本發(fā)明涉及步行功能評估領(lǐng)域，更具體地說，本發(fā)明涉及基于增強(qiáng)現(xiàn)實的步行功能評估與訓(xùn)練系統(tǒng)。

背景技術(shù)：

1、近年來，隨著增強(qiáng)現(xiàn)實(ar)技術(shù)的快速發(fā)展，ar已被廣泛應(yīng)用于醫(yī)療、康復(fù)、教育等多個領(lǐng)域，尤其是在步態(tài)分析和步行功能評估與訓(xùn)練中，增強(qiáng)現(xiàn)實技術(shù)發(fā)揮了重要作用,通常的，通過重復(fù)經(jīng)顱磁刺激與增強(qiáng)現(xiàn)實步態(tài)自適應(yīng)訓(xùn)練結(jié)合可以反映對中風(fēng)患者行走功能的影響，而中風(fēng)患者通常會因為腦部結(jié)構(gòu)的損傷(如大腦、杏仁核、癲癇等病變)而導(dǎo)致步態(tài)異常，從而影響其正常的行走能力；

2、進(jìn)一步的，通過國際物理治療雜志中重復(fù)經(jīng)顱磁刺激與增強(qiáng)現(xiàn)實結(jié)合的效果步態(tài)自適應(yīng)訓(xùn)練對行走功能的影響基于三維的中風(fēng)患者步態(tài)分析和semg：隨機(jī)對照試驗，得到重復(fù)經(jīng)顱磁刺激與增強(qiáng)現(xiàn)實結(jié)合的有效性，聯(lián)合治療能夠顯著改善患者的步行能力和運(yùn)動功能，為臨床康復(fù)提供了新的思路；

3、現(xiàn)有技術(shù)存在以下不足：

4、目前，增強(qiáng)現(xiàn)實技術(shù)通過虛擬元素疊加在現(xiàn)實環(huán)境中，在虛擬元素配置的參數(shù)通常依據(jù)訓(xùn)練難度與虛擬元素主配置參數(shù)之間的映射關(guān)系，構(gòu)建出自適應(yīng)迭代模型應(yīng)用于康復(fù)訓(xùn)練中的對應(yīng)流程，然而對于不同的患者以及不同的康復(fù)訓(xùn)練流程，虛擬元素主配置參數(shù)依據(jù)簡單自適應(yīng)模型可能無法滿足多樣的患者需求和體驗，增加患者的訓(xùn)練難度，提高訓(xùn)練失效概率，降低患者訓(xùn)練體驗。因此，提出基于增強(qiáng)現(xiàn)實的步行功能評估與訓(xùn)練系統(tǒng)。

5、在所述背景技術(shù)部分公開的上述信息僅用于加強(qiáng)對本公開的背景的理解，因此它可以包括不構(gòu)成對本領(lǐng)域普通技術(shù)人員已知的現(xiàn)有技術(shù)的信息。

技術(shù)實現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)的上述缺陷，本發(fā)明的實施例提供基于增強(qiáng)現(xiàn)實的步行功能評估與訓(xùn)練系統(tǒng)，通過運(yùn)用不同的產(chǎn)品檢驗方式以解決上述背景技術(shù)中提出的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案，基于增強(qiáng)現(xiàn)實的步行功能評估與訓(xùn)練系統(tǒng)，包括數(shù)據(jù)采集模塊、合理分析模塊、深層調(diào)度模塊以及調(diào)度迭代模塊；各模塊之間信號連接；

3、數(shù)據(jù)采集模塊用于采集一段時間內(nèi)隨機(jī)相鄰兩輪的自適應(yīng)主配置參數(shù)中的主配置調(diào)整系數(shù)，并得到主配置調(diào)整狀態(tài)，根據(jù)主配置調(diào)整狀態(tài)得到主配置參數(shù)刪減高度以及主配置參數(shù)復(fù)雜性差異，同時采集相鄰兩輪患者步行狀態(tài)，得到步長波動值差異以及患者步態(tài)對稱性差異，并發(fā)送至合理分析模塊；

4、合理分析模塊用于接收主配置參數(shù)刪減高度、主配置參數(shù)復(fù)雜性差異、步長波動值差異以及患者步態(tài)對稱性差異，代入數(shù)據(jù)分析模型，得到合理評估系數(shù)，并發(fā)送至深層調(diào)度模塊；

5、深層調(diào)度模塊用于接收合理評估系數(shù)，并與預(yù)設(shè)的合理閾值進(jìn)行比對，依據(jù)比對結(jié)果，對自適應(yīng)模型進(jìn)行深層調(diào)度機(jī)制處理，得到深層調(diào)度評分，依據(jù)評分來確定深層調(diào)度強(qiáng)度，并發(fā)送至調(diào)度迭代模塊；

6、調(diào)度迭代模塊用于接收深層調(diào)度強(qiáng)度，通過確定與本次深層調(diào)度強(qiáng)度一致的自適應(yīng)模型迭代次數(shù)，得到歷史自適應(yīng)迭代次數(shù)，通過收集本輪訓(xùn)練數(shù)據(jù)，得到訓(xùn)練進(jìn)展指數(shù)，使用模糊邏輯確定自適應(yīng)模型持續(xù)迭代結(jié)果。

7、在一個優(yōu)選的實施方式中，主配置調(diào)整狀態(tài)包括主配置參數(shù)刪減高度以及主配置參數(shù)復(fù)雜性差異；相鄰兩輪患者步行狀態(tài)包括步長波動值差異以及患者步態(tài)對稱性差異；

8、數(shù)據(jù)采集模塊通過針對相鄰兩輪內(nèi)不同的訓(xùn)練內(nèi)容，分析減少訓(xùn)練的頻率、虛擬行人數(shù)量刪減量、虛擬行人體態(tài)刪減量、虛擬環(huán)境內(nèi)容刪減量以及目標(biāo)前傾軀干角度刪減量，將當(dāng)前輪次的主配置所有參數(shù)刪減量以及前一輪次的主配置所有參數(shù)刪減量進(jìn)行差值計算，得到各個主配置參數(shù)刪減量，并進(jìn)行加權(quán)計算，得到主配置參數(shù)刪減高度z；

9、通過幾何復(fù)雜性算法，將虛擬環(huán)境多面體物體面數(shù)進(jìn)行統(tǒng)計，并將物體數(shù)量與物體所在區(qū)域體積進(jìn)行比值計算得到虛擬環(huán)境空間密度，進(jìn)行加權(quán)計算確定虛擬環(huán)境配置復(fù)雜度，并將當(dāng)前輪次的虛擬環(huán)境配置復(fù)雜度減去前一輪次的虛擬環(huán)境配置復(fù)雜度，得到主配置參數(shù)復(fù)雜性差異p；

10、優(yōu)先分析患者步行狀態(tài)，計算每一步的步長，并測量左腳與右腳的踏出距離，比較當(dāng)前輪次相鄰步伐的步長差異，統(tǒng)計當(dāng)前輪次的步長總波動值，并與前一輪次的步長總波動值進(jìn)行相減計算，得到步長波動值差異u；

11、優(yōu)先分析患者步行狀態(tài)，再定義為左腳步長與右腳步長的比率，確定患者步態(tài)對稱性，統(tǒng)計當(dāng)前輪次的患者總步態(tài)對稱性與前一輪次的患者總步態(tài)對稱性進(jìn)行差值計算，得到患者步態(tài)對稱性差異j。

12、在一個優(yōu)選的實施方式中，將主配置參數(shù)刪減高度、主配置參數(shù)復(fù)雜性差異、步長波動值差異以及患者步態(tài)對稱性差異，代入邏輯回歸公式計算得到合理評估系數(shù)，具體公式表達(dá)如下：

13、

14、式中，l為邏輯回歸計算結(jié)果，即合理評估系數(shù)，e為自然底數(shù)，y為邏輯回歸模型的線性組合項，具體y可以設(shè)置為：

15、

16、式中，β0為偏置項，β1、β2、β3以及β4分別為主配置參數(shù)刪減高度、主配置參數(shù)復(fù)雜性差異、步長波動值差異以及患者步態(tài)對稱性差異的回歸系數(shù)。

17、在一個優(yōu)選的實施方式中，獲取合理評估系數(shù)后，將合理評估系數(shù)與不斷迭代的合理閾值進(jìn)行比對分析；

18、若合理評估系數(shù)大于等于合理閾值，則將當(dāng)前輪次的自適應(yīng)模型刪減機(jī)制標(biāo)記為不合理刪減，并生成調(diào)度信號；

19、若合理評估系數(shù)小于合理閾值，則將當(dāng)前輪次的自適應(yīng)模型刪減機(jī)制標(biāo)記為合理刪減，并生成結(jié)束信號。

20、在一個優(yōu)選的實施方式中，將大于合理閾值的當(dāng)前輪次的自適應(yīng)模型代入深層調(diào)度機(jī)制處理，從歷史自適應(yīng)模型刪減主配置參數(shù)庫中，分析與當(dāng)前自適應(yīng)模型刪減主配置參數(shù)最相似自適應(yīng)模型刪減主配置參數(shù)輪次，通過減少訓(xùn)練的頻率、虛擬行人數(shù)量刪減量、虛擬行人體態(tài)刪減量、虛擬環(huán)境內(nèi)容刪減量以及目標(biāo)前傾軀干角度刪減量作為評估相似度的五組對應(yīng)的向量；

21、將減少訓(xùn)練的頻率、虛擬行人數(shù)量刪減量、虛擬行人體態(tài)刪減量、虛擬環(huán)境內(nèi)容刪減量以及目標(biāo)前傾軀干角度刪減量進(jìn)行向量化表示，代入相似度計算公式，得到與當(dāng)前自適應(yīng)模型刪減主配置參數(shù)最相似自適應(yīng)模型刪減主配置參數(shù)輪次。

22、在一個優(yōu)選的實施方式中，將當(dāng)前自適應(yīng)模型刪減主配置參數(shù)輪次的合理評估系數(shù)與其最相似自適應(yīng)模型刪減主配置參數(shù)輪次的合理評估系數(shù)進(jìn)行比對大小，將較大的合理評估系數(shù)減去較小的合理評估系數(shù)，得到相似刪減輪次合理評估系數(shù)差異；

23、將相似刪減輪次合理評估系數(shù)差異乘以當(dāng)前自適應(yīng)模型刪減主配置參數(shù)輪次的合理評估系數(shù)，得到深層調(diào)度評分；

24、將深層調(diào)度評分代入到歷史深層調(diào)度評分庫中，分析深層調(diào)度評分的排序，并依據(jù)排序高低得到深層調(diào)度強(qiáng)度；

25、深層調(diào)度評分?jǐn)?shù)值在歷史深層調(diào)度評分庫中靠前的20％，則啟用一級深層調(diào)度強(qiáng)度；反之，則啟用二級深度調(diào)度強(qiáng)度。

26、在一個優(yōu)選的實施方式中，通過收集與深層調(diào)度強(qiáng)度對應(yīng)一致的多個提高刪減強(qiáng)度的自適應(yīng)模型的迭代次數(shù)，將所有自適應(yīng)模型的迭代次數(shù)進(jìn)行累加并與提高刪減強(qiáng)度的自適應(yīng)模型數(shù)量進(jìn)行比值計算，得到歷史自適應(yīng)迭代次數(shù)；

27、通過收集本輪步態(tài)速度減去理想步態(tài)速度，并與理想步態(tài)速度進(jìn)行比值計算，得到訓(xùn)練進(jìn)展指數(shù)。

28、在一個優(yōu)選的實施方式中，將歷史自適應(yīng)迭代次數(shù)以及訓(xùn)練進(jìn)展指數(shù)定義為輸入變量，并分別劃分為不同的模糊集合；

29、將自適應(yīng)模型持續(xù)迭代結(jié)果定義為輸出變量，并劃分為模糊集合；

30、制定模糊規(guī)則，描述歷史自適應(yīng)迭代次數(shù)以及訓(xùn)練進(jìn)展指數(shù)對自適應(yīng)模型持續(xù)迭代結(jié)果的影響；

31、根據(jù)模糊規(guī)則進(jìn)行模糊推理，確定自適應(yīng)模型持續(xù)迭代方案。

32、本發(fā)明的技術(shù)效果和優(yōu)點：

33、1.本發(fā)明通過采集主配置參數(shù)刪減高度、主配置參數(shù)復(fù)雜性差異、步長波動值差異以及患者步態(tài)對稱性差異，代入邏輯回歸公式計算中，得到合理評估系數(shù)，并與預(yù)設(shè)的合理閾值進(jìn)行比對，依據(jù)比對結(jié)果，對自適應(yīng)模型進(jìn)行深層調(diào)度機(jī)制處理，得到深層調(diào)度評分，依據(jù)評分來確定深層調(diào)度強(qiáng)度，減少患者的訓(xùn)練難度，提高訓(xùn)練概率，滿足患者訓(xùn)練體驗。

34、2.本發(fā)明通過接收深層調(diào)度強(qiáng)度，通過確定與本次深層調(diào)度強(qiáng)度一致的自適應(yīng)模型迭代次數(shù)，得到歷史自適應(yīng)迭代次數(shù)，通過收集本輪訓(xùn)練數(shù)據(jù)，得到訓(xùn)練進(jìn)展指數(shù)，使用模糊邏輯確定自適應(yīng)模型持續(xù)迭代結(jié)果，減少計算復(fù)雜化，降低自適應(yīng)模型的調(diào)度次數(shù)，穩(wěn)定系統(tǒng)的運(yùn)行效率。