一种手腕骨折康复训练动作识别方法、系统、设备及介质技术方案

本发明专利技术涉及一种手腕骨折康复训练动作识别方法、系统、设备及介质，该方法包括步骤：接收并响应于控制终端发送的采集静息状态信号；采集静息状态下的压力值，计算每个压力采集通道的平均值，得到每个压力采集通道的参考值；接收并响应于控制终端发送的开始检测信号；通过滑动窗口依次检测采集到的康复训练状态下的压力值；将滑动窗口内的压力值除以对应的压力采集通道的参考值，得到待识别数据；对待识别数据进行降维与特征提取，得到样本特征数据；对样本特征数据进行分类，得到康复训练动作预测结果；将滑动窗口内的数据清空及重新装载数据，继续进行动作识别。本发明专利技术能实现桡骨骨折点的压力监测，基于压力监测数据进行康复训练动作识别与分类。训练动作识别与分类。训练动作识别与分类。

【技术实现步骤摘要】
一种手腕骨折康复训练动作识别方法、系统、设备及介质


[0001]本专利技术涉及动作识别
，特别涉及一种手腕骨折康复训练动作识别方法、系统、设备及介质。

技术介绍

[0002]桡骨远端骨折是成年人常见的骨折类型，约占所有骨折类型的17.5％，骨折治疗方式分为手术治疗与非手术治疗，两种不同的治疗对骨骼物理指标的恢复具有显著差异，但是对腕关节功能恢复没有明显差异，因此患者大多首先考虑非手术治疗方式，在患者拆除石膏或夹板后进行一段时间的康复训练对关节功能恢复起着很大作用，然而目前普遍存在着患者对康复训练不重视、依从性差、训练动作不规范等现象，因此构建康复训练辅助监护系统，实现医师对患者的及时监督以及提高患者对康复训练自觉性十分重要。
[0003]康复训练辅助监护系统对患者的终端设备提出了生理信号采集、康复训练动作识别和评估等要求，其中康复训练动作识别是主要研究方向，因为这项技术是构建桡骨远端骨折医患共同监督桥梁的关键所在，目前针对这项任务已经存在着大量研究。康复训练动作识别的手段主要分为两个大类，即基于计算机视觉(CV)和基于传感器的方式。基于计算机视觉的方法通过一个基于视觉的传感器获取原始图像信息，然后进行人体关节位置等低级特征的提取，将特征数据进行编码和表示后，进行运动学参数比较、姿势识别、临床评分等多项任务，这类研究通常以单个或多个RGB相机或深度相机为图像采集单元，并以图像或视频为分析对象，识别它们当中的静态姿势或动作流，许多图像处理与机器学习的技术被应用在这些研究中，虽然基于CV的系统具有设备简单、成本低的优点，但是视觉算法不可避免地伴随着受遮挡物与光线影响大的缺点，更为关键的是，基于CV的系统数据来源过于单一(仅为图像像素信息)，因此缺乏有力监护患者生理参数(如患处压力)的手段，然而用于固定的夹板的松紧度是骨折康复效果的重要影响因素，因此，基于CV的系统在这方面能力的缺失是相较于基于传感器的康复训练系统的最大弊端。
[0004]基于传感器的康复训练装置因其能够直接或间接检测多模态生理参数而具有独到的优势，这类系统将多种类型传感器放置在不同的载体上，再由中央处理器进行数据的采集与分析，可用于手腕康复训练系统研究的常见传感器包括压力传感器、表面肌电信号传感器、惯性传感器以及一些特殊的传感器(例如声学传感器，应变传感器)等，目前主要研究的康复训练设备通常都包含了多种传感器以实现多模态的、更为精确的训练动作分析，手腕动作识别装置的主要呈现方式是康复手套，例如Copaci等人提出了一种基于表面肌电信号的康复训练手套手势分类算法，它基于贝叶斯神经网络、模式识别网络和分层递归网络，并允许用户随时用自己的表面肌电手势数据重新训练算法，对6种手势的识别准确率高达98.7％；Li,Y.等人开发了一套用于帕金森患者手部运动学学习的多模态传感器手套，该系统使用柔性弯曲传感器来检测手指弯曲度信息，使用薄膜压力传感器测量手部肌肉力量的变化，使用惯性导航系统检测加速度信号，基于多种信号处理算法进行了手指灵活性、肌肉力量等多项评估；Fanye Meng等人研发了一种基于个性化可定制和安全性的康复训练软
质手套，该手套使用气动执行器模块对患者实施主动康复训练，并基于弯曲传感器与气压传感器采集手指弯曲信息，他们研发的系统包含三种康复训练模式以满足多种手功能障碍患者的康复要求。由于康复训练手套为传感器的安置提供了一个稳定的平台，因此它特别适合于多模态手部动作分析(当然也包括手腕的康复训练)，并且由于它可以部署的传感器数量庞大，因此可以轻易地实现对手指弯曲信息、手掌姿态信息的精确采集，因而基于这些信息实现的手部动作识别可以轻易地达到很好的效果，相较于基于视觉的方法，基于传感器的康复辅助设备具有一些显著的优势，例如生理信息采集的准确性、受环境干扰的微小性等。除康复训练手套外，一些特殊的、新颖的康复辅助装置也被提了出来，例如，Yuanfeng Han等人提出了一种基于被称为smart skin的无源传感层圆柱形装置，该装置通过在抓握时细微通道里的有色液体的形状变化来估计握力；W.K.Wong等人研发了一种佩戴在手指上的电容传感器系统，利用不同手部动作所带来的电容变化来进行手势分类任务。

技术实现思路

[0005]为了实现本专利技术的上述目的和其他优点，本专利技术的第一目的是提供一种手腕骨折康复训练动作识别方法，包括以下步骤：
[0006]接收并响应于控制终端发送的采集静息状态信号；
[0007]通过压力监测模块采集静息状态下的压力值，并分别计算每个压力采集通道的平均值，得到每个压力采集通道的参考值；
[0008]接收并响应于控制终端发送的开始检测信号；
[0009]通过滑动窗口依次检测通过压力监测模块采集到的康复训练状态下的压力值；
[0010]将滑动窗口内的压力值除以对应的压力采集通道的参考值，得到待识别数据；
[0011]对所述待识别数据进行降维与特征提取，得到样本特征数据；
[0012]对样本特征数据进行分类，得到康复训练动作预测结果；
[0013]将所述滑动窗口内的数据清空，重新装载滑动窗口的数据，继续进行康复训练动作识别。
[0014]进一步地，还包括动作预检测步骤：
[0015]若所述滑动窗口内所有压力采集通道的前n个数据的最大峰值大于第一阈值，则判定所述滑动窗口内动作的起始点在预设范围内，再进行康复训练动作分类识别。
[0016]进一步地，所述动作预检测步骤还包括以下步骤：
[0017]若所述滑动窗口内所有压力采集通道的首尾数据最小距离小于第二阈值，则判定所述滑动窗口内的数据为一次完整的康复训练动作，再进行康复训练动作分类识别。
[0018]进一步地，所述对所述待识别数据进行降维与特征提取具体为通过自编码器对待识别数据进行降维与特征提取。
[0019]进一步地，所述对样本特征数据进行分类包括以下步骤：
[0020]通过若干个SVM分类器对样本特征数据进行分类，得到每个SVM分类器预测的动作类别；
[0021]按照SVM分类器预测的动作类别，增加对应的动作类别的票数；
[0022]将票数最高的动作类别预测结果作为最终的康复训练动作识别结果。
[0023]进一步地，所述SVM分类器S
ij
(i＝1,2,3,4；j＝i,
…
4)对康复训练动作i与康复训
练动作j进行分类，所述康复训练动作包括伸展握拳、分指并指、掌屈背屈和尺偏运动。
[0024]进一步地，还包括以下步骤：
[0025]若检测到康复训练动作，则发送对应的动作类别至所述控制终端。
[0026]本专利技术的第二目的是提供一种电子设备，包括：存储器，其上存储有程序代码；处理器，其与所述存储器联接，并且当所述程序代码被所述处理器执行时，实现手腕骨折康复训练动作识别方法。
[0027]本专利技术的第三目的是提供一种计算机可读存储介质，其上存储有程序指令，所述程序指令被执行时实现手腕骨折本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种手腕骨折康复训练动作识别方法，其特征在于，包括以下步骤：接收并响应于控制终端发送的采集静息状态信号；通过压力监测模块采集静息状态下的压力值，并分别计算每个压力采集通道的平均值，得到每个压力采集通道的参考值；接收并响应于控制终端发送的开始检测信号；通过滑动窗口依次检测通过压力监测模块采集到的康复训练状态下的压力值；将滑动窗口内的压力值除以对应的压力采集通道的参考值，得到待识别数据；对所述待识别数据进行降维与特征提取，得到样本特征数据；对样本特征数据进行分类，得到康复训练动作预测结果；将所述滑动窗口内的数据清空，重新装载滑动窗口的数据，继续进行康复训练动作识别。2.如权利要求1所述的一种手腕骨折康复训练动作识别方法，其特征在于：还包括动作预检测步骤：若所述滑动窗口内所有压力采集通道的前n个数据的最大峰值大于第一阈值，则判定所述滑动窗口内动作的起始点在预设范围内，再进行康复训练动作分类识别。3.如权利要求2所述的一种手腕骨折康复训练动作识别方法，其特征在于：所述动作预检测步骤还包括以下步骤：若所述滑动窗口内所有压力采集通道的首尾数据最小距离小于第二阈值，则判定所述滑动窗口内的数据为一次完整的康复训练动作，再进行康复训练动作分类识别。4.如权利要求1所述的一种手腕骨折康复训练动作识别方法，其特征在于：所述对所述待识别数据进行降维与特征提取具体为通过全连接自编码器对待识别数据进行降维与特征提取。5.如权利要求4所述的一种手腕骨折康复训练动作识别方法，其特征在于：所述对样本特征数据进行分类包括以下步骤：通过若干个SVM分类器对样本特征数据进行分类，得到每个SVM分类器预测的动作类别；按照SVM分类器预测的...

【专利技术属性】
技术研发人员：查卿，徐泽欧，
申请(专利权)人：中国科学院苏州生物医学工程技术研究所，
类型：发明
国别省市：