CN107993501A - 一种人体解剖教学系统 - Google Patents

一种人体解剖教学系统 Download PDF

Info

Publication number
CN107993501A
CN107993501A CN201810047952.7A CN201810047952A CN107993501A CN 107993501 A CN107993501 A CN 107993501A CN 201810047952 A CN201810047952 A CN 201810047952A CN 107993501 A CN107993501 A CN 107993501A
Authority
CN
China
Prior art keywords
human
voice signal
nonce
value
image
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
Application number
CN201810047952.7A
Other languages
English (en)
Inventor
康卫国
邓振旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Heze University
Original Assignee
Heze University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Heze University filed Critical Heze University
Publication of CN107993501A publication Critical patent/CN107993501A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B5/00—Electrically-operated educational appliances
    • G09B5/06—Electrically-operated educational appliances with both visual and audible presentation of the material to be studied
    • G09B5/065—Combinations of audio and video presentations, e.g. videotapes, videodiscs, television systems
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B23/00—Models for scientific, medical, or mathematical purposes, e.g. full-sized devices for demonstration purposes
    • G09B23/28—Models for scientific, medical, or mathematical purposes, e.g. full-sized devices for demonstration purposes for medicine
    • G09B23/30—Anatomical models

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Technology (AREA)
  • Educational Administration (AREA)
  • Business, Economics & Management (AREA)
  • Medicinal Chemistry (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Multimedia (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于教学技术领域，公开了一种人体解剖教学系统，设置有用于对人体解剖教学内容进行分段教学演示的人体解剖演示服务器；人体解剖演示服务器通过双绞线与计算机双向通讯；计算机的信号输出端通过数据线连接有插槽；插槽插装在VR虚拟眼镜上，VR虚拟眼镜的外部套装有镜框，VR虚拟眼镜的内侧插装有显示器；所述计算机还通过无线基站与外部网络无线连接。该系统可以存储大量的人体模型数据，数据处理速度快，学习方式多样；设置VR虚拟眼镜可以帮助学员通过虚拟演示清晰的查看解剖演示过程，效果明显；设置人体解剖演示服务器可以存储大量的人体模型数据，真实的呈现解剖过程。

Description

一种人体解剖教学系统
技术领域
本发明属于教学技术领域，尤其涉及一种人体解剖教学系统。
背景技术
人体解剖教学是临床医学实践教学的重要基础性教学，教学对象覆盖面宽，对尸体标本的需求量大，现实中存在教学人数增多和尸体标本来源减少的双重压力，难以提供足够数量和品种齐全的尸体标本供学生实践操作，大大制约了人体解剖教学的实践性教学效果。人体解剖教学需要学生在课前充分熟悉各类人体器官解剖的具体流程、了解人体解剖过程中的技术细节，才能保证在实际教学中能够对尸体标本进行准确的解剖操作，否则常会出现损坏标本，降低标本使用次数，增加教学成本。并且课后也需要学生能够重复回顾解剖过程，特别是对关键环节能够进行再次或多次练习，能够及时进行考核评估，而这些需求通常也因没有足够的标本保障而难以进行。
综上所述，现有技术存在的问题是：传统的人体解剖教学过程中学生的实践操作机会较少，降低标本使用次数，增加教学成本；教学方式单一，人体解剖模型少，数据处理慢，学习效果不明显；图像获取不清晰。
发明内容
针对现有技术存在的问题，本发明提供了一种人体解剖教学系统，
本发明是这样实现的，该人体解剖教学系统设置有用于对人体解剖教学内容进行分段教学演示的人体解剖演示服务器；所述人体解剖演示服务器与计算机双向通讯；所述计算机的信号输出端通过数据线连接有插槽；所述插槽插装在VR虚拟眼镜上，所述VR虚拟眼镜的外部套装有镜框，所述VR虚拟眼镜的内侧插装有显示器；所述计算机还通过无线基站与外部网络无线连接；所述计算机内部安装有：对数据进行运算和处理的微处理器；与所述微处理器电连接，用于选择教学所需的人体各类器官的人体器官选择单元；与所述微处理器电连接，用于选择教学所需的人体各类器官的解剖图像，并能够对多种视角进行选择的彩色图像选择单元；与所述微处理器电连接，用于选择教学所需的人体各类器官的文字的文字选择单元；与所述微处理器电连接，用于选择教学所需的人体各类器官的话音的语音选择单元；与所述微处理器电连接，用于在使用者自学时选择听觉背景的背景音乐选择单元；所述VR虚拟眼镜上安装有定位装置，定位装置与插槽电连接；所述人体解剖演示服务器设置有多元线性回归分析模块，多元线性回归分析模块利用regress函数作多元线性回归分析，包括：
对于自变量x1，x2，x3…xp和因变量y的n次独立观测，y关于x1，x2，x3…xp的p重广义线性回归模型公式：
所述无线基站设置有无线体域网快速唤醒关联模块，所述无线体域网快速唤醒关联模块的关联方法包括：
步骤一、Hub根据当前通信的需要设置SSS、Asso_ctrl域为相应的值，构造Wakeup帧；在发送Wakeup帧后，向节点发送T-Poll帧；
步骤二、节点收到唤醒帧后，获得本次关联的配置信息以及Hub的公钥PKb，然后选择自己的私钥SKa长为256比特，计算公钥计算公钥PKa＝SKa×G，计算出公钥后，节点再计算基于口令的公钥，PKa'＝PKa-Q(PW)，Q(PW)＝(QX，QY)，QX＝232×PW+MX；节点根据收到的Wakeup帧中的Nonce_b以及自身选择的Nonce_a计算：
KMAC_1A
＝CMAC(Temp_1,Add_a||Add_b||Nonce_a||Nonce_b||SSS,64)
KMAC_2A
＝CMAC(Temp_1,Add_b||Add_a||Nonce_b||Nonce_a||SSS,64)；
利用上述计算的信息PKa、KMAC_2A构造第一关联请求帧，并向Hub发送；
步骤三、Hub收到第一关联请求帧后，首先复原当前节点的公钥PKa＝PKa'+Q(PW)，Q(PW)＝(QX，QY)，QX＝232×PW+MX；MX为使QX满足椭圆曲线上的点的最小非负整数；计算DHKey＝X(SKb×PKa)＝X(SKa×SKb×G)，这里X()函数是取椭圆曲线密钥的X坐标值，Temp_1＝RMB_128(DHKey)，根据收到的信息以及计算得到的信息计算：
KMAC_1B
＝CMAC(Temp_1,Add_a||Add_b||Nonce_a||Nonce_b||SSS,64)
KMAC_2B
＝CMAC(Temp_1,Add_b||Add_a||Nonce_b||Nonce_a||SSS,64)
对比收到的KMAC_2A和计算得到的KMAC_2B，如果相同则继续构造第二关联请求帧并进入本次关联请求的步骤五，如果不同则取消本次关联请求；
步骤四、节点收到第二关联请求帧，对比在步骤二中计算的KMAC_1A与收到的KMAC_1B，如果不同则取消本次关联请求，如果相同则进入本次关联的步骤五步；
步骤五、节点与Hub计算
MK＝CMAC(Temp_2,Nonce_a||Nonce_b,128)，
Temp_2＝LMB(DHKey)，为DHKey的最左128位；双方完成唤醒关联。
所述计算机内部安装有存储试题并对试题和题量进行分布调整的智能题量模块，所述分布调整包括：
学生对于知识点Ki的当前分值Si和初始题量分布Ai计算该知识点的参考题量分布Bi：
Si和Bi的差值确定该知识点的题量分布调整量Ci：
Ai和Ci的差值确定该知识点的更新题量分布Di：
Di＝Ai+Ci
令Sum＝0，对于该知识点的采用最终题量分布NDi则为：
对于所有的Di＝0，设置NDi＝min{知识点Ki的题库中所有题目的最小分值}；Sum＝Sum+NDi；
对于所有Di>0，NDi＝Di-(Di/100)*Sum‘’
对于题量分布调整后的期末测试试题，采用随机组卷方法，题库中的题目Ti被选中的概率Qi为：
知识点Ki的组卷过程为：
备选题目集合S＝(1,2,3，…，14)；Ki的题量分布为Ai＝10；已选题目集合Z为空；
在S中间随机取一个数i，考虑题目Ti；
当剩余分值P-Pi＝0时，Z＝Z U{Ti}，成功退出；
当剩余分值P-Pi大于0时，并且存在题目的分值小于P-Pi时，本次选题失败，转选下一题；否则重新开始组卷。
进一步，所述彩色图像选择单元的选择方法包括：
将输入的图像转换成灰度图像，对图像{grayv(i,j)}像素灰度值求和，再获取平均值：
利用总的纹理特征去除背景，计算图像的像素灰度值与平均像素灰度值的差值的绝对值之和，求其平均值：
利用局部纹理特征去除背景，用3×3大小的滑动窗口，遍历图像，求取中心像素灰度值与周边像素灰度值之差，在每一个窗口图像内求取平均值：
进行拟合计算自适应阈值，拟合计算自适应阈值方法包括：
进一步，进行拟合计算自适应阈值后，还进行构建多特征底秩矩阵表示模型，具体为：
s.t.Xi＝XiAi+Ei,i＝1,…,K
其中α是大于0的系数，用来度量噪声和野点带来的误差。
进一步，进行构建多特征底秩矩阵表示模型后，对所述多特征底秩矩阵表示模型分解以及求解，得到新模型，所述新模型等价为以下模型：
进一步，对多特征底秩矩阵表示模型求解包括：固定其他变量求解Ei得：
通过阈值运算求解。
进一步，对多特征底秩矩阵表示模型分解以及求解后，得到最后准确的图像，具体为：
(1)根据人体各类器官的解剖图像大小、比例留下每个子空间的外接矩阵即为模糊图像区域；
(2)设置一个跳变函数f(i,j)，对模糊图像区域进行精确定位，确定人体各类器官的解剖图像区域的上下边界：
其中c(i,j)为
c(i,j)＝LBP8,1(i,j)-LBP8,1(i,j-1)
上两式中i＝1,2,3,4,…N,j＝2,3,4,…M，因此任意一行i的跳变次数和S(i)为：
如果任意一行跳变次数的和S(i≥12)，则这一行属于人体各类器官的解剖图像区域；由上至下对整幅图像进行扫描，找出所有满足S(i≥12)的行，并记录下这一行的行数i；如果有连续的h行满足S(i≥12)，则得到一个宽度为M，高度为h的矩形区域，这个区域为人体各类器官的解剖图像区域，人体各类器官的解剖图像中不具有此特征的区域进行排除。
进一步，所述语音选择单元的语音识别方法包括：
对于每一路声音信号，按照下述公式对所述声音信号中的每一帧声音信号进行噪声跟踪，获取每一帧声音信号的噪声谱N(w,n)：
其中，X(w,n)表示所述声音信号的短时傅里叶变换；αu、αd为预设系数且0<αd<αu<1；w表示频域上的频点序号；n表示时域上的帧序号；
按照下述公式对每一帧声音信号的短时傅里叶变换进行二值化处理得到二值谱Xb(w,n)：
Tb为预设第一阈值；
将其中一路声音信号对应的Ka个二值谱与另一路声音信号对应的Kb个二值谱进行两两间的相干性匹配得到所述第一匹配结果，所述第一匹配结果包括匹配度最高的一组二值谱对应的匹配位置和匹配度，Ka、Kb均为正整数。
进一步，所述语音识别方法还包括：
对于每一路声音信号，按照下述公式计算所述声音信号中的每一帧声音信号的功率谱P(w,n)：
P(w，n)＝αpP(w，n-1)+(1-αp)|X(w，n)|2
其中，X(w,n)表示所述声音信号的短时傅里叶变换；
αp为预设系数且0＜αp＜1；w表示频域上的频点序号；n表示时域上的帧序号；
进一步，所述语音识别方法还包括：按照下述公式计算每一帧声音信号的功率谱的谱间相关性DP(w,n)：
DP(w,n)＝|P(w+1,n)-P(w,n)|。
进一步，所述语音识别方法还包括：按照下述公式对所述谱间相关性DP(w,n)进行噪声跟踪，获取每一帧声音信号的噪声功率谱的谱间相关性NDP(w,n)：
其中，βu、βd为预设系数且0＜βd＜βu＜1。
本发明的有益效果为：该系统可以存储大量的人体模型数据，数据处理速度快，学习方式多样；设置VR虚拟眼镜可以帮助学员通过虚拟演示清晰的查看解剖演示过程，效果明显，真实感强；设置人体解剖演示服务器可以存储大量的人体模型数据，从而完整真实的呈现解剖过程；通过智能题量模块能够根据学员学习情况对试题以及题量进行智能分布调整，通过考核增强学员对解剖的深刻认识；通过无线发射基站可以将教学系统通过无线方式发送到网络中，提高学习的便利性。
本发明结合改进的模型获得人体解剖器官图像区域，能有效提高检测的鲁棒性和准确性，减少误检。
本发明提出的一种自适应阀值可以对复杂背景下的图像进行纹理分析，能提供更准确的特征信息。
本发明的语音识别方法，提高了语音识别的效率和准确率；提高了设备的安全性；而且获得的数据信息准确。
附图说明
图1是本发明实施例提供的人体解剖教学系统结构示意图；
图2是本发明实施例提供的无线体域网快速唤醒关联模块的关联方法流程图；
图中：1、VR虚拟眼镜；2、镜框；3、显示器；4、插槽；5、数据线；6、计算机；7、双绞线；8、无线基站；9、人体解剖演示服务器。
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。
下面结合附图对本发明的结构作详细的描述。
该人体解剖教学系统设置有用于对人体解剖教学内容进行分段教学演示的人体解剖演示服务器9；人体解剖演示服务器9通过双绞线7与计算机6双向通讯；计算机6的信号输出端通过数据线5连接有插槽4；插槽4插装在VR虚拟眼镜1上，VR虚拟眼镜1的外部套装有镜框2，VR虚拟眼镜1的内侧插装有显示器3；计算机6还通过无线基站8与外部网络无线连接。计算机6内部安装有：对数据进行运算和处理的微处理器；与微处理器电连接，用于选择教学所需的人体各类器官的人体器官选择单元；与微处理器电连接，用于选择教学所需的人体各类器官的解剖图像，对能够对多种视角进行选择的彩色图像选择单元；与微处理器电连接，用于选择教学所需的人体各类器官的文字的文字选择单元，文字选择单元提供多种语言文字供选择，如汉字、英文、法文、阿拉伯文等；与微处理器电连接，用于选择教学所需的人体各类器官的话音的语音选择单元，语音选择单元提供多国语言供选择，如汉语、英语、法语、阿拉伯语等；与微处理器电连接，用于在使用者自学时选择听觉背景的背景音乐选择单元。VR虚拟眼镜1上安装有定位装置，定位装置与插槽4电连接。
上述各部件之间还可以采用其他合适的现有连接方式，例如线连接或者无线通讯连接。
人体解剖演示服务器9设置有多元线性回归分析模块，多元线性回归分析模块利用regress函数作多元线性回归分析方法包括：
对于自变量x1，x2，x3…xp和因变量y的n次独立观测，y关于x1，x2，x3…xp的p重广义线性回归模型公式：
无线基站8设置有无线体域网快速唤醒关联模块，无线体域网快速唤醒关联模块的关联方法包括：
S101：Hub根据当前通信的需要设置SSS、Asso_ctrl域为相应的值，构造Wakeup帧；在发送Wakeup帧后，向节点发送T-Poll帧；
S102：节点收到唤醒帧后，获得本次关联的配置信息以及Hub的公钥PKb，然后选择自己的私钥SKa长为256比特，计算公钥计算公钥PKa＝SKa×G，计算出公钥后，节点再计算基于口令的公钥，PKa'＝PKa-Q(PW)，Q(PW)＝(QX，QY)，QX＝232×PW+MX；节点根据收到的Wakeup帧中的Nonce_b以及自身选择的Nonce_a计算：
KMAC_1A
＝CMAC(Temp_1,Add_a||Add_b||Nonce_a||Nonce_b||SSS,64)
KMAC_2A
＝CMAC(Temp_1,Add_b||Add_a||Nonce_b||Nonce_a||SSS,64)；
利用上述计算的信息PKa、KMAC_2A构造第一关联请求帧，并向Hub发送；
S103：Hub收到第一关联请求帧后，首先复原当前节点的公钥PKa＝PKa'+Q(PW)，Q(PW)＝(QX，QY)，QX＝232×PW+MX；MX为使QX满足椭圆曲线上的点的最小非负整数；计算DHKey＝X(SKb×PKa)＝X(SKa×SKb×G)，这里X()函数是取椭圆曲线密钥的X坐标值，Temp_1＝RMB_128(DHKey)，根据收到的信息以及计算得到的信息计算：
KMAC_1B
＝CMAC(Temp_1,Add_a||Add_b||Nonce_a||Nonce_b||SSS,64)
KMAC_2B
＝CMAC(Temp_1,Add_b||Add_a||Nonce_b||Nonce_a||SSS,64)
对比收到的KMAC_2A和计算得到的KMAC_2B，如果相同则继续构造第二关联请求帧并进入本次关联请求的步骤五，如果不同则取消本次关联请求；
S104：节点收到第二关联请求帧，对比在步骤二中计算的KMAC_1A与收到的KMAC_1B，如果不同则取消本次关联请求，如果相同则进入本次关联的S105；
S105：节点与Hub计算
MK＝CMAC(Temp_2,Nonce_a||Nonce_b,128)，
Temp_2＝LMB(DHKey)，为DHKey的最左128位；双方完成唤醒关联。
计算机6内部安装有存储试题并对试题和题量进行分布调整的智能题量模块，智能题量模块存储的试题作为题库，智能题量分布调整包括：
学生对于知识点Ki的当前分值Si和初始题量分布Ai计算该知识点的参考题量分布Bi：
Si和Bi的差值确定该知识点的题量分布调整量Ci：
Ai和Ci的差值确定该知识点的更新题量分布Di：
Di＝Ai+Ci
令Sum＝0，对于该知识点的采用最终题量分布NDi则为：
对于所有的Di＝0，设置NDi＝min{知识点Ki的题库中所有题目的最小分值}；Sum＝Sum+NDi；
对于所有Di>0，NDi＝Di-(Di/100)*Sum‘’
题量分布调整后形成期末测试试题，采用随机组卷方法，题库中的题目Ti被选中的概率Qi为：
知识点Ki的组卷过程为：
备选题目集合S＝(1,2,3，…，14)；Ki的题量分布为Ai＝10；已选题目集合Z为空；
在S中间随机取一个数i，考虑题目Ti；
当剩余分值P-Pi＝0时，Z＝Z U{Ti}，成功退出；
当剩余分值P-Pi大于0时，并且存在题目的分值小于P-Pi时，本次选题失败，转选下一题；否则重新开始组卷。
彩色图像选择单元的选择方法包括：
将输入的图像转换成灰度图像，对图像{grayv(i,j)}像素灰度值求和，再获取平均值：
利用总的纹理特征去除背景，计算图像的像素灰度值与平均像素灰度值的差值的绝对值之和，求其平均值：
利用局部纹理特征去除背景，用3×3大小的滑动窗口，遍历图像，求取中心像素灰度值与周边像素灰度值之差，在每一个窗口图像内求取平均值：
进行拟合计算自适应阈值，拟合计算自适应阈值方法包括：
进行拟合计算自适应阈值后，还进行构建多特征底秩矩阵表示模型，为：
s.t.Xi＝XiAi+Ei,i＝1,…,K
其中α是大于0的系数，用来度量噪声和野点带来的误差。
进行构建多特征底秩矩阵表示模型后，对多特征底秩矩阵表示模型分解以及求解，得到新模型，新模型等价为以下模型：
对多特征底秩矩阵表示模型求解包括：固定其他变量求解Ei得：
通过阈值运算求解。
对多特征底秩矩阵表示模型分解以及求解后，得到最后准确的图像，具体为：
(1)根据人体各类器官的解剖图像大小、比例留下每个子空间的外接矩阵即为模糊图像区域；
(2)设置一个跳变函数f(i,j)，对模糊图像区域进行精确定位，确定人体各类器官的解剖图像区域的上下边界：
其中c(i,j)为
c(i,j)＝LBP8,1(i,j)-LBP8,1(i,j-1)
上两式中i＝1,2,3,4,…N,j＝2,3,4,…M，因此任意一行i的跳变次数和S(i)为：
如果任意一行跳变次数的和S(i≥12)，则这一行属于人体各类器官的解剖图像区域；由上至下对整幅图像进行扫描，找出所有满足S(i≥12)的行，并记录下这一行的行数i；如果有连续的h行满足S(i≥12)，则得到一个宽度为M，高度为h的矩形区域，这个区域为人体各类器官的解剖图像区域，人体各类器官的解剖图像中不具有此特征的区域进行排除。
语音选择单元的语音识别方法包括：
对于每一路声音信号，按照下述公式对声音信号中的每一帧声音信号进行噪声跟踪，获取每一帧声音信号的噪声谱N(w,n)：
其中，X(w,n)表示声音信号的短时傅里叶变换；αu、αd为预设系数且0<αd<αu<1；w表示频域上的频点序号；n表示时域上的帧序号；
按照下述公式对每一帧声音信号的短时傅里叶变换进行二值化处理得到二值谱Xb(w,n)：
Tb为预设第一阈值；
将其中一路声音信号对应的Ka个二值谱与另一路声音信号对应的Kb个二值谱进行两两间的相干性匹配得到第一匹配结果，第一匹配结果包括匹配度最高的一组二值谱对应的匹配位置和匹配度，Ka、Kb均为正整数。
语音识别方法还包括：
对于每一路声音信号，按照下述公式计算声音信号中的每一帧声音信号的功率谱P(w,n)：
P(w，n)＝αpP(w，n-1)+(1-αp)|X(w，n)|2
其中，X(w,n)表示声音信号的短时傅里叶变换；
αp为预设系数且0＜αp＜1；w表示频域上的频点序号；n表示时域上的帧序号；
语音识别方法还包括：按照下述公式计算每一帧声音信号的功率谱的谱间相关性DP(w,n)：
DP(w,n)＝|P(w+1,n)-P(w,n)|。
语音识别方法还包括：按照下述公式对谱间相关性DP(w,n)进行噪声跟踪，获取每一帧声音信号的噪声功率谱的谱间相关性NDP(w,n)：
其中，βu、βd为预设系数且0＜βd＜βu＜1。
学员带上VR虚拟眼镜1，人体解剖演示服务器9将演示视频数据通过计算机6传递到VR虚拟眼镜1，学员即可学习；同时学员可以通过计算机6的人体器官选择单元选择不同的器官进行学习；计算机6将教学数据通过无线基站8发送到网络中，供多位学员通过无线方式进行学习。
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，均包含于本发明技术方案的范围内。

Claims (10)

1.一种人体解剖教学系统，其特征在于，所述人体解剖教学系统设置有用于对人体解剖教学内容进行分段教学演示的人体解剖演示服务器；
所述人体解剖演示服务器与计算机双向通讯；
所述计算机的信号输出端通过数据线连接有插槽；
所述插槽插装在VR虚拟眼镜上，所述VR虚拟眼镜的外部套装有镜框，所述VR虚拟眼镜的内侧插装有显示器；
所述计算机还通过无线基站与外部网络无线连接；
所述计算机内部安装有：
对数据进行运算和处理的微处理器；
与所述微处理器电连接，用于选择教学所需的人体各类器官的人体器官选择单元；
与所述微处理器电连接，用于选择教学所需的人体各类器官的解剖图像，并能够对多种视角进行选择的彩色图像选择单元；
与所述微处理器电连接，用于选择教学所需的人体各类器官的文字的文字选择单元；
与所述微处理器电连接，用于选择教学所需的人体各类器官的话音的语音选择单元；
与所述微处理器电连接，用于在使用者自学时选择听觉背景的背景音乐选择单元；
所述VR虚拟眼镜上安装有定位装置，定位装置与插槽电连接；
所述人体解剖演示服务器设置有多元线性回归分析模块，多元线性回归分析模块利用regress函数作多元线性回归分析，包括：
对于自变量x1，x2，x3…xp和因变量y的n次独立观测，y关于x1，x2，x3…xp的p重广义线性回归模型公式：
所述无线基站设置有无线体域网快速唤醒关联模块，所述无线体域网快速唤醒关联模块的关联方法包括：
步骤一、Hub根据当前通信的需要设置SSS、Asso_ctrl域为相应的值，构造Wakeup帧；在发送Wakeup帧后，向节点发送T-Poll帧；
步骤二、节点收到唤醒帧后，获得本次关联的配置信息以及Hub的公钥PKb，然后选择自己的私钥SKa长为256比特，计算公钥计算公钥PKa＝SKa×G，计算出公钥后，节点再计算基于口令的公钥，PKa'＝PKa-Q(PW)，Q(PW)＝(QX，QY)，QX＝232×PW+MX；节点根据收到的Wakeup帧中的Nonce_b以及自身选择的Nonce_a计算：
KMAC_1A
＝CMAC(Temp_1,Add_a||Add_b||Nonce_a||Nonce_b||SSS,64)
KMAC_2A
＝CMAC(Temp_1,Add_b||Add_a||Nonce_b||Nonce_a||SSS,64)；
利用上述计算的信息PKa、KMAC_2A构造第一关联请求帧，并向Hub发送；
步骤三、Hub收到第一关联请求帧后，首先复原当前节点的公钥PKa＝PKa'+Q(PW)，Q(PW)＝(QX，QY)，QX＝232×PW+MX；MX为使QX满足椭圆曲线上的点的最小非负整数；计算DHKey＝X(SKb×PKa)＝X(SKa×SKb×G)，这里X()函数是取椭圆曲线密钥的X坐标值，Temp_1＝RMB_128(DHKey)，根据收到的信息以及计算得到的信息计算：
KMAC_1B
＝CMAC(Temp_1,Add_a||Add_b||Nonce_a||Nonce_b||SSS,64)
KMAC_2B
＝CMAC(Temp_1,Add_b||Add_a||Nonce_b||Nonce_a||SSS,64)
对比收到的KMAC_2A和计算得到的KMAC_2B，如果相同则继续构造第二关联请求帧并进入本次关联请求的步骤五，如果不同则取消本次关联请求；
步骤四、节点收到第二关联请求帧，对比在步骤二中计算的KMAC_1A与收到的KMAC_1B，如果不同则取消本次关联请求，如果相同则进入本次关联的步骤五步；
步骤五、节点与Hub计算
MK＝CMAC(Temp_2,Nonce_a||Nonce_b,128)，
Temp_2＝LMB(DHKey)，为DHKey的最左128位；双方完成唤醒关联；
所述计算机内部安装有存储试题并对试题和题量进行分布调整的智能题量模块，所述分布调整包括：
学生对于知识点Ki的当前分值Si和初始题量分布Ai计算该知识点的参考题量分布Bi：
Si和Bi的差值确定该知识点的题量分布调整量Ci：
Ai和Ci的差值确定该知识点的更新题量分布Di：
Di＝Ai+Ci
令Sum＝0，对于该知识点的采用最终题量分布NDi则为：
对于所有的Di＝0，设置NDi＝min{知识点Ki的题库中所有题目的最小分值}；Sum＝Sum+NDi；
对于所有Di>0，NDi＝Di-(Di/100)*Sum‘’
对于题量分布调整后的期末测试试题，采用随机组卷方法，题库中的题目Ti被选中的概率Qi为：
知识点Ki的组卷过程为：
备选题目集合S＝(1,2,3，…，14)；Ki的题量分布为Ai＝10；已选题目集合Z为空；
在S中间随机取一个数i，考虑题目Ti；
当剩余分值P-Pi＝0时，Z＝Z U{Ti}，成功退出；
当剩余分值P-Pi大于0时，并且存在题目的分值小于P-Pi时，本次选题失败，转选下一题；否则重新开始组卷。
2.如权利要求1所述的人体解剖教学系统，其特征在于，所述彩色图像选择单元的选择方法包括：
将输入的图像转换成灰度图像，对图像{grayv(i,j)}像素灰度值求和，再获取平均值：
利用总的纹理特征去除背景，计算图像的像素灰度值与平均像素灰度值的差值的绝对值之和，求其平均值：
利用局部纹理特征去除背景，用3×3大小的滑动窗口，遍历图像，求取中心像素灰度值与周边像素灰度值之差，在每一个窗口图像内求取平均值：
进行拟合计算自适应阈值，拟合计算自适应阈值方法包括：
3.如权利要求2所述的人体解剖教学系统，其特征在于，进行拟合计算自适应阈值后，还进行构建多特征底秩矩阵表示模型，具体为：
s.t.Xi＝XiAi+Ei,i＝1,…,K
其中α是大于0的系数，用来度量噪声和野点带来的误差。
4.如权利要求3所述的人体解剖教学系统，其特征在于，进行构建多特征底秩矩阵表示模型后，对所述多特征底秩矩阵表示模型分解以及求解，得到新模型，所述新模型等价为以下模型：
5.如权利要求4所述的人体解剖教学系统，其特征在于，对多特征底秩矩阵表示模型求解包括：固定其他变量求解Ei得：
通过阈值运算求解。
6.如权利要求4所述的人体解剖教学系统，其特征在于，对多特征底秩矩阵表示模型分解以及求解后，得到最后准确的图像，具体为：
(1)根据人体各类器官的解剖图像大小、比例留下每个子空间的外接矩阵即为模糊图像区域；
(2)设置一个跳变函数f(i,j)，对模糊图像区域进行精确定位，确定人体各类器官的解剖图像区域的上下边界：
其中c(i,j)为
c(i,j)＝LBP8,1(i,j)-LBP8,1(i,j-1)
上两式中i＝1,2,3,4,…N,j＝2,3,4,…M，因此任意一行i的跳变次数和S(i)为：
如果任意一行跳变次数的和S(i≥12)，则这一行属于人体各类器官的解剖图像区域；由上至下对整幅图像进行扫描，找出所有满足S(i≥12)的行，并记录下这一行的行数i；如果有连续的h行满足S(i≥12)，则得到一个宽度为M，高度为h的矩形区域，这个区域为人体各类器官的解剖图像区域，人体各类器官的解剖图像中不具有此特征的区域进行排除。
7.如权利要求1所述的人体解剖教学系统，其特征在于，所述语音选择单元的语音识别方法包括：
对于每一路声音信号，按照下述公式对所述声音信号中的每一帧声音信号进行噪声跟踪，获取每一帧声音信号的噪声谱N(w,n)：
其中，X(w,n)表示所述声音信号的短时傅里叶变换；αu、αd为预设系数且0<αd<αu<1；w表示频域上的频点序号；n表示时域上的帧序号；
按照下述公式对每一帧声音信号的短时傅里叶变换进行二值化处理得到二值谱Xb(w,n)：
Tb为预设第一阈值；
将其中一路声音信号对应的Ka个二值谱与另一路声音信号对应的Kb个二值谱进行两两间的相干性匹配得到所述第一匹配结果，所述第一匹配结果包括匹配度最高的一组二值谱对应的匹配位置和匹配度，Ka、Kb均为正整数。
8.如权利要求7所述的人体解剖教学系统，其特征在于，所述语音识别方法还包括：
对于每一路声音信号，按照下述公式计算所述声音信号中的每一帧声音信号的功率谱P(w,n)：
P(w，n)＝αpP(w，n-1)+(1-αp)|X(w，n)|2
其中，X(w,n)表示所述声音信号的短时傅里叶变换；
αp为预设系数且0＜αp＜1；w表示频域上的频点序号；n表示时域上的帧序号。
9.如权利要求7所述的人体解剖教学系统，其特征在于，所述语音识别方法还包括：按照下述公式计算每一帧声音信号的功率谱的谱间相关性DP(w,n)：
DP(w,n)＝|P(w+1,n)-P(w,n)|。
10.如权利要求7所述的人体解剖教学系统，其特征在于，所述语音识别方法还包括：按照下述公式对所述谱间相关性DP(w,n)进行噪声跟踪，获取每一帧声音信号的噪声功率谱的谱间相关性NDP(w,n)：
其中，βu、βd为预设系数且0＜βd＜βu＜1。
CN201810047952.7A 2017-12-04 2018-01-18 一种人体解剖教学系统 Pending CN107993501A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201711261334 2017-12-04
CN2017112613344 2017-12-04

Publications (1)

Publication Number Publication Date
CN107993501A true CN107993501A (zh) 2018-05-04

Family

ID=62041088

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810047952.7A Pending CN107993501A (zh) 2017-12-04 2018-01-18 一种人体解剖教学系统

Country Status (1)

Country Link
CN (1) CN107993501A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112822989A (zh) * 2018-07-18 2021-05-18 西姆拉特无生命模型公司 外科手术培训设备、方法和系统
TWI803436B (zh) * 2022-10-07 2023-05-21 輔英科技大學 解剖跑台數位學習系統

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810474A (zh) * 2014-02-14 2014-05-21 西安电子科技大学 一种基于多特征低秩矩阵表示的车牌检测方法
CN104700842A (zh) * 2015-02-13 2015-06-10 广州市百果园网络科技有限公司 声音信号的时延估计方法和装置
CN104851345A (zh) * 2015-03-11 2015-08-19 张雁儒 一种人体解剖教学系统
CN105427694A (zh) * 2015-11-18 2016-03-23 浙江师范大学 一种用于智能教学的计算机辅助测试方法
CN105676456A (zh) * 2016-04-06 2016-06-15 众景视界（北京）科技有限公司 模块化头戴式电子设备
CN106302681A (zh) * 2016-08-06 2017-01-04 内蒙古大学 一种基于物联网的数据显示服务器系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810474A (zh) * 2014-02-14 2014-05-21 西安电子科技大学 一种基于多特征低秩矩阵表示的车牌检测方法
CN104700842A (zh) * 2015-02-13 2015-06-10 广州市百果园网络科技有限公司 声音信号的时延估计方法和装置
CN104851345A (zh) * 2015-03-11 2015-08-19 张雁儒 一种人体解剖教学系统
CN105427694A (zh) * 2015-11-18 2016-03-23 浙江师范大学 一种用于智能教学的计算机辅助测试方法
CN105676456A (zh) * 2016-04-06 2016-06-15 众景视界（北京）科技有限公司 模块化头戴式电子设备
CN106302681A (zh) * 2016-08-06 2017-01-04 内蒙古大学 一种基于物联网的数据显示服务器系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112822989A (zh) * 2018-07-18 2021-05-18 西姆拉特无生命模型公司 外科手术培训设备、方法和系统
TWI803436B (zh) * 2022-10-07 2023-05-21 輔英科技大學 解剖跑台數位學習系統

Similar Documents

Publication Publication Date Title
WO2019028592A1 (zh) 一种教学辅助方法及采用该方法的教学辅助系统
Reichenberg Dynamic Bayesian networks in educational measurement: Reviewing and advancing the state of the field
CN105225549A (zh) 一种英语教学语言学习系统
CN108491808B (zh) 用于获取信息的方法及装置
CN106886572A (zh) 基于Markov逻辑网的知识图谱关系类型推测方法及其装置
Jinfeng et al. Design of evaluation system of physical education based on machine learning algorithm and SVM
Simpson et al. Immersive storm surge flooding: Scale and risk perception in virtual reality
CN107766319A (zh) 序列转换方法及装置
CN110531849A (zh) 一种基于5g通信的增强现实的智能教学系统
CN107993501A (zh) 一种人体解剖教学系统
Wang et al. Modeling the nonlinear relationship between structure and process quality features in Chinese preschool classrooms
Wenwen Modeling and simulation of teaching quality in colleges based on BP neural network and training function
CN110175469A (zh) 一种社交媒体用户隐私泄漏检测方法、系统、设备及介质
Sha et al. Neural knowledge tracing
Brogan et al. Development and Classroom Implementation of an Environmental Data Creation and Sharing Tool.
Tu et al. A polytomous model of cognitive diagnostic assessment for graded data
Ma et al. [Retracted] The Study of Immersive Physiology Courses Based on Intelligent Network through Virtual Reality Technology in the Context of 5G
McNeal et al. Investigating the foundations of spatial thinking in meteorology
CN109299805B (zh) 一种基于人工智能的在线教育课程请求处理方法
Mayer Fostering learning with visual displays
CN114792349B (zh) 基于半监督生成对抗网络的遥感影像转换地图迁移方法
Grubišić et al. Knowledge tracking variables in intelligent tutoring systems
Waller Putting spatial statistics (back) on the map
Wen An Analysis of Emotional Responses of Students in Bilingual Classes and Adjustment Strategies.
CN106971354A (zh) 一种基于大数据的教学分析系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180504