一种基于神经网络算法的认知康复训练系统的制作方法

1.本发明属于康复训练领域，尤其涉及一种基于神经网络算法的认知康复训练系统。
2.

背景技术：

3.使病人对丧失的机体功能进行适应与习惯的过程即康复训练。脑卒中的最常见症状为一侧脸部、手臂或腿部突然感到无力，猝然昏扑、不省人事，其他症状包括，突然出现一侧脸部、手臂或腿麻木或突然发生口眼歪斜、半身不遂；神志迷茫、说话或理解困难；单眼或双眼视物困难；行路困难、眩晕、失去平衡或协调能力；无原因的严重头痛；昏厥等。对于脑卒中患者来说，康复训练的康复目标包括：1、恢复功能。它指的是，如果脑卒中患者存在功能损害的话，比如说有运动障碍、吞咽障碍、言语障碍、精神心理障碍、认知功能障碍等等，可以通过针对性的康复训练而得到恢复。
4.2、提高患者的生活自理能力。让患者能够独立的完成一些生活中的基本活动。我们的运动功能、交流功能等等都是为了日常生活服务的。这样患者可以自己来管理自己的生活，可以使他的生活质量得到明显的提高。
5.3、社会参与能力的恢复。社会参与能力的恢复对于一些处于工作年龄和年龄轻一些的患者更为重要，脑卒中的低龄化，造成了它对康复的要求越来越高。最终的目标，能让患者重返工作岗位，不仅能够养活自己，还可以养活他的家庭。
6.申请号为cn201811213078.6的中国发明专利申请提出一种偏瘫患者手部运动功能康复训练装置及模型训练方法，通过辅助患者手部按照意愿连续动作，使康复训练更注重于提高日常生活自理能力。所述系统由微处理器模块、本体模块、阵列肌电信号采集模块、桥接模块、无线通信模块、电源管理模块、可穿戴康复手套模块以及检测模块组成。其特点在于辨识肌电信号中手部运动信息的速度较快，能够实现连续手部动作识别；可穿戴康复手套能够辅助偏瘫患者进行连续动作，在提高自理能力的同时进行康复训练，发明具有智能化，实用性强，使用方便等优点，患者不必重复枯燥的训练过程，康复效果更佳。
7.申请号为cn202010364697.6的中国发明专利申请提出一种基于判别式对抗网络的脑电自适应模型及在康复中的应用，包括：构建脑电信号数据的源域和目标域作为输入样本；构建脑电自适应模型的由特征提取器和分类器构成的主干网络；构建脑电自适应模型的域判别器作为分支网络；构建脑电自适应模型的损失函数；利用源域和目标域的脑电信号数据对脑电自适应模型进行训练。通过康复医疗设备中的脑电采集装置获取的被试者脑电信号数据，采用脑电自适应模型，对脑电信号类别进行预测，实时监测被试者运动意图，并将该运动意图转换为康复医疗设备对应的动作，通过康复医疗设备中外骨骼康复器械协助被试者肢体完成对应的动作。
8.然而，目前的康复模型都是静态的，只能引导患者按照预定的模式反复、机械的进
行训练，患者本人无法得到自反馈；此外，训练过程也无法根据实际锻炼参数执行自适应动态调整，使得锻炼的持续性和合理性存疑；并且，在多个周期的锻炼之后，患者也无法感知下一步的调整动作，依从性也会大大降低，从而影响了认知康复效果。
9.

技术实现要素：

10.为解决上述技术问题，本发明提出一种基于神经网络算法的认知康复训练系统，包括康复训练层、数据采集层、数据分组层、神经网络层以及认知反馈层；数据采集层将采集的肢体运动参数和姿态模式参数发送至数据分组层；数据分组层包括数据预处理组件和数据分组组件；数据预处理组件对肢体运动参数和姿态模式参数执行预处理；数据分组组件预处理后数据进行分组存储；神经网络层包含输入层和输出层；所述输入层的节点数目与所述数据分组组件得到的分组组数相同；所述输出层连接所述认知反馈层，基于所述认知反馈层的反馈，在所述人机交互界面上显示康复训练反馈结果。
11.具体而言，本发明的技术方案实现如下：一种基于神经网络算法的认知康复训练系统，所述系统包括康复训练层、数据采集层、数据分组层、神经网络层以及认知反馈层；所述康复训练层包括至少一个康复训练设备，所述康复训练设备包括运动锻炼装置、语音测试装置以及人机交互界面；所述数据采集层包括多个运动传感器与姿态传感器，所述运动传感器用于采集康复训练过程中的肢体运动参数，所述姿态传感器用于获得姿态模式参数；所述数据分组层包括数据预处理组件和数据分组组件；所述数据采集层将采集的所述肢体运动参数和所述姿态模式参数发送至所述数据分组层；所述数据预处理组件对所述肢体运动参数和所述姿态模式参数执行预处理；所述数据分组组件对所述肢体运动参数和所述姿态模式参数进行分组存储；所述神经网络层包含输入层和输出层；所述输入层的节点数目与所述数据分组组件得到的分组组数相同；所述输出层连接所述认知反馈层，基于所述认知反馈层的反馈，在所述人机交互界面上显示康复训练反馈结果。
12.更具体的，所述神经网络层包括动态神经网络模型；所述动态神经网络模型包括所述输入层、输出层以及中间层；所述输入层的输入节点数目可动态调节。
13.所述输出层包括运动输出层、语音输出层以及建议输出层；所述运动输出层用于输出运动康复训练评估结果；所述语音输出层用于输出与所述运动康复评估训练结果对应的语音测试级别；所述建议评估层基于所述语音测试级别和所述康复训练评估结果，给出图像采集建议级别。
14.本发明基于动态神经网络模型实现认知康复训练的全流程闭环反馈调节，具体优点至少包括：
（1）采用了动态神经网络模型，使得神经网络的结构参数能够基于患者康复训练的实时数据而调节，更加具备普适性和准确性；（2）为避免动态神经网络的参数改变而可能导致的过训练问题，本发明采用多种手段对样本数据执行处理，使得样本数据具备代表性与完整性；（3）采用全流程闭环的康复训练反馈，使得多个周期后患者能够获得更为明确的反馈结果，从而使得后续的训练更加具备针对性。
15.本发明的进一步优点将结合说明书附图在具体实施例部分进一步详细体现。
16.附图说明
17.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
18.图1是本发明一个实施例的基于神经网络算法的认知康复训练系统的结构层次示意图图2是图1所述系统的一种具体实现形式的硬件组成图图3是典型神经网络的结构示意图图4
‑
图5是图1所述系统中执行数据预处理的流程示意图
具体实施方式
19.下面，结合附图以及具体实施方式，对发明做出进一步的描述。
20.参照图1，是本发明一个实施例的基于神经网络算法的认知康复训练系统的结构层次示意图。
21.图1概括性表示，所述基于神经网络算法的认知康复训练系统分为康复训练层、数据采集层、数据分组层、神经网络层以及认知反馈层。
22.在图1基础上参见图2，是图1所述系统的一种具体实现形式的硬件组成图。
23.在图1中，针对康复训练层，包括至少一个康复训练设备，所述康复训练设备包括运动锻炼装置、语音测试装置以及人机交互界面。
24.作为具体的场景示例，所述康复训练设备可以是患者术后肢体锻炼装置，尤其的是，所述康复训练设备给予脑卒中康复患者，或者脑卒中术后患者用于肢体、语言、动作姿态等的康复训练。
25.众所周知，脑卒中发作后常会伴随着患者的运动、 语言和感知等方面的障碍。
26.临床表现数据表明，这种障碍程度各有不同。运动障碍通常表现为上肢/下肢障碍，或者身体一侧的障碍，但是在辅助情况下可以简单活动，某些情况下也可以进行自主运动；语言障碍通常表现为表达能力缺失或者部分缺失，但是大部分患者能够正常阅读、接收外界资讯，在存在语言障碍时只是不能明确、完整或者准确的进行语言表达而已；感知障碍则主要体现在肢体反射能力，例如下肢失去知觉或者部分位置失去知觉（瘫痪）。
27.无论如何，对于大部分瘫痪病人来说，肌体运动功能受损严重但仍然具有健康的
大脑，并且可以进行完整思维活动，从而为实现交互式的自主康复训练提供可能。
28.继续参见图2。针对所述数据采集层，包括多个运动传感器与姿态传感器，所述运动传感器用于采集康复训练过程中的肢体运动参数，所述姿态传感器用于获得姿态模式参数。
29.在本实施例中，运动与姿态是两个不同的概念。运动偏重于某个时间节点本身的运动数据，例如实时的步速、实时的肢体抬高高度；姿态偏重于某个时间段的模式数据，例如步态模式和身体平衡程度趋势。
30.所述数据采集层将采集的所述肢体运动参数和所述姿态模式参数发送至所述数据分组层；图2中，针对数据分组层，包括数据预处理组件和数据分组组件；所述数据预处理组件对所述肢体运动参数和所述姿态模式参数执行预处理；所述数据分组组件对所述肢体运动参数和所述姿态模式参数进行分组存储。
31.接下来是神经网络层。
32.神经网络是一种模拟人脑的神经网络以期能够实现类人工智能的机器学习技术。人脑中的神经网络是一个非常复杂的组织。成人的大脑中估计有1000亿个神经元之多。
33.图3示出了一个典型的神经网络结构示意图。
34.一个经典的神经网络通常包含三个层次，输入层，输出层和中间层（也叫隐藏层）。
35.在图3中，输入层有3个输入单元，隐藏层有4个单元，输出层有2个单元。在本发明的各个实施例中，将所述单元改称之为“节点”，即图3中，输入层有3个节点，隐藏层有4个节点，输出层有2个节点。
36.现有技术中，设计一个神经网络时，输入层与输出层的节点数往往是固定的，只有中间层可以自由指定。
37.输入层与输出层设定的神经网络已经训练完成，只能适合于固定模式的输入数据，哪怕输入数据数量过多或者不足，都只能继续使用，从而导致模型的普适性缺失。
38.为解决上述技术问题，本发明的神经网络层包括动态的神经网络，这里的动态是相对于现有技术所述的“输入层与输出层的节点数往往是固定的”而言，使得输入层与输出层的节点数可以动态调节，这种动态调节基于不同的输入数据的分组确定，使得在训练阶段可以根据实际情况进行训练。虽然有可能增加训练次数，但是对于结果的稳定性和模型的普适性有保证。
39.发明人的实验数据表明，增加的训练次数相对于结果的稳定性和准确性几乎可以忽略，因为在本发明针对的康复训练中，训练数据实现分组的组数可以调节，并且规模可控。
40.结合图2
‑
图3具体介绍如下：所述神经网络层包含输入层和输出层；所述输入层的节点数目与所述数据分组组件得到的分组组数相同；所述输出层连接所述认知反馈层，基于所述认知反馈层的反馈，在所述人机交互界面上显示康复训练反馈结果。
41.所述神经网络层包括动态神经网络模型；所述动态神经网络模型包括所述输入层、输出层以及中间层；
所述输入层的输入节点数目可动态调节，具体的，所述输入层的输入节点数目基于所述数据分组组件得到的分组组数确定。
42.因此，在本发明中，分组组数的确定是确定性因素之一。分组过少，在导致输入样本不足，分组过多，则容易导致训练过量；所述数据分组组件对所述肢体运动参数和所述姿态模式参数进行分组存储，具体包括：将相同姿态模式参数对应的肢体运动参数分为一组。
43.作为示意性的例子， 所述肢体运动参数包括步速和肢体抬起高度；所述姿态模式参数包括步态和身体平衡程度。
44.此时，所述将相同姿态模式参数对应的肢体运动参数分为一组，包括：将相同步态对应的步速参数分为一组；将相同身体平衡程度对应的肢体抬起高度参数分为一组。
45.这里的“对应”，是指“姿态模式参数”和“肢体运动参数”的采集时间对应。
46.举例来说，假设在时间段[a,b]内采集的步态参数，和时间[c,d]采集的步态参数模式一致，则可以将时间段[a,b]和[c,d]内采集得到的步速参数分为一组；对于身体平衡程度对应的肢体抬起高度参数的解释也是如此，不再赘述。
[0047]
作为进一步的优选，还可以将相似步态对应的步速参数分为一组；将相似身体平衡程度对应的肢体抬起高度参数分为一组。
[0048]
这里的相似，是指各个步态的相似度高于预定值，或者各个身体平衡程度的整体趋势不超过预定范围。
[0049]
显然，经过上述处理，可以明确的得到数量适中的分组数，从而使得后续的动态神经网络的每次训练量适用，在准确性和速度之间取得合理的平衡。
[0050]
不过，仅仅是控制数据的分组处理过程，虽然可以实现本发明的技术方案，但是效果上仍待改进，因为周期性获取的数据可能存在重复、不足、不具备代表性等问题，给后续分组带来歧义。
[0051]
为此，参见4
‑
图5，给出了本发明的技术方案，在数据分组之前的数据预处理过程。
[0052]
在图4中，所述运动传感器按照第一预设周期采集康复训练过程中的肢体运动参数；所述数据预处理组件对所述肢体运动参数执行预处理，具体包括：获取多个预设周期内的肢体运动参数；若针对同一个运动参数存在多个相同的数值，则仅保留一个数值；若针对同一个运动参数存在多个不同的数值并且所述多个不同的数值的变化范围满足预设条件，则将所述多个不同的数值取平均值作为该运动参数的取值。
[0053]
在图5中，所述运动传感器按照第二预设周期采集康复训练过程中的姿态模式参数；所述数据预处理组件对所述姿态模式参数执行预处理，具体包括：获取多个预设周期内的多个姿态模式参数；若姿态模式参数的变化率大于第一预定值，则减少所述第二预设周期；若姿态模式参数的变化率小于第二预定值，则增大所述第二预设周期。
[0054]
需要注意的是，在本发明中，如前所述，运动偏重于某个时间节点本身的运动数据，姿态偏重于某个时间段的模式数据。
[0055]
因此，不管是减少所述第二预设周期，还是增大所述第二预设周期，均需要所述第二预设周期小于或者等于所述第一预设周期。
[0056]
基于图1
‑
图5的处理后，所述动态神经网络可以输出多重评估结果，具体包括：所述输出层包括运动输出层、语音输出层以及建议输出层；所述运动输出层用于输出运动康复训练评估结果；所述语音输出层用于输出与所述运动康复评估训练结果对应的语音测试级别；所述建议评估层基于所述语音测试级别和所述康复训练评估结果，给出图像采集建议级别。
[0057]
所述认知反馈层基于所述建议评估层给出的图像采集建议级别，获得采集图像反馈；基于所述采集图像反馈结果，在所述人机交互界面上显示康复训练反馈结果。
[0058]
如前所述，患者的运动、 语言和感知等方面的障碍是康复训练需要克服和恢复的目的。
[0059]
因此，所述运动输出层首先输出运动康复训练评估结果，即基于多个周期的所述肢体运动参数和所述姿态模式参数，再经过预处理、分组后输入所述动态神经网络模型，在第一输出层输出运动康复训练评估结果；在第二个方面，神经网络模型还包括语言能力测试模型。基于运动康复训练评估结果可以评估当前康复患者的语音能力级别，从而确定与所述运动康复评估训练结果对应的语音测试级别，后续可以在所述语音测试装置执行语言能力测试；在第三个方面，所述建议评估层基于所述语音测试级别和所述康复训练评估结果，给出图像采集建议级别。
[0060]
这里的图像采集建议级别，主要是针对当前患者执行眼底图像采集的建议，包括十分建议、暂时不建议、不建议等；也可以包括：建议采集周期、建议采集次数等。
[0061]
视网膜及视神经作为间脑的直接延伸，与中枢神经系统具有高度同源性 眼底微血管是人体唯一可以在活体上观察到的微循环血管，为研究中枢神经系统疾病提供了可靠、易行的观察窗口。本发明将眼底照相技术开始应用于探索眼底病变与脑卒中的相关性研究，并对研究脑卒中发病机制显示出了独特的优势。
[0062]
因此，遵照建议的图像采集建议级别获取眼底图片后，所述认知反馈层基于所述建议评估层给出的图像采集建议级别，获得采集图像反馈；基于所述采集图像反馈结果，在所述人机交互界面上显示康复训练反馈结果，包括康复训练是否有效、哪些方面需要改进(语言或者运动)等结果。
[0063]
可以看出，本发明的技术方案采用了动态神经网络模型，使得神经网络的结构参数能够基于患者康复训练的实时数据而调节，更加具备普适性和准确性；同时，为避免动态神经网络的参数改变而可能导致的过训练问题，本发明采用多种手段对样本数据执行处理，使得样本数据具备代表性与完整性；此外，采用全流程闭环的康复训练反馈，使得多个周期后患者能够获得更为明确的反馈结果，从而使得后续的训练更加具备针对性。
[0064]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以
理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。