CN112315459A - 一种多功能数字化评估智能座椅 - Google Patents

Abstract

本发明提出一种多功能数字化评估智能座椅，包括：座椅本体、底座、坐垫部位、扶手部位；在智能座椅坐垫部位、以及扶手部位分别安装柔性压阻传感器，在扶手部位加装伺服电机编码器以及加速度传感器；所述对柔性压阻传感器用于获取表面上方接触面压力分布变化数据；其中，两层导电层呈九十度水平垂直排列，并在两层导电层中间放置一层所述压敏电阻层，随后用缝纫机将三层车线固定，并使用热熔胶进行加固；所述伺服电机编码用于获取手臂旋转数据，扶手部位加速度传感器用于测量手臂的震动数据；上述各数据通过有线串口协议传输，由下位机发送至上位机，并在上位机对数据进行处理分析，得到被采集病患的相关参数，并将数据与分析结果进行存储。

Description

一种多功能数字化评估智能座椅

技术领域

本发明属于医疗器械领域，尤其涉及一种多功能数字化评估智能座椅。

背景技术

对于上述运动障碍病患的评估多通过临床医护人员凭借主观经验诊断与评估，如帕金森病患者评估诊断方法为：依据国际运动障碍协会(MDS)公布的统一帕金森病评估量表(UPDRS)中评估项目与标准，医护人员通过经验观察判断得到，即通过肉眼对帕金森病患的震颤程度、肌肉僵直程度、双侧肢体不平衡程度等指标进行观测评估从而进行后续诊断，存在主观因素且无法精确量化震颤幅度、肌肉僵直与不平衡程度，存在不足。现有评估装置主要通过加速度传感计进行震颤评估，但存在佩戴较为不便，且只能够对单一症状评估的缺陷。

发明内容

为了解决上述技术问题，本发明通过在特制座椅的坐垫、扶手部位安装柔性压阻传感器，伺服电机与惯性传感器，对于运动障碍病症部分症状进行评估，包括但不限于测量病患的震颤程度、肌肉僵直程度、肢体不协调程度与起身的发力情况等进行数字化评估，从而达到较为客观、准确的对包括帕金森患者的运动障碍病症患者的病情进行评估的目的，并且具有可复现、可存储、可分析的优点。本发明在特制座椅坐垫及扶手部位安装柔性压阻传感器，在扶手部分加装电机编码器以及加速度传感器，并对传感器上方接触面压力分布变化数据，电机旋转数据以及扶手部位惯性传感器数据通过有线串口协议传输由下位机发送至上位机，并在上位机对数据进行处理分析，得到被采集病患的相关参数，并将数据与分析结果进行存储。

本发明的技术方案为一种多功能数字化评估智能座椅，包括：座椅本体、底座、坐垫部位、扶手部位；

在智能座椅坐垫部位、以及扶手部位分别安装柔性压阻传感器，在扶手部位加装伺服电机编码器以及加速度传感器；

所述柔性压阻传感器用于获取表面上方接触面压力分布变化数据；所述柔性压阻传感器包括：两层导电层，所述导电层中设置有不锈钢导电纤维与聚乙烯纤维；其中，两层导电层呈九十度水平垂直排列，并在两层导电层中间放置一层柔性半导体压敏电阻层，所述压敏电阻层为碳化硅纤维与聚乙烯纤维交错排列组成；随后用缝纫机将三层车线固定，并使用热熔胶进行加固；

所述伺服电机编码用于获取手臂旋转数据，扶手部位加速度传感器用于测量手臂的震动数据；

上位机，包括存储器及单片机处理器；

上述各数据通过有线传输，由下位机发送至上位机，并在上位机上利用单片机处理器对数据进行处理分析，得到被采集病患的相关参数，并将数据与分析结果进行存储和显示。

进一步的，通过将不锈钢纤维纺织为金属纱线，并将其与普通纱线即聚乙烯纱线交错纺织为多条金属纱线条纹构成导电层，将两层导电层垂直叠放构成矩阵网格排列，并在中间放置柔性半导体压敏电阻层，并将矩阵网格各条纹金属带通过金属四合扣进行连接，并与外部排线连接，制作得到柔性压阻传感器。

进一步的，所述智能座椅包括由不锈钢圆盘底座、增压型油泵液压升降杆组成的底座部分，椅体部分包括由强化复合直板与高密度海绵组成的构件，外表覆盖耐磨皮革材料所述不锈钢圆盘底座为圆形旋转液压底座；将圆形旋转液压底座与座椅垫片通过点焊连接，并将强化复合直板与切削平整的高密度海绵粘连形成各个构件，包括扶手、靠背、坐垫构件，使用钢钉将各构件固定连接，最后表面覆盖耐磨皮革材料进行封装。

进一步的，在左右扶手处，分别采用两块直板，将伺服电机编码器固定在直板固定端，然后将加速度传感器放置在直板悬空端，并采用铰链将伺服电机编码器一端固定在座椅扶手相应部位，将柔性压阻传感铺设固定在直板上表面，形成扶手构件，坐垫位置安装柔性压阻传感器，所述左右扶手构件对称。

进一步的，将多通道(如16*16)的柔性压阻传感器安置于两侧椅子扶手部位的高密度海绵与耐磨皮革材料夹层中间，并使用粘合剂进行加固，防止其移动；将多通道(如32*32)的柔性压阻传感器安置于椅子坐垫部位的耐磨皮革材料与高密度海绵夹层中间，并使用粘合剂进行加固，保证不起皱、不偏移，从而保证压力分布变化数据质量。

进一步的，下位机驱动电路板，用于采集柔性压阻传感器数据，所示下位机驱动电路板包括电源模块驱动、两个多路选择器，并使用分压电阻对柔性压阻传感单道电压进行分压，得到模拟电压信号，后使用DSP对模拟电压信号进行数字模拟信号转换，最终将多个结点的数字电压信号封装成帧，通过有线串口传输至上位机。

进一步的，电机编码器驱动器采用适宜功率(≈200W)，低电压(约36V)高电流(约7A)伺服电机驱动器，驱动器与上位机采用有线传输，传输内容包括转速与扭矩，加速度传感器采用加速度传感器，直接通过排线与上位机连接传输两扶手部位姿态数据。

进一步的，所述的上位机中的存储器中存储有数据采集和处理指令，被单片机处理器执行时，执行以下步骤以进行帕金森患者数据采集和处理：

步骤1、震颤数据采集与处理；

步骤2、肌肉僵直数据采集处理；

步骤3、起身阶段数据采集与处理；

步骤4、身体双侧数据采集和处理。

进一步的，所述步骤1、震颤数据采集与处理具体包括：

步骤1.1：采集两侧扶手部位柔性电阻传感器接收到的数据；首先使用中值滤波器进行噪声消除，并采用插值法进行上采样，随后使用高斯滤波器进行平滑处理，得到预处理后数据；

步骤1.2：对于预处理后灰度低分辨率类视频数据，输入卷积神经网络进行特征降维提取，将提取后的特征数据输入GRU循环神经网络中进行分类，损失函数使用交叉熵损失函数：

其中，N为样本的数量，M为类别的数量，y_ic为指示变量；p_ic为对于预测样本属于类别c的预测概率，预测后，输出震颤因子S_T；

震颤因子S_T计算过程如上，其中p_c为模型对于级别c的预测概率，c为对应该级别的权值，并可将低等级权值略微调高。(如原震颤等级中的0级对应1.2，1对应2.2，2对于2.1，3对应3，4对应4，此举的目的为改善医护人员对于肉眼不可见震颤的保守评价，改善设备整体评估表现)震颤因子与评估对象的震颤表现有较强的关系，能够较好的反映评估对象的震颤幅度、频率。

模型训练数据可来源于专业人员的标记数据，也可来源于预定义数据，依据评估对象震颤的严重程度，本发明本发明可将其划分为若干等级，并将其进行等级的标注，能够更全面的进行评估，如图5所示。

进一步的，所述的震颤数据采集与处理可选的，采用另一种方法，包括：

步骤1.1：采集两侧扶手部位柔性电阻传感器接收到的数据；首先使用双边滤波器过滤掉数据中的中高频噪声，得到预处理后数据；

步骤1.2：对于预处理后灰度低分辨率类视频数据，将每一帧输入到自编码器中进行该帧特征的提取与降维，然后将每一帧提取后的特征数据按照帧数顺序进行拼接，组成一个包含所有数据特征的数据矩阵；将该矩阵输入到支持向量机中，判断若将该数据矩阵用于预测震颤程度，是否会预测错误，若会预测错误，支持向量机输出为0，若不会预测错误，支持向量机输出为1；若该数据矩阵在支持向量机中获得的输出为1，则将该数据矩阵输入到卷积神经网络中进行时序特征提取以及分类，损失函数使用多类别交叉熵函数：

y_ic为指示变量(若此类别样本与样本i的类别相同则为1，否则为0)；p_ic为对于预测样本属于类别c的预测概率。若该数据矩阵在支持向量机中获得的输出为0，则不对这批数据进行分类，并等待下一批数据。对数据进行分类后，输出震颤因子：

其中P_SVM为支持向量机在训练集上的分类正确率，l_k为该批数据的预测震颤程度，l_i为类别i对应的震颤程度，p_i为样本属于类别i的预测概率，M为所有震颤程度的集合。

在以上数据处理模型中，双边滤波器由于同时考虑到了数据点之间的强度差异以及空间关系，可以有效地过滤掉高频与中频的噪声，并且保留输入数据有效部分的边缘，尽可能避免振铃效应。自编码器不仅可以最大限度地提取出输入数据的主要特征，并且能够降低输入数据的维度，为后续的处理节省计算资源。支持向量机在这个模型中充当一个数据过滤器的角色。它会把本发明后续卷积神经网络模型中可能分类错的数据过滤掉，只让可能分类正确的数据通过，从而可以提升本发明模型预测的正确率。卷积神经网络中的卷积层用于提取数据中的时序特征，而全连接层则会根据这些时序特征对数据进行分类。

进一步的，所述步骤2、肌肉僵直数据采集处理具体包括：

步骤2.1采集两侧扶手部位柔性电阻传感器接收到的数据；首先进行步骤1.1相同的数据预处理；

步骤2.2：对于单侧扶手部位柔性电阻传感器处得到压力进行求和，即16*16通道的数据，得到扶手处总压力；由编码器角度、加速度传感器三个线性方向的加速度的模进行线性回归：

其中，R为UPDRS量表中强直等级；

在输出时，将R0去掉，只要后面的部分作为强直因子作为特征值，即输出：

输出值为强直因子为多传感器融合值，R₀、α、β、λ为回归变量，P为扶手总压力值，S为编码器旋转角度，

为三维加速度计的模。

进一步的，所述步骤3起身阶段数据采集与处理具体包括：

起身数据采集阶段划分为三个阶段：重心转移阶段、脚部支撑阶段、分离起身阶段；对于三个阶段，分别对其各个阶段总压力值、起身时间进行计算。

三个阶段的划分：

A.重心转移阶段：人体借助扶手支撑，将重心由臀部逐渐转移至脚部，但臀部仍有重力存在。在柔性压感传感器数据上的表现为：坐垫部分传感器总压力值减少，重心发生变化，可通过设定重心变化阈值判断此阶段。

B.脚步支撑阶段：人体借助扶手支撑，臀部脱离椅子，坐垫部分无重力存在。在柔性压感传感器数据上的表现为，坐垫部分传感器总压力值为零，扶手部分总压力传感器相较于第一阶段有明显增加，可通过判断坐垫部分重力是否存在区分第一阶段与第二阶段。

C.分离起身阶段：人体依靠脚部支撑，逐渐站立的阶段，坐垫、扶手部分均无重力存在。可通过判断扶手是否存在压力从而区分第二第三阶段。

具体的，各个阶段特征计算如下：

1)总压力值：

计算类视频数据中一帧的总压力，其中：i，j为位于i行j列的像素点，即传感点，m，n为矩阵的行数、列数，A_ij为i行j列压力值；

2)重心变化：

首先对一帧建立笛卡尔坐标系，对于一帧中压力大于特定值的情况，将所有像素点的重力x坐标相加并除以像素点个数，即得到x方向重心位置，同理，得y方向重心位置，若设定方向重心位置变化值超过设定阈值，即可判定为第一阶段；

3)阶段持续时间：用户点击起身评测开始，作为第一阶段的起始帧，并记录相应时间戳，当达到第一阶段重心变化阈值帧时，标记为第一阶段的结束帧，记录相应时间戳，利用两时间戳得到阶段持续时间。

进一步的，所述步骤4身体双侧数据采集和处理具体包括：

对于患者双侧扶手得到的震颤因子数据、肌肉强直数据、以及起身过程中两侧扶手的最大压力情况进行加权计算，可得到两侧肢体不平衡程度：

S＝aS_T+bS_R+cP

其中，S为单侧肢体指标，a、b、c为各参数权重，S_T为震颤因子、S_R为肌肉强直因子、P为起身阶段扶手最大压力；最终，使用左侧指标除右侧指标，得到双侧肢体差异程度(％)

有益效果：

1、本发明对现有技术中的设计方案进行了改进，由于现有技术中采用的压力传感器均为传统单点式压阻传感器，并且并未使用专用驱动电路板进行数据采集，因此无法准确、完全反映手臂部分的阻抗(阻力)，并且数据刷新率也较低，因此本发明对相似肌僵直评估的数据采集和处理设备进行改进；

2、本发明的智能座椅对患者的运动数据、起身动作过程进行了数字化采集计算，且目前现有技术对于此类型数据尚无类似方法进行计算，且尚无***将帕金森患者的肌肉僵直评估与震颤评估进行结合的***；

3、本发明设计了专用传感器、专用驱动电路板、专用座椅，使医护人员能够更便捷的使用，并且暂无坐姿对患者进行评估的设备，因此能够较大程度的保证患者的安全的同时实现非侵入式检测。

附图说明

图1为本发明柔性压阻传感矩阵示意图；

图2为本发明一种多功能数字化评估智能座椅结构示意图；

图3为本发明一种多功能数字化评估智能座椅结构又一示意图；

图4为压力分布可视化展示图；

图5为震颤数据处理流程图；

图6为震颤数据处理又一示例流程图。

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、完整的描述，显然，所描述的实施例仅为本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域的普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。

根据本发明的一个实施例，提出一种多功能数字化评估智能座椅，在智能座椅坐垫部位、以及扶手部位分别安装柔性压阻传感器，在扶手部位加装伺服电机编码器以及加速度传感器，并对柔性压阻传感器上方接触面压力分布变化数据、伺服电机编码器旋转数据以及扶手部位加速度传感器数据通过有线串口协议传输，由下位机发送至上位机，并在上位机对数据进行处理分析，得到被采集病患的相关参数，并将数据与分析结果进行存储。

根据本发明的一个实施例，所述柔性压阻传感器包括：两层导电层，所述导电层包括有不锈钢导电纤维与聚乙烯纤维，相对于现有技术采用的铜银合金，本发明的不锈钢导电纤维在保证电导率较高的同时，也能控制成本，重量更轻、更柔软，并且成本大大降低；柔性半导体压敏电阻层，所述柔性半导体压敏电阻层为碳化硅纤维与聚乙烯纤维交错排列组成。其中，两层导电层呈九十度水平垂直排列，并在两层导电层中间放置一层所述柔性半导体压敏电阻层，随后可使用缝纫机将三层车线固定(保证三层夹层间没有皱起的部分)，并使用热熔胶进行加固。制作时，将不锈钢纤维纺织为金属纱线，并将其与普通纱线即聚乙烯纱线交错纺织为多条金属纱线条纹构成导电层，将两层导电层垂直叠放构成矩阵网格排列，并在中间放置柔性半导体压敏电阻层，并将矩阵网格各条纹金属带通过良导体进行连接(如金属四合扣，作为良导体，也能够较好的保证连接的稳定性)与外部导线连接，制作得到柔性压阻传感器；

所述智能座椅包括由不锈钢圆盘底座、增压型油泵液压升降杆(升降杆位于座位背面，方便医护人员调节高度)组成的底座部分，椅体部分主要由强化复合直板与高密度海绵组成的构件，外表覆盖耐磨皮革材料所述不锈钢圆盘底座为圆形旋转液压底座；所述智能座椅的制造过程为：将圆形旋转液压底座与座椅垫片通过点焊连接，并将强化复合直板与切削平整的高密度海绵粘连形成各个构件，包括扶手、靠背、坐垫构件，使用钢钉将各构件固定连接，最后表面覆盖耐磨皮革材料进行封装。切削平整是为了保证压力分布能够均匀，能够更好的反映压力分布情况。

根据本发明的一个实施例，扶手部位的实施方案如图2所示，在左右扶手处，分别采用两块直板，将伺服电机编码器固定在直板固定端3，然后将加速度传感器放置在直板悬空端1，并采用铰链将伺服电机编码器一端固定在座椅扶手相应部位。如图2所示：在图示直板悬空端1位置处安置加速度传感器，将柔性压阻传感器铺设固定在直板上表面，形成扶手构件2，伺服电机编码器安装在直板末端固定端3位置，坐垫4位置安装柔性压阻传感器，扶手部位5与另一侧扶手部位对称。

根据本发明的一个实施例，优选的，将多通道(如16*16)的柔性压阻传感器安置于两侧椅子扶手部位的高密度海绵与耐磨皮革材料夹层中间，并使用强力粘合剂进行加固，防止其移动。将多通道(如32*32)的柔性压阻传感器安置于椅子坐垫部位的耐磨皮革材料与高密度海绵夹层中间，并使用高强度慢干型粘合剂进行加固。所述高强度慢干型胶水，能够保证不起皱、不偏移，从而保证压力分布变化数据质量；

根据本发明的一个实施例，如图1所示，本发明的下位机驱动电路板，用于采集柔性压力传感器数据，所示下位机驱动电路板包括5V电源模块驱动、两个3.3V多路选择器，并使用分压电阻对柔性压阻传感单道电压进行分压，得到适宜大小的模拟电压信号，后使用DSP对模拟电压信号进行数字模拟信号转换，最终将多个结点的数字电压信号封装成帧，通过有线串口传输至上位机，或者通过蓝牙传输至上位机。

电机编码器驱动器采用适宜功率(≈200W)，低电压(约36V)高电流(约7A)伺服电机驱动器，驱动器与上位机采用有线串口传输，传输内容包括转速与扭矩。加速度传感器采用加速度传感器，直接通过排线与上位机连接传输两扶手部位姿态数据。

根据本发明的一个优选实施例，所述柔性压阻传感器安置于椅子高密度海绵与耐磨皮革材料夹层中间，并采用布面双面胶布固定，并将柔性压阻传感器的数据输出排线与椅子靠背处固定的电路板进行连接，驱动电路板电源接口选用5V常规USB-type A电源接口，电机编码器选用焊锡连接，同时安装变压器模块(如220V-5V、如220V-36V)。即完成智能座椅的组装。

优选的，上位机采用ARM平台单片机实现，通过触摸屏进行点击与输入操作，上位机***为Ubuntu 16.04***，软件***采用跨平台QT开发框架编写，编程语言为C++。上位机工作流程包括：

确认开始/停止传输数据，接收下位机原始数据帧，并对原始数据进行解包并进行数据预处理(噪声消除、数据存储)，而后将处理后数据进行可视化显示在上位机界面，如图4所示，显示内容包括：柔性压阻传感器各结点压力大小(使用不同颜色表示)、柔性压阻传感器表面总压力变化折线图。

根据本发明的一个实施例，利用前述智能座椅进行帕金森患者数据采集和处理，具有如下改进：

1.此种数据使用了传统压阻传感器无法使用的计算机视觉算法，具体的，区别于原先单点式传感器仅为随时间变化的压力变化数据，柔性压阻传感器数据为：多通道(如64*32＝2048个点)、高刷新率(可达到40Hz)，较单点传感数据，可得到更多信息与特征。如将数据视为灰度视频进行处理的情况，如在震颤识别中，可用使用CNN+GRU模型进行特征的提取、分类工作。

2.区别于传统压阻传感器，需要进行较复杂的预处理。例如，上述采集的数据可视为类似视频数据，并具有低分辨率(如64*32个像素点)，仅有压力大小变化的信息的特点，故可称为：灰度低分辨率类视频数据。因此对于此种类视频数据，需要先对其进行如下过程所述数据预处理过程，首先使用中值滤波消除传感器可能的串扰噪声(即导电金属条之间相互影响产生的干扰噪声)，并使用插值法进行上采样提高数据(视频)分辨率，并使用数字图像处理常用平滑方法进行使图像均匀平滑，并过滤部分噪声。

根据本发明的一个实施例，所述的上位机中的存储器中存储有数据采集和处理指令，被单片机处理器执行时，执行以下步骤以进行帕金森患者数据采集和处理：

步骤1、震颤数据采集与处理：

步骤1.1：采集两侧扶手部位柔性电阻传感器接收到的数据；首先使用中值滤波器进行噪声消除，并采用插值法进行上采样，随后使用高斯滤波器进行平滑处理，得到预处理后数据；

步骤1.2：对于预处理后灰度低分辨率类视频数据，输入卷积神经网络进行特征降维提取，将提取后的特征数据输入GRU循环神经网络中进行分类，损失函数使用交叉熵损失函数：

其中，N为样本的数量，M为类别的数量(例如在此应用场景中：共五个等级0-4级)，y_ic为指示变量(若此类别样本与样本i的类别相同则为1，否则为0)；p_ic为对于预测样本属于类别c的预测概率。预测后，输出震颤因子S_T；

震颤因子S_T计算过程如上，其中p_c为模型对于级别c的预测概率，c为对应该级别的权值，并可将低等级权值略微调高。(如原震颤等级中的0级对应1.2，1对应2.2，2对于2.1，3对应3，4对应4，此举的目的为改善医护人员对于肉眼不可见震颤的保守评价，改善设备整体评估表现)震颤因子与评估对象的震颤表现有较强的关系，能够较好的反映评估对象的震颤幅度、频率。

模型训练数据可来源于专业人员的标记数据，也可来源于预定义数据，依据评估对象震颤的严重程度，本发明可将其划分为若干等级，并将其进行等级的标注，能够更全面的进行评估，如图5所示。

根据本发明的又一实施例，提供另一种帕金森患者数据采集和处理震颤评估数据的方法：

步骤1.1：采集两侧扶手部位柔性电阻传感器接收到的数据；首先使用双边滤波器过滤掉数据中的中高频噪声，得到预处理后数据；

步骤1.2：对于预处理后灰度低分辨率类视频数据，将每一帧输入到自编码器中进行该帧特征的提取与降维，然后将每一帧提取后的特征数据按照帧数顺序进行拼接，组成一个包含所有数据特征的数据矩阵；将该矩阵输入到支持向量机中，判断若将该数据矩阵用于预测震颤程度，是否会预测错误，若会预测错误，支持向量机输出为0，若不会预测错误，支持向量机输出为1；若该数据矩阵在支持向量机中获得的输出为1，则将该数据矩阵输入到卷积神经网络中进行时序特征提取以及分类，损失函数使用多类别交叉熵函数：

y_ic为指示变量(若此类别样本与样本i的类别相同则为1，否则为0)；p_ic为对于预测样本属于类别c的预测概率。若该数据矩阵在支持向量机中获得的输出为0，则不对这批数据进行分类，并等待下一批数据。对数据进行分类后，输出震颤因子：

其中P_SVM为支持向量机在训练集上的分类正确率，l_k为该批数据的预测震颤程度，l_i为类别i对应的震颤程度，p_i为样本属于类别i的预测概率，M为所有震颤程度的集合。

在以上数据处理模型中，双边滤波器由于同时考虑到了数据点之间的强度差异以及空间关系，可以有效地过滤掉高频与中频的噪声，并且保留输入数据有效部分的边缘，尽可能避免振铃效应。自编码器不仅可以最大限度地提取出输入数据的主要特征，并且能够降低输入数据的维度，为后续的处理节省计算资源。支持向量机在这个模型中充当一个数据过滤器的角色。它会把本发明后续卷积神经网络模型中可能分类错的数据过滤掉，只让可能分类正确的数据通过，从而可以提升本发明模型预测的正确率。卷积神经网络中的卷积层用于提取数据中的时序特征，而全连接层则会根据这些时序特征对数据进行分类。

本发明步骤2、肌肉僵直评估数据采集处理

步骤2.1：采集两侧扶手部位柔性电阻传感器接收到的数据；首先进行步骤1.1相同的数据预处理；

步骤2.2：对于单侧扶手部位柔性电阻传感器处得到压力进行求和，即16*16通道的数据，得到扶手处总压力；由编码器角度、加速度传感器三个线性方向的加速度的模进行线性回归：

其中，R为UPDRS量表中强直等级(0-4级)；

在输出时，此处可将R0去掉，只要后面的部分作为强直因子作为特征值，即输出：

输出值为强直因子(多传感器融合值)，R₀、α、β、λ为回归变量，P为扶手总压力值，S为编码器旋转角度，

为三维加速度计的模。

步骤3、起身阶段数据采集与处理

起身数据采集阶段划分为三个阶段：重心转移阶段、脚部支撑阶段、分离起身阶段；对于三个阶段，分别对其各个阶段总压力值、起身时间进行计算。

三个阶段的划分：

A.重心转移阶段：人体借助扶手支撑，将重心由臀部逐渐转移至脚部，但臀部仍有重力存在。在柔性压感传感器数据上的表现为：坐垫部分传感器总压力值减少，重心发生变化，可通过设定重心变化阈值判断此阶段。

B.脚步支撑阶段：人体借助扶手支撑，臀部脱离椅子，坐垫部分无重力存在。在柔性压感传感器数据上的表现为，坐垫部分传感器总压力值为零，扶手部分总压力传感器相较于第一阶段有明显增加，可通过判断坐垫部分重力是否存在区分第一阶段与第二阶段。

C.分离起身阶段：人体依靠脚部支撑，逐渐站立的阶段，坐垫、扶手部分均无重力存在。可通过判断扶手是否存在压力从而区分第二第三阶段。

具体的，各个阶段特征计算如下：

1)总压力值：

计算类视频数据中一帧的总压力，其中：i，j为位于i行j列的像素点(传感点)，m，n为矩阵的行数、列数，A_ij为i行j列压力值。

2)重心变化：

首先对一帧建立笛卡尔坐标系，对于一帧中压力大于特定值的情况，将所有像素点(传感点)的重力x坐标相加并除以像素点个数，即可得到x方向重心位置，同理，也可得y方向重心位置，若设定方向重心位置变化值超过设定阈值，即可判定为第一阶段。

3)阶段持续时间：用户(医护人员)点击起身评测开始，作为第一阶段的起始帧，并记录相应时间戳，当达到第一阶段重心变化阈值帧时，标记为第一阶段的结束帧，记录相应时间戳，利用两时间戳得到阶段持续时间。后两阶段同上。

步骤4、身体双侧数据采集和处理：

对于患者双侧扶手得到的震颤因子数据、肌肉强直数据、以及起身过程中两侧扶手的最大压力情况进行加权计算，可得到两侧肢体不平衡程度：

S＝aS_T+bS_R+cP

其中，S为单侧肢体指标，a、b、c为各参数权重，S_T为震颤因子、S_R为肌肉强直因子、P为起身阶段扶手最大压力；最终，使用左侧指标除右侧指标，可得到双侧肢体差异程度(％)；

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，且应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (13)

1.一种多功能数字化评估智能座椅，其特征在于，包括：座椅本体、底座、坐垫部位、扶手部位；

在智能座椅坐垫部位、以及扶手部位分别安装柔性压阻传感器，在扶手部位加装伺服电机编码器以及加速度传感器；

所述柔性压阻传感器用于获取表面上方接触面压力分布变化数据；所述柔性压阻传感器包括：两层导电层，所述导电层中设置有不锈钢导电纤维与聚乙烯纤维；其中，两层导电层呈九十度水平垂直排列，并在两层导电层中间放置一层柔性半导体压敏电阻层，所述压敏电阻层为碳化硅纤维与聚乙烯纤维交错排列组成；随后用缝纫机将三层车线固定，并使用热熔胶进行加固；

所述伺服电机编码用于获取手臂旋转数据，扶手部位加速度传感器用于测量手臂的震动数据；

上位机，包括存储器及单片机处理器；

上述各数据通过有线串口协议传输，由下位机发送至上位机，并在上位机上利用单片机处理器对数据进行处理分析，得到被采集病患的相关参数，并将数据与分析结果进行存储和显示。

2.根据权利要求1所述的一种多功能数字化评估智能座椅，其特征在于，通过将不锈钢纤维纺织为金属纱线，并将其与普通纱线即聚乙烯纱线交错纺织为多条金属纱线条纹构成导电层，将两层导电层垂直叠放构成矩阵网格排列，并在中间放置柔性半导体压敏电阻层，并将矩阵网格各条纹金属带通过良导体进行连接，并将其与外部导线连接导通，制作得到柔性压阻传感器。

3.根据权利要求1所述的一种多功能数字化评估智能座椅，其特征在于，所述智能座椅包括由不锈钢圆盘底座、增压型油泵液压升降杆组成的底座部分，椅体部分包括由强化复合直板与高密度海绵组成的构件，外表覆盖耐磨皮革材料所述不锈钢圆盘底座为圆形旋转液压底座；将圆形旋转液压底座与座椅垫片通过点焊连接，并将强化复合直板与切削平整的高密度海绵粘连形成各个构件，包括扶手、靠背、坐垫构件，使用钢钉将各构件固定连接，最后表面覆盖耐磨皮革材料进行封装。

4.根据权利要求1所述的一种多功能数字化评估智能座椅，其特征在于，在左右扶手处，分别采用两块直板，将伺服电机编码器固定在直板固定端，然后将加速度传感器放置在直板悬空端，并采用铰链将伺服电机编码器一端固定在座椅扶手相应部位，将柔性压阻传感铺设固定在直板上表面，形成扶手构件，坐垫位置安装柔性压阻传感器，所述左右扶手构件对称。

5.根据权利要求1所述的一种多功能数字化评估智能座椅，其特征在于，将多通道的柔性压阻传感器安置于两侧椅子扶手部位的高密度海绵与耐磨皮革材料夹层中间，并使用粘合剂进行加固，防止其移动；将多通道的柔性压阻传感器安置于椅子坐垫部位的耐磨皮革材料与海绵夹层中间，并使用慢干型粘合剂进行加固，保证不起皱、不偏移，从而保证压力分布变化数据质量。

6.根据权利要求1所述的一种多功能数字化评估智能座椅，其特征在于，下位机驱动电路板，用于采集柔性压阻传感器数据，所示下位机驱动电路板包括电源模块驱动、两个多路选择器，并使用分压电阻对柔性压阻传感单道电压进行分压，得到模拟电压信号，后使用DSP对模拟电压信号进行数字模拟信号转换，最终将多个结点的数字电压信号封装成帧，通过有线串口传输至上位机。

7.根据权利要求1所述的一种多功能数字化评估智能座椅，其特征在于，电机编码器驱动器采用安全电压下的伺服电机驱动器，驱动器与上位机采用有线传输，传输内容包括转速与扭矩，加速度传感器采用加速度传感器，直接通过排线与上位机连接传输两扶手部位姿态数据。

8.根据权利要求1所述的一种多功能数字化评估智能座椅，其特征在于，所述的上位机中的存储器中存储有数据采集和处理指令，被单片机处理器执行时，执行以下步骤以进行帕金森患者数据采集和处理：

步骤1、震颤数据采集与处理；

步骤2、肌肉僵直数据采集处理；

步骤3、起身阶段数据采集与处理；

步骤4、身体双侧数据采集和处理。

9.根据权利要求8所述的一种多功能数字化评估智能座椅，其特征在于，所述步骤1震颤数据采集与处理具体包括：

步骤1.1：采集两侧扶手部位柔性电阻传感器接收到的数据；首先使用中值滤波器进行噪声消除，并采用插值法进行上采样，随后使用高斯滤波器进行平滑处理，得到预处理后数据；

步骤1.2：对于预处理后灰度低分辨率类视频数据，输入卷积神经网络进行特征降维提取，将提取后的特征数据输入GRU循环神经网络中进行分类，损失函数使用交叉熵损失函数：

其中，N为样本的数量，M为类别的数量，y_ic为指示变量；p_ic为对于预测样本属于类别c的预测概率，预测后，输出震颤因子S_T，震颤因子S_T计算过程如上，其中p_c为模型对于级别c的预测概率，c为对应该级别的权值。

10.根据权利要求8所述的一种多功能数字化评估智能座椅，其特征在于，步骤1震颤数据采集与处理包括：

步骤1.1：采集两侧扶手部位柔性电阻传感器接收到的数据；首先使用双边滤波器过滤掉数据中的中高频噪声，得到预处理后数据；

步骤1.2：对于预处理后灰度低分辨率类视频数据，将每一帧输入到自编码器中进行该帧特征的提取与降维，然后将每一帧提取后的特征数据按照帧数顺序进行拼接，组成一个包含所有数据特征的数据矩阵；将该矩阵输入到支持向量机中，判断若将该数据矩阵用于预测震颤程度，是否会预测错误，若会预测错误，支持向量机输出为0，若不会预测错误，支持向量机输出为1；若该数据矩阵在支持向量机中获得的输出为1，则将该数据矩阵输入到卷积神经网络中进行时序特征提取以及分类，损失函数使用多类别交叉熵函数：

y_ic为指示变量，若此类别样本与样本i的类别相同则为1，否则为0；p_ic为对于预测样本属于类别c的预测概率；若该数据矩阵在支持向量机中获得的输出为0，则不对这批数据进行分类，并等待下一批数据；对数据进行分类后，输出震颤因子：

其中P_SVM为支持向量机在训练集上的分类正确率，l_k为该批数据的预测震颤程度，l_i为类别i对应的震颤程度，p_i为样本属于类别i的预测概率，M为所有震颤程度的集合。

11.根据权利要求8所述的一种多功能数字化评估智能座椅，其特征在于，所述步骤2肌肉僵直数据采集处理具体包括：

步骤2.1采集两侧扶手部位柔性电阻传感器接收到的数据；首先进行步骤1.1相同的数据预处理；

步骤2.2：对于单侧扶手部位柔性电阻传感器处得到压力进行求和，即16*16通道的数据，得到扶手处总压力；由编码器角度、加速度传感器三个线性方向的加速度的模进行线性回归：

其中，R为UPDRS量表中强直等级；

在输出时，将R0去掉，只要后面的部分作为强直因子作为特征值，即输出：

输出值为强直因子为多传感器融合值，R₀、α、β、λ为回归变量，P为扶手总压力值，S为编码器旋转角度，

为三维加速度计的模。

12.根据权利要求8所述的一种多功能数字化评估智能座椅，其特征在于，所述步骤3起身阶段数据采集与处理具体包括：

起身数据采集阶段划分为三个阶段：重心转移阶段、脚部支撑阶段、分离起身阶段；对于三个阶段，分别对其各个阶段总压力值、起身时间进行计算；

三个阶段的划分：

A.重心转移阶段：人体借助扶手支撑，将重心由臀部逐渐转移至脚部，但臀部仍有重力存在，在柔性压感传感器数据上的表现为：坐垫部分传感器总压力值减少，重心发生变化，可通过设定重心变化阈值判断此阶段；

B.脚步支撑阶段：人体借助扶手支撑，臀部脱离椅子，坐垫部分无重力存在；在柔性压感传感器数据上的表现为，坐垫部分传感器总压力值为零，扶手部分总压力传感器相较于第一阶段有明显增加，可通过判断坐垫部分重力是否存在区分第一阶段与第二阶段；

C.分离起身阶段：人体依靠脚部支撑，逐渐站立的阶段，坐垫、扶手部分均无重力存在，可通过判断扶手是否存在压力从而区分第二、第三阶段；

具体的，各个阶段特征计算如下：

1)总压力值：

计算类视频数据中一帧的总压力，其中：i，j为位于i行j列的像素点，即传感点，m，n为矩阵的行数、列数，A_ij为i行j列压力值；

2)重心变化：

首先对一帧建立笛卡尔坐标系，对于一帧中压力大于特定值的情况，将所有像素点的重力x坐标相加并除以像素点个数，即得到x方向重心位置，同理，得y方向重心位置，若设定方向重心位置变化值超过设定阈值，即可判定为第一阶段；

3)阶段持续时间：用户点击起身评测开始，作为第一阶段的起始帧，并记录相应时间戳，当达到第一阶段重心变化阈值帧时，标记为第一阶段的结束帧，记录相应时间戳，利用两时间戳得到阶段持续时间。

13.根据权利要求8所述的一种多功能数字化评估智能座椅，其特征在于，所述步骤4身体双侧数据采集和处理具体包括：

对于患者双侧扶手得到的震颤因子数据、肌肉强直数据、以及起身过程中两侧扶手的最大压力情况进行加权计算，可得到两侧肢体不平衡程度：

S＝aS_T+bS_R+cP

其中，S为单侧肢体指标，a、b、c为各参数权重，S_T为震颤因子、S_R为肌肉强直因子、P为起身阶段扶手最大压力；最终，使用左侧指标除右侧指标，得到双侧肢体差异程度(％)

Images