一种康复运动床智能控制及管理系统

本发明涉及智能控制，更具体地说，本发明涉及一种康复运动床智能控制及管理系统。背景技术：1、申请公开号为cn113331826a的专利公开了一种肢体关节功能评估康复训练系统及其使用方法，系统包括机架、康复训练装置和控制装置，康复训练装置包括升降机构、伸缩机构、旋转机构和支撑机构；方法包括：一、推断使用者患肢正常状态下的运动参数；二、测定使用者患肢康复训练前的运动参数；三、设定使用者患肢康复训练中的运动参数；四、制定使用者患肢的康复训练方案；五、使用者患肢的康复训练；六、测定使用者患肢康复训练后的运动参数；七、评估使用者患肢康复训练方案后的运动参数；以引导式康复训练为目标，能够帮助患肢的功能障碍恢复，适用于因脑血管意外等早期卧床病人患肢功能障碍的康复，能够应用于临床各期的肢体康复训练。2、但是依然难以全面获取康复人员在康复运动床上的各种运动数据，无法对康复人员的运动能力和康复状态进行准确评估，导致康复方案的制定缺乏个性化和针对性，其次，无法高精度地捕捉和建模康复人员的运动姿态和动作细节，医护人员难以直观地了解和把控康复人员的康复进展情况，影响了康复方案的及时调整和优化，并且现有康复运动床无法根据康复人员的实时运动状态，动态调整运动床的各项参数，难以为康复人员提供舒适、高效的个性化训练体验，影响了康复训练的效率和质量；总的来说，现有技术在运动数据的采集、运动分析建模、智能化控制和远程管理方面存在诸多不足，难以满足康复人员个性化和高效的康复训练需求，影响了康复质量和体验。3、鉴于此，本发明提出一种康复运动床智能控制及管理系统以解决上述问题。技术实现思路1、为了克服现有技术的上述缺陷，为实现上述目的，本发明提供如下技术方案：一种康复运动床智能控制及管理系统，包括：运动数据采集模块，用于采集病患在康复运动床上的综合运动数据；2、运动数据预处理模块，用于将综合运动数据进行预处理，获得初步运动数据集；3、模型评估模块，基于初步运动数据集，利用预选训练完成的运动评估模型预测得到最优康复运动床运动参数；4、综合管理模块，包括控制单元和终端传输单元，所述控制单元用于控制康复运动床调控至最优康复运动床运动参数，所述终端传输单元用于将综合运动数据和最优康复运动床运动参数上传至远程医疗监控终端；各个模块之间通过有线和/或无线的方式进行连接。5、进一步地，所述综合运动数据包括关节的角度数据、身体部位的空间位置数据、身体部位的相对位置数据、关节的运动范围数据、身体部位的受力数据和生理综合数据。6、进一步地，所述关节的角度数据的获取方式包括：7、在康复运动床的床头或床尾安装一个或m个结构光传感器，利用结构光传感器对病患进行全身扫描获取深度数据，并将深度数据转换为真实世界坐标系下得到3d点云数据；8、利用预先训练完成的改进随机森林模型从3d点云数据中分割出人体部分点云，基于人体部分点云重建3d人体模型；9、在3d人体模型中，每个关节有对应的骨骼段，通过计算相邻骨骼段之间的夹角，获得关节的角度数据。10、进一步地，所述改进随机森林模型的训练方式包括：11、在实验环境中采集历史固定时间内的n组3d点云数据，将n组3d点云数据进行人工标注，人工标注3d点云数据中的部分点云点为人体和非人体两个类别；12、对于人工标注好的点云点，提取其几何特征作为输入，几何特征包括曲率特征、法向量特征和密度特征；13、同时预设人体运动学约束特征，人体运动学约束特征包括骨骼长度和关节自由度，将人体运动学约束特征和几何特征均编码为向量，得到人体运动学约束特征向量和几何特征向量；14、将人体运动学约束特征向量和几何特征向量级联成一个完整的特征向量，将完整的特征向量与对应的人工标注一同作为决策树训练数据集；15、初始构建决策树，从决策树训练数据集中随机选取一个子集，子集内的数据作为训练决策树的样本，子集即为训练数据集中随机划分的一部分集合；16、在决策树的每个节点上，随机选择m个特征作为节点的特征子集，特征子集为几何特征内的特征构成的集合；17、对于选中的特征子集中的每个特征，计算其信息增益比，并对于人体运动学约束特征，设置一个对应的阈值范围[lcon，hcon]，在计算信息增益比的过程中只将处于阈值范围[lcon，hcon]内的人体运动学约束特征的子集，选择具有最大信息增益比的特征作为当前节点的最优特征，对于最优特征，寻找最优分割阈值，将子集分为两部分，得到左子节点和右子节点；最优分割阈值使得左子节点，右子节点；其中，为样本的特征向量，为表示样本在特征上的取值；18、对于左子节点和右子节点，重复递归地生长决策树，当达到停止条件时，将当前节点设为叶节点，并对叶节点设定类别；19、重复构建n棵决策树，每棵决策树使用不同的子集和特征子集，将构建好的n棵决策树集成，即完成了对改进随机森林模型的训练。20、进一步地，所述信息增益比的计算方式包括：21、计算子集的熵，其中，表示类别，为子集中类别的比例，即类别样本数与总样本数之比；22、计算在特征条件下的子集的熵的条件熵；其中，为按特征分割得到的特征子集，为特征子集的样本总数，为子集的样本总数，为按特征分割得到的特征子集的索引，基于熵和条件熵计算得到信息增益比；其中，为特征的固有值。23、进一步地，所述3d人体模型的重建方式包括：24、从人体部分点云中提取一组种子点，作为初始的3d人体模型的骨骼关节点，根据人体运动学约束特征，初始化一个参数化的人体模型的骨骼结构，骨骼结构包括骨骼段的数量、长度约束和关节自由度约束；25、将人体模型骨骼结构拟合到人体部分点云上，使骨骼段覆盖点云数据，得到初步人体模型，迭代优化初步人体模型的骨骼结构的参数，得到重建完成的3d人体模型；26、所述迭代优化初步人体模型的骨骼结构的参数的方式包括：27、步骤1、初始化骨骼结构的参数，根据当前的参数，为当前的迭代次数，计算每个点云点属于每个骨骼段的后验概率；28、步骤2、最大化加权对数似然函数的期望值，得到新的参数；29、；其中，为给定当前人体部分点云和当前的参数时，每个人体部分点云中点云点属于各个骨骼段的后验概率，是在参数下隐变量的先验概率；30、重复步骤1和2，直到达到预设的最大迭代次数。31、进一步地，所述身体部位的空间位置数据的获取方式包括：32、在3d人体模型中，每个身体部位对应一个或b个骨骼段，通过计算骨骼段的中心点坐标，得到对应身体部位的空间位置坐标，对于复杂的身体部位，计算所属骨骼段的加权平均坐标作为该身体部位的空间位置坐标；33、所述生理综合数据包括康复人员的心率数据、血压数据、氧饱和度数据和体温数据；34、所述身体部位的相对位置数据的获取方式包括：35、对于相邻的身体部位a和b，计算它们对应骨骼段中心点之间的相对位移向量和相对旋转角度，对于不相邻的身体部位c和d，沿着3d人体模型的骨骼结构计算c和d的位置变换链，得到相对位移向量；36、所述运动范围数据包括旋转运动范围和平动运动范围，将关节划分为旋转的关节和平动的关节；对于旋转的关节，计算其在三个自由度方向上的最大旋转角度和最小旋转角度，即得到旋转运动范围；37、对于平动的关节，计算其在真实世界坐标系中三个坐标轴方向上的最大位移和最小位移，即可得到平动运动范围；38、所述身体部位的受力数据的获取方式包括：39、在康复运动床的安装压力传感器，测量身体各部位对康复运动床的受力；将压力传感器获取的压力数据与3d人体模型关联，计算出身体部位所受的合力和合力矩，受力数据包括合力和合力矩。40、进一步地，所述将综合运动数据进行预处理的方式包括：41、去除综合运动数据中存在的异常值和缺失值，并将不同来源的综合运动数据统一到相同的时间戳下；42、根据不同的数据类型，将连续的综合运动数据进行分段，得到c段运动数据，每一段运动数据对应一个完整的运动动作，对每一段运动数据进行标注，标明运动动作的起止时间；43、从运动数据中提取运动特征数据，运动特征包括关节角度变化率和身体变换特征；身体变换特征包括身体部位的位移、速度和加速度；44、将提取的运动特征数据进行归一化处理，得到归一运动特征数据，标有运动动作的起止时间的归一运动特征数据构成初步运动数据集。45、进一步地，所述运动评估模型的训练方式包括：46、定义卷积神经网络作为运动评估模型的基础框架，基础框架包括输入层、多尺度卷积层、自适应池化层、特征融合层和输出层；47、输入层用于接收序列数据并进行时间延迟后，得到多维向量；多尺度卷积层采用多尺度的一维卷积核对于多维向量进行卷积操作；自适应池化层根据多维向量不同时间步的重要性进行动态池化；特征融合层将第层卷积的输出和第层卷积的输出进行不同尺度的融合；输出层为一个全连接层将特征映射到康复运动床运动参数的空间；48、定义运动评估模型的损失函数；其中，为运动评估模型输入的训练样本总数，为索引变量，为第个训练样本运动评估模型的输出，为第个训练样本的标签；49、采集n2组历史数据，历史数据包括历史固定时间内的康复人员的综合运动数据以及康复人员的综合运动数据对应的最舒适康复运动床运动参数；将最舒适康复运动床运动参数作为训练运动评估模型的标签；50、基于历史固定时间内的康复人员的综合运动数据提取运动特征数据，并进行归一化得到历史特征数据，将历史特征数据和对应的最舒适康复运动床运动参数作为训练数据集；51、将训练数据集划分为n3个训练数据子集，将训练数据子集按照历史数据采集时间点的先后规划为序列数据；定义adagrad作为优化器在训练过程中不断优化运动评估模型的参数，将序列数据按照时间步分批次输入至运动评估模型中，记录对应损失函数的值，当连续的l个批次损失函数的值不再发生减小或变化时，保存此时运动评估模型的参数，即完成对运动评估模型的训练。52、进一步地，所述卷积操作的操作公式为：53、；其中，为第层卷积的输出，为第层卷积的上一层层卷积的输出，为第层卷积尺度为1的卷积核，表示卷积操作，为第层卷积尺度为3的卷积核，为第层卷积尺度为5的卷积核，、和为不同的激活函数；表示将向量沿着指定的维度进行连接或拼接；54、所述进行动态池化的公式为：；其中，为第层卷积的输出，为池化核的大小；用于调整输入向量的大小以适应指定的输出大小；55、所述进行不同尺度的融合的公式为：56、；其中，为特征融合层输出的融合特征，是将输入向量通过线性变换映射到输出向量的全连接层；57、所述映射到康复运动床运动参数的空间的公式为：；其中，为输出层输出的康复运动床运动参数的向量，为输出层的权重矩阵，为输出层的偏置向量。58、本发明一种康复运动床智能控制及管理系统的技术效果和优点：59、本发明能够全面采集和分析康复人员在处于康复运动床的过程中的各种运动数据，并基于模型对康复人员的运动能力和康复状态进行精准评估；通过智能化分析，为每位康复人员量身定制最佳的康复运动床活动方案，动态优化训练过程，最大限度地满足康复人员的个性化需求，提高康复训练的效率和质量；其次，能够高精度地捕捉和重建康复人员的运动姿态和动作，为医护人员提供直观的数据支持，帮助他们更好地了解和把控康复人员的康复进展情况，实现了对康复运动床的智能化控制，根据康复人员的实时状态，自动调节运动床的各项参数，为康复人员提供舒适、高效的康复训练体验；同时，支持远程管理功能，医护人员可以随时掌握康复人员的训练数据，及时调整康复方案，提高了康复训练的便捷性和灵活性，为康复人员带来了个性化、智能化、高效化的康复训练体验，显著提升了康复人员的康复质量和满意度。