基于运动数据预测脑卒中康复效果的方法及系统与流程

1.本发明涉及计算机技术领域，具体涉及一种基于运动数据预测脑卒中康复效果的方法、系统、电子设备及存储介质。


背景技术：

2.脑卒中是指由于高血压、糖尿病、高脂血症等疾病所引起的心血管和脑血管的出血性疾病和缺血性疾病。脑卒中具有高发病率、高死亡率和高致残率的特点，目前是世界第三大死因，在所有心脑血管病死亡中，脑卒中居第二位。资料表明，脑卒中后的存活患者中，75％有不同程度的工作能力丧失，其中40％以上为重度致残，脑卒中严重威胁人类的健康和生活质量，且给社会带来沉重的负担。
3.脑卒中主要发病机理是由于不良生活习惯、精神紧张、心理压抑、肥胖、衰老过程及缺少体育运动等原因。运动可以舒经活血，降低脑初中的风险，但是现代人由于生活方式的改变普遍缺乏运动；缺乏运动，可导致气虚血瘀的发生，而气虚血瘀又是引起中风的重要诱因。
4.亟需一种基于运动强度和运动方式的脑卒中康复效果预测方法。


技术实现要素：

5.本发明实施例的目的在于提供一种基于运动数据预测脑卒中康复效果的方法、系统、电子设备及存储介质，用以解决现有技术中无法基于运动数据智能预测脑卒中康复效果的问题。
6.为实现上述目的，本发明实施例提供一种基于运动数据预测脑卒中康复效果的方法，所述方法具体包括：
7.获取一定数量脑卒中患者的运动数据和脑卒中康复数据；
8.对所述运动数据和所述脑卒中康复数据进行预处理得到预处理数据，基于所述预处理数据构建训练集；
9.基于模糊神经网络和lm算法构建脑卒中康复效果预测模型；
10.将所述训练集输入所述脑卒中康复效果预测模型进行训练，得到训练好的脑卒中康复效果预测模型；
11.将与待预测脑卒中康复效果对应的运动数据输入所述脑卒中康复效果预测模型，得到脑卒中康复效果信息。
12.在上述技术方案的基础上，本发明还可以做如下改进：
13.进一步地，所述获取一定数量脑卒中患者的运动数据和脑卒中康复数据，包括：
14.控制客观因素获取脑卒中患者每周、每月、每季度、每年的运动数据，以及所述运动数据对应的脑卒中康复数据；其中，所述客观因素包括性别、年龄、文化程度、吸烟情况、饮酒情况、bmi和高血压情况，所述运动数据包括运动强度和运动方式。
15.进一步地，所述对所述运动数据和所述脑卒中康复数据进行预处理得到预处理数
据，基于所述预处理数据构建训练集，包括：
16.基于cox回归分析方法计算不同的运动数据对应的脑卒中康复效果。
17.进一步地，所述对所述运动数据和所述脑卒中康复数据进行预处理得到预处理数据，基于所述预处理数据构建训练集，还包括：
18.基于所述运动数据和所述脑卒中康复数据计算不同的运动数据对应的脑卒中康复效果，选取脑卒中康复效果超过阈值的运动数据建立对应的康复效果主特征指数和辅助变量数据库。
19.进一步地，所述选取脑卒中康复效果超过阈值的运动数据建立对应的康复效果主特征指数和辅助变量数据库，包括：
20.基于脑卒中发病病机分析脑卒中康复效果与运动数据的对应关系；
21.基于拉依达准则对运动数据进行预处理，确定所述训练集；
22.基于pls算法从主特征指数中确定辅助变量。
23.进一步地，所述基于模糊神经网络和lm算法构建脑卒中康复效果预测模型，包括：
24.选取一组输入输出数据对，对模糊神经网络的权值参数进行校正，利用网络输出误差确定模糊神经网络结构；
25.基于lm算法对模糊神经网络参数进行优化，选取下一组输入输出数据预测脑卒中发病风险，计算预测误差。
26.进一步地，所述将所述训练集输入所述脑卒中康复效果预测模型进行训练，得到训练好的脑卒中康复效果预测模型，包括：
27.将所述预处理数据划分为训练集、验证集和测试集；
28.基于所述训练集训练所述康复效果预测模型；
29.基于所述验证集对训练后的所述康复效果预测模型进行性能评估，得到满足性能条件的康复效果预测模型；
30.基于所述测试集评估满足性能条件的所述康复效果预测模型的预测结果，得到所述康复效果预测模型所对应的评价指数。
31.一种基于运动数据预测脑卒中康复效果的系统，包括：
32.获取模块，用于获取一定数量脑卒中患者的运动数据和脑卒中康复数据；
33.预处理模块，用于对所述运动数据和所述脑卒中康复数据进行预处理得到预处理数据；
34.第一构建模块，用于基于所述预处理数据构建训练集；
35.第二构建模块，用于基于模糊神经网络和lm算法构建脑卒中康复效果预测模型；
36.训练模块，用于将所述训练集输入所述脑卒中康复效果预测模型进行训练，得到训练好的脑卒中康复效果预测模型；
37.将与待预测脑卒中康复效果对应的运动数据输入所述脑卒中康复效果预测模型，得到脑卒中康复效果信息。
38.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如所述方法的步骤。
39.一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述方法的步骤。
40.本发明实施例具有如下优点：
41.本发明中基于运动数据预测脑卒中康复效果的方法，获取一定数量脑卒中患者的运动数据和脑卒中康复数据；对所述运动数据和所述脑卒中康复数据进行预处理得到预处理数据，基于所述预处理数据构建训练集；基于模糊神经网络和lm算法构建脑卒中康复效果预测模型；将所述训练集输入所述脑卒中康复效果预测模型进行训练，得到训练好的脑卒中康复效果预测模型；将与待预测脑卒中康复效果对应的运动数据输入所述脑卒中康复效果预测模型，得到脑卒中康复效果信息；解决了现有技术中无法基于运动数据智能预测脑卒中康复效果的问题。
附图说明
42.为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引申获得其它的实施附图。
43.本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
44.图1为本发明基于运动数据预测脑卒中康复效果的方法的流程图；
45.图2为本发明基于运动数据预测脑卒中康复效果的系统的架构图；
46.图3为本发明提供的电子设备实体结构示意图。
47.其中附图标记为：
48.获取模块10，预处理模块20，第一构建模块30，第二构建模块40，训练模块50，电子设备60，处理器601，存储器602，总线603。
具体实施方式
49.以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
50.实施例
51.图1为本发明基于运动数据预测脑卒中康复效果的方法实施例流程图，如图1所示，本发明实施例提供的一种基于运动数据预测脑卒中康复效果的方法包括以下步骤：
52.s101，获取一定数量脑卒中患者的运动数据和脑卒中康复数据；
53.具体的，控制客观因素获取脑卒中患者每周、每月、每季度、每年的运动数据，以及所述运动数据对应的脑卒中康复数据；其中，所述客观因素包括性别、年龄、文化程度、吸烟情况、饮酒情况、bmi和高血压情况，所述运动数据包括运动强度和运动方式。
54.运动强度(活动量)分为低、中等和高强度运动；运动方式包括：散步、游泳、骑单车、跳广场舞等有氧运动。比如，成人每周至少运动5天，每天至少进行30-45分钟的体育活
动，可以减少脑卒中发病风险等。如慢跑骑自行车等。
55.s102，对运动数据和脑卒中康复数据进行预处理得到预处理数据，基于预处理数据构建训练集；
56.具体的，从患者每周、每月、每季度、每年的运动数据中获取脑卒中康复相关的数据，并对运动数据和脑卒中康复数据进行预处理。比如，
①
手部运动：空抓手运动，早中晚各做一次，每次100下。因为手掌的经络上布满了许多敏感的穴位点，这些穴位受到适度的刺激，不仅能锻炼大脑，还能调节全身气血循环；
②
头部按摩：五指分开，以指腹从前额缓慢压至头顶，再继续按压至脑后部。可有效改善脑部血液循环，改善大脑供血；
③
肩部运动：双手放在肩部两侧，掌心向下，双肩由后向前旋转10次，双肩上提、放松各10次。可使肩部肌肉放松，缓解颈肩部神经血管压力，促进大脑供血；
④
颈部按摩转颈运动：五指并拢，双手对指置于颈后部，按摩以皮肤轻微发热发红为宜。做30个上下按摩即可，之后颈部放松，前后左右转动，做10个循环即可。可促进颈部血管平滑肌松弛，减少血脂沉积，增加血管的抗压力和韧性；
⑤
双脚花圈活动踝关节：以脚尖为轴画圈，活动踝关节各30下。可以疏通相关经络，起到调和气血的作用等。对运动数据和脑卒中康复数据采用cox回归分析方法，计算不同运动量和运动方式对应的脑卒中康复效果分类。
57.基于所述运动数据和所述脑卒中康复数据计算不同的运动数据对应的脑卒中康复效果，选取脑卒中康复效果超过阈值的运动数据建立对应的康复效果主特征指数和辅助变量数据库。具体方式为：
58.1)主特征指数识别的主要步骤:首先是基于脑卒中发病病机分析脑卒中康复效果与运动量和运动方式对应关系；然后按照拉依达准则对数据进行预处理，确定运动与康复训练集。
59.拉依达准则是指先假设一组检测数据只含有随机误差，对其进行计算处理得到标准偏差，按一定概率确定一个区间，认为凡超过这个区间的误差，就不属于随机误差而是粗大误差，含有该误差的数据应予以剔除。设对被测量进行等精度测量，独立得到x1，x2...,xn,算出其算术平均值x及剩余误差vi＝xi-x(i＝1,2，...,n),并按贝塞尔公式算出标准偏差σ，若某个测量值xb的剩余误差vb(1《＝b《＝n),满足下式：
60.|vb|＝|xb-x|》3σ
61.则认为xb是含有粗大误差值的坏值，应予剔除。
62.在神经网络基础上建立软测量模型是有条件的。在创建软测量模型之前，需要确定一个与主特征指数密切相关且易于衡量的辅助变量，辅助变量的类型是一组可测量的变量。辅助变量的选取采用pls算法(偏最小二乘回归)。偏最小二乘回归提供一种多对多线性回归建模的方法，特别当两组变量的个数很多，且都存在多重相关性，而样本又比较少的时候。它可以选择一个新的信息特征来实现它的目标，同时保留现有的主要特征。
63.辅助变量计算步骤：
64.考虑p个因变量y 1,y 2,
…
,y p与m个自变量x 1,x 2,
…
,x m的回归问题。
65.首先在自变量集中提出第一成分u 1(u 1是x 1,
…
,x n的线性组合,且尽可能多地提取原自变量集中的变异信息)；同时在因变量集中也提取第一成分v 1,并要求u 1与v 1相关程度达到最大。然后建立因变量y1,
…
,y p与u 1的回归，重复这个过程直到提取到足够的指定的成分。
66.s103，基于模糊神经网络和lm算法构建脑卒中康复效果预测模型；
67.具体的，选取一组输入输出数据对，对模糊神经网络的权值参数进行校正，利用网络输出误差确定模糊神经网络结构；
68.基于lm算法对模糊神经网络参数进行优化，选取下一组输入输出数据预测脑卒中发病风险，计算预测误差。
69.模糊神经网络是一种混合智能系统，它包括输入层、模糊化层、模糊推理层、归一化层、输出层等多个层级。这里将输入层的输入样本集合标记为x，利用模糊化层表示各输入结点的从属程度，并将各神经网络表示为一种具有一定程度的模糊化准则，选择隶属函数为径向对称的高斯函数，第j个神经元输出函数定义为:
[0070][0071]
其中cij和σij分别表示的是第j个高斯隶属函数的中心和宽度。经过模糊推理层的处理得出的输出结果为：
[0072][0073]
lm算法，全称为levenberg-marquard算法，它可用于解决非线性最小二乘问题，多用于曲线拟合等场合。lm算法的基本步骤：
[0074]
从初始点x0，μ0》0开始迭代；到第k步时，计算xk和μk；分解矩阵gk+μki，若不正定，令μk＝4μk并重复到正定为止；解线性方程组(gk+μki)sk＝-gk求出sk并计算rk；若rk《0.25，令μk+1＝4μk；若rk》0.75，令μk+1＝μk2；若0.25≤rk≤0.75，令μk+1＝μk；若rk≤0，说明函数值是向着上升而非下降的趋势变化了(与最优化的目标相反)，这说明这一步走错了，而且错得“离谱”，此时，不应该走到下一点，而应“原地踏步”，即xk+1＝xk，并且和上面rk《0.25的情况一样对μk进行处理。反之，在rk》0的情况下，都可以走到下一点，即xk+1＝xk+sk；迭代的终止条件：∥gk∥《ε，其中ε是一个指定的小正数(类似二维平面上的寻优过程，当接近极小值点时，迭代点的梯度趋于0)。
[0075]
s104，将训练集输入脑卒中康复效果预测模型进行训练，得到训练好的脑卒中康复效果预测模型；
[0076]
具体的，将所述预处理数据划分为训练集、验证集和测试集；
[0077]
基于所述训练集训练所述康复效果预测模型；
[0078]
基于所述验证集对训练后的所述康复效果预测模型进行性能评估，得到满足性能条件的康复效果预测模型；
[0079]
基于所述测试集评估满足性能条件的所述康复效果预测模型的预测结果，得到所述康复效果预测模型所对应的评价指数。
[0080]
s105，将与待预测脑卒中康复效果对应的运动数据输入脑卒中康复效果预测模型，得到脑卒中康复效果信息；
[0081]
具体的，根据时间在线选取输入输出数据对，实现对脑卒中康复效果的在线预测。比如，身体活动强度越高，脑卒中发病风险越低，康复效果越好。对于心脏健康来说，有氧运
动训练和骨骼肌力量训练是心脏健康的良好组合方式。其中有氧运动是运动处方的关键，也就是心脏健康的重要基础，比如说散步、游泳、骑单车跳广场舞等，都是特别好的有氧运动。
[0082]
该基于运动数据预测脑卒中康复效果的方法，获取一定数量脑卒中患者的运动数据和脑卒中康复数据；对所述运动数据进行预处理得到预处理数据，基于所述预处理数据构建训练集；基于模糊神经网络和lm算法构建脑卒中康复效果预测模型；将所述训练集输入所述脑卒中康复效果预测模型进行训练，得到训练好的脑卒中康复效果预测模型；将与待预测脑卒中康复效果对应的运动数据输入所述脑卒中康复效果预测模型，得到脑卒中康复效果信息。解决了现有技术中无法基于运动数据智能预测脑卒中康复效果的问题。
[0083]
图2为本发明基于运动数据预测脑卒中康复效果的系统实施例流程图；如图2所示，本发明实施例提供的一种基于运动数据预测脑卒中康复效果的系统，包括以下步骤：
[0084]
获取模块10，用于获取一定数量脑卒中患者的运动数据和脑卒中康复数据；
[0085]
预处理模块20，用于对所述运动数据和所述脑卒中康复数据进行预处理得到预处理数据；
[0086]
第一构建模块30，用于基于所述预处理数据构建训练集；
[0087]
第二构建模块40，用于基于模糊神经网络和lm算法构建脑卒中康复效果预测模型；
[0088]
训练模块50，用于将所述训练集输入所述脑卒中康复效果预测模型进行训练，得到训练好的脑卒中康复效果预测模型；
[0089]
将与待预测脑卒中康复效果对应的运动数据输入所述脑卒中康复效果预测模型，得到脑卒中康复效果信息。
[0090]
所述获取模块10还用于：
[0091]
控制客观因素获取脑卒中患者每周、每月、每季度、每年的运动数据，以及所述运动数据对应的脑卒中康复数据；其中，所述客观因素包括性别、年龄、文化程度、吸烟情况、饮酒情况、bmi和高血压情况，所述运动数据包括运动强度和运动方式。
[0092]
所述第一构建模块30还用于：
[0093]
基于所述运动数据和所述脑卒中康复数据计算不同的运动数据对应的脑卒中康复效果，选取脑卒中康复效果超过阈值的运动数据建立对应的康复效果主特征指数和辅助变量数据库。
[0094]
基于脑卒中发病病机分析脑卒中康复效果与运动数据的对应关系；
[0095]
基于拉依达准则对运动数据进行预处理，确定所述训练集；
[0096]
基于pls算法从主特征指数中确定辅助变量。
[0097]
所述预处理模块20还用于:
[0098]
基于cox回归分析方法计算不同的运动数据对应的脑卒中康复效果。
[0099]
所述第二构建模块40还用于：
[0100]
选取一组输入输出数据对，对模糊神经网络的权值参数进行校正，利用网络输出误差确定模糊神经网络结构；
[0101]
基于lm算法对模糊神经网络参数进行优化，选取下一组输入输出数据预测脑卒中发病风险，计算预测误差。
[0102]
所述训练模块50还用于：
[0103]
将所述预处理数据划分为训练集、验证集和测试集；
[0104]
基于所述训练集训练所述康复效果预测模型；
[0105]
基于所述验证集对训练后的所述康复效果预测模型进行性能评估，得到满足性能条件的康复效果预测模型；
[0106]
基于所述测试集评估满足性能条件的所述康复效果预测模型的预测结果，得到所述康复效果预测模型所对应的评价指数。
[0107]
本发明的一种基于运动数据预测脑卒中康复效果的系统，通过获取模块10获取一定数量脑卒中患者的运动数据和脑卒中康复数据；通过预处理模块20对所述运动数据和所述脑卒中康复数据进行预处理得到预处理数据；通过第一构建模块30基于所述预处理数据构建训练集；通过第二构建模块40基于模糊神经网络和lm算法构建脑卒中康复效果预测模型；通过训练模块50将所述训练集输入所述脑卒中康复效果预测模型进行训练，得到训练好的脑卒中康复效果预测模型；将与待预测脑卒中康复效果对应的运动数据输入所述脑卒中康复效果预测模型，得到脑卒中康复效果信息。该基于运动数据预测脑卒中康复效果的系统解决现有技术中无法基于运动数据智能预测脑卒中康复效果的问题。
[0108]
图3为本发明实施例提供的电子设备实体结构示意图，如图3所示，电子设备60包括：处理器601(processor)、存储器602(memory)和总线603；
[0109]
其中，处理器601、存储器602通过总线603完成相互间的通信；
[0110]
处理器601用于调用存储器602中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取一定数量脑卒中患者的运动数据和脑卒中康复数据；对所述运动数据和所述脑卒中康复数据进行预处理得到预处理数据，基于所述预处理数据构建训练集；基于模糊神经网络和lm算法构建脑卒中康复效果预测模型；将所述训练集输入所述脑卒中康复效果预测模型进行训练，得到训练好的脑卒中康复效果预测模型；将与待预测脑卒中康复效果对应的运动数据输入所述脑卒中康复效果预测模型，得到脑卒中康复效果信息。
[0111]
本实施例提供一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行上述各方法实施例所提供的方法，例如包括：获取一定数量脑卒中患者的运动数据和脑卒中康复数据；对所述运动数据进行预处理得到预处理数据，基于所述预处理数据构建训练集；基于模糊神经网络和lm算法构建脑卒中康复效果预测模型；将所述训练集输入所述脑卒中康复效果预测模型进行训练，得到训练好的脑卒中康复效果预测模型；将与待预测脑卒中康复效果对应的运动数据输入所述脑卒中康复效果预测模型，得到脑卒中康复效果信息。
[0112]
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的存储介质。
[0113]
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳
动的情况下，即可以理解并实施。
[0114]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各实施例或者实施例的某些部分的方法。
[0115]
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

技术特征：
1.一种基于运动数据预测脑卒中康复效果的方法，其特征在于，包括：获取一定数量脑卒中患者的运动数据和脑卒中康复数据；对所述运动数据和所述脑卒中康复数据进行预处理得到预处理数据，基于所述预处理数据构建训练集；基于模糊神经网络和lm算法构建脑卒中康复效果预测模型；将所述训练集输入所述脑卒中康复效果预测模型进行训练，得到训练好的脑卒中康复效果预测模型；将与待预测脑卒中康复效果对应的运动数据输入所述脑卒中康复效果预测模型，得到脑卒中康复效果信息。2.根据权利要求1所述基于运动数据预测脑卒中康复效果的方法，其特征在于，所述获取一定数量脑卒中患者的运动数据和脑卒中康复数据，包括：控制客观因素获取脑卒中患者每周、每月、每季度、每年的运动数据，以及所述运动数据对应的脑卒中康复数据；其中，所述客观因素包括性别、年龄、文化程度、吸烟情况、饮酒情况、bm i和高血压情况，所述运动数据包括运动强度和运动方式。3.根据权利要求1所述基于运动数据预测脑卒中康复效果的方法，其特征在于，所述对所述运动数据和所述脑卒中康复数据进行预处理得到预处理数据，基于所述预处理数据构建训练集，包括：基于cox回归分析方法计算不同的运动数据对应的脑卒中康复效果。4.根据权利要求1所述基于运动数据预测脑卒中康复效果的方法，其特征在于，所述对所述运动数据和所述脑卒中康复数据进行预处理得到预处理数据，基于所述预处理数据构建训练集，还包括：基于所述运动数据和所述脑卒中康复数据计算不同的运动数据对应的脑卒中康复效果，选取脑卒中康复效果超过阈值的运动数据建立对应的康复效果主特征指数和辅助变量数据库。5.根据权利要求4所述基于运动数据预测脑卒中康复效果的方法，其特征在于，所述选取脑卒中康复效果超过阈值的运动数据建立对应的康复效果主特征指数和辅助变量数据库，包括：基于脑卒中发病病机分析脑卒中康复效果与运动数据的对应关系；基于拉依达准则对运动数据进行预处理，确定所述训练集；基于pls算法从主特征指数中确定辅助变量。6.根据权利要求1所述基于运动数据预测脑卒中康复效果的方法，其特征在于，所述基于模糊神经网络和lm算法构建脑卒中康复效果预测模型，包括：选取一组输入输出数据对，对模糊神经网络的权值参数进行校正，利用网络输出误差确定模糊神经网络结构；基于lm算法对模糊神经网络参数进行优化，选取下一组输入输出数据预测脑卒中发病风险，计算预测误差。7.根据权利要求1所述基于运动数据预测脑卒中康复效果的方法，其特征在于，所述将所述训练集输入所述脑卒中康复效果预测模型进行训练，得到训练好的脑卒中康复效果预测模型，包括：
将所述预处理数据划分为训练集、验证集和测试集；基于所述训练集训练所述康复效果预测模型；基于所述验证集对训练后的所述康复效果预测模型进行性能评估，得到满足性能条件的康复效果预测模型；基于所述测试集评估满足性能条件的所述康复效果预测模型的预测结果，得到所述康复效果预测模型所对应的评价指数。8.一种基于运动数据预测脑卒中康复效果的系统，其特征在于，包括：获取模块，用于获取一定数量脑卒中患者的运动数据和脑卒中康复数据；预处理模块，用于对所述运动数据和所述脑卒中康复数据进行预处理得到预处理数据；第一构建模块，用于基于所述预处理数据构建训练集；第二构建模块，用于基于模糊神经网络和lm算法构建脑卒中康复效果预测模型；训练模块，用于将所述训练集输入所述脑卒中康复效果预测模型进行训练，得到训练好的脑卒中康复效果预测模型；将与待预测脑卒中康复效果对应的运动数据输入所述脑卒中康复效果预测模型，得到脑卒中康复效果信息。9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中的任一项所述的方法的步骤。10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中的任一项所述的方法的步骤。

技术总结
本发明实施例公开了一种基于运动数据预测脑卒中康复效果的方法及系统，基于运动数据预测脑卒中康复效果的方法包括：获取一定数量脑卒中患者的运动数据和脑卒中康复数据；对所述运动数据和所述脑卒中康复数据进行预处理得到预处理数据，基于所述预处理数据构建训练集；基于模糊神经网络和LM算法构建脑卒中康复效果预测模型；将所述训练集输入所述脑卒中康复效果预测模型进行训练，得到训练好的脑卒中康复效果预测模型；将与待预测脑卒中康复效果对应的运动数据输入所述脑卒中康复效果预测模型，得到脑卒中康复效果信息。该基于运动数据预测脑卒中康复效果的方法解决现有技术中无法基于运动数据智能预测脑卒中康复效果的问题。问题。问题。


技术研发人员：杜登斌
受保护的技术使用者：吾征智能技术（北京）有限公司
技术研发日：2023.07.31
技术公布日：2023/10/15