【摘 要】
：
如何评估患者的运动功能康复水平,对治疗师康复方案的制定至关重要。临床上现有方法大多基于不同类型量表进行,受治疗师主观临床经验制约明显,而且每次只能在训练前后接受康复评估,难以实时反映患者的康复进展,具有一定的局限性。近年来随着MEMS、可穿戴与人工智能技术的发展,基于上述技术融合的运动康复评估方法得到了广泛的关注。针对上述研究背景,本文通过融合康复训练过程中患者的运动姿态与表面肌电信号,开展基于H
论文部分内容阅读
如何评估患者的运动功能康复水平,对治疗师康复方案的制定至关重要。临床上现有方法大多基于不同类型量表进行,受治疗师主观临床经验制约明显,而且每次只能在训练前后接受康复评估,难以实时反映患者的康复进展,具有一定的局限性。近年来随着MEMS、可穿戴与人工智能技术的发展,基于上述技术融合的运动康复评估方法得到了广泛的关注。针对上述研究背景,本文通过融合康复训练过程中患者的运动姿态与表面肌电信号,开展基于HSMM的上肢运动功能康复评估系统研究。具体工作如下:（1）首先,阐述并分析了可穿戴传感器与机器学习算法在康复评估领域的应用。主要介绍了国内外上肢康复评估系统的研究现状,分析出当前上肢评估系统存在的不足,提出了基于人工智能算法与可穿戴技术融合的上肢康复评估模型的思路,为后续研究脑卒中患者上肢康复评估提供了理论依据。（2）其次,设计上肢运动功能康复评估方案并采集与处理上肢运动功能评估数据。在分析传统康复评估理论的基础上,给出了系统设计方案,并采集与处理了用于上肢运动功能康复评估的运动姿态与表面肌电数据,获取到用于评估模型建立的运动姿态与肌电特征数据集。（3）再次,基于HSMM设计上肢运动康复评估模型。以脑卒中患者健侧为标准,设计基于HSMM的上肢运动康复评估模型,以评估患者患侧上肢运动功能;此外搭建了康复评估软件平台,为治疗师实时掌握脑卒中患者恢复情况提供了更加高效准确的途径。（4）最后,选择受试对象,分析并验证基于HSMM的上肢运动康复评估模型的有效性。分别以“良好”、“一般”以及“较差”恢复程度不同的患者运动姿态与肌电数据特征作为输入,从稳定性方面分析比较基于HSMM、SVM及DTW的上肢运动康复评估模型;在此基础上进一步分析基于运动姿态、肌电以及两者融合条件下HSMM康复评估模型的信度与效度,验证基于HSMM的上肢康复评估模型的有效性。
其他文献
社会科技技术迅猛发展,不少城市都提出了打造智慧城市的要求,智慧交通是随着智慧城市的提出而产生的。传统的车牌区域检测系统存在着模型较大、计算量高、部署困难、不同场景识别率低的问题,这些问题已经导致传统车牌检测识别系统不能满足新时代要求。本文通过车牌区域检测以及车牌字符识别两个步骤来进行车牌识别,利用改进轻量化目标检测模型提高车牌区域检测精度与速度,采用端到端的文本识别组合模型进行车牌字符精确识别。针
交通大数据是构建城市智能交通系统的关键技术,带动城市交通在感知、人车路协同、大数据分析以及综合服务等方面整体升级与创新发展。手机信令数据具有时效性、连续性和覆盖广等优势,通过对手机信令数据的交通模式识别与预测研究,可以实现人流出行分析以及路网路况分析,对于实施智能交通大数据服务和建立城市治理体系具有理论意义与实际价值。目前国内外对手机信令数据进行了较多研究,一方面,基于机器学习的出行模式识别方法大
随着新兴自动驾驶等计算密集型应用的出现,车辆通信需求不断增长,车联网（Internet of vehicles,Io V）终端面临端到端时延和能耗的双重挑战。移动边缘计算（Mobile edge computing,MEC）作为5G关键技术之一,通过将计算和存储能力从云端下沉到边缘侧,减少数据处理时延并降低终端能耗,将边缘计算引入车联网,运营商有能力为用户提供更低时延的服务,会在未来的智能车联网中
交通流预测是城市智能交通系统的重要组成部分,高效的预测算法会帮助城市范围内的人们满足他们的出行需求,同时减少城市交通资源的浪费、降低交通拥堵的概率。本文利用深度学习和贝叶斯相关理论对交通流量数据集进行建模,分别引入贝叶斯深度网络、残差校准深度网络方法,设计了两种时空图像的交通流预测模型,通过组合模型设计与时空特征深度挖掘,利用公开数据集对交通流预测性能进行评估,并开发交通流预测系统进行可视化分析和
近年来,车联网（IoV）技术快速发展,车辆可以提供多媒体娱乐、自动驾驶等智能车载服务,为用户提供各种实时便捷信息,但是车辆任务对延迟、带宽和能耗的要求都变得更高。边缘计算引入了接近最终用户的分布式处理能力,提高车联网系统的服务质量（QoS）,但边缘计算的高能耗和高碳排放引发了人们对绿色边缘计算的强烈需求。为了提供令人满意的计算性能并实现绿色计算,本文研究了面向车辆网的绿色边缘计算系统（GEC-Lo
随着科学技术的发展,各类新型汽车应用层出不穷,如增强现实（AR,Augmented Reality）导航、人机动态交互等,这些应用对数据转发的时延及可靠性都具有很高的要求,并且传统云计算无法满足所有新型应用的时延要求,因此车载通信中低时延高可靠的数据转发面临着巨大的挑战。随着移动边缘计算技术的提出,边缘缓存为车联网中低时延高可靠的数据转发提供了一种可行的解决方案。然而在实际场景中,不仅边缘服务器的
车载网络的发展日新月异,传输数据从单一的控制数据向多种类型的数据模式发展,对现有的车联网系统解决方案提出了迫切的创新需求。即时译码网络编码技术（Instantly decodable network coding,IDNC）是一种机会网络编码技术,其原理根据接收状态信息对数据包进行异或编码操作,可以有效地减少数据包的译码时延,十分符合车联网的使用场景。此外,对车联网的中的节点进行分簇不仅可以有效地
近年来,智能交通行业蓬勃发展,涌现了一批改善驾驶体验及安全性的车载应用。然而这些应用服务多是计算密集型或时延敏感型的,这对移动车辆存储和计算能力带来了严峻的考验。另一方面,传统的基于云服务的卸载方案由于云服务器离移动车辆太远,无法满足低时延要求车载应用。通过将移动边缘计算技术引入车联网,在网络边缘侧部署移动边缘服务器,可以显著提高车辆在通信、存储和计算等方面的能力。本文研究了车联网环境下基于移动边
量子密钥分发（Quantum Key Distribution,QKD）协议可以为合法的通信双方提供安全的密钥,其安全性由量子力学定律所保证,在理论上具有无条件的安全性。近年来,双场量子密钥分发协议（Twin-field Quantum Key Distribution,TF-QKD）的出现突破了QKD协议的限制,引起了QKD领域各方研究人员的关注。其改进协议“发送或不发送”量子密钥分发协议（Se
在目前教育产业背景下,智能阅卷相较于手工阅卷在时间和成本上具备巨大优势,而基于光标阅读机的智能阅卷算法在使用成本和应用场景上存在诸多限制。深度神经网络凭借着强大的特征抽取能力,逐步在智能阅卷领域占据一席之地。本文以深度神经网络为基础,针对算术试卷设计了一个端到端的智能阅卷算法,能够以较快的速度完成算数试卷的智能批阅,其研究内容主要如下:（1）为了降低网络参数和解决特征融合的冲突问题,提出基于深度卷