【技术实现步骤摘要】
基于神经网络模型的平衡功能评估方法、平衡康复系统
[0001]本专利技术属于人体平衡功能康复训练
,尤其涉及一种平衡功能评估方法以及具有精准运动评估和康复训练功能的系统。
技术介绍
[0002]针对某些平衡功能受损的病人,比如脑卒中、帕金森患者,平衡训练是他们康复流程里很重要的一项。传统方法是医师对患者进行一对一的指导,利用康复器械进行训练,并根据其主观临床经验对患肢康复效果进行评价。这种训练方式存在诸多问题。首先,一名医师在大多数情况下只能同时对一名患者进行运动康复训练,效率低下,治疗效果多取决于医师的经验和水平;其次,不能精确控制和记录训练参数,不利于治疗方案的确定和改进;最后,不能向患者提供实时直观的反馈信息,训练过程缺乏吸引力,患者多被动接受治疗,参与治疗的主动性不够。
[0003]在训练过程中以及一个训练周期结束后,治疗师会根据一些已有的平衡评估方法对患者进行评分,比如临床上使用最广的Berg平衡量表(总共包括14个公认的具有代表性的指定动作项,每项分为1
‑
4分,分越高则好,总评分越高,医学上认为平衡能力越强。)。使用量表进行评分可以做到规范量化,使得医师的主管影响因素减小。除了Berg平衡量表外,医学上广泛认可的平衡能力评估量表还有Fugl
‑
Meyer平衡量表(包含7个动作,每个动作分为0、1、2分,最高分14分,量表评分越高,代表平衡能力越强)和适用于脑卒中后偏瘫和小儿脑瘫受试者的Semans平衡障碍分级法(包含难度递增的8个动作,对应8个代表不同平 ...
【技术保护点】
【技术特征摘要】
1.一种基于神经网络模型的平衡功能评估方法,其特征在于,包括以下步骤:S1、获取受试者根据指令完成平衡量表中任意一项指定动作的视频,所述视频包含受试者的完整人体图像信息;S2、将所述视频进行预处理,得到具有时间维度的三维视频数据;S3、将所述三维视频数据输入至根据所述指令调用的与该项指定动作对应的目标神经网络模型,得到受试者完成该项指定动作对应的量表分数;S4、重复步骤S1至S3,直到待受试者完成平衡量表中所有指定动作后,将各项指定动作对应的量表分数相加,得到受试者的量表总评分。2.如权利要求1所述的平衡功能评估方法,其特征在于,所述目标神经网络模型为3D卷积神经网络模型;所述目标神经网络模型的构建方法包括以下步骤:A1、分别获取T个受试者完成M项指定动作的视频,每个受试者的每项指定动作对应一个视频样本,得到M组训练数据集,每组训练数据集包括T个视频样本;所述视频样本包含受试者的完整人体图像信息;A2、人工对所述视频样本进行打分,并将所述分数作为视频样本的训练标签;A3、对所有视频样本进行预处理,得到具有时间维度的M组三维训练样本数据集;A4、为每项指定动作构建一个初始的神经网络模型,将所述M组三维训练样本及相应的训练标签分别输入至对应的M个神经网络模型进行训练,在训练得到损失函数之后进行反向传播优化,直到神经网络模型的损失值及预设指标均满足预期效果时得到目标神经网络模型;所述损失值通过神经网络模型输出的预测值与对应的训练标签进行交叉熵损失函数计算获得;所述预设指标包括准确率、精确率和召回率中的至少一种。3.如权利要求2所述的BBS评分方法,其特征在于,所述步骤A4中,还包括每次训练时,使用10折交叉验证法对各组三维训练样本数据集进行动态划分,将大小为Q的数据集划分为K个不相交的子集,即每个子集有Q/K个样本,每次取其中一个子集作为测试集,其余K
‑
1个作为训练集。4.如权利要求2所述的平衡功能评估方法,其特征在于,所述3D卷积神经网络模型包括8个卷积层、5个池化层、2个全连接层和1个softmax输出层构成;所述softmax输出层作为最后一层,softmax函数表示如下:式中,z
i
为第i个节点的输出值,C为输出节点的个数;通过Softmax函数转换,将多分类的输出值转换为范围在(0,1),和为1的概率分布,将得到带有概率的预测值作为神经网络模型的输出结果。5.如权利要求2所述的平衡功能评估方法,其特征在于,所述预处理具体包括:从每个视频样本中随机提取出4~8个1~3秒长的片段,再从每个1~3秒长的片段中抽取不重复的8~24帧,将调整每帧大小为64*64~512*512;将8~24帧按时间顺序进行组合,得到具有时间维度的三维训练样本。6.如权利要求2所述的平衡功能评估方法,其特征在于,在训练得到损失函数之后通过随机梯度下降算法对模型进行优化,即:从三维训练样本中随机抽出一组,训练后按梯度更
新一次,之后再次抽取,不断迭代更新,直到损失值满足预期效果时停止迭代。7.如权利要求2所述的BBS评分方法,其特征在于,所述交叉熵损失函数的公式如下:式中,yi为真实值,即三维训练样本对应的训练标签,yi
′
为预测值,n为验证集样本数,i为当前所计算样本;softmax层经过变换后输出预测值yi
′
,将得到的预测值yi
′
与真实值yi进行交叉熵损失函数的计算,从而得到损失值loss;当所述损失值稳定收敛且低于第一预设值时,满足预期效果。8.权利要求2所述的平衡功能评估方法,其特征在于,所述准确率用于展示模型预测正确的数量所占总量的比例,其公式如下:式中,TP为真正例,TN为真反例,FP为假正例,FN为假反例;当准确率稳定收敛且高于第二预设值时,符合预期效果;所述精确率用于展示预测为正的样本中实际为正样本的概率,其公式如下:式中,TP为真正例,FP为假正例;当精确率稳定收敛且高于第三预设值时,符合预期效果;所述召回率用于表示正确预测为正的样本占全部实际为正的比例,其公式如下:式中,TP为真正例,FN为假反例;当召回率稳定收敛且高于第四预设值,符合预期效果。9.权利要求1至8任意一项所述的平衡功能评估方法,其特征在于,所述平衡量表为Berg平衡量表或Fugl
‑
Meyer平衡量表。10.一种基于神经网络模型的平衡功能评估方法,其特征在于,包括以下步骤:S0、假设平衡量表共有F个等级,依次为L1~LF;受试者按照所述平衡量表中的等级次序依次完成等级L(j+1)对应的指定动作,j的初始值为0,j=0、1、2、
……
、F
‑
1;S1、获取受试者完成等级L(j+1)指定动作的视频,视频中应包含受试者的完整人体图像信息;S2、将该视频进行预处理,得到具有时间维度的三维视频数据;S3、将得到的三维视频数据输入至该等级对应的目标神经网络模型,得到受试者完成该等级L(j+1)指定动作对应的级值:若级值为0,则表示受试者未能完成该等级动作,则进入S4;若级值为1,则表示受试者已完成该等级动作,进入S5;S4、结束本次评估,返回的等级级别为Lj,即受试者的量表最终评级为Lj;S5、j=j+1,当j<F
‑
1时,返回S1重新进入循环,当j=F
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。