假肢接受腔体的舒适度评估方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种假肢接受腔体的舒适度评估方法、装置及存储介质。其中，该方法包括：采集假肢穿戴者的历史运动状态数据，对所采集到的历史运动状态数据进行数据预处理以建立数据集；设定CNN网络的网络参数，基于所述数据集进行卷积计算和池化计算，生成CNN网络模型；将所述数据集中的一部分作为训练集，另一部分作为测试集，利用所述训练集对所述CNN网络模型进行样本训练，并利用所述测试集对所述CNN网络模型进行测试；基于训练和测试后的所述CNN网络模型来评估被穿戴的假肢接受腔体的舒适度。本发明专利技术解决了由于假肢接受腔体结构固定导致患者穿戴舒适度不足，严重影响患者体验的技术问题。技术问题。技术问题。

【技术实现步骤摘要】
假肢接受腔体的舒适度评估方法、装置及存储介质


[0001]本专利技术涉及智能穿戴领域，具体而言，涉及一种假肢接受腔体的舒适度评估方法、装置及存储介质。

技术介绍

[0002]近年来，小腿截肢患者数量不断增加，因为行动的不便，不仅给家庭带来严重的负担，而且使自己对生活渐渐失去信心。
[0003]但是随着科技的发展，制造假肢的水平也在不断提高，当前商业化的智能仿生假肢可以显著地改善截肢者的行走步态，极大地帮助他们恢复日常活动，但由于现在假肢接受腔体结构固定导致患者穿戴舒适度不足，严重影响患者体验。
[0004]针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

[0005]本专利技术实施例提供了一种假肢接受腔体的舒适度评估方法、装置及存储介质，以至少解决由于假肢接受腔体结构固定导致患者穿戴舒适度不足，严重影响患者体验的技术问题。
[0006]根据本专利技术实施例的一个方面，提供了一种假肢接受腔体的舒适度评估方法，所述方法包括：采集假肢穿戴者的历史运动状态数据，对所采集到的历史运动状态数据进行数据预处理以建立数据集；设定CNN网络的网络参数，基于所述数据集进行卷积计算和池化计算，生成CNN网络模型；将所述数据集中的一部分作为训练集，另一部分作为测试集，利用所述训练集对所述CNN网络模型进行样本训练，并利用所述测试集对所述CNN网络模型进行测试；基于训练和测试后的所述CNN网络模型来评估被穿戴的假肢接受腔体的舒适度。
[0007]根据本专利技术实施例的另一方面，还提供了一种假肢接受腔体的舒适度评估装置，包括：采集处理模块，被配置为采集假肢穿戴者的历史运动状态数据，对所采集到的历史运动状态数据进行数据预处理以建立数据集；模型生成模块，被配置为设定CNN网络的网络参数，基于所述数据集进行卷积计算和池化计算，生成CNN网络模型；训练测试模块，被配置为将所述数据集中的一部分作为训练集，另一部分作为测试集，利用所述训练集对所述CNN网络模型进行样本训练，并利用所述测试集对所述CNN网络模型进行测试；评估模块，被配置为基于训练和测试后的所述CNN网络模型来评估被穿戴的假肢接受腔体的舒适度。
[0008]根据本专利技术实施例的另一方面，还提供了一种计算机可读存储装置，其上存储有程序，在所述程序被执行时，使得计算机执行如上所述的假肢接受腔体的舒适度评估方法。
[0009]在本专利技术实施例中，利用惯性测量单元及压力传感器采集穿戴者腿部惯性信息以及接受腔内部、足底压力数据来识别患者的不同运动状态以及不同运动状态下的接受腔对残肢的异常压力信息，智能评估患者佩戴舒适度，解决了由于假肢接受腔体结构固定导致患者穿戴舒适度不足，严重影响患者体验的技术问题。
附图说明
[0010]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0011]图1是根据本专利技术实施例的假肢接受腔体的舒适度评估方法的流程图一；
[0012]图2是根据本专利技术实施例的假肢接受腔体的舒适度评估方法的流程图二；
[0013]图3是根据本专利技术是实施例的矢状面内的人体行走步态图。
[0014]图4是根据本专利技术实施例的数据采集分布图；
[0015]图5是根据本专利技术实施例的假肢接受腔体的舒适度评估方法的流程图三；
[0016]图6是根据本专利技术实施例的假肢接受腔体的舒适度评估装置的结构示意图；
[0017]图7是根据本专利技术实施例的假肢接受腔体的舒适度评估系统的结构示意图。
[0018]图8是根据本专利技术实施例的惯性感知单元的结构示意图。
具体实施方式
[0019]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都应当属于本专利技术保护的范围。
[0020]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0021]实施例1
[0022]根据本专利技术实施例，提供了一种假肢接受腔体的舒适度评估方法，如图1所示，该方法包括：
[0023]步骤S102，采集假肢穿戴者的历史运动状态数据，对所采集到的历史运动状态数据进行数据预处理以建立数据集。
[0024]在一个示例性实施例中，通过设置在所述假肢接受腔体上的惯性感知单元来采集所述假肢穿戴者的行走、上楼、下楼、坐和站立的姿态数据；通过设置在所述假肢接受腔体的足底上的足底压力传感器采集所述假肢穿戴者的行走过程中的步态数据，其中，所述步态数据包括腿部支撑相和摆动相两个阶段的数据，所述支撑相是开始于所述假肢穿戴者的脚跟着地结束于脚尖离地的步行阶段，所述摆动相是始于所述脚尖离地结束于所述脚跟着地的步行阶段；通过设置在所述假肢接受腔体内的腔体压力传感器采集所述假肢接受腔体内壁各方为的压力数据；其中，所述历史运动状态数据包括所述姿态数据、所述步态数据和所述压力数据。
[0025]在一个示例性实施例中，采用滑窗折叠的方法对所采集到的历史运动状态数据进
行分割，通过设定窗口长度和滑动窗口中的步长，在所采集到的历史运动状态数据上进行移动并提取数据片段；通过滑窗迭代对所提取的数据片段进行转化，以获得保留了时间信息的数据集，其中，所述数据集中保留了每个数据与周围几个相邻数据之间的关系。
[0026]步骤S104，设定CNN网络的网络参数，基于所述数据集进行卷积计算和池化计算，生成CNN网络模型。
[0027]在一个示例性实施例中，选取卷积核，将卷积矩阵扩展成预设维度的待卷积矩阵，其中，扩展部分使用0作为填充数，然后通过卷积核对所述待卷积矩阵从左到右，从上到下进行卷积计算，得到卷积输出矩阵；池化层对所述卷积输出矩阵进行池化计算，以对所述卷积输出矩阵进行降维筛选。
[0028]步骤S106，将所述数据集中的一部分作为训练集，另一部分作为测试集，利用所述训练集对所述CNN网络模型进行样本训练，并利用所述测试集对所述CNN网络模型进行测试。
[0029]步骤S108，基于训练和测试后的所述CNN网络模型来评估被穿戴的假肢接受腔体的舒适度。
[0030]在一个示例性实施例中，实时获取假肢穿戴者的力学信息；将所述力本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种假肢接受腔体的舒适度评估方法，其特征在于，所述方法包括：采集假肢穿戴者的历史运动状态数据，对所采集到的历史运动状态数据进行数据预处理以建立数据集；设定CNN网络的网络参数，基于所述数据集进行卷积计算和池化计算，生成CNN网络模型；将所述数据集中的一部分作为训练集，另一部分作为测试集，利用所述训练集对所述CNN网络模型进行样本训练，并利用所述测试集对所述CNN网络模型进行测试；基于训练和测试后的所述CNN网络模型来评估被穿戴的假肢接受腔体的舒适度。2.根据权利要求1所述的方法，其特征在于，采集假肢穿戴者的历史运动状态数据包括：通过设置在所述假肢接受腔体上的惯性感知单元来采集所述假肢穿戴者的行走、上楼、下楼、坐和站立的姿态数据；通过设置在所述假肢接受腔体的足底上的足底压力传感器采集所述假肢穿戴者的行走过程中的步态数据，其中，所述步态数据包括腿部支撑相和摆动相两个阶段的数据，所述支撑相是开始于所述假肢穿戴者的脚跟着地结束于脚尖离地的步行阶段，所述摆动相是始于所述脚尖离地结束于所述脚跟着地的步行阶段；通过设置在所述假肢接受腔体内的腔体压力传感器采集所述假肢接受腔体内壁各方为的压力数据；其中，所述历史运动状态数据包括所述姿态数据、所述步态数据和所述压力数据。3.根据权利要求1所述的方法，其特征在于，对所采集到的历史运动状态数据进行数据预处理以建立数据集包括：采用滑窗折叠的方法对所采集到的历史运动状态数据进行分割，通过设定窗口长度和滑动窗口中的步长，在所采集到的历史运动状态数据上进行移动并提取数据片段；通过滑窗迭代对所提取的数据片段进行转化，以获得保留了时间信息的数据集，其中，所述数据集中保留了每个数据与周围几个相邻数据之间的关系。4.根据权利要求3所述的方法，其特征在于，所述滑窗折叠的过程如下：T＝(x1,x2,...,x
n
‑1,x
n
)其中，T表示所述数据集，n表示所述数据集的长度，I表示滑动窗口中的窗口长度，s表示滑动窗口中的步长，x表示所述数据片段，T
′
表示被分割后的所述数据集形成的矩阵，其中每个滑动窗口之间有50％重叠率。5.根据权利要求1所述的方法，其特征在于，基于所述数据集进行卷积计算和池化计算包括：选取卷积核...

【专利技术属性】
技术研发人员：刘宁，刘薛勤，李锋，袁超杰，李羚，苏中，李擎，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：