CN108538388B - 一种膝关节运动障碍功能评判方法 - Google Patents

一种膝关节运动障碍功能评判方法 Download PDF

Info

Publication number
CN108538388B
CN108538388B CN201810183997.7A CN201810183997A CN108538388B CN 108538388 B CN108538388 B CN 108538388B CN 201810183997 A CN201810183997 A CN 201810183997A CN 108538388 B CN108538388 B CN 108538388B
Authority
CN
China
Prior art keywords
gait data
dyskinesia
flat ground
knee joint
basic information
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.)
Active
Application number
CN201810183997.7A
Other languages
English (en)
Other versions
CN108538388A (zh
Inventor
王少白
皇甫良
蔡学晨
易俊
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.)
Innomotion Inc Shanghai
Original Assignee
Innomotion Inc Shanghai
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 Innomotion Inc Shanghai filed Critical Innomotion Inc Shanghai
Priority to CN201810183997.7A priority Critical patent/CN108538388B/zh
Publication of CN108538388A publication Critical patent/CN108538388A/zh
Application granted granted Critical
Publication of CN108538388B publication Critical patent/CN108538388B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

一种膝关节运动障碍功能评判方法，包括步骤：采集运动者双膝运动的平地步态数据和运动者的基本信息，对平地步态数据和基本信息进行特征提取形成特征向量；对特征向量进行归一化处理后作为训练集；基于支持向量机和极限学习机按照预设规则对训练集进行训练形成与各个数据库对应的混合模型；采集测试者双膝运动的平地步态数据和基本信息，并进行特征提取形成测试特征向量，利用测试特征向量对混合模型进行测试，获得最优混合模型；采集受试者的平地步态数据和基本信息，利用最优混合模型得到平地步态数据的运动障碍功能的分类及评判。解决了膝关节运动障碍功能评判单一的问题，并能对膝关节相关运动障碍功能进行准确评判。

Description

一种膝关节运动障碍功能评判方法
技术领域
本发明涉及关节运动技术领域，具体涉及一种膝关节运动障碍功能评判方法。
背景技术
目前，针对膝关节运动的功能评判比较单一，如，针对半月板损伤功能的评判，针对ACL损伤功能的评判等，但是，还不能实现针对膝关节运动的平地步态数据对膝关节运动的各种相关运动障碍功能进行评判，而，针对大多数患有膝关节运动障碍的患者，其膝关节可能存在多种不同程度的运动障碍，如，有可能同时存在半月板损伤和ACL损伤，因此，急需要提供能对膝关节相关运动障碍功能进行准确评判的技术方案。
发明内容
本申请提供一种膝关节运动障碍功能评判方法，包括步骤：
采集运动者双膝运动的平地步态数据和运动者的基本信息，平地步态数据包括但不限于ACL损伤患者、偏瘫患者、骨关节炎患者、半月板损伤患者和正常人的平地步态数据，并分别形成ACL损伤、偏瘫、骨关节炎、半月板损伤和正常人的数据库；
对所述平地步态数据和基本信息进行特征提取形成特征向量；
对特征向量进行归一化处理，并将归一化处理后的特征向量作为训练集；
基于支持向量机和极限学习机按照预设规则对所述训练集进行训练形成与各个数据库对应的混合模型；
采集测试者双膝运动的平地步态数据和基本信息，并进行特征提取形成测试特征向量，利用测试特征向量对混合模型进行测试，获得最优混合模型，测试者包括但不限于ACL损伤患者、偏瘫患者、骨关节炎患者、半月板损伤患者和正常人；
采集受试者的平地步态数据和基本信息，并提取特征及将提取的特征输入所述最优混合模型，利用最优混合模型得到平地步态数据的运动障碍功能的分类及评判。
一种实施例中，对平地步态数据和基本信息进行特征提取形成特征向量/测试特征向量，具体为：
基本信息的特征向量/测试特征向量提取包括：运动者的身高、体重、身体质量指数、年龄和性别；
根据自由度曲线对平地步态数据的特征向量/测试特征向量提取，具体包括：提取所述自由度曲线的平均值、方根幅值、均方根值、标准差、最大值、最小值、偏斜度、峭度、峰值因子、裕度因子、波形因子、脉冲因子、方差、斜率、活动度、多重相关系数。
一种实施例中，还包括对多重相关系数进行改进的步骤：将每一自由度曲线的每一个元素减去所述自由度曲线的平均值，以使自由度曲线整体移动至相同位置。
一种实施例中，还包括对自由度曲线进行一阶微分得到导函数曲线，对平地步态数据的特征向量/测试特征向量提取还包括提取与导函数曲线的相应的统计量/特征。
一种实施例中，对特征向量进行归一化处理，具体为：将特征向量的组合进行T检验，选择出符合预设选择条件的特征。
依据上述实施例的膝关节运动障碍功能评判方法，由于分别建立ACL损伤、偏瘫、骨关节炎、半月板损伤和正常人的运动数据库，并使用支持向量机和极限学习机按照预设规则对训练集进行训练形成混合模型，同时，利用测试特征向量对混合模型进行测试获得最优混合模型，当将受试者的平地步态数据输入该最优混合模型后，利用交叉验证方法得到该平地步态数据的运动障碍功能分类及该分类的评判，如，能获取ACL损伤、偏瘫、骨关节炎和半月板损伤等引起的运动障碍分类及分类的评判，从而解决了膝关节运动障碍功能评判单一的问题，并能对膝关节相关运动障碍功能进行准确评判。
附图说明
图1为膝关节运动障碍功能评判方法流程图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。
在本发明实施例中，通过建立膝关节运动障碍的相关数据库及正常人的膝关节运动数据库，并对各个数据库进行建模，然后根据建立的各类模型能对膝关节运动的相关障碍功能进行评判，以实现根据膝关节运动数据实现膝关节相关运动障碍功能评判的目的。
本例提供的膝关节运动障碍功能评判方法，其流程图如图1所示，具体包括以下步骤。
S1：采集运动者双膝运动的平地步态数据和运动者的基本信息。
本例的平地步态数据包括但不限于ACL损伤患者、偏瘫患者、骨关节炎患者、半月板损伤患者和正常人的平地步态数据，并分别创建ACL损伤、偏瘫、骨关节炎、半月板损伤和正常人的数据库。
S2：对平地步态数据和基本信息进行特征提取形成特征向量。
其中，特征提取可以是自动提取也可以是人工提取，具体提取哪些特征对后续的工作有很大的影响，因此，选择提取合适的特征对后续的膝关节运动障碍功能评判非常重要。本例的特征提取优选为人工提取，具体提取的特征向量如下所示：
基本信息的特征向量提取包括：运动者的身高、体重、身体质量指数、年龄和性别；
根据自由度曲线对平地步态数据的特征向量提取，具体包括：提取自由度曲线的平均值、方根幅值、均方根值、标准差、最大值、最小值、偏斜度、峭度、峰值因子、裕度因子、波形因子、脉冲因子、方差、斜率、活动度、多重相关系数、和与正常均值曲线的差。
本例将六自由度的平地步态数据转换为时间序列进行分析，假设自由度曲线的时间序列用X＝x1，x2，x3，…，xi，...，xN表示，N为该时间序列的数据量，则平地步态数据提取的特征向量的计算公式如下。
序列的平均值计算公式为：μ＝(x1+x2+x3+...+xN)/N；
方根幅值计算公式：
Figure BDA0001589587680000031
均方根值计算公式：
Figure BDA0001589587680000032
最大值：MAX＝max(x1，x2，x3，…，xN)；
最小值：MIN＝min(x1，x2，x3，…，xN)；
标准差：
Figure BDA0001589587680000033
偏斜度：
Figure BDA0001589587680000034
峭度：
Figure BDA0001589587680000035
峰值因子：
Figure BDA0001589587680000036
裕度因子：
Figure BDA0001589587680000037
波形因子：
Figure BDA0001589587680000041
脉冲因子：
Figure BDA0001589587680000042
方差：VAR＝σ2；
斜率：
Figure BDA0001589587680000043
活动度：ROM＝MAX-MIN。
需要说明的是，传统的多重相关系数(CMC)的波形数值大小对最终的计算有很大的影响，由于自由度曲线更加关注曲线趋势的变化，因此，本步骤还包括对多重相关系数进行改进，具体的改进是：将每一自由度曲线的每一个元素减去所述自由度曲线的平均值，以使所述自由度曲线整体移动至相同位置。
多重相关系数常用来进行波形数据的重复性检测分析，本例的CMC的计算公式为：
Figure BDA0001589587680000044
其中，
Figure BDA0001589587680000045
表示多重决定系数。
对于同一天的
Figure BDA0001589587680000046
的计算公式如下：
Figure BDA0001589587680000047
Figure BDA0001589587680000048
其中，M表示天数，N表示每天测试的次数，T表示一个周期的采样点数，m表示数据组数(M×N)，n＝T。
对于不同天的
Figure BDA0001589587680000049
的计算公式如下：
Figure BDA00015895876800000410
Figure BDA00015895876800000411
Figure BDA00015895876800000412
通过上述不同
Figure BDA00015895876800000413
的计算公式，在不考虑不同天之间的差异的情况下，本例的CMC的计算公式简化模型为：
Figure BDA0001589587680000051
进一步，为了进可能获取全面的特征向量，本例还包括对自由度曲线进行一阶微分得到导函数曲线，对平地步态数据的特征向量提取还包括提取与导函数曲线的相应的统计量/特征，即对应提取导函数曲线的平地步态数据的特征向量，以全面获取平地步态数据的特征向量。
S3：对特征向量进行归一化处理，并将归一化处理后的特征向量作为训练集。
具体的，使用统计学校验和Lasso回归等方法对特征向量进行归一化处理，其中，Lasso(Least absolute shrinkage and selection operator)回归在拟合广义线性模型的同时进行变量筛选。例如在区分ACL损伤患者和正常人时，通过Lasso回归挑选出10-40个步态特征用于后续建模。这里的变量筛选是指不把所有的变量都放入模型中进行拟合，而是有选择的把变量放入模型从而得到更好的性能参数。如，将特征向量的组合进行T检验，T检验用于比较两个平均数是否具有显著性差异，根据预设选择条选取特征，进而，选择出具有显著性差异的特征，本例的预设选择条件为：p＜0.05。
S4：基于支持向量机和极限学习机按照预设规则对训练集进行训练形成与各个数据库对应的混合模型。
以ACL损伤为例进行对混合模型的创建进行说明，支持向量机(Support vectormachine，SVM)是Vapnik等提出的一种基于统计学习理论的监督式学习方法。SVM具有同时追求最小化经验误差和最大化几何边缘区的特点，因此支持向量机也被称为最大边缘区分类器。SVM的主要过程也被认为在寻找最优分类超平面。SVM的基本思想：首先通过选定的核函数实现非线性变换，将输入的步态特征变量映射到一个高维特征空间，在高维特征空间下求取超平面，使该平面所得的经验误差最小，分类间隔最大。
SVM对特征之间的相关性有较高的要求，使用Lasso回归算法对特征集进行特征挑选，对样本进行采用留一法进行变量选择，对每个特征统计其出现的次数，选择前30个特征出现次数最多的特征，用于作为SVM算法的训练特征集。
使用SVM对提取的特征向量集进行分类，使用SVM方法进行分类之后，得到结果的同时，获取每一例运动障碍的空间特征位置到最优超平面的距离。由于医学数据的特点，往往这一点距离超平面的距离很难判别。为了提升更好的准确率，本例引入极限学习机进行校验。
极限学习机(Extreme learning machine，ELM)是由Huang等提出的一种单隐层前馈神经网络(single-hiddenlayer feed-forward neural networks，SLFNN)。ELM算法通过简化参数的选择过程提高神经网络的训练速度。
由于极限学习机是一种单隐层的神经网络，选择特征时可以比较正常人与ACL损伤患者特征集中具有显著性差异的特征(p＜0.05)作为极限学习机的输入向量。
当测试的运动障碍在支持向量机中的空间位置与超平面之间的距离，与另一类相比的预测准确率小于70％时，依据其在极限学习机中的判断结果。如果预测准确率高于70％时，与极限学习机结果进行对照，如出现不同，给出无法判断的结果。
按照以上规则训练支持向量机与极限学习机得到一个能够初步判断正常人与ACL损伤患者的混合模型。
S5：采集测试者双膝运动的平地步态数据和基本信息，并进行特征提取形成测试特征向量，利用测试特征向量对混合模型进行测试，获得最优混合模型。
需要说明的是，为了使评判不同类型运动障碍功能的混合模型达到最优，本例的测试者包括但不限于ACL损伤患者、偏瘫患者、骨关节炎患者、半月板损伤患者和正常人等，
本步骤的测试特征向量的提取具体请参考上述步骤S2中的特征提取，本例不作赘述。
通过前期的小批量的数据进行学习训练得到的初步的混合模型，然而这个混合模型在实际应用过程中仍然存在着训练样本不足的缺点。可以通过后期的医生专家收集上传运动障碍类型，对运动障碍的种类进行扩充，以实现混合模型的最优化。
例如，新加入的运动障碍的运动数据与其它训练运动障碍一样，提取对应的特征，将该运动障碍的特征向量输入混合模型，得出判断结果，并与医生对该运动障碍类型的实际诊断结果后的标记进行判断，如果结果一致，将该类型运动障碍的特征向量加入混合模型进行重新训练，得到一个样本量更大的最优混合模型；如果结果与诊断结果不一致，根据该运动障碍点的高维空间位置对最优超平面进行轻微修正，使该运动障碍更接近于靠近诊断结果一侧，调整超平面形态与位置之后，联合整体样本集进行重新测试，评判该调整结果是否合理，如果出现了模型恶化，则放弃该调整，将超平面重置为原先的位置。
本例通过准确率(Accuracy，Acc)、精度(PreBision，Pre)、敏感性(Sensitivity，Sen)、特异性(Specificity，Spc)和约登指数(Youden.s Index，YI)来评价本例的混合模型的准确性，其中：
ACC＝(TP+TN)/(TP+FN+TN+FP)；
Pre＝TP/(TP+FP)；
Sen＝TP/(TP+FN)；
Spc＝TN/(TN+FP)；
YI＝Sen+Spc-1；
TP、FP、TN、FN分别为真阳性、假阳性、真阴性和假阴性，其中正常人55例，ACL损伤患者51例。其中FN＝5；FP＝4；TN＝51；TP＝46。
以混合模型区别正常人和ACL患者为例，将ACL患者的步态特征输入混合模型后，混合模型的准确度如下表所示。
混合模型准确度参数
ACC Pre Sen Spc YI
混合模型 91.51％ 92.00％ 90.20％ 92.73％ 82.92％
由上表可知，本例的混合模型能准确的将ACL患者与正常人区别开。
S6：采集受试者的平地步态数据和基本信息，并提取特征及将提取的特征输入最优混合模型，利用最优混合模型得到平地步态数据的运动障碍功能的分类及评判。
本步骤中对受试者运动数据及基本信息的特征提取的具体过程请参考上述步骤S2，将提取的特征输入最优混合模型，利用最优混合模型得到受试者运动障碍功能的具体分类及评判，根据提取的特征通过混合模型可以直接给出受试者运动障碍功能类型，及对该运动障碍功能的评判结果。
需要说明的是，由于本例由多种运动障碍功能的数据库，如，ACL损伤数据库、偏瘫数据库、骨关节炎数据库、半月板损伤数据库等其他类型数据库，而且，每种类型数据库都有一个相对应的混合模型，这样，针对某一受试者的运动步态数据进行测试时，可以直接判断出该受试者的膝关节运动存在哪一种或哪几种运动障碍，并对存在的运动障碍进行分值评判，以表时哪种运动障碍最为严重，从而，达到对膝关节相关运动障碍功能进行准确评判的目的。
以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。

Claims (4)

1.一种膝关节运动障碍功能评判方法，其特征在于，包括步骤：
采集运动者双膝运动的平地步态数据和运动者的基本信息，所述平地步态数据包括但不限于ACL损伤患者、偏瘫患者、骨关节炎患者、半月板损伤患者和正常人的平地步态数据，并分别形成ACL损伤、偏瘫、骨关节炎、半月板损伤和正常人的数据库；
对所述平地步态数据和基本信息进行特征提取形成特征向量；
对所述特征向量进行归一化处理，并将归一化处理后的特征向量作为训练集；
基于支持向量机和极限学习机按照预设规则对所述训练集进行训练形成与各个数据库对应的混合模型；其中，所述预设规则为：选取ACL损伤、偏瘫、骨关节炎、半月板损伤和正常人中的任意两类作为测试对象，当测试的运动障碍在支持向量机中的空间位置与超平面之间的距离，与另一类相比的预测准确率小于70％时，依据其在极限学习机中的判断结果；如果预测准确率高于70％时，与极限学习机结果进行对照，如出现不同，给出无法判断的结果；
采集测试者双膝运动的平地步态数据和基本信息，并进行特征提取形成测试特征向量，利用所述测试特征向量对所述混合模型进行测试，获得最优混合模型，所述测试者包括但不限于ACL损伤患者、偏瘫患者、骨关节炎患者、半月板损伤患者和正常人；
采集受试者的平地步态数据和基本信息，并提取特征及将提取的特征输入所述最优混合模型，利用所述最优混合模型得到所述平地步态数据的运动障碍功能的分类及评判；
所述对平地步态数据和基本信息进行特征提取形成特征向量/测试特征向量，具体为：
基本信息的特征向量/测试特征向量提取包括：运动者的身高、体重、身体质量指数、年龄和性别；
将六自由度的平地步态数据转换为时间序列，对平地步态数据的特征向量/测试特征向量进行提取，具体包括：提取时间序列的平均值、方根幅值、均方根值、标准差、最大值、最小值、偏斜度、峭度、峰值因子、裕度因子、波形因子、脉冲因子、方差、斜率、活动度、多重相关系数。
2.如权利要求1所述的膝关节运动障碍功能评判方法，其特征在于，还包括对所述多重相关系数进行改进的步骤：将每一自由度曲线的每一个元素减去所述自由度曲线的平均值，以使所述自由度曲线整体移动至相同位置。
3.如权利要求1所述的膝关节运动障碍功能评判方法，其特征在于，还包括对所述自由度曲线进行一阶微分得到导函数曲线，对所述平地步态数据的特征向量/测试特征向量提取还包括提取与所述导函数曲线的相应的统计量/特征。
4.如权利要求1所述的膝关节运动障碍功能评判方法，其特征在于，对所述特征向量进行归一化处理，具体为：将所述特征向量的组合进行T检验，选择出符合预设选择条件的特征。
CN201810183997.7A 2018-03-06 2018-03-06 一种膝关节运动障碍功能评判方法 Active CN108538388B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810183997.7A CN108538388B (zh) 2018-03-06 2018-03-06 一种膝关节运动障碍功能评判方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810183997.7A CN108538388B (zh) 2018-03-06 2018-03-06 一种膝关节运动障碍功能评判方法

Publications (2)

Publication Number Publication Date
CN108538388A CN108538388A (zh) 2018-09-14
CN108538388B true CN108538388B (zh) 2022-09-06

Family

ID=63486614

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810183997.7A Active CN108538388B (zh) 2018-03-06 2018-03-06 一种膝关节运动障碍功能评判方法

Country Status (1)

Country Link
CN (1) CN108538388B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109567799A (zh) * 2018-12-26 2019-04-05 杭州电子科技大学 基于平滑小波相干性的肌电信号特征提取方法
CN111374672B (zh) * 2018-12-29 2024-01-19 西安思博探声生物科技有限公司 智能护膝及膝关节损伤预警方法
CN110930399A (zh) * 2019-12-10 2020-03-27 南京医科大学 基于支持向量机的tka术前临床分期智能评估方法
CN111329488B (zh) * 2020-03-05 2021-02-02 北京科技大学 针对踝关节韧带损伤的步态特征提取与生成方法及系统
CN113171082A (zh) * 2021-04-26 2021-07-27 中山大学孙逸仙纪念医院 一种前束交叉韧带损伤评估方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008032967A1 (en) * 2006-09-14 2008-03-20 P & S Mechanics Co., Ltd. Gait training control system
CN104091177A (zh) * 2014-06-30 2014-10-08 华南理工大学 一种基于确定学习理论的异常步态检测方法
CN106650195A (zh) * 2016-05-26 2017-05-10 张余 一种辅助筛查半月板损伤的步态分析方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008032967A1 (en) * 2006-09-14 2008-03-20 P & S Mechanics Co., Ltd. Gait training control system
CN104091177A (zh) * 2014-06-30 2014-10-08 华南理工大学 一种基于确定学习理论的异常步态检测方法
CN106650195A (zh) * 2016-05-26 2017-05-10 张余 一种辅助筛查半月板损伤的步态分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于支持向量机的步态分类方法;吴建宁等;《测试技术学报》;20061231;第20卷(第4期);文章第1-4节 *

Also Published As

Publication number Publication date
CN108538388A (zh) 2018-09-14

Similar Documents

Publication Publication Date Title
CN108538388B (zh) 一种膝关节运动障碍功能评判方法
Osth et al. Diffusion vs. linear ballistic accumulation: Different models, different conclusions about the slope of the zROC in recognition memory
Silva et al. Evaluation of features for leaf discrimination
Samanta et al. Haralick features based automated glaucoma classification using back propagation neural network
CN105930663B (zh) 一种基于演化模糊规则的手部震颤信号及音频信号分类方法
CN101517602A (zh) 使用基于分类器集成的遗传算法进行特征选择的方法
CN107157450A (zh) 用于对帕金森病人的手部运动能力进行量化评估方法和系统
CN109003266B (zh) 一种基于模糊聚类统计图像质量主观评价结果的方法
CN113484738A (zh) 基于多特征信息融合的电路故障诊断方法
CN109620244A (zh) 基于条件生成对抗网络和svm的婴儿异常行为检测方法
Acharya et al. Automated screening tool for dry and wet age-related macular degeneration (ARMD) using pyramid of histogram of oriented gradients (PHOG) and nonlinear features
Hernandez et al. Retracted: Early detection of Alzheimer's using digital image processing through iridology, an alternative method
CN111631719A (zh) 一种用于预测老年人跌倒风险的方法
Hassoun et al. NNERVE: neural network extraction of repetitive vectors for electromyography. II. Performance analysis
US10963805B2 (en) Regression analysis system and regression analysis method that perform discrimination and regression simultaneously
Hasni et al. Analysis of electromyogram (EMG) for detection of neuromuscular disorders
Kabir et al. Multi-classification based Alzheimer's disease detection with comparative analysis from brain MRI scans using deep learning
Himami et al. Deep learning in image classification using dense networks and residual networks for pathologic myopia detection
Yunitasari et al. Glaucoma detection based on cup-to-disc ratio in retinal fundus image using support vector machine
Niwas et al. Complex wavelet based quality assessment for AS-OCT images with application to angle closure glaucoma diagnosis
Ma et al. Support Vector Machine-recursive feature elimination for the diagnosis of Parkinson disease based on speech analysis
CN116484290A (zh) 一种基于Stacking集成的抑郁症识别模型构建方法
Phankokkruad Evaluation of deep transfer learning models in glaucoma detection for clinical application
CN114818776B (zh) 多模态测谎的数据对齐及异常值处理方法、装置及存储介质
Pancerz et al. Determining importance of ranges of MMPI scales using fuzzification and relevant attribute selection

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
GR01 Patent grant
GR01 Patent grant