CN102198003B - 肢体运动检测评估网络系统及其方法 - Google Patents

Abstract

本发明公开了一种肢体运动检测评估网络系统，包括：中央处理单元以及连接到中央处理单元的至少两个传感单元组成的传感网络系统。本发明还公开了一种肢体运动检测评估方法。本发明的有益效果在于，利用本发明的肢体运动检测评估系统和方法，用户可比照系统模板库中的目标运动轨迹曲线进行训练，也可以对自身肢体运动进行检测和评估，成本低，也节约时间。

Description

肢体运动检测评估网络系统及其方法

技术领域

本发明涉及一种检测评估系统及其方法，尤其涉及一种肢体运动检测评估网络系统及其方法。

背景技术

用户做一些肢体运动，需要进行练习，并且时常需要检测和评估练习的成果。如果聘请专业的教练或者指导老师，所需要的费用是巨大的。而用户仅是对照各种视频资料练习，对动作是否标准，运动是否达到预期的效果等问题，还需借助专业人员才能完成。

例如脑卒中(俗称中风)会引起用户的运动功能障碍，破坏用户的运动协调性，大量脑神经学的研究已证明，存活的脑卒中用户能够通过康复训练来恢复他们的一定的运动能力和技能。传统的脑卒中康复方案，往往是由临床康复医师，护士在康复诊所或护理中心提供，由于涉及到一对一的专业康复训练，劳动力密集，价格昂贵。调查统计表明，脑卒中用户的治疗管理的总成本中，医院和疗养院的费用占了最大的比例。而研究显示，早出医院并在家里进行康复锻炼，会产生类似的康复结果，并且在很多情况下，比常规临床护理还好，同时还大大降低了护理管理的成本。因此，居家远程康复系统已成为近年学术界和工业的研究和开发的重点。

目前，虽然有不少肢体运动辅助系统(如居家康复系统)被提出，但很多是采用了较为复杂和昂贵的康复机器人系统，并且这些现有系统缺乏灵活性和适应性，不能跟踪病人的状态和康复进展，仅具有有限的人/机通信功能。同时，加速度/惯性传感器也逐渐应用到居家养老和康复系统中，目前此类传感器的应用主要集中在：老人跌到报警，以及用于获取用户在训练过程中的姿态。但这些传感器是单独使用的，没有组成一个网络系统来协调运作。

因此，目前对于肢体运动(舞蹈，武术，肢体康复等等)的检测评估还需大量借助人力，既需要大量时间，又要大量金钱，成本较高。

发明内容

本发明所要解决的技术问题在于提供一种肢体运动检测评估网络系统及其方法，以供用户利用本发明，比照系统模板库中的目标运动轨迹曲线进行训练，或者对自身肢体运动进行检测和评估。

为实现本发明的目的，本发明提供了一种肢体运动检测评估网络系统，包括：中央处理单元，以及连接到中央处理单元的至少两个传感单元组成的传感网络系统。

传感单元附接于肢体上，用于检测并记录肢体实时运动参数，并传输给中央处理单元；

中央处理单元，用于接收传感单元传输的肢体实时运动参数，并根据接收到的肢体实时运动参数进行处理并评估肢体的运动状态。

更优地，本发明的肢体运动检测评估网络系统，传感单元包括：惯性传感器和传感通信模块。

惯性传感器，用于根据中央处理单元的检测指令，检测并记录肢体实时运动参数。

传感通信模块，用于接收并传送中央处理单元的检测指令，并将惯性传感器根据检测指令检测并记录的肢体实时运动参数发送至中央处理单元。

检测指令包括肢体运动的开始记录指令，以及肢体运动次数或时间参数指令。

更优地，本发明的肢体运动检测评估网络系统，惯性传感器为XYZ三轴惯性传感器。

更优地，本发明的肢体运动检测评估网络系统，中央处理单元包括：数据通信模块和数据处理模块。

数据通信模块，用于接收传感通信模块发送的肢体实时运动参数；发送中央处理单元的检测指令给传感单元；还用于发送数据处理模块的数据处理结果至远程终端，以及接收远程指令。

数据处理模块，用于发出肢体运动控制指令，并根据接收到的肢体运动参数，判断肢体进行的运动类型，分析肢体运动周期，得到肢体运动的实时运动轨迹曲线，并计算出同一肢体运动类型的数量，并根据肢体运动的实时运行轨迹曲线和同一肢体运动类型的数量评估得到肢体运动状态的评估结果。

更优地，本发明的肢体运动检测评估网络系统，中央处理单元还包括数据存储模块和显示模块。

数据存储模块，用于存储预设的并在显示模块上显示的肢体运动类型及所述肢体运动类型空间轨迹曲线数据，以及检测到的肢体运动参数，以及根据肢体运动参数计算出的肢体实时运动轨迹曲线和同一肢体运动类型的数量，评估结果。

显示模块，用于根据数据处理模块发出的控制指令，读取数据存储模块中存储的肢体运动类型并显示肢体运动类型的目标轨迹曲线，并根据数据处理模块对肢体实时运动参数接收并评估处理后的结果实时显示肢体实时运动参数、同一肢体运动类型的运动次数、肢体实时运动轨迹曲线，以及评估结果。

更优地，本发明的肢体运动检测评估网络系统，运动参数包括：每个传感单元记录的肢体的X和Y轴角速率，X和Y轴方向的速度以及线性加速度等或者X、Y和Z轴角速率，X、Y和Z轴方向的速度以及线性加速度。

本发明还提供一种肢体运动检测评估方法，包括以下步骤：

步骤A，将至少两个传感单元附接于肢体上，检测并记录肢体运动参数，并传输给中央处理单元；

步骤B，中央处理单元接收所述传感单元传输回来的肢体运动参数，并根据接收到的肢体运动参数进行处理并评估肢体的运动状态。

更优地，本发明的肢体运动检测评估方法，步骤A包括以下步骤：

步骤A1，将至少两个传感单元附接于将要进行运动的肢体上；

步骤A2，设定肢体运动的次数或者时间；

步骤A3，传感单元中的惯性传感器检测并记录肢体的实时运动参数；

步骤A4，在完成设定的肢体运动次数或者时间后，传感单元中的传感通信模块将记录下的用户的肢体实时运动参数发送到中央处理单元。

更优地，本发明的肢体运动检测评估方法，步骤A2和A3之间还包括以下步骤：

步骤A21，中央处理单元的数据处理模块向中央处理单元的显示模块发出显示控制指令，显示模块读取数据存储模块中存储的预设肢体运动类型及所述肢体运动类型空间轨迹曲线数据并显示；

步骤A22，中央处理单元发送检测记录指令至传感单元，肢体根据步骤A21显示的肢体运动类型的空间轨迹曲线进行运动。

更优地，本发明的肢体运动检测评估方法，步骤A21包括以下步骤：

步骤A211，从中央处理单元的显示模块显示的多种肢体运动类型中选择至少一种肢体运动类型；

步骤A212：在中央处理单元的显示模块上，肢体运动类型空间轨迹曲线数据显示所选择的目标轨迹曲线，目标轨迹曲线以具有周期数的平滑正弦波示意。

更优地，本发明的肢体运动检测评估方法，步骤B包括以下步骤：

步骤B1，中央处理单元的数据通信模块接收肢体运动的实时运动参数，并发送实时运动参数至中央处理单元的数据处理模块和中央处理单元的数据存储模块；

步骤B2，数据存储模块储存实时运动参数；数据处理模块进行肢体运动参数处理并评估肢体的运动状态。

更优地，本发明的肢体运动检测评估方法，步骤B2中，进行肢体运动参数处理并评估肢体的运动状态，包括以下步骤：

步骤B21，判断肢体进行的运动类型；

步骤B22，分析肢体运动周期，得到肢体运动的实时运动轨迹曲线；

步骤B23，计算出同一肢体运动类型的数量；

步骤B24，根据肢体运动的实时运动轨迹曲线和同一肢体运动类型的数量评估得到肢体运动状态的评估结果。

更优地，本发明的肢体运动检测评估方法，步骤B21中，评估得到肢体运动状态的评估结果，包括如下步骤：

步骤B211，根据接收到的至少6个实时肢体运动参数，分别和预设的肢体运动类型样本模板库里的各个运动类型模板样本的运动参数进行互相关运算，得到多个互相关结果；

步骤B212，对各个互相关结果进行K-最近邻分类计算，得出实时肢体运动参数到各模板样本的距离；

步骤B213，读取所述距离中最小的K个模板样本的标记，并根据这K个模板样本的标记得到实时肢体运动测试样本的标记，从而判断出当前肢体运动所属的肢体运动类型。

更优地，本发明的肢体运动检测评估方法，步骤B23包括如下步骤：

步骤B231，将检测并记录的至少6个实时肢体运动参数的振幅标准化到0至1；

步骤B232，通过傅里叶变换或者小波分析周期性分析方法，计算得出实时肢体运动的实际运动的周期数；

步骤B233，根据用户实际运动的振幅，周期绘制实时运动轨迹曲线；

步骤B234，对比实际运动的轨迹曲线与目标轨迹曲线的偏差，以及肢体运动的数量，完成肢体运动的运动状态的评估，得到评估结果。

更优地，本发明的肢体运动检测评估方法，K值最小为11。

更优地，本发明的肢体运动检测评估方法，步骤B234中对比实际运动的轨迹曲线与目标轨迹曲线的偏差所采用的计算方法为相关系数法；

目标运动轨迹曲线的坐标数列T＝{{x₁，y₁，z₁}，{x₂，y₂，z₂}，...，{x_n，y_n，z_n}}，实际运动轨迹曲线的坐标数列S＝{{x′₁，y′₁，z′₁}，{x′₂，y′₂，z′₂}，...，{x′_n，y′_n，z′_n}}，n是测量取样数，相关系数r为： $r=\frac{\mathrm{n\ΣTS}-\mathrm{\ΣT\ΣS}}{\sqrt{\mathrm{n\Σ}{T}^2-{\left(\mathrm{\ΣT}\right)}^2}\sqrt{\mathrm{n\Σ}{S}^2-{\left(\mathrm{\ΣS}\right)}^2}};$

相关系数r的值介于-1与+1之间，即-1≤r≤+1；

|r|＝1，表示T数列与S数列为完全线性相关，即为函数关系，表明此时的实际运动轨迹曲线和目标运动轨迹曲线相吻合；

r＝0，表示T数列与S数列无线性相关关系，表明此时的实际运动轨迹曲线和目标运动轨迹曲线完全不相吻合；

|r|＞0，表示T数列与S数列相关；|r|从0上升到1时，表明实际训练运动的质量在逐渐提高。

更优地，本发明的肢体运动检测评估方法，步骤B234中对比实际运动的轨迹曲线与目标轨迹曲线的偏差所采用的计算方法为平均误差平方法；

目标运动轨迹曲线的坐标数列T＝{{x₁，y₁，z₁}，{x₂，y₂，z₂}，...，{x_n，y_n，z_n}}，实际运动轨迹曲线的坐标数列S＝{{x′₁，y′₁，z′₁}，{x′₂，y′₂，z′₂}，...，{x′_n，y′_n，z′_n}}，n是测量取样数，对比系数r为： $r=1-\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(T_i-S_i)}^2}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{T}_i^2}};$

r的数值在0和1之间；

r＝0，表示无实际运动发生；

r＝1，表示两运动轨迹相吻合，训练运动质量很高；

r从0上升到1时，表明实际训练运动的质量在逐渐提高。

本发明的有益效果：利用本发明的肢体运动检测评估网络系统和方法，用户可比照系统模板库中的目标运动轨迹曲线进行训练，也可以对自身肢体运动进行检测和评估，成本低，也节约时间。

附图说明

图1为本发明的第一实施例的结构示意图；

图2为本发明的第一实施例得出的实际运动轨迹曲线与目标运动轨迹曲线图；

图3为本发明的第二实施例的目标轨迹曲线图。

具体实施方式

为了使本发明肢体运动检测评估网络系统及其方法的目的、技术方案及优点更加清楚明白，以下结合具体附图及具体实施例，对本发明肢体运动检测评估网络系统及其方法进行进一步详细说明。

图1为本发明实施例的结构示意图，如图1所示，肢体运动检测评估网络系统，包括：中央处理单元20，以及连接到中央处理单元20的至少两个传感单元10。

传感单元10是附接于肢体上的，用于检测并记录肢体实时运动参数，并传输给中央处理单元。

传感单元10包括：惯性传感器101和传感通信模块102。

惯性传感器101，用于根据中央处理单元20的检测指令，检测并记录肢体实时运动参数。

更优地，惯性传感器101为XYZ三轴惯性传感器。

本实施例中，惯性传感器101为XYZ三轴惯性传感器。

传感通信模块102，用于接收并传送中央处理单元20的检测指令，并将惯性传感器101根据检测指令检测并记录的肢体实时运动参数发送至中央处理单元20。

本实施例中，作为一种可实施方式，所述传感通信模块102可以为一802.15.4无线收发模块，由XBee模块实现，也可以由Texas Instrument的CC2530芯片或其它合适的ZigBee模块/芯片实现。

检测指令包括肢体运动的开始记录指令，以及肢体运动次数或时间参数指令。

中央处理单元20，用于接收传感单元10传输的肢体实时运动参数，并根据接收到的肢体实时运动参数进行处理并评估肢体的运动状态。

中央处理单元20包括：数据通信模块201，数据处理模块202，数据存储模块203和显示模块204。

数据通信模块201，用于接收传感通信模块102发送的肢体实时运动参数；发送中央处理单元20的检测指令给传感单元10；还用于发送数据处理模块202的数据处理结果至远程终端，以及接收远程指令。

数据处理模块202，用于发出肢体运动控制指令，并根据接收到的肢体运动参数，判断肢体进行的运动类型，分析肢体运动周期，得到肢体运动的实时运动轨迹曲线，并计算出同一肢体运动类型的数量，并根据肢体运动的实时运行轨迹曲线和同一肢体运动类型的数量评估得到肢体运动状态的评估结果。

数据存储模块203，用于存储预设的并在显示模块204上显示的肢体运动类型及肢体运动类型空间轨迹曲线数据，以及检测到的肢体运动参数，以及根据肢体运动参数计算出的肢体实时运动轨迹曲线和同一肢体运动类型的数量，评估结果。

显示模块204，用于根据数据处理模块202发出的控制指令，读取数据存储模块203中存储的肢体运动类型并显示肢体运动类型的目标轨迹曲线，并根据数据处理模块203对肢体实时运动参数接收并评估处理后的结果实时显示肢体实时运动参数、同一肢体运动类型的运动次数、肢体实时运动轨迹曲线，以及评估结果。

本实施例中，作为一种可实施方式，所述数据通信模块201可以为一802.15.4无线收发模块，由XBee模块实现，也可以由Texas Instrument的CC2530芯片或其它合适的ZigBee模块/芯片实现。数据处理模块202，数据存储模块203和显示模块204由一台电脑实现，数据处理模块202为电脑CPU，数据存储模块203为电脑硬盘，显示模块204为电脑显示器。中央处理单元也可由一部智能手机或者一部平板电脑来实现。

本实施例的肢体运动检测评估方法，包括以下步骤：

步骤A，将至少两个传感单元10附接于肢体上，检测并记录肢体运动参数，并传输给中央处理单元20；

本实施例中选用三个传感单元10，分别附接与用户手腕，前臂与后臂上。

步骤B，中央处理单元20接收所述传感单元10传输回来的肢体运动参数，并根据接收到的肢体运动参数进行处理并评估肢体的运动状态。

本实施例中传回的肢体运动参数包括：三个传感单元分别记录的附接传感单元处肢体在X、Y和Z轴的角速率，X、Y和Z轴方向的速度以及线性加速度。

更优地，步骤A包括以下步骤：

步骤A1，将至少两个传感单元10附接于将要进行运动的肢体上；

本实施例中选用三个传感单元10，分别附接于用户手腕，前臂与后臂上。

步骤A2，设定肢体运动的次数或者时间；

本实施例中设定用户在10秒内完成5次上肢侧抬。

步骤A3，传感单元10中的惯性传感器101检测并记录肢体的实时运动参数；

本实施例中分别附接于用户手腕，前臂与后臂上的传感单元10中的惯性传感器101分别检测并记录用户手腕，前臂与后臂在X、Y和Z轴的角速率，X、Y和Z轴方向的速度以及线性加速度。

步骤A4，在完成设定的肢体运动次数或者时间后，传感单元10中的传感通信模块102将记录下的用户的肢体实时运动参数发送到中央处理单元20。

本实施例中用户在10秒内完成5次上肢侧抬后，附接于用户手腕，前臂与后臂上的3个传感单元10中的传感通信模块102将记录下的用户的肢体实时运动参数发送到中央处理单元20。

更优地，步骤A2和A3之间还包括以下步骤：

步骤A21，中央处理单元20的数据处理模块202向中央处理单元20的显示模块204发出显示控制指令，显示模块204读取数据存储模块203中存储的预设肢体运动类型及肢体运动类型空间轨迹曲线数据并显示；

本实施例中显示模块204将显示肢体运动类型为上肢侧抬以及上肢侧抬的空间轨迹曲线。

步骤A22，中央处理单元20发送检测记录指令至传感单元10，肢体根据步骤A21显示的肢体运动类型的空间轨迹曲线进行运动。

本实施例中中央处理单元20发送检测记录指令至传感单元10，用户根据步骤A21显示的上肢侧抬的空间轨迹曲线进行运动。

更优地，步骤A21包括以下步骤：

步骤A211，从中央处理单元20的显示模块204显示的多种肢体运动类型中选择至少一种肢体运动类型；

本实施例中，用户从显示模块204显示的多种肢体运动类型中选择上肢侧抬。

步骤A212：在中央处理单元20的显示模块204上，肢体运动类型空间轨迹曲线数据显示所选择的目标轨迹曲线，所述目标轨迹曲线以具有周期数的平滑正弦波或其他类似的具有周期数的平滑曲线示意。

本实施例中，显示模块204显示上肢侧抬的目标轨迹曲线。

更优地，步骤B包括以下步骤：

步骤B1，中央处理单元20的数据通信模块201接收肢体运动的实时运动参数，并发送实时运动参数至中央处理单元20的数据处理模块202和中央处理单元20的数据存储模块203；

步骤B2，数据存储模块203储存实时运动参数；数据处理模块202进行肢体运动参数处理并评估肢体的运动状态。

更优地，步骤B2中，进行肢体运动参数处理并评估肢体的运动状态，包括以下步骤：

步骤B21，判断肢体进行的运动类型；

本实施例中，数据处理模块202通过K-最近邻分类计算判断出用户正在进行的运动为上肢侧抬。

步骤B22，分析肢体运动周期，得到肢体运动的实时运动轨迹曲线；

本实施例中，数据处理模块202通过傅里叶变换分析方法，计算得出实时肢体运动的实际运动的周期数。

步骤B23，计算出同一肢体运动类型的数量；

步骤B24，根据肢体运动的实时运动轨迹曲线和同一肢体运动类型的数量评估得到肢体运动状态的评估结果。

本实施例中，数据处理模块202根据用户进行上肢侧抬运动的实时运动轨迹曲线和完成上肢侧抬的数量评估得到肢体运动状态的评估结果。

更优地，步骤B21中，评估得到肢体运动状态的评估结果，包括如下步骤：

步骤B211，根据接收到的至少6个实时肢体运动参数，分别和预设的肢体运动类型样本模板库里的各个运动类型模板样本的运动参数进行互相关运算，得到多个互相关结果；

本实施例中，中央处理单元20接收到9个实时的上肢运动参数，分别和预设的肢体运动类型样本模板库里的上肢侧抬模板样本的运动参数进行互相关运算，得到多个互相关结果。

步骤B212，对各个互相关结果进行K-最近邻分类计算，得出实时肢体运动参数到各模板样本的距离；

步骤B213，读取所述距离中最小的K个模板样本的标记，并根据这K个模板样本的标记得到实时肢体运动测试样本的标记，从而判断出当前肢体运动所属的肢体运动类型。

如表1所示，运用不同K值，K-最近邻分类算法计算得出的不同分类准确度，K值为3、5、7、9时，均会出现一次误判，当K值为11时，不再出现误判，准确率达到100％。本实施例中，K值为11。

表1K-最近邻分类算法计算得出的不同分类准确度表

K值	3	5	7	9	11
						误判数	1	1	1	1	0
准确率(％)	97.2	97.2	97.2	97.2	100

更优地，步骤B23包括如下步骤：

步骤B231，将检测并记录的至少6个实时肢体运动参数的振幅标准化到0至1；

本实施例中，将检测并记录的9个实时肢体运动参数的振幅标准化到0至1。

步骤B232，通过傅里叶变换或者小波分析周期性分析方法，计算得出实时肢体运动的实际运动的周期数；

本实施例中，采用傅里叶变换的分析方法。

步骤B233，根据用户实际运动的振幅，周期绘制实时运动轨迹曲线；

步骤B234，对比实际运动的轨迹曲线与目标轨迹曲线的偏差，以及肢体运动的数量，完成肢体运动的运动状态的评估，得到评估结果。(如图2所示)实际运动轨迹曲线与目标运动轨迹曲线同时显示，可直观对比实际运动完成情况。

作为一种可实施方式，本实施例中，采用相关系数法对比实际运动的轨迹曲线与目标轨迹曲线的偏差。

目标运动轨迹曲线的坐标数列T＝{{x₁，y₁，z₁}，{x₂，y₂，z₂}，...，{x_n，y_n，z_n}}，实际运动轨迹曲线的坐标数列S＝{{x′₁，y′₁，z′₁}，{x′₂，y′₂，z′₂}，...，{x′_n，y′_n，z′_n}}，n是测量取样数，相关系数r为： $r=\frac{\mathrm{n\ΣTS}-\mathrm{\ΣT\ΣS}}{\sqrt{\mathrm{n\Σ}{T}^2-{\left(\mathrm{\ΣT}\right)}^2}\sqrt{\mathrm{n\Σ}{S}^2-{\left(\mathrm{\ΣS}\right)}^2}};$

相关系数r的值介于-1与+1之间，即-1≤r≤+1；

|r|＝1，表示T数列与S数列为完全线性相关，即为函数关系，表明此时的实际运动轨迹曲线和目标运动轨迹曲线相吻合；

r＝0，表示T数列与S数列无线性相关关系，表明此时的实际运动轨迹曲线和目标运动轨迹曲线完全不相吻合；

|r|＞0，表示T数列与S数列相关；|r|从0上升到1时，表明实际训练运动的质量在逐渐提高。

作为一种可实施方式，对比实际运动的轨迹曲线与目标轨迹曲线的偏差也可采用平均误差平方法。

目标运动轨迹曲线的坐标数列T＝{{x₁，y₁，z₁}，{x₂，y₂，z₂}，...，{x_n，y_n，z_n}}，实际运动轨迹曲线的坐标数列S＝{{x′₁，y′₁，z′₁}，{x′₂，y′₂，z′₂}，...，{x′_n，y′_n，z′_n}}，n是测量取样数，对比系数r为： $r=1-\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(T_i-S_i)}^2}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{T}_i^2}};$

r的数值在0和1之间；

r＝0，表示无实际运动发生；

r＝1，表示两运动轨迹相吻合，训练运动质量很高；

r从0上升到1时，表明实际训练运动的质量在逐渐提高。

更优地，为了保证对肢体运动类型的判断的准确度，K值最小为11。

本实施例中，中央处理单元20将用户进行上肢侧抬运动的实时运动参数，实际运动的轨迹曲线以及评估结果通过互联网(也可通过GPRS/GSM，WIFI，3G等通信手段)发送至医院或康复中心或康复专家的服务器或终端设备上，医生或康复专家根据上述信息对用户的这次运动进行评估并给出康复建议，然后将评估和建议发送至中央处理单元20，储存于数据存储模块203中并通过显示模块204呈现给用户。

医生或康复专家还可以通过互联网(也可通过GPRS/GSM，WIFI，3G等通信手段)从数据存储模块203中查询用户进行康复运动的历史记录。

图3为本发明的第二实施例的目标轨迹曲线图，如图3所示，图中列出了用两个XYZ三轴惯性传感器进行测量的四种不同类别的上肢运动类别。每个运动类别在X，Y，和Z方向都有由不同XYZ三轴惯性传感器给出的两组曲线(黑色的和灰色的)。这些曲线构成了识别这些运动类别的特征。

本发明实施例的肢体运动检测评估网络系统和方法，不同的目标运动轨迹有不同的路径，代表不同的训练方法和路径。用户循着目标轨迹进行运动训练，并且尽量和目标轨迹吻合，减少误差。误差的大小显示了用户上肢功能的受损程度。如此即能够进行康复训练，也可以根据训练的评估结果查看康复状况。本发明的肢体运动检测评估网络系统通过惯性传感单元检测记录的9个运动参数，同时和预先记录的模板集合进行匹配搜索或进行其它的基于信号处理和人工智能的还原算法，断定用户正在进行的运动的类别，并进而算出和此目标类别的距离偏差，同时还实时的确定用户上肢对于相对静止的身体的瞬态位置，这些瞬态的位置又可以构成上肢运动的实际运动轨迹；系统通过对记录下的上肢连续运动的轨迹的周期性分析而计算得出用户上肢运动的周期性，再根据上肢运动的周期性，确定并记录用户上肢手臂进行康复运动的次数，从而判定用户进行康复训练的强度。用户则可以根据自己的实际体能，进行一定强度的重复运动，即一定数目的周期运动。也可在病人到医院进行临床诊断时，由康复医师预先设置，并可以在随后的训练疗程中，随时调整。

以上所述仅为本发明的优选事例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进，均应包含在本发明的保护范围以内。

Claims (13)

1.一种肢体运动检测评估网络系统，其特征在于，包括：中央处理单元（20），以及连接到中央处理单元（20）的至少两个传感单元（10）组成的传感网络系统；

所述传感单元（10）附接于肢体上，用于检测并记录肢体实时运动参数，并传输给中央处理单元（20）；

所述中央处理单元（20），用于接收所述传感单元（10）传输的肢体实时运动参数，并根据所述接收到的肢体实时运动参数进行处理并评估肢体的运动状态；

所述中央处理单元（20），包括：数据通信模块（201）和数据处理模块（202）；

所述数据通信模块（201），用于接收传感通信模块（102）发送的肢体实时运动参数；发送所述中央处理单元（20）的检测指令给所述传感单元（10）；还用于发送所述数据处理模块（202）的数据处理结果至远程终端，以及接收远程指令；

所述数据处理模块（202），用于发出肢体运动控制指令，并根据接收到的肢体运动参数，判断肢体进行的运动类型，分析肢体运动周期，得到肢体运动的实时运动轨迹曲线，并计算出同一肢体运动类型的数量，并根据肢体运动的实时运行轨迹曲线和同一肢体运动类型的数量评估得到肢体运动状态的评估结果；

所述数据处理模块通过傅里叶变换或者小波分析周期性分析方法计算得出实时肢体运动的实际运动的周期数。

2.根据权利要求1所述的肢体运动检测评估网络系统，其特征在于，所述传感单元（10）包括：惯性传感器（101）和传感通信模块（102）；

所述惯性传感器（101），用于根据所述中央处理单元（20）的检测指令，检测并记录肢体实时运动参数；

所述传感通信模块（102），用于接收并传送所述中央处理单元（20）的检测指令，并将所述惯性传感器（101）根据所述检测指令检测并记录的肢体实时运动参数发送至所述中央处理单元（20）；

所述检测指令包括肢体运动的开始记录指令，以及肢体运动次数或时间参数指令。

3.根据权利要求2所述的肢体运动检测评估网络系统，其特征在于，所述惯性传感器（101）为XYZ三轴惯性传感器。

4.根据权利要求1所述的肢体运动检测评估网络系统，所述中央处理单元（20）还包括数据存储模块（203）和显示模块（204）；

所述数据存储模块（203），用于存储预设的并在所述显示模块（204）上显示的肢体运动类型及所述肢体运动类型空间轨迹曲线数据，以及检测到的肢体运动参数，以及根据肢体运动参数计算出的肢体实时运动轨迹曲线和同一肢体运动类型的数量，评估结果；

所述显示模块（204），用于根据所述数据处理模块（202）发出的控制指令，读取所述数据存储模块（203）中存储的肢体运动类型并显示所述肢体运动类型的目标轨迹曲线，并根据所述数据处理模块（202）对肢体实时运动参数接收并评估处理后的结果实时显示肢体实时运动参数、同一肢体运动类型的运动次数、肢体实时运动轨迹曲线，以及评估结果。

5.根据权利要求1所述的肢体运动检测评估网络系统，其特征在于，所述运动参数包括：每个传感单元记录的肢体的X和Y轴角速率，X和Y轴方向的速度以及线性加速度等或者X、Y和Z轴角速率，X、Y和Z轴方向的速度以及线性加速度。

6.一种肢体运动检测评估方法，其特征在于，包括以下步骤：

步骤A，将至少两个传感单元（10）附接于肢体上，检测并记录肢体运动参数，并传输给中央处理单元（20）；

步骤B，所述中央处理单元（20）接收所述传感单元（10）传输回来的肢体运动参数，并根据所述接收到的肢体运动参数进行处理并评估肢体的运动状态；

所述步骤B包括以下步骤：

步骤B1，所述中央处理单元（20）的数据通信模块（201）接收肢体运动的实时运动参数，并发送所述实时运动参数至所述中央处理单元（20）的数据处理模块（202）和所述中央处理单元（20）的数据存储模块（203）；

步骤B2，所述数据存储模块（203）储存实时运动参数；所述数据处理模块（202）进行肢体运动参数处理并评估肢体的运动状态；

所述步骤B2中，进行肢体运动参数处理并评估肢体的运动状态，包括以下步骤：

步骤B21，判断肢体进行的运动类型；

步骤B22，分析肢体运动周期，得到肢体运动的实时运动轨迹曲线；

步骤B23，计算出同一肢体运动类型的数量；

步骤B24，根据肢体运动的实时运动轨迹曲线和同一肢体运动类型的数量评估得到肢体运动状态的评估结果；

所述步骤B23包括如下步骤：

步骤B231，将检测并记录的至少6个实时肢体运动参数的振幅标准化到0至1；

步骤B232，通过傅里叶变换或者小波分析周期性分析方法，计算得出实时肢体运动的实际运动的周期数；

步骤B233，根据用户实际运动的振幅，周期绘制实时运动轨迹曲线；

步骤B234，对比实际运动的轨迹曲线与目标轨迹曲线的偏差，以及肢体运动的数量，完成肢体运动的运动状态的评估，得到评估结果。

7.根据权利要求6所述的肢体运动检测评估方法，其特征在于，所述步骤A包括以下步骤：

步骤A1，将至少两个传感单元（10）附接于将要进行运动的肢体上，以组成一个放置于肢体上的传感网络系统；

步骤A2，设定肢体运动的次数或者时间；

步骤A3，所述传感单元（10）中的惯性传感器（101）检测并记录肢体的实时运动参数；

步骤A4，在完成设定的肢体运动次数或者时间后，所述传感单元（10）中的传感通信模块（102）将记录下的用户的肢体实时运动参数发送到所述中央处理单元（20）。

8.根据权利要求7所述的肢体运动检测评估方法，其特征在于，所述步骤A2和A3之间还包括以下步骤：

步骤A21，所述中央处理单元（20）的数据处理模块（202）向中央处理单元（20）的显示模块（204）发出显示控制指令，所述显示模块（204）读取数据存储模块（203）中存储的预设肢体运动类型及所述肢体运动类型空间轨迹曲线数据并显示；

步骤A22，所述中央处理单元（20）发送检测记录指令至所述传感单元（10），肢体根据步骤A21显示的肢体运动类型的空间轨迹曲线进行运动。

9.根据权利要求8所述的肢体运动检测评估方法，其特征在于，所述步骤A21包括以下步骤：

步骤A211，从所述中央处理单元（20）的显示模块（204）显示的多种肢体运动类型中选择至少一种肢体运动类型；

步骤A212：在所述中央处理单元（20）的显示模块（204）上，所述肢体运动类型空间轨迹曲线数据显示所选择的目标轨迹曲线，所述目标轨迹曲线以具有周期数的平滑正弦波或其他类似的具有周期数的平滑曲线示意。

10.根据权利要求6所述的肢体运动检测评估方法，其特征在于，所述步骤B21中，评估得到肢体运动状态的评估结果，包括如下步骤：

步骤B211，根据接收到的至少6个实时肢体运动参数，分别和预设的肢体运动类型样本模板库里的各个运动类型模板样本的运动参数进行互相关运算，得到多个互相关结果；

步骤B212，对各个互相关结果进行K-最近邻分类计算，得出实时肢体运动参数到各模板样本的距离；

步骤B213，读取所述距离中最小的K个模板样本的标记，并根据这K个模板样本的标记得到实时肢体运动测试样本的标记，从而判断出当前肢体运动所属的肢体运动类型。

11.根据权利要求10所述的肢体运动检测评估方法，其特征在于，所述K最小为11。

12.根据权利要求6所述的肢体运动检测评估方法，其特征在于，所述步骤B234中对比实际运动的轨迹曲线与目标轨迹曲线的偏差所采用的计算方法为相关系数法；

目标运动轨迹曲线的坐标数列T={{x₁,y₁,z₁},{x₂,y₂,z₂},...,{x_n,y_n,z_n}}，实际运动轨迹曲线的坐标数列S={{x'₁,y'₁,z'₁},{x'₂,y'₂,z'₂},...,{x'_n,y'_n,z'_n}}，n是测量取样数，相关系数r为：

$r=\frac{\mathrm{n\ΣTS}-\mathrm{\ΣT\ΣS}}{\sqrt{\mathrm{n\Σ}{T}^2-{\left(\mathrm{\ΣT}\right)}^2}\sqrt{\mathrm{n\Σ}{S}^2-{\left(\mathrm{\ΣS}\right)}^2}};$

相关系数r的值介于–1与+1之间，即–1≤r≤+1；

|r|=1，表示T数列与S数列为完全线性相关，即为函数关系，表明此时的实际运动轨迹曲线和目标运动轨迹曲线相吻合；

r=0，表示T数列与S数列无线性相关关系，表明此时的实际运动轨迹曲线和目标运动轨迹曲线完全不相吻合；

|r|>0，表示T数列与S数列相关；|r|从0上升到1时，表明实际训练运动的质量在逐渐提高。

13.根据权利要求6所述的肢体运动检测评估方法，其特征在于，所述步骤B234中对比实际运动的轨迹曲线与目标轨迹曲线的偏差所采用的计算方法为平均误差平方法；

目标运动轨迹曲线的坐标数列T={{x₁,y₁,z₁},{x₂,y₂,z₂},...,{x_n,y_n,z_n}}，实际运动轨迹曲线的坐标数列S={{x'₁,y'₁,z'₁},{x'₂,y'₂,z'₂},...,{x'_n,y'_n,z'_n}}，n是测量取样数，对比系数r为: $r=1-\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(T_i-S_i)}^2}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{T_i}^2}};$

r的数值在0和1之间；

r=0，表示无实际运动发生；

r=1，表示两运动轨迹相吻合，训练运动质量很高；

r从0上升到1时，表明实际训练运动的质量在逐渐提高。