CN111631731A - 近红外脑功能与触力/运动信息融合的评估方法及*** - Google Patents
近红外脑功能与触力/运动信息融合的评估方法及*** Download PDFInfo
- Publication number
- CN111631731A CN111631731A CN202010385554.3A CN202010385554A CN111631731A CN 111631731 A CN111631731 A CN 111631731A CN 202010385554 A CN202010385554 A CN 202010385554A CN 111631731 A CN111631731 A CN 111631731A
- Authority
- CN
- China
- Prior art keywords
- signals
- forearm
- infrared
- signal
- brain function
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
- A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
- A61B5/14553—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases specially adapted for cerebral tissue
-
- 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
- A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
- A61B5/1114—Tracking parts of the body
-
- 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
- A61B5/1124—Determining motor skills
- A61B5/1125—Grasping motions of hands
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/22—Ergometry; Measuring muscular strength or the force of a muscular blow
- A61B5/224—Measuring muscular strength
- A61B5/225—Measuring muscular strength of the fingers, e.g. by monitoring hand-grip force
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Physical Education & Sports Medicine (AREA)
- Neurology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Optics & Photonics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及近红外脑功能与触力/运动信息融合的评估方法及***。该方法包括:布置近红外脑功能检测设备的光源和探头;布置手指角度采集模块、手臂定位采集模块和手部压力采集模块;在拟实场景模块中选择特定的训练场景和任务,监测手部关节弯曲信号和前臂和大臂空间运动信号;在现实的康复训练场景中,监测手部关节弯曲信号和前臂、大臂空间运动信号和手部握力信号;将以上步骤中采集的信号传输至评估分析模块;评估分析模块根据收到的信号进行脑功能指标计算、触力/运动信息分析计算和近红外脑功能与触力/运动信息融合的评估计算,分析得到上肢运动能力和脑‑上肢协同能力的评估指标。
Description
技术领域
本发明涉及康复辅具领域,具体涉及一种近红外脑功能与触力/运动信息融合的动态量化评估方法及***,用于上肢运动能力和脑肢协同能力的评价。
背景技术
我国每年有200多万人发生脑卒中,脑卒中幸存者中约2/3会留下不同程度的功能障碍。同时,脑外伤、脑瘫等意外或疾病也会导致脑功能损伤,进而导致肢体运动功能障碍。这些肢体上的功能障碍给患者、家庭及社会带来了沉重的照护成本和负担,高质高效的康复训练是解决当前问题的最重要手段,也是帮助患者恢复生活独立、回归社会的必然选择。目前的康复技术领域正在形成脑肢协同的康复模式,采用脑功能调控和肢体运动疗法有效整合的方法为患者提供科学有序的康复策略,促进中枢神经***的可塑性变化和肢体运动功能的恢复。在脑肢协同康复过程中,对患者进行有效的康复评估是制定康复训练策略的基础。
针对上肢的康复评估问题,目前已有相关的技术和方法。中国专利CN 104850216A涉及一种具有压力触觉感测器的手套,利用压力感测元件、加速度计元件与陀螺仪元件,使电子手套或手环可感应穿戴电子手套的使用者手指的下压力道、手掌的现有角度、姿态与动作,可用于手部运动数据监测和运动能力评估,但缺乏脑功能参数测量;中国专利CN209377571 U涉及一种触觉刺激装置及触觉脑图谱测量***,通过伸缩驱动件提供触觉刺激,并利用核磁机进行触觉脑图谱的测量,缺少了运动信息的测量;中国专利CN 110364239A涉及一种基于伪触觉的肢体运动康复训练***,通过视觉方法观察用户界面中光标跟随目标物体速度的变化实现伪触觉,帮助患者进行康复训练,更侧重于锻炼和评估认知能力,同样缺乏运动信息的测量;中国专利CN 110192861 A涉及一种智能辅助脑功能实时检测***,利用AR(增强现实)设备和力反馈装置刺激脑功能障碍患者,通过磁共振实时检测脑功能活跃情况,判断脑功能受损情况,侧重于脑功能评估,缺乏脑功能与运动信息交叉的评估手段;中国专利CN 104706499 A涉及一种上肢脑神经康复训练***及训练方法,具有能够带动训练者上肢运动且具有力反馈功能的机械结构,结合虚拟现实场景进行康复训练,同样缺乏脑功能与运动信息交叉的评估手段;中国专利CN 107577343 A涉及一种基于力触觉反馈和脑电信号分析的注意力训练与评价装置,通过力触觉反馈训练受试者,同步记录脑电信号,将行为学的表现水平和生理指标相结合,虽然具有脑功能与行为表现交叉的评估手段,但侧重认知训练且缺乏运动参数的测量、分析和应用。
综上,在上肢的康复评估领域,目前缺乏肢体运动训练过程中的动态脑功能定量评估技术和方法,缺少将脑功能与动力学信息融合的动态量化评估方法和***,而这正是改善患者康复效果所迫切需要的。
发明内容
基于现有技术中的上述问题,本发明的目的是提供一种近红外脑功能与触力/运动信息融合的动态量化评估方法及***。该动态量化评估方法和***能够融合近红外脑血氧信号参数、上肢多自由度运动参数和握力数据信息,并提供基于虚拟现实场景的触觉反馈,实现上肢运动能力和脑-上肢协同能力的动态量化评估。
为实现上述发明目的,本发明的一个方面提供一种近红外脑功能与触力/运动信息融合的评估方法,其特征在于,包括以下步骤:
1)按照近红外脑功能检测光源探头模板布置近红外脑功能检测设备的光源和探头;
2)布置手指角度采集模块、手臂定位采集模块和手部压力采集模块,其中手臂定位采集模块的前臂惯性传感器和大臂惯性传感器位置与手指角度采集模块的柔性手套位于同一直线上;
3)在拟实场景模块中选择特定的训练场景和任务,利用手指角度采集模块监测手部关节弯曲信号,利用手臂定位采集模块监测前臂和大臂空间运动信号;
4)在现实的康复训练场景中,利用手指角度采集模块监测手部关节弯曲信号,利用手臂定位采集模块监测前臂和大臂空间运动信号,利用手部压力采集模块监测手部握力信号;
5)将步骤1)和步骤3)或步骤4)采集的信号传输至评估分析模块;
6)评估分析模块根据收到的信号进行脑功能指标计算、触力/运动信息分析计算和近红外脑功能与触力/运动信息融合的评估计算,分析得到上肢运动能力和脑-上肢协同能力的评估指标。
根据本发明的一个实施例,在步骤3)的拟实场景中,在触碰到虚拟物体时触觉反馈模块能够在使用者指端产生振动触觉。
在本发明的另一个实施例中,根据以下步骤来处理步骤6)中所传输的近红外脑血氧信号:
根据连续复小波变换计算、时域平均计算、小波相位相干计算和基于贝叶斯推论的效应连接计算,得到小波幅值WA、小波相位相干性WPCO、耦合强度CS和耦合方向CD,并根据侧偏性指标计算规则,以某大脑半球与对侧大脑半球的脑功能指标之差除以某大脑半球与对侧大脑半球的脑功能指标之和,即公式:
计算基于所述小波幅值WA的侧偏性系数lWA、基于小波相位相干性WPCO的侧偏性系数lWPCO和基于耦合强度CS的侧偏性系数lCS。
在本发明的再一个实施例中,根据以下步骤来处理5)中所传输的手部关节弯曲信号、前臂和大臂空间运动信号和手部握力信号:
对一次任务训练时间段内所述手部关节弯曲信号、所述前臂和大臂空间运动信号和所述手部握力信号进行一阶和二阶微分运算,得到信号变化速度和加速度;
对一次任务训练时间段内所述手部关节弯曲信号、所述前臂和大臂空间运动信号和所述手部握力信号进行插值拟合计算,得到对应的插值拟合信号;
根据平滑度计算方法:
计算平滑度r,其中,f(n)为原始信号,F(n)为插值拟合信号,得到平滑度指标,表征手部弯曲、前臂和大臂空间运动和手部握力改变的平顺性。
在本发明的又一个实施例中,根据以下步骤进行近红外脑功能与触力/运动信息融合的评估计算:
对一次任务训练时间段内,每一个采集通道采集到的所述近红外脑血氧信号、所述手部关节弯曲信号、所述前臂和大臂空间运动信号和所述手部握力信号进行归一化计算,转化为标量信号;
对所述手部关节弯曲信号、所述前臂和大臂空间运动信号和所述手部握力信号对应的标量信号进行重采样计算,使其信号频率与所述近红外脑血氧信号保持一致;
计算重采样信号与所述近红外脑血氧信号的标量信号的皮尔逊相关系数,表征触力/运动信息与近红外脑功能的相关程度;
基于贝叶斯推论的效应连接计算方法,计算重采样信号与所述近红外脑血氧信号的标量信号间的耦合强度CSm和耦合方向CDm,表征触力/运动信息与近红外脑功能的因果关系。
本发明的另一方面还提供一种近红外脑功能与触力/运动信息融合的评估***,其特征在于,包括:
近红外脑功能采集模块,用于采集相应脑区的近红外脑血氧信号,并将采集到的近红外脑血氧信号传输至评估分析模块;
触力/运动数据手套模块,用于采集使用者在虚拟现实场景中的手部关节弯曲信号、前臂和大臂空间运动信号,以及用于采集现实康复训练场景中的手部关节弯曲信号、前臂和大臂空间运动信号和手部握力信号,并将这些信号传输至评估分析模块;
评估分析模块,用于根据所述近红外脑功能采集模块传输的所述近红外脑血氧信号以及触力/运动数据手套模块传输的所述手部关节弯曲信号、所述前臂和大臂空间运动信号和所述手部握力信号,进行评估分析计算。
在本发明的一个实施例中,近红外脑功能采集模块包括:
光源探头模板,用于设定近红外监测的光源探头位置和采集通道布置;
近红外信息采集模块,用于采集近红外脑血氧信号,以及
脑功能数据传输模块,用于将近红外信息采集模块所采集到的近红外脑血氧信号传输至所述评估分析模块。
在本发明的一个实施例中,触力/运动数据手套模块包括:
手部压力采集模块,用于采集在现实康复训练场景中的手部握力信号,手部压力采集模块由分布于数据手套内侧手掌和手指处的压力传感器阵列构成;
手指角度采集模块,用于采集虚拟现实场景和现实康复训练场景中的手部关节弯曲信号;
手臂定位采集模块,用于采集虚拟现实场景和现实康复训练场景中的前臂和大臂空间运动信号;
拟实场景模块,用于根据所述手指角度采集模块采集的手部关节弯曲信号和手臂定位采集模块采集的前臂和大臂空间运动信号,在拟实训练场景中复现上肢运动动作,形成与用户间的虚拟现实交互;
触觉反馈模块,用于在拟实训练场景中虚拟手指端接触到虚拟场景中的物体时,在使用者的手指端提供振动触觉。
在本发明的另一个实施例中,触力/运动数据手套模块还包括手套数据传输模块,用于将所述手指角度采集模块采集的手部关节弯曲信号和手臂定位采集模块采集的前臂和大臂空间运动信号传输至拟实场景模块,还用于将手部关节弯曲信号、所述前臂和大臂空间运动信号和所述手部握力信号传输至所述评估分析模块。
根据本发明的再一个实施例,单个数据手套的触觉反馈模块由位于手指端的触觉反馈器构成。
本发明还提供一种近红外脑功能与触力/运动信息融合的动态量化评估方法,该方法包括以下步骤:
1)建立使用者与近红外脑功能采集模块的连接,按照近红外脑功能检测光源探头模板布置近红外脑功能检测设备的光源和探头,所采集的脑区包括但不限制于运动区皮层和前额叶皮层;
2)建立使用者与触力/运动数据手套模块的连接,将柔性手套佩戴至双手,将前臂惯性传感器佩戴至前臂背外侧处,将大臂惯性传感器佩戴至大臂背外侧处,前臂惯性传感器和大臂惯性传感器位置与柔性手套在一条直线上,将躯干惯性传感器佩戴至腰腹部中间处;
3.1)在拟实场景模块中选择特定的训练场景和任务,使用者按照训练场景和任务在拟实场景中进行交互式上肢训练,手指角度采集模块监测手部关节弯曲信号,手臂定位采集模块监测前臂和大臂空间运动信号,在拟实场景中触碰到虚拟物体时触觉反馈模块在指端产生振动触觉;
或3.2)在现实的康复训练场景中,使用者进行常规上肢训练,手指角度采集模块监测手部关节弯曲信号,手臂定位采集模块监测前臂和大臂空间运动信号,手部压力采集模块监测手部握力信号;
4)训练过程中,所述近红外脑功能采集模块的数据传输模块将近红外脑血氧信号传输至评估分析模块,所述触力/运动数据手套模块的数据传输模块将手部关节弯曲信号、前臂和大臂空间运动信号和手部握力信号传输至评估分析模块;
5)评估分析模块根据收到的信号进行脑功能指标计算、触力/运动信息分析计算和近红外脑功能与触力/运动信息融合的评估计算,分析得到上肢运动能力和脑-上肢协同能力的评估指标。
根据本发明的一个具体实施例,步骤5)中,根据以下步骤来处理步骤4)中所传输的近红外脑血氧信号:
对每一个采集通道采集到的所述近红外脑血氧信号进行连续复小波变换,小波变换的频率范围为0.01-0.08Hz,来源于神经活动信号频段,得到小波系数矩阵,在时域上取平均得到频域小波系数矩阵;
计算所述频域小波系数矩阵的模,并在0.01-0.08Hz范围内进行积分运算,得到每一个通道的小波幅值WA;
计算所述频域小波系数矩阵的相位,得到频域小波相位矩阵,并由此进行每两两通道近红外脑血氧信号的小波相位相干性WPCO计算,得到脑功能连接指标;
根据得到的所述频域小波相位矩阵,基于贝叶斯推论的效应连接计算方法,计算每两两通道近红外脑血氧信号间的耦合强度CS和耦合方向CD,得到脑效应连接指标;
根据侧偏性指标计算规则,以某大脑半球与对侧大脑半球的脑功能指标之差除以某大脑半球与对侧大脑半球的脑功能指标之和,即
计算基于所述小波幅值WA的侧偏性系数lWA、基于小波相位相干性WPCO的侧偏性系数lWPCO和基于耦合强度CS的侧偏性系数lCS。
根据本发明的一个具体实施例,步骤5)中,根据以下步骤来处理4)中所传输的手部关节弯曲信号、前臂和大臂空间运动信号和手部握力信号:
对一次任务训练时间段内所述手部关节弯曲信号、所述前臂和大臂空间运动信号和所述手部握力信号进行一阶和二阶微分运算,得到所述手部关节弯曲信号、所述前臂和大臂空间运动信号和所述手部握力信号对应的信号变化速度和加速度;
对一次任务训练时间段内所述手部关节弯曲信号、所述前臂和大臂空间运动信号和所述手部握力信号进行插值拟合计算,包括但不限制于最小二乘法插值拟合计算和三次样条差值拟合计算,得到对应的插值拟合信号;
根据所述手部关节弯曲信号、所述前臂和大臂空间运动信号、所述手部握力信号和所述对应的插值拟合信号,根据平滑度计算方法:
其中,f(n)为原始信号,F(n)为插值拟合信号,计算所述手部关节弯曲信号、所述前臂和大臂空间运动信号和所述手部握力信号的平滑度,得到平滑度指标,表征手部弯曲、前臂和大臂空间运动和手部握力改变的平顺性。
根据本发明的一个具体实施例,步骤5)中,根据以下步骤来进行近红外脑功能与触力/运动信息融合的评估计算:
对一次任务训练时间段内,每一个采集通道采集到的所述近红外脑血氧信号、所述手部关节弯曲信号、所述前臂和大臂空间运动信号和所述手部握力信号进行归一化计算,转化为标量信号;
对所述手部关节弯曲信号、所述前臂和大臂空间运动信号和所述手部握力信号对应的标量信号进行重采样计算,使其信号频率与所述近红外脑血氧信号保持一致;
计算重采样后的所述手部关节弯曲信号、所述前臂和大臂空间运动信号和所述手部握力信号的标量信号与所述近红外脑血氧信号的标量信号的皮尔逊相关系数,表征触力/运动信息与近红外脑功能的相关程度;
基于贝叶斯推论的效应连接计算方法,计算重采样后的所述手部关节弯曲信号、所述前臂和大臂空间运动信号和所述手部握力信号的标量信号与所述近红外脑血氧信号的标量信号间的耦合强度CSm和耦合方向CDm,表征触力/运动信息与近红外脑功能的因果关系。
本发明还提供一种近红外脑功能与触力/运动信息融合的动态量化评估***,包括:
近红外脑功能采集模块,用于建立使用者与近红外脑功能采集设备的连接,根据特定的光源探头模板采集相应脑区的近红外脑血氧信号,并将采集到的近红外脑血氧信号传输至评估分析模块;
触力/运动数据手套模块,用于建立使用者与触力/运动数据手套的连接,采集使用者在虚拟现实场景中的手部关节弯曲信号、前臂和大臂空间运动信号,以及现实康复训练场景中的手部关节弯曲信号、前臂和大臂空间运动信号和手部握力信号,并将这些信号传输至评估分析模块;
评估分析模块,用于根据所述近红外脑功能采集模块传输的所述近红外脑血氧信号,以及触力/运动数据手套模块传输的所述手部关节弯曲信号、所述前臂和大臂空间运动信号和所述手部握力信号,进行评估分析计算。
根据本发明的一个具体实施例,近红外脑功能采集模块包括:
光源探头模板,用于设定近红外监测的光源探头位置和采集通道布置;
近红外信息采集模块,用于采集近红外脑血氧信号;
脑功能数据传输模块,用于将采集到的所述近红外脑血氧信号传输至所述评估分析模块。
根据本发明的一个具体实施例,触力/运动数据手套模块包括:
手部压力采集模块,用于采集在现实康复训练场景中的手部握力信号,由分布于数据手套内侧手掌和手指处的压力传感器阵列构成;
手指角度采集模块,用于采集虚拟现实场景和现实康复训练场景中的手部关节弯曲信号,其中单个数据手套的手指角度模块由位于数据手套背外侧5个掌指关节、5个近侧指间关节和4个掌指关节之间的共14个弯曲传感器阵列构成;
手臂定位采集模块,用于采集虚拟现实场景和现实康复训练场景中的前臂和大臂空间运动信号,其中单侧的手臂定位模块由位于前臂背外侧、大臂背外侧和腰腹部中间的3个惯性传感器构成;
拟实场景模块,用于根据所述手指角度采集模块采集的手部关节弯曲信号和手臂定位采集模块采集的前臂和大臂空间运动信号,在Unity 3D平台构建的拟实训练场景中复现上肢运动动作,形成与用户间的虚拟现实交互;
触觉反馈模块,用于在Unity 3D平台构建的拟实训练场景中,虚拟手指端接触到虚拟场景中的物体时,在真实的手指端提供振动触觉,其中单个数据手套的触觉反馈模块由位于5个手指端的5个触觉反馈器构成;
手套数据传输模块,用于将所述手指角度采集模块采集的手部关节弯曲信号和手臂定位采集模块采集的前臂和大臂空间运动信号传输至拟实场景模块,还用于将手部关节弯曲信号、所述前臂和大臂空间运动信号和所述手部握力信号传输至所述评估分析模块。
本发明的有益效果是:
1)对肢体运动训练过程中的脑功能状态能够进行实时定量的评估;
2)能够实现脑功能与动力学信息融合的上肢运动功能和脑肢协同能立的动态量化评估;
3)近红外技术设备和触力/运动数据手套技术设备具有良好的可穿戴性和便携性,便于实时监测脑功能和动力学信息;
4)通过虚拟现实交互技术手段,提供训练过程中的视觉反馈和触觉反馈,提高训练效率和训练质量,实现康复评估与康复训练相结合。
上述概述仅仅是为了说明书的目的,并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外,通过参考附图和以下的详细描述,本发明进一步的方面、实施方式和特征将会是容易明白的。
附图说明
在附图中,除非另外规定,否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解,这些附图仅描绘了根据本发明公开的一些实施方式,而不应将其视为是对本发明范围的限制。
图1为本发明实施例的一种近红外脑功能与触力/运动信息融合的动态量化评估***的构成示意图;
图2为本发明实施例的近红外光源探头的布置示意图;
图3为本发明实施例的手部压力采集模块和触力反馈模块的示意图;
图4为本发明实施例的手指角度采集模块反馈模块的示意图。
图5为本发明实施例的触力/运动数据手套模块构成和穿戴方式的示意图;
图6为本发明实施例的脑功能指标计算的流程图;
图7为本发明实施例的触力/运动信息分析计算的流程图;
图8为本发明实施例的近红外脑功能与触力/运动信息融合评估计算的流程图。
具体实施方式
在下文中,仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样,在不脱离本发明的精神或范围的情况下,可通过各种不同方式修改所描述的实施例。因此,附图和描述被认为本质上是示例性的而非限制性的。
以下通过附图详细地描述根据本发明的近红外脑功能与触力/运动信息融合的动态量化评估方法及***。
如图1所示,本发明的近红外脑功能与触力/运动信息融合的动态量化评估***总体上包括近红外脑功能信息采集模块、触力/运动数据手套模块和评估分析模块这三个部分。
近红外脑功能信息采集模块用于建立使用者与近红外脑功能采集设备的连接,其根据特定的光源探头模板采集相应脑区的近红外脑血氧信号,并将采集到的近红外脑血氧信号传输至评估分析模块。
如图1所示,近红外脑功能采集模块包括光源探头模板、近红外信息采集模块和脑功能数据传输模块。
光源探头模板用于设定近红外监测的光源探头位置和采集通道布置。如图2所示为覆盖在左右运动区和左右前额叶皮层探测区域的光源探头模板,每个光源和探头之间形成近红外监测通道,监测对应皮质区域的近红外脑血氧信号。
近红外信息采集模块用于采集近红外脑血氧信号。脑功能数据传输模块用于将近红外信息采集模块所采集到的近红外脑血氧信号传输至所述评估分析模块。
触力/运动数据手套模块用于建立使用者与触力/运动数据手套的连接,其采集使用者在虚拟现实场景中的手部关节弯曲信号、前臂和大臂空间运动信号,以及现实康复训练场景中的手部关节弯曲信号、前臂和大臂空间运动信号和手部握力信号,并将这些信号传输至评估分析模块。
如图1所示,触力/运动数据手套模块包括手部压力采集模块、手指角度采集模块、手臂定位采集模块、拟实场景模块、触觉反馈模块和数据传输模块六部分。
手部压力采集模块用于采集在现实康复训练场景中的手部握力信号。如图3所示,手部压力采集模块由分布于数据手套内侧手掌和手指处的压力传感器301阵列构成。
手指角度采集模块用于采集虚拟现实场景和现实康复训练场景中的手部关节弯曲信号。如图4所示,对于单侧数据手套,手指角度采集模块,由位于数据手套背外侧5个掌指关节弯曲传感器401、5个近侧指间关节弯曲传感器402和4个掌指关节之间的弯曲传感器403共14个弯曲传感器阵列构成。
手臂定位采集模块用于采集虚拟现实场景和现实康复训练场景中的前臂和大臂空间运动信号。如图5所示,对于单侧数据手套,手臂定位采集模块由位于前臂背外侧惯性传感器501、大臂背外侧惯性传感器502和腰腹部中间惯性传感器503构成,惯性传感器内部集成三轴加速度传感器、三轴陀螺仪传感器和三轴磁力计,测量对应身体部位的加速度、角速率和姿态航向角。惯性传感器501和惯性传感器502以惯性传感器503为基准,测量前臂和大臂的加速度、角速度和姿态航向角,并通过四元数法表征前臂和大臂的空间轨迹信息,得到前臂和大臂空间运动信号。
如图5所示,拟实场景模块504用于根据手指角度采集模块采集的手部关节弯曲信号和手臂定位采集模块采集的前臂和大臂空间运动信号,在Unity 3D平台构建的拟实训练场景中复现上肢运动动作,形成与用户间的虚拟现实交互。
触觉反馈模块用于在Unity 3D平台构建的拟实训练场景中,虚拟手指端接触到虚拟场景中的物体时,在真实的手指端提供振动触觉。如图3所示,对于单侧数据手套,触觉反馈模块由位于5个手指端的5个触觉反馈器302构成。
手套数据传输模块505用于将手指角度采集模块采集的手部关节弯曲信号和手臂定位采集模块采集的前臂和大臂空间运动信号传输至拟实场景模块504,还用于将手部关节弯曲信号述前臂和大臂空间运动信号和手部握力信号传输至评估分析模块。
评估分析模块用于根据近红外脑功能采集模块传输的近红外脑血氧信号,以及触力/运动数据手套模块传输的手部关节弯曲信号、前臂和大臂空间运动信号和手部握力信号,进行评估分析计算。
以下描述根据本发明的近红外脑功能与触力/运动信息融合的动态量化评估方法。
该方法包括以下步骤:
1)建立使用者与近红外脑功能采集模块的连接。如图2所示,按照近红外脑功能检测光源探头模板布置近红外脑功能检测设备的光源和探头,所采集的脑区包括但不限制于运动区皮层和前额叶皮层;
2)建立使用者与触力/运动数据手套模块的连接。如图5所示,将柔性手套佩戴至双手,将前臂惯性传感器佩戴至前臂背外侧处,将大臂惯性传感器佩戴至大臂背外侧处,前臂惯性传感器和大臂惯性传感器位置与柔性手套在一条直线上,将躯干惯性传感器佩戴至腰腹部中间处;
3.1)在拟实场景模块504中选择特定的训练场景和任务,使用者按照训练场景和任务在拟实场景中进行交互式上肢训练,手指角度采集模块监测手部关节弯曲信号,手臂定位采集模块监测前臂和大臂空间运动信号,在拟实场景中触碰到虚拟物体时触觉反馈模块在指端产生振动触觉;
或3.2)在现实的康复训练场景中,使用者进行常规上肢训练,手指角度采集模块监测手部关节弯曲信号,手臂定位采集模块监测前臂和大臂空间运动信号,手部压力采集模块监测手部握力信号;
4)训练过程中,脑功能数据传输模块将近红外脑血氧信号传输至评估分析模块,手套数据传输模块505将手部关节弯曲信号、前臂和大臂空间运动信号和手部握力信号传输至评估分析模块;
5)评估分析模块根据近红外脑血氧信号、手部关节弯曲信号、前臂和大臂空间运动信号和手部握力信号进行脑功能指标计算、触力/运动信息分析计算和近红外脑功能与触力/运动信息融合的评估计算,分析得到上肢运动能力和脑-上肢协同能力的评估指标。
在以上步骤5)中,如图6所示,根据以下步骤进行脑功能指标计算。
第一,基于小波变换的脑激活程度计算和脑功能连接强度计算。
对每一个采集通道采集到的近红外脑血氧信号进行连续复小波变换,小波变换的频率范围为0.01-0.08Hz,得到小波系数矩阵G(s,t):
其中,t为时间参数,g(u)为近红外脑血氧信号,Ψs,t(u)为小波基函数,本实施例采用Morlet小波基函数用于连续小波分析,s为小波变换的尺度序列,其中,尺度s与频率f的关系为:
其中,fc为小波变换中心频率,取1Hz,能较好的满足时频分辨率要求;δt为设定的采样周期,取0.1s;
将得到的小波系数矩阵G(s,t)在时域上取平均得到频域小波系数矩阵;
计算频域小波系数矩阵的模,并在0.01-0.08Hz范围内进行积分运算,得到每一个通道的小波幅值WA,WA用于表征脑激活程度;
计算频域小波系数矩阵的相位,得到频域小波相位矩阵φ(f,t),并由此进行每两两通道近红外脑血氧信号的小波相位相干性WPCO计算,得到脑功能连接指标。以通道x、y为例,其相位信息之差为Δφxy(f,t),将cosΔφxy(f,t)和sinΔφxy(f,t)在时域内平均化得到<cosΔφxy(f)>和<sinΔφxy(f)>,计算公式为:
式中,l=1,2,...,L,L为血氧信号数据序列中包含的数据个数。由此得到小波相位相干性WPCO为:
WPCO用于表征脑功能连接强度;
第二,基于贝叶斯推论的效应连接强度计算。
根据得到的频域小波相位矩阵φ(f,t),基于贝叶斯推论的效应连接计算方法,计算得到计算每两两通道近红外脑血氧信号间相位耦合模型的耦合系数矩阵c根据耦合系数矩阵c计算耦合强度CS和耦合方向CD,得到脑效应连接指标。以小波相位矩阵φi和φj为例,从φi到φj的耦合强度CSi,j被定义为源于相位动态的推断参数ck的欧几里德范数:
耦合强度CSi,j表示出了振子φi的相位对振子φj的频率施加的影响量的总体估计。耦合方向定义为:
若CDi,j为正值,则CSj,i>CSi,j,耦合方向为φj→φi;反之,CDi,j为负值,则CSj,i<CSi,j,耦合方向为φi→φj。由此计算得出耦合强度CS和耦合方向CD,得到脑效应连接指标。
第三,基于侧偏性计算规则的侧偏性指标计算。
根据侧偏性计算规则,即:
以某大脑半球与对侧大脑半球的脑功能指标之差除以某大脑半球与对侧大脑半球的脑功能指标之和,计算基于小波幅值WA的侧偏性系数lWA、基于小波相位相干性WPCO的侧偏性系数lWPCO和基于耦合强度CS的侧偏性系数lCS。
在步骤5)中,如图7所示,根据以下步骤进行触力/运动信息分析计算:
对一次任务训练时间段内手部关节弯曲信号、前臂和大臂空间运动信号和手部握力信号进行一阶和二阶微分运算,得到手部关节弯曲信号、前臂和大臂空间运动信号和手部握力信号对应的信号变化速度和加速度;
对一次任务训练时间段内手部关节弯曲信号、前臂和大臂空间运动信号和手部握力信号进行插值拟合计算,包括但不限制于最小二乘法插值拟合计算和三次样条差值拟合计算,得到对应的插值拟合信号;
根据手部关节弯曲信号、前臂和大臂空间运动信号、手部握力信号和对应的插值拟合信号,根据平滑度计算方法计算手部关节弯曲信号、前臂和大臂空间运动信号和手部握力信号的平滑度,得到平滑度指标,表征手部弯曲、前臂和大臂空间运动和手部握力改变的平顺性。
平滑度r由以下公式计算:
其中,f(n)为原始的手部关节弯曲信号、前臂和大臂空间运动信号和手部握力信号,F(n)为手部关节弯曲信号、前臂和大臂空间运动信号和手部握力信号的插值拟合信号。
在步骤5)中,如图8所示,根据以下步骤进行近红外脑功能与触力/运动信息融合的评估计算:
对一次任务训练时间段内,每一个采集通道采集到的近红外脑血氧信号、手部关节弯曲信号、前臂和大臂空间运动信号和手部握力信号进行归一化计算,转化为标量信号f(n)1;
对手部关节弯曲信号、前臂和大臂空间运动信号和手部握力信号对应的标量信号f(n)1进行重采样计算,使其信号频率与近红外脑血氧信号保持一致,得到重采样信号f(n)2;
计算手部关节弯曲信号、前臂和大臂空间运动信号和手部握力信号的重采样信号f(n)2与近红外脑血氧信号的标量信号的皮尔逊相关系数P,表征触力/运动信息与近红外脑功能的相关程度;
基于贝叶斯推论的效应连接计算方法,计算重采样后的手部关节弯曲信号、前臂和大臂空间运动信号和手部握力信号的重采样信号f(n)2与近红外脑血氧信号标量信号间的耦合强度CSm和耦合方向CDm,表征触力/运动信息与近红外脑功能的因果关系。
最后应说明的是:以上实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换,而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种近红外脑功能与触力/运动信息融合的评估方法,其特征在于,包括以下步骤:
1)按照近红外脑功能检测光源探头模板布置近红外脑功能检测设备的光源和探头;
2)布置手指角度采集模块、手臂定位采集模块和手部压力采集模块,其中手臂定位采集模块的前臂惯性传感器和大臂惯性传感器位置与手指角度采集模块的柔性手套位于同一直线上;
3)在拟实场景模块中选择特定的训练场景和任务,利用手指角度采集模块监测手部关节弯曲信号,利用手臂定位采集模块监测前臂和大臂空间运动信号;
4)在现实的康复训练场景中,利用手指角度采集模块监测手部关节弯曲信号,利用手臂定位采集模块监测前臂和大臂空间运动信号,利用手部压力采集模块监测手部握力信号;
5)将步骤1)和步骤3)或步骤4)采集的信号传输至评估分析模块;
6)评估分析模块根据收到的信号进行脑功能指标计算、触力/运动信息分析计算和近红外脑功能与触力/运动信息融合的评估计算,分析得到上肢运动能力和脑-上肢协同能力的评估指标。
2.根据权利要求1所述的近红外脑功能与触力/运动信息融合的评估方法,其中,在步骤3)的拟实场景中,在触碰到虚拟物体时触觉反馈模块能够在使用者指端产生振动触觉。
5.根据权利要求1所述的近红外脑功能与触力/运动信息融合的评估方法,根据以下步骤进行近红外脑功能与触力/运动信息融合的评估计算:
对一次任务训练时间段内,每一个采集通道采集到的所述近红外脑血氧信号、所述手部关节弯曲信号、所述前臂和大臂空间运动信号和所述手部握力信号进行归一化计算,转化为标量信号;
对所述手部关节弯曲信号、所述前臂和大臂空间运动信号和所述手部握力信号对应的标量信号进行重采样计算,使其信号频率与所述近红外脑血氧信号保持一致;
计算重采样信号与所述近红外脑血氧信号的标量信号的皮尔逊相关系数,表征触力/运动信息与近红外脑功能的相关程度;
基于贝叶斯推论的效应连接计算方法,计算重采样信号与所述近红外脑血氧信号的标量信号间的耦合强度CSm和耦合方向CDm,表征触力/运动信息与近红外脑功能的因果关系。
6.一种近红外脑功能与触力/运动信息融合的评估***,其特征在于,包括:
近红外脑功能采集模块,用于采集相应脑区的近红外脑血氧信号,并将采集到的近红外脑血氧信号传输至评估分析模块;
触力/运动数据手套模块,用于采集使用者在虚拟现实场景中的手部关节弯曲信号、前臂和大臂空间运动信号,以及用于采集现实康复训练场景中的手部关节弯曲信号、前臂和大臂空间运动信号和手部握力信号,并将这些信号传输至评估分析模块;
评估分析模块,用于根据所述近红外脑功能采集模块传输的所述近红外脑血氧信号以及触力/运动数据手套模块传输的所述手部关节弯曲信号、所述前臂和大臂空间运动信号和所述手部握力信号,进行评估分析计算。
7.根据权利要求6所述的近红外脑功能与触力/运动信息融合的评估***,其中,近红外脑功能采集模块包括:
光源探头模板,用于设定近红外监测的光源探头位置;
近红外信息采集模块,用于采集近红外脑血氧信号,以及
脑功能数据传输模块,用于将近红外信息采集模块所采集到的近红外脑血氧信号传输至所述评估分析模块。
8.根据权利要求6所述的近红外脑功能与触力/运动信息融合的评估***,其中,触力/运动数据手套模块包括:
手部压力采集模块,用于采集在现实康复训练场景中的手部握力信号,手部压力采集模块由分布于数据手套内侧手掌和手指处的压力传感器阵列构成;
手指角度采集模块,用于采集虚拟现实场景和现实康复训练场景中的手部关节弯曲信号;
手臂定位采集模块,用于采集虚拟现实场景和现实康复训练场景中的前臂和大臂空间运动信号;
拟实场景模块,用于根据所述手指角度采集模块采集的手部关节弯曲信号和手臂定位采集模块采集的前臂和大臂空间运动信号,在拟实训练场景中复现上肢运动动作,形成与用户间的虚拟现实交互;
触觉反馈模块,用于在拟实训练场景中虚拟手指端接触到虚拟场景中的物体时,在使用者的手指端提供振动触觉。
9.根据权利要求8所述的近红外脑功能与触力/运动信息融合的评估***,其中,触力/运动数据手套模块还包括手套数据传输模块,用于将所述手指角度采集模块采集的手部关节弯曲信号和手臂定位采集模块采集的前臂和大臂空间运动信号传输至拟实场景模块,还用于将手部关节弯曲信号、所述前臂和大臂空间运动信号和所述手部握力信号传输至所述评估分析模块。
10.根据权利要求8所述的近红外脑功能与触力/运动信息融合的评估***,其中,单个数据手套的触觉反馈模块由位于手指端的触觉反馈器构成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010385554.3A CN111631731B (zh) | 2020-05-09 | 2020-05-09 | 近红外脑功能与触力/运动信息融合的评估方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010385554.3A CN111631731B (zh) | 2020-05-09 | 2020-05-09 | 近红外脑功能与触力/运动信息融合的评估方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111631731A true CN111631731A (zh) | 2020-09-08 |
CN111631731B CN111631731B (zh) | 2022-05-13 |
Family
ID=72323609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010385554.3A Active CN111631731B (zh) | 2020-05-09 | 2020-05-09 | 近红外脑功能与触力/运动信息融合的评估方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111631731B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112022136A (zh) * | 2020-09-11 | 2020-12-04 | 国家康复辅具研究中心 | 基于近红外脑功能与步态参数的评估方法及*** |
CN112206124A (zh) * | 2020-09-28 | 2021-01-12 | 国家康复辅具研究中心 | 神经环路导向的上肢功能康复训练***及方法 |
CN115620853A (zh) * | 2022-09-07 | 2023-01-17 | 国家康复辅具研究中心 | Tms策略自动选择的模型训练方法、自动选择方法及*** |
CN115844383A (zh) * | 2022-12-27 | 2023-03-28 | 国家康复辅具研究中心 | 一种融合脑功能指标的肢体运动功能评估***和方法 |
CN116439666A (zh) * | 2023-04-11 | 2023-07-18 | 国家体育总局体育科学研究所 | 一种量化研究冰雪运动手套对佩戴者触觉力觉影响的*** |
CN117860254A (zh) * | 2024-03-11 | 2024-04-12 | 浙江立久佳运动器材有限公司 | 基于阵列式压力传感器的手部电刺激反馈控制*** |
CN118098507A (zh) * | 2024-04-25 | 2024-05-28 | 山东大学 | 基于多源数据的自适应上肢康复训练控制方法及*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103251419A (zh) * | 2013-04-25 | 2013-08-21 | 西安交通大学苏州研究院 | 用于手功能康复训练与评估的数据手套及其监测方法 |
CN103345749A (zh) * | 2013-06-27 | 2013-10-09 | 中国科学院自动化研究所 | 一种基于模态融合的大脑网络功能连接偏侧性检测方法 |
CN106419850A (zh) * | 2016-11-03 | 2017-02-22 | 国家康复辅具研究中心 | 基于近红外光谱和血压信息的动态脑功能检测方法及*** |
CN107577343A (zh) * | 2017-08-25 | 2018-01-12 | 北京航空航天大学 | 一种基于力触觉反馈和脑电信号分析的注意力训练与评价装置 |
CN107644682A (zh) * | 2017-09-22 | 2018-01-30 | 天津大学 | 基于额叶eeg偏侧化和erp的情绪调节能力测查方法 |
CN107961135A (zh) * | 2016-10-19 | 2018-04-27 | 精工爱普生株式会社 | 康复训练*** |
CN108685577A (zh) * | 2018-06-12 | 2018-10-23 | 国家康复辅具研究中心 | 一种脑功能康复效果评估装置及方法 |
CN109171713A (zh) * | 2018-06-08 | 2019-01-11 | 杭州电子科技大学 | 基于多模态信号的上肢运动想象模式识别方法 |
CN109864745A (zh) * | 2019-01-08 | 2019-06-11 | 国家康复辅具研究中心 | 一种新型的脑卒中风险评估方法与*** |
US20200038653A1 (en) * | 2015-12-22 | 2020-02-06 | University Of Florida Research Foundation, Inc. | Multimodal closed-loop brain-computer interface and peripheral stimulation for neuro-rehabilitation |
CN110960195A (zh) * | 2019-12-25 | 2020-04-07 | 中国科学院合肥物质科学研究院 | 一种方便快捷的神经认知功能评估方法及装置 |
-
2020
- 2020-05-09 CN CN202010385554.3A patent/CN111631731B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103251419A (zh) * | 2013-04-25 | 2013-08-21 | 西安交通大学苏州研究院 | 用于手功能康复训练与评估的数据手套及其监测方法 |
CN103345749A (zh) * | 2013-06-27 | 2013-10-09 | 中国科学院自动化研究所 | 一种基于模态融合的大脑网络功能连接偏侧性检测方法 |
US20200038653A1 (en) * | 2015-12-22 | 2020-02-06 | University Of Florida Research Foundation, Inc. | Multimodal closed-loop brain-computer interface and peripheral stimulation for neuro-rehabilitation |
CN107961135A (zh) * | 2016-10-19 | 2018-04-27 | 精工爱普生株式会社 | 康复训练*** |
CN106419850A (zh) * | 2016-11-03 | 2017-02-22 | 国家康复辅具研究中心 | 基于近红外光谱和血压信息的动态脑功能检测方法及*** |
CN107577343A (zh) * | 2017-08-25 | 2018-01-12 | 北京航空航天大学 | 一种基于力触觉反馈和脑电信号分析的注意力训练与评价装置 |
CN107644682A (zh) * | 2017-09-22 | 2018-01-30 | 天津大学 | 基于额叶eeg偏侧化和erp的情绪调节能力测查方法 |
CN109171713A (zh) * | 2018-06-08 | 2019-01-11 | 杭州电子科技大学 | 基于多模态信号的上肢运动想象模式识别方法 |
CN108685577A (zh) * | 2018-06-12 | 2018-10-23 | 国家康复辅具研究中心 | 一种脑功能康复效果评估装置及方法 |
CN109864745A (zh) * | 2019-01-08 | 2019-06-11 | 国家康复辅具研究中心 | 一种新型的脑卒中风险评估方法与*** |
CN110960195A (zh) * | 2019-12-25 | 2020-04-07 | 中国科学院合肥物质科学研究院 | 一种方便快捷的神经认知功能评估方法及装置 |
Non-Patent Citations (3)
Title |
---|
CONGCONG HUO 等: "Effective Connectivity in Response to Posture Changes in Elderly Subjects as Assessed Using Functional Near-Infrared Spectroscopy", 《FRONTIERS IN HUMAN NEUROSCIENCE》 * |
刘颖 等: "轻度认知障碍老年人步态异常与近红外脑功能连接的相关性分析", 《第十二届全国生物力学学术会议曁第十四届全国生物流变学学术会议论文摘要汇编》 * |
徐功铖 等: "基于功能性近红外光谱的脑卒中后偏侧与双侧运动训练对脑功能的影响分析", 《医用生物力学》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112022136A (zh) * | 2020-09-11 | 2020-12-04 | 国家康复辅具研究中心 | 基于近红外脑功能与步态参数的评估方法及*** |
CN112206124A (zh) * | 2020-09-28 | 2021-01-12 | 国家康复辅具研究中心 | 神经环路导向的上肢功能康复训练***及方法 |
CN112206124B (zh) * | 2020-09-28 | 2022-02-15 | 国家康复辅具研究中心 | 神经环路导向的上肢功能康复训练***及方法 |
CN115620853A (zh) * | 2022-09-07 | 2023-01-17 | 国家康复辅具研究中心 | Tms策略自动选择的模型训练方法、自动选择方法及*** |
CN115844383A (zh) * | 2022-12-27 | 2023-03-28 | 国家康复辅具研究中心 | 一种融合脑功能指标的肢体运动功能评估***和方法 |
CN115844383B (zh) * | 2022-12-27 | 2024-06-18 | 国家康复辅具研究中心 | 一种融合脑功能指标的肢体运动功能评估***和方法 |
CN116439666A (zh) * | 2023-04-11 | 2023-07-18 | 国家体育总局体育科学研究所 | 一种量化研究冰雪运动手套对佩戴者触觉力觉影响的*** |
CN116439666B (zh) * | 2023-04-11 | 2024-01-09 | 国家体育总局体育科学研究所 | 一种量化研究冰雪运动手套对佩戴者触觉力觉影响的*** |
CN117860254A (zh) * | 2024-03-11 | 2024-04-12 | 浙江立久佳运动器材有限公司 | 基于阵列式压力传感器的手部电刺激反馈控制*** |
CN117860254B (zh) * | 2024-03-11 | 2024-05-14 | 浙江立久佳运动器材有限公司 | 基于阵列式压力传感器的手部电刺激反馈控制*** |
CN118098507A (zh) * | 2024-04-25 | 2024-05-28 | 山东大学 | 基于多源数据的自适应上肢康复训练控制方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN111631731B (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111631731B (zh) | 近红外脑功能与触力/运动信息融合的评估方法及*** | |
CN107378944B (zh) | 一种基于主成分分析法的多维表面肌电信号假手控制方法 | |
Ben-Tzvi et al. | Sensing and force-feedback exoskeleton (SAFE) robotic glove | |
Zhou et al. | Human motion tracking for rehabilitation—A survey | |
CA3156193A1 (en) | A remote training and practicing apparatus and system for upper-limb rehabilitation | |
Chen et al. | A continuous estimation model of upper limb joint angles by using surface electromyography and deep learning method | |
Chen | Human motion analysis with wearable inertial sensors | |
Chinmilli et al. | A review on wearable inertial tracking based human gait analysis and control strategies of lower-limb exoskeletons | |
Wehner | Man to machine, applications in electromyography | |
Sethi et al. | Advances in motion and electromyography based wearable technology for upper extremity function rehabilitation: A review | |
Dragusanu et al. | Design, development, and control of a tendon-actuated exoskeleton for wrist rehabilitation and training | |
Rani et al. | Surface electromyography and artificial intelligence for human activity recognition-A systematic review on methods, emerging trends applications, challenges, and future implementation | |
Ahamed et al. | Rehabilitation systems for physically disabled patients: A brief review of sensor-based computerised signal-monitoring systems | |
Saggio et al. | Sensory systems for human body gesture recognition and motion capture | |
Dal Maso et al. | Methodology to customize maximal isometric forces for hill-type muscle models | |
Said et al. | Wearable technologies in biomedical and biometric applications | |
CN110473602B (zh) | 一种用于穿戴式体感游戏设备的体态数据集采集处理方法 | |
Lin et al. | Design and implement of a rehabilitation system with surface electromyography technology | |
Dwivedi | Analysis, development, and evaluation of muscle machine interfaces for the intuitive control of robotic devices | |
Sevcenco et al. | Motion tracking and learning in telerehabilitation applications | |
Ruiz-Olaya et al. | Enhancing e-accessibility of disabled people using low-cost technology | |
Spasojević et al. | Kinect-based application for progress monitoring of the stroke patients | |
US20220225897A1 (en) | Systems and methods for remote motor assessment | |
Franco | Study and development of sensorimotor interfaces for robotic human augmentation | |
Mangia | Master Thesis Instrumented Fugl-Meyer to assess upper limb motor impairment and recovery after stroke: reliability and association with clinical scores. |
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 |