一种用于康复花园的训练步道智能系统技术方案

本发明专利技术公开了一种用于康复花园的训练步道智能系统。本发明专利技术的系统包括检测步道、带多条训练步道的康复花园、主控模块；检测步道设有多个压力检测板、多个摄像头；压力检测板与所述主控模块电性连接；摄像头与主控模块电性连接；主控模块包括数据存储模块、计算模块、训练步道深度学习神经网络；数据存储模块分别与多个压力检测板、多个摄像头电性连接；计算模块与数据存储模块电性连接；训练步道深度学习神经网络分别与数据存储模块、计算模块电性连接。本发明专利技术能够及时收集患者下肢康复情况，引导患者使用合适的康复步道类型、并利用声光引导患者进行康复训练。导患者进行康复训练。导患者进行康复训练。

【技术实现步骤摘要】
一种用于康复花园的训练步道智能系统


[0001]本专利技术属于医疗康复训练设备的
，具体涉及一种用于康复花园的训练步道智能系统。

技术介绍

[0002]康复花园作为户外景观环境，在设计时需要考虑康复步道的铺设，下肢运动功能障碍患者在康复花园中进行康复训练时，通过反复在康复步道上行走，逐步减轻病症甚至痊愈。随着训练进程不断推进，患者的下肢关节肌肉病理情况会不断发生变化。下肢功能障碍患者在进行下肢康复训练时，需要利用康复辅具，如助行器、踏步器、矫形器等为其下肢提供支撑。下肢功能障碍患者康复期间，下肢肌肉会随着康复进程逐步恢复，但危险动作会影响康复进度。下肢功能障碍患者在康复治疗过程中，临床医生通常会要求其每天做一定量的有规律的训练动作且禁止做一些不利于康复的动作，主治医生需要及时获知患者的康复训练情况，以便及时干预并给予指导。
[0003]目前临床广泛使用的康复辅具以及康复花园的设计，只是起到简单的支撑固定和提供场地的作用，在辅助患者进行康复训练时，缺乏智能识别康复训练恢复效果的能力，缺乏智能跟踪康复训练过程行动的能力，缺乏智能预警康复训练危险动作的能力，缺乏及时的康复步道选择指引，只能依靠康复治疗医师在现场凭借观察经验进行估计，无法将具体数据及时给到医生确定当前的康复训练恢复效果是否符合预期，导致医生难以及时进行的有效康复训练指导。

技术实现思路

[0004]为了克服现有技术存在的一个或者多个缺陷与不足，本专利技术提供一种用于康复花园的训练步道智能系统，用于在患者进行下肢康复训练时，指引患者根据下肢康复情况选择合适的康复步道进行治疗。
[0005]为了达到上述目的，本专利技术采用以下的技术方案。
[0006]一种用于康复花园的训练步道智能系统，包括检测步道、带多条训练步道的康复花园、主控模块；
[0007]康复花园内的多条训练步道，可分别调节路面材质、坡度、阶梯密度，用于供下肢康复患者进行下肢康复训练；
[0008]检测步道设有多个压力检测板、多个摄像头；
[0009]压力检测板与主控模块电性连接，用于采集下肢康复患者行走时的步态压力；
[0010]摄像头与主控模块电性连接，用于采集下肢康复患者行走时的步态图像；
[0011]主控模块包括数据存储模块、计算模块、训练步道深度学习神经网络；
[0012]数据存储模块分别与多个压力检测板、多个摄像头电性连接，用于存储步态压力、步态图像的数据；
[0013]计算模块与数据存储模块电性连接，用于根据步态压力和步态图像计算训练步道
深度学习神经网络的输入通道的压力权重和步态权重；
[0014]训练步道深度学习神经网络分别与数据存储模块、计算模块电性连接，用于根据不同输入通道的压力权重和步态权重设置训练步道深度学习神经网络后，输入步态图像进行深度学习识别输出对应类型的训练步道。
[0015]优选地，在检测步道上，压力检测板等间隔设置有五个，用于采集下肢康复患者在检测步道上行走过不同长度时，左脚、右脚各自产生的步态压力；
[0016]在检测步道上，摄像头以检测步道的中心为圆心、以一米为半径、以30
°
夹角，等间隔设置有十二个，其中一个摄像头正对下肢康复患者，一个摄像头背对下肢康复患者。
[0017]进一步地，计算模块计算压力权重的方式为：下肢康复患者走过整个检测步道后，得到左脚的压力权重A为右脚的压力权重B为
[0018]其中，L表示检测步道上全部压力检测板检测到的左脚的步态压力平均值，R表示检测步道上全部压力检测板检测到的右脚的步态压力平均值。
[0019]进一步地，计算模块计算图像权重的方式为：
[0020]十二个摄像头各自完成一次拍摄后，每一个摄像头的所拍摄的图像数据为一个通道，共十二个通道的步态图像，分别记为L1、L2、L3、L4、L5、R1、R2、R3、R4、R5、W、S，其中L1、L2、L3、L4、L5对应设置于检测步道同一侧的摄像头的步态图像，R1、R2、R3、R4、R5对应设置于检测步道另一侧的摄像头的步态图像，W对应正对下肢康复患者摄像头的步态图像，S代表背对下肢康复患者摄像头的步态图像；
[0021]L1、L2、L3、L4、L5一侧摄像头的步态图像对应的图像权重C计算公式如下：
[0022][0023]其中，X1、X2、X3、X4、X5为检测步道同一侧的五个摄像头各自对应步态图像的独立权重，由训练步道深度学习神经网络通过预训练获得；
[0024]R1、R2、R3、R4、R5一侧摄像头的步态图像对应的图像权重D计算公式如下：
[0025][0026]其中，Y1、Y2、Y3、Y4、Y5为检测步道另一侧的五个摄像头各自对应步态图像的独立权重，由训练步道深度学习神经网络通过预训练获得。
[0027]进一步地，训练步道深度学习神经网络设有输入通道Red通道、Green通道、Blue通道、Alpha通道；
[0028]Red通道输入为W对应的步态图像；Green通道输入为S对应的步态图像；Blue通道输入为图像权重C对应的步态图像，Blue通道的权重为图像权重C；Alpha通道输入为图像权重D对应的步态图像，Alpha通道的权重为图像权重D；
[0029]训练步道深度学习神经网络的输入图像，为将Red通道、Green通道、Blue通道、Alpha通道四个通道各自对应的步态图像合成为一张四通道图像。
[0030]进一步地，训练步道深度学习神经网络还设有依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、第一全连
接层、第二全连接层；
[0031]第一卷积层与输入通道连接，设有32个5
×
5的卷积核；第二卷积层设有64个5
×
5的卷积核；第三卷积层设有128个3
×
3的卷积核；第四卷积层设有128个3
×
3的卷积核；
[0032]第一层池化层、第二池化层、第三池化层、第四池化层均为2
×
2卷积核；
[0033]第一全连接层、第二全连接层均为1152维。
[0034]进一步地，训练步道深度学习神经网络的预训练具体包括：
[0035]按70％：20％：10％的比例，从下肢康复患者步态图像数据集中随机选定训练样本、测试样本与独立验证集，以对应的训练步道类型为肢康复患者步态图像的标签；
[0036]将训练样本输入训练步道深度学习神经网络进行训练，等待训练步道深度学习神经网络生成相应的参数；
[0037]将测试样本输入训练步道深度学习神经网络进行输入输出测试，调整训练步道深度学习神经网络的学习率和迭代步数；
[0038]将独立验证集输入训练步道深度学习神经网络，评估训练步道深度学习神经网络在输入下肢康复患者行走的步态图像时，识别出的训练步道类型的准确度，然后调整相应的参数直至训本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于康复花园的训练步道智能系统，其特征在于，包括检测步道、带多条训练步道的康复花园、主控模块；所述康复花园内的多条所述训练步道，可分别调节路面材质、坡度、阶梯密度，用于供下肢康复患者进行下肢康复训练；所述检测步道设有多个压力检测板、多个摄像头；所述压力检测板与所述主控模块电性连接，用于采集下肢康复患者行走时的步态压力；所述摄像头与主控模块电性连接，用于采集下肢康复患者行走时的步态图像；所述主控模块包括数据存储模块、计算模块、训练步道深度学习神经网络；所述数据存储模块分别与多个压力检测板、多个摄像头电性连接，用于存储步态压力、步态图像的数据；所述计算模块与数据存储模块电性连接，用于根据步态压力和步态图像计算所述训练步道深度学习神经网络的输入通道的压力权重和步态权重；训练步道深度学习神经网络分别与数据存储模块、计算模块电性连接，用于根据不同输入通道的所述压力权重和所述步态权重设置训练步道深度学习神经网络后，输入步态图像进行深度学习识别输出对应类型的训练步道。2.根据权利要求1所述用于康复花园的训练步道智能系统，其特征在于，在检测步道上，压力检测板等间隔设置有五个，用于采集下肢康复患者在检测步道上行走过不同长度时，左脚、右脚各自产生的步态压力；在检测步道上，摄像头以检测步道的中心为圆心、以一米为半径、以30
°
夹角，等间隔设置有十二个，其中一个摄像头正对下肢康复患者，一个摄像头背对下肢康复患者。3.根据权利要求2所述用于康复花园的训练步道智能系统，其特征在于，计算模块计算压力权重的方式为：下肢康复患者走过整个检测步道后，得到左脚的压力权重A为右脚的压力权重B为其中，L表示检测步道上全部压力检测板检测到的左脚的步态压力平均值，R表示检测步道上全部压力检测板检测到的右脚的步态压力平均值。4.根据权利要求3所述用于康复花园的训练步道智能系统，其特征在于，计算模块计算图像权重的方式为：十二个摄像头各自完成一次拍摄后，每一个摄像头的所拍摄的图像数据为一个通道，共十二个通道的步态图像，分别记为L1、L2、L3、L4、L5、R1、R2、R3、R4、R5、W、S，其中L1、L2、L3、L4、L5对应设置于检测步道同一侧的摄像头的步态图像，R1、R2、R3、R4、R5对应设置于检测步道另一侧的摄像头的步态图像，W对应正对下肢康复患者摄像头的步态图像，S代表背对下肢康复患者摄像头的步态图像；L1、L2、L3、L4、L5一侧摄像头的步态图像对应的图像权重C计算公式如下：其中，X1、X2、X3、X4、X5为检测步道同一侧的五个摄像头各自对应步态图像的独立权重，
由训练步道深度学习神经网络通过预训练获得；R1、R2、R3、R4、R5一侧摄像头的步态图像对应的图像权重D计算公式如下：其中，Y1、Y2、Y3、Y4、Y5为检测步道另一侧的五个摄像头各自对应步态图像的独立权重，由训练步道深度学习神经网络通过预训练获得。5.根据权利要求4所述用...

【专利技术属性】
技术研发人员：劳永华，李润峰，黄岳山，袁晓梅，马校军，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：