CN111631727A - 一种假肢适配效果的评估方法及评估装置 - Google Patents
一种假肢适配效果的评估方法及评估装置 Download PDFInfo
- Publication number
- CN111631727A CN111631727A CN202010530514.3A CN202010530514A CN111631727A CN 111631727 A CN111631727 A CN 111631727A CN 202010530514 A CN202010530514 A CN 202010530514A CN 111631727 A CN111631727 A CN 111631727A
- Authority
- CN
- China
- Prior art keywords
- gait
- coefficient
- parameters
- phase
- variation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000000694 effects Effects 0.000 title claims abstract description 47
- 238000011156 evaluation Methods 0.000 title claims abstract description 25
- 230000006978 adaptation Effects 0.000 title abstract description 13
- 230000005021 gait Effects 0.000 claims abstract description 358
- 210000003414 extremity Anatomy 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 32
- 210000000544 articulatio talocruralis Anatomy 0.000 claims abstract description 22
- 210000004394 hip joint Anatomy 0.000 claims abstract description 22
- 210000000629 knee joint Anatomy 0.000 claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 17
- 238000006243 chemical reaction Methods 0.000 claims abstract description 14
- 238000002567 electromyography Methods 0.000 claims abstract description 6
- 210000003141 lower extremity Anatomy 0.000 claims description 40
- 230000002123 temporal effect Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 14
- 238000013210 evaluation model Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 11
- 230000003183 myoelectrical effect Effects 0.000 claims description 10
- 238000013145 classification model Methods 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000003786 synthesis reaction Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 210000001503 joint Anatomy 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 210000003205 muscle Anatomy 0.000 description 3
- 210000003314 quadriceps muscle Anatomy 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 210000003423 ankle Anatomy 0.000 description 2
- 210000001624 hip Anatomy 0.000 description 2
- 210000003127 knee Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 210000002082 fibula Anatomy 0.000 description 1
- 210000002683 foot Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000001699 lower leg Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/112—Gait analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
- A61F2/00—Filters implantable into blood vessels; Prostheses, i.e. artificial substitutes or replacements for parts of the body; Appliances for connecting them with the body; Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
- A61F2/50—Prostheses not implantable in the body
- A61F2/76—Means for assembling, fitting or testing prostheses, e.g. for measuring or balancing, e.g. alignment means
- A61F2002/7695—Means for testing non-implantable prostheses
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Dentistry (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Prostheses (AREA)
Abstract
本发明提供一种假肢适配效果的评估方法及评估装置,所述方法包括:采集假肢穿戴者在多个步态周期中的步态运动学参数、步态动力学参数和肌电参数,其中所述步态运动学参数包括步速、步频、步长、步幅、步态周期、髋关节角度、膝关节角度和踝关节角度,所述步态动力学参数包括地面反作用力、髋关节力矩、膝关节力矩和踝关节力矩;基于所述步态运动学信息从所述多个步态周期中确定最佳行程;获取与所述最佳行程相对应的步态特征参数,所述步态特征参数包括从所述步态运动学参数、所述步态动力学参数和所述肌电参数中选取的多项指标参数;将所述步态特征参数输入神经网络模型,以输出关于假肢适配效果的评分。
Description
技术领域
本发明涉及康复辅具技术领域,具体涉及一种假肢适配效果的评估方法及评估装置。
背景技术
假肢是保障残障人士融入正常生活所不可或缺的辅助器具。尤其对于下肢残疾人士而言,假肢不仅能帮助假肢穿戴者实现自主行走,而且当假肢与穿戴者的适配度足够高时,可以如正常人一般健步行走,从而有效提高残疾人士的生活质量。
现有技术中对于假肢适配效果的评价方式往往比较单一,无法全面反映出假肢和假肢穿戴者之间的综合适配效果。例如有学者提出了根据假肢穿戴者步态对称性评价假肢效果的方案。实际上,假肢穿戴者的步态蕴含着不同的运动学和动力学特征,这些特征往往反映在多种步态参数指标中,因此用单一指标衡量假肢适配效果的方案容易产生评价结果的假阳性。综上所述,如何选取假肢穿戴者稳定发挥、行走平稳的步态周期,最大程度上排除其它可能因素的干扰,从而更加客观、全面地反映假肢适配效果,成为本领域技术人员亟待解决的问题。
发明内容
本发明的目的在于克服现有技术中存在的上述缺陷,从而提供一种更加准确、全面地评估假肢适配效果的方案。
为实现上述目的,根据本发明一个方面,提供了一种假肢适配效果的评估方法,包括以下步骤:
采集假肢穿戴者在多个步态周期中的步态运动学参数、步态动力学参数和肌电参数,其中所述步态运动学参数包括步速、步频、步长、步幅、步态周期、髋关节角度、膝关节角度和踝关节角度,所述步态动力学参数包括地面反作用力、髋关节力矩、膝关节力矩和踝关节力矩;
基于所述步态运动学信息从所述多个步态周期中确定最佳行程,其中所述多个步态周期包括所述假肢穿戴者在测试过程中的所有步态周期;所述最佳行程包括所述多个步态周期中的N个连续的步态周期,N为大于1的自然数;
获取与所述最佳行程相对应的步态特征参数,所述步态特征参数包括从所述步态运动学参数、所述步态动力学参数和所述肌电参数中选取的多项指标参数;
将所述步态特征参数输入神经网络模型,以输出关于假肢适配效果的评分。
示例性的,所述采集假肢穿戴者的步态运动学参数、步态动力学参数和肌电参数的步骤包括:
通过摄像机采集所述假肢穿戴者在行走过程中的多张姿态图像;
提取所述多张姿态图像中目标点的位置信息,基于所述目标点的位置信息计算所述步态运动学参数;
通过测力板采集所述假肢穿戴者足底压力数据,基于所述足底压力数据计算所述步态动力学参数;以及
通过肌电传感器获取所述假肢穿戴者的肌电参数。
示例性的,所述基于所述步态运动学信息确定最佳行程包括:
基于所述步态运动学参数,计算所述N个连续的步态周期内的对称性系数、时相性系数以及变异系数;其中所述对称性系数表征所述假肢穿戴者的左下肢运动学参数和右下肢运动学参数之间的相似度,所述时相性系数表征所述假肢穿戴者在所述N个连续的步态周期中包含的支撑相、摆动相所占实际比例与标准比例之间的相似度,所述变异系数用于表征所述N个连续的步态周期内的运动学参数之间的波动程度;
基于所述对称性系数、所述时相性系数和所述变异系数确定所述最佳行程。
示例性的,所述对称性系数包括步长对称性、摆动相对称性和支撑相对称性;计算所述N个连续的步态周期内的对称性系数的步骤包括:
计算左步长最大值和右步长最小值之间的比值或左步长最小值和右步长最大值之间的比值以得到所述步长对称性,计算左下肢摆动相时间最大值和右下肢摆动相时间最小值之间的比值或左下肢摆动相时间最小值和右下肢摆动相时间最大值之间的比值以得到所述摆动相对称性,计算左下肢支撑相时间最大值和右下肢支撑相时间最小值之间的比值或左下肢支撑相时间最小值和右下肢支撑相时间最大值之间的比值以得到所述支撑相对称性;
所述时相性系数包括左支撑相系数、右支撑相系数、左摆动相系数、右摆动相系数以及双支撑相系数,计算所述N个连续的步态周期内的时相性系数的步骤包括:
计算所述N个连续的步态周期内每个步态周期的左支撑相占比的平均值与标准左支撑相比例之间的比值以得到所述左支撑相系数,计算所述N个连续的步态周期中每个步态周期的右支撑相占比的平均值与标准右支撑相比例之间的比值以得到所述右支撑相系数,计算所述N个连续的步态周期内每个步态周期的左摆动相占比的平均值与标准左摆动相比例之间的比值以得到所述左摆动相系数,计算所述N个连续的步态周期内每个步态周期的右摆动相占比的平均值与标准右摆动相比例之间的比值以得到所述左摆动相系数,计算所述N个连续的步态周期内每个步态周期的双支撑相占比的平均值与标准双支撑相比例之间的比值以得到所述双支撑相系数;所述变异系数包括支撑相变异系数、摆动相变异系数、双腿支撑期变异系数、步幅变异系数、步幅时间变异系数、步长变异系数以及步长时间变异系数;计算所述N个连续的步态周期内的变异系数的步骤包括:
用所述N个连续的步态周期内的支撑相时间方差除以支撑相时间均值,以得到所述支撑相变异系数;用所述N个连续的步态周期内的摆动相时间方差除以摆动相时间均值,以得到所述摆动相变异系数;用所述N个连续的步态周期内的双腿支撑期方差除以双腿支撑期均值,以得到所述双腿支撑期变异系数;用所述N个连续的步态周期内的步幅方差除以步幅均值,以得到所述步幅变异系数;用所述N个连续的步态周期内的步长方差除以步长均值,以得到所述步长变异系数;用所述N个连续的步态周期内的步长时间方差除以步长时间均值,以得到所述步长时间变异系数。
示例性的,所述基于所述对称性系数、所述时相性系数和所述变异系数确定所述最佳行程的步骤包括:
基于所述变异系数从所述多个步态周期中确定M组候选行程,其中M为大于2的自然数,每组所述候选行程中包括N个连续的步态周期;
基于所述对称性系数和所述时相性系数从所述M组候选行程中确定一组最佳行程。
示例性的,所述基于所述变异系数从所述多个步态周期中确定M组候选行程的步骤包括:
通过机器学习训练步态评分模型,所述步态评分模型的训练样本包括作为输入训练数据的N个连续步态周期内的支撑相变异系数、摆动相变异系数、双腿支撑期变异系数、步幅变异系数、步幅时间变异系数、步长变异系数以及步长时间变异系数,以及作为输出数据的所述N个连续步态周期的步态变异评分;
将所述假肢穿戴者实际测得的在N个连续的步态周期之内的支撑相变异系数、摆动相变异系数、双腿支撑期变异系数、步幅变异系数、步幅时间变异系数、步长变异系数以及步长时间变异系数输入所述步态评分模型,以输出所述相应的步态变异评分;
将步态变异评分最低的M组所述N个连续的步态周期作为所述候选行程。
示例性的,所述基于所述对称性系数和所述时相性系数从所述M组候选行程中确定一个最佳行程的步骤包括:
计算每个所述候选行程的综合系数,所述综合系数是对所述N个连续的步态周期内的所述步长对称性、摆动相对称性、支撑相对称性、左支撑相系数、右支撑相系数、左摆动相系数、右摆动相系数以及双支撑相系数进行加权求和后得到的;
将综合系数最小的候选行程作为所述最佳行程。
示例性的,所述获取与所述最佳行程相对应的步态特征参数的步骤包括:
获取与所述最佳行程内的每个步态周期相对应的髋关节角度、膝关节角度、踝关节角度、地面反作用力、髋关节力矩、膝关节力矩、踝关节力矩以及肌电参数。
示例性的,所述将所述步态特征参数输入神经网络模型,以输出关于假肢适配效果的评分的步骤包括:
将所述步态特征参数输入步态分类模型,以确定与所述步态特征参数相对应的目标评估模型;
将所述步态特征输入所述目标评估模型,以输出关于假肢适配效果的评分。
根据本发明另一个方面,还提供了一种假肢适配效果的评估装置,包括:
参数采集单元,适用于采集假肢穿戴者在多个步态周期中的步态运动学参数、步态动力学参数和肌电参数,其中所述步态运动学参数包括步速、步频、步长、步幅、步态周期、髋关节角度、膝关节角度和踝关节角度,所述步态动力学参数包括地面反作用力、髋关节力矩、膝关节力矩和踝关节力矩;
最佳行程确定单元,适用于基于所述步态运动学信息从所述多个步态周期中确定最佳行程,所述最佳行程包括N个连续的步态周期,N为大于1的自然数;
特征获取单元,适用于获取与所述最佳行程相对应的步态特征参数,所述步态特征参数包括从所述步态运动学参数、所述步态动力学参数和所述肌电参数中选取的多项指标参数;
评分单元,适用于将所述步态特征参数输入神经网络模型,以输出关于假肢适配效果的评分。
与现有技术相比,本发明具有以下有益效果:
(1)本发明通过从多个步态周期中确定包含N个连续步态周期的最佳行程,进一步根据与最佳行程相对应的步态运动学参数、步态动力学参数和肌电参数,可以最大程度上消除由于外部或者内部因素造成的步态误差,从而提高假肢适配效果评估的准确性。
(2)本发明通过神经网络模型基于输入的多个步态特征进行评估,输出对应的适配效果评分,评价标准更加全面合理,进一步提高假肢适配效果评估的准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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中假肢适配效果的评价方法的一个具体示例的流程图;
图2为本发明实施例1中确定最佳行程的一个具体示例的流程图;
图3为本发明实施例1中假肢适配效果的评价装置的一个具体示例的原理框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本实施例提供一种假肢适配效果的评估方法,如图1所示,包括如下步骤:
S100:采集假肢穿戴者在多个步态周期中的步态运动学参数、步态动力学参数和肌电参数。
本步骤可以令假肢穿戴者在平地、坡道或者台阶上行走一段距离以采集行走过程中产生的各项参数。本实施例中的多个步态周期包括假肢穿戴者在整个测试过程中行走过的全部路程的步态周期。步态运动学参数是具有周期性的,从身体一侧的脚后跟接触地面,到这一侧的脚后跟再次接触地面的时间过程就被称作步态周期。具体的,步态运动学参数包括一个步态周期内的空间参数和时间参数。例如,步速指的是步态周期内的运动速度,步频指的是步态周期内的运动频率,步长指的是一侧脚跟着地到对侧脚跟着地之间的距离,步幅指的是一侧脚跟着地到该侧脚跟又一次着地之间的距离,髋关节角度、膝关节角度和踝关节角度分别指髋、膝、踝关节在矢状面的关节活动范围、下肢各个关节的最大屈曲和伸展角度以及关键步态事件(如脚跟着地和脚尖离地)对应的各关节的角度。步态运动学参数可以通过测量仪器以及多种传感器进行采集,例如通过计时器和测距仪采集步速、步长、步幅、步频等参数,通过加速度传感器或角度传感器等采集关节角度参数。
步态动力学参数与步态周期中的下肢受力有关,包括地面反作用力、髋关节力矩、膝关节力矩和踝关节力矩。其中地面反作用力是身体部分与地面接触时,地面作用在人体上的大小相等、方向相反的反作用力。关节力矩包括人体自身受到的重力产生的重力矩、地面反作用力作用产生的接触力矩以及踝关节、膝关节或髋关节运动时在它相邻关节处产生的互动力矩,具体可以通过相应关节的中心点到受力作用线的垂直距离和力的矢量积来计算。步态动力学参数可以通过压力传感器、加速度传感器等多种传感器配合测量仪器进行采集。
肌电参数包括在假肢穿戴者的健肢侧小腿肌肉位置处采集的肌电参数,例如外侧腓肠肌、内侧腓肠肌、胫骨前肌、腓骨长肌位置处对应的肌电参数。肌电参数可以通过贴在假肢穿戴者下肢肌肉位置处的肌电传感器来采集。
S200:基于所述步态运动学信息从所述多个步态周期中确定最佳行程。
最佳行程可以是多个步态周期中行走最平稳、流畅的N个连续的步态周期,N为大于1的自然数。可以根据时间分布来确定最佳行程,例如假肢穿戴者行走总时长为t,可以将假肢穿戴者行至t/2时长时对应的连续N个步态周期作为最佳行程。或者根据假肢穿戴者主观感受来确定最佳行程,例如当假肢穿戴者感觉行走最轻松时对应的N个连续的步态周期作为最佳行程。还可以根据步态运动学参数中的多个具体数值来确定最佳行程,该确定方法本发明会在后文中详细介绍。
S300:获取与所述最佳行程相对应的步态特征参数,所述步态特征参数包括从所述步态运动学参数、所述步态动力学参数和所述肌电参数中选取的多项指标参数。
在确定了最佳行程的基础上,本步骤用于获取最佳行程内的相关参数,具体可以包括髋关节角度、膝关节角度、踝关节角度、地面反作用力、髋关节力矩、膝关节力矩、踝关节力矩以及肌电参数。
S400:将所述步态特征参数输入神经网络模型,以输出关于假肢适配效果的评分。
本步骤中的神经网络模型可以是经过对大量样本的机器学习之后训练得到的模型,该模型基于输入的多个特征参数,输出关于假肢适配效果的评分。可以理解,评分越高代表假肢的适配效果越好。
本实施例提出的假肢适配效果的评估方法,基于步态运动学参数确定最佳行程,进而将最佳行程中的多个步态特征参数输入神经网络模型,以输出假肢适配效果的评分,可以保证评分更加准确客观。
示例性地,步骤S100中采集假肢穿戴者的步态运动学参数、步态动力学参数和肌电参数可以包括以下方法:
通过摄像机采集所述假肢穿戴者在行走过程中的多张姿态图像;提取所述多张姿态图像中目标点的位置信息,基于所述目标点的位置信息计算所述步态运动学参数。本示例中的步态运动学参数可以通过摄像机采集,例如在假肢穿戴者下肢解剖标志位置处黏贴反光片,通过多个红外摄像机拍摄行走过程中各个反光片的位置图像,得出反光点该时刻在空间的三维坐标,进而根据三维坐标计算出假肢穿戴者的位移、速度、加速度和运动对象的关节角度、重心位置以及受力和力矩等参数。
通过测力板采集所述假肢穿戴者的足底压力数据,该测力板例如可以是AMTI-OR6系列生物力学测量平台。通过平台底部四个三轴传感器的位置坐标计算压力大小及其中心位置,进而获得步态动力学参数。
通过肌电传感器获取所述假肢穿戴者的肌电参数,可以将多个肌电传感器分别贴在假肢穿戴者的股直肌、股外侧肌、股内侧肌、胫骨前肌、腓肠肌、比目鱼肌的位置处,采集相应的肌电参数。
通过上述步骤,可以准确、快速地采集到假肢穿戴者的步态运动学参数、步态动力学参数和肌电参数。
示例性地,步骤S200基于所述步态运动学信息确定最佳行程包括:
基于所述步态运动学参数,计算N个连续的步态周期内的对称性系数、时相性系数以及所述多个步态周期之间的变异系数。其中所述对称性系数表征所述假肢穿戴者的左下肢运动学参数和右下肢运动学参数之间的相似度,所述时相性系数表征所述假肢穿戴者在一个步态周期中支撑相、摆动相所占实际比例与标准比例之间的相似度,所述变异系数用于表征多个步态周期内的运动学参数之间的波动程度。
基于所述对称性系数、所述时相性系数和所述变异系数确定所述最佳行程。
本示例提出了衡量最佳行程的三种指标,分别为对称性系数、时相性系数和变异系数。其中对称性系数越接近于1,表明假肢穿戴者的左下肢和右下肢之间的运动越协调一致;时相性系数越接近于1,表明假肢穿戴者在行走过程中摆动相和支撑相的时间越符合正常人的行走标准,从而步态越稳健;变异系数越小,则表明多个步态周期之间的波动性越小,从而步态越流畅连贯。
通过对称性系数、时相性系数和变异系数来确定最佳行程,使得最佳行程的确定更加客观完整、有据可依,从而可以进一步提高适配效果评估的准确性。
下面具体描述对称性系数、时相性系数和变异系数的计算方法。可以理解,由于运动学参数本身的数量较多,本示例在计算对称性系数、时相性系数和变异系数时,并没有利用全部的步态运动学参数,分别选取了若干个最能体现对称性、时相性和变异性的运动学参数进行计算,从而起到降低运算量、提高计算精确度的作用。
(1)对称性系数
对称性系数包括步长对称性、摆动相对称性和支撑相对称性。计算N个连续的步态周期内的对称性系数的步骤包括:
计算左步长最大值和右步长最小值之间的比值或左步长最小值和右步长最大值之间的比值以得到所述步长对称性。假设N个连续的步态周期中与每个步态周期所对应的左步长分别为L1,L2,……LN,与每个步态周期所对应的右步长分别为R1,R2,……RN,那么将上述左步长中的最大值Lmax与上述右步长中的最小值Rmin的比值Lmax/Rmin作为步长对称性,或者是将上述左步长中的最小值Lmin与上述右步长中的最大值Rmax的比值Lmin/Rmax作为步长对称性。其中Lmax∈[L1,L2,……LN],Lmin∈[L1,L2,……LN],Rmax∈[R1,R2,……RN],Rmin∈[R1,R2,……RN]。
计算左下肢摆动相时间最大值和右下肢摆动相时间最小值之间的比值或左下肢摆动相时间最小值和右下肢摆动相时间最大值之间的比值以得到所述摆动相对称性。假设N个连续的步态周期中与每个步态周期所对应的左下肢摆动相时间分别为TL1,TL2,……TLN,与每个步态周期所对应的右下肢摆动相时间分别为TR1,TR2,……TRN,那么将上述左下肢摆动相中的最大值TLmax与上述右下肢摆动相中的最小值TRmin的比值TLmax/TRmin作为步长对称性,或者是将上述左下肢摆动相中的最小值TLmin与上述右下肢摆动相中的最大值TRmax的比值TLmin/TRmax作为摆动相对称性。其中TLmax∈[TL1,TL2,……TLN],TLmin∈[TL1,TL2,……TLN],TRmax∈[TR1,TR2,……TRN],TRmin∈[TR1,TR2,……TRN]。
计算左下肢支撑相时间最大值和右下肢支撑相时间最小值之间的比值或左下肢支撑相时间最小值和右下肢支撑相时间最大值之间的比值以得到所述支撑相对称性。支撑相对称性的计算方式与摆动相对称性类似,此处不再一一列举。
可以看出,步长对称性、摆动相对称性和支撑相对称性的值越接近于1,表明假肢穿戴者的左下肢和右下肢的运动越平衡,对应的步态特征越稳定。
(2)时相性系数
所述时相性系数包括左支撑相系数、右支撑相系数、左摆动相系数、右摆动相系数以及双支撑相系数,计算所述N个连续的步态周期内的时相性系数的步骤包括:
计算所述N个连续的步态周期内每个步态周期的左支撑相占比的平均值与标准左支撑相比例之间的比值以得到所述左支撑相系数。标准左支撑相比例指的是理想状态下每个步态周期内左支撑相的时间在一个步态周期内所占的比例。可以理解,在舒适的行走过程中,一个步态周期内的支撑相和摆动相的比例接近“黄金比例”即1.61803,而对于步态不稳的人而言,则会增加步态支撑相的时间来防止跌倒。因此在理想状态下,支撑相和摆动相的比例可以认为1.61803,那么支撑相在一个步态周期中所占的标准比例为1.61803÷(1.61803+1)=0.618,也就是说标准支撑相比例为0.618。相应的,标准左支撑相比例或者标准右支撑相比例的数值为0.618÷2=0.309。当需要计算左支撑相系数时,可以用实际测得的假肢穿戴者在N个连续的步态周期中每个步态周期内的左支撑相占比的平均值t除以标准左支撑相比例0.309,即t÷0.309,以得到左支撑相系数。其中t的计算方法是对N个连续的步态周期中每个步态周期内的左支撑相占比取平均,例如每个步态周期内的左支撑相占比分别为t1、t2、……tN,那么t=(t1+t2+……+tN)/N。
计算所述N个连续的步态周期中每个步态周期的右支撑相占比的平均值与标准右支撑相比例之间的比值以得到所述右支撑相系数,计算所述N个连续的步态周期内每个步态周期的左摆动相占比的平均值与标准左摆动相比例之间的比值以得到所述左摆动相系数,计算所述N个连续的步态周期内每个步态周期的右摆动相占比的平均值与标准右摆动相比例之间的比值以得到所述左摆动相系数,计算所述N个连续的步态周期内每个步态周期的双支撑相占比的平均值与标准双支撑相比例之间的比值以得到所述双支撑相系数;上述右支撑相系数、左摆动相系数、右摆动相系数、双支撑相系数的计算方法和右支撑相系数类似,此处不再一一列举。
(3)变异系数
所述变异系数包括支撑相变异系数、摆动相变异系数、双腿支撑期变异系数、步幅变异系数、步幅时间变异系数、步长变异系数以及步长时间变异系数;计算所述N个连续的步态周期内的变异系数的步骤包括:
用所述N个连续的步态周期内的支撑相时间方差除以支撑相时间均值,以得到所述支撑相变异系数;用所述N个连续的步态周期内的摆动相时间方差除以摆动相时间均值,以得到所述摆动相变异系数;用所述N个连续的步态周期内的双腿支撑期方差除以双腿支撑期均值,以得到所述双腿支撑期变异系数;用所述N个连续的步态周期内的步幅方差除以步幅均值,以得到所述步幅变异系数;用所述N个连续的步态周期内的步长方差除以步长均值,以得到所述步长变异系数;用所述N个连续的步态周期内的步长时间方差除以步长时间均值,以得到所述步长时间变异系数。
变异系数CV的计算方法可以统一表示为以下公式:
其中SD表示方差,Mean表示均值。对于支撑相变异系数而言,SD为N个步态周期之间的支撑相时间方差,Mean为支撑相时间均值;对于摆动相变异系数而言,SD为N个步态周期之间的摆动相时间方差,Mean为摆动相时间均值……以此类推,可以得到上述变异系数的各个分量。
图2为本发明实施例1中确定最佳行程的一个具体示例的流程图。如图2所示,本实施例基于所述对称性系数、所述时相性系数和所述变异系数确定所述最佳行程的步骤包括:
S210:基于所述变异系数从所述多个步态周期中确定N个候选行程,其中N为大于2的自然数。
如前所述,变异系数用于表征多个步态周期内的运动学参数之间的波动程度。其中,上述多个步态周期可以是具有固定数目的相邻步态周期,例如相邻三个步态周期之间的变异系数、相邻五个步态周期之间的变异系数、相邻十个步态周期之间的变异系数。假设假肢穿戴者的整个行走过程共包含30个步态周期,分别为步态周期1、步态周期2、步态周期3……步态周期29、步态周期30。以N=3为例,需要计算每相邻三个步态周期之间的变异系数,即分别计算步态周期1、步态周期2和步态周期3之间的变异系数1,步态周期2、步态周期3和步态周期4之间的变异系数2,步态周期3、步态周期4和步态周期5之间的变异系数3……,步态周期28、步态周期29和步态周期30之间的变异系数28,共得到28个变异系数。
本步骤基于变异系数从多个步态周期中确定N个候选行程,其中N的数量与变异系数中包含的相邻步态周期的个数有关。在上例中,即为从30个步态周期中确定变异系数最小的3个相邻步态周期作为候选行程。
由于变异系数本身又包含支撑相变异系数、摆动相变异系数、双腿支撑期变异系数、步幅变异系数、步幅时间变异系数、步长变异系数以及步长时间变异系数等多个分量,为了充分考虑每一个变异系数分量的作用,本实施例通过机器学习的方法训练了变异评分模型。该便宜评分模型的输入值为各个变异系数分量,输出值为变异评分,其中变异评分越低,表明相应步态周期之间的波动性越低,越适合作为候选行程。
变异评分模型可以以现有的各类神经网络模型为基础进行训练。训练样本可以包含不同年龄段的被试者行走过程中采集到的各类变异系数,由医学专家对每组行走过程进行变异评分。然后将各类变异系数作为输入,专家给出的变异评分作为输出来训练每个神经元的权重,以得到理想的变异评分模型。
本示例中,将输出的变异评分最低的M组候选行程,其中每组候选行程中包含N个连续的步态周期。
S220:基于所述对称性系数和所述时相性系数从所述M组候选行程中确定一组最佳行程。
可以计算每组候选行程中每个候选行程的综合系数,所述综合系数是对步长对称性、摆动相对称性、支撑相对称性、左支撑相系数、右支撑相系数、摆动相系数、以及双支撑相系数进行加权求和后得到的。其中上述每个分量的权重值可以平均分配,也可以根据实际情况有侧重点地分配,例如对于年长者来说,可以令步长对称性、摆动相对称性和支撑相对称性权重值较大,左支撑相系数、右支撑相系数、摆动相系数、以及双支撑相系数地权重值较小,以更好地补偿年长者在行走过程中支撑停顿时间较长的的情况。对于年轻者来说,则可以令步长对称性、摆动相对称性和支撑相对称性权重值较小,左支撑相系数、右支撑相系数、摆动相系数、以及双支撑相系数地权重值较大,从而能够准确反映年轻者的行走特点。最后,将综合系数最小的候选行程作为所述最佳行程。
通过上述步骤,可以从多个步态周期中确定出最佳行程,为准确做出假肢适配效果的评估提供保障。
示例性地,本发明中与最佳行程相对应的特征参数包括髋关节角度、膝关节角度、踝关节角度、地面反作用力、髋关节力矩、膝关节力矩、踝关节力矩以及肌电参数。
示例性地,步骤S400中将所述步态特征参数输入神经网络模型,以输出关于假肢适配效果的评分的步骤包括:
将所述步态特征参数输入步态分类模型,以确定与所述步态特征参数相对应的目标评估模型;将所述步态特征输入所述目标评估模型,以输出关于假肢适配效果的评分。
本步骤中涉及两个神经网络模型,分别为步态分类模型目标评估模型。其中步态分类模型用于划分步态的类型,包括平地运动、坡道运动和台阶运动,每一种运动都有相应的评估模型。
可以理解,在平地、坡道以及台阶这三种不同的场地上进行运动时,步态表现也是各不相同的。例如上坡和下坡过程中,下肢发力肌肉、对地面施压的足部位置、步幅、步频等各项参数均不同,如果采用单一的评估模型对不同步态类型进行评分,必然会产生很多误差,影响评估效果。因此本实施例首先基于步态特征参数确定适用的目标评估模型,再利用对应的目标评估模型进行假肢适配性评估,可以保证评估效果更加准确。
步态分类模型的训练过程可以为,分别采集受试者在平地行走、上坡、下坡、上台阶、下台阶过程中的步态特征参数,将这些步态特征参数作为输入,将对应运动类型作为输出,以训练步态分类模型。最终训练好的步态分类模型可以根据输入的步态特征参数输出对应的运动类型。在一个示例中,运动类型可以包括平地行走、上坡、下坡、上台阶和下台阶共五种类型。
每种运动类型对应一个独立的评估模型,该评估模型用来对相应运动类型的步态特征参数进行假肢适配性评估,以输出最终适配性评分。
评估模型的训练过程可以包括:将样本库中相应运动类型的步态特征参数以及已知的专家评分作为训练集;将步态特征参数作为输入,相应的专家评分作为输出来训练神经网络,经过多次训练最终确定网络层数、每层神经元个数及激活函数。
本发明中评估模型输出的假肢适配效果评分的分值范围可以在0-100分之间,其中低于60分代表“假肢不适配”,“60-80”分为“适配效果一般”,“80-100”分为“适配效果良好”。
综上所述,本发明一方面通过从多个步态周期中确定最佳行程,根据与最佳行程相对应的步态运动学参数、步态动力学参数和肌电参数,可以最大程度上消除由于外部或者内部因素造成的步态误差,从而提高假肢适配效果评估的准确性。另一方面,本发明通过神经网络模型基于输入的多个步态特征进行评估,输出对应的适配效果评分,评价标准更加全面合理,进一步提高假肢适配效果评估的准确性。
实施例2
本施例提供一种假肢适配效果的评估装置300,如图3所示,包括参数采集单元310、最佳步态确定单元320、特征获取单元330和评分单元340。
其中:
参数采集单元310适用于采集假肢穿戴者在多个步态周期中的步态运动学参数、步态动力学参数和肌电参数,其中所述步态运动学参数包括步速、步频、步长、步幅、步态周期、髋关节角度、膝关节角度和踝关节角度,所述步态动力学参数包括地面反作用力、髋关节力矩、膝关节力矩和踝关节力矩。
最佳行程确定单元320适用于基于所述步态运动学信息从所述多个步态周期中确定最佳行程,其中所述最佳行程包括N个连续的步态周期;
特征获取单元330适用于获取与所述最佳行程相对应的步态特征参数,所述步态特征参数包括从所述步态运动学参数、所述步态动力学参数和所述肌电参数中选取的多项指标参数;
评分单元340适用于将所述步态特征参数输入神经网络模型,以输出关于假肢适配效果的评分。
本发明一方面通过从多个步态周期中确定最佳行程,根据与最佳行程相对应的步态运动学参数、步态动力学参数和肌电参数,可以最大程度上消除由于外部或者内部因素造成的步态误差,从而提高假肢适配效果评估的准确性。另一方面,本发明通过神经网络模型基于输入的多个步态特征进行评估,输出对应的适配效果评分,评价标准更加全面合理,进一步提高假肢适配效果评估的准确性。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种假肢适配效果的评估方法,其特征在于,包括:
采集假肢穿戴者在多个步态周期中的步态运动学参数、步态动力学参数和肌电参数,其中所述步态运动学参数包括步速、步频、步长、步幅、步态周期、髋关节角度、膝关节角度和踝关节角度,所述步态动力学参数包括地面反作用力、髋关节力矩、膝关节力矩和踝关节力矩;其中所述多个步态周期包括所述假肢穿戴者在测试过程中的所有步态周期;
基于所述步态运动学信息从所述多个步态周期中确定最佳行程,所述最佳行程包括所述多个步态周期中的N个连续的步态周期,N为大于1的自然数;
获取与所述最佳行程相对应的步态特征参数,所述步态特征参数包括从所述步态运动学参数、所述步态动力学参数和所述肌电参数中选取的多项指标参数;
将所述步态特征参数输入神经网络模型,以输出关于假肢适配效果的评分。
2.根据权利要求1所述的假肢适配效果的评估方法,其特征在于,所述采集假肢穿戴者的步态运动学参数、步态动力学参数和肌电参数的步骤包括:
通过摄像机采集所述假肢穿戴者在行走过程中的多张姿态图像;
提取所述多张姿态图像中目标点的位置信息,基于所述目标点的位置信息计算所述步态运动学参数;
通过测力板采集所述假肢穿戴者足底压力数据,基于所述足底压力数据计算所述步态动力学参数;以及
通过肌电传感器获取所述假肢穿戴者的肌电参数。
3.根据权利要求1所述的假肢适配效果的评估方法,其特征在于,所述基于所述步态运动学信息确定最佳行程包括:
基于所述步态运动学参数,计算所述N个连续的步态周期内的对称性系数、时相性系数以及变异系数;其中所述对称性系数表征所述假肢穿戴者的左下肢运动学参数和右下肢运动学参数之间的相似度,所述时相性系数表征所述假肢穿戴者在所述N个连续的步态周期中包含的支撑相、摆动相所占实际比例与标准比例之间的相似度,所述变异系数用于表征所述N个连续的步态周期内的运动学参数之间的波动程度;
基于所述对称性系数、所述时相性系数和所述变异系数确定所述最佳行程。
4.根据权利要求3所述的假肢适配效果的评估方法,其特征在于,
所述对称性系数包括步长对称性、摆动相对称性和支撑相对称性;计算所述N个连续的步态周期内的对称性系数的步骤包括:
计算左步长最大值和右步长最小值之间的比值或左步长最小值和右步长最大值之间的比值以得到所述步长对称性,计算左下肢摆动相时间最大值和右下肢摆动相时间最小值之间的比值或左下肢摆动相时间最小值和右下肢摆动相时间最大值之间的比值以得到所述摆动相对称性,计算左下肢支撑相时间最大值和右下肢支撑相时间最小值之间的比值或左下肢支撑相时间最小值和右下肢支撑相时间最大值之间的比值以得到所述支撑相对称性;
所述时相性系数包括左支撑相系数、右支撑相系数、左摆动相系数、右摆动相系数以及双支撑相系数,计算所述N个连续的步态周期内的时相性系数的步骤包括:
计算所述N个连续的步态周期内每个步态周期的左支撑相占比的平均值与标准左支撑相比例之间的比值以得到所述左支撑相系数,计算所述N个连续的步态周期中每个步态周期的右支撑相占比的平均值与标准右支撑相比例之间的比值以得到所述右支撑相系数,计算所述N个连续的步态周期内每个步态周期的左摆动相占比的平均值与标准左摆动相比例之间的比值以得到所述左摆动相系数,计算所述N个连续的步态周期内每个步态周期的右摆动相占比的平均值与标准右摆动相比例之间的比值以得到所述左摆动相系数,计算所述N个连续的步态周期内每个步态周期的双支撑相占比的平均值与标准双支撑相比例之间的比值以得到所述双支撑相系数;
所述变异系数包括支撑相变异系数、摆动相变异系数、双腿支撑期变异系数、步幅变异系数、步幅时间变异系数、步长变异系数以及步长时间变异系数;计算所述N个连续的步态周期内的变异系数的步骤包括:
用所述N个连续的步态周期内的支撑相时间方差除以支撑相时间均值,以得到所述支撑相变异系数;用所述N个连续的步态周期内的摆动相时间方差除以摆动相时间均值,以得到所述摆动相变异系数;用所述N个连续的步态周期内的双腿支撑期方差除以双腿支撑期均值,以得到所述双腿支撑期变异系数;用所述N个连续的步态周期内的步幅方差除以步幅均值,以得到所述步幅变异系数;用所述N个连续的步态周期内的步长方差除以步长均值,以得到所述步长变异系数;用所述N个连续的步态周期内的步长时间方差除以步长时间均值,以得到所述步长时间变异系数。
5.根据权利要求4所述的假肢适配效果的评估方法,其特征在于,所述基于所述对称性系数、所述时相性系数和所述变异系数确定所述最佳行程的步骤包括:
基于所述变异系数从所述多个步态周期中确定M组候选行程,其中M为大于2的自然数,每组所述候选行程中包括N个连续的步态周期;
基于所述对称性系数和所述时相性系数从所述M组候选行程中确定一组最佳行程。
6.根据权利要求5所述的假肢适配效果的评估方法,其特征在于,所述基于所述变异系数从所述多个步态周期中确定M组候选行程的步骤包括:
通过机器学习训练步态评分模型,所述步态评分模型的训练样本包括作为输入训练数据的N个连续步态周期内的支撑相变异系数、摆动相变异系数、双腿支撑期变异系数、步幅变异系数、步幅时间变异系数、步长变异系数以及步长时间变异系数,以及作为输出数据的所述N个连续步态周期的步态变异评分;
将所述假肢穿戴者实际测得的在N个连续的步态周期之内的支撑相变异系数、摆动相变异系数、双腿支撑期变异系数、步幅变异系数、步幅时间变异系数、步长变异系数以及步长时间变异系数输入所述步态评分模型,以输出所述相应的步态变异评分;
将步态变异评分最低的M组所述N个连续的步态周期作为所述候选行程。
7.根据权利要求6所述的假肢适配效果的评估方法,其特征在于,所述基于所述对称性系数和所述时相性系数从所述M组候选行程中确定一个最佳行程的步骤包括:
计算每个所述候选行程的综合系数,所述综合系数是对所述N个连续的步态周期内的所述步长对称性、摆动相对称性、支撑相对称性、左支撑相系数、右支撑相系数、左摆动相系数、右摆动相系数以及双支撑相系数进行加权求和后得到的;
将综合系数最小的候选行程作为所述最佳行程。
8.根据权利要求1所述的假肢适配效果的评估方法,其特征在于,所述获取与所述最佳行程相对应的步态特征参数的步骤包括:
获取与所述最佳行程内的每个步态周期相对应的髋关节角度、膝关节角度、踝关节角度、地面反作用力、髋关节力矩、膝关节力矩、踝关节力矩以及肌电参数。
9.根据权利要求1所述的假肢适配效果的评估方法,其特征在于,所述将所述步态特征参数输入神经网络模型,以输出关于假肢适配效果的评分的步骤包括:
将所述步态特征参数输入步态分类模型,以确定与所述步态特征参数相对应的目标评估模型;
将所述步态特征输入所述目标评估模型,以输出关于假肢适配效果的评分。
10.一种假肢适配效果的评估装置,其特征在于,包括:
参数采集单元,适用于采集假肢穿戴者在多个步态周期中的步态运动学参数、步态动力学参数和肌电参数,其中所述步态运动学参数包括步速、步频、步长、步幅、步态周期、髋关节角度、膝关节角度和踝关节角度,所述步态动力学参数包括地面反作用力、髋关节力矩、膝关节力矩和踝关节力矩;
最佳行程确定单元,适用于基于所述步态运动学信息从所述多个步态周期中确定最佳行程,所述最佳行程包括N个连续的步态周期,N为大于1的自然数;
特征获取单元,适用于获取与所述最佳行程相对应的步态特征参数,所述步态特征参数包括从所述步态运动学参数、所述步态动力学参数和所述肌电参数中选取的多项指标参数;
评分单元,适用于将所述步态特征参数输入神经网络模型,以输出关于假肢适配效果的评分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010530514.3A CN111631727B (zh) | 2020-06-11 | 2020-06-11 | 一种假肢适配效果的评估方法及评估装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010530514.3A CN111631727B (zh) | 2020-06-11 | 2020-06-11 | 一种假肢适配效果的评估方法及评估装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111631727A true CN111631727A (zh) | 2020-09-08 |
CN111631727B CN111631727B (zh) | 2024-02-09 |
Family
ID=72324544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010530514.3A Active CN111631727B (zh) | 2020-06-11 | 2020-06-11 | 一种假肢适配效果的评估方法及评估装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111631727B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113081429A (zh) * | 2021-04-16 | 2021-07-09 | 西北工业大学 | 一种治疗膝骨关节炎的柔性智能辅助*** |
CN113143256A (zh) * | 2021-01-28 | 2021-07-23 | 上海电气集团股份有限公司 | 步态特征提取方法、下肢评估、控制方法、设备及介质 |
CN113440132A (zh) * | 2021-06-07 | 2021-09-28 | 中国人民解放军总医院第一医学中心 | 运动损伤预测方法、装置、***及计算机可读存储介质 |
CN113712711A (zh) * | 2021-09-13 | 2021-11-30 | 北京信息科技大学 | 假肢接受腔体的舒适度评估方法、装置及存储介质 |
CN114115310A (zh) * | 2021-11-19 | 2022-03-01 | 北京理工大学 | 一种四足机器人运动控制方法及*** |
CN117012362A (zh) * | 2023-10-07 | 2023-11-07 | 中国康复科学所(中国残联残疾预防与控制研究中心) | 一种适配数据识别方法、***、设备及存储介质 |
CN116999034A (zh) * | 2023-09-28 | 2023-11-07 | 中国康复科学所(中国残联残疾预防与控制研究中心) | 一种评估***及评估方法 |
CN117281667A (zh) * | 2023-11-09 | 2023-12-26 | 浙江强脑科技有限公司 | 运动模式识别方法、装置、智能假肢、终端及存储介质 |
CN118161316A (zh) * | 2024-05-14 | 2024-06-11 | 浙江强脑科技有限公司 | 基于摆动期时长的阻尼控制方法、装置、终端及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100131113A1 (en) * | 2007-05-03 | 2010-05-27 | Motek Bv | Method and system for real time interactive dynamic alignment of prosthetics |
US20140343460A1 (en) * | 2013-05-15 | 2014-11-20 | Ut-Battelle, Llc | Mobile gait force and motion analysis system |
US20150335450A1 (en) * | 2014-05-23 | 2015-11-26 | Joseph Coggins | Prosthetic limb test apparatus and method |
CN108022248A (zh) * | 2016-11-03 | 2018-05-11 | 北京航空航天大学 | 一种基于视觉采集设备的下肢步态康复评估*** |
CN110013370A (zh) * | 2019-05-24 | 2019-07-16 | 国家康复辅具研究中心 | 一种确定下肢假肢对线效果的方法和装置 |
WO2020018469A1 (en) * | 2018-07-16 | 2020-01-23 | The Board Of Trustees Of The Leland Stanford Junior University | System and method for automatic evaluation of gait using single or multi-camera recordings |
CN112926390A (zh) * | 2021-01-26 | 2021-06-08 | 国家康复辅具研究中心 | 一种步态运动模式识别方法和模型建立方法 |
-
2020
- 2020-06-11 CN CN202010530514.3A patent/CN111631727B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100131113A1 (en) * | 2007-05-03 | 2010-05-27 | Motek Bv | Method and system for real time interactive dynamic alignment of prosthetics |
US20140343460A1 (en) * | 2013-05-15 | 2014-11-20 | Ut-Battelle, Llc | Mobile gait force and motion analysis system |
US20150335450A1 (en) * | 2014-05-23 | 2015-11-26 | Joseph Coggins | Prosthetic limb test apparatus and method |
CN108022248A (zh) * | 2016-11-03 | 2018-05-11 | 北京航空航天大学 | 一种基于视觉采集设备的下肢步态康复评估*** |
WO2020018469A1 (en) * | 2018-07-16 | 2020-01-23 | The Board Of Trustees Of The Leland Stanford Junior University | System and method for automatic evaluation of gait using single or multi-camera recordings |
CN110013370A (zh) * | 2019-05-24 | 2019-07-16 | 国家康复辅具研究中心 | 一种确定下肢假肢对线效果的方法和装置 |
CN112926390A (zh) * | 2021-01-26 | 2021-06-08 | 国家康复辅具研究中心 | 一种步态运动模式识别方法和模型建立方法 |
Non-Patent Citations (2)
Title |
---|
CYNTHIA KENDELL ET AL: "Gait adaptations of transfemoral prosthesis users across multiple walking tasks", PROSTHETICS AND ORTHOTICS INTERNATIONAL, pages 89 - 95 * |
王娜: ""医工结合"模式下假肢适配的实践探讨", pages 1, Retrieved from the Internet <URL:https://www.chinadp.net.cn/culture_/acadamic/2020-05/11-22781.html> * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113143256A (zh) * | 2021-01-28 | 2021-07-23 | 上海电气集团股份有限公司 | 步态特征提取方法、下肢评估、控制方法、设备及介质 |
CN113143256B (zh) * | 2021-01-28 | 2023-09-26 | 上海电气集团股份有限公司 | 步态特征提取方法、下肢评估、控制方法、设备及介质 |
CN113081429A (zh) * | 2021-04-16 | 2021-07-09 | 西北工业大学 | 一种治疗膝骨关节炎的柔性智能辅助*** |
CN113440132B (zh) * | 2021-06-07 | 2023-09-12 | 中国人民解放军总医院第一医学中心 | 运动损伤预测方法、装置、***及计算机可读存储介质 |
CN113440132A (zh) * | 2021-06-07 | 2021-09-28 | 中国人民解放军总医院第一医学中心 | 运动损伤预测方法、装置、***及计算机可读存储介质 |
CN113712711A (zh) * | 2021-09-13 | 2021-11-30 | 北京信息科技大学 | 假肢接受腔体的舒适度评估方法、装置及存储介质 |
CN114115310A (zh) * | 2021-11-19 | 2022-03-01 | 北京理工大学 | 一种四足机器人运动控制方法及*** |
CN114115310B (zh) * | 2021-11-19 | 2023-12-15 | 北京理工大学 | 一种四足机器人运动控制方法及*** |
CN116999034A (zh) * | 2023-09-28 | 2023-11-07 | 中国康复科学所(中国残联残疾预防与控制研究中心) | 一种评估***及评估方法 |
CN116999034B (zh) * | 2023-09-28 | 2023-12-22 | 中国康复科学所(中国残联残疾预防与控制研究中心) | 一种评估***及评估方法 |
CN117012362A (zh) * | 2023-10-07 | 2023-11-07 | 中国康复科学所(中国残联残疾预防与控制研究中心) | 一种适配数据识别方法、***、设备及存储介质 |
CN117012362B (zh) * | 2023-10-07 | 2024-01-12 | 中国康复科学所(中国残联残疾预防与控制研究中心) | 一种适配数据识别方法、***、设备及存储介质 |
CN117281667A (zh) * | 2023-11-09 | 2023-12-26 | 浙江强脑科技有限公司 | 运动模式识别方法、装置、智能假肢、终端及存储介质 |
CN117281667B (zh) * | 2023-11-09 | 2024-04-09 | 浙江强脑科技有限公司 | 运动模式识别方法、装置、智能假肢、终端及存储介质 |
CN118161316A (zh) * | 2024-05-14 | 2024-06-11 | 浙江强脑科技有限公司 | 基于摆动期时长的阻尼控制方法、装置、终端及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111631727B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111631727B (zh) | 一种假肢适配效果的评估方法及评估装置 | |
Liu et al. | Intent pattern recognition of lower-limb motion based on mechanical sensors | |
Zhang et al. | Accurate ambulatory gait analysis in walking and running using machine learning models | |
US8821417B2 (en) | Method of monitoring human body movement | |
Stolyarov et al. | Translational motion tracking of leg joints for enhanced prediction of walking tasks | |
CN110811553B (zh) | 一种用于负重外骨骼助力效率的检测方法 | |
Choi et al. | Ground reaction forces predicted by using artificial neural network during asymmetric movements | |
CN113576463B (zh) | 肌电信号驱动的膝关节肌骨模型接触力估计方法及*** | |
Hossain et al. | Deepbbwae-net: A cnn-rnn based deep superlearner for estimating lower extremity sagittal plane joint kinematics using shoe-mounted imu sensors in daily living | |
Ding et al. | Control of walking assist exoskeleton with time-delay based on the prediction of plantar force | |
Zheng et al. | Locomotion mode recognition with robotic transtibial prosthesis in inter-session and inter-day applications | |
Song et al. | Adaptive neural fuzzy reasoning method for recognizing human movement gait phase | |
Huang et al. | Initial contact and toe-off event detection method for in-shoe motion sensor | |
Alzaydi et al. | Active prosthetic knee fuzzy logic-PID motion control, sensors and test platform design | |
Dinovitzer et al. | Accurate real-time joint torque estimation for dynamic prediction of human locomotion | |
Asif et al. | Analysis of Human Gait Cycle With Body Equilibrium Based on Leg Orientation | |
Fantozzi et al. | 3D Joint moments in transfemoral and transtibial amputees: when is the" ground reaction vector technique" an alternative to inverse dynamics? | |
Hendry et al. | Development of a machine learning model for the estimation of hip and lumbar angles in ballet dancers | |
Al-Maliky et al. | Study and analysis the flexion moment in active and passive knee prosthesis using back propagation neural network predictive | |
Nandy et al. | A study on damping profile for prosthetic knee | |
Patterson et al. | Using a shoe mounted tri-axial accelerometer to detect kinematic changes during stiff ankle walking | |
McCabe | Utilizing Neural Networks and Wearables to Quantify Hip Joint Angles and Moments During Walking and Stair Ascent | |
Park et al. | Real-time prediction of walking state and percent of gait cycle for robotic prosthetic leg using artificial neural network | |
Sandhu et al. | Role of artificial neural network for prediction of gait parameters and patterns | |
Al-Fahoum et al. | Feasibility study for anfis and emg utilization in modeling prosthesis for trans-femoral cut rehabilitation and gait cycle restoration |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |