面向康复训练场景的人体行为识别系统设计
这是一篇关于行为识别,图卷积神经网络,时空特征增强,时空上下文,康复训练,动作评估的论文, 主要内容为当今社会瘫痪、伤残人数日益增多,患者们在身体恢复过程中急需接受相应的康复治疗,目前在康复治疗领域中,主要以人工康复和机器辅助康复等方式为主,然而人工康复会花费大量的人力且专业从事康复工作者较少,同时康复机器人高昂的成本令患者们无法接受,因此这些传统的康复方式不能满足社会的需求。随着计算机视觉的迅猛发展,基于深度学习的行为识别技术由于成本低效率高,被广泛应用于康复训练中。基于此研究背景,论文提出了基于图卷积神经网络的骨架行为识别相关模型,针对行为识别模型开展相关实验研究,并设计了一种面向康复训练场景的人体行为识别系统,患者在康复教练的指导和主治医生的监督下,有效地展开康复训练的日常工作,然后由系统进行相似度评估并将结果反馈给主治医生,以此来监控患者的康复训练进度。论文的具体研究内容如下:(1)针对现有基于图卷积网络模型不能充分挖掘时空特征导致识别准确率不理想的问题,首先,采用空域中的图注意力机制,根据邻居节点的重要性程度分配不同的权重系数,生成可充分挖掘空域结构特征的注意力系数矩阵,并结合非局部网络生成的全局邻接矩阵,进而提出一种新的空域自适应邻接矩阵,以期增强对人体空域结构特征的提取;然后,时域上采用混合池化模型以提取时域关键动作特征和全局上下文特征,并结合时域卷积提取的特征,以期增强对行为信息中时域特征的提取;再者,在模型中引入ECA-Net网络进行通道注意力增强,从而有利于模型提取样本的时空特征,同时结合空域特征增强、时域特征增强和通道注意力,构建时空特征增强图卷积网络的行为识别模型在多流网络下实现端到端的训练;最后,为验证该模型充分挖掘时空特征的有效性,基于NTU-RGB+D和NTU-RGB+D120数据集展开行为识别研究。(2)为有效建立时空上下文依赖关系、时空与通道依赖关系以及增强多层次感受野特征提取,首先,提出一种时空采样图卷积网络以时序连续多帧作为时空采样,通过构建时空邻接矩阵参与图卷积来建立局部和全局时空上下文依赖关系;其次,为了有效地建立时空与通道之间的依赖关系并增强多层次的感受野来捕获更具判别力的特征,提出一种时域自校准卷积在两个不同的尺寸时空中进行卷积并特征融合:一种是原始比例尺寸的时空,另一种是使用下采样具有较小比例尺寸的潜在时空;然后,结合时空采样图卷积和时域自校准机制构建行为识别模型;最后,在大型骨架数据集上对模型的参数设计以及性能测试进行了相关实验。(3)为满足居家环境下针对患者日常康复训练的需求,设计了一种面向康复训练场景的行为识别系统。首先,通过对康复训练动作分析和Kinect相机的数据采集,制定了面向康复训练场景的行为数据集;其次,提出将DTW算法和LCS算法相结合的DTW-LCS算法作为动作评估算法应用于本系统,解决患者康复训练效果的评估问题;然后,通过挑选面向康复训练场景的行为识别数据集中部分动作进行测试,实验验证了该系统的识别精度高和DTW-LCS算法的可行性;最后,结合硬件选型以及软件功能需求,设计了一种面向康复训练场景的行为识别系统,并进行相关运行界面展示。
基于卷积神经网络的脑卒中上肢康复训练动作识别的研究
这是一篇关于康复训练,动作识别,表面肌电,卷积神经网络的论文, 主要内容为脑卒中是我国成人致死、致残的首位病因,其对患者、家庭与社会带来巨大负担,80%以上卒中幸存者存在运动功能障碍,而上肢运动功能障碍最为普遍和严重。传统康复训练由康复治疗师进行人工指导和辅助训练,存在人力消耗大、训练效率低等问题。交互式康复训练可调动患者积极性,提高患者依从性,减轻医护人员负担,其中康复训练动作识别对于交互式康复训练至关重要,如何有效提取动作特征,提高康复训练动作识别准确率面临挑战。论文从多通道表面肌电、阵列型表面肌电和多模态数据融合等方面开展基于卷积神经网络的脑卒中上肢康复训练动作识别研究,提出深度学习方法进行特征提取与动作识别,设计并实现脑卒中康复训练平台。论文主要工作如下:1.针对多通道表面肌电康复训练动作识别问题,提出融合注意力的卷积循环神经网络模型,通过非负矩阵分解盲源分离获得输入信号,采用卷积循环神经网络提取信号时空特征,融合注意力模型自动分配特征权重,实现上肢康复训练动作识别,在Ninapro两个子数据集上准确率分别达86.5%和86.2%。2.针对多肌肉协同的手部精细康复训练动作识别问题,提出基于阵列型表面肌电的并行卷积循环神经网络模型,将阵列肌电数据重构为多帧肌电图像和多通道肌电序列,通过并行卷积神经网络和并行长短期记忆网络分别提取肌肉物理空间协同特征和活动时变特征,实现上肢康复训练动作识别,准确率达96.4%。3.针对肌力变化和肢体位置变化下的上肢康复训练动作识别问题,提出基于多模态数据融合的双路多尺寸卷积神经网络模型,自适应提取肌电和加速度数据特征,引入多尺寸卷积块增加模型容量以提高拟合能力,实现上肢康复训练动作识别,准确率达96.7%。4.基于Spring Boot、Vue.js和My Batis等技术框架,采用Java语言和My Sql数据库,设计并实现浏览器/服务器架构的脑卒中康复训练平台,平台具备用户管理、患者管理、训练计划管理、训练记录管理、训练模板管理、训练项目管理和系统管理等功能,实现脑卒中临床康复训练的流程化和信息化管理。
面向康复训练的交互式应用研究与设计
这是一篇关于康复训练,计算机视觉,姿态估计,推理加速的论文, 主要内容为骨科手术后、脑卒中、慢性病等造成的运动功能障碍都需要进行康复训练。但是受限于经济水平和医疗资源,在我国以及众多低收入国家,专业康复指导价格昂贵,患者望而却步。虽然近几年市场上逐渐兴起了一些康复机器人和可穿戴式康复辅具,但其设备笨重、价格昂贵,人机互动模式单调,人性化、个性化上的设计还远远不足,无法实现高效、可靠、安全的智能交互与控制。为了提供一种经济的、交互便捷的康复训练模式,本文主要做了以下工作:1)针对单个关节部位的康复训练,提出了一种基于动作识别的方案。针对最常见的三种康复场景:手部、肘部、颈部一一建模,利用手部姿态估计(均方误差MSE:11.83)、人脸检测(平均正确率AP:98.61%)、头部姿态估计(平均绝对误差MAE:5.42)等技术完成康复动作的识别,同时在专业医师的帮助下设计了一组简洁的康复标准,基于此判断患者是否完成了相应的康复任务,实时的对患者的康复训练进行指导。2)针对多个关节部位的联合康复训练,提出了一种基于视频流匹配的方案。设计了一种基于关键帧的动作流匹配算法,解决了由于示范者与患者身材不同,使用传统的人体动作相似度衡量指标衡量时误差较大的问题,该算法在CPU上可以达到30FPS+的处理速度,满足康复训练指导的实时性要求。3)基于吾家医小程序,实现了一个线上康复训练系统,为患者提供了一种便捷、经济的居家康复训练方式。为了满足网络状况较差时和离网状态的康复训练,还将模型部署到了移动端,但是移动端算力和内存受限,因此利用了Mobile Net V2等轻量级网络、剪枝量化、知识蒸馏等手段对模型精减,将推理速度提高到了70FPS+,得到了可用于移动端的模型。
基于卷积神经网络的脑卒中上肢康复训练动作识别的研究
这是一篇关于康复训练,动作识别,表面肌电,卷积神经网络的论文, 主要内容为脑卒中是我国成人致死、致残的首位病因,其对患者、家庭与社会带来巨大负担,80%以上卒中幸存者存在运动功能障碍,而上肢运动功能障碍最为普遍和严重。传统康复训练由康复治疗师进行人工指导和辅助训练,存在人力消耗大、训练效率低等问题。交互式康复训练可调动患者积极性,提高患者依从性,减轻医护人员负担,其中康复训练动作识别对于交互式康复训练至关重要,如何有效提取动作特征,提高康复训练动作识别准确率面临挑战。论文从多通道表面肌电、阵列型表面肌电和多模态数据融合等方面开展基于卷积神经网络的脑卒中上肢康复训练动作识别研究,提出深度学习方法进行特征提取与动作识别,设计并实现脑卒中康复训练平台。论文主要工作如下:1.针对多通道表面肌电康复训练动作识别问题,提出融合注意力的卷积循环神经网络模型,通过非负矩阵分解盲源分离获得输入信号,采用卷积循环神经网络提取信号时空特征,融合注意力模型自动分配特征权重,实现上肢康复训练动作识别,在Ninapro两个子数据集上准确率分别达86.5%和86.2%。2.针对多肌肉协同的手部精细康复训练动作识别问题,提出基于阵列型表面肌电的并行卷积循环神经网络模型,将阵列肌电数据重构为多帧肌电图像和多通道肌电序列,通过并行卷积神经网络和并行长短期记忆网络分别提取肌肉物理空间协同特征和活动时变特征,实现上肢康复训练动作识别,准确率达96.4%。3.针对肌力变化和肢体位置变化下的上肢康复训练动作识别问题,提出基于多模态数据融合的双路多尺寸卷积神经网络模型,自适应提取肌电和加速度数据特征,引入多尺寸卷积块增加模型容量以提高拟合能力,实现上肢康复训练动作识别,准确率达96.7%。4.基于Spring Boot、Vue.js和My Batis等技术框架,采用Java语言和My Sql数据库,设计并实现浏览器/服务器架构的脑卒中康复训练平台,平台具备用户管理、患者管理、训练计划管理、训练记录管理、训练模板管理、训练项目管理和系统管理等功能,实现脑卒中临床康复训练的流程化和信息化管理。
面向康复训练场景的人体行为识别系统设计
这是一篇关于行为识别,图卷积神经网络,时空特征增强,时空上下文,康复训练,动作评估的论文, 主要内容为当今社会瘫痪、伤残人数日益增多,患者们在身体恢复过程中急需接受相应的康复治疗,目前在康复治疗领域中,主要以人工康复和机器辅助康复等方式为主,然而人工康复会花费大量的人力且专业从事康复工作者较少,同时康复机器人高昂的成本令患者们无法接受,因此这些传统的康复方式不能满足社会的需求。随着计算机视觉的迅猛发展,基于深度学习的行为识别技术由于成本低效率高,被广泛应用于康复训练中。基于此研究背景,论文提出了基于图卷积神经网络的骨架行为识别相关模型,针对行为识别模型开展相关实验研究,并设计了一种面向康复训练场景的人体行为识别系统,患者在康复教练的指导和主治医生的监督下,有效地展开康复训练的日常工作,然后由系统进行相似度评估并将结果反馈给主治医生,以此来监控患者的康复训练进度。论文的具体研究内容如下:(1)针对现有基于图卷积网络模型不能充分挖掘时空特征导致识别准确率不理想的问题,首先,采用空域中的图注意力机制,根据邻居节点的重要性程度分配不同的权重系数,生成可充分挖掘空域结构特征的注意力系数矩阵,并结合非局部网络生成的全局邻接矩阵,进而提出一种新的空域自适应邻接矩阵,以期增强对人体空域结构特征的提取;然后,时域上采用混合池化模型以提取时域关键动作特征和全局上下文特征,并结合时域卷积提取的特征,以期增强对行为信息中时域特征的提取;再者,在模型中引入ECA-Net网络进行通道注意力增强,从而有利于模型提取样本的时空特征,同时结合空域特征增强、时域特征增强和通道注意力,构建时空特征增强图卷积网络的行为识别模型在多流网络下实现端到端的训练;最后,为验证该模型充分挖掘时空特征的有效性,基于NTU-RGB+D和NTU-RGB+D120数据集展开行为识别研究。(2)为有效建立时空上下文依赖关系、时空与通道依赖关系以及增强多层次感受野特征提取,首先,提出一种时空采样图卷积网络以时序连续多帧作为时空采样,通过构建时空邻接矩阵参与图卷积来建立局部和全局时空上下文依赖关系;其次,为了有效地建立时空与通道之间的依赖关系并增强多层次的感受野来捕获更具判别力的特征,提出一种时域自校准卷积在两个不同的尺寸时空中进行卷积并特征融合:一种是原始比例尺寸的时空,另一种是使用下采样具有较小比例尺寸的潜在时空;然后,结合时空采样图卷积和时域自校准机制构建行为识别模型;最后,在大型骨架数据集上对模型的参数设计以及性能测试进行了相关实验。(3)为满足居家环境下针对患者日常康复训练的需求,设计了一种面向康复训练场景的行为识别系统。首先,通过对康复训练动作分析和Kinect相机的数据采集,制定了面向康复训练场景的行为数据集;其次,提出将DTW算法和LCS算法相结合的DTW-LCS算法作为动作评估算法应用于本系统,解决患者康复训练效果的评估问题;然后,通过挑选面向康复训练场景的行为识别数据集中部分动作进行测试,实验验证了该系统的识别精度高和DTW-LCS算法的可行性;最后,结合硬件选型以及软件功能需求,设计了一种面向康复训练场景的行为识别系统,并进行相关运行界面展示。
基于云平台的情景交互式康复训练及评估系统
这是一篇关于康复训练,康复评估,人体姿态估计,情景交互,OpenPose,Kinect,云平台的论文, 主要内容为基于云平台的情景交互式康复训练及评估系统综合应用了虚拟环境、机器学习、云平台等技术进行智能康复研究,具有重要的研究和应用价值。利用虚拟环境技术和人体姿态估计技术实现生动有趣的情景交互式康复训练有助于激发患者主动训练的意愿,基于肢体关节运动数据的康复效果评估则可以客观科学地评估患者的康复训练效果,而云平台技术可以让医生通过网络远程掌握分布在不同区域的患者的康复训练情况,进行基于数据驱动的康复效果评估,并给出及时的康复训练指导。本课题针对基于云平台的情景交互式康复训练及评估系统的关键技术开展了相关研究。首先针对实现情景交互式康复训练、基于云平台的康复数据存储以及康复训练效果评估等需求,提出了基于公共云平台技术的系统构架,分析了软件架构,阐述了主要功能。面向患者的不同失能部位和不同康复阶段,搭建了基于Unity3D的情景交互式康复训练及评估虚拟场景,并利用Kinect采集的患者关节三维位置控制虚拟代理实现具有康复导向性的人机交互。同时通过DTW算法计算患者与正常人的关节运动角度的相似度,以作为康复效果的评价指标。针对Kinect自带的骨骼绑定算法在部分人体被康复机器人遮挡时出现无法识别或误识别的问题,提出了一种融合OpenPose和Kinect的三维人体姿态估计方法,并创新地应用到基于ROS的渐进式康复训练情景交互系统的开发中。该方法首先将由OpenPose算法得到的二维关节点坐标与Kinect获得的深度数据融合获得三维关节点空间坐标,然后利用霍特双参数指数平滑法对关节点运动轨迹进行平滑和预测。实验结果表明该三维人体姿态估计方法使用方便、实时性好,训练过程中获得的三维姿态数据可以用于康复训练效果的评估。针对康复资源短缺、分布不均、成本高的问题,并结合部分病人需要在社区康复中心或者家里进行康复训练的需要,基于SSM和Shiro框架初步实现了“互联网+康复”模式的康复数据管理云平台。云平台可以汇集、存储、分析及查看康复客户端上investigate传的康复数据,康复医师通过云平台追踪患者的训练情况,为患者提供个性化的康复训练指导。研制的基于云平台的情景交互式康复训练及评估系统只用一台Kinect设备就可以获得患者训练过程中的主要关节点的三维空间位置数据,能够激发患者主动康复的积极性,康复评估结果可以为康复医师提供参考,基于云平台的远程监控和指导可以打破患者和医生之间的时空限制,为多渠道的康复、护理、养老新模式的实现提供了技术保障。
康复训练管理云平台的设计与实现
这是一篇关于康复训练,LAMP,信息管理云平台,物联网,Laravel的论文, 主要内容为随着人口老龄化以及肌体失能人群的增加,市场上出现了许多为人们提供肢体训练、位置转移、独立自理等功能的康复诊疗智能设备,为肌体失能人群提供康复诊断和训练理疗服务。但是,这些康复诊疗智能设备存在着诊断不精准、训练理疗效率低、诊疗数据无法积累、患者训练记录不完整等问题,同时,针对康复诊疗领域的现有平台功能大同小异、千篇一律,主要以数据存储与读取为主,并不能对数据进行更有效的利用。本文设计了一套既可以管理多种类型康复诊疗设备,又可以实时进行诊断识别、诊疗训练的综合性智能平台。实现在患者实际的康复诊疗中收集真实数据,积累为诊疗智能设备提供机器学习的大数据,进而实现融合模型算法的迭代优化,并为患者提供个性化融合模型算法定制。康复训练管理云平台是以LAMP开源组合技术为基础,结合物联网、云计算与大数据、移动通信等技术,设计并实现了用户层级安全管理、角色权限管理、项目参数动态管理、设备管理、数据管理、机器训练管理、个性定制、报告管理、手机移动端以及用户日志管理等功能。为了提高开发效率、保证系统的安全性,平台后端采用Laravel框架技术研发,移动端采用uni-app框架研发;为提高用户体验,支持多终端响应式显示,平台前端页面采用Bootstrap技术;同时,平台还采用Ajax技术,实现了页面异步加载,提高了访问速度。本文从康复训练患者诊疗和训练的实际业务需求出发,遵循功能实用、高安全性、高健壮性、高伸缩性的原则规划系统整体设计,采用面向对象的分析方法,通过用例建模,确定系统的角色用户和功能模块,设计开发了一套康复训练管理云平台。平台不仅解决了现存康复诊疗设备数据无法积累、诊疗者训练记录不完整的问题,还解决了智能康复诊疗设备融合模型算法迭代优化缓慢、诊疗精度不高、康复训练效率低下的问题,使整个康复训练流程规范化、系统化、智能化,减少了人力资源的投入,提高了患者的康复效率,同时,也为更多的康复诊疗设备提供了自身诊疗融合模型算法迭代调优的平台。
本文内容包括但不限于文字、数据、图表及超链接等)均来源于该信息及资料的相关主题。发布者:代码工厂 ,原文地址:https://bishedaima.com/lunwen/53273.html