本發(fā)明涉及數(shù)據(jù)處理，尤其涉及一種水中康復(fù)訓(xùn)練的水流模式自適應(yīng)調(diào)節(jié)系統(tǒng)及方法。

背景技術(shù)：

1、水中康復(fù)訓(xùn)練因其對肌肉骨骼系統(tǒng)的溫和影響和促進血液循環(huán)的獨特優(yōu)勢，成為了許多物理治療計劃中的關(guān)鍵組成部分。傳統(tǒng)的方法主要依賴于康復(fù)專家的主觀判斷和經(jīng)驗，他們依據(jù)患者的反饋和觀察到的身體反應(yīng)來調(diào)整訓(xùn)練參數(shù)，比如水流方向和速度。這種調(diào)整方式通常是在訓(xùn)練前設(shè)定好，然后在整個訓(xùn)練過程中保持不變，或是根據(jù)固定的時間間隔手動調(diào)整，例如每15分鐘改變一次水流模式。

2、雖然現(xiàn)有的水中康復(fù)訓(xùn)練系統(tǒng)往往配備有基本的控制系統(tǒng)，可以預(yù)設(shè)幾種不同的水流模式。這些模式的設(shè)計通常是基于一般健康人群的運動生理學(xué)原則，例如，增加水流速度以提高心肺耐力，或是改變水流方向以鍛煉不同的肌肉群。然而，這樣的系統(tǒng)缺乏對個體差異和實時生理狀態(tài)的敏感性，尤其是在處理肌肉受損患者時，無法及時響應(yīng)患者的心率、血壓和運動速度等實時變化，從而精確調(diào)整水流模式。

3、因此，現(xiàn)有的水中康復(fù)訓(xùn)練方式無法實時優(yōu)化康復(fù)訓(xùn)練人員的訓(xùn)練條件，以適應(yīng)個體差異和訓(xùn)練過程中的狀態(tài)變化，這限制了水中康復(fù)訓(xùn)練的個性化和有效性，特別是在面對肌肉受損患者時，難以提供適宜的訓(xùn)練模式。

技術(shù)實現(xiàn)思路

1、本發(fā)明實施例提供一種水中康復(fù)訓(xùn)練的水流模式自適應(yīng)調(diào)節(jié)系統(tǒng)及方法，能夠?qū)崟r優(yōu)化康復(fù)訓(xùn)練人員的訓(xùn)練條件，以適應(yīng)個體差異和訓(xùn)練過程中的狀態(tài)變化，從而為肌肉受損的康復(fù)訓(xùn)練人員提供適宜的水中康復(fù)訓(xùn)練模式。

2、本發(fā)明一實施例提供了一種水中康復(fù)訓(xùn)練的水流模式自適應(yīng)調(diào)節(jié)系統(tǒng)，包括：

3、智能穿戴設(shè)備，用于實時檢測康復(fù)訓(xùn)練人員在水中訓(xùn)練時的狀態(tài)參數(shù)；狀態(tài)參數(shù)包括：心率參數(shù)、血壓參數(shù)和運動速度；

4、控制設(shè)備，與智能穿戴設(shè)備通信連接，并用于：

5、獲取康復(fù)訓(xùn)練人員的肌肉受損情況，并實時獲取所述狀態(tài)參數(shù)；

6、提取各個所述狀態(tài)參數(shù)的狀態(tài)特征，并提取肌肉受損情況的肌肉受損特征；狀態(tài)特征包括：心率特征、血壓特征和速度特征；

7、對各個狀態(tài)特征進行特征融合，得到所述康復(fù)訓(xùn)練人員當前綜合的運動狀態(tài)特征；

8、將所述肌肉受損特征和所述運動狀態(tài)特征，輸入到訓(xùn)練好的多模態(tài)融合的深度神經(jīng)網(wǎng)絡(luò)模型中，輸出當前最適合康復(fù)訓(xùn)練人員的訓(xùn)練的水流模式；水流模式包括：水流方向和水流速度；

9、根據(jù)所述水流模式調(diào)整當前的水流方向和水流速度。

10、作為上述方案的改進，所述對各個狀態(tài)特征進行特征融合，得到所述康復(fù)訓(xùn)練人員當前綜合的運動狀態(tài)特征，包括：

11、對心率特征、血壓特征和速度特征分別進行歸一化；

12、將歸一化后的心率特征hrn、血壓特征bpn和速度特征vn輸入到以下特征融合公式中，得到所述康復(fù)訓(xùn)練人員當前綜合的運動狀態(tài)特征：

13、f＝whr·hrn+wbp·bpn+wv·vn

14、whrr，wbp，wv分別為心率特征、血壓特征和速度特征預(yù)設(shè)的加權(quán)因子。

15、作為上述方案的改進，所述將所述肌肉受損特征和所述運動狀態(tài)特征，輸入到訓(xùn)練好的多模態(tài)融合的深度神經(jīng)網(wǎng)絡(luò)模型中，輸出當前最適合康復(fù)訓(xùn)練人員的訓(xùn)練的水流模式，包括：

16、通過訓(xùn)練好的多模態(tài)融合的深度神經(jīng)網(wǎng)絡(luò)模型的特征融合層，對所述肌肉受損特征和所述運動狀態(tài)特征進行多模態(tài)特征融合，得到融合后的輸入特征；

17、將融合后的輸入特征輸入到所述深度神經(jīng)網(wǎng)絡(luò)模型的卷積層，經(jīng)過所述深度神經(jīng)網(wǎng)絡(luò)模型處理后，通過所述深度神經(jīng)網(wǎng)絡(luò)模型輸出當前最適合康復(fù)訓(xùn)練人員的訓(xùn)練的水流模式。

18、作為上述方案的改進，訓(xùn)練好的多模態(tài)融合的深度神經(jīng)網(wǎng)絡(luò)模型的特征融合層的特征融合公式為：

19、

20、其中，xm和xs分別表示肌肉受損特征和運動狀態(tài)特征；α和β是可學(xué)習的參數(shù)值，用于調(diào)節(jié)肌肉受損特征和運動狀態(tài)特征的重要性；γ是可學(xué)習的參數(shù)值，用于調(diào)節(jié)特征間交互項的強度；表示逐元素乘法，即hadamard乘積，用于捕捉特征間的交互效應(yīng)；w1和w2是權(quán)重矩陣，b是偏置向量；σ是激活函數(shù)；fdifm(xm，xs)是融合特征。

21、作為上述方案的改進，所述深度神經(jīng)網(wǎng)絡(luò)模型包括卷積層、長短期記憶lstm層和全連接層；

22、卷積層用于提取融合后的輸入特征fdifm的局部模式，設(shè)卷積核的大小為k×k，步長為s，填充為p，則第i個卷積層的輸出o(i)通過下式計算：

23、

24、其中，w(i)是第i個卷積層的卷積核權(quán)重矩陣；b(i)是第i個卷積層的偏置；f(i-1)是上一層的輸出，對于第一層來說，f(0)＝fdifm；表示輸出特征圖在位置(j，k)的第l個通道的值；

25、長短期記憶lstm層用于捕捉時間序列數(shù)據(jù)的長期依賴關(guān)系，設(shè)lstm層的隱藏狀態(tài)為ht，細胞狀態(tài)為ct；輸入為xt，即卷積層的輸出lstm單元的更新表示為：

26、it＝σ(wixt+uiht-1+bi)

27、ft＝σ(wfxt+ufht-1+bf)

28、ot＝σ(woxt+uoht-1+bo)

29、

30、

31、

32、其中，it，ft,ot分別表示輸入門、遺忘門和輸出門的激活值；是候選細胞狀態(tài)；wi,wf,wo，wc分別是輸入到隱藏狀態(tài)的權(quán)重矩陣；ui、uf、uo、uc分別是隱藏狀態(tài)到隱藏狀態(tài)的權(quán)重矩陣；bi，bf，bo，bc是偏置向量；σ是sigmoid函數(shù)；tanh是雙曲正切函數(shù)；表示逐元素乘法；ht-1是lstm層的上一隱藏狀態(tài)，ct-1是上一細胞狀態(tài)；

33、全連接層用于將長短期記憶lstm層的輸出映射到水流模式的最終預(yù)測，ht為lstm層的輸出向量，y為最終輸出，即水流模式，則全連接層的計算公式為：

34、y＝σ(wyht+by)

35、其中，wy和by分布是全連接層的權(quán)重和偏置；σ是激活函數(shù)；y的維度為2，分別對應(yīng)水流方向和速度。

36、本發(fā)明另一實施例對應(yīng)提供了一種水中康復(fù)訓(xùn)練的水流模式自適應(yīng)調(diào)節(jié)方法，包括：

37、獲取康復(fù)訓(xùn)練人員的肌肉受損情況，并實時獲取所述康復(fù)訓(xùn)練人員在水中訓(xùn)練時的狀態(tài)參數(shù)；狀態(tài)參數(shù)包括：心率參數(shù)、血壓參數(shù)和運動速度；

38、提取各個所述狀態(tài)參數(shù)的狀態(tài)特征，并提取肌肉受損情況的肌肉受損特征；狀態(tài)特征包括：心率特征、血壓特征和速度特征；

39、對各個狀態(tài)特征進行特征融合，得到所述康復(fù)訓(xùn)練人員當前綜合的運動狀態(tài)特征；

40、將所述肌肉受損特征和所述運動狀態(tài)特征，輸入到訓(xùn)練好的多模態(tài)融合的深度神經(jīng)網(wǎng)絡(luò)模型中，輸出當前最適合康復(fù)訓(xùn)練人員的訓(xùn)練的水流模式；水流模式包括：水流方向和水流速度；

41、根據(jù)所述水流模式調(diào)整當前的水流方向和水流速度。

42、作為上述方案的改進，所述對各個狀態(tài)特征進行特征融合，得到所述康復(fù)訓(xùn)練人員當前綜合的運動狀態(tài)特征，包括：

43、對心率特征、血壓特征和速度特征分別進行歸一化；

44、將歸一化后的心率特征hrn、血壓特征bpn和速度特征vn輸入到以下特征融合公式中，得到所述康復(fù)訓(xùn)練人員當前綜合的運動狀態(tài)特征：

45、f＝whr·hrn+wbp·bpn+wv·vn

46、whr，wbp，wv分別為心率特征、血壓特征和速度特征預(yù)設(shè)的加權(quán)因子。

47、作為上述方案的改進，所述將所述肌肉受損特征和所述運動狀態(tài)特征，輸入到訓(xùn)練好的多模態(tài)融合的深度神經(jīng)網(wǎng)絡(luò)模型中，輸出當前最適合康復(fù)訓(xùn)練人員的訓(xùn)練的水流模式，包括：

48、通過訓(xùn)練好的多模態(tài)融合的深度神經(jīng)網(wǎng)絡(luò)模型的特征融合層，對所述肌肉受損特征和所述運動狀態(tài)特征進行多模態(tài)特征融合，得到融合后的輸入特征；

49、將融合后的輸入特征輸入到所述深度神經(jīng)網(wǎng)絡(luò)模型的卷積層，經(jīng)過所述深度神經(jīng)網(wǎng)絡(luò)模型處理后，通過所述深度神經(jīng)網(wǎng)絡(luò)模型輸出當前最適合康復(fù)訓(xùn)練人員的訓(xùn)練的水流模式。

50、作為上述方案的改進，訓(xùn)練好的多模態(tài)融合的深度神經(jīng)網(wǎng)絡(luò)模型的特征融合層的特征融合公式為：

51、

52、其中，xm和xs分別表示肌肉受損特征和運動狀態(tài)特征；α和β是可學(xué)習的參數(shù)值，用于調(diào)節(jié)肌肉受損特征和運動狀態(tài)特征的重要性；γ是可學(xué)習的參數(shù)值，用于調(diào)節(jié)特征間交互項的強度；表示逐元素乘法，即hadamard乘積，用于捕捉特征間的交互效應(yīng)；w1和w2是權(quán)重矩陣，b是偏置向量；σ是激活函數(shù)；fdifm(xm，xs)是融合特征。

53、作為上述方案的改進，所述深度神經(jīng)網(wǎng)絡(luò)模型包括卷積層、長短期記憶lstm層和全連接層；

54、卷積層用于提取融合后的輸入特征fdifm的局部模式，設(shè)卷積核的大小為k×k，步長為s，填充為p，則第i個卷積層的輸出o(i)通過下式計算：

55、

56、其中，w(i)是第i個卷積層的卷積核權(quán)重矩陣；b(i)是第i個卷積層的偏置；f(i-1)是上一層的輸出，對于第一層來說，f(0)＝fdifm；表示輸出特征圖在位置(j，k)的第l個通道的值；

57、長短期記憶lstm層用于捕捉時間序列數(shù)據(jù)的長期依賴關(guān)系，設(shè)lstm層的隱藏狀態(tài)為ht，細胞狀態(tài)為ct；輸入為xt，即卷積層的輸出lstm單元的更新表示為：

58、it＝σ(wixt+uiht-1+bi)

59、ft＝σ(wfxt+ufht-1+bf)

60、ot＝σ(woxt+uoht-1+bo)

61、

62、

63、

64、其中，it，ft,ot分別表示輸入門、遺忘門和輸出門的激活值；是候選細胞狀態(tài)；wi，wf，wo，wc分別是輸入到隱藏狀態(tài)的權(quán)重矩陣；ui、uf、uo、uc分別是隱藏狀態(tài)到隱藏狀態(tài)的權(quán)重矩陣；bi，bf，bo，bc是偏置向量；σ是sigmoid函數(shù)；tanh是雙曲正切函數(shù)；表示逐元素乘法；ht-1是lstm層的上一隱藏狀態(tài)，ct-1是上一細胞狀態(tài)；

65、全連接層用于將長短期記憶lstm層的輸出映射到水流模式的最終預(yù)測，ht為lstm層的輸出向量，y為最終輸出，即水流模式，則全連接層的計算公式為：

66、y＝σ(wyht+by)

67、其中，wy和by分布是全連接層的權(quán)重和偏置；σ是激活函數(shù)；y的維度為2，分別對應(yīng)水流方向和速度。

68、相比于現(xiàn)有技術(shù)，本發(fā)明實施例具有如下有益效果：

69、本發(fā)明實施例首先利用智能穿戴設(shè)備實時監(jiān)測并獲取康復(fù)訓(xùn)練人員的肌肉受損情況以及包括心率、血壓、運動速度和方向在內(nèi)的狀態(tài)參數(shù)；隨后，通過對這些多模態(tài)數(shù)據(jù)進行特征提取，分別獲得肌肉受損特征和一系列狀態(tài)特征(心率特征、血壓特征和速度特征)；接下來，運用特征融合算法將這些特征整合成一個全面反映康復(fù)訓(xùn)練人員當前運動狀態(tài)的綜合特征；最后，將綜合的狀態(tài)特征和肌肉受損特征輸入至預(yù)先訓(xùn)練的多模態(tài)融合深度神經(jīng)網(wǎng)絡(luò)模型中，該模型能夠根據(jù)輸入特征智能預(yù)測出最適合當前康復(fù)訓(xùn)練人員的水流模式，包括水流方向和水流速度，通過這一動態(tài)調(diào)整機制，系統(tǒng)能夠?qū)崟r優(yōu)化訓(xùn)練條件，確保訓(xùn)練既安全又高效。由上分析可知，本發(fā)明實施例通過實時監(jiān)測、特征融合和深度學(xué)習技術(shù)，實現(xiàn)了水中康復(fù)訓(xùn)練的個性化和智能化，顯著提升了訓(xùn)練的安全性和有效性，尤其是在面對肌肉受損患者時，能夠提供更加精準和適時的水中康復(fù)訓(xùn)練支持，促進了康復(fù)進程。