[0001] 本发明涉及康复机器人领域，更具体地说，涉及用于下肢康复机器人步态控制的深度学习方法。

[0002] 目前，神经系统疾病导致肢体功能障碍的康复治疗主要依赖于治疗师的一对一训练，难以实现高强度、有针对性和重复性的训练要求，而且治疗师的劳动强度大，难以保证训练的持续性和稳定性，治疗效果还受到治疗师水平的影响。

[0003] 最近几年神经康复领域已采用康复机器人设备对各种神经功能障碍的病人进行步态康复训练。康复机器人作为一种新型机器人，是医疗机器人的一个重要分支，是工业机器人和医用机器人的结合。它贯穿了康复医学、生物力学、机械学、电子学、材料学、计算机科学等众多领域，是一种自动化的康复治疗设备，可以帮助患者进行科学而又有效的康复训练，使患者的运动功能得到更好的恢复。

[0004] 下肢康复机器人主要是帮助患者模拟正常人的步行规律，并且可以承担一部分人体的重量，对下肢有运动障碍的患者进行有效的康复训练。但是现有的下肢康复机器人的模拟正常人步行规律的步态控制系统是采用大数据计算后的均值形态，不能够有效根据使用者的个人情况进行有效调整，调整精度较差，降低下肢康复机器人的康复效果。

[0026] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述；显然，所描述的实施例仅仅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。

[0027] 在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”、“顶/底端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。

[0028] 在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“套设/接”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

[0029] 实施例1：请参阅图1‑5，用于下肢康复机器人步态控制的深度学习方法，包括如下步骤：
S1.将关于各类型的正常人步行规律数据进行输入，作为一层控制基础；
S2.将关于神经系统疾病导致肢体功能障碍的康复治疗的治疗数据进行输入，作
为一层数据基础；
S3.将患者的基础参数和病理数据进行输入，作为二层数据基础；
S4.将一层控制基础和一层数据基础共同作用与二层数据基础，形成初始患者治
疗步态控制数据，作为二层控制基础；
S5.将患者在下肢康复机器人上治疗的数据进行输入，作为三层数据基础；
S6.通过三层数据基础作用与二层控制基础，形成患者治疗步态控制数据，作为三层控制基础；
S7.通过步骤S6的不断更新，下肢康复机器人不断更新三层控制基础；
S8.将不断更新的三层控制基础重新录入一层数据基础，完成下肢康复机器人步
态控制的深度学习。通过使用深度学习的方法对下肢康复机器人的步态控制进行不断完善，在步态控制系统采用大数据计算步态均值形态的基础上，能够根据使用患者的不同，完善针对该患者的治疗步态模拟，有效提高模拟进度，提高患者的康复效率，提高下肢康复机器人的康复效果。

[0030] 请参阅图2，一层数据基础进行分类的方法为：S1.预先按照神经系统疾病的种类进行大数据分类为病理数据；
S2.再将病理数据按照患者年龄进行大数据分类为一类参考数据；
S3.继续将病理数据按照患者参数进行大数据分类为二类参考数据；
S4.最后将一类参考数据和二类参考数据按照患者性别进行大数据分类为三类参
考数据。预先对一层数据基础进行大数据分类，便于后续治疗数据的参考和提取，也便于深度学习后的完善，有效减轻下肢康复机器人的运算负担。

[0031] 请参阅图2，一层控制基础按照一层数据基础进行分类，并与一类参考数据、二类参考是数据和三类参考数据相对应。通过一层控制基础与一层数据基础进行对应分类，有效提高步态控制系统的信息对照和控制，提高运算速度。

[0032] 请参阅图3，一层数据基础在与一层控制基础整合数据时，整合的运算法则为：在一层控制基础使用一类参考数据和二类参考数据时：一类参考数据和二类参考数据之间采用与运算；在一层控制基础使用一类参考数据和三类参考数据时：一类参考数据与三类参考数据之间采用异或运算；在一层控制基础使用二类参考数据和三类参考数据时：二类参考数据与三类参考数据采用异或运算。通过使用不同的运算法则计算不同类型的数据组合，以提高数据计算的准确性，提高步态控制系统的学习效率。

[0033] 请参阅图3，一层控制基础与一层数据基础经过相应的运算法则获得的三个数据结果，三个数据结果之间采用或运算计算数据，并作用与二层数据基础。预先进行分层计算，在通过或运算整合数据，有效提高作用与二层数据基础的数据精准度，使步态控制系统有效输出较为贴合患者的不太模拟数据，降低后续深度学习的误差。

[0034] 请参阅图4和图5，步骤S7中，通过使用随机并行梯度下降算法计算更新数据，再将计算结果运用至三层数据基础中，下肢康复机器人的步态控制完成一次深度学习。通过使用梯度下降算法计算数据进行深度学习，有效降低步态控制系统深度学习的计算难度，提高步态控制系统深度学习的适用性，有效保证深度学习算法的稳定性。

[0035] 实施例2：请参阅图1‑7，其中与实施例1中相同或相应的部件采用与实施例1相应的附图标
记，为简便起见，下文仅描述与实施例1的区别点。该实施例2与实施例1的不同之处在于：请参阅图6和图7，用于下肢康复机器人步态控制的深度学习的控制方法，包括如下步骤：
S1.将需要治疗的患者参数输入至下肢康复机器人的治疗系统内，步态控制系统
产生模拟治疗方案；
S2.控制下肢康复机器人对患者进行治疗，步态控制系统对治疗数据进行深度学
习；
S3.深度学习后的步态控制系统将学习数据输送至下肢康复机器人的治疗系统，
并完善对该患者的模拟治疗方案；
S4.重复上述步骤S2和S3，在该患者持续性的康复，步态控制系统持续性的进行深度学习，持续完善该患者的模拟治疗方案，扩充下肢康复机器人治疗系统的参照数据。通过控制下肢康复机器人对患者进行康复治疗，有效使步态控制系统进行快速有效的学习，及时针对患者进行调整康复计划，促进患者的康复效率。

[0036] 请参阅图7，步态控制系统通过在下肢康复机器人的矫正器上设置位置和力量的传感器，监测患者的运动表现数据。步态控制系统通过配合下肢康复机器人的减重系统和医用跑台对步态参数进行调整。步态控制系统中设有调整数据感应模块，通过调整数据感应模块对深度学习后的步态模拟进行监控纠察，判断深度学习数据的可靠性。在步态控制系统进行深度学习后，主动完善患者的模拟治疗方案，通过使用调整数据感应模块对完善后的模拟治疗方案进行一次监控，有效保证完善的有效性，有效避免出现错误数据的现象。

[0037] 以上所述，仅为本发明较佳的具体实施方式；但本发明的保护范围并不局限于此。任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其改进构思加以等同替换或改变，都应涵盖在本发明的保护范围内。