[发明专利]一种基于边云协同的患者步态实时预测方法

说明书

本发明公开了.一种基于边云协同的患者步态实时预测方法，具体包括如下过程：步骤1，分别采集患者的下肢髋关节、膝关节和踝关节的姿态运动信息及患者的足底压力分布数据；步骤2，将步骤1采集的足底压力分布数据在边缘计算的深度学习模型中进行分析；步骤3，将步骤1采集的患者的下肢髋关节、膝关节和踝关节的姿态运动信息在云服务器的深度学习模型中进行预测；步骤4，将步骤2和步骤3所得结果在边缘计算服务器上进行同步，从而实现对患者步态的快速识别与预测。本发明解决了因脑卒中患者的行走能力差异性大造成的现有助行器无法有效工作的问题。

技术领域

本发明属于医疗电子技术领域，涉及一种基于边云协同的患者步态实时预测方法。

背景技术

下肢运动功能障碍极大地降低了患者的行动能力与生活质量。其主要病理表现为患者患病的下肢麻木无力，患者难以对患肢进行迈步行走等基本行动。当前，康复医院对该类患者的康复治疗方法主要是通过专业的康复医师或护工对患者进行人工搀扶助行，这造成了医护资源的严重紧缺。为解决该问题，康复机器人应运而生，但现有的康复机器人自动化与智能化程度较低，其主要瓶颈问题是，康复机器人难以对患者在康复治疗中的下肢运动能力和健康状况进行实时评估，且患者的下肢运动能力与健康状况需要通过多种不同类型的传感器进行实时监测，这使得康复机器人如何在数据传输和数据快速处理上带来了巨大的挑战。

下肢运动功能障碍患者因其身体素质和功能障碍程度的差异性，不同的患者对康复训练的强度、持续时间、患肢动作幅度大小以及康复训练方法的需求都极为不同，故而无法使用固定参数的治疗手法对患者进行康复训练治疗。这使得根据患者康复训练的下肢运动能力和健康状态进行实时感知，并依此对康复机器人进行动态调整成为了康复机器人的一个关键技术。但由于康复机器人的每一个康复动作决策都需要考虑大量传感器数据，这使得传感器的传输与计算带来的时延成为了瓶颈，其复杂性难以单纯依靠康复机器人上的嵌入式设备求解，故现有的康复机器人仍只能由专业研发人员对参数与康复策略进行人工调整，这极大地限制了康复机器人的适用性，从而导致该产品康复治疗效果较差、用户体验较差、产品普及率低。

现有大部分的下肢康复机器人主要面向康复医院等医疗机构，其主要依靠专业的康复医师或护工对患者在康复训练的状态进行评估。虽然康复医师往往具备丰富的治疗经验，可获得准确的评估结果，但极大地耗费医护资源，代价高昂。近年来，随着人工智能等技术的快速发展，已有部分下肢康复机器人可通过机器学习等方法对患者的康复训练过程的状态进行评估，但机器学习方法的准确性依赖于对大量传感器数据的处理和训练，康复机器人上的嵌入式设备难以对如此庞大的数据进行实时处理与分析，故云计算技术被融合进来。其主要通过将大量的传感器数据通过网络发送至大数据云中心，并通过中心大型超算设备对数据进行快速计算与分析，但该技术受限于网络传输的带宽。在有限的带宽下，庞大的传感器数据传输造成了大量的时延，从而极大地降低了下肢康复机器人的实时性，这使得患者健康状态的实时评估成为了下肢康复机器人自适应控制的瓶颈。

发明内容

本发明的目的是提供一种基于边云协同的患者步态实时预测方法，该方法解决了因脑卒中患者的行走能力差异性大造成的现有助行器无法有效工作的问题。

本发明所采用的技术方案是，.一种基于边云协同的患者步态实时预测方法，具体包括如下过程：

步骤1，分别采集患者的下肢髋关节、膝关节和踝关节的姿态运动信息及患者的足底压力分布数据；

步骤2，将步骤1采集的足底压力分布数据在边缘计算的深度学习模型中进行分析；

步骤3，将步骤1采集的患者的下肢髋关节、膝关节和踝关节的姿态运动信息在云服务器的深度学习模型中进行预测；

步骤4，将步骤2和步骤3所得结果在边缘计算服务器上进行同步，从而实现对患者步态的快速识别与预测。

本发明的特点还在于：

步骤1中，采用柔性足底压力传感器采集患者的足底压力分布信息。