基于计算与仿真特征的半月板损伤患者康复监测方法技术

基于计算与仿真特征的半月板损伤患者康复监测方法，涉及步态分析领域

【技术实现步骤摘要】
基于计算与仿真特征的半月板损伤患者康复监测方法


[0001]本专利技术属于步态分析
，具体为基于计算与仿真特征的半月板损伤患者康复监测方法
。

技术介绍

[0002]步行是一种基于肌肉
、
骨骼及神经系统的人体动作状态，而步态在一定程度上反应人体的健康程度和身体状况
。
目前主流的步态信息采集设备大多成本高
、
体积大
、
使用繁琐，这就需要我们使用一种更加轻便简单的步态数据采集设备，并通过一定手段对患者步态进行分析，从而达到判断伤者的病情以及康复情况的目的
。
[0003]半月板是位于胫骨平台内
、
外侧关节面的两个月牙形纤维软骨
。
它的主要功能是维持膝关节的稳定，协助传递躯体载荷
。
目前，半月板损伤已经成为膝关节损伤的主要原因之一，受到广泛的关注
。
研究表明，半月板损伤会导致骨盆和下肢处于不正常姿态，从而引起异常步态
。
以半月板损伤患者的步态分析为研究对象，通过步态数据采集设备与步态识别分析方法，可以有效的达到诊断半月板损伤的目的
。

技术实现思路

[0004]市面上现存在根据传感器数据直接计算相关步态参数的方法，但仅凭单一计算方法和机器学习模型得到的结果可靠性难以验证
。
针对上述现有技术存在的问题和不足，本专利技术提供了基于计算与仿真特征的半月板损伤患者康复监测方法，利用
CNNr/>‑
LSTM
‑
MLP
模型实现的半月板损伤患者步态分析方法
。
实际测试结果表明，利用仿真数据可实现数据的补充融合与完善，提高机器学习步态特征输入的准确性和可信性，配合康复程度的判定，可为步态识别与评价提供一种可行的解决方案
。
[0005]为实现上述目的，本专利技术采取的技术方案是：
[0006]基于计算与仿真特征的半月板损伤患者康复监测方法，包括如下步骤：
[0007]S1
：建立人体下肢步态数据采集系统，采集装置包括五个惯性测量单元
IMU
和足底压力传感器，用来采集受试者下肢步态数据；
[0008]S2
：将
S1
中得到的步态数据进行数据处理和相关滤波算法得到实际计算的膝关节角度
θ
l1
、
θ
r1
和膝关节力矩数据
M
l1
、M
r1
；
[0009]S3
：根据
S1
中得到的步态数据建立基于
IMU
的受试者人体下肢骨骼仿真模型，对模型分别进行逆运动学处理和逆动力学处理，得到仿真处理的膝关节角度
θ
l2
、
θ
r2
和膝关节力矩数据
M
l2
、M
r2
；
[0010]S4
：对于
S2
和
S3
中分别得到的角度和力矩的计算与仿真数据按周期进行加权数据融合得到新的数据向量，扩充
、
修正并完善训练数据集；
[0011]S5
：针对
S4
中得到的步态数据，建立
CNN
‑
LSTM
‑
MLP
模型，实现步态动作识别及其半月板损伤程度的预测，最后利用步态数据向量的余弦相似度判别异常步态的康复程度
。
[0012]作为本专利技术进一步改进，为实现数据转换和仿真模型的建立，步骤
S3
中将
S1
中
IMU
数据导成仿真模型可用的数据，利用
IMU
的欧拉角数据初始化四元数并转换为旋转矩阵，设置仿真软件与
matlab
的连接接口，利用
IMU
数据建立人体下肢骨骼仿真模型，在模型中添加多个比例因子，达到模型缩放的目的，以进行后期逆运动学处理和逆动力学处理
。
[0013]作为本专利技术进一步改进，将
S2
和
S3
中分别得到的角度和力矩数据按周期进行加权数据融合，利用欧式距离计算每组次级周期数据样本的相似度并分别赋权，以反映对最终步态参数结果的贡献程度，进行特征融合，将得到的数据向量并列添加入
IMU
原始数据向量，进行
IMU
训练数据集的扩充
。
[0014]作为本专利技术进一步改进，步骤
S5
中的
CNN
‑
LSTM
‑
MLP
模型，采用
CNN
‑
LSTM
模型来获取
IMU
数据时序信息和提取数据特征，进行动作分类；采用
MLP
模型来获得不同动作输入量与最终半月板损伤程度的函数关系，考虑到两个模型的输出之间存在联系，利用加权思想添加结果反馈并进行修正
。
[0015]作为本专利技术进一步改进，步骤
S5
得到正常步态与异常步态的数据后，由于步态数据特征属于数据矩阵，所以将其看作是每一个时间帧数据向量的叠加，根据向量的余弦相似度分别对正常矩阵和待测矩阵的每一行向量进行余弦相似度的计算，从而得到康复情况特征
。
[0016]与现有技术相比，本专利技术的有益效果为：
[0017]本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：本专利技术提出
CNN
‑
LSTM
‑
MLP
模型，利用多种算法的融合提取了时序信息与数据特征来分离类型，进而进行半月板损伤的预测估计，可以有效改善动作识别方法性能，这与传统的基于外观或基于模型的方法形成鲜明对比，使网络获取更丰富的信息用于表征学习；逆运动学和逆动力学算法使得姿态解算和数据处理更加简便可行，减少可能出现的误差；使用加权融合算法将实验计算数据与仿真数据归一化，提高训练数据可靠性
。
附图说明
[0018]图1为本专利技术提出的一种基于计算与仿真特征的半月板损伤患者康复监测方法的过程示意图；
[0019]图2为本专利技术的加权融合算法示意图；
[0020]图3为本专利技术的
CNN
‑
LSTM
‑
MLP
模型框架图；
[0021]图4为本专利技术的算法流程图
。
具体实施方式
[0022]下面结合附图和具体实施方式对本专利技术的技术方案做进一步的详细说明：
[0023]如图1过程示意图所示，如图4算法流程图所示，基于计算与仿真特征的半月板损伤患者康复监测方法，其特征在于，具体步骤如下：
[0024]步骤1，建立人体下肢步态数据采集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于计算与仿真特征的半月板损伤患者康复监测方法，其特征在于：包括如下步骤：
S1
：建立人体下肢步态数据采集系统，采集装置包括五个惯性测量单元
IMU
和足底压力传感器，用来采集受试者下肢步态数据；
S2
：将
S1
中得到的步态数据进行数据处理和相关滤波算法得到实际计算的膝关节角度
θ
l1
、
θ
r1
和膝关节力矩数据
M
l1
、M
r1
；
S3
：根据
S1
中得到的步态数据建立基于
IMU
的受试者人体下肢骨骼仿真模型，对模型分别进行逆运动学处理和逆动力学处理，得到仿真处理的膝关节角度
θ
l2
、
θ
r2
和膝关节力矩数据
M
l2
、M
r2
；
S4
：对于
S2
和
S3
中分别得到的角度和力矩的计算与仿真数据按周期进行加权数据融合得到新的数据向量，扩充
、
修正并完善训练数据集；
S5
：针对
S4
中得到的步态数据，建立
CNN
‑
LSTM
‑
MLP
模型，实现步态动作识别及其半月板损伤程度的预测，最后利用步态数据向量的余弦相似度判别异常步态的康复程度
。2.
根据权利要求1所述的基于实际和仿真数据的半月板损伤患者康复监测方法，其特征在于：为实现数据转换和仿真模型的建立，步骤
S3
中将
S1
中

【专利技术属性】
技术研发人员：阳媛，费一凡，王嫣然，张洁昕，李晓智，黄璐，伊洋，
申请(专利权)人：东南大学，
类型：发明
国别省市：