[0001] 本发明涉及助行器技术领域，更具体地说，涉及一种儿童康复助行器。

[0002] 随着医疗技术的不断进步，儿童康复领域也迎来了新的发展机遇。特别是对于脑瘫等运动障碍儿童而言，有效的步态训练对其生活质量的提升至关重要。然而，传统的康复训练方法往往存在效果不佳、难以持续和缺乏个性化等问题，这严重影响了康复的效果和效率。

[0003] 近年来，智能化康复设备的出现为解决这些问题带来了新的希望。例如，van Hedel等人在其研究中提出了一种名为Andago的地面行走辅助系统(van Hedel H J A,Rosselli I,Baumgartner‑Ricklin S.Clinical utility ofthe over‑ground bodyweight‑supporting walking system Andago in children and youths with gait impairments[J].Journal ofNeuroEngineering and Rehabilitation,2021,18(1):29)。这种系统通过动态减重技术为患儿提供行走支持，在一定程度上改善了训练的安全性和有效性。

[0004] 然而，Andago系统仍然存在一些局限性。首先，它的步态分析功能相对简单，难以精确捕捉每个患儿的独特步态特征。其次，虽然系统提供了动态减重，但支撑力度的调节仍然较为粗糙，难以满足不同患儿在康复过程中不断变化的需求。此外，该系统缺乏有效的训练反馈机制和趣味性设计，难以长期维持儿童患者的训练积极性。

[0005] 除了Andago，市面上还存在其他类型的儿童康复辅助设备，如基于跑步机based的Lokomat系统和外骨骼设备。这些设备虽然在某些方面表现出色，但普遍存在灵活性不足、难以模拟真实行走环境、成本高昂等问题。更重要的是，它们大多采用固定的训练模式，难以根据患儿的实时状态和长期进展进行动态调整。

[0006] 鉴于现有技术的这些不足，亟需一种能够提供精确步态分析、动态支撑调节、个性化训练方案和趣味性互动的儿童康复助行器。这种设备应当能够适应不同患儿的独特需求，并在康复过程中不断优化训练策略，从而显著提高训练效果和患儿的参与度。

[0032] 为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

[0033] 除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

[0034] 本发明提供了一种儿童康复助行器，旨在为运动障碍儿童提供智能化、个性化的行走训练支持。该助行器通过创新的自适应时空注意力网络技术，实现了对儿童步态的精确分析和动态支撑调整，显著提高了康复训练的效果。

[0035] 如图1‑7所示，本发明的儿童康复助行器主要包括框架结构1、多模态传感层2、中央处理单元3、执行机构4、电源系统5和人机交互界面6。这些组成部分通过精心设计的机械结构和电子系统紧密集成，形成了一个功能完备、反应灵敏的闭环系统。

[0036] 首先，框架结构1采用轻量化铝合金材料制成，呈可调节高度的U形结构。这种设计不仅保证了助行器的强度和稳定性，还大大降低了整体重量，便于在不同场景中灵活使用。优选地，框架结构1的高度可在80cm到120cm之间调节，以适应不同身高的儿童患者。框架底部配备四个全向轮，确保助行器可以自如地前进、后退和转向。在框架上部，设有可调节的扶手和胸部支撑带，为患儿提供必要的身体支撑。

[0037] 接着，多模态传感层2是本发明的关键组成部分之一。它包括压力传感器、惯性测量单元(IMU)传感器、肌电图(EMG)传感器和距离传感器。这些传感器分布在助行器的不同位置，共同构成了一个全方位的数据采集网络。具体而言，压力传感器安装在扶手和胸部支撑带上，用于实时监测患儿的支撑力分布。IMU传感器则固定在患儿的腰部和双脚，采集身体姿态和运动数据。EMG传感器通过可拆卸式电极贴片安装在患儿主要下肢肌肉群上，记录肌肉活动电位。距离传感器安装在框架底部，用于测量步长和行走速度。这些传感器通过防水、抗干扰的数据线与中央处理单元3相连，确保数据传输的稳定性和可靠性。

[0038] 中央处理单元3是本发明的核心，负责数据处理、步态分析和控制决策。它采用高性能嵌入式计算平台NVIDIAJetsonAGX Orin，具备强大的计算能力。该单元包含数据采集接口、数据预处理模块、步态分析引擎、自适应控制器和系统管理模块。其中，步态分析引擎基于创新的自适应时空注意力网络(ASTAN)技术，能够精确分析患儿的步态特征。

[0039] ASTAN由三个主要模块组成：自适应时间卷积模块、层次化空间注意力模块和动态融合与预测模块。自适应时间卷积模块采用动态卷积核生成网络(DKGN)，能够根据输入数据的特征动态调整卷积核的大小和形状。这一创新设计使得系统能够更好地适应不同患儿和不同康复阶段的步态模式。

[0040] 具体而言，DKGN的工作流程如下：首先，获取多模态传感器数据，包括压力数据、姿态数据、肌电图数据和距离数据。然后，通过自适应池化操作将这些数据映射到固定维度的特征空间。接着，利用可学习的权重矩阵和偏置向量对特征进行线性变换。之后，通过Sigmoid激活函数生成动态卷积核。最后，使用这个动态生成的卷积核对原始输入数据进行一维卷积操作，得到时序特征。

[0041] 优选地，本发明一个实施例中，动态卷积核的大小可以在3到11之间动态调整，具体取决于输入数据的复杂度和变化速率。例如，对于步态模式变化较快的患儿，系统可能会选择较小的卷积核(如3或5)以捕捉快速变化的特征；而对于步态相对稳定的患儿，可能会使用较大的卷积核(如9或11)以获取更长时间范围的信息。

[0042] 层次化空间注意力模块采用多尺度特征金字塔注意力(MFPA)机制，能够在不同空间尺度上捕捉步态特征。MFPA的工作流程如下：首先，对自适应时间卷积模块输出的时序特征进行多尺度下采样，构建特征金字塔。通常，我们会构建3到5个尺度的特征图，每个尺度的空间分辨率是上一个尺度的一半。然后，在每个尺度上，利用可学习的权重矩阵和偏置向量计算注意力权重。这些权重反映了不同空间位置和尺度的重要性。接着，将注意力权重与对应尺度的特征图相乘，得到加权特征。最后，将所有尺度的加权特征上采样到原始时间步长，并进行拼接，得到融合后的空间加权特征。

[0043] 优选地，本发明一个实施例中，特征金字塔的层数设置为4，即原始分辨率、1/2分辨率、1/4分辨率和1/8分辨率。这种设置能够在计算效率和特征表达能力之间取得良好的平衡。

[0044] 动态融合与预测模块采用自适应特征重要性网络(AFIN)，能够动态调整不同特征的重要性，并使用门控循环单元(GRU)进行时序建模和预测。AFIN的工作流程如下：首先，获取层次化空间注意力模块输出的空间加权特征。然后，通过可学习的权重矩阵和偏置向量，计算特征重要性权重。这些权重反映了不同特征在当前时刻的相对重要性。接着，将特征重要性权重与空间加权特征相乘，得到最终的加权特征。之后，使用GRU处理这些加权特征，得到隐藏状态。最后，基于隐藏状态，通过全连接层预测步态参数，包括步长、步频、对称性指数和稳定性指数。

[0045] 优选地，本发明一个实施例中，GRU的隐藏状态维度设置为128，这个维度能够在模型复杂度和表达能力之间取得良好的平衡。同时，为了提高预测的准确性，我们采用了多任务学习策略，同时优化步态参数预测和异常检测两个任务。

[0046] 具体而言，中央处理单元3还执行以下步骤：首先，获得预测的步态参数和实际测量的步态参数。然后，基于这两组参数计算步态参数预测误差。接着，获得异常检测结果，该结果表示当前步态是否存在异常。之后，根据步态参数预测误差、异常检测结果和模型复杂度，构建多任务损失函数。最后，基于这个多任务损失函数，采用梯度下降法更新模型参数。

[0047] 优选地，本发明一个实施例中，多任务损失函数的形式为：

[0048] L＝α*L_pred+β*L_anom+γ*L_reg

[0049] 其中，L_pred为步态参数预测的均方误差，L_anom为异常检测的二元交叉熵，L_reg为L2正则化项。α、β、γ为平衡不同任务的超参数，我们通过大量实验发现，当α＝0.6，β＝0.3，γ＝0.1时，模型能够在步态参数预测和异常检测任务之间取得良好的平衡。

[0050] 为了使模型能够适应患儿康复过程中步态的变化，我们采用了在线适应学习方法。具体而言，模型参数的更新采用滑动窗口策略，每次使用最近N个样本进行更新。优选地，本发明一个实施例中，滑动窗口大小N设置为1000，这个数值能够在模型稳定性和适应性之间取得良好的平衡。

[0051] 自适应控制器基于步态分析引擎输出的步态特征生成控制指令。这些控制指令随后被传送到执行机构4，用于调整支撑力度和减重量。执行机构4主要包括动态支撑臂和智能减重系统。动态支撑臂采用伺服电机驱动的多关节机械臂，连接在框架结构两侧。它能够根据控制指令精确调整支撑位置和力度。智能减重系统则使用高精度电动绞盘，通过框架顶部的滑轮组连接到患儿的专用背心，实现精确的动态减重。

[0052] 优选地，本发明一个实施例中，动态支撑臂采用Robotis Dynamixel XM540‑W270‑R伺服电机，该电机具有0.1°的高精度角度分辨率和10.6N·m的高扭矩输出，能够满足精确支撑调整的需求。智能减重系统则采用Maxon EC‑i 40无刷直流电机，其最大连续扭矩达到0.234N·m，足以支撑大多数儿童患者的体重。

[0053] 电源系统5采用可热插拔的锂电池组，安装在框架底部。它为整个系统提供稳定电源，并配备智能电源管理系统，支持快速充电和电量实时监控。优选地，本发明一个实施例中，电池容量为10000mAh，可以支持助行器连续工作4‑6小时，满足日常康复训练的需求。

[0054] 人机交互界面6包括一个安装在框架前方的7英寸防水触摸屏和设置在扶手上的紧急停止按钮。触摸屏实时显示步态参数、设备状态和警报信息，方便治疗师监控训练过程并及时调整参数。紧急停止按钮则确保在紧急情况下能够立即停止设备运行，保障患儿安全。

[0055] 为了进一步提高系统的安全性，本发明还设计了多层安全保护机制。在硬件层面，除了紧急停止按钮外，还在框架结构上设置了多个碰撞检测传感器。一旦检测到碰撞，系统会立即停止运行。在软件层面，步态分析引擎和自适应控制器内置了异常检测算法，能够快速识别并响应异常步态。例如，当检测到步态不稳定性指数超过预设阈值(通常设置为0.3)时，系统会自动增加支撑力度和减重量。在系统层面，中央处理单元的系统管理模块实时监控所有子系统的状态，一旦检测到任何异常(如传感器数据异常、执行机构响应异常等)，就会触发安全模式，将患儿缓慢降至地面并停止运行。

[0056] 本发明的儿童康复助行器工作流程如下：首先，治疗师协助患儿穿戴专用背心并固定各种传感器。然后，通过人机交互界面输入患儿基本信息和康复目标。接着，系统进行自检和传感器校准。之后，多模态传感层开始持续采集患儿的步态数据，这些数据经过预处理后输入到步态分析引擎。步态分析引擎利用ASTAN技术实时分析步态特征，并输出预测的步态参数。自适应控制器根据这些参数生成控制指令，驱动执行机构调整支撑力度和减重量。整个过程形成一个闭环系统，能够根据患儿的实时状态不断优化支撑策略。

[0057] 值得注意的是，本发明的ASTAN技术相比传统方法具有显著优势。传统方法往往采用固定的特征提取和分类模型，难以适应不同患儿的个体差异和康复过程中的变化。而ASTAN通过动态卷积核、多尺度注意力机制和自适应特征融合，能够自动调整模型结构和参数，以适应不同情况。例如，对于步态模式变化较大的患儿，DKGN会生成较小的卷积核(如3x3)以捕捉快速变化的特征；而对于步态相对稳定的患儿，则可能使用较大的卷积核(如
7x7)以获取更长时间范围的信息。

[0058] 此外，本发明的在线适应学习策略使得模型能够持续优化，适应患儿康复过程中的变化。例如，在康复初期，模型可能更注重步态稳定性；而随着康复进展，模型会逐渐增加对步态对称性的关注。这种动态调整策略能够为每个患儿提供最适合其当前状态的康复训练方案。

[0059] 在实际应用中，本发明的儿童康复助行器展现出了优异的性能。例如，在一项为期12周的临床试验中，20名脑瘫儿童使用本助行器进行康复训练。结果显示，相比传统康复方法，使用本助行器的患儿在步态对称性、步行速度和步行耐力等指标上均取得了显著改善。
具体而言，步态对称性指数平均提高了23.5％(从0.68提升到0.84)，步行速度平均提高了
31.2％(从0.5m/s提升到0.66m/s)，6分钟步行测试距离平均增加了42.7％(从180m增加到
257m)。这些数据充分证明了本发明在儿童康复领域的应用价值。

[0060] 值得一提的是，本发明的设计还考虑到了长期使用的舒适性和便携性。框架结构采用轻量化设计，整机重量控制在25kg以内，便于在不同场景中使用。同时，可调节的扶手和胸部支撑带确保了不同体型患儿的使用舒适度。电源系统采用热插拔设计，可以在不中断训练的情况下更换电池，进一步提高了设备的实用性。

[0061] 为了提高训练的趣味性和患儿的参与度，本发明还集成了游戏化训练模块。通过人机交互界面，患儿可以选择不同的虚拟场景进行训练，如模拟公园散步、穿越障碍物等。系统会根据患儿的实际步态表现动态调整游戏难度，既保证了训练效果，又增加了趣味性。
例如，在"穿越障碍物"游戏中，系统会根据患儿的步长和步频自动调整虚拟障碍物的间距和出现频率，确保游戏既具有挑战性，又不会超出患儿的能力范围。

[0062] 本发明还设计了数据管理和分析系统，支持长期跟踪患儿的康复进展。所有训练数据都会被加密存储在本地和云端(如果网络可用)。系统会定期生成康复进展报告，包括各项步态参数的变化趋势、异常事件记录等。这些报告不仅帮助治疗师更好地制定和调整康复计划，也为家长了解孩子的康复情况提供了直观的参考。

[0063] 优选地，本发明一个实施例中，数据加密采用AES‑256算法，确保患儿隐私数据的安全性。康复进展报告生成周期默认为每周一次，但治疗师可以根据需要随时生成报告。报告中包括步长、步频、对称性指数、稳定性指数等核心步态参数的日均值和周变化趋势，以及训练时长、支撑力度、减重量等训练参数的统计数据。

[0064] 本发明的另一个创新点在于其模块化设计。各个功能模块(如多模态传感层、执行机构等)都采用标准化接口，便于升级和维护。例如，如果未来开发出更先进的传感器或执行机构，只需更换相应模块即可，无需改动整个系统。这种设计大大延长了设备的使用寿命，降低了升级和维护成本。

[0065] 在安全性方面，除了前面提到的多层安全保护机制，本发明还设计了故障自诊断和自恢复功能。系统会定期进行自检，包括传感器校准、执行机构响应测试等。如果检测到轻微异常(如某个传感器数据偏差较大)，系统会尝试自动校正。如果无法自动解决，则会向治疗师发出警报，并给出具体的故障诊断信息，方便及时维护。

[0066] 优选地，本发明一个实施例中，自检周期设置为每24小时一次，或累计使用时间达到8小时时进行。自动校正的阈值设置如下：压力传感器误差不超过满量程的±2％，IMU传感器姿态角误差不超过±1°，距离传感器误差不超过±1cm。超过这些阈值但在两倍阈值范围内的情况，系统会尝试自动校正；超过两倍阈值则直接报警。

[0067] 本发明还考虑到了不同年龄段儿童的使用需求。对于年龄较小或认知能力较弱的儿童，系统提供了简化版的人机交互界面，采用更直观的图形和音效反馈。对于年龄较大或康复阶段后期的儿童，系统则提供了更多的自主控制选项，如允许患儿自行调整部分训练参数，培养其独立性和自主康复意识。

[0068] 在临床应用中，本发明的儿童康复助行器还支持多人协作模式。治疗师可以通过远程访问功能实时监控训练情况，必要时进行远程指导。同时，系统支持多个专业人士(如物理治疗师、作业治疗师、康复医生等)同时访问患儿的训练数据，便于制定全面的康复方案。

[0069] 优选地，本发明一个实施例中，远程访问采用WebRTC技术，支持低延迟的视频通话和数据传输。多人协作模式下，系统会自动记录每位专业人士的操作日志，确保治疗过程的可追溯性。

[0070] 总的来说，本发明的儿童康复助行器通过创新的自适应时空注意力网络技术、人性化的设计理念和全面的功能配置，为儿童康复领域提供了一个高度智能化、个性化的解决方案。它不仅能够提高康复训练的效果和效率，还能增强患儿的训练积极性，减轻医疗人员的工作负担。随着技术的不断优化和临床经验的积累，相信这种助行器将在儿童康复领域发挥越来越重要的作用，帮助更多运动障碍儿童重获行走能力，提高生活质量。

[0071] 为了验证本发明儿童康复助行器的优越性，我们设计了一组对比实验，包括一个本发明的实施例和三个对比例。这些实验旨在全面评估本发明在步态改善、训练效果和使用体验等方面的表现。

[0072] 实施例1采用了本发明的完整方案，包括自适应时空注意力网络(ASTAN)、动态支撑调节和游戏化训练模块。对比例1使用传统的固定参数步态分析方法和静态支撑系统。对比例2采用了简单的机器学习算法进行步态分析，但没有动态支撑调节功能。对比例3使用了一般的深度学习模型进行步态分析，具有有限的支撑调节能力，但缺乏自适应和游戏化功能。

[0073] 我们招募了40名年龄在6‑12岁之间的脑瘫儿童参与这项为期12周的实验，每组10名患儿。所有患儿在实验前的GMFCS(粗大运动功能分级系统)水平为Ⅱ‑Ⅲ级。实验期间，患儿每周接受5次，每次30分钟的训练。

[0074] 我们选择了以下指标来评估训练效果：

[0075] 1.步态对称性指数(SI)：使用3D运动捕捉系统测量，计算方法为SI＝|1‑(左步长/右步长)|，值越接近0表示对称性越好。

[0076] 2.10米步行测试(10MWT)：测量患儿以舒适速度行走10米所需的时间，反映步行速度。

[0077] 3.6分钟步行测试(6MWT)：测量患儿在6分钟内能走多远，反映步行耐力。

[0078] 4.平衡信心量表(ABC)：通过问卷评估患儿在各种日常活动中的平衡信心，满分100分。

[0079] 5.训练参与度：通过记录患儿主动要求训练的次数和训练过程中的注意力持续时间来评估。

[0080] 6.治疗师满意度：通过问卷调查评估治疗师对设备的满意程度，满分10分。

[0081] 实验结果如下表所示：

[0082]指标 实施例1 对比例1 对比例2 对比例3
SI改善率 42.3 15.7 23.5 28.9
10MWT改善率 38.6 12.3 19.8 25.4 
6MWT改善率 45.2 17.9 26.7 32.1
ABC改善率 39.7 14.5 22.3 27.8
训练参与度 9.2/10 5.6/10 6.8/10 7.5/10
治疗师满意度 9.5/10 6.2/10 7.4/10 8.1/10

[0083] 从实验结果可以看出，本发明的实施例1在所有评估指标上都显著优于三个对比例。特别是在步态对称性改善方面，实施例1的改善率达到了42.3％，远高于其他方案。这充分证明了ASTAN技术在精确分析和调整步态方面的优越性。

[0084] 在步行速度和耐力方面，实施例1同样表现出色。10MWT和6MWT的显著改善说明本发明不仅能够优化患儿的步态模式，还能有效提高其整体运动能力。这可能得益于本发明的动态支撑调节功能，它能够根据患儿的实时状态提供最适合的支撑，既保证安全，又鼓励患儿积极运动。

[0085] 平衡信心量表(ABC)的改善反映了患儿在日常生活中的功能性改善。实施例1在这一指标上的优秀表现，说明本发明的训练效果能够有效迁移到实际生活中，这对患儿的长期康复和生活质量提升具有重要意义。

[0086] 值得特别关注的是训练参与度指标。实施例1的高分(9.2/10)表明，本发明的游戏化训练模块极大地提高了患儿的训练积极性。在实验过程中，我们观察到使用实施例1的患儿经常主动要求进行训练，而且在训练过程中能够保持较长时间的注意力集中。这一点对于儿童康复训练来说尤为重要，因为持续的、有动力的训练是取得良好康复效果的关键。

[0087] 治疗师满意度的高分(9.5/10)则反映了本发明在临床应用中的实用性和易用性。在反馈中，多位治疗师表示，本发明的自适应功能大大减轻了他们的工作负担，使他们能够更专注于观察患儿的整体表现和制定个性化的康复策略。

[0088] 综上所述，本发明的儿童康复助行器在改善患儿步态、提高运动能力、增强训练积极性和提升临床实用性等多个方面都表现出显著的优势。这些优势主要源于本发明的核心创新点：自适应时空注意力网络(ASTAN)技术、动态支撑调节功能和游戏化训练模块。ASTAN技术使得系统能够精确分析每个患儿的独特步态特征，并实时调整训练策略。动态支撑调节功能则确保了训练过程的安全性和有效性。游戏化训练模块的引入大大提高了患儿的训练积极性，这对于儿童康复训练的长期效果至关重要。

[0089] 这组实验结果不仅验证了本发明的有效性，也为未来儿童康复设备的发展指明了方向。它强调了个性化、智能化和趣味性在儿童康复训练中的重要性，为提高脑瘫儿童的运动功能和生活质量提供了新的可能。

[0090] 需要说明的是：以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。