CN117133404A - 一种针对胸廓出口综合征的智能化康复护理装置 - Google Patents
一种针对胸廓出口综合征的智能化康复护理装置 Download PDFInfo
- Publication number
- CN117133404A CN117133404A CN202311386910.3A CN202311386910A CN117133404A CN 117133404 A CN117133404 A CN 117133404A CN 202311386910 A CN202311386910 A CN 202311386910A CN 117133404 A CN117133404 A CN 117133404A
- Authority
- CN
- China
- Prior art keywords
- rehabilitation
- patient
- affected
- module
- outlet syndrome
- 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
- 230000000474 nursing effect Effects 0.000 title claims abstract description 34
- 210000000038 chest Anatomy 0.000 title claims description 20
- 208000011580 syndromic disease Diseases 0.000 title claims description 20
- 210000003205 muscle Anatomy 0.000 claims abstract description 116
- 230000000694 effects Effects 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000012544 monitoring process Methods 0.000 claims abstract description 24
- 230000003993 interaction Effects 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 22
- 206010048627 thoracic outlet syndrome Diseases 0.000 claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 238000011084 recovery Methods 0.000 claims description 57
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 16
- 238000003066 decision tree Methods 0.000 claims description 15
- 208000024891 symptom Diseases 0.000 claims description 11
- 238000012417 linear regression Methods 0.000 claims description 10
- 238000002560 therapeutic procedure Methods 0.000 claims description 10
- 231100000862 numbness Toxicity 0.000 claims description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 6
- 230000036772 blood pressure Effects 0.000 claims description 6
- 229910052760 oxygen Inorganic materials 0.000 claims description 6
- 239000001301 oxygen Substances 0.000 claims description 6
- 239000008280 blood Substances 0.000 claims description 5
- 210000004369 blood Anatomy 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000035807 sensation Effects 0.000 claims description 5
- 238000013210 evaluation model Methods 0.000 claims description 4
- 230000008685 targeting Effects 0.000 claims description 3
- 101100478210 Schizosaccharomyces pombe (strain 972 / ATCC 24843) spo2 gene Proteins 0.000 claims description 2
- 238000011282 treatment Methods 0.000 abstract description 21
- 238000000554 physical therapy Methods 0.000 description 14
- 238000012360 testing method Methods 0.000 description 13
- 230000008676 import Effects 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 208000004044 Hypesthesia Diseases 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 6
- 208000034783 hypoesthesia Diseases 0.000 description 6
- 239000003814 drug Substances 0.000 description 5
- 230000001965 increasing effect Effects 0.000 description 5
- 230000000638 stimulation Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000002059 diagnostic imaging Methods 0.000 description 4
- 229940079593 drug Drugs 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 206010029174 Nerve compression Diseases 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000002567 electromyography Methods 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 208000025174 PANDAS Diseases 0.000 description 2
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 2
- 240000004718 Panda Species 0.000 description 2
- 235000016496 Panda oleosa Nutrition 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 238000002651 drug therapy Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000003183 myoelectrical effect Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 210000000115 thoracic cavity Anatomy 0.000 description 2
- 206010049816 Muscle tightness Diseases 0.000 description 1
- 208000012266 Needlestick injury Diseases 0.000 description 1
- 208000037273 Pathologic Processes Diseases 0.000 description 1
- 206010034568 Peripheral coldness Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000002260 anti-inflammatory agent Substances 0.000 description 1
- 229940124599 anti-inflammatory drug Drugs 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000004889 cervical nerve Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002845 discoloration Methods 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000035876 healing Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003387 muscular Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009054 pathological process Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000006461 physiological response Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 210000002979 radial nerve Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 210000003270 subclavian artery Anatomy 0.000 description 1
- 210000001321 subclavian vein Anatomy 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Physical Education & Sports Medicine (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种针对胸廓出口综合征的智能化康复护理装置,该装置包括康复方案生成模块,该模块根据患者胸廓出口综合征的受累肌肉的位置、数量及受累程度,生成个性化康复方案。此外,护理执行模块根据生成的康复方案执行对应的护理操作。动态监测模块通过监测所述护理操作的过程中的受累肌肉的肌电信息,评估康复进程和效果。调整反馈模块根据动态监测模块的评估结果,实时调整和优化康复方案。最后,患者交互模块用于与患者进行交互,收集患者反馈和进行信息传递。该智能化康复护理装置为胸廓出口综合征患者的康复治疗提供了一个集评估、治疗、反馈、交互为一体的全面解决方案,从而提高了对胸廓出口综合征的康复护理效果。
Description
技术领域
本申请涉及医学技术领域,尤其涉及一种针对胸廓出口综合征的智能化康复护理装置。
背景技术
胸廓出口综合征是一种临床症状复杂、病因多样、诊断与治疗困难的疾病,主要表现为由于胸廓出口(包括肩带骨、第一肋和颈椎后侧)结构异常、肌肉紧张、姿势不良等原因,导致颈臂神经、腋神经、桡神经,甚至锁骨下动脉和静脉受压,引发一系列症状,如手臂麻木、疼痛、无力,甚至手指肿胀和变色等。胸廓出口综合征的治疗至今仍然是医学界的难题。
由于胸廓出口综合征的症状较复杂,常规的治疗方式如物理治疗、药物治疗、康复训练等,往往不能很好地解决问题。因此,开发一种能够全面了解患者病情,根据患者具体情况生成个性化康复方案,并能够实时动态监测康复进程,根据康复效果进行调整优化的智能化康复护理装置,以提高对胸廓出口综合征的护理效果,是目前研究的重要方向。
发明内容
本申请提供一种针对胸廓出口综合征的智能化康复护理装置,对胸廓出口综合征的护理效果。
本申请提供的针对胸廓出口综合征的智能化康复护理装置包括:康复方案生成模块,用于根据患者胸廓出口综合征的受累肌肉的位置、数量及受累程度,生成个性化康复方案;
护理执行模块,用于根据所述个性化康复方案,执行对应的护理操作;
动态监测模块,用于监测所述护理操作的过程中的受累肌肉的肌电信息,评估康复进程和效果;
调整反馈模块,用于根据所述动态监测模块的评估结果,实时调整和优化康复方案;
患者交互模块,用于与患者进行交互。
更进一步地,所述康复方案生成模块包括目标确定单元和方案生成单元;所述目标确定单元用于确定康复治疗的总体目标,包括对于受累肌肉的恢复强度,康复时间期限,以及针对受累程度的康复强度;所述方案生成单元用于根据所述总体目标,生成个性化康复方案。
更进一步地,所述目标确定单元进一步包括:
数据输入子单元,用于接收关于受累肌肉的位置、数量以及受累程度的输入数据;
决策树模型,用于通过分析受累肌肉的位置和数量,评估患者的病情严重程度;
线性回归模型,用于结合受累肌肉的程度,以确定所述康复时间期限。
更进一步地,所述目标确定单元进一步包括恢复强度设定子单元,该子单元用于根据受累肌肉的受累程度,以及患者的年龄、身体状况、康复能力等信息,设定每块受累肌肉的恢复强度。
更进一步地,所述目标确定单元进一步包括一个康复强度设定子单元,该子单元采用梯度下降算法寻找最优的康复强度,所述梯度下降算法采用的目标函数f(x)为:
f(x) = Σ wi * (di - xi)2
其中,xi是第i块受累肌肉的康复强度,di是其受累程度,wi是一个权重,表示第i块肌肉对康复方案效果的影响。
更进一步地,所述动态监测模块利用评估模型对于康复效果进行评估,所述评估模型部分采用以下公式进行计算:
E_total =Σ(α1_i * A_i +α2_i * F_i +α3_i * E_i +α4 * HR +α5 * BP + α6* SpO2),其中,E_total是康复效果的总评估值,α1_i到α6是各个参数的权重,A_i是第i块受累肌肉的肌电信号的振幅,F_i是第i块受累肌肉的肌电信号的主频,E_i是第i块受累肌肉的肌电信号的熵,HR是心率,BP是血压,SpO2是血氧饱和度。
更进一步地,所述调整反馈模块根据所述动态监测模块的评估结果,具体包括以下步骤:
(a) 判断总评估值E_total是否小于预设的阈值E_total_threshold,或者任何肌电信号的熵E_i是否大于预设的阈值E_i_threshold;
(b) 如果满足步骤(a)中的任一条件,计算对康复训练强度或频率的调整值,具体公式为:ΔS = β1 * (E_total - E_total_old) + β2 * (E_i - E_i_old),其中,ΔS是康复训练强度或频率的调整值,E_total_old和E_i_old是上一次计算时的E_total和E_i的值,β1和β2是权重。
更进一步地,所述E_total_threshold和E_i_threshold的设定基于患者的具体情况和医生的经验。
更进一步地,所述患者交互模块包括用户界面,该用户界面允许患者输入自身症状和感觉,包括疼痛位置、疼痛程度、麻木或刺痛的频率等信息。
更进一步地,所述患者交互模块通过反馈界面向患者提供实时反馈,包括康复进程和效果评估结果。更进一步地,所述方法还包括采集被测个体的个人信息,所述个人信息包括年龄、性别、体重、身高、以及有无疾病史等,并将所述个人信息与其他特征数据一同输入模型,提高预测准确性。
本申请提供的技术方案不同于现有技术中的其他方案,能够根据患者胸廓出口综合征的受累肌肉的位置、数量及受累程度,生成个性化康复方案。进而通过比较护理操作过程中的受累肌肉的肌电信息,评估康复进程和效果,并根据评估结果实时调整和优化康复方案。
本申请提供的技术方案具有如下有益的技术效果:
(1)提供更加个性化的康复方案:通过分析患者的具体症状和受累肌肉的信息,生成专门针对患者的个性化康复方案。
(2)动态优化康复方案:通过实时监测和评估康复过程,可以根据康复效果进行实时的方案调整,使得康复方案始终处于最适合患者的状态。
(3)增强患者体验:通过患者交互模块,患者可以更加直观地了解自己的病情和康复进度,同时也可以提供宝贵的反馈,使得治疗过程更加符合患者的实际需求。
附图说明
图1是本申请第一实施例提供的一种针对胸廓出口综合征的智能化康复护理装置的示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施的限制。
本申请第一实施例提供一种针对胸廓出口综合征的智能化康复护理装置。请参看图1,该图为本申请第一实施例的示意图。以下结合图1对本申请第一实施例提供一种针对胸廓出口综合征的智能化康复护理装置进行详细说明。
所述针对胸廓出口综合征的智能化康复护理装置包括康复方案生成模块101,护理执行模块102,动态监测模块103,调整反馈模块104以及患者交互模块。
所述康复方案生成模块101,用于根据患者胸廓出口综合征的受累肌肉的位置、数量及受累程度,生成个性化康复方案。
所述受累肌肉的位置、数量及受累程度可以通过组合传统医疗成像技术和先进的图像分析算法来获得。以下是详细的步骤。
步骤S1001,医疗成像采集:在这一步,使用先进的医疗成像技术(如MRI或CT扫描)对患者进行全面扫描,以获取胸廓出口区域的详细图像。这些图像应能够清晰地显示出包括肌肉、神经、血管在内的各种生物组织的位置、形状和大小。
步骤S1002,图像预处理:由于医疗成像通常会产生大量的数据,需要进行一些预处理操作来简化分析过程。这可以包括图像增强(以改善图像的可见度),图像分割(以将感兴趣的区域与背景分离),以及降噪等。
步骤S1003,受累肌肉识别:在此步骤中,使用深度学习等先进的图像分析算法来识别出图像中的受累肌肉。具体来说,可以使用卷积神经网络(CNN,Convolutional NeuralNetworks)算法,该算法在图像识别任务中表现出色。CNN通过学习大量标记图像(即已知哪些部分是受累肌肉的图像)的特征,然后应用到新的未标记图像,从而判断图像中的哪些区域是受累肌肉。
步骤S1004,受累程度计算:在确定了受累肌肉的位置和数量后,还需要确定受累的程度。这可以通过分析肌肉在图像中的亮度、颜色、形状等属性来实现,因为这些属性通常会随着肌肉受损而发生变化。为此,可以设计一种算法来量化这些变化,并以此来评估肌肉的受累程度。该算法包括如下步骤:
步骤S1004-1,图像预处理:为了得到更准确的受累程度,首先对采集的图像进行预处理。包括去噪声,归一化,以及提升对比度等。这可以通过一系列的图像处理技术如中值滤波,直方图均衡化等来实现。
步骤S1004-2,特征提取:在图像预处理完成后,下一步是提取影像中的关键特征。这些特征可能包括肌肉的亮度,颜色,形状等。由于这些属性通常会随着肌肉受损而发生变化,因此他们可以作为评估肌肉受累程度的重要指标。
具体实现中,亮度可以通过计算像素值的均值来获取;颜色则可以通过在HSV颜色空间进行分析,比如计算肌肉区域的平均色调值;形状可以通过计算肌肉区域的边缘轮廓,然后用几何参数(如面积,周长,方向等)来表示。
步骤S1004-3,建立估计模型:在提取了关键特征之后,接下来就是通过这些特征来估计肌肉的受累程度。这可以通过一些机器学习方法,如支持向量机(SVM)、随机森林(Random Forest)或深度学习方法等实现。
例如,可以构建一个SVM模型,其输入特征为上一步中提取的亮度,颜色,形状等参数,而输出结果为肌肉的受累程度。在此过程中,可能需要一个已标注的训练数据集进行模型训练。
这样,通过以上步骤,就可以直接通过技术手段获取患者胸廓出口综合征的受累肌肉的位置、数量及受累程度等具体信息,从而为后续的治疗和康复提供基础数据和依据。
在康复方案生成模块101中,本实施例运用机器学习和人工智能技术,提供了一种自适应胸廓出口综合征康复(ATOSRA ,Adaptive Thoracic Outlet SyndromeRehabilitation Algorithm)算法。ATOSRA算法的具体步骤和实施如下:
步骤S2001:根据获得的受累肌肉的位置、数量及受累程度等具体信息,ATOSRA算法会先确定康复治疗的总体目标,这包括对于受累肌肉的恢复强度,康复时间期限,以及针对受累程度的康复强度等。首先,对于受累肌肉的恢复强度以及针对受累程度的康复强度等概念进行解释。该步骤可以在康复方案生成模块101的目标确定单元中实施。
受累肌肉的恢复强度,指的是针对每一块受累肌肉,需要施加多大的治疗力度,以便达到康复的目标。这包括治疗的频率(比如每周几次治疗)、治疗的强度(比如每次治疗需要多少力度的按摩或物理治疗),以及治疗的持续时间(每次治疗需要多久)等。
针对受累程度的康复强度,康复强度指的是通过康复治疗对肌肉施加的力度或压力的大小。例如,如果患者正在进行物理治疗,康复强度可能指的是治疗师施加的力度或机器设定的力度。又或者,如果患者正在进行电刺激治疗,康复强度可能指的是电流的强度。康复强度也可以是一个可以调整的参数,通过调整这个参数,例如仪器可以自动化地改变施加在肌肉上的力度或压力,以达到最优的康复效果。
在ATOSRA算法中,确定康复目标是一个关键环节,这涉及到多个步骤:
步骤S2001-1,数据输入:输入的数据包括受累肌肉的位置、数量以及受累程度等。该步骤可以由数据输入子单元执行。
步骤S2001-2,确定总体康复目标:ATOSRA算法通过创新的方法来设定康复治疗的总体目标。首先,通过分析受累肌肉的位置和数量,算法评估患者的病情严重程度。此步骤可以使用如决策树或支持向量机等机器学习方法来实现。然后,该算法使用受累程度作为权重,与之前的评估结果结合,设定康复时间期限。在此过程中,可能会使用到的算法包括线性回归或神经网络等。
接下来本实施例以两个具体的例子来说明如何构建决策树模型和线性回归模型,并指出这两个模型的输入和输出。
(1)决策树模型
假设有以下的训练数据集:
其中,输入的特征包括“受累肌肉数量”、“受累肌肉位置”和“受累程度”,输出的结果是“病情严重程度”。
本实施例可以通过以上数据训练一个决策树模型。模型的构建过程涉及到许多数学和统计的细节,如信息增益、基尼指数等。简单来说,模型会根据训练数据,找出最佳的特征划分点,以便最大程度地区分不同的输出类别。在这个例子中,模型可能会判断,当受累肌肉数量大于1,且受累肌肉程度大于60%时,病情的严重程度为高;否则,病情的严重程度为中或低。
下面将使用Python语言和常用的机器学习库scikit-learn为例,简单地说明如何实施决策树模型。
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
# 创建数据集
data = {
'Muscle Count': [2, 1, 3, 1],
'Muscle Location': ['left', 'right', 'both', 'left'],
'Affected Degree': [80, 50, 90, 30],
'Severity': ['high', 'medium', 'high', 'low']
}
df = pd.DataFrame(data)
# 将字符串转换为数字,以便机器学习模型能够处理
df['Muscle Location'] = df['Muscle Location'].map({'left': 1, 'right': 2, 'both': 3})
df['Severity']=df['Severity'].map({'low': 1, 'medium': 2, 'high': 3})
# 将数据集分为训练集和测试集
X = df.drop('Severity', axis=1)
y = df['Severity']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 训练决策树模型
model = DecisionTreeClassifier()
model.fit(X_train, y_train)
# 测试模型
print(model.score(X_test, y_test))
(2)线性回归模型
假设有以下的训练数据集:
其中,输入的特征包括“病情严重程度”和“受累程度”,输出的结果是“康复时间期限”。
可以通过以上数据训练一个线性回归模型。模型的构建过程涉及到许多数学和统计的细节,如最小二乘法、梯度下降等。简单来说,模型会根据训练数据,找出最佳的线性关系,以便最小程度地减少预测值和实际值之间的差距。在这个例子中,模型可能会得出以下的关系:康复时间期限 = 2 * 病情严重程度 + 0.05 * 受累程度 + 1。
下面将使用Python语言和常用的机器学习库scikit-learn为例,简单地说明如何实施线性回归模型。
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
# 创建数据集
data = {
'Severity': [3, 2, 3, 1],
'Affected Degree': [80, 50, 90, 30],
'Recovery Time': [9, 6, 12, 4]
}
df = pd.DataFrame(data)
# 将数据集分为训练集和测试集
X = df.drop('Recovery Time', axis=1)
y = df['Recovery Time']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 训练线性回归模型
model = LinearRegression()
model.fit(X_train, y_train)
# 测试模型
print(model.score(X_test, y_test))
步骤S2001-3,设定受累肌肉的恢复强度:在设定受累肌肉的恢复强度时,ATOSRA算法采取了一种创新的策略。对于每一块受累肌肉,算法首先根据其受累程度设定一个初始的恢复强度。然后,根据患者的年龄、身体状况、康复能力等信息,对恢复强度进行细化调整。此过程可以使用基于规则的***,或者深度强化学习等先进的人工智能技术。本步骤可以由目标确定单元中的恢复强度设定子单元执行。
以下是一个针对该步骤的具体的例子:
首先需要定义一个受累肌肉的恢复强度。这可以是一个值,在1到10的范围内,表示从最轻的恢复强度(1)到最强的恢复强度(10)。
然后,需要创建一个基于规则的***,或者一个深度强化学习模型,用于根据受累肌肉的受累程度、患者的年龄、身体状况、康复能力等信息,计算出每块受累肌肉的初始恢复强度。
例如,可以使用一个简单的规则***,如下:
如果受累程度小于40%,则恢复强度为3;
如果受累程度在40%到70%之间,则恢复强度为6;
如果受累程度大于70%,则恢复强度为9。
在确定了初始的恢复强度后,可以再根据患者的个人信息进行细化调整。比如,如果患者年龄较大或身体状况较差,可能会将恢复强度适当降低;反之,如果患者年龄较小或身体状况良好,可能会将恢复强度适当提高。
例如,可以创建以下的规则:
如果患者年龄大于60岁,将恢复强度减小2;
如果患者身体状况(如心率、血压等指标)低于正常范围,将恢复强度减小1;
如果患者康复能力强(如有良好的运动习惯),将恢复强度增加1。
这样,就得到了每块受累肌肉的恢复强度。
请注意,以上的规则和数值只是示例。在实际使用中,这些规则和数值需要根据具体的医学知识和实践经验来设定,并且可能需要进行大量的测试和调整。如果使用深度强化学习模型,还需要大量的训练数据和计算资源。
另外,也可以使用更复杂的模型,如深度神经网络,或者其他先进的人工智能技术,以更精确地设定恢复强度。这将需要更专业的知识和技术,但可能会得到更好的结果。
步骤S2001-4,针对受累程度设定康复强度:ATOSRA算法还会针对每块受累肌肉的受累程度,设定一个适当的康复强度。具体的设定方式是,对于受累程度更高的肌肉,设定的康复强度会更大,反之则更小。此过程可以通过一些优化算法实现,如梯度下降或模拟退火等。本步骤可以由所述目标确定单元中的康复强度设定子单元执行。
具体的实施可能如下:
首先,为每块受累肌肉设定一个初始的康复强度。这可以使用上述方法,也可以使用其他方法,比如设定所有肌肉的初始康复强度为中等强度(例如5)。
接下来,需要定义一个目标函数,表示康复方案的效果。目标函数的输入是每块受累肌肉的康复强度,输出是康复方案的预期效果。这个函数可以基于医学知识和经验,也可以通过大量的历史数据学习得到。
例如,目标函数可能是这样的形式:
f(x) = Σ wi * (di - xi)2
其中,xi是第i块受累肌肉的康复强度,di是其受累程度,wi是一个权重,表示第i块肌肉对康复方案效果的影响。这个函数表示,如果某块肌肉的康复强度与其受累程度相差越大,康复方案的效果就越差。
然后,可以使用优化算法,如梯度下降算法,来寻找最优的康复强度。具体的步骤可能如下:
(1)使用梯度下降算法,计算目标函数的梯度。在本实施例中,梯度是关于每块肌肉的康复强度的偏导数。
(2)根据梯度的方向,调整每块肌肉的康复强度。在本实施例中,如果某块肌肉的偏导数为正,说明增加其康复强度可以提高康复方案的效果,所以会增加其康复强度;反之则减小。
(3)重复以上步骤,直到找到最优的康复强度。
需要指出的是,以上的目标函数和梯度下降算法只是一种可能的实现方式。在实际使用中,可能需要根据具体的医学知识和实践经验来调整。而且,这个过程可能会比较复杂和耗时,可能需要专业的知识和技术支持。
步骤S2002:ATOSRA算法根据康复治疗的总体目标,生成个性化康复方案。可以将康复目标,包括受累肌肉的恢复强度、康复时间期限以及针对受累程度的康复强度等作为输入,利用决策树算法生成个性化康复方案。该步骤可以由康复方案生成模块101中的方案生成单元执行。
决策树模型将使用这些输入特征进行训练,生成一系列决策规则,以确定最佳的康复策略。在每一个决策节点,模型将对一个特征进行判断,并依据判断的结果将康复过程拆分为不同的子任务。例如,如果“恢复强度”较低,并且“康复时间期限”较长,那么决策树模型可能会选择包括“低强度的物理疗法”和“经皮电刺激(TENS)”在内的康复策略。相反,如果“恢复强度”较高,并且“康复时间期限”较短,那么模型可能会选择包括“高强度的物理疗法”和“药物治疗”在内的康复策
下面将使用Python语言和常用的机器学习库scikit-learn为例,简单地说明如何实施该决策树。
from sklearn import tree
# 康复目标和康复策略的数据
X = [[...], [...], ...] # 康复目标,例如[[0.8, 6, 0.7], [0.6, 4, 0.6],...]
Y = [...] # 康复策略,例如["高强度物理疗法+药物治疗", "中强度物理疗法", "低强度物理疗法", "高强度物理疗法+经皮电刺激", ...]
# 建立决策树模型并进行训练
clf = tree.DecisionTreeClassifier()
clf = clf.fit(X, Y)
# 对新的康复情况进行预测
new_case = [...] # 新的康复情况,例如[0.7, 5, 0.6]
prediction = clf.predict([new_case])
print("Predicted rehabilitation strategy:", prediction)
一旦决策树输出了康复策略,就可以设计一个函数来生成对应的康复方案。这个函数可以将康复策略作为输入,然后输出详细的康复方案,这个方案可以包括具体的治疗项目、频率、强度、持续时间等内容。以下是一个这样的函数的示例:
def generate_rehab_plan(rehab_strategy):
rehab_plan = {} # 康复方案是一个字典,包括各种治疗项目及其具体内容
# 解析康复策略,生成康复方案
if "高强度物理疗法" in rehab_strategy:
rehab_plan["物理疗法"] = {"强度": "高", "频率": "每周5次", "持续时间": "每次1小时"}
if "中强度物理疗法" in rehab_strategy:
rehab_plan["物理疗法"] = {"强度": "中", "频率": "每周3次", "持续时间": "每次45分钟"}
if "低强度物理疗法" in rehab_strategy:
rehab_plan["物理疗法"] = {"强度": "低", "频率": "每周2次", "持续时间": "每次30分钟"}
if "经皮电刺激" in rehab_strategy:
rehab_plan["经皮电刺激"] = {"频率": "每周3次", "持续时间": "每次30分钟"}
if "药物治疗" in rehab_strategy:
rehab_plan["药物治疗"] = {"药物": "抗炎药物", "剂量": "每日一次"}
return rehab_plan
# 使用决策树预测的康复策略生成康复方案
predicted_strategy = clf.predict([new_case])
rehab_plan = generate_rehab_plan(predicted_strategy[0])
护理执行模块102,用于根据所述个性化康复方案,执行对应的护理操作。
护理执行模块102由一个程序控制,此程序具有一个对个性化康复方案进行解析和执行的功能。护理执行模块可以根据解析得到的方案内容,控制护理仪器的工作方式和工作参数。例如,当康复方案推荐一种特定的理疗,护理执行模块可以控制理疗设备,按照推荐的理疗方式、频率、强度等参数进行工作。
动态监测模块103,用于通过比较所述护理操作过程中的受累肌肉的肌电信息,评估康复进程和效果。
动态监测模块103是一个非常重要的部分,用于实时评估康复进程和效果。该模块的工作主要基于受累肌肉的肌电图(EMG)信息。具体来说,它将比较护理操作开始前后受累肌肉的肌电信息变化,然后用这些信息来评估康复的进度和效果。
具体步骤如下:
首先,动态监测模块103将对每块受累肌肉进行肌电图(EMG)采集。EMG是一种记录肌肉电活动的技术,它可以捕获肌肉在收缩和松弛时产生的电信号。
对于每块受累肌肉,动态监测模块103将计算其肌电信号的几个关键参数,包括振幅(A_i)、主频(F_i)和熵(E_i)。振幅反映了肌肉活动的强度,主频反映了肌肉活动的速度,而熵则是一种度量信号复杂度的方法,可以反映肌肉活动的稳定性和均匀性。
熵(E_i)的计算方法是使用香农熵或者样本熵等算法,具体计算方式包括:
首先,对肌电信号进行归一化处理,使其在0和1之间。
然后,计算每个可能的信号值在整个信号中出现的频率。
最后,使用下面的公式来计算熵:
E_i = -Σ(p * log(p))
其中,p是每个信号值的频率,log是对数函数,Σ表示求和。
计算完这些参数后,动态监测模块103将将这些信息输入到一个评估模型中,该模型的形式如下:
E_total = Σ (α1_i * A_i + α2_i * F_i + α3_i * E_i + α4 * HR + α5 *BP + α6 * SpO2)
下面对于上面公式中涉及的参数进行详细说明。
E_total:这是康复效果的总评估值。它是由其他各个参数乘以相应的权重并求和得到的。
α1_i,α2_i,α3_i,α4,α5和α6:这些是各个参数的权重。它们可以根据患者的具体情况和医生的经验进行调整。权重可以反映该参数对康复效果评估的影响程度。例如,如果α1_i比α2_i大,那么肌电信号的振幅A_i对康复效果的影响就比主频F_i更大。
A_i:这是第i块受累肌肉的肌电信号的振幅。它可以反映肌肉活动的强度。
F_i:这是第i块受累肌肉的肌电信号的主频。它可以反映肌肉电活动的速率或频率。
E_i:这是第i块受累肌肉的肌电信号的熵。熵是一种度量信号复杂性的指标,可以反映肌肉活动的稳定性或可预测性。
HR:这是心率。心率的变化可以反映身体的生理反应和压力水平,对康复效果的评估有一定的影响。
BP:这是血压。血压的变化也可以反映身体的生理状态,对康复效果的评估有一定的影响。
SpO2:这是血氧饱和度。血氧饱和度可以反映体内氧气供应的情况,对康复效果的评估也有一定的影响。
最后,动态监测模块103将会对E_total进行分析,如果E_total在一段时间内持续提高,那么可以认为康复进程是顺利的,康复效果是良好的;如果E_total在一段时间内持续下降,那么可能需要调整康复方案。
总的来说,动态监测模块103通过比较所述护理操作过程中的受累肌肉的肌电信息,可以有效地评估康复进程和效果。
调整反馈模块104,用于根据所述动态监测模块的评估结果,实时调整和优化康复方案。这个模块是保证个性化康复方案能够随着康复进程的改变而实时调整,以达到最优康复效果的关键环节。
首先,调整反馈模块会接收动态监测模块的数据输入,包括受累肌肉的肌电信息,心率,血压,血氧饱和度等数据,以及康复效果的总评估值E_total等。
然后,调整反馈模块会运用确定的公式,将这些数据进行加工处理,生成对康复方案的调整建议。例如,如果某个受累肌肉群的肌电信息熵增大,说明这个肌肉群的活动更加复杂和不稳定,可能需要增加对这个肌肉群的康复训练的强度或频率。
调整反馈模块的公式可以包括但不限于以下两个部分:
一个是根据总评估值E_total和各个受累肌肉群的肌电信息熵E_i来判断是否需要调整康复方案。如果E_total小于预设的阈值,或者某个E_i大于预设的阈值,那么可能需要调整康复方案。这个过程可以用以下的公式来表示:
调整标志 = 1 (当E_total<E_total_threshold 或者 任何E_i>E_i_threshold)
其中,E_total_threshold和E_i_threshold是预设的阈值,根据医生的经验和患者的具体情况进行设定。
另一个是根据E_total和E_i的变化情况,计算出对康复训练强度或频率的调整值。这个过程可以用以下的公式来表示:
ΔS = β1 * (E_total - E_total_old) + β2 * (E_i - E_i_old)
其中,ΔS是康复训练强度或频率的调整值,E_total_old和E_i_old是上一次计算时的E_total和E_i的值,β1和β2是权重,可以根据医生的经验和患者的具体情况进行设定。
通过上述两个公式,可以实现对康复方案的实时调整和优化。
此外,调整反馈模块还会考虑胸廓出口综合征的个性化特点。例如,根据患者的受累肌肉的位置、数量及受累程度,调整反馈模块可以生成更加个性化的康复方案。例如,如果患者的颈部和肩部肌肉同时受累,那么调整反馈模块可能会建议采用一些同时能够训练颈部和肩部肌肉的康复训练方法。如果患者的肩部和手臂肌肉同时受累,调整反馈模块可能会推荐一种同时针对肩部和手臂的康复方案,例如物理疗法结合适当的弹力带训练。若患者手指麻木程度较高,调整反馈模块可以建议添加更多的手指精细动作训练,例如用细小的物品进行捏握练习,提高手指感觉和运动能力。如果患者存在严重的神经压迫导致的手部功能受限,调整反馈模块可能会推荐采取神经滑动技术,帮助改善神经活动性,减轻手部症状。对于疼痛和僵硬程度较高的患者,调整反馈模块可能会推荐患者进行更多的热敷和轻度的肌肉拉伸练习,以缓解肌肉紧张和减少疼痛。如果患者的工作或生活习惯导致某些特定动作频繁,这些动作可能加重病情,那么调整反馈模块会推荐更换或调整这些可能加重病情的动作,以降低再发风险。
最后,调整反馈模块将这些调整建议反馈给康复方案生成模块和护理执行模块,指导它们生成新的康复方案,并执行相应的护理操作。
通过这种方式,调整反馈模块可以确保康复方案的实时优化和个性化,提高康复效果,更好地满足胸廓出口综合征患者的康复需求。
患者交互模块105,用于与患者进行交互。该模块具备友好的人机交互界面,实时反馈康复进度,调整参数等,患者可以通过该模块获取治疗进度,提出疑问,或者给出反馈。
患者交互模块105是针对胸廓出口综合征的智能化康复护理装置的重要部分,其主要负责与患者进行有效的信息交流和反馈。
在胸廓出口综合征的治疗过程中,每个患者的具体症状和体验可能会有所不同。因此,这个模块的设计会专门针对这种病症的特性进行个性化设置。例如,它会提供一个直观的用户界面,使得患者能够方便地输入自己的症状和感觉,包括疼痛位置、疼痛程度、麻木或刺痛的频率等信息。这些信息将被用来更新康复方案和评估康复效果。
此外,患者交互模块还可以通过反馈界面向患者提供实时反馈。它可以显示患者的康复进程和效果评估结果,以帮助患者了解自己的康复情况。同时,当调整反馈模块提出新的康复训练建议时,患者交互模块也会将这些建议以易于理解的方式呈现给患者。
为了提高用户体验,患者交互模块还可以提供多语言支持,声音识别和文本到语音转换等功能,以适应不同患者的需求和偏好。
更进一步,患者交互模块105还提供用于显示肩颈和手臂细部模型的界面。这个模型需要具有旋转、缩放等功能,以便于患者从多角度查看和操作。同时,模型需要包含肌肉、神经、血管等结构,这些结构可以通过颜色、纹理等方式进行区分。在用户界面(UI)设计中,还包含一个可点击的标记工具,让患者在模型上直接标记出疼痛或麻木的位置。
患者交互模块105还提供神经压迫感知反馈界面,这个反馈界面包括多个预设的选项,每个选项代表一种特殊的神经受压感觉(例如针扎感、麻木感、热感、冷感等)。选项可以采用图形化的方式表现(比如用冰块表示"冷感",火焰表示"热感"),以增加用户友好性。患者可以点击选择一项或多项选项,来描述他们的感觉。
患者交互模块105还提供血流情况输入界面,在这个输入界面中,可以提供一些预设的选项,比如"手部冰冷"、"手臂发紫"等。同时,也可以提供一个文本输入框,让患者详细描述他们的血流状况。
患者交互模块105还提供肌肉群使用情况反馈界面,在这个界面中,可以列出一些常见的日常活动(比如提举、扭瓶盖等),患者可以在对应的活动旁边打勾,表示在进行这项活动时感到困难或疼痛。同时,也应提供一个文本输入框,让患者输入其他非预设的活动。
患者交互模块105还提供专门的教育信息界面,这部分可以包含一系列的图像和动画,以可视化的方式介绍胸廓出口综合征的病因、病理过程、症状表现等信息。同时,还包含一些教育性的内容,如正确的坐姿、睡姿、呼吸方式等,帮助患者在日常生活中预防病症的发生或加重。
总的来说,患者交互模块是一个高度个性化和用户友好的交互***,旨在提高患者的康复效果和满意度。
本申请虽然以较佳实施例公开如上,但其并不是用来限定本申请,任何本领域技术人员在不脱离本申请的精神和范围内,都可以做出可能的变动和修改,因此本申请的保护范围应当以本申请权利要求所界定的范围为准。
Claims (10)
1.一种针对胸廓出口综合征的智能化康复护理装置,包括:
康复方案生成模块,用于根据患者胸廓出口综合征的受累肌肉的位置、数量及受累程度,生成个性化康复方案;
护理执行模块,用于根据所述个性化康复方案,执行对应的护理操作;
动态监测模块,用于通过监测所述护理操作的过程中的受累肌肉的肌电信息,评估康复进程和效果;
调整反馈模块,用于根据所述动态监测模块的评估结果,实时调整和优化康复方案;
患者交互模块,用于与患者进行交互。
2.根据权利要求1所述的一种针对胸廓出口综合征的智能化康复护理装置,其特征在于,所述康复方案生成模块包括目标确定单元和方案生成单元;
所述目标确定单元用于确定康复治疗的总体目标,包括对于受累肌肉的恢复强度、康复时间期限以及针对受累程度的康复强度;
所述方案生成单元用于根据所述总体目标,生成个性化康复方案。
3.根据权利要求2所述的一种针对胸廓出口综合征的智能化康复护理装置,其特征在于,所述目标确定单元进一步包括:
数据输入子单元,用于接收关于受累肌肉的位置、数量以及受累程度的输入数据;
决策树模型,用于通过分析受累肌肉的位置和数量,评估患者的病情严重程度;
线性回归模型,用于结合受累肌肉的受累程度,以确定康复时间期限。
4.根据权利要求3所述的一种针对胸廓出口综合征的智能化康复护理装置,其特征在于,所述目标确定单元进一步包括恢复强度设定子单元,该恢复强度设定子单元用于根据受累肌肉的受累程度,以及患者的年龄、身体状况、康复能力信息,设定每块受累肌肉的恢复强度。
5.根据权利要求3所述的一种针对胸廓出口综合征的智能化康复护理装置,其特征在于,所述目标确定单元进一步包括一个康复强度设定子单元,该康复强度设定子单元采用梯度下降算法寻找最优的康复强度,所述梯度下降算法采用的目标函数f(x)为:
f(x) = Σ wi * (di - xi)2
其中,xi是第i块受累肌肉的康复强度,di是其受累程度,wi是一个权重,表示第i块肌肉对康复方案效果的影响。
6.根据权利要求1所述的一种针对胸廓出口综合征的智能化康复护理装置,其特征在于,所述动态监测模块利用评估模型对于康复效果进行评估,所述评估模型部分采用以下公式进行计算:
E_total =Σ(α1_i * A_i +α2_i * F_i +α3_i * E_i +α4 * HR +α5 * BP + α6 *SpO2),其中,E_total是康复效果的总评估值,α1_i到α6是各个参数的权重,A_i是第i块受累肌肉的肌电信号的振幅,F_i是第i块受累肌肉的肌电信号的主频,E_i是第i块受累肌肉的肌电信号的熵,HR是心率,BP是血压,SpO2是血氧饱和度。
7.根据权利要求6所述的一种针对胸廓出口综合征的智能化康复护理装置,其特征在于,所述调整反馈模块根据所述动态监测模块的评估结果实时调整和优化康复方案具体包括以下步骤:
(a) 判断总评估值E_total是否小于预设的阈值E_total_threshold,或者任何肌电信号的熵E_i是否大于预设的阈值E_i_threshold;
(b) 如果满足步骤(a)中的任一条件,计算对康复训练强度或频率的调整值,具体公式为:ΔS = β1 * (E_total - E_total_old) + β2 * (E_i - E_i_old),其中,ΔS是康复训练强度或频率的调整值,E_total_old和E_i_old是上一次计算时的E_total和E_i的值,β1和β2是权重。
8.根据权利要求7所述的一种针对胸廓出口综合征的智能化康复护理装置,其特征在于,所述E_total_threshold和E_i_threshold的设定基于患者的具体情况和医生的经验。
9.根据权利要求1所述的一种针对胸廓出口综合征的智能化康复护理装置,其特征在于,所述患者交互模块包括用户界面,该用户界面允许患者输入自身症状和感觉,包括疼痛位置、疼痛程度、麻木或刺痛的频率信息。
10.根据权利要求1所述的一种针对胸廓出口综合征的智能化康复护理装置,其特征在于,所述患者交互模块通过反馈界面向患者提供实时反馈,包括康复进程和效果评估结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311386910.3A CN117133404B (zh) | 2023-10-25 | 2023-10-25 | 一种针对胸廓出口综合征的智能化康复护理装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311386910.3A CN117133404B (zh) | 2023-10-25 | 2023-10-25 | 一种针对胸廓出口综合征的智能化康复护理装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117133404A true CN117133404A (zh) | 2023-11-28 |
CN117133404B CN117133404B (zh) | 2024-02-20 |
Family
ID=88861319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311386910.3A Active CN117133404B (zh) | 2023-10-25 | 2023-10-25 | 一种针对胸廓出口综合征的智能化康复护理装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117133404B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117442218A (zh) * | 2023-12-25 | 2024-01-26 | 深圳市前海蛇口自贸区医院(深圳市南山区蛇口人民医院) | 胸廓出口综合症的肌肉信息检测装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW510797B (en) * | 2001-11-13 | 2002-11-21 | Young-Hee Lee | Intramuscular stimulator |
CN108136245A (zh) * | 2015-07-23 | 2018-06-08 | 现代卫生有限公司 | 肌肉治疗装置 |
WO2020206179A1 (en) * | 2019-04-05 | 2020-10-08 | Baylor College Of Medicine | Method and system for detection and analysis of thoracic outlet syndrome (tos) |
CN116705240A (zh) * | 2023-06-14 | 2023-09-05 | 齐齐哈尔市第一医院 | 一种基于康复状态自适应监视的针灸康复效果量化*** |
CN116805525A (zh) * | 2023-08-21 | 2023-09-26 | 营动智能技术(山东)有限公司 | 一种慢性病信息化管理方法、***及存储介质 |
-
2023
- 2023-10-25 CN CN202311386910.3A patent/CN117133404B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW510797B (en) * | 2001-11-13 | 2002-11-21 | Young-Hee Lee | Intramuscular stimulator |
CN108136245A (zh) * | 2015-07-23 | 2018-06-08 | 现代卫生有限公司 | 肌肉治疗装置 |
WO2020206179A1 (en) * | 2019-04-05 | 2020-10-08 | Baylor College Of Medicine | Method and system for detection and analysis of thoracic outlet syndrome (tos) |
CN116705240A (zh) * | 2023-06-14 | 2023-09-05 | 齐齐哈尔市第一医院 | 一种基于康复状态自适应监视的针灸康复效果量化*** |
CN116805525A (zh) * | 2023-08-21 | 2023-09-26 | 营动智能技术(山东)有限公司 | 一种慢性病信息化管理方法、***及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117442218A (zh) * | 2023-12-25 | 2024-01-26 | 深圳市前海蛇口自贸区医院(深圳市南山区蛇口人民医院) | 胸廓出口综合症的肌肉信息检测装置 |
CN117442218B (zh) * | 2023-12-25 | 2024-03-22 | 深圳市前海蛇口自贸区医院(深圳市南山区蛇口人民医院) | 胸廓出口综合症的肌肉信息检测装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117133404B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11682480B2 (en) | System and method for pre-action training and control | |
CN117133404B (zh) | 一种针对胸廓出口综合征的智能化康复护理装置 | |
González-Franco et al. | Motor imagery based brain-computer interface: A study of the effect of positive and negative feedback | |
Zhang et al. | Fuzzy inference system based automatic Brunnstrom stage classification for upper-extremity rehabilitation | |
KR102426939B1 (ko) | 가상현실 기반 인지게임 점수에 따른 인지장애 분석을 이용한 맞춤형 인지개선 훈련 시스템 및 방법 | |
Vakulenko | Evaluation of the level of interaction of regulatory mechanisms of the cardiovascular system and their correlation portrait based on the results of the analysis of arterial ulsations recorded during blood pressure measurement using the Oranta-AO information system In: DV Vakulenko, LO Vakulenko (eds.) Arterial oscillography: New capabilities of the blood pressure monitor with the Oranta-AO information system | |
WO2010129711A1 (en) | Devices, systems, and methods for evaluating vision and diagnosing and compensating impairment of vision | |
Chen et al. | Scalp EEG-based pain detection using convolutional neural network | |
Wang et al. | A novel fatigue detection method for rehabilitation training of upper limb exoskeleton robot using multi-information fusion | |
CN117153379B (zh) | 一种胸廓出口综合征的预测装置 | |
CN117253616A (zh) | 一种神经内科康复程度评价方法及*** | |
CN113614751A (zh) | 脑电图信号的识别和提取 | |
Wang et al. | Classification of human movements with and without spinal orthosis based on surface electromyogram signals | |
CN116312951B (zh) | 一种基于多模态耦合分析的运动功能评估方法及其*** | |
Yiu et al. | Fatigue-Related change in surface electromyographic activities of the perilaryngeal muscles | |
Zhou et al. | Upper-limb functional assessment after stroke using mirror contraction: A pilot study | |
Dhindsa et al. | Toward an open-ended BCI: a user-centered coadaptive design | |
CA3050225A1 (en) | Methods, systems and devices for simulator-based training devices with biofeedback | |
Rajgure et al. | A Novel Approach on Yoga Posture Identification Using Machine Learning | |
CN110720909B (zh) | 基于肌电生物反馈的腰腹部核心肌群整体康复训练***及其应用 | |
Alhejaili | Wearable Technology for Mental Wellness Monitoring and Feedback | |
Henshaw | Improved brain-computer interface methods with application to gaming | |
Mihelj | Machine Learning Applications to Brain Computer Interfaces | |
WO2022145429A1 (ja) | 推定対象による主観的評価を推定するためのシステム、方法、およびプログラム | |
CN209203257U (zh) | 基于肌电生物反馈的腰腹部核心肌群整体康复训练*** |
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 |