基于计算机辅助的康复运动规划系统的制作方法

本发明涉及康复运动规划，尤其涉及基于计算机辅助的康复运动规划系统。

背景技术：

1、康复运动规划是一个集医学、生物力学、计算机科学、机器人技术和数据分析于一体的技术领域，旨在为受伤或术后的患者提供个性化和优化的康复治疗方案。通过使用传感器技术、运动捕捉和机器学习方法，这一领域的专家能够分析患者的运动能力和局限性，制定适合其当前健康状况的康复计划。这些计划帮助患者提高关节灵活性、肌肉力量、协调性，并恢复运动功能。康复运动规划系统评估患者的运动性能，监测康复进展，并根据实时反馈调整治疗方案，以实现最佳治疗效果。

2、其中，康复运动规划系统用于帮助康复医生和治疗师制定、执行和监控患者的康复训练计划。这种系统通过分析患者的需求和康复目标，生成个性化的训练方案，支持患者在康复过程中的各个阶段。它的主要用途包括评估患者的身体状况，生成和调整个性化康复计划，监控康复进度，并通过虚拟现实技术提供互动训练环境。这些系统提高了康复训练的效率，确保了训练的安全性和有效性，同时通过详细的数据分析，帮助医疗专业人员优化康复支持和治疗策略。

3、现有技术在康复数据处理上缺乏灵敏度和个性化能力，特别在多部位分析和预测上未提供足够维度和精度，导致康复计划不能完全满足患者需求。传统时间序列预测方法未能全面捕捉复杂数据中的潜在趋势，影响了预测的全面性和准确性。运动模式分析上，缺乏有效方法构建全身运动关系图，影响了训练计划的针对性和有效性。康复计划调整缺乏动态性和实时反应，未充分考虑患者实时变化，降低了康复效率和安全性，延缓患者恢复进程。

技术实现思路

1、本发明的目的是解决现有技术中存在的缺点，而提出的基于计算机辅助的康复运动规划系统。

2、为了实现上述目的，本发明采用了如下技术方案：基于计算机辅助的康复运动规划系统包括：

3、数据分解与特征提取模块收集康复数据，按时间顺序进行排序，对数据点分解，得到单组固有模态函数和残余趋势，合并所有固有模态函数的结果，针对身体多部位提取关键特征，生成康复数据分解结果；

4、神经网络时间序列预测模块基于所述康复数据分解结果，重构固有模态函数和残余趋势的时间序列，计算每个分量的预测值，合并预测结果，针对每个部位特征和运动模式进行预测，生成多维度预测结果；

5、运动模式与关联分析模块从所述多维度预测结果中提取每个部位的预测数据，构建患者全身运动的关系图，利用连接边表示部位间的运动相关性，聚合邻居节点信息，更新节点特征，提取关键运动模式，生成运动模式分析结果；

6、康复计划与训练优化模块基于所述运动模式分析结果，识别关键运动模式，调整多部位的训练内容和顺序，自动加权邻居节点的信息，并调整局部运动训练强度，生成优化康复计划。

7、作为本发明的进一步方案，所述固有模态函数和残余趋势的获取步骤具体为：

8、对康复数据按时间顺序进行排序，生成排序后的数据序列d;

9、对所述排序后的数据序列，应用希尔伯特-黄变换进行分解，采用公式：

10、；

11、；

12、引入动态调整系数和，计算固有模态分量和残余趋势，得到处理前的固有模态分量和残余趋势；

13、其中，和是基于数据特性调整的系数，是数据序列中的第个点，是数据点总数，是分量的数量，表示频率；

14、对每个所述固有模态分量进行能量归一化处理，并保留所述残余趋势作为分析的一部分，采用公式：

15、；

16、得到归一化固有模态函数和残余趋势；

17、其中，是归一化后的第个固有模态函数随时间的变化，是积分，表示在整个数据集期间的能量总和。

18、作为本发明的进一步方案，所述康复数据分解结果的获取步骤具体为：

19、综合所述归一化固有模态函数和残余趋势到一个数据序列中，采用公式：

20、；

21、计算综合模态数据序列；

22、其中，为综合模态数据序列，是根据每个模态函数的方差调整的权重，是残余趋势的标准化权重；

23、对所述综合模态数据序列执行关键特征提取，采用公式：

24、；

25、计算数据的斜率和曲率识别变异点和趋势特征，得到关键特征量化指标；

26、其中，为关键特征量化指标，表示综合模态数据序列m的一阶导数，即斜率，表示综合模态数据序列m的二阶导数，即曲率；

27、根据所述关键特征量化指标重构数据点，采用公式：

28、；

29、使用函数调整每个数据点的贡献，生成康复数据分解结果；

30、其中，为康复数据分解结果，是一个阈值函数，根据的值调整的贡献。

31、作为本发明的进一步方案，所述多维度预测结果的获取步骤具体为：

32、应用希尔伯特-黄变换，将所述康复数据分解结果分解为差异化的固有模态函数，得到固有模态时间序列；

33、对每个所述固有模态函数时间序列进行未来状态的预测，利用自回归移动平均模型，公式为：

34、；

35、获取每个模态分量的强化预测结果；

36、其中，是预测值，是自回归系数，是前期的观测值，是移动平均系数，是前期的误差项，是调整系数，表示时间序列的最小值加权，是误差的最大值处理；

37、将所述每个模态分量的强化预测结果进行合并，使用加权线性叠加方法，生成预测结果时间序列；

38、针对差异化的康复部位和运动模式，利用所述预测结果时间序列，进行多变量线性回归分析，确定对应每个康复部位和运动模式的预测结果，得到针对每个部位特征和运动模式的多维度预测结果。

39、作为本发明的进一步方案，所述构建患者全身运动的关系图的步骤具体为：

40、从所述多维度预测结果中，通过索引过滤算法筛选目标部位的数据，生成部位数据序列；

41、对所述部位数据序列应用平滑处理，减少噪声和异常值的影响，采用公式：

42、；

43、生成平滑数据序列；

44、其中，为平滑后的预测值，是原始数据序列中在时间点的数据值，是邻域大小，是衰减系数；

45、使用所述平滑数据序列，通过向量表示法将数据向量化，并计算向量之间的拟合度，采用公式：

46、；

47、生成数据向量的拟合度结果；

48、其中，表示部位和部位之间数据向量的拟合度，、分别代表部位和的数据向量，表示向量和中的第个元素，是向量长度；

49、根据所述数据向量的拟合度结果构建全身运动的关系图，利用连接边表示部位间的运动相关性，每个节点代表一个部位，每条边的权重根据数据向量的拟合度计算得出，通过图的节点和边关系表示全身运动的动态模式，得到患者全身运动的关系图。

50、作为本发明的进一步方案，所述运动模式分析结果的获取步骤具体为：

51、利用所述全身运动关系图，通过计算邻接节点特征的加权平均值，聚合邻居节点信息，采用公式：

52、；

53、生成聚合的邻居信息；

54、其中，是节点的聚合特征值，是的邻居节点集，是邻居节点的特征值，是节点和之间的边的权重；

55、使用所述聚合邻居节点信息，更新每个节点的特征，结合原始特征与邻居聚合特征，采用公式：

56、；

57、确定原始特征与聚合特征的影响力，生成更新后的节点特征；

58、其中，是更新后的节点特征，是平衡系数；

59、根据所述更新的节点特征，识别和提取关键运动模式，采用公式：

60、；

61、生成运动模式分析结果；

62、其中，是节点的关键性评分，是第特征的权重，是的更新特征中的第个特征。

63、作为本发明的进一步方案，所述调整多部位的训练内容和顺序的步骤具体为：

64、从所述运动模式分析结果中识别关键模式，采用公式：

65、；

66、定量分析每个模式的影响力，生成关键运动模式评分；

67、其中，为模式的关键性评分，是因子的影响权重，是模式在因子下的性能指标，是因子的衰减系数；

68、对所述关键运动模式进行影响分析，采用公式：

69、；

70、确定其对训练部位的影响，得到每个关键模式的影响评估；

71、其中，是模式的影响指数，是特征的重要性权重，是模式在特征的表现，是特征的增强系数；

72、根据所述关键模式的影响评估结果，优化训练内容和顺序，采用公式：

73、；

74、得到调整多部位的训练内容和顺序；

75、其中，表示训练顺序，通过对影响指数进行降序排序。

76、作为本发明的进一步方案，所述优化康复计划的获取步骤具体为：

77、利用所述全身运动关系图，自动计算每个节点的邻居节点信息。采用公式：

78、；

79、聚合邻居节点的特征，得到加权后的邻居节点信息；

80、其中，表示节点的聚合特征值，是的邻居节点集，是邻居节点的特征值，是节点和之间的连接权重，、是非线性调整参数，是一个小常数以规避除零错误；

81、根据所述加权后的邻居节点信息，调整每个训练部位的训练强度，采用公式：

82、；

83、生成调整后的局部运动训练强度；

84、其中，是调整后的训练强度，是节点的基础训练强度，是调整系数；

85、整合所述加权后的邻居节点信息和所述调整后的局部运动训练强度，采用公式：

86、；

87、生成优化康复计划；

88、其中，表示优化康复计划。

89、与现有技术相比，本发明的优点和积极效果在于：

90、本发明中，通过康复数据的细致收集和排序，并对数据点进行分解，新方案提取出固有模态函数和残余趋势，增强了对数据中细微变化的捕捉。这提高了基础数据的精度，使康复计划更精细地适应不同部位需求。时间序列预测通过重构固有模态函数和残余趋势，提升了预测的准确性和个性化，使计划更精确地调整。全身运动关系图的构建和关键运动模式的提取优化了对患者运动模式的理解，提高了训练的针对性和有效性。动态优化机制确保了训练内容和强度实时响应患者反馈，增强了训练的安全性和个性化，加速患者恢复。