CN106901941A - 一种脊柱关节减压系统 - Google Patents
一种脊柱关节减压系统 Download PDFInfo
- Publication number
- CN106901941A CN106901941A CN201710092674.2A CN201710092674A CN106901941A CN 106901941 A CN106901941 A CN 106901941A CN 201710092674 A CN201710092674 A CN 201710092674A CN 106901941 A CN106901941 A CN 106901941A
- Authority
- CN
- China
- Prior art keywords
- signal
- chip microcomputer
- frequency
- wired connection
- pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 claims abstract description 54
- 230000008569 process Effects 0.000 claims abstract description 13
- 230000001225 therapeutic effect Effects 0.000 claims abstract description 9
- 241000219098 Parthenocissus Species 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 37
- 238000001228 spectrum Methods 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 17
- 238000000354 decomposition reaction Methods 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 15
- 239000000203 mixture Substances 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 230000003068 static effect Effects 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 238000002156 mixing Methods 0.000 claims description 7
- 230000009897 systematic effect Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000005295 random walk Methods 0.000 claims description 6
- 238000003825 pressing Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000003032 molecular docking Methods 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 230000005428 wave function Effects 0.000 claims description 3
- 241001632422 Radiola linoides Species 0.000 claims 1
- 230000005611 electricity Effects 0.000 claims 1
- 238000002372 labelling Methods 0.000 claims 1
- 238000010606 normalization Methods 0.000 claims 1
- 238000012549 training Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000002560 therapeutic procedure Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 241001632427 Radiola Species 0.000 description 2
- 210000003423 ankle Anatomy 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 208000018650 Intervertebral disc disease Diseases 0.000 description 1
- 238000001467 acupuncture Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002651 drug therapy Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000002078 massotherapy Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000008736 traumatic injury Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H1/00—Apparatus for passive exercising; Vibrating apparatus; Chiropractic devices, e.g. body impacting devices, external devices for briefly extending or aligning unbroken bones
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
- A61B5/4538—Evaluating a particular part of the muscoloskeletal system or a particular medical condition
- A61B5/4566—Evaluating the spine
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Physical Education & Sports Medicine (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Rheumatology (AREA)
- Epidemiology (AREA)
- Pain & Pain Management (AREA)
- Rehabilitation Therapy (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种脊柱关节减压系统,包括分别与图像传感器、人体生命体征监测仪和压力传感器有线连接,用于对接收的数据进行分析和处理的单片机;与单片机通过驱动控制器有线连接,分别用于调整按摩针前后左右位置的第一伺服电机和第二伺服电机;与单片机有线连接,用于调整按摩针高度的气动泵;与单片机有线连接,用于对躺板进行加热的电加热装置;与单片机有线连接,用于辅助治疗的电磁治疗仪;与单片机有线连接,用于对运行数据进行保存的信息管理终端。本发明操作简单,使用方便,功能多样化,自动化和智能化程度高,将人体治疗与人体监测结合在一起。
Description
技术领域
本发明属于医疗技术领域,尤其涉及一种脊柱关节减压系统。
背景技术
随着社会的发展,脊柱病已逐渐成为多发病和常见病,目前没有理想的药物治疗手段,传统临床主要依靠悬吊牵引与手法推拿按摩为主,但是这些对医务人员手法操作要求高,且难有安全保障。
现有技术中,根据中西医理论相结合的方法,通过脊柱的牵引并配以指针按压在发生病变的脊柱两节横突之间,通过上部压力可以扩大两节椎体之间的空隙,拉伸后纵韧带。两侧狭窄的椎间孔被撑开,从而缓解或消除对神经根的压迫和刺激,减轻肢体的麻木和疼痛,达到治疗的目的。但一些针对脊柱关节病的设备存在很多缺缺陷。
中国自古就运用推拿按摩方法治疗跌打损伤,并逐步发展形成了中医的推拿学科。推拿属中医外治范畴,是由按摩师根据患者具体的病情、运用各种手法技巧,如按、摩、推、拿、揉、颤、打等在患者身体特定的部位或穴位上施力,这种力可以转换成各种能量,并渗透到人体改变系统机能,达到治疗效果。对于颈椎、腰椎疾病患者来说,中医推拿按摩治疗病患的实质就是减轻其脊柱压力。这种压力的减轻既可以靠按压的方式实现,也可以靠牵引的方式实现。但这种治疗效果完全取决于按摩师的经验和技术水平,其按摩的力道全凭感觉。在高度现代化发展的今天,利用现代测控技术,准确又科学地进行脊柱减压就变得非常有必要,但是现有技术在对于人体颈部、腰踝部等部位的牵引减压治疗装置的控制系统的控制精度不高,自动控制程度还有欠缺,另外,目前现有技术缺乏减压系统的模块化设计,不便系统的功能组合和扩展。尤其是牵引的控制方面以及对施加在患者身体颈部、腰踝等部位的压力机构的工作状态不能精确的控制,时常出现施加在患者身体上的力度值不够达不到治疗的效果,或者施加在患者身体上的力过大,使患者疼痛过渡造成危险的现象。
综上所述,现有技术存在的问题是:不能存储治疗数据,导致每次对病人进行治疗时,都需要重新设定治疗参数,使得工作效率大大降低;另一方面就是功能单一,智能化程度低;而且处理的信号准确率底,使得实用性能大大降低。
发明内容
为解决现有技术的问题,本发明提供一种脊柱关节减压系统。
本发明为解决公知技术中存在的技术问题所采取的技术方案是:
本发明提供的脊柱关节减压系统,所述脊柱关节减压系统包括:
用于对治疗画面进行拍摄的摄像机;
与摄像机有线连接,用于将图像信号转换成电信号的图像传感器;所述图像传感器联合稀疏表示的字典D∈RJm×(J+1)n表示为:
其中J表示传感器的数量,图像的维度为m×n;冗余字典Dc∈Rm×n和Dj∈Rm×n分别是信号公共部分和专有部分的稀疏表示字典;
转化为下式求解稀疏表示系数:
所述图像传感器融合规则为:
其中,τ1=1/(1+exp{-β(||mA||2-||mB||2)}),(β>0),
分别表示源图像每块的均值;源图像xA和xB分别减去mA和mB得到和分别为稀疏表示系数矩阵SC和的第i列,为融合图像的稀疏系数矩阵sF的第i列;K是图像块的总个数;
所述图像传感器生成概率边界图的方法包括:
将图像转换到LAB空间,构建亮度L、颜色A、颜色B、纹理多个特征通道,然后采用梯度方法来表示图像特征;所述梯度方法为:对图像的每个像素点,构建8个方向的半圆对掩膜,在每个半掩膜区域,使用直方图对其中每个像素的亮度,颜色和纹理特征进行统计,得到各类特征的统计分布,然后使用χ2距离计算中心像素点两个半圆形区域的差异作为特征输出;
获得一个像素点的多特征表示后,Pb算子采用二项Logistic回归模型对200幅训练图像进行统计学习,模型参数通过极大似然法进行估计后,由该模型获得图像每一像素点属于边界的概率,生成概率边界图。
用于对用户的生命体征进行检测的人体生命体征监测仪;
用于对按摩针的按压力度进行检测的压力传感器;
分别与图像传感器、人体生命体征监测仪和压力传感器有线连接,用于对接收的数据进行分析和处理的单片机;所述单片机基于超像素种子的随机游走图像分割算法包括:
确定其余未标记超像素到达各个种子点的概率值,并将该超像素归并到概率最大值最大的种子点所属的区域中;为确定未标记超像素到达各个种子点的概率值,随机游走分割算法将图像视为无向加权图;
以超像素作为节点,使得节点数目减小,而各节点之间的连接权值,按Bhattacharyya系数进行计算;只有相邻的超像素才按Bhattacharyya系数计算连接权值,否则,为0;
为实现Direchlett问题的求解,设以待分割图像超像素为节点所构成的图为G,首先定义图G的Laplace矩阵:
其中,为极点Si的度,定义为所有与极点Si相连的极点之间的权值之和;
假设最终的焦点区域数为K,区域标记变量为t,1≤t≤K;对于某一分割区域,所有节点分为两类:标记点集合VM和未标记点集合VU,VM∪VU=V且VM∩VU=Φ;根据节点所属的不同集合,Laplace矩阵写为:
再设节点到达标记为t的种子点的概率为对当前焦点区域种子点定义标记函数从而对所有VM中的节点有:
而对于未标记VU中的节点对标记为t的种子点的概率,根据Direchlett边界条件,根据下式求解:
LUX=-BTM;
最后根据LU中各未标记点到各超像素种子点概率大小决定其归属于哪一分割区域,从而实现图像分割;根据该原则确定未标记种子点的区域归属时,如果某未标记种子点与某几个种子点的概率差别不大,此时,还需根据该未标记点到达种子点所属区域的其他种子点的概率大小来进行判断;另外,未标记点到达所有种子点的概率都很小,这些未标记点与已给定种子点的相似性很小,此时,这些未标记点则单独归为一区域;
与单片机通过驱动控制器有线连接,分别用于调整按摩针前后左右位置的第一伺服电机和第二伺服电机;
与单片机有线连接,用于调整按摩针高度的气动泵;
与单片机有线连接,用于对躺板进行加热的电加热装置;
与单片机有线连接,用于辅助治疗的电磁治疗仪;
与单片机有线连接,用于对运行数据进行保存的信息管理终端;
与单片机通过GPRS无线网络无线连接,用于进行数据传输与交换的云服务器;
所述电源模块与单片机有线连接,用于提供电源;
所述操作显示屏与单片机有线连接,用于进行操作设定控制;
所述操作显示屏具体为多点触控的电容式触摸屏。
进一步,所述图像传感器的量测模型如下:图像传感器为A;
YA(tk-1)、YA(tk)、YA(tk+1)分别为图像传感器A对目标在tk-1,tk,tk+1时刻的本地笛卡尔坐标系下的量测值,分别为:
其中,Y'A(tk-1)、Y'A(tk)、Y'A(tk+1)分别为图像传感器A在tk-1,tk,tk+1时刻的本地笛卡尔坐标系下的真实位置;CA(t)为误差的变换矩阵;ξA(t)为图像传感器的系统误差;为系统噪声,假设为零均值、相互独立的高斯型随机变量,噪声协方差矩阵分别为RA(k-1)、RA(k)、RA(k+1)。
进一步,所述图像传感器向压力传感器进行配准的具体过程如下:
图像传感器为A压力传感器为B:
其中:为传感器A的本地直角坐标系下目标的真实位置在tBk时刻的时间配准值; 为系统误差造成的误差项;为随机噪声,假定tk-1、tk、tk+1时刻的噪声互不相关的零均值白噪声,则为均值为零,协方差矩阵为RA=a2RA(k-1)+b2RA(k)+c2RA(k+1)的白噪声,而a、b、c、分别为且a+b+c=1。
进一步,人体生命体征监测仪设置有信号采集模块和信号处理模块;所述信号采集模块通过信号线信号处理模块连接,所述信号处理模块通过信号线与单片机连接;所述信号采集模块用于对人体生命体征信号进行监测和采集;所述信号处理模块对信号采集模块采集的信号进行预处理,将预处理后的信号传输给单片机。
进一步,所述信号采集模块的信号采集方法包括:根据接收信号的特征谱确定决策平面;
判断接收信号的通信信道是否呈现准用静态变换特性;
在所述通信信道呈现准用静态变换特性时,利用支持向量机方法在所述决策平面中选出决策边界;
在通信信道没有呈现准用静态变换特性时,利用模糊聚类方法在所述决策平面中选出决策边界;
根据所述决策边界对接收到的信号进行检测;
所述根据接收信号的特征谱确定决策平面包括:
对接收信号的离散信号向量进行线性变换得到酉变换矩阵;
根据所述酉变换矩阵中的主对角线元素和副对角线元素计算出接收信号的能量特征谱;
从所述能量特征谱中获取决策平面;
根据所述酉变换矩阵中的主对角线元素和副对角线元素计算出接收信号的能量特征谱包括:
对副对角线元素组成的矩阵进行平方并乘以主对角线元素组成的矩阵,得到接收信号的能量特征谱;
从所述能量特征谱中获取决策平面包括:
根据所述能量特征谱的能量集中度、波形对称性和局部波形函数方差从所述能量特征谱中提取至少一组特征向量;
按照模式分类的方式从提取的特征向量中获取作为决策平面的特征向量;
所述接收信号的离散信号向量通过奈奎斯特定律采样得到,并且采样长度涵盖接收信号的预定比例能量;
在从所述能量特征谱中获取决策平面之前,所述方法还包括:
对所述能量特征谱进行滑动平均处理;
所述信号接收方法应用于跳时-脉冲位置调制方式的通信系统或者通断键控调制方式的通信系统;
所述提取的特征向量方法具体包括以下步骤:
获取信号,通过传感器采集数据并对信号进行放大处理;
信号进行分段处理;即从每段信号里提取出均值、方差、信号的累积值和峰值4个基本时域参数,通过相邻段信号的4个参数值的差值判断是否有疑似泄漏的情况发生的第一层决策判断:若有则往下执行步骤小波包去噪,否者,跳到执行获取信号;
小波包去噪;即利用改进小波包算法对采集的信号进行去噪;
小波包分解与重构;即利用改进小波包算法对采集的信号进行小波包分解与重构,得到单子带重构信号;
提取信号特征参数;即从重构的单子带信号里提取:时域能量、时域峰值、频域能量、频域峰值、峰态系数、方差、频谱和偏斜系数8个表示信号特征的参数;
组成特征向量,即利用主成分分析方法,结合实验分析,从上述参数中选择3到8个能明显表示声发射信号特征的参数组成特征向量,并将这些特征向量输入到支持向量机进行决策判断,即第二层决策判断,根据支持向量机的输出判断是否有异常情况发生。
进一步,所述小波包去噪和小波包分解与重构包括:
信号延拓,对小波包分解的各层信号进行抛物线延拓;
设信号数据为x(a),x(a+1),x(a+2),则延拓算子E的表达式为:
消去单子带多余频率成分;
将延拓后的信号与分解低通滤波器h0卷积,得到低频系数,然后经过HF-cut-IF算子处理,去掉多余的频率成分,再进行下采样,得到下一层的低频系数;将延拓后的信号与分解高通滤波器g0卷积,得到高频系数,然后经过LF-cut-IF算子处理,去掉多余的频率成分,再进行下采样,得到下一层高频系数,HF-cut-IF算子采用下式
LF-cut-IF算子采用下式
在HF-cut-IF算子公和LF-cut-IF算子公式中,x(n)为在2j尺度上小波包的系数,Nj表示在2j尺度上数据的长度,k=0,1,…,Nj-1;n=0,1,…,Nj-1;
单子带信号重构方法包括:
将得到的高、低频系数进行上采样,然后分别与高通重建滤波器g1和低通重建滤波器h1卷积,将得到的信号分别用HF-cut-IF、LF-cut-IF算子处理,得到单子带重构信号。
进一步,所述信号处理模块的信号预处理方法包括:
步骤一,利用含有M个阵元的阵列天线接收来自信号接收模块的离散信号,得到采样后的M路离散时域混合信号m=1,2,…,M;
步骤二,对M路离散时域混合信号进行重叠加窗短时傅里叶变换,得到M个混合信号的时频域矩阵
p=0,1,…,P-1,q=0,1,…,Nfft-1,其中P表示总的窗数,Nfft表示FFT变换长度;在步骤二中,(p,q)表示时频索引,具体的时频值为这里Nfft表示FFT变换的长度,p表示加窗次数,Ts表示采样间隔,fs表示采样频率,C为整数,表示短时傅里叶变换加窗间隔的采样点数,C<Nfft,且Kc=Nfft/C为整数,也就是说采用的是重叠加窗的短时傅里叶变换;
步骤三,对步骤二中得到的跳频混合信号时频域矩阵进行预处理。
进一步,对步骤二中得到的跳频混合信号时频域矩阵进行预处理方法包括:第一步,对进行去低能量预处理,即在每一采样时刻p,将幅值小于门限ε的值置0,得到门限ε的设定根据接收信号的平均能量来确定;
第二步,找出p时刻(p=0,1,2,…P-1)非零的时频域数据,用表示,其中表示p时刻时频响应非0时对应的频率索引,对这些非零数据归一化预处理,得到预处理后的向量b(p,q)=[b1(p,q),b2(p,q),…,bM(p,q)]T,其中
本发明具有的优点和积极效果是:该脊柱关节减压系统操作简单,使用方便,功能多样化,自动化和智能化程度高,利用操作显示屏继续操作设定控制,利用按摩针与人体生命体征监测仪,即将人体治疗与人体监测结合在一起,最大程度的治疗患者,利用信息管理终端和云服务器将治疗参数和设定参数存储到其中,待得下次使用时,无需重新设定,提高设备的工作效率和实用性能。
本发明人体生命体征监测仪可实时准确获得人体生命体征信息,并对信号进行预处理,使信号的准确率提高到97.85%,比现有技术的信号处理准确率93.52%提高了进4个百分点。
附图说明
图1是本发明实施例提供的脊柱关节减压系统的原理框图;
图中:1、摄像机;2、图像传感器;3、人体生命体征监测仪;4、压力传感器;5、单片机;6、驱动控制器;7、第一伺服电机;8、第二伺服电机;9、气动泵;10、电加热装置;11、电磁治疗仪;12、信息管理终端;13、云服务器;14、电源模块;15、操作显示屏。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
下面结合图1对本发明的结构作详细的描述。
该脊柱关节减压系统包括:
用于对治疗画面进行拍摄的摄像机1;
与摄像机1有线连接,用于将图像信号转换成电信号的图像传感器2;
用于对用户的生命体征进行检测的人体生命体征监测仪3;
用于对按摩针的按压力度进行检测的压力传感器4;
分别与图像传感器2、人体生命体征监测仪3和压力传感器4有线连接,用于对接收的数据进行分析和处理的单片机5;
与单片机5通过驱动控制器6有线连接,分别用于调整按摩针前后左右位置的第一伺服电机7和第二伺服电机8;
与单片机5有线连接,用于调整按摩针高度的气动泵9;
与单片机5有线连接,用于对躺板进行加热的电加热装置10;
与单片机5有线连接,用于辅助治疗的电磁治疗仪11;
与单片机有线连接,用于对运行数据进行保存的信息管理终端12;
与单片机5通过GPRS无线网络无线连接,用于进行数据传输与交换的云服务器13。
进一步,所述电源模块14与单片机5有线连接,用于提供电源。
进一步,所述操作显示屏15与单片机5有线连接,用于进行操作设定控制。
进一步,所述操作显示屏15具体为多点触控的电容式触摸屏。
所述图像传感器联合稀疏表示的字典D∈RJm×(J+1)n表示为:
其中J表示传感器的数量,图像的维度为m×n;冗余字典Dc∈Rm×n和Dj∈Rm×n分别是信号公共部分和专有部分的稀疏表示字典;
转化为下式求解稀疏表示系数:
所述图像传感器融合规则为:
其中,τ1=1/(1+exp{-β(||mA||2-||mB||2)}),(β>0),(β>0);
分别表示源图像每块的均值;源图像xA和xB分别减去mA和mB得到和分别为稀疏表示系数矩阵SC和的第i列,为融合图像的稀疏系数矩阵sF的第i列;K是图像块的总个数;
所述图像传感器生成概率边界图的方法包括:
将图像转换到LAB空间,构建亮度L、颜色A、颜色B、纹理多个特征通道,然后采用梯度方法来表示图像特征;所述梯度方法为:对图像的每个像素点,构建8个方向的半圆对掩膜,在每个半掩膜区域,使用直方图对其中每个像素的亮度,颜色和纹理特征进行统计,得到各类特征的统计分布,然后使用χ2距离计算中心像素点两个半圆形区域的差异作为特征输出;
获得一个像素点的多特征表示后,Pb算子采用二项Logistic回归模型对200幅训练图像进行统计学习,模型参数通过极大似然法进行估计后,由该模型获得图像每一像素点属于边界的概率,生成概率边界图。
用于对用户的生命体征进行检测的人体生命体征监测仪;
用于对按摩针的按压力度进行检测的压力传感器;
分别与图像传感器、人体生命体征监测仪和压力传感器有线连接,用于对接收的数据进行分析和处理的单片机;所述单片机基于超像素种子的随机游走图像分割算法包括:
确定其余未标记超像素到达各个种子点的概率值,并将该超像素归并到概率最大值最大的种子点所属的区域中;为确定未标记超像素到达各个种子点的概率值,随机游走分割算法将图像视为无向加权图;
以超像素作为节点,使得节点数目减小,而各节点之间的连接权值,按Bhattacharyya系数进行计算;只有相邻的超像素才按Bhattacharyya系数计算连接权值,否则,为0;
为实现Direchlett问题的求解,设以待分割图像超像素为节点所构成的图为G,首先定义图G的Laplace矩阵:
其中,为极点Si的度,定义为所有与极点Si相连的极点之间的权值之和;
假设最终的焦点区域数为K,区域标记变量为t,1≤t≤K;对于某一分割区域,所有节点分为两类:标记点集合VM和未标记点集合VU,VM∪VU=V且VM∩VU=Φ;根据节点所属的不同集合,Laplace矩阵写为:
再设节点到达标记为t的种子点的概率为对当前焦点区域种子点定义标记函数从而对所有VM中的节点有:
而对于未标记VU中的节点对标记为t的种子点的概率,根据Direchlett边界条件,根据下式求解:
LUX=-BTM;
最后根据LU中各未标记点到各超像素种子点概率大小决定其归属于哪一分割区域,从而实现图像分割;根据该原则确定未标记种子点的区域归属时,如果某未标记种子点与某几个种子点的概率差别不大,此时,还需根据该未标记点到达种子点所属区域的其他种子点的概率大小来进行判断;另外,未标记点到达所有种子点的概率都很小,这些未标记点与已给定种子点的相似性很小,此时,这些未标记点则单独归为一区域。
进一步,所述图像传感器的量测模型如下:图像传感器为A;
YA(tk-1)、YA(tk)、YA(tk+1)分别为图像传感器A对目标在tk-1,tk,tk+1时刻的本地笛卡尔坐标系下的量测值,分别为:
其中,Y'A(tk-1)、Y'A(tk)、Y'A(tk+1)分别为图像传感器A在tk-1,tk,tk+1时刻的本地笛卡尔坐标系下的真实位置;CA(t)为误差的变换矩阵;ξA(t)为图像传感器的系统误差;为系统噪声,假设为零均值、相互独立的高斯型随机变量,噪声协方差矩阵分别为RA(k-1)、RA(k)、RA(k+1)。
进一步,所述图像传感器向压力传感器进行配准的具体过程如下:
图像传感器为A压力传感器为B:
其中:为传感器A的本地直角坐标系下目标的真实位置在tBk时刻的时间配准值; 为系统误差造成的误差项;为随机噪声,假定tk-1、tk、tk+1时刻的噪声互不相关的零均值白噪声,则为均值为零,协方差矩阵为RA=a2RA(k-1)+b2RA(k)+c2RA(k+1)的白噪声,而a、b、c、分别为且a+b+c=1。
人体生命体征监测仪设置有信号采集模块和信号处理模块;所述信号采集模块通过信号线信号处理模块连接,所述信号处理模块通过信号线与单片机连接;所述信号采集模块用于对人体生命体征信号进行监测和采集;所述信号处理模块对信号采集模块采集的信号进行预处理,将预处理后的信号传输给单片机。
所述信号采集模块的信号采集方法包括:根据接收信号的特征谱确定决策平面;
判断接收信号的通信信道是否呈现准用静态变换特性;
在所述通信信道呈现准用静态变换特性时,利用支持向量机方法在所述决策平面中选出决策边界;
在通信信道没有呈现准用静态变换特性时,利用模糊聚类方法在所述决策平面中选出决策边界;
根据所述决策边界对接收到的信号进行检测;
所述根据接收信号的特征谱确定决策平面包括:
对接收信号的离散信号向量进行线性变换得到酉变换矩阵;
根据所述酉变换矩阵中的主对角线元素和副对角线元素计算出接收信号的能量特征谱;
从所述能量特征谱中获取决策平面;
根据所述酉变换矩阵中的主对角线元素和副对角线元素计算出接收信号的能量特征谱包括:
对副对角线元素组成的矩阵进行平方并乘以主对角线元素组成的矩阵,得到接收信号的能量特征谱;
从所述能量特征谱中获取决策平面包括:
根据所述能量特征谱的能量集中度、波形对称性和局部波形函数方差从所述能量特征谱中提取至少一组特征向量;
按照模式分类的方式从提取的特征向量中获取作为决策平面的特征向量;
所述接收信号的离散信号向量通过奈奎斯特定律采样得到,并且采样长度涵盖接收信号的预定比例能量;
在从所述能量特征谱中获取决策平面之前,所述方法还包括:
对所述能量特征谱进行滑动平均处理;
所述信号接收方法应用于跳时-脉冲位置调制方式的通信系统或者通断键控调制方式的通信系统;
所述提取的特征向量方法具体包括以下步骤:
获取信号,通过传感器采集数据并对信号进行放大处理;
信号进行分段处理;即从每段信号里提取出均值、方差、信号的累积值和峰值4个基本时域参数,通过相邻段信号的4个参数值的差值判断是否有疑似泄漏的情况发生的第一层决策判断:若有则往下执行步骤小波包去噪,否者,跳到执行获取信号;
小波包去噪;即利用改进小波包算法对采集的信号进行去噪;
小波包分解与重构;即利用改进小波包算法对采集的信号进行小波包分解与重构,得到单子带重构信号;
提取信号特征参数;即从重构的单子带信号里提取:时域能量、时域峰值、频域能量、频域峰值、峰态系数、方差、频谱和偏斜系数8个表示信号特征的参数;
组成特征向量,即利用主成分分析方法,结合实验分析,从上述参数中选择3到8个能明显表示声发射信号特征的参数组成特征向量,并将这些特征向量输入到支持向量机进行决策判断,即第二层决策判断,根据支持向量机的输出判断是否有异常情况发生。
所述小波包去噪和小波包分解与重构包括:
信号延拓,对小波包分解的各层信号进行抛物线延拓;
设信号数据为x(a),x(a+1),x(a+2),则延拓算子E的表达式为:
消去单子带多余频率成分;
将延拓后的信号与分解低通滤波器h0卷积,得到低频系数,然后经过HF-cut-IF算子处理,去掉多余的频率成分,再进行下采样,得到下一层的低频系数;将延拓后的信号与分解高通滤波器g0卷积,得到高频系数,然后经过LF-cut-IF算子处理,去掉多余的频率成分,再进行下采样,得到下一层高频系数,HF-cut-IF算子采用下式
LF-cut-IF算子采用下式
在HF-cut-IF算子公和LF-cut-IF算子公式中,x(n)为在2j尺度上小波包的系数,Nj表示在2j尺度上数据的长度,k=0,1,…,Nj-1;n=0,1,…,Nj-1;
单子带信号重构方法包括:
将得到的高、低频系数进行上采样,然后分别与高通重建滤波器g1和低通重建滤波器h1卷积,将得到的信号分别用HF-cut-IF、LF-cut-IF算子处理,得到单子带重构信号。
所述信号处理模块的信号预处理方法包括:
步骤一,利用含有M个阵元的阵列天线接收来自信号接收模块的离散信号,得到采样后的M路离散时域混合信号m=1,2,…,M;
步骤二,对M路离散时域混合信号进行重叠加窗短时傅里叶变换,得到M个混合信号的时频域矩阵
p=0,1,…,P-1,q=0,1,…,Nfft-1,其中P表示总的窗数,Nfft表示FFT变换长度;在步骤二中,(p,q)表示时频索引,具体的时频值为(pCTs,),这里Nfft表示FFT变换的长度,p表示加窗次数,Ts表示采样间隔,fs表示采样频率,C为整数,表示短时傅里叶变换加窗间隔的采样点数,C<Nfft,且Kc=Nfft/C为整数,也就是说采用的是重叠加窗的短时傅里叶变换;
步骤三,对步骤二中得到的跳频混合信号时频域矩阵进行预处理。
对步骤二中得到的跳频混合信号时频域矩阵进行预处理方法包括:第一步,对进行去低能量预处理,即在每一采样时刻p,将幅值小于门限ε的值置0,得到 门限ε的设定根据接收信号的平均能量来确定;
第二步,找出p时刻(p=0,1,2,…P-1)非零的时频域数据,用表示,其中表示p时刻时频响应非0时对应的频率索引,对这些非零数据归一化预处理,得到预处理后的向量b(p,q)=[b1(p,q),b2(p,q),…,bM(p,q)]T,其中
下面结合工作原理对本发明的结构作进一步的描述。
通过驱动控制器6利用第一伺服电机7和第二伺服电机8调整按摩针的前后左右位置,利用气动泵9调整按摩针的上下位置,以此通过按摩针进行脊椎关节的按摩治疗,利用摄像机1对治疗画面进行拍摄,并通过图像传感器2实时传送到单片机5中,同时通过人体生命体征监测仪3对患者的生命体征进行实时监测,以方便更好地进行脊柱关节的治疗,利用电加热装置10对躺板进行加热,提高躺板的舒适性,利用电磁治疗仪11进行辅助治疗,提高脊柱关节的治疗效果,利用压力传感器4实时监测按摩针的力度,将每一个患者的治疗参数和设备的设定参数存储到信息管理终端12和云服务器13中,方便下一次的治疗,无需重新进行设定,提高工作效率。
本发明人体生命体征监测仪可实时准确获得人体生命体征信息,并对信号进行预处理,使信号的准确率提高到97.85%,比现有技术的信号处理准确率93.52%提高了进4个百分点。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (8)
1.一种脊柱关节减压系统,其特征在于,所述脊柱关节减压系统包括:
用于对治疗画面进行拍摄的摄像机;
与摄像机有线连接,用于将图像信号转换成电信号的图像传感器;所述图像传感器联合稀疏表示的字典D∈RJm×(J+1)n表示为:其中J表示传感器的数量,图像的维度为m×n;冗余字典Dc∈Rm×n和Dj∈Rm×n分别是信号公共部分和专有部分的稀疏表示字典;转化为下式求解稀疏表示系数:所述图像传感器融合规则为:
其中,τ1=1/(1+exp{-β(||mA||2-||mB||2)}),(β>0),分别表示源图像每块的均值;源图像xA和xB分别减去mA和mB得到 和分别为稀疏表示系数矩阵SC和的第i列,为融合图像的稀疏系数矩阵sF的第i列;K是图像块的总个数;图像传感器生成概率边界图的方法包括:将图像转换到LAB空间,构建亮度L、颜色A、颜色B、纹理多个特征通道,然后采用梯度方法来表示图像特征;所述梯度方法为:对图像的每个像素点,构建8个方向的半圆对掩膜,在每个半掩膜区域,使用直方图对其中每个像素的亮度,颜色和纹理特征进行统计,得到各类特征的统计分布,然后使用χ2距离计算中心像素点两个半圆形区域的差异作为特征输出;获得一个像素点的多特征表示后,Pb算子采用二项Logistic回归模型对200幅训练图像进行统计学习,模型参数通过极大似然法进行估计后,由该模型获得图像每一像素点属于边界的概率,生成概率边界图;
用于对用户的生命体征进行检测的人体生命体征监测仪;
用于对按摩针的按压力度进行检测的压力传感器;
分别与图像传感器、人体生命体征监测仪和压力传感器有线连接,用于对接收的数据进行分析和处理的单片机;单片机基于超像素种子的随机游走图像分割算法包括:确定其余未标记超像素到达各个种子点的概率值,并将该超像素归并到概率最大值最大的种子点所属的区域中;为确定未标记超像素到达各个种子点的概率值,随机游走分割算法将图像视为无向加权图;以超像素作为节点,使得节点数目减小,而各节点之间的连接权值,按Bhattacharyya系数进行计算;只有相邻的超像素才按Bhattacharyya系数计算连接权值,否则,为0;为实现Direchlett问题的求解,设以待分割图像超像素为节点所构成的图为G,首先定义图G的Laplace矩阵:其中,为极点Si的度,定义为所有与极点Si相连的极点之间的权值之和;假设最终的焦点区域数为K,区域标记变量为t,1≤t≤K;对于某一分割区域,所有节点分为两类:标记点集合VM和未标记点集合VU,VM∪VU=V且VM∩VU=Φ;根据节点所属的不同集合,Laplace矩阵写为:再设节点到达标记为t的种子点的概率为对当前焦点区域种子点定义标记函数从而对所有VM中的节点有:而对于未标记VU中的节点对标记为t的种子点的概率,根据Direchlett边界条件,根据下式求解:LUX=-BTM;最后根据LU中各未标记点到各超像素种子点概率大小决定其归属于哪一分割区域,从而实现图像分割;根据该原则确定未标记种子点的区域归属时,如果某未标记种子点与某几个种子点的概率差别不大,此时,还需根据该未标记点到达种子点所属区域的其他种子点的概率大小来进行判断;另外,未标记点到达所有种子点的概率都很小,这些未标记点与已给定种子点的相似性很小,此时,这些未标记点则单独归为一区域;
与单片机通过驱动控制器有线连接,分别用于调整按摩针前后左右位置的第一伺服电机和第二伺服电机;
与单片机有线连接,用于调整按摩针高度的气动泵;
与单片机有线连接,用于对躺板进行加热的电加热装置;
与单片机有线连接,用于辅助治疗的电磁治疗仪;
与单片机有线连接,用于对运行数据进行保存的信息管理终端;
与单片机通过GPRS无线网络无线连接,用于进行数据传输与交换的云服务器;
与单片机有线连接,用于提供电源的电源模块;
与单片机有线连接,用于进行操作设定控制的操作显示屏;所述操作显示屏具体为多点触控的电容式触摸屏。
2.如权利要求1所述的脊柱关节减压系统,其特征在于,所述图像传感器的量测模型如下:图像传感器为A;
YA(tk-1)、YA(tk)、YA(tk+1)分别为图像传感器A对目标在tk-1,tk,tk+1时刻的本地笛卡尔坐标系下的量测值,分别为:
其中,Y'A(tk-1)、Y'A(tk)、Y'A(tk+1)分别为图像传感器A在tk-1,tk,tk+1时刻的本地笛卡尔坐标系下的真实位置;CA(t)为误差的变换矩阵;ξA(t)为图像传感器的系统误差;为系统噪声,假设为零均值、相互独立的高斯型随机变量,噪声协方差矩阵分别为RA(k-1)、RA(k)、RA(k+1)。
3.如权利要求1所述的脊柱关节减压系统,其特征在于,所述图像传感器向压力传感器进行配准的具体过程如下:
图像传感器为A,压力传感器为B:
其中:为传感器A的本地直角坐标系下目标的真实位置在tBk时刻的时间配准值;为系统误差造成的误差项;为随机噪声,假定tk-1、tk、tk+1时刻的噪声互不相关的零均值白噪声,则为均值为零,协方差矩阵为RA=a2RA(k-1)+b2RA(k)+c2RA(k+1)的白噪声,而a、b、c、分别为 且a+b+c=1。
4.如权利要求1所述的脊柱关节减压系统,其特征在于,人体生命体征监测仪设置有信号采集模块和信号处理模块;所述信号采集模块通过信号线信号处理模块连接,所述信号处理模块通过信号线与单片机连接;所述信号采集模块用于对人体生命体征信号进行监测和采集;所述信号处理模块对信号采集模块采集的信号进行预处理,将预处理后的信号传输给单片机。
5.如权利要求4所述的脊柱关节减压系统,其特征在于,所述信号采集模块的信号采集方法包括:根据接收信号的特征谱确定决策平面;
判断接收信号的通信信道是否呈现准用静态变换特性;
在所述通信信道呈现准用静态变换特性时,利用支持向量机方法在所述决策平面中选出决策边界;
在通信信道没有呈现准用静态变换特性时,利用模糊聚类方法在所述决策平面中选出决策边界;
根据所述决策边界对接收到的信号进行检测;
所述根据接收信号的特征谱确定决策平面包括:
对接收信号的离散信号向量进行线性变换得到酉变换矩阵;
根据所述酉变换矩阵中的主对角线元素和副对角线元素计算出接收信号的能量特征谱;
从所述能量特征谱中获取决策平面;
根据所述酉变换矩阵中的主对角线元素和副对角线元素计算出接收信号的能量特征谱包括:
对副对角线元素组成的矩阵进行平方并乘以主对角线元素组成的矩阵,得到接收信号的能量特征谱;
从所述能量特征谱中获取决策平面包括:
根据所述能量特征谱的能量集中度、波形对称性和局部波形函数方差从所述能量特征谱中提取至少一组特征向量;
按照模式分类的方式从提取的特征向量中获取作为决策平面的特征向量;
所述接收信号的离散信号向量通过奈奎斯特定律采样得到,并且采样长度涵盖接收信号的预定比例能量;
在从所述能量特征谱中获取决策平面之前,所述方法还包括:
对所述能量特征谱进行滑动平均处理;
所述信号接收方法应用于跳时-脉冲位置调制方式的通信系统或者通断键控调制方式的通信系统;
所述提取的特征向量方法具体包括以下步骤:
获取信号,通过传感器采集数据并对信号进行放大处理;
信号进行分段处理;即从每段信号里提取出均值、方差、信号的累积值和峰值4个基本时域参数,通过相邻段信号的4个参数值的差值判断是否有疑似泄漏的情况发生的第一层决策判断:若有则往下执行步骤小波包去噪,否者,跳到执行获取信号;
小波包去噪;即利用改进小波包算法对采集的信号进行去噪;
小波包分解与重构;即利用改进小波包算法对采集的信号进行小波包分解与重构,得到单子带重构信号;
提取信号特征参数;即从重构的单子带信号里提取:时域能量、时域峰值、频域能量、频域峰值、峰态系数、方差、频谱和偏斜系数8个表示信号特征的参数;
组成特征向量,即利用主成分分析方法,结合实验分析,从上述参数中选择3到8个能明显表示声发射信号特征的参数组成特征向量,并将这些特征向量输入到支持向量机进行决策判断,即第二层决策判断,根据支持向量机的输出判断是否有异常情况发生。
6.如权利要求5所述的脊柱关节减压系统,其特征在于,所述小波包去噪和小波包分解与重构包括:
信号延拓,对小波包分解的各层信号进行抛物线延拓;
设信号数据为x(a),x(a+1),x(a+2),则延拓算子E的表达式为:
消去单子带多余频率成分;
将延拓后的信号与分解低通滤波器h0卷积,得到低频系数,然后经过HF-cut-IF算子处理,去掉多余的频率成分,再进行下采样,得到下一层的低频系数;将延拓后的信号与分解高通滤波器g0卷积,得到高频系数,然后经过LF-cut-IF算子处理,去掉多余的频率成分,再进行下采样,得到下一层高频系数,HF-cut-IF算子采用下式
LF-cut-IF算子采用下式
在HF-cut-IF算子公和LF-cut-IF算子公式中,x(n)为在2j尺度上小波包的系数,Nj表示在2j尺度上数据的长度,k=0,1,…,Nj-1;n=0,1,…,Nj-1;
单子带信号重构方法包括:
将得到的高、低频系数进行上采样,然后分别与高通重建滤波器g1和低通重建滤波器h1卷积,将得到的信号分别用HF-cut-IF、LF-cut-IF算子处理,得到单子带重构信号。
7.如权利要求4所述的脊柱关节减压系统,其特征在于,所述信号处理模块的信号预处理方法包括:
步骤一,利用含有M个阵元的阵列天线接收来自信号接收模块的离散信号,得到采样后的M路离散时域混合信号m=1,2,…,M;
步骤二,对M路离散时域混合信号进行重叠加窗短时傅里叶变换,得到M个混合信号的时频域矩阵
p=0,1,…,P-1,q=0,1,…,Nfft-1,其中P表示总的窗数,Nfft表示FFT变换长度;在步骤二中,(p,q)表示时频索引,具体的时频值为这里Nfft表示FFT变换的长度,p表示加窗次数,Ts表示采样间隔,fs表示采样频率,C为整数,表示短时傅里叶变换加窗间隔的采样点数,C<Nfft,且Kc=Nfft/C为整数,也就是说采用的是重叠加窗的短时傅里叶变换;
步骤三,对步骤二中得到的跳频混合信号时频域矩阵进行预处理。
8.如权利要求7所述的脊柱关节减压系统,其特征在于,对步骤二中得到的跳频混合信号时频域矩阵进行预处理方法包括:第一步,对进行去低能量预处理,即在每一采样时刻p,将幅值小于门限ε的值置0,得到门限ε的设定根据接收信号的平均能量来确定;
第二步,找出p时刻(p=0,1,2,…P-1)非零的时频域数据,用表示,其中表示p时刻时频响应非0时对应的频率索引,对这些非零数据归一化预处理,得到预处理后的向量b(p,q)=[b1(p,q),b2(p,q),…,bM(p,q)]T,其中
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710092674.2A CN106901941A (zh) | 2017-02-21 | 2017-02-21 | 一种脊柱关节减压系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710092674.2A CN106901941A (zh) | 2017-02-21 | 2017-02-21 | 一种脊柱关节减压系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106901941A true CN106901941A (zh) | 2017-06-30 |
Family
ID=59208763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710092674.2A Pending CN106901941A (zh) | 2017-02-21 | 2017-02-21 | 一种脊柱关节减压系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106901941A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108010003A (zh) * | 2018-01-29 | 2018-05-08 | 佳木斯大学附属第医院 | 一种基于计算机的耳鼻喉辅助治疗检查控制系统 |
CN108245165A (zh) * | 2018-01-30 | 2018-07-06 | 郑州市骨科医院 | 一种脊柱动态功能检测系统 |
CN108310633A (zh) * | 2018-02-01 | 2018-07-24 | 核工业四六医院 | 一种智能型瘫痪病人辅助康复系统 |
WO2019105183A1 (en) * | 2017-11-29 | 2019-06-06 | Midea Group Co., Ltd. | Massage robot using machine vision |
CN113057873A (zh) * | 2021-04-13 | 2021-07-02 | 四川千里倍益康医疗科技股份有限公司 | 基于压力检测的按摩头加热控制系统及方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102158254A (zh) * | 2011-02-16 | 2011-08-17 | 华为技术有限公司 | 信号接收方法及装置 |
CN102393966A (zh) * | 2011-06-15 | 2012-03-28 | 西安电子科技大学 | 基于多尺度显著图的自适应图像压缩采样方法 |
CN103051367A (zh) * | 2012-11-27 | 2013-04-17 | 西安电子科技大学 | 一种基于聚类的同步正交跳频信号盲源分离方法 |
CN203012747U (zh) * | 2012-12-06 | 2013-06-19 | 武汉科技大学 | 基于arm的新型指纹识别装置 |
CN103854013A (zh) * | 2012-12-06 | 2014-06-11 | 武汉科技大学 | 一种基于稀疏矩阵的arm指纹识别方法及装置 |
CN104008533A (zh) * | 2014-06-17 | 2014-08-27 | 华北电力大学 | 基于分块自适应特征跟踪的多传感器图像融合方法 |
CN104132250A (zh) * | 2014-07-14 | 2014-11-05 | 上海师范大学 | 一种基于改进小波包的管道泄漏特征向量提取方法 |
CN104809326A (zh) * | 2014-06-23 | 2015-07-29 | 方洋旺 | 一种异步传感器空间配准算法 |
CN105451019A (zh) * | 2015-11-25 | 2016-03-30 | 中国地质大学(武汉) | 一种面向无线视频传感器网络的图像压缩传输方法 |
CN106056564A (zh) * | 2016-05-27 | 2016-10-26 | 西华大学 | 基于联合稀疏模型的边缘清晰图像融合方法 |
-
2017
- 2017-02-21 CN CN201710092674.2A patent/CN106901941A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102158254A (zh) * | 2011-02-16 | 2011-08-17 | 华为技术有限公司 | 信号接收方法及装置 |
CN102393966A (zh) * | 2011-06-15 | 2012-03-28 | 西安电子科技大学 | 基于多尺度显著图的自适应图像压缩采样方法 |
CN103051367A (zh) * | 2012-11-27 | 2013-04-17 | 西安电子科技大学 | 一种基于聚类的同步正交跳频信号盲源分离方法 |
CN203012747U (zh) * | 2012-12-06 | 2013-06-19 | 武汉科技大学 | 基于arm的新型指纹识别装置 |
CN103854013A (zh) * | 2012-12-06 | 2014-06-11 | 武汉科技大学 | 一种基于稀疏矩阵的arm指纹识别方法及装置 |
CN104008533A (zh) * | 2014-06-17 | 2014-08-27 | 华北电力大学 | 基于分块自适应特征跟踪的多传感器图像融合方法 |
CN104809326A (zh) * | 2014-06-23 | 2015-07-29 | 方洋旺 | 一种异步传感器空间配准算法 |
CN104132250A (zh) * | 2014-07-14 | 2014-11-05 | 上海师范大学 | 一种基于改进小波包的管道泄漏特征向量提取方法 |
CN105451019A (zh) * | 2015-11-25 | 2016-03-30 | 中国地质大学(武汉) | 一种面向无线视频传感器网络的图像压缩传输方法 |
CN106056564A (zh) * | 2016-05-27 | 2016-10-26 | 西华大学 | 基于联合稀疏模型的边缘清晰图像融合方法 |
Non-Patent Citations (2)
Title |
---|
王梅: "《中国优秀硕士学位论文全文数据库-信息科技辑》", 31 March 2014 * |
王田 等: "基于图像特征分析的物体轮廓提取", 《北京航空航天大学学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019105183A1 (en) * | 2017-11-29 | 2019-06-06 | Midea Group Co., Ltd. | Massage robot using machine vision |
US10434658B2 (en) | 2017-11-29 | 2019-10-08 | Midea Group Co., Ltd. | Massage robot using machine vision |
CN108010003A (zh) * | 2018-01-29 | 2018-05-08 | 佳木斯大学附属第医院 | 一种基于计算机的耳鼻喉辅助治疗检查控制系统 |
CN108245165A (zh) * | 2018-01-30 | 2018-07-06 | 郑州市骨科医院 | 一种脊柱动态功能检测系统 |
CN108310633A (zh) * | 2018-02-01 | 2018-07-24 | 核工业四六医院 | 一种智能型瘫痪病人辅助康复系统 |
CN113057873A (zh) * | 2021-04-13 | 2021-07-02 | 四川千里倍益康医疗科技股份有限公司 | 基于压力检测的按摩头加热控制系统及方法 |
CN113057873B (zh) * | 2021-04-13 | 2022-07-26 | 四川千里倍益康医疗科技股份有限公司 | 基于压力检测的按摩头加热控制系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106901941A (zh) | 一种脊柱关节减压系统 | |
CN110765920B (zh) | 基于卷积神经网络的运动想象分类方法 | |
CN111062250B (zh) | 基于深度特征学习的多受试者运动想象脑电信号识别方法 | |
Fang et al. | Extracting features from phase space of EEG signals in brain–computer interfaces | |
US6988056B2 (en) | Signal interpretation engine | |
CN103429145A (zh) | 用于运动康复的方法和系统 | |
CN104548347A (zh) | 一种纯意念神经肌肉电刺激控制与神经功能评价系统 | |
CN105997064A (zh) | 一种用于人体下肢表面肌电信号的辨识方法 | |
CN108363493A (zh) | 基于脑机接口的用户特征模型建立方法、系统及存储介质 | |
CN111584030A (zh) | 基于深度学习和复杂网络的意念控制智能康复系统及应用 | |
CN107106069A (zh) | 基于改进信号分析的评分方法 | |
CN111616681B (zh) | 基于便携式脑电采集设备和深度学习的麻醉状态监测系统 | |
CN105824418A (zh) | 一种基于非对称视觉诱发电位的脑-机接口通讯系统 | |
CN108268844A (zh) | 基于表面肌电信号的动作模式识别方法及装置 | |
CN103472922A (zh) | 一种基于p300与ssvep混合式脑机接口的目的地选择系统 | |
CN111584029B (zh) | 基于判别式对抗网络的脑电自适应模型及在康复中的应用 | |
CN109171713A (zh) | 基于多模态信号的上肢运动想象模式识别方法 | |
CN107247886A (zh) | 一种基于互联网的远程康复系统 | |
CN111584027B (zh) | 融合复杂网络和图卷积的脑控康复系统运动想象识别系统 | |
CN110955330A (zh) | 基于复杂对象控制的高唤醒度的脑电意图辨析方法 | |
Qiu et al. | Detection of Solitary Pulmonary Nodules Based on Brain‐Computer Interface | |
CN116595437B (zh) | 零校准迁移学习分类模型的训练方法、设备和存储介质 | |
CN116831874A (zh) | 一种基于肌电信号的下肢康复器控制方法 | |
Bang et al. | Interpretable convolutional neural networks for subject-independent motor imagery classification | |
CN107423668A (zh) | 基于小波变换和稀疏表达的脑电信号分类系统与方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170630 |
|
RJ01 | Rejection of invention patent application after publication |