方案设计方法的总体流程图；

图2为本发明实施例中X,W

图3为本发明实施例中一种适用于不同个体的下肢康复方案设计装置的总体结构图；

图4是本发明实施例中一种电子设备的实体结构示意图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

本发明适用于下肢康复场景下，利用多源信息与神经网络进行康复方案的设计，系统整体实施流程如图1所示，具体包括以下步骤：

S1：采集受试者的多源信息并进行预处理，所述多源信息包括：表面肌电信号、心率、血压、运动速度、运动加速度、关节活动度、肌力和肌张力；

具体地，为了获得最佳的下肢康复训练方案，需要获取的多源信息包括：表面肌电信号、心率、血压、运动速度、运动加速度、关节活动度、肌力、肌张力等。

有些信息通过专用设备直接获取后并不能直接使用，甚至有些信息不能直接获取，因此需要进行一定的预处理。比如表面肌电信号微弱且易受各种噪声的影响，难以甚至无法提取其中的有效信息，要对采集到的原始表面肌电信号进行去噪处理；运动速度、关节活动度等指标的测量需要一些特定的传感器，所获得的数据还需要经过数据形式的转换。

S2：基于对称双线性模型提取多源信息中的运动相关因子，并从运动相关因子中提取个体无关特征；

将步骤S1中所采集并预处理后的多源信息进行分解，分解为个体相关因子和运动相关因子。其中，个体相关因子与本人的基本状况有关，运动相关因子与康复训练的训练内容有关，同一康复训练在不同个体中的运动相关因子相同。

假设多源信息D＝{D

利用对称双线性模型对第p类信息进行建模：

式中：X∈R

公式一的X和Y均为正交矩阵，即XX

确定公式一，需要寻找S个处在不同康复阶段的受试者，让他们进行第c(c＝1,2,…C)个康复训练方案，并采集训练时的数据。目标函数可设为：

/>

式中：

X

公式二的目的是对于所有s,c,p，寻找合适的X

[D

[D

首先可以通过奇异值分解对Y进行第一次估计，奇异值分解公式如下：

A＝UΣV

式中：A表示待分解的矩阵；U表示左奇异矩阵；Σ为除了对角线的元素都是0的矩阵，对角线上的元素为奇异值；V表示右奇异矩阵。

求解X,W

W

虽然得到了映射矩阵W

S3：对多种个体无关特征进行特征评估，根据评估结果选择目标特征；

在步骤S2提取出的个体无关特征并不都适用于最终康复方案的获取，因此需要对提取的特征进行评估。

本实施例中，优选使用戴维森堡丁指数(DBI指数)和散射分布指数(SCAT指数)对特征进行评估。DBI指数和SCAT指数的具体定义如下：

式中：

N表示康复训练方案的种类；

式中：S

DBI指数代表了相邻特征的重叠程度，更低的DBI指数代表更好的特征可分离性。SCAT指数则是通过不同特征之间的协方差矩阵，用协方差矩阵的迹的关系来表现样本空间的整体情况，更低的SCAT指数代表样本的分布情况更好。为了更好地计算特征的鲁棒性能指数(STN)，需要求得DBI指数和SCAT指数的标准差：

式中：DBI

选取STN指数满足预设条件的特征作为目标特征。当STN指数越小，代表特征的鲁棒性能越好，预设条件一般是选取STN指数最小的几个特征或STN指数小于1的特征。

在其他实施例中，为了获取目标特征，还可以选择Relief特征选择算法，其基本原理为，随机选择某个类别中的某个样本(即某个康复训练模式下的某个特征)，并从全部样本内部搜索与该距离最近的相同数量的样本，根据同一特征在同类样本中的取值应尽可能一致而在异类样本中的取值应尽可能不一致的原则更新该特征的权值，进而得到权值较高的特征组成的最优子集。

S4：将目标特征输入到卷积神经网络中进行训练，得到下肢康复方案设计模型，基于下肢康复方案设计模型获取不同受试者的下肢康复方案。

下肢康复方案一般包含训练内容、训练次数、训练时间、训练周期等，其中训练内容可以是肌肉训练、关节活动度训练、运动功能锻炼等。由于神经网络的输入为多种特征，且最终的输出的康复方案包括多项内容，所以采用多输入多输出的卷积神经网络来得到康复方案。假设输入的特征种类为m个，康复训练方案的内容有n项，则卷积神经网络的卷积核的形状为n×m×h×w，其中h和w为长和宽。将步骤S3所获得的目标特征输入到卷积神经网络中进行训练。具体的训练过程包括：卷积神经网络先进行权值的初始化，输入的目标特征经过卷积层、池化层、全连接层得到输出值，求出网络的输出值与目标值之间的误差，根据误差更新权值，使用更新的权值重复上述步骤，直到误差等于或小于设定的期望值时结束训练，训练完成后得到下肢康复方案设计模型。

对于新受试者，只需要让其进行简单的测试，确定属于自己的个体相关因子。将康复训练时采集到的多源信息输入到下肢康复方案设计模型中，得到适合新受试者的康复方案。

在其他实施例中，还可以选择其他种类的卷积神经网络(CNN)架构进行模型训练，比如基于多路径的CNN、基于特征图开发的CNN等，深度学习的网络结构除了CNN外，还有深度神经网络(DNN)、循环神经网络(RNN)等，都可以作为可替换的网络用于本发明所述的下肢康复方案设计方法。

下面对本发明提供的一种适用于不同个体的下肢康复方案设计装置进行描述，下文描述的下肢康复方案设计装置与上文描述的下肢康复方案设计方法可相互对应参照。

如图3所示，一种适用于不同个体的下肢康复方案设计装置，包括以下模块：

采集和预处理模块1，用于采集受试者的多源信息并进行预处理，所述多源信息包括：表面肌电信号、心率、血压、运动速度、运动加速度、关节活动度、肌力和肌张力；

运动相关因子提取模块2，用于基于对称双线性模型提取多源信息中的运动相关因子，并从运动相关因子中提取个体无关特征；

特征评估及选择模块3，用于对多种个体无关特征进行特征评估，根据评估结果选择目标特征；

网络训练及方案获取模块4，用于将目标特征输入到卷积神经网络中进行训练，训练完成后得到下肢康复方案设计模型，基于下肢康复方案设计模型获取不同受试者的下肢康复方案。

所述适用于不同个体的下肢康复方案设计装置的各个模块与所述适用于不同个体的下肢康复方案设计方法的各个步骤一一对应，分别用于实现上述方法的各步骤，再此不再赘述。

如图4所示，示例了一种电子设备的实体结构示意图，该电子设备可以包括：处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总15线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行适用于不同个体的下肢康复方案设计方法的步骤，具体包括：采集受试者的多源信息并进行预处理，多源信息包括：表面肌电信号、心率、血压、运动速度、运动加速度、关节活动度、肌力和肌张力；基于对称双线性模型提取多源信息中的运动相关因子，并从运动相关因子中提取个体无关特征；对多种个体无关特征进行特征评估，根据评估结果选择目标特征；将目标特征输入到卷积神经网络中进行训练，训练完成后得到下肢康复方案设计模型，基于下肢康复方案设计模型获取不同受试者的下肢康复方案。

此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random15 Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

又一方面，本发明实施例还提供了一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述适用于不同个体的下肢康复方案设计方法的步骤，具体包括：采集受试者的多源信息并进行预处理，多源信息包括：表面肌电信号、心率、血压、运动速度、运动加速度、关节活动度、肌力和肌张力；基于对称双线性模型提取多源信息中的运动相关因子，并从运动相关因子中提取个体无关特征；对多种个体无关特征进行特征评估，根据评估结果选择目标特征；将目标特征输入到卷积神经网络中进行训练，训练完成后得到下肢康复方案设计模型，基于下肢康复方案设计模型获取不同受试者的下肢康复方案。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为标识。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。