本发明涉及康复医学及智能医疗设备的，尤其涉及一种肢体运动功能量化评定方法、装置、设备及存储介质。
背景技术：
1、脑卒中、脑外伤等疾病发生后，多数幸存患者存在偏瘫等肢体运动功能损伤，物理治疗和康复是患者恢复肢体运动功能的必经之路。在康复训练以及评估中，由于肢体功能的损伤，患者往往会通过调整运动模式以在躯干、肩部、肘部等其他关节和身体部位加入额外的自由度来补偿肢体运动功能的丧失，这使得康复过程中出现了非最佳运动模式即代偿性运动。代偿运动给患者的康复带来诸多不利影响，持续存在的代偿性运动会阻碍真正的肢体运动功能恢复，甚至导致其它的骨科疾病。因此在患者进行康复训练及评估的过程中检测识别代偿性运动并实现代偿严重程度的量化评估，并对患者进行运动指导和反馈来减少代偿运动模式具有重要意义。
2、目前，为了实现高精度、低成本的代偿运动检测，基于视觉传感器和可穿戴设备的代偿运动检测方案成为新的研究热点和趋势。其中，基于视觉传感器的代偿运动检测方案存在因环境的变化影响检测结果以及容易发生遮挡等问题，而且不同患者的肢体运动功能不同，发生代偿运动的严重程度也各不相同，尚未有基于视觉传感器对代偿运动严重程度进行量化评定的研究。其中，在基于可穿戴设备的代偿运动检测方案中，惯性测量单元因其操作简单、成本较低、具有良好的便携性和良好的可靠性与精度的优点，被广泛的应用于康复训练及评估等领域中，当前，研究人员已经验证了基于加速度计、惯性传感器等实现躯干代偿运动检测的可行性。然而，代偿运动检测的精确度还有待提高，且尚未有基于可穿戴性传感器实现代偿运动严重程度量化评估的研究。
3、现有的代偿运动检测只能检测出代偿运动的类型，并不能针对患者代偿运动的严重程度进行量化评定，无法根据患者代偿运动的严重程度为患者提供个性化的康复训练和指导。
技术实现思路
1、本发明提供肢体运动功能量化评定方法、装置、设备及存储介质，解决了现有技术中因无法对患者代偿运动的严重程度进行量化评定，导致的无法根据患者代偿运动的严重程度为患者提供个性化的康复训练和指导的问题。
2、为达到上述目的，本发明采用如下技术方案：
3、第一方面，本发明提供一种肢体运动功能量化评定方法，该方法包括：在目标患者进行肢体运动试验动作的过程中，获取所述目标患者的肢体运动数据；所述肢体运动试验动作为fugl-meyer运动功能评定量表上肢部分中的一种或多种；
4、根据所述目标患者实现所述肢体运动试验动作的完成度、平滑度以及波动程度对所述肢体运动数据进行特征提取，筛选出与所述目标患者的躯干、肩关节和肘关节相关的运动参数特征；
5、将所述运动参数特征输入到预先训练好的代偿运动检测模型，所述代偿运动检测模型通过内部设置的多个支持向量机的分类器确定所述运动参数特征被识别为不同类型的代偿运动的概率，并将概率最大的概率值以及对应的代偿运动的名称作为检测结果输出；
6、在所述检测结果的概率值大于第一预设值后，将所述运动参数特征输入到预先训练好的代偿运动量化评定模型；
7、在所述代偿运动量化评定模型中，以代偿运动严重程度的量化阈值区间为量化类别的评定标签，基于k近邻算法确定所述运动参数特征对应的量化阈值区间，并将所述量化阈值区间对应的量化类别作为代偿运动量化评定结果输出；所述代偿运动严重程度的量化阈值区间为不同代偿运动严重程度的等级划分范围，所述量化类别的数值大小与所述代偿运动严重程度呈正比。
8、在一种可能的实现方式中，在将所述运动参数特征输入到预先训练好的代偿运动量化评定模型之前，所述方法还包括：
9、获取所述检测结果中代偿运动的名称对应的代偿运动严重程度的划分等级数量，并将所述划分等级数量作为聚类k值；
10、根据所述聚类k值和预设迭代次数，通过k均值聚类算法对大样本数据行聚类分析，得到所述代偿运动对应的所有划分等级的等级划分范围；所述大样本数据由多个具有所述检测结果中的代偿运动、且代偿运动严重程度不同的患者的历史运动参数特征组成。
11、在一种可能的实现方式中，所述聚类k值为[3,5]。
12、在一种可能的实现方式中，所述在目标患者进行肢体运动试验动作的过程中，获取所述目标患者的肢体运动数据，具体包括：
13、分别在所述目标患者的上肢前臂中部设置第一检测单元，在所述目标患者的上肢大臂中部设置第二检测单元，在所述目标患者的胸骨处设置第三检测单元；所述第一检测单元、所述第二检测单元和所述第三检测单元均为可穿戴惯性传感器；
14、在所述目标患者进行肢体运动试验动作的过程中，通过所述第一检测单元、所述第二检测单元和所述第三检测单元获取所述目标患者的肢体运动数据。
15、在一种可能的实现方式中，在将所述量化阈值区间对应的量化类别作为代偿运动量化评定结果输出之后，所述方法还包括：
16、将实时获取的所述目标患者的多个运动参数特征输入到预先训练好的肢体运动功能量化评估模型，通过所述肢体运动功能量化评估模型对所述目标患者的运动参数特征进行处理，并输出所述目标患者的fugl-meyer ue评分；
17、所述肢体运动功能量化评估模型使用高斯核函数，包括输入模块、计算模块、修正反馈模块以及输出模块；
18、通过所述输入模块获取多个所述运动参数特征；
19、通过所述计算模块确定多个所述运动参数特征与其对应的回归系数的乘积的总和，得到计算结果；所述运动参数特征的回归系数根据所述运动参数特征在fugl-meyer ue评分表中的权重确定；
20、通过所述修正反馈模块确定多个所述运动参数特征与其对应的修正反馈系数的乘积的总和，得到反馈结果；所述修正反馈系数根据所述代偿运动量化评定结果确定；
21、所述输出模块根据所述计算结果和所述反馈结果，基于所述高斯核函数预测所述目标患者的fugl-meyer ue评分。
22、在一种可能的实现方式中，在通过所述修正反馈模块确定多个所述运动参数特征与其对应的修正反馈系数的乘积的总和之前，所述方法还包括：
23、根据所述代偿运动量化评定结果对应的代偿运动的聚类k值确定所述运动参数特征对应的修正反馈系数；所述修正反馈系数为所述聚类k值的倒数。
24、在一种可能的实现方式中，在将实时获取的所述目标患者的多个运动参数特征输入到预先训练好的肢体运动功能量化评估模型之前，所述方法还包括：
25、获取多个具有运动功能恢复量表中ⅲ期到ⅵ期的上肢运动功能障碍患者的运动参数特征，以及每个运动参数特征对应的fugl-meyer ue专家评分；
26、基于逻辑回归算法建立原始的肢体运动功能量化评估模型；
27、以所述运动参数特征为输入对原始的所述肢体运动功能量化评估模型进行训练，直至所述肢体运动功能量化评估模型预测输出的fugl-meyer ue评分与所述fugl-meyerue专家评分之间的误差满足预设损失函数，得到训练好的肢体运动功能量化评估模型。
28、第二方面，本发明提供一种肢体运动功能量化评定装置，包括：所述装置包括：
29、数据采集模块，用于在目标患者进行肢体运动试验动作的过程中，获取所述目标患者的肢体运动数据；所述肢体运动试验动作为fugl-meyer运动功能评定量表上肢部分中的一种或多种；
30、数据处理模块，用于根据所述目标患者实现所述肢体运动试验动作的完成度、平滑度以及波动程度对所述肢体运动数据进行特征提取，筛选出与所述目标患者的躯干、肩关节和肘关节相关的运动参数特征；
31、代偿运动检测模块，用于将所述运动参数特征输入到预先训练好的代偿运动检测模型，所述代偿运动检测模型通过内部设置的多个支持向量机的分类器确定所述运动参数特征被识别为不同类型的代偿运动的概率，并将概率最大的概率值以及对应的代偿运动的名称作为检测结果输出；
32、检测结果处理模块，用于在所述检测结果的概率值大于第一预设值后，将所述运动参数特征输入到预先训练好的代偿运动量化评定模型；
33、代偿运动量化评定模块，用于在所述代偿运动量化评定模型中，以代偿运动严重程度的量化阈值区间为量化类别的评定标签，基于k近邻算法确定所述运动参数特征对应的量化阈值区间，并将所述量化阈值区间对应的量化类别作为代偿运动量化评定结果输出；所述代偿运动严重程度的量化阈值区间为不同代偿运动严重程度的等级划分范围，所述量化类别的数值大小与所述代偿运动严重程度呈正比。
34、在一种可能的实现方式中，所述装置还包括量化阈值区间确定模块；在将所述运动参数特征输入到预先训练好的代偿运动量化评定模型之前，所述量化阈值区间确定模块被配置为执行：
35、获取所述检测结果中代偿运动的名称对应的代偿运动严重程度的划分等级数量，并将所述划分等级数量作为聚类k值；
36、根据所述聚类k值和预设迭代次数，通过k均值聚类算法对大样本数据行聚类分析，得到所述代偿运动对应的所有划分等级的等级划分范围；所述大样本数据由多个具有所述检测结果中的代偿运动、且代偿运动严重程度不同的患者的历史运动参数特征组成。
37、在一种可能的实现方式中，在所述量化阈值区间确定模块中，聚类k值的取值范围设置为[3,5]。
38、在一种可能的实现方式中，所述数据采集模块具体被配置为执行：
39、分别在所述目标患者的上肢前臂中部设置第一检测单元，在所述目标患者的上肢大臂中部设置第二检测单元，在所述目标患者的胸骨处设置第三检测单元；所述第一检测单元、所述第二检测单元和所述第三检测单元均为可穿戴惯性传感器；
40、在所述目标患者进行肢体运动试验动作的过程中，通过所述第一检测单元、所述第二检测单元和所述第三检测单元获取所述目标患者的肢体运动数据。
41、在一种可能的实现方式中，所述装置还包括肢体运动功能量化评定模块；在将所述量化阈值区间对应的量化类别作为代偿运动量化评定结果输出之后，所述肢体运动功能量化评定模块被配置为执行：
42、将实时获取的所述目标患者的多个运动参数特征输入到预先训练好的肢体运动功能量化评估模型，通过所述肢体运动功能量化评估模型对所述目标患者的运动参数特征进行处理，并输出所述目标患者的fugl-meyer ue评分；
43、所述肢体运动功能量化评估模型使用高斯核函数，包括输入模块、计算模块、修正反馈模块以及输出模块；
44、通过所述输入模块获取多个所述运动参数特征；
45、通过所述计算模块确定多个所述运动参数特征与其对应的回归系数的乘积的总和，得到计算结果；所述运动参数特征的回归系数根据所述运动参数特征在fugl-meyer ue评分表中的权重确定；
46、通过所述修正反馈模块确定多个所述运动参数特征与其对应的修正反馈系数的乘积的总和，得到反馈结果；所述修正反馈系数根据所述代偿运动量化评定结果确定；
47、所述输出模块根据所述计算结果和所述反馈结果，基于所述高斯核函数预测所述目标患者的fugl-meyer ue评分。
48、在一种可能的实现方式中，在通过所述修正反馈模块确定多个所述运动参数特征与其对应的修正反馈系数的乘积的总和之前，所述肢体运动功能量化评定模块还被配置为执行：
49、根据所述代偿运动量化评定结果对应的代偿运动的聚类k值确定所述运动参数特征对应的修正反馈系数；所述修正反馈系数为所述聚类k值的倒数。
50、在一种可能的实现方式中，在将实时获取的所述目标患者的多个运动参数特征输入到预先训练好的肢体运动功能量化评估模型之前，所述肢体运动功能量化评定模块还被配置为执行：
51、获取多个具有运动功能恢复量表中ⅲ期到ⅵ期的上肢运动功能障碍患者的运动参数特征，以及每个运动参数特征对应的fugl-meyer ue专家评分；
52、基于逻辑回归算法建立原始的肢体运动功能量化评估模型；
53、以所述运动参数特征为输入对原始的所述肢体运动功能量化评估模型进行训练，直至所述肢体运动功能量化评估模型预测输出的fugl-meyer ue评分与所述fugl-meyerue专家评分之间的误差满足预设损失函数，得到训练好的肢体运动功能量化评估模型。
54、第三方面，本发明提供一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述任一项所述的肢体运动功能量化评定方法。
55、第四方面，本发明提供一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述任一项所述的肢体运动功能量化评定方法。
56、本发明实施例提供的肢体运动功能量化评定方法在实际应用中，首先获取目标患者在进行肢体运动试验过程中的肢体运动数据，并对肢体运动数据进行特征提取，筛选出与目标患者的躯干、肩关节和肘关节相关的运动参数特征；其次，将目标患者的运动参数特征输入到训练好的代偿运动检测模型中，代偿运动检测模型通过内部设置的多个支持向量机的分类器确定该运动参数特征被识别为不同类型的代偿运动的概率，并输出概率最大的概率值及其对应的代偿运动名称；再次，在输出的概率值大于第一预设值后，将目标患者的运动参数特征输入到训练好的代偿运动量化评定模型中；最后，在代偿运动量化评定模型中，以预先确定的代偿运动严重程度的量化阈值区间为量化类别的评定标签，基于k近邻算法确定目标患者的运动参数特征对应的量化阈值区间，并将该量化阈值区间对应的量化类别作为目标患者的代偿运动量化评定结果；本发明不仅能通过代偿运动检测模型确定目标患者存在不同类型的代偿运动的概率，而且能根据概率值最大的代偿运动与第一预设值的大小进一步确定目标患者是否存在代偿运动检测模型识别的代偿运动，从而提高对代偿运动的检测精度，在确定目标患者存在的代偿运动类型后，本发明还能通过代偿运动量化评定模型根据目标患者的代偿运动严重程度对该代偿运动进行精细化量化评估，从而为患者提供个性化的康复训练和指导。
1.一种肢体运动功能量化评定方法，其特征在于，所述方法包括：
2.根据权利要求1所述的肢体运动功能量化评定方法，其特征在于，在将所述运动参数特征输入到预先训练好的代偿运动量化评定模型之前，所述方法还包括：
3.根据权利要求2所述的肢体运动功能量化评定方法，其特征在于，所述聚类k值为[3,5]。
4.根据权利要求1所述的肢体运动功能量化评定方法，其特征在于，所述在目标患者进行肢体运动试验动作的过程中，获取所述目标患者的肢体运动数据，具体包括：
5.根据权利要求2所述的肢体运动功能量化评定方法，其特征在于，在将所述量化阈值区间对应的量化类别作为代偿运动量化评定结果输出之后，所述方法还包括：
6.根据权利要求5所述的肢体运动功能量化评定方法，其特征在于，在通过所述修正反馈模块确定多个所述运动参数特征与其对应的修正反馈系数的乘积的总和之前，所述方法还包括：
7.根据权利要求5所述的肢体运动功能量化评定方法，其特征在于，在将实时获取的所述目标患者的多个运动参数特征输入到预先训练好的肢体运动功能量化评估模型之前，所述方法还包括：
8.一种肢体运动功能量化评定装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1-7中任一项所述的肢体运动功能量化评定方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1-7中任一项所述的肢体运动功能量化评定方法。
