基于多模态感知与自适应助力外骨骼的偏瘫患者上楼梯智能康复训练系统及方法
本发明属于智能康复医疗器械及人工智能辅助训练,具体涉及一种用于偏瘫患者上楼梯训练的系统及方法,尤其是一种将多模态感知、深度学习步态分析、强化学习控制与自适应助力外骨骼(由三个主动机械手组成)相结合的自适应智能康复训练系统及方法。
背景技术:
1、脑血管意外导致的偏瘫患者数量逐年增加。在患者具备平地行走能力后,上楼梯训练是恢复其日常生活能力、提升下肢肌力和协调性的重要环节。传统上楼梯训练高度依赖治疗师的一对一徒手辅助,不仅劳动强度大、效率低,而且难以精确量化患者的运动学与动力学参数,无法实现个性化、渐进式的康复方案。此外,患者常因恐惧心理导致重心偏移不当,患侧肢体得不到有效锻炼,容易形成错误步态模式。
2、现有的一些简易机械辅助装置(如腰部支撑杆、手控夹具)虽然能够提供基本的防跌倒支持和部分手法引导,但缺乏智能感知与实时调整能力,无法主动适应患者康复进程的变化,也不能真正模拟治疗师的手法技巧。另一方面,全自动外骨骼系统虽然智能化程度高,但成本昂贵、患者初期适应困难,且缺少治疗师手法的触觉引导。
3、因此,亟需一种能够自动感知患者运动意图、提供自适应辅助力、并能实时反馈与优化的上楼梯智能训练系统及方法,且应融合治疗师的抓膝、控足、稳骨盆等核心手法,实现从高强度辅助到低强度辅助的平滑过渡。
技术实现思路
1、本发明的目的是提出一种基于多模态感知与自适应机械手协同的偏瘫患者上楼梯智能康复训练系统及方法,实现解决现有偏瘫患者上楼梯训练中存在的辅助手段单一、缺乏个性化量化评估、无法自适应调整辅助力度等问题。
2、为实现上述目的,第一方面,本发明提出一种基于多模态感知与自适应助力外骨骼的偏瘫患者上楼梯智能康复训练系统,包括:
3、仿生台阶,用于提供可调节高度的训练楼梯环境;
4、多传感器融合感知层,用于采集患者的运动学、动力学及生理电信号;
5、基于长短时记忆网络的深度学习步态分析引擎,用于识别并预测上楼梯动作阶段;
6、自适应助力外骨骼,所述自适应助力外骨骼包括:
7、第一机械手,具有可开合的两个弧形夹爪,用于包绕患侧膝关节,所述第一机械手设有驱动机构,能够主动输出辅助力矩以引导膝关节屈伸运动;
8、第二机械手,具有u形卡爪,用于夹持健足足尖部,所述第二机械手设有驱动机构,能够主动产生摆动运动以带动患侧下肢晃动;
9、第三机械手,具有弧形板,用于贴靠健侧骨盆,所述第三机械手设有驱动机构,能够主动输出前推力以辅助重心前移;
10、控制器,所述控制器采用强化学习算法,根据所述多传感器融合感知层采集的信号和所述深度学习步态分析引擎输出的步态阶段预测,分别控制所述第一机械手的辅助力矩、所述第二机械手的摆动参数和所述第三机械手的前推力;
11、康复进程管理平台,用于计算患者主动贡献度并基于主动贡献度动态调整所述控制器的控制策略。
12、可选地,所述仿生台阶由多级可调高度的智能楼梯平台构成,每级台阶内嵌有压力传感器矩阵,用于实时采集足底压力分布及重心轨迹;所述台阶组正前方安装有深度摄像头,用于识别楼梯边缘和患者下肢空间位置。
13、可选地,还包括腰部稳定装置,所述腰部稳定装置包括竖直支撑杆、固定于支撑杆上端的弧形托垫以及连接于支撑杆中部的柔性束带,所述支撑杆底部为自由端,不固定于地面,且距离地面或台阶平面3~5cm,所述支撑杆通过柔性束带与患者腰部固定并可随患者移动,用于限制躯干后仰并提供防跌倒支撑。
14、可选地,所述多传感器融合感知层包括:
15、嵌于仿生台阶踏板内的压力传感器矩阵;
16、安装于仿生台阶前方的深度摄像头;
17、固定于患者腰部的惯性测量单元;
18、贴放于患侧下肢肌肉表面的表面肌电传感器;
19、集成于所述第一机械手夹爪及驱动单元的压力传感器、角度传感器和力/力矩传感器;
20、集成于所述第二机械手夹爪及驱动单元的压力传感器和位移传感器;
21、集成于所述第三机械手弧形板的压力传感器阵列;
22、以及安装于安全悬吊系统的拉力传感器;
23、所述多传感器融合感知层通过通信框架进行数据汇聚,各传感器数据经时间同步后送入主控计算机;所述压力传感器矩阵和三个机械手集成传感器通过总线连接,所述深度摄像头通过通用串行总线连接,所述惯性测量单元和表面肌电传感器通过无线传输方式连接,所述拉力传感器通过串行外设接口连接至独立安全监控模块实现双通道冗余;
24、所述多传感器融合感知层的具体装置布局包括:台阶踏板内嵌阵列式压力传感器矩阵;台阶正前方安装有深度摄像头;患者腰部固定有惯性测量单元;患侧下肢肌肉表面贴放表面肌电传感器;第一机械手集成有压力传感器、角度传感器和力/力矩传感器;第二机械手集成有压力传感器和位移传感器;第三机械手弧形板内置有阵列式压力传感器;悬吊系统中串接有拉力传感器。
25、可选地,所述第一机械手通过三自由度可调支架固定于双侧扶手之一的立柱上,其壳体末端设有快拆接口;所述第二机械手通过柔性软轴连接至地面滑轨,所述地面滑轨沿台阶纵向布置;所述第三机械手通过万向臂固定于腰部稳定装置的竖直支撑杆下部;各机械手均设有位置及角度调节机构,且夹持面内衬柔性垫。
26、可选地,所述深度学习步态分析引擎中的长短时记忆网络包括:输入层、第一lstm层、第二lstm层、全连接层和输出层;
27、所述深度学习步态分析引擎以多层lstm网络为核心,数据预处理、特征提取以及全连接分类层共同构成端到端的深度学习流程;
28、其中,输入层用于接收包含表面肌电特征、关节角度、足底压力中心坐标和躯干倾斜角的时间窗口序列;
29、第一lstm层和第二lstm层为堆叠结构,第一lstm层用于捕获低层时序模式,所述低层时序模式包括肌肉激活时序和关节角度变化趋势,第一lstm层输出全部时间步的隐藏状态序列;第二lstm层用于在第一层输出基础上进行高层语义抽象,识别步态阶段转换模式和跨周期运动意图变化,第二lstm层输出全局语义向量;该堆叠结构通过层次化时序特征提取增大长程依赖的感受野;
30、各层工作过程为:输入层接收包含多个时间步的多维特征序列;第一lstm层通过输入门、遗忘门、输出门和细胞状态进行信息筛选,输出多维特征序列;经第一dropout层后输入第二lstm层;第二lstm层输出全局语义向量;经第二dropout层后由全连接层映射至特征空间,经激活函数后由输出层产生各步态阶段的概率分布;;
31、全连接层将第二lstm层的输出映射至特征空间;输出层采用softmax激活函数,输出上楼梯不同阶段的概率分布;所述网络的训练数据包括健康受试者和偏瘫患者的采集数据,并经过滤波、归一化及数据增强处理。
32、可选地,所述强化学习算法为近端策略优化算法;
33、所述控制器采用强化学习算法对三个机械手进行协同控制;所述强化学习算法通过奖励驱动策略优化自动学习三个机械手之间的协同关系;所述强化学习算法通过在线学习机制根据患者实时交互数据自动调整控制策略,实现个性化自适应;所述强化学习算法的奖励函数编码多重康复目标并通过统一的学习框架自动平衡各项目标;
34、所述控制器包含策略网络与价值网络,所述策略网络根据所述多传感器融合感知层采集的信息及所述步态阶段概率生成动作指令,所述价值网络用于估计状态价值以优化策略;
35、所述控制器的奖励函数包含对第一机械手的轨迹跟踪奖励和主动贡献度奖励、对第二机械手的摆动合理性奖励、对第三机械手的前推力奖励,以及对各机械手力/力矩过冲的惩罚和跌倒惩罚;
36、所述控制器先在仿真环境中进行预训练,再迁移至实物系统进行微调,并在每次真实训练后基于采集的交互数据进行在线更新。
37、可选地,还包括安全悬吊系统,所述安全悬吊系统包括电动绞盘、拉力传感器和穿戴于患者躯干的马甲,所述悬吊系统的拉力根据患者躯干倾斜角度和重心位置自动调节。
38、可选地,所述康复进程管理平台中主动贡献度的计算公式为:
39、;
40、其中,n0 = t0/δt,n1 = t1/δt;i为离散时间步索引;δt为采样间隔;t0和t1分别为一级上楼梯动作的起止时刻;τestimated_active(i)为第i时刻患者主动力矩估计值;τassist(i)为第i时刻第一机械手输出的辅助力矩;
41、当主动贡献度连续多次超过预设阈值时,系统降低所述第一机械手的辅助力矩上限、降低所述第二机械手的摆动幅度或降低所述第三机械手的前推力;当主动贡献度连续多次低于预设阈值或跌倒风险指标超标时,系统提高辅助力度。
42、第二方面,本发明提出一种基于第一方面所述系统的上楼梯康复训练方法,包括以下步骤:
43、a. 通过所述多传感器融合感知层采集患者运动与生理信号;
44、b. 由所述深度学习步态分析引擎预测步态阶段;
45、c. 由所述控制器实时生成控制指令,驱动所述自适应助力外骨骼的第一机械手输出辅助力矩、第二机械手产生摆动运动、第三机械手输出前推力,并根据包含三个机械手协同的奖励函数优化控制策略;
46、d. 每次训练后计算患者主动贡献度,更新控制器的经验回放缓冲区,并根据主动贡献度趋势调整后续辅助力度。
47、本发明的有益效果在于:
48、(1)融合传统治疗手法,实现智能化复现:本发明将治疗师的抓膝、控足、稳骨盆三大核心手法转化为可编程的主动机械手动作,通过传感器和ai实现了手法力度、角度、时序的精确量化与自动化复现,既保留了手法治疗的生物学有效性,又克服了人工操作的不一致性。
49、(2)多模态感知与精准意图识别,实现人机协同:通过融合压力矩阵、深度摄像头、惯性测量单元、表面肌电等多源传感器,结合lstm深度学习模型,系统能够提前50-100ms预判患者的步态阶段,使机械手的辅助时机与患者意图高度同步,显著提升训练的流畅性和自然度。
50、(3)自适应助力与主动康复激励机制:采用强化学习ppo算法,控制器能够根据患者的实时状态和主动贡献度动态调整三个机械手的输出力度(膝关节力矩、足尖摆动幅度、骨盆推力)。奖励函数中特别设计了主动贡献度鼓励项,促使患者主动参与训练。随着患者能力提升,系统自动降低辅助力度,避免患者产生依赖,符合神经康复的“主动参与、循序渐进”原则。
51、(4)多重冗余安全防护,保障训练安全:系统集成了物理防护与智能监控双重安全保障。物理层面包括随动防倒杆(底部离地3-5cm,后仰时触地支撑)、柔性束带、机械手限位、安全悬吊系统;智能层面通过深度摄像头、imu、拉力传感器实时监测重心位置和躯干姿态,一旦检测到跌倒风险(如后仰角>5°)立即增加悬吊拉力,超过阈值时自动急停锁死并报警。多重冗余设计大幅降低了患者跌倒风险,有效缓解患者的恐惧心理。
52、(5)量化评估与个性化康复方案:康复进程管理平台实时计算“患腿主动贡献度”等客观指标,生成量化的康复报告,为治疗师制定个性化方案提供数据支撑。系统能够根据主动贡献度的变化趋势自动调整辅助力度,实现真正的个性化、数据驱动的康复训练。
53、(6)降低治疗师劳动强度,提高训练效率:三个主动机械手替代治疗师进行重复性的手法操作,大幅降低人力消耗;一名治疗师可同时监护多名患者,显著提升康复资源利用效率。
54、(7)结构集成化,成本可控,易于推广:无需昂贵的外骨骼系统,仅通过三个主动机械手即可实现膝关节辅助、足尖引导、骨盆稳定等所有功能,成本远低于传统外骨骼,适合康复医院及家庭康复场景。
55、(8)促进中枢神经重塑与功能恢复:通过大量重复、标准化的上楼梯训练,精准的步态引导和主动参与激励,有助于激活大脑神经可塑性,促进中枢神经功能重组,加速下肢运动功能的恢复。
56、本发明具有其它的特性和优点,这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的,或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述,这些附图和具体实施方式共同用于解释本发明的特定原理。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com