基于多模态数据采集的踝泵运动状态识别方法与流程

本发明涉及智慧医疗，具体涉及基于多模态数据采集的踝泵运动状态识别方法。

背景技术：

1、踝泵运动是指通过踝关节的主动或被动屈伸及环绕运动，带动小腿肌肉产生节律性收缩与舒张，从而发挥肌肉泵作用，促进下肢血液和淋巴液回流，是临床上预防下肢深静脉血栓dvt、减轻肢体肿胀、促进踝关节功能康复最简便、最经济的基础预防措施之一，广泛适用于骨科术后、长期卧床、孕产妇及老年等dvt高危人群；

2、目前，临床上对踝泵运动的监测与评估主要依赖以下几种技术途径：其一，基于单一传感器的监测方式，如仅使用姿态传感器检测踝关节运动角度-3、仅使用压力传感器检测足底受力、或使用振动传感器置于脚踝下方采集运动信号；其二，基于计算机视觉的康复动作识别方式，通过摄像头采集运动图像并利用姿态估计算法提取关节运动参数；其三，部分方案尝试引入个性化训练处方概念，通过患者基本信息匹配预设的运动参数范围；

3、（1） 现有踝泵运动监测设备多为单一传感器方案，姿态传感器虽能检测关节角度变化，但无法获取足踝受力分布和发力状态，压力传感器虽能感知接触力，却无法精确测量运动幅度和运动轨迹，视觉方案虽能捕捉运动轨迹，却易受遮挡和光照条件干扰，各单一模态数据均只能反映踝泵运动的部分维度信息，无法实现对运动角度、速率、幅度、受力分布及运动轨迹的全方位同步采集，导致对代偿动作的识别能力不足；

4、（2）现有技术在制定训练方案时，多采用固定统一的运动频率、幅度和时长标准，未能充分考虑患者年龄、体重、肌力、术后天数及血栓风险等级等个体化差异因素，缺乏个性化自适应调控能力，无法根据患者个体差异动态调整训练参数；

5、（3）大多数现有技术仅能输出运动状态判定结果，无法在检测到不规范动作时主动进行干预和强制纠正，患者在实际训练中往往因缺乏实时引导和纠正，导致代偿动作反复出现，训练有效性大打折扣，无法真正保证踝泵运动的规范性和安全性。

技术实现思路

1、本发明的目的在于提供基于多模态数据采集的踝泵运动状态识别方法，以解决现有技术中难以全面捕捉踝泵运动的精细化特征、缺乏个性化自适应调控能力，无法根据患者个体差异动态调整训练参数以及缺乏闭环纠错机制的技术问题。

2、为解决上述技术问题，本发明具体提供下述技术方案：

3、本发明提供了基于多模态数据采集的踝泵运动状态识别方法，包括以下步骤：

4、通过设置于足踝佩戴组件上的传感器同步采集患者在踝泵运动过程中的多源传感数据，对所述多源传感数据分别进行预处理，从各模态数据中提取运动特征参数，所述运动特征参数至少包括踝泵运动的角度参数、频率参数、幅度参数、压力分布参数及运动轨迹参数；

5、将各模态提取的运动特征参数进行时空域融合，构建反映踝泵运动全维度信息的联合运动特征向量；将所述联合运动特征向量输入预先构建的踝泵运动识别模型，所述识别模型基于标准踝泵运动样本和代偿错误运动样本训练得到，内置有标准动作判定阈值和代偿动作特征库；

6、所述踝泵运动识别模型通过比对实时运动特征与所述判定阈值及特征库，输出当前踝泵运动的动作类别识别结果，所述识别结果至少包括标准踝泵动作和代偿错误动作的分类判定；

7、根据所述动作类别识别结果，生成对应的运动调控指令，所述调控指令至少包括对踝泵运动执行机构输出的运动阻力参数、运动速度参数和运动行程参数中的一项或多项的调节控制，以使踝泵运动状态趋近于标准运动模式；

8、记录训练过程中各阶段的多源传感数据、运动特征参数、动作识别结果及调控参数，生成训练记录数据，并将所述训练记录数据输出至外部设备或云端平台。

9、作为本发明的一种优选方案，所述多源传感数据包括：

10、所述多源传感数据至少包括反映踝关节角度变化的角度传感数据、反映足踝部受力状态的压力传感数据、反映足踝部空间位姿的姿态传感数据以及反映踝关节运动轨迹的图像传感数据；

11、对所述多源传感数据进行时间戳同步对齐，使各模态数据处于同一时间基准下；

12、所述角度传感数据由角度传感器以第一采样频率连续采集踝关节背屈和跖屈过程中的实时角度值；

13、所述压力传感数据由分布于足踝佩戴组件内侧多个压力传感单元以第二采样频率采集足踝与佩戴组件接触面的动态压力分布值；

14、所述姿态传感数据由姿态传感器采集足踝部在三维空间中的加速度值和角速度值；

15、所述图像传感数据由微型视觉摄像头采集踝关节运动过程中的连续图像帧序列；

16、并对各模态原始数据分别进行滑动窗口滤波去噪、基线漂移校正及异常值剔除处理。

17、作为本发明的一种优选方案，所述运动特征参数的提取和融合方法包括：

18、从所述角度传感数据中提取踝关节背屈峰值角度、跖屈峰值角度及单次运动周期时长；

19、从所述压力传感数据中提取足踝各区域的压力峰值及压力重心偏移轨迹；

20、从所述姿态传感数据中提取足踝部运动加速度峰值和角速度变化曲线；

21、从所述图像传感数据中提取踝关节关键点像素坐标序列并转换为空间运动轨迹；

22、将各模态提取的运动特征参数按统一时间戳进行时间轴对齐形成时间序列特征集；

23、采用预设时长和预设步长的滑动时间窗口对所述时间序列特征集进行分割，将每个时间窗口内的多时间节点特征组合为时间序列特征矩阵；

24、计算不同模态特征之间的交叉关联特征，所述交叉关联特征至少包括角度-压力时序相关性特征、姿态-轨迹空间一致性特征及角度-角速度相位同步特征；

25、将原始特征与所述交叉关联特征组合生成联合运动特征向量，并对所述联合运动特征向量进行归一化处理和降维压缩后输入所述踝泵运动识别模型。

26、作为本发明的一种优选方案，所述踝泵运动识别模型的构建方法包括：

27、采集若干例临床标准踝泵运动数据和若干例代偿错误运动数据作为训练样本集，对所述代偿错误运动按照代偿类型进行分类标注，所述代偿类型至少包括足踝代偿、髋关节代偿、躯干代偿及运动幅度不足四类，每一类代偿样本标注对应的代偿类别标签，所述标准踝泵运动样本标注标准动作标签；

28、对各训练样本提取联合运动特征向量，对每一类代偿类型分别提取对应的关键特征判别参数和特征阈值区间，形成代偿动作特征库，所述代偿动作特征库包含各代偿类型与关键特征判别参数之间的映射关系；

29、以标注后的联合运动特征向量作为输入，以动作类别标签作为输出，训练分类识别网络模型，得到初始踝泵运动识别模型。

30、作为本发明的一种优选方案，所述踝泵运动识别模型的识别流程包括：

31、将实时采集并融合生成的联合运动特征向量输入所述踝泵运动识别模型，所述踝泵运动识别模型首先通过比对实时运动特征与内置的标准动作判定阈值，输出当前运动是否为标准踝泵动作的二分类判定结果；

32、若判定为非标准动作，则进一步将实时运动特征与所述代偿动作特征库中的各代偿类型特征判别规则及特征阈值区间进行逐类匹配，输出当前运动的代偿类型识别结果；

33、所述踝泵运动识别模型在输出动作类别识别结果的同时，计算该识别结果对应的置信度评分；

34、当所述置信度评分高于预设高置信度阈值时，直接输出最终识别结果；

35、当所述置信度评分介于预设低置信度阈值与高置信度阈值之间时，触发滑动时间窗口内的连续多帧识别结果投票机制，以投票结果作为最终识别输出；

36、当所述置信度评分低于预设低置信度阈值时，将该次运动判定为可疑动作，触发重新采集与识别流程；

37、将标记后的可疑动作数据及经医护人员复核确认的误判数据存储至样本集中，周期性的对所述踝泵运动识别模型进行增量学习更新，更新代偿动作特征库中各代偿类型的特征判别规则和特征阈值区间。

38、作为本发明的一种优选方案，所述置信度阈值根据标准化踝泵运动动作规范阈值库进行设定，所述标准化踝泵运动动作规范阈值库包含标准踝泵动作在不同康复阶段的参考阈值范围；

39、所述参考阈值范围至少包括踝关节标准背屈角度阈值范围、标准跖屈角度阈值范围、标准运动速率阈值范围、单次标准运动频次阈值范围及足踝标准受力分布参考区间。

40、作为本发明的一种优选方案，所述踝泵运动识别模型内置有ai自适应调控算法，通过所述ai自适应调控算法生成对应的运动调控指令，所述ai自适应调控算法包括：

41、将所述患者基础体征数据和实时运动状态识别结果共同构建设计特征向量，输入预训练的自适应调控网络模型；

42、所述自适应调控网络模型采用多层感知机结构，其训练样本包含不同年龄、体重、损伤程度和康复阶段患者的运动训练数据及其对应有效训练参数；

43、所述自适应调控网络模型以最大化训练有效性和最小化代偿风险为目标函数，输出匹配患者当前状态的运动幅度阈值、训练频次、单次训练时长和间歇休息时长作为个性化踝泵运动训练方案；

44、所述训练方案随患者康复阶段推进和实时运动状态变化进行动态迭代更新。

45、作为本发明的一种优选方案，所述ai自适应调控算法根据所述动作类别识别结果，生成对应的运动调控指令，设置有闭环智能纠错干预机制，所述闭环智能纠错干预机制包括：

46、将实时运动状态识别结果与所述个性化踝泵运动训练方案中设定的标准参数进行逐项比对，计算实际运动状态与标准方案之间的偏差值；

47、当偏差值超过预设容差范围时，判定为偏差工况，并根据偏差类型和偏差程度生成分级纠错提示指令；

48、所述分级纠错提示指令至少包含一级语音提示纠错指令和二级视觉界面纠错指令；

49、其中所述一级语音提示纠错指令用于在检测到轻度偏差工况时通过语音播报具体纠正动作指导；

50、所述二级视觉界面纠错指令用于在检测到中度及以上偏差工况时在交互界面同步显示偏差部位动画示意和正确动作示范；

51、持续采集纠错干预后的多模态运动数据并重复执行以上步骤，直至所述偏差值回落至预设容差范围内。

52、作为本发明的一种优选方案，根据所述动作类别识别结果，对患者康复效果进行动态监测，通过所述调控指令使踝泵运动状态趋近于标准运动模式，包括：

53、记录患者单次训练内的动作总次数、标准动作次数和偏差动作次数，计算动作达标率；

54、记录患者单次训练的实际训练时长与方案设定训练时长的比值，计算训练依从性；

55、统计患者连续多日训练的动作达标率变化趋势和运动幅度变化趋势，依据所述变化趋势评估踝关节功能康复进度；

56、当连续设定天数内的动作达标率呈上升趋势且运动幅度逐步接近标准阈值范围时，输出康复进度良好评估结果；

57、当连续设定天数内的动作达标率呈下降趋势或停滞时，输出康复进度缓慢评估结果，并触发训练方案重新调整流程。

58、作为本发明的一种优选方案，对患者进行康复效果动态监测过程中，通过风险预警提示所述踝泵运动状态，所述风险预警的方法包括：

59、从实时运动状态数据中提取反映下肢血流循环状态的关联特征参数，所述关联特征参数至少包括踝泵运动的峰值角速度、运动频率稳定性指标及足踝受力恢复曲线斜率；

60、将所述关联特征参数输入预置的风险评估模型，所述风险评估模型内置有下肢深静脉血栓风险判别阈值和肢体肿胀风险判别阈值；

61、当所述关联特征参数超出所述风险判别阈值时，判定存在下肢深静脉血栓或肢体肿胀并发症风险，输出包含风险等级和风险类型的预警信号，并将所述预警信号同步推送至医护终端。

62、本发明与现有技术相比较具有如下有益效果：

63、本发明通过角度传感器、压力传感器、姿态传感器及微型视觉摄像头多模态同步采集踝泵运动数据，结合时空域深度融合与跨模态交叉关联特征计算，全面捕捉运动角度、受力分布、空间位姿及运动轨迹信息，显著提升了代偿动作的识别精度；构建标准-代偿双路精细判别模型及代偿动作特征库，实现了对足踝代偿、髋关节代偿、躯干代偿及运动幅度不足四类代偿类型的精准分类识别；通过ai自适应调控算法融合患者基础体征、实时运动状态及历史训练数据，动态生成个性化训练方案，突破了固定训练模式的局限；闭环纠错干预机制将被动监测升级为主从动干预，置信度三级差异化处理与增量学习机制持续优化模型性能；同时全量化记录训练数据并上传云端生成康复报表，实现康复护理的数字化可追溯管理，有效降低了护理人力成本，实现了踝泵康复训练从经验化到智能化、从标准化到个性化的技术跨越，在提升训练依从性与有效性、降低下肢深静脉血栓并发症风险、促进踝关节功能康复方面具有显著的临床应用价值，且系统结构简洁、适配各类卧床科室，具备良好的产业化推广前景。