一种辅具适配方法、系统及存储介质

摘要

本发明提供一种辅具适配方法、系统及存储介质，所述方法包括：获取用户标签信息，所述用户标签信息包括用户伤病残信息、用户年龄段信息以及用户生活状态；基于获取到的所述用户标签信息通过机器学习算法确定用户目的序列，用户目的序列包括多个根据预设顺序排列的待选择目的意图；获取用户从用户目的序列中选取的目的意图，目的意图包括所述辅具的应用目的；基于获取到的目的意图及用户标签信息确定用户环境序列，用户环境序列包括多个根据预设顺序排列的待选择预制环境；获取用户从用户环境序列中选取的预制环境，预制环境包括辅具的应用环境信息；基于接收到的被选取的预制环境，确定用户适配的第一辅具。该方法提高了辅具适配的效率及适配度。

权利要求

1.一种辅具适配方法，其特征在于，所述方法包括：

获取用户标签信息，所述用户标签信息包括用户伤病残信息、用户年龄段信息以及用户生活状态，所述用户伤病残信息包括用户的身体疾病类型；

基于获取到的所述用户标签信息通过机器学习算法确定用户目的序列，所述用户目的序列包括多个根据预设顺序排列的待选择目的意图；其中，所述待选择目的意图是指与所述用户标签信息相关的一些目的意图，且基于各目的意图被选择的频率调整所述用户目的序列中各待选择目的意图的排列顺序；

获取用户从所述用户目的序列中选取的目的意图，所述目的意图包含所述辅具的应用目的信息；

基于获取到的所述目的意图及所述用户标签信息确定用户环境序列，所述用户环境序列包括多个根据预设顺序排列的待选择预制环境；其中，所述用户环境序列中的多个待选择预制环境均为与目的意图、用户标签信息的相关度值大于相关性参考值的预制环境；

获取用户从所述用户环境序列中选取的预制环境，所述预制环境包含所述辅具的应用环境信息；

基于获取到的所述用户标签信息、目的意图以及预制环境，确定所述用户适配的辅具序列，所述辅具序列包括多个根据预设顺序排列的辅具品类；

其中，所述用户生活状态为无法自理、半自理、小范围活动、社会活动或职业重建。

2.根据权利要求1所述的辅具适配方法，其特征在于，所述用户伤病残信息为脑卒中、脑瘫、截肢、脊髓损伤、骨折、骨髓炎、关节炎、视障、听力障碍、智力障碍、其它中的至少一个；所述用户年龄段信息为婴幼儿、青少年、中年或老年。

3.根据权利要求1所述的辅具适配方法，其特征在于，基于获取到的所述用户标签信息通过机器学习算法确定用户目的序列，包括：构建用于预测用户目的的逻辑回归模型；

将获取到的所述用户标签信息输入至用于预测用户目的的逻辑回归模型，得到用户目的序列。

4.根据权利要求1所述的辅具适配方法，其特征在于，

基于获取到的所述目的意图及所述用户标签信息确定用户环境序列，包括：构建用于预测用户环境的逻辑回归模型；

将获取到的所述目的意图及所述用户标签信息输入至所述用于预测用户环境的逻辑回归模型，得到用户环境序列；和/或基于获取到的所述用户标签信息、目的意图以及预制环境，确定所述用户适配的辅具序列，包括：构建用于预测用户辅具的逻辑回归模型；

将获取到的所述目的意图、用户标签信息以及预制环境输入至用于预测用户辅具的逻辑回归模型，得到辅具序列。

5.根据权利要求1所述的辅具适配方法，其特征在于，所述机器学习算法为卷积神经网络算法，所述卷积神经网络算法的函数为：Y＝Feedforward(conv2(WCNN，X，"valid”)+BCNN)；

其中，Y表示输出，Feedforward表示深度神经网络函数，conv2表示卷积运算，WCNN表示卷积核矩阵，valid表示卷积的运算类型，X表示输入，BCNN表示偏置数据。

6.根据权利要求4所述的辅具适配方法，其特征在于，构建用于预测用户环境的逻辑回归模型，包括：获取样本数据集；

基于所述样本数据集对初始网络模型进行训练得到所述用于预测用户环境的逻辑回归模型。

7.根据权利要求1所述的辅具适配方法，其特征在于，所述方法还包括：构建用于预测辅具型号的逻辑回归模型；

获取用户肌力信息以及应用环境信息，将获取到的所述用户肌力信息以及应用环境信息输入至用于预测辅具型号的逻辑回归模型，得到与用户适配的辅具品类。

8.根据权利要求2所述的辅具适配方法，其特征在于，当获取到的用户伤病残信息为其它时，接收用户输入的疾病类型并保存；和/或当所述用户目的序列中不存在用户需要的目的意图时，获取用户输入的目的意图并保存；和/或当所述用户环境序列中不存在用户需要的预制环境时，获取用户输入的预制环境并保存。

9.一种辅具适配系统，该系统包括处理器和存储器，其特征在于，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该系统实现如权利要求1至8中任意一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至8中任意一项所述方法的步骤。

说明书

一种辅具适配方法、系统及存储介质

技术领域

[0001] 本发明涉及辅具适配技术领域，尤其涉及一种辅具适配方法、系统及存储介质。

背景技术

[0002] 辅助技术是指用于提高、维持或改进残障者的机体能力的设备，产品系统，硬件，软件或服务，其中功能障碍者使用的、特殊制作的或一般可得到的任何产品称为辅助器具，简称为辅具。辅具的配置方式一般是用户根据实际需求自行购买或由相关部门直接配发，由于辅具品种繁多且专业机构少，配置过程中缺少专业而全面的评估。该方式往往造成辅具与用户的匹配度不高。

[0003] 随着近年来行业的发展，一小部分用户在配置辅具之前，逐渐能够得到全面性评估，进而根据评估结果为用户配置辅具。目前采用的评估方法虽然在评估过程中所考虑用户的身体功能障碍、人体尺寸信息、生活背景和意愿等因素，但其在评估过程中采用的是人工评估，即专业人员根据经验进行评估的模式。在上述方法中，专业人员在为用户配置辅具时，主要依赖自己的专业认知，不同专业人员对同一用户进行评估时，可能会出现不同的评估结果；并且专业人员基于评估结果为用户配置的辅具，用户常常处于被动接受的角色。因而现有技术中专业人员根据主观认知为用户配置辅具，存在着辅具与用户匹配度以及用户满意度不高的情况；并且由于目前的辅具配置方法全程由专业人员人工完成，该方法还存在配置效率低的缺点。因此，如何提高辅具配置的效率及适配度是亟待解决的技术问题。

发明内容

[0004] 有鉴于此，本发明提供了一种辅具适配方法、系统及存储介质，以解决现有技术中存在的一个或多个问题。

[0005] 根据本发明的一个方面，本发明公开了一种辅具适配方法，所述方法包括：

[0006] 获取用户标签信息，所述用户标签信息包括用户伤病残信息、用户年龄段信息以及用户生活状态，所述用户伤病残信息包括用户的身体疾病类型；

[0007] 基于获取到的所述用户标签信息通过机器学习算法确定用户目的序列，所述用户目的序列包括多个根据预设顺序排列的待选择目的意图；

[0008] 获取用户从所述用户目的序列中选取的目的意图，所述目的意图包含所述辅具的应用目的信息；

[0009] 基于获取到的所述目的意图及所述用户标签信息确定用户环境序列，所述用户环境序列包括多个根据预设顺序排列的待选择预制环境；

[0010] 获取用户从所述用户环境序列中选取的预制环境，所述预制环境包含所述辅具的应用环境信息；

[0011] 基于获取到的所述用户标签信息、目的意图以及预制环境，确定所述用户适配的辅具序列，所述辅具序列包括多个根据预设顺序排列的辅具品类。

[0012] 在本发明的一些实施例中，所述用户伤病残信息为脑卒中、脑瘫、截肢、脊髓损伤、骨折、骨髓炎、关节炎、视障、听力障碍、智力障碍、其它中的至少一个；所述用户年龄段信息为婴幼儿、青少年、中年或老年；所述用户生活状态为无法自理、半自理、小范围活动、社会活动或职业重建。

[0013] 在本发明的一些实施例中，基于获取到的所述用户标签信息通过机器学习算法确定用户目的序列，包括：

[0014] 构建用于预测用户目的的逻辑回归模型；

[0015] 将获取到的所述用户标签信息输入至用于预测用户目的的逻辑回归模型，得到用户目的序列。

[0016] 在本发明的一些实施例中，

[0017] 基于获取到的所述目的意图及所述用户标签信息确定用户环境序列，包括：

[0018] 构建用于预测用户环境的逻辑回归模型；

[0019] 将获取到的所述目的意图及所述用户标签信息输入至所述用于预测用户环境的逻辑回归模型，得到用户环境序列；和/或

[0020] 基于获取到的所述用户标签信息、目的意图以及预制环境，确定所述用户适配的辅具序列，包括：

[0021] 构建用于预测用户辅具的逻辑回归模型；

[0022] 将获取到的所述目的意图、用户标签信息以及预制环境输入至用于预测用户辅具的逻辑回归模型，得到辅具序列。

[0023] 在本发明的一些实施例中，所述机器学习算法为卷积神经网络算法，所述卷积神经网络算法的函数为：Y＝Feedforward(conv2(WCNN，X，"valid”)+BCNN)；其中，Y表示输出，Feedforward表示深度神经网络函数，conv2表示卷积运算，WCNN表示卷积核矩阵，valid表示卷积的运算类型，X表示输入，BCNN表示偏置数据。

[0024] 在本发明的一些实施例中，构建用于预测用户环境的逻辑回归模型，包括：

[0025] 获取样本数据集；

[0026] 基于所述样本数据集对初始网络模型进行训练得到所述用于预测用户环境的逻辑回归模型。

[0027] 在本发明的一些实施例中，所述方法还包括：

[0028] 构建用于预测辅具型号的逻辑回归模型；

[0029] 获取用户肌力信息以及应用环境信息，将获取到的所述用户肌力信息以及应用环境信息输入至用于预测辅具型号的逻辑回归模型，得到与用户适配的辅具品类。

[0030] 在本发明的一些实施例中，当获取到的用户伤病残信息为其他时，接收用户输入的疾病类型并保存；和/或

[0031] 当所述用户目的序列中不存在用户需要的目的意图时，获取用户输入的目的意图并保存；和/或

[0032] 当所述用户环境序列中不存在用户需要的预制环境时，获取用户输入的预制环境并保存。

[0033] 根据本发明的另一方面，还公开了一种辅具适配系统，该系统包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该系统实现如上任一实施例所述方法的步骤。

[0034] 根据本发明的又一方面，还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上任一实施例所述方法的步骤。

[0035] 该辅具适配方法及系统获取用户的身体状态、用户年龄段信息以及用户生活状态，并基于机器学习算法确定用户目的序列，进而基于用户选择的目的意图及所述用户标签信息确定用户环境序列，最终基于用户标签信息、用户选择的目的意图及用户选择的预制环境确定用户适配的辅具；该方法在适配过程中充分考虑了用户自身的目的意图，并且在适配过程中基于机器学习算法完成适配，解决了现有技术中的辅具适配技术存在的效率低及适配度低的问题。

[0036] 本发明的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在书面说明及其权利要求书以及附图中具体指出的结构实现到并获得。

[0037] 本领域技术人员将会理解的是，能够用本发明实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。

附图说明

[0038] 此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：

[0039] 图1为本发明一实施例的辅具适配方法的流程示意图。

具体实施方式

[0040] 为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

[0041] 在此，需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。

[0042] 应该强调，术语“包括/包含/具有”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。

[0043] 在下文中，将参考附图描述本发明的实施例。在附图中，相同的附图标记代表相同或类似的部件，或者相同或类似的步骤。

[0044] 图1为本发明一实施例的辅具适配方法的流程示意图，如图1所示，该辅具适配方法至少包括步骤S10至S60。

[0045] 步骤S10：获取用户标签信息，所述用户标签信息包括用户伤病残信息、用户年龄段信息以及用户生活状态，所述用户伤病残信息包括用户的身体疾病类型。

[0046] 用户标签信息可为根据用户(使用者)自身情况自主填写的，或根据系统提示选择的。用户伤病残信息、用户年龄段信息以及用户生活状态作为用户的三维度标签，用于表示用户(使用者)的个人信息以及生活状态。在其他实施例中，用户标签信息除了包括用户伤病残信息、用户年龄段信息以及用户生活状态之外，也可以包括其他信息。

[0047] 示例性的，用户伤病残信息为脑卒中、脑瘫、截肢、脊髓损伤、骨折、骨髓炎、关节炎、视障、听力障碍、智力障碍、其它中的至少一个；所述用户年龄段信息为婴幼儿、青少年、中年或老年；所述用户生活状态为无法自理、半自理、小范围活动、社会活动或职业重建。用户标签信息可为上述三个维度信息的组合，如用户1的标签信息为脑卒中、老年以及小范围活动，用户2的标签信息为截肢、听力障碍、中年以及社会活动；由上可知，对于用户伤病残信息，可为脑卒中、脑瘫、截肢、脊髓损伤、骨折、骨髓炎、关节炎、视障、听力障碍、智力障碍、其它中的一个或多个的组合。另外当用户选择的用户伤病残信息为其他时，还可进一步的接收用户输入的其他伤病残信息并保存，以后续作为用户伤病残信息中的备选项。另外，用户伤病残信息还与用户年龄段相关。

[0048] 通过上述内容可知，用户伤病残信息的类别初始为11类，用户年龄段信息的类别为4类，用户生活状态的初始类别为5类，则此时用户标签信息下可供用户选择的类目共11*4*5＝1320项。另外在一实施例中，用户生活状态中的无法自理也认为处于手术期，而半自理也可认为处于康复期、限制行动时期等，而小范围活动也可认为处于家庭生活状态，则此时用户生活状态则可为手术期/卧床不能自理、康复期/限制行动/半自理、家庭生活/小范围活动、重返社会或职业重建。

[0049] 不难理解的，上述所列举的用户标签各维度下的类别仅是一种示例，各维度下的类别的数量以及各类别的具体内容可根据实际应用场景进行改变。

[0050] 步骤S20：基于获取到的所述用户标签信息通过机器学习算法确定用户目的序列，所述用户目的序列包括多个根据预设顺序排列的待选择目的意图。

[0051] 目的意图指用户借助辅具所要达到的具体的目的，用户目的序列是指多个待选择目的意图根据特定顺序排列而成，以供用户选择。在该步骤中，用户标签信息是指在步骤S10中获取到的用户标签信息，由于用户标签信息下各维度的具体内容是用户根据自身情况自行选择或输入的，因而通过用户标签信息确定的用户目的序列与用户自身的匹配度更高。

[0052] 进一步的，用户目的序列中的多个待选择目的意图是指与用户标签信息比较相关的一些目的意图，具体的，可将一些与用户标签信息不太相关的目的意图排除。在本发明中，通过机器学习算法确定与用户标签信息相关的一些待选择目的意图，则提高了辅具适配的准确性。

[0053] 在一实施例中，基于获取到的所述用户标签信息通过机器学习算法确定用户目的序列，具体包括：构建用于预测用户目的的逻辑回归模型；将获取到的所述用户标签信息输入至用于预测用户目的的逻辑回归模型，得到用户目的序列。具体的，逻辑回归模型通过逻辑回归分析算法计算所述用户标签信息与各所述待选择目的意图的相关性；按照相关性由大至小的顺序将对应的待选择目的意图进行排序形成用户目的序列，由此可知，该用户目的序列中的多个目的意图具有优先推荐顺序。

[0054] 示例性的，用户目的序列中初始的目的意图分别为：洗澡、如厕、进出行、进食、防护(防滑、防摔、支撑)、导盲、助视、助听、监护、缓解疼痛、稳定关节、补偿肢体、卧床照料(翻身、防压疮、个人清洁)、除味。在该用户目的序列中，“洗澡”的目的意图与用户标签信息的相关性最高，而“除味”的目的意图与用户标签信息的相关性最低；并且在该用户目的序列中，各待选择目的意图与用户标签信息的相关度数值均大于最小预设值。另外，当基于用户标签信息推荐的用户目的序列中没有用户需要的目的意图时，获取用户输入的目的意图，并添加至系统的初始目的意图类别中，以更新系统所保存的目的意图类别。

[0055] 步骤S30：获取用户从所述用户目的序列中选取的目的意图，所述目的意图包含所述辅具的应用目的信息。

[0056] 在该步骤中，用户可从用户目的序列中自主选择一个或多个目的意图，目的意图中包含辅具的应用目的，即辅具的用途。当用户目的序列为洗澡、如厕、进出行、进食、防护(防滑、防摔、支撑)、导盲、助听、监护、卧床照料(翻身、防压疮、个人清洁)、除味时，例如用户基于对自身的了解自主选择的目的意图可为洗澡、如厕、防护(防滑、防摔、支撑)，由此可知，用户选择的目的意图可为一个或多个。

[0057] 进一步的，在接收到用户选择的目的意图之后，还可进一步的根据用户选择的目的意图优化用户目的序列。例如当接收到多个用户的目的意图之后，可根据各目的意图被选择的频率调整用户目的序列中各待选择目的意图的排序顺序。并且在一些实施例中，可基于接收到的用户标签信息对应的目的意图生成样本数据集，以随着样本数据集内样本数据数量的增多，直接向用户推荐与其用户标签信息匹配度最高的目的意图组合。

[0058] 步骤S40：基于获取到的所述目的意图及所述用户标签信息确定用户环境序列，所述用户环境序列包括多个根据预设顺序排列的待选择预制环境。

[0059] 当基于以上步骤确定了用户标签信息以及与该用户标签信息对应的目的意图之后，进一步的根据目的意图以及用户标签信息确定用户环境序列。用户环境序列中包括多个待选择预制环境，用户环境序列中的待选择预制环境供用户选择；其中用户可选择用户环境序列中的一个预制环境，也可选择用户环境序列中的两个或更多个预制环境。在该步骤中，由于用户环境序列中的待选择预制环境是基于用户标签信息以及用户的目的意图确定的，因而用户环境序列中的多个待选择预制环境均为与用户自身匹配度较高的预制环境。示例性的，用户环境序列为浴室预留空间、地面防滑、一键报警、安装扶手、增加照明、升降马桶、厨房改造、台阶改造、智能家居；而在一实施例中，当推荐的用户环境序列中没有用户需要的预制环境时，则进一步的还可获取用户输入的预制环境，并将获取到的用户输入的预制环境保存，以更新系统所保存的预制环境类型。

[0060] 示例性的，基于获取到的所述目的意图及所述用户标签信息确定用户环境序列，包括：构建用于预测用户环境的逻辑回归模型；将所述目的意图及所述用户标签信息输入至用于预测用户环境的所述逻辑回归模型，得到用户环境序列输出结果。在该实施例中，通过构建逻辑回归模型确定用户环境序列，则确保了系统生成的用户环境序列与用户自身的匹配度，及节省了人工耗时，提高了效率。

[0061] 进一步的，将所述目的意图及所述用户标签信息输入至用于预测用户环境的所述逻辑回归模型，得到用户环境序列输出结果，包括：获取相关性参考值；将所述目的意图及所述用户标签信息作为输入信息输入至所述逻辑回归模型，得到各所述待选择预制环境与所述输入信息的相关度值，确定大于所述相关性参考值的相关度值对应的待选择预制环境；将大于所述相关性参考值的相关度值对应的待选择预制环境按照相关度值从大至小排序，形成所述用户环境序列。在该实施例中，相关性参考值为最小预设值，用户环境序列中的待选择预制环境均为与输入信息的相关度值大于相关性参考值的预制环境。

[0062] 其中，用于预测用户环境的逻辑回归模型为训练后的深度学习网络模型，则构建逻辑回归模型，具体的包括：获取样本数据集；基于所述样本数据集对初始网络模型进行训练得到所述用于预测用户环境的逻辑回归模型。样本数据集中包括多个样本数据，对于该样本数据集中的样本数据则包含目的意图、用户标签信息以及标记的用户环境序列信息等。

[0063] 步骤S50：获取用户从所述用户环境序列中选取的预制环境，所述预制环境包含所述辅具的应用环境信息。

[0064] 具体的，每个预制环境对应个性化的专业帮助，因而用户从用户环境序列中选取的预制环境为与用户最贴近的生活环境。在一实施例中，用户环境序列为医院、家庭、庭院、楼房、室内、室外、社区、集中养护、学校、工作、平原、山地、临时/永久，用户相对应的选择的预制环境为楼房、室内、永久。应当理解的，用户从用户环境序列中所选取的预制环境可为一个或多个，此时接收到的用户选择的预制环境则也为一个或多个。除上述之外，各预制环境下还可进一步的包括环境改造工程信息及对应环境下的辅具信息。

[0065] 另外，当基于目的意图及用户标签信息确定的用户环境序列中没有与用户最匹配的待选择预制环境时，也可进一步的由用户输入或补充需要的预制环境；即当所述用户环境序列中不存在用户需要的预制环境时，获取用户输入的预制环境并保存。随着接收到输入的预制环境的类型的增多，则可实时更新及优化系统中初始保存的预制环境类别。例如，当用户环境序列中不具有“公路”一项时，则用户可将“公路”预制环境输入至系统，而系统可保存接收到的“公路”一项，以在向后续用户推荐待选择预制环境时作为一个备选项。即随着预制环境类别的增多，则实现了优化调整，并进一步的提高了辅具适配过程的合理性。另外，在该步骤中可基于虚拟现实技术帮助用户更好的选择预制环境，用户环境列表中的待选择预制环境通过虚拟现实技术显示，可使环境更直观，更有助于用户的选择。系统中每个用户的个性化预制环境组合由多个预制环境组成，每个预制环境下可对应有专业化帮助，而各专业化帮助则可由多个子选项组成；子选项应是具有人体科学(生理、心理、运动力学)、工程科学(安全、工业设计、机械系统)和环境科学(环保、卫生、监测)支撑的，应符合相关标准的软硬件建设和改造。

[0066] 步骤S60：基于获取到的所述用户标签信息、目的意图以及预制环境，确定所述用户适配的辅具序列，所述辅具序列包括多个根据预设顺序排列的辅具品类。

[0067] 在该步骤中，当用户基于用户环境序列选择了一个或多个预制环境形成预制环境组合后，则进一步的基于用户标签信息、目的意图匹配多个辅具品类，进一步的基于获取到的预制环境从匹配多个辅具品类中筛选不符合预制环境的辅具品类，并将保留的符合预制环境的辅具品类生成具有优先顺序的辅具序列。用户进一步的可从辅具序列选取适配的辅具品类。

[0068] 其中，基于获取到的所述用户标签信息、目的意图以及预制环境，确定所述用户适配的辅具序列，包括：构建用于预测用户辅具的逻辑回归模型；将获取到的所述目的意图、用户标签信息以及预制环境输入至用于预测用户辅具的逻辑回归模型，得到辅具序列。

[0069] 进一步的，每个辅具品类包括应用环境信息并下设多个辅具型号款式；各辅具型号款式与适应肌力信息(以及神经损伤、身体尺寸等信息)和应用环境信息相关。因而本方法还包括：构建用于预测辅具型号的逻辑回归模型；获取用户肌力信息以及应用环境信息，将获取到的所述用户肌力信息以及应用环境信息输入至用于预测辅具型号的逻辑回归模型，得到与用户适配的辅具型号款式。在该实施例中，基于获取到的用户肌力信息结合应用环境信息推荐辅具型号款式；而当所述辅具品类及辅具型号款式没有用户满意的选项时，还可以获取用户输入的辅具需求，并将输入信息添加至预设辅具品类及其下设的辅具型号款式。示例性的，辅具品类初始选项包括假肢、矫形器、轮椅、助行器、拐杖、扶手、护理床、洗澡椅、坐便椅、助听器、助视器、升降厨柜、智能窗帘等。

[0070] 在本申请中，基于上述实施例的辅具适配方法为用户适配了辅具之后，进一步的可直接选取对应的辅具产品交付给用户；若现有的辅具产品不能满足用户需求，则可进一步的将通过辅具适配方法适配的辅具产品作为研发需求。

[0071] 在本发明的另一实施例中，机器学习算法为卷积神经网络

[0072] 算法，所述卷积神经网络算法的函数为：Y＝Feedforward(conv2(WCNN，X，"valid”)+BCNN)；其中，Y表示输出，Feedforward表示深度神经网络函数，conv2表示卷积运算，WCNN表示卷积核矩阵，valid表示卷积的运算类型，X表示输入，BCNN表示偏置数据。

[0073] 相应的，本发明还公开了一种辅具适配系统，该系统包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该系统实现如上任一实施例所述方法的步骤。

[0074] 示例性的，辅具适配系统包括辅具适配信息库、智能推荐模块和智能学习模块，辅具适配信息库存储有用户的个人基本身体状况、环境状况以及辅具需求，以及存储有与个人基本身体状况、环境状况适配的辅具匹配清单及辅具产品；辅具适配信息库所存储的信息如：脑卒中、居家、洗浴需求；另外，辅具适配信息库中的信息还不断的基于智能学习模块进行更新及添加。智能推荐模块是基于深度学习算法对辅具适配信息库进行学习，自动推荐出适合用户的辅具匹配清单及产品。智能学习模块用于自动学习到使用户满意的辅具匹配清单及产品，并自动添加到辅具适配信息库。当智能推荐模块推荐的辅具匹配清单及产品使用户满意时，智能学习模块可给一个正向的激励，若当智能推荐模块推荐的辅具匹配清单及产品使用户不满意时，则智能学习模块可给一个负向的惩罚。

[0075] 为了更好的描述本发明，下面列举一个具体事例进行说明，但以下具体事例并不构成对本申请的不当限定。

[0076] 首先用户根据自身情况选择了“脑卒中”、“老年”、“家庭生活/小范围活动”形成自己的标签。此时系统基于接收到的用户标签生成了用户目的列表，而用户基于对自己的了解从用户目的列表中选择了洗澡、如厕、防护(防滑、防摔、支撑)四个目的意图。进一步的基于上述四个目的意图以及用户自己的标签生成用户环境序列，而用户进一步的从用户环境序列中选取了“楼房”、“室内”和“永久”。系统进一步的基于“楼房”、“室内”和“永久”预制环境生成与其最匹配的辅具推荐给该用户。

[0077] 并且在该实施例中，当用户选择了“洗澡、如厕、防护”目的意图后，则该目的意图组合下进一步的还设有hj1浴室预留空间、hj2地面防滑、hj3一键报警、hj4安装扶手、hj5增加照明、hj6升降马桶等选项供用户选择。其中：“hj1浴室预留空间”选项下还可设有“hj1‑1浴室门”、“hj1‑2轮椅、浴缸/洗浴椅空间”子选项；“hj1‑1浴室门”子选项下具有工程项、辅具项；工程项对应于浴室门改造，如hj1‑1‑gc1浴室门增宽、hj1‑1‑gc2浴室门内外高度差改滑坡、hj1‑1‑gc3浴室门打开方式不阻碍紧急情况时的打开和通过；辅具项对应于与其适配的辅具，如：hj1‑1‑fj1斜坡、hj1‑1‑fj2可内外开门的把手和门锁。“hj1‑2轮椅、浴缸/洗浴椅空间”子选项下同样具有工程项和辅具项，其工程项对应的为洗浴区改造，而辅具项下对应的为hj1‑2‑fj1洗澡机、hj1‑2‑fj2浴缸、hj1‑2‑fj3上墙可折叠洗澡椅。

[0078] 示例性的，用户选择了“hj1浴室预留空间”选项下的“hj1‑1浴室门”子选项，确定接受了“hj1‑1浴室门”子选项下的“hj1‑1‑gc2浴室门内外高度差改滑坡”工程和“hj1‑1‑fj1斜坡”辅具，并选择了“hj1‑2轮椅、浴缸/洗浴椅空间”子选项，确定接受了“hj1‑2轮椅、浴缸/洗浴椅空间”子选项下的“hj1‑2‑fj3上墙可折叠洗澡椅”辅具。在此仅列举“hj1浴室预留空间”选项的选取方法，其他子选项如“hj2地面防滑、hj3一键报警、hj4安装扶手、hj5增加照明、hj6升降马桶”不再赘述。

[0079] 在本发明的辅具适配系统中，系统的检索是基于目的意图分类，目的意图不是单纯的目的固定描述，而是包含用户标签前缀的目的意图。如子环境库中，每个预制环境建立时即包含属于哪几个目的意图的信息，当目的意图被确定后，相应的预制环境即被推荐给用户，推荐时按相关性排序，另外预制环境被划分为哪几类目的意图是随着数据集经验更新的。同理，建立辅具库时，可先确定各辅具属于那几类预制环境，当预制环境被确定后，相应的辅具即被推荐给用户，推荐时按相关性排序，类似的，辅具被划分为哪几类预制环境也随着数据集经验更新。

[0080] 通过上述实施例可以发现，该辅具适配方法及系统获取用户的身体状态、用户年龄段信息以及用户生活状态，并基于机器学习算法确定用户目的序列，进而基于用户选择的目的意图及所述用户标签信息确定用户环境序列，最终基于用户选择的预制环境确定用户适配的辅具；该方法在适配过程中充分考虑了用户自身的目的意图，并且在适配过程中基于机器学习算法完成适配，解决了现有技术中的辅具适配技术存在的效率低及适配度低的问题。

[0081] 根据本发明的另一方面，还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上任一实施例所述方法的步骤。

[0082] 本领域普通技术人员应该可以明白，结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法，能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD‑ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

[0083] 还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

[0084] 本发明中，针对一个实施方式描述和/或例示的特征，可以在一个或更多个其它实施方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代替其他实施方式的特征。

[0085] 以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。