本发明涉及康复评价，具体为一种基于自适应灰狼算法的肩关节康复评价方法。
背景技术：
1、肩关节指上肢与躯干连接的部分，包括臂上部、腋窝、胸前区及肩胛骨所在的背部区域等身体很大的一部分。由肩胛骨关节盂和肱骨头构成，也称盂肱关节，是典型的多轴球窝关节，为全身最灵活的关节，可作三轴运动，即冠状轴上的屈和伸，矢状轴上的收和展，垂直轴上的旋内、旋外及环转运动。
2、脑卒中会导致患者肢体出现不同程度的运动功能障碍，70％～80％的脑卒中患者因为残疾不能独立生活。肩关节是人类日常生活中使用频率较高的肢体部位之一，肩关节解剖结构相对复杂，包含大量肌肉，肩关节外伤术后，常会伴有各种后遗症或并发症，严重影响肩部运动功能。对上肢功能进行评估可判定其功能障碍情况及程度，为临床治疗及康复训练提供依据。临床上，精确、客观的评估及理解脑卒中患者上肢运动的功能障碍，已成为制定个性化康复治疗方案、观察治疗效果及分析预后的关键。
3、在中国发明公开号cn108877931b中提出一种肩关节康复评价方法、装置及系统，首先获取待进行康复评价的肩关节的肌肉电信号及运动参数；基于肌肉电信号和运动参数，计算得到灰色关联度矩阵；基于灰色关联度矩阵、上一次的康复检测数据及预设灰色verhulst模型，得到第一参考结果和第二参考结果；求取第一参考结果与第二参考结果的加权和，得到待进行康复评价的肩关节的康复评价结果，本发明能够通过采集自身肌肉电信号以及运动过程中的运动参数来评价当前康复情况，提高康复评价效率及精确性，为康复治疗过程提供准确的参考依据，然而将肌肉电信号进行积分运算，得到带比较数列；对所述带比较数列进行预处理，得到模型参数，基于模型参数输入预设灰色verhulst模型，求解得到估计数列，将估计数列作为第二参考结果并不准确，由于灰色verhulst模型对数据质量的要求较高，因而直接将模型参数代入灰色verhulst模型中求解得到估计数列的过程并不准确，因此需要对模型参数进行进一步处理，使其数据质量更高，保证最后得到的估计数列更加准确，另外针对康复评价还可以引入肌肉密度这个参数来使评价报告更加完善，故而提出了一种基于自适应灰狼算法的肩关节康复评价方法。
技术实现思路
1、(一） 解决的技术问题
2、本发明的目的是为了解决灰色verhulst模型对数据质量的要求较高，因而直接将模型参数代入灰色verhulst模型中求解得到估计数列的过程并不准确的问题，而提出的一种基于自适应灰狼算法的肩关节康复评价方法。
3、（二）技术方案
4、本发明解决上述技术问题的技术方案如下：
5、一种基于自适应灰狼算法的肩关节康复评价方法，包括以下步骤：
6、s1、获取患者肌肉电信号、肌肉密度及运动参数并计算得到灰色关联度矩阵，确定出康复评价的关键因素，依据关键因素得到第一肩关节康复评价因素，再对肌肉电信号处理后得到模型参数；
7、s2、利用自适应灰狼算法对模型参数进行优化调整得到最佳的模型参数并获取第二肩关节康复评价因素；
8、s3、求取所述第一肩关节康复评价因素和所述第二肩关节康复评价因素的加权和，得到患者的肩关节康复评价报告。
9、在上述技术方案的基础上，本发明还可以做如下改进。
10、优选地，所述s1包括：
11、s1.1、获取患者康复评价的肩关节的肌肉电信号、肌肉密度及运动参数并进行去噪处理，运动参数包括运动平滑性，运动轨迹偏差；
12、s1.2、基于所述肌肉电信号、肌肉密度及运动参数，计算得到灰色关联度矩阵，基于所述灰色关联度矩阵，确定出康复评价的关键因素；
13、s1.3、获取患者上一次康复检测数据，将s1.2所述关键因素的数据与同一患者上一次的康复检测数据中的相同关键因素数据进行比对，得到第一肩关节康复评价因素；
14、s1.4、再对所述肌肉电信号进行积分运算，得到比较数列，对所述比较数列进行预处理，得到模型参数。
15、优选地，所述s2包括：
16、s2.1、建立传统灰狼模型；
17、s2.2、利用拉丁超立方采样法初始化灰狼种群；
18、s2.3、初始化自适应灰狼算法参数；
19、s2.4、计算每个灰狼的个体度；
20、s2.5、更新自适应灰狼算法参数并计算灰狼个体位置；
21、s2.6、通过更新灰狼个体位置对灰狼种群进行合并和选择；
22、s2.7、判断迭代次数t是否大于最大迭代次数，最终输出最佳的模型参数；
23、s2.8、将最佳的模型参数输入预设灰色verhulst模型中，求解得到估计数列，将估计数列作为第二肩关节康复评价因素。
24、优选地，所述s1.1去噪处理具体过程包括：
25、采集完成后对肌肉电信号使用kalman滤波算法对数据进行初步去噪，对肌肉密度使用小波变换降噪法进行初步去噪，运动平滑性使用滑动平均法进行初步去噪，运动轨迹偏差使用基于空间区域的过滤法进行初步去噪，再使用convlstm模型对肌肉电信号、肌肉密度及运动参数进行高级去噪处理，进一步减少噪声干扰。
26、优选地，所述convlstm模型的构建过程包括：
27、获取m个患者数据取出作为基本数据集，将基本数据集按照7:2:1随机划分为训练集、验证集和初始测试集，再利用python中的keras构建convlstm模型，设置基本训练参数，基本训练参数包括学习率、批处理大小、迭代次数，利用训练集对convlstm模型进行训练，从时间序列数据中提取高级时空特征，使用验证集进一步验证convlstm模型进行验证，根据验证效果调整卷积核大小和步长，最后再将初始测试集分为k个子集，使用k-1个子集继续进行，剩余一个子集用于测试，重复这个过程k次，每次选择不同的子集作为测试集，计算所有测试集上的性能指标的平均值作为convlstm模型的最终性能指标。
28、优选地，所述s1.4对所述比较数列进行预处理，得到模型参数包括以下步骤：
29、设所述比较数列为：；
30、对累减得到数列：，；
31、对数列进行平滑处理得到；
32、，；
33、基于所述，得到数据矩阵：
34、，；
35、计算模型参数：
36、。
37、优选地，所述s2.3、初始化自适应灰狼算法参数包括：对初始收敛因子进行优化，使其具有自适应的特性，具体公式如下：
38、；
39、其中，是自适应收敛因子，是初始收敛因子，t是当前迭代次数，是最大迭代次数，p是控制递减速度参数；
40、再计算自适应灰狼算法默认系数向量和系数向量，计算公式为：
41、；
42、；
43、其中，和是区间为的随机向量。
44、优选地，所述s2.5、更新自适应灰狼算法参数并计算灰狼个体位置的公式如下：
45、| ；
46、其中，是搜索代理在下一次迭代中的位置，、和分别是当前迭代中的最优解、次优解和第三优解，是收敛因子，和是区间为的随机向量。
47、优选地，所述步骤s2.7中灰狼种群合并与选择，首先将父代种群和子代种群进行合并为新种群p，然后采用非支配排序遗传算法对新种群p中的灰狼个体进行排序，随后计算灰狼个体拥挤度距离，按照拥挤度距离从大到小排序，并将拥挤度距离大于排序值为s的灰狼个体形成新种群，再次采用非支配排序遗传算法对新种群p中的灰狼个体进行排序，随后计算灰狼个体拥挤度距离，按照拥挤度距离从大到小排序，并将拥挤度距离大于排序值为s的灰狼个体形成新种群，重复此步骤直至形成新种群，新种群中灰狼个体数量达到灰狼个体数量b时停止灰狼种群合并与选择。
48、优选地，所述步骤s2.8中判断迭代次数t是否大于最大迭代次数的具体过程如下，若迭代次数t小于最大迭代次数，则重复执行步骤s2.6中灰狼种群合并与选择，同时迭代次数t会递增1，直至迭代次数t大于最大迭代次数，则得到最终的帕累托前沿以确定最佳的模型参数。
49、（三）有益效果
50、与现有技术相比，本技术的技术方案具有以下有益技术效果：
51、1、本发明通过设置自适应灰狼算法，使自适应收敛因子可以自适应的特性，通过自适应灰狼算法得到的模型参数相较于直接对肌肉电信号进行积分运算，得到比较数列，对所述比较数列进行预处理，得到模型参数更加准确，更能提现患者的实际康复情况。
52、2、本发明通过设置kalman滤波算法，通过kalman滤波算法可以减少数据传输负担并提高处理效率，减少年龄、种族、体重、活动水平对皮肤阻抗造成影响，使肌肉电信号数据更加贴合实际。
53、3、本发明通过设置convlstm模型，使用convlstm模型对肌肉电信号、肌肉密度及运动参数进行高级去噪处理，可进一步减少噪声干扰，提高数据的准确性。
54、4、本发明通过设置移动窗口法，将比较数列进行平滑处理的过程替换为移动窗口法，通过调整窗口的大小、滑动步长以及判断条件等参数可以轻松地适应比较数列。
55、5、本发明通过设置拉丁超立方采样法初始化灰狼种群，通过在多维空间中均匀分层并随机选择样本点来生成初始样本集，有助于在有限的采样次数内覆盖更广泛的解空间。
1.一种基于自适应灰狼算法的肩关节康复评价方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于自适应灰狼算法的肩关节康复评价方法，其特征在于，所述s1包括：
3.根据权利要求1所述的一种基于自适应灰狼算法的肩关节康复评价方法，其特征在于，所述s2包括：
4.根据权利要求2所述的一种基于自适应灰狼算法的肩关节康复评价方法，其特征在于，所述s1.1去噪处理具体过程包括：
5.根据权利要求4所述的一种基于自适应灰狼算法的肩关节康复评价方法，其特征在于，所述convlstm模型的构建过程包括：
6.根据权利要求2所述的一种基于自适应灰狼算法的肩关节康复评价方法，其特征在于，所述s1.4对所述比较数列进行预处理，得到模型参数包括以下步骤：
7.根据权利要求3所述的一种基于自适应灰狼算法的肩关节康复评价方法，其特征在于，所述s2.3、初始化自适应灰狼算法参数包括：对初始收敛因子进行优化，使其具有自适应的特性，具体公式如下：
8.根据权利要求3所述的一种基于自适应灰狼算法的肩关节康复评价方法，其特征在于，所述s2.5、更新自适应灰狼算法参数并计算灰狼个体位置的公式如下：
9.根据权利要求3所述的一种基于自适应灰狼算法的肩关节康复评价方法，其特征在于，所述步骤s2.6中灰狼种群合并与选择，首先将父代种群和子代种群进行合并为新种群p，然后采用非支配排序遗传算法对新种群p中的灰狼个体进行排序，随后计算灰狼个体拥挤度距离，按照拥挤度距离从大到小排序，并将拥挤度距离大于排序值为s的灰狼个体形成新种群，再次采用非支配排序遗传算法对新种群p中的灰狼个体进行排序，随后计算灰狼个体拥挤度距离，按照拥挤度距离从大到小排序，并将拥挤度距离大于排序值为s的灰狼个体形成新种群，重复此步骤直至形成新种群，新种群中灰狼个体数量达到灰狼个体数量b时停止灰狼种群合并与选择。
10.根据权利要求3所述的一种基于自适应灰狼算法的肩关节康复评价方法，其特征在于，所述步骤s2.7中判断迭代次数t是否大于最大迭代次数的具体过程如下，若迭代次数t小于最大迭代次数，则重复执行步骤s2.6中灰狼种群合并与选择，同时迭代次数t会递增1，直至迭代次数t大于最大迭代次数，则得到最终的帕累托前沿以确定最佳的模型参数 。
