一种基于可穿戴设备的康复训练安全性评估方法

本发明涉及信息，尤其涉及一种基于可穿戴设备的康复训练安全性评估方法。

背景技术：

1、在跌倒或者运动受伤等情况下，人们经常不只一个部位受伤，大多情况还存在一个肢体的不同部位或者多个肢体部位受伤的情况，而目前的康复训练大多是针对一个部位的训练，而未考虑部位之间可能存在肌肉之间的牵连。在康复训练过程中，有可能因为对一个部位的训练，而导致另外一个区域的损伤反而更加严重。当前的康复设备一般都能够检测到运动的数据，但是如何根据损伤情况，根据这些运动数据，推荐合理的运动量，避免训练时不同部位的相互牵连，是一个重要的难题，尤其是当两个受损部位在不同的肌肉神经，且具有一定关联性的时候，较难同时训练。一个部位的训练节奏是比较明确的，但是多个部位不同受伤程度的训练节奏比较难以控制。尤其是刚开始训练时和训练了半小时当一个部位的训练会导致另外部位不适，如何进行训练节奏调整，也是一个未解决的问题。因此如何进行具有矛盾部位的康复训练是当前一个非常重要的课题。

技术实现思路

1、本发明提供了一种基于可穿戴设备的康复训练安全性评估方法，主要包括：

2、可穿戴设备关联的用户信息系统构建与用户信息识别，所述可穿戴设备关联的用户信息系统构建与用户信息识别，具体包括：可穿戴设备的用户信息采集，系统自动识别用户身份；获取运动功能评价指标，判断各受伤部位的最佳康复运动效果，所述获取运动功能评价指标，判断各受伤部位的最佳康复运动效果，具体包括：运动及生理数据采集模块，评估分析模块，建立不同部位康复运动效果判别模型，判断受伤部位康复运动效果；获取受伤部位的运动信号和表面肌电信号，判断受伤部位之间的关联度；判断在部位互相牵连的过程中，最佳的训练幅度与时长；获取用户身体数据、运动功能评价指标，生成并控制训练内容与节奏，所述获取用户身体数据、运动功能评价指标，生成并控制训练内容与节奏，具体包括：训练内容生成模块，训练节奏生成模块；获取用户身体数据，初始化训练内容与音乐播放内容；根据运动功能评价指标和康复效果进行实时牵连检测；自动调节和生成康复训练的播放内容，包括训练内容与音乐播放内容。

3、进一步可选地，所述可穿戴设备关联的用户信息系统构建与用户信息识别包括：

4、构建可穿戴设备关联的用户信息系统，在获取用户许可后，获取用户人脸信息、身份证信息以及身体数据；所述身份证信息包括用户姓名、年龄、身份证号及照片，身体数据包括身高、体重、受伤部位及受损程度；所述受损程度按照0到3期划分，0期为未受损，1期为轻度病变，2期为中度病变，3期为重度病变，受损程度由医生临床诊断后得出；使用混沌加密对用户人脸信息、身份证信息和康复训练途中的身体数据进行隐私保护；所述可穿戴设备上设有用户端系统和外置摄像头，所述用户端系统包括可联网的用户端和用户信息系统，当用户初次使用设备时，首先通过可联网的用户端将用户人脸信息、身份证信息以及身体数据上传至用户信息系统；当用户再次使用设备时，首先可穿戴设备自动调用外置摄像头采集用户的人脸信息，然后与用户信息系统中的人脸信息进行比较；包括：可穿戴设备的用户信息采集；系统自动识别用户身份；

5、所述可穿戴设备的用户信息采集，具体包括：

6、用户将用户人脸信息、身份证信息以及身体数据录入可穿戴设备的用户信息系统。用户信息系统将用户信息系统中的人脸信息与系统中用户身份证信息中的照片进行相似度计算，设定第一阈值，当相似度超过第一阈值时则匹配成功，然后使用光学字符识别提取身份证的文本信息。向支付宝或微信申请用户身份信息授权后，调用支付宝接口或微信接口对用户的身份证信息进行核验，通过比较提取的身份证文本信息和第三方接口的身份证信息来确认用户身份的真实性；若核验成功，则用户进入系统主页，若核验不通过则系统应重新要求用户进行信息确认、更改和上传。

7、所述系统自动识别用户身份，具体包括：

8、用户使用前首先选择是否需要进行康复训练，当用户的选择为康复训练时，可穿戴设备关联的用户信息系统将通过外置摄像头获取用户人脸信息。用户信息系统根据所获人脸信息和系统已有的用户信息对用户进行人脸识别，判断用户的身份并获取用户的历史训练数据。系统将根据当前用户的信息识别用户身份、获取用户历史训练数据，并在康复训练过程中实时上传用户身体数据。

9、进一步可选地，所述获取运动功能评价指标，判断各受伤部位的最佳康复运动效果包括：

10、基于bp神经网络建立康复效果判别模型，包括运动及生理数据采集模块和评估分析模块；所述运动及生理数据采集模块通过可穿戴设备实时采集用户各受伤部位在康复训练中的运动信号和表面肌电信号，将所述运动信号和表面肌电信号输入评估分析模块；所述评估分析模块根据运动及生理数据采集模块传输的运动信号和表面肌电信号识别出用户在康复运动中的各受伤部位的运动功能评价指标；所述运动功能评价指标包括运动强度、运动幅度和运动量；获取用户在康复运动中的运动功能评价指标，并输入康复效果判别模型，自动识别各受伤部位的最佳康复运动效果；包括：运动及生理数据采集模块；评估分析模块；建立不同部位康复运动效果判别模型；判断受伤部位康复运动效果；

11、所述运动及生理数据采集模块，具体包括：

12、运动及生理数据采集模块包括可穿戴设备上的惯性传感器以及肌电传感器。所述惯性传感器采集运动信号，包括用户运动部位的加速度信号和角速度信号。数据采集完毕后，运动及生理数据采集模块将运动信号和表面肌电信号传输至评估分析模块。

13、所述评估分析模块，具体包括：

14、计算用户的运动功能评价指标。所述运动功能评价指标包括运动强度、运动幅度和运动量。所述运动强度通过表面肌电信号的幅值信息获取，评估分析模块提取表面肌电信号截至当前时刻的平均幅值作为运动强度指标。所述运动幅度通过用户运动部位的加速度和运动角度获取，评估分析模块根据各时刻的运动加速度和角速度分别求出截至当前时刻的加速度均方根值和该时刻的运动角度，并以加速度均方根值和运动角度作为运动幅度指标。所述运动量由评估分析模块提取表面肌电信号截至当前时刻的中值频率作为运动量指标。

15、所述建立不同部位康复运动效果判别模型，具体包括：

16、预先建立包含大量用户身体数据、运动功能评价指标和医生判定康复效果得分的映射关系的康复运动效果先验知识库。身体数据包括身高、体重、受伤部位及受损程度。所述受损程度按照0到3期划分，0期为未受损，1期为轻度病变，2期为中度病变，3期为重度病变，受损程度由医生临床诊断后得出。所述先验知识库通过康复运动实验获取，包括正常健康用户和待康复用户的数据。基于bp神经网络建立康复效果识别模型，将先验知识库按照8：2分为训练集和测试集。将训练集输入bp神经网络进行训练，然后将测试集输入初步训练好的bp神经网络中，输出损失函数值和测试集对应的预测值。不断重复迭代训练更新模型参数，降低损失函数，当损失函数值不再变化时模型训练完成。

17、所述判断受伤部位康复运动效果，具体包括：

18、用户带上可穿戴设备后，通过运动及生理数据采集模块实时用户各受伤部位在康复训练中的运动信号和表面肌电信号，然后在评估分析模块计算得到运动强度，运动幅度和运动量；将用户身体数据、受伤部位、受损程度、运动强度、运动幅度和运动量输入康复效果识别模型，得到用户的运动康复效果得分。

19、进一步可选地，所述获取受伤部位的运动信号和表面肌电信号，判断受伤部位之间的关联度包括：

20、基于运动功能评价指标的相关性分析计算提取各受伤部位之间的关联度；通过可穿戴设备惯性传感器以及肌电传感器电极贴，实时采集用户各受伤部位在康复训练中的运动信号和表面肌电信号，将运动信号和表面肌电信号输入评估分析模块中，评估分析模块会计算得到运动功能评价指标，包括运动强度，运动幅度和运动量；计算用户在康复运动中的各受伤部位的运动功能评价指标之间的皮尔森系数，得到皮尔森矩阵，皮尔森矩阵中的每一个值可衡量的不同受伤部位的关联程度，即判断对一个部位的运动是否导致互相牵连；如果存在牵连，则根据模型给出的分值判断牵连导致的负面影响大小。

21、进一步可选地，所述判断在部位互相牵连的过程中，最佳的训练幅度与时长包括：

22、构建基于马尔科夫模型的部位互相牵连过程中的康复效果优化算法；首先建立康复优化的马尔科夫过程：将康复优化的代理抽象化为一个学习者，其状态为受伤部位与受牵连部位的不同的时刻的运动信号和表面肌电信号；然后，学习受伤部位在牵连过程中的最优训练幅度和时长：对环境进行建模，模拟出与环境相同或近似的状况，在此基础上得到基于入侵检测的强化学习的递归形式的bellman方程，该方程包括两个函数：“状态值函数”和“状态—动作值函数”，分别表示指定“状态”上以及指定“状态—动作”上的累积奖赏，累积奖赏函数使用的是γ折扣累积奖赏；最后对部位牵连过程中的最优运动策略的值函数进行最优解的求解：确定部位牵连过程中的最优运动策略的马尔科夫决策过程四元组、累积奖赏参数γ、设定收敛阈值，接着基于γ折扣累积奖赏的值迭代算法，得到部位牵连过程中的最优运动策略，即最佳的训练幅度和时长。

23、进一步可选地，所述获取用户身体数据、运动功能评价指标，生成并控制训练内容与节奏包括：

24、训练内容与节奏的生成控制分为训练内容生成模块和训练节奏生成模块；所述训练内容生成模块，基于深度强化学习模型构建训练内容生成方法，将得到的用户身体数据、运动功能评价指标输入训练内容生成模块，自动生成康复训练内容；所述训练节奏生成模块根据运动功能评价指标中的运动幅度分析用户运动节奏，通过音乐匹配单元和音乐调整单元选择与用户运动状态适配的音乐并实时根据用户状态调整音乐节奏；包括：训练内容生成模块；训练节奏生成模块；

25、所述训练内容生成模块，具体包括：

26、基于深度强化学习模型构建训练内容生成方法。所述训练内容包括训练动作、训练频率、训练模式，其中训练模式包括主动和被动。预先建立以用户身体数据、运动功能评价指标、医生判定的康复效果、医生制定的训练内容及对应q值为基础的训练内容知识库，以用户身体数据、运动功能评价指标和训练内容为先验知识。所述q值为对应训练内容优劣的量化数值。首先，采用deepq-learning算法构建深度强化学习模型：以用户的身体数据、运动功能评价指标作为状态，以训练内容作为动作，以根据生成的训练内容进行康复训练后的康复效果作为奖赏,训练深度强化学习模型，在模型训练过程中引入训练内容知识库加速训练。所述运动功能评价指标包括运动幅度、运动强度和运动量。在用户康复训练过程中，利用可穿戴设备获取的加速度、角速度计算得到加速度均方根值和运动角度两个运动幅度指标，利用表面肌电信号分别得到运动强度指标和运动量指标。然后，将得到的用户身体数据、运动功能评价指标、输入到预先建立的深度强化学习模型，模型输出不同的训练内容的q值，将q值最高的内容项进行组合，自动生成康复训练内容。

27、所述训练节奏生成模块，具体包括：

28、运动节奏生成模块包括运动节奏分析单元、音乐匹配单元和音乐调整单元。所述运动节奏分析单元，首先获取用户在康复训练过程中的运动幅度，包括加速度信号和角速度信号，然后分别计算加速度信号和角速度信号截至当前时刻的中值频率，分别记为a和b，以a和b的平均值作为用户的运动节奏。所述音乐匹配单元，通过查找本地音乐库或在线音乐库中与用户运动节奏匹配度最高的音乐。所述音乐调整单元，根据用户的运动节奏实时对音乐进行调整，对音乐进行变速不变调处理。

29、进一步可选地，所述获取用户身体数据，初始化训练内容与音乐播放内容包括：

30、获取用户身体数据，包括身高、体重、受伤部位及受损程度；预设一分钟简单动作库，作为初始化数据；统计受伤部位数量，若受伤部位数为一，则从一分钟简单动作库中匹配与受伤部位相同的动作，引导用户运动，对这一分钟内获取的运动信号和表面肌电信号进行评估分析，得到运动功能评价指标，并分别输入训练内容生成模块和训练节奏生成模块，输出训练内容和音乐播放内容；若受伤部位数为二或以上，则让用户选择想训练的部位，引导用户运动，同时获取所有受伤部位的运动信号和表面肌电信号，得到受伤部位之间的关联度，并判断在部位互相牵连的过程中，最佳的训练幅度与时长；分析表面肌电信号得到运动强度指标和运动量指标，将运动幅度指标替换为最佳训练幅度，得到新的运动功能评价指标；将修改后的运动功能评价指标分别输入训练内容生成模块和训练节奏生成模块，输出训练内容和音乐播放内容。

31、进一步可选地，所述根据运动功能评价指标和康复效果进行实时牵连检测包括：

32、通过可穿戴设备实时采集用户各受伤部位在康复训练中的运动信号和肌电信号并计算得到运动功能评价指标；基于康复效果判别模型，输出该用户每一个部位的康复效果；基于运动功能评价指标的相关性实时计算提取各受伤部位的牵连度，预设第二阈值，当牵连度超过第二阈值时，判断此时各部位的康复效果与前一时刻的康复效果的大小；若此时各部位的康复效果都大于或等于前一时刻的康复效果的大小，则不进行任何操作；否则，可穿戴设备将向用户发出警告并反馈给服务器。

33、进一步可选地，所述自动调节和生成康复训练的播放内容，包括训练内容与音乐播放内容包括：

34、服务器获取预警反馈产生时刻对应的运动信号和肌电信号，并计算运动功能评价指标，包括运动强度、运动幅度和运动量；提取取预警反馈产生时刻对应的训练内容，将其加入深度强化模型的知识库中，扩充知识库，然后利用新的知识库重复训练模型；基于预警反馈产生时刻对应的运动功能评价指标，输出最佳的训练幅度与时长；将运动幅度替换为最佳训练幅度，在训练内容生成模块输入用户身体数据和更新后的运动功能评价指标，输出更新后的训练内容；根据运动功能评价指标中的最佳训练幅度分析用户运动节奏，通过训练节奏生成模块选择与用户运动状态适配的音乐并实时根据用户状态调整音乐节奏。

35、本发明实施例提供的技术方案可以包括以下有益效果：

36、本发明能够在康复训练时，检测关联损伤部位，并对训练内容进行自动的控制，一般减少牵连动作和降低牵连训练的强度和放慢节奏。并且自动生成和改变康复训练播放的内容和调节音乐播放节奏。本方法能够很好对多部位康复训练，做分解，能够在多部位损伤时，依然保持两个的康复训练。避免了因为对一个部位的康复训练而牵扯和损伤其他部位，或者无意的因为对一个部位的正常训练而导致另外一个牵连部位的过度训练。