CN110516762B - 一种肌肉状态量化评定方法、装置、存储介质及智能终端 - Google Patents
一种肌肉状态量化评定方法、装置、存储介质及智能终端 Download PDFInfo
- Publication number
- CN110516762B CN110516762B CN201910959669.6A CN201910959669A CN110516762B CN 110516762 B CN110516762 B CN 110516762B CN 201910959669 A CN201910959669 A CN 201910959669A CN 110516762 B CN110516762 B CN 110516762B
- Authority
- CN
- China
- Prior art keywords
- data set
- muscle
- characteristic data
- tested
- person
- 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
Links
Images
Classifications
-
- 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
- A61B5/4519—Muscles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Abstract
本发明公开了一种肌肉状态量化评定方法、装置、存储介质及智能终端,所述方法:获取待测试者的肌肉超声图像以及体能特征数据,并根据所述肌肉超声图像以及体能特征数据进行特征选择;构建特征数据集,并根据所述特征数据集确定出最优特征数据集;将所述最优特征数据集输入至已训练好的分类器进行分类,获取到所述待测试者的运动频率类别;将所述最优特征数据集输入至已训练好的评定模型进行肌肉状态量化评定,获取评定结果,所述评定结果为所述待测试者的运动能力分数。本发明通过对肌肉超声图像进行分析,并利用数据挖掘技术与机器学习模型来对运动频率进行分类,并对肌肉状态进行量化评定,从而更加准确地了解肌肉的状态。
Description
技术领域
本发明涉及肌肉图像分析技术领域,尤其涉及的是一种肌肉状态量化评定方法、装置、存储介质及智能终端。
背景技术
无论是竞技体育还是运动康复,肌肉通常都是通过运动来加强的。在这一过程中,肌肉的生物结构也发生了微妙的变化,同时这种变化也可能作为图像特征的微小变化反映在相应肌肉的超声图像中。
每个人骨骼肌结构的差异通常归因于许多方面:年龄差异,性别差异,肌肉健康状态的差异,甚至运动频率差异。对这种差异的进一步研究对于评估肌肉状态是有用的。因此,挖掘这种差异信息是康复工程,运动医学和老年护理的重要任务。
但是现有的方法对于肌肉状态的评估通常是基于任务或复杂动作来实现的,比如对于运动员,测量肌肉爆发力,需要其固定在专用仪器做指定高强度动作。然而专用仪器通常体积较大,不便于携带。且在运动康复中,若患者处于恢复期,为了防止运动损伤是不建议做高强度动作,因此对于肌肉状态的评估也受到了较大的限制。
因此,现有技术还有待于改进和发展。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种肌肉状态量化评定方法、装置、存储介质及智能终端,旨在解决现有技术中的肌肉状态评估的方式繁琐,且需要用到专用仪器的问题。
本发明解决技术问题所采用的技术方案如下:
第一方面,本发明实施例提供了一种肌肉状态量化评定方法,其中,所述方法包括:
获取待测试者的肌肉超声图像以及体能特征数据,并根据所述肌肉超声图像以及体能特征数据进行特征选择;
构建特征数据集,并根据所述特征数据集确定出最优特征数据集;
将所述最优特征数据集输入至已训练好的分类器进行分类,获取到所述待测试者的运动频率类别;
将所述最优特征数据集输入至已训练好的评定模型进行肌肉状态量化评定,获取评定结果,所述评定结果为所述待测试者的运动能力分数。
在一种实现方式中,所述肌肉超声图像包括在不同运动状态下的胫骨前肌的超声图像以及腓肌后侧肌肉的超声图像。
在一种实现方式中,所述体能特征数据包括生理特征数据以及运动记录数据;
生理特征数据包括:所述待测试者的身高、体重、年龄、性别以及身体质量指数;所述运动记录数据包括所述待测试者的运动频率。
在一种实现方式中,所述根据所述肌肉超声图像进行特征选择,包括:
从所述肌肉超声图像中提取特征数据;
按照预设的排序准则对提取的特征数据计算排序准则得分;
基于所述排序准则得分对提取的特征数据进行选择。
在一种实现方式中,所述构建特征数据集,并根据所述特征数据集确定出最优特征数据集,包括:
对选择后的特征数据使用交叉验证重复计数法筛选出预设个数的特征数据,并构建特征数据集;
对所述特征数据集使用降维技术,将所述特征数据集的维度降低至预设空间,获得最优特征数据集。
在一种实现方式中,所述将所述最优特征数据集输入至已训练好的分类器进行分类之前,包括:
以所述特征数据集作为输入,所述待测试者的运动频率作为标签进行训练,构建用于对所述待测试者的运动频率进行分类的分类器。
在一种实现方式中,所述将所述最优特征数据集输入至已训练好的评定模型进行肌肉状态量化评定,获取评定结果,之前包括:
预先对待测试者进行运动能力分数标定;
利用所述特征数据集中的特征进行回归拟合,构建出用于对肌肉状态进行量化评定的评定模型。
第二方面,本发明实施例提供了肌肉状态量化评定装置,其中,所述装置包括:
特征提取单元,用于获取待测试者的肌肉超声图像以及体能特征数据,并根据所述肌肉超声图像以及体能特征数据进行特征选择;
特征处理单元,用于构建特征数据集,并根据所述特征数据集确定出最优特征数据集;
分类单元,用于将所述最优特征数据集输入至已训练好的分类器进行分类,获取到所述待测试者的运动频率类别;
量化评定单元,用于将所述最优特征数据集输入至已训练好的评定模型进行肌肉状态量化评定,获取评定结果,所述评定结果为所述待测试者的运动能力分数。
第三方面,本发明实施例提供了一种智能终端,包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行上述任意一项所述的肌肉状态量化评定方法的步骤。
第四方面,本发明实施例还提供了一种非临时性计算机可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行上述任意一项所述的肌肉状态量化评定方法的步骤。
本发明的有益效果:本发明通过对肌肉超声图像进行分析,并利用数据挖掘技术与机器学习模型来对待测试者的运动频率进行分类,然后通过创建的评定模型来并对肌肉状态进行量化评定,从而更加准确地了解肌肉的状态。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的肌肉状态量化评定方法的流程图。
图2是经常运动和不经常运动的待测试者的肌肉超声图像对比图。
图3是本发明实施例提供的肌肉状态量化评定装置的原理框图。
图4是本发明实施例提供的智能终端的功能原理图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
经发明人研究发现,每个人骨骼肌结构的差异通常归因于许多方面:年龄差异,性别差异,肌肉健康状态的差异,甚至运动频率差异。对这种差异的进一步研究对于评估肌肉状态是有用的。因此,挖掘这种差异信息是康复工程,运动医学和老年护理的重要任务。但是现有的方法对于肌肉状态的评估通常是基于任务或复杂动作来实现的,比如对于运动员,测量肌肉爆发力,需要其固定在专用仪器做指定高强度动作。然而专用仪器通常体积较大,不便于携带。且在运动康复中,若患者处于恢复期,为了防止运动损伤是不建议做高强度动作,因此对于肌肉状态的评估也受到了较大的限制。
为了解决现有技术中的问题,本发明公开一种肌肉状态量化评定方法,通过对肌肉超声图像进行分析,并利用数据挖掘技术与机器学习模型来对待测试者的运动频率进行分类,然后通过创建的评定模型来并对肌肉状态进行量化评定,从而更加准确地了解肌肉的状态。
具体地,如图1中所示,所示肌肉状态量化评定方法包括以下步骤:
步骤S100、获取待测试者的肌肉超声图像以及体能特征数据,并根据所述肌肉超声图像以及体能特征数据进行特征选择;
步骤S200、构建特征数据集,并根据所述特征数据集确定出最优特征数据集;
步骤S300、将所述最优特征数据集输入至已训练好的分类器进行分类,获取到所述待测试者的运动频率类别;
步骤S400、将所述最优特征数据集输入至已训练好的评定模型进行肌肉状态量化评定,获取评定结果,所述评定结果为所述待测试者的运动能力分数。
具体实施时,本实施例中首先通过对待测试者进行量表测评,所示量表测评的目的是为了记录所述待测试者的体能特征数据,所述体能特征数据包括有待测试者的生理特征数据以及运动记录数据;所述生理特征数据包括:所述待测试者的身高、体重、年龄、性别以及身体质量指数等;所述运动记录数据包括所述待测试者的运动频率。在本实施例中,当根据量表测评后所得到的待测试者的运动频率之后,根据运动频率预先将该待测试者分为经常运动或者不经常运动这两种类别。优选地,在通过量表测评分为经常运动或者不经常运动是根据所述待测试者的运动规律来确定的,例如,当所述待测试者一周内超过30min的运动次数超过三次以上时,则归为经常运动。当所述待测试者一周内超过30min的运动次数少于三次,则归为不经常运动。
由于经常运动和不经常运动的肌肉超声图像是具有明显差异的,如图2中所示,图2中的A为经常运动的肌肉超声图像,图2中的B为不经常运动的肌肉超声图像。因此,通过对肌肉超声图像进行分析可以判断出所述待测试者的肌肉状态。优选地,所述肌肉超声图像包括有站立时以及坐下放松时的胫骨前肌图像和腓肠肌后侧肌肉图像。当获取到肌肉图像后,从所述肌肉图像提取出特征数据,在本实施例中,所提取的特征数据包括所述待测者的生理特征数据、形态学特征数据以及图像特征数据。所述生理特征数据包括有:所述待测试者的身高、体重、年龄、性别以及身体质量指数(BMI:体重/身高的平方(国际单位kg/㎡),所述体质量指数是衡量肥胖程度的一个指标)。所述形态学特征包括有肌肉厚度、脂肪厚度以及肌肉羽状角度等,所述图像特征数据包括有图像频率特征、一阶纹理特征、高阶纹理特征、LBP(Local Binary Patterns,局部二值)特征以及小波变换特征。较佳地,本实施例中的形态学特征数据以及图像特征数据是通过计算机自动计算得到的。
进一步地,当从所述肌肉超声图像中获取到特征数据后,按照预设的排序准则对提取的特征数据计算排序准则得分;基于所述排序准则得分对提取的特征数据进行选择,具体是从获取到的特征数据中剔除得分最低的特征,重复此过程,直到只剩下一个特征。具体实施时,本实施例中的排序准则如下:
w2的表达式如下:
其中,i和j表示循环变量;y代表运动频率标签(经常运动/不经常运动);N表示样本个数;K(xi,xj)表示一个核函数;
αi和αj计算得到的支持向量机对偶优化问题。
更进一步地,当经过上述过程的特征选择后,本实施例使用交叉验证重叠计数:通过5折交叉验证,即用不同数据筛选5次特征,选择重复次数在5折验证中出现频率最多的前40个特征,构建出一个特征数据集,然后对所述特征数据集使用降维技术,将所述特征数据集的维度降低至预设空间(将特征数据集的维度降低到一个较小的空间,例如,使用PCA或者线性嵌入模型),获得最优特征数据集。在本实施例中,对所述特征数据集使用降维技术目的就是缩小特征的数量,防止模型过拟合。
进一步地,当获得所述最优特征数据集之后,本实施例将所述最优特征数据集输入至已训练好的分类器进行分类,获取到所述待测试者的运动频率类别。所述分类器是预先以特征数据集的特征为输入,运动频率为标签训练得到的。例如,使用数据集对支持向量机(SVM)进行训练,训练过程中使用SMO(Sequential minimal optimization)算法进行训练,具体包括如下步骤:
a)初始化所有变量的解ai=0
b)选取优化变量a1,a2,解析求解这两个变量的二次规划问题,得到最优解a1',a2'。
c)验证,所有变量的解ai是否满足KKT条件,若不满足,继续b),否则d)。所述KKT条件是解决最优化问题的时用到的一种方法,包括无约束条件、等式约束调价仅仅以及不等式约束条件。
d)得到a=a1',a2',……SVM的参数指的每个特征的权重,权重绝对值越大说明在分类问题中影响越大。
当训练好分类器后,将所述最优特征数据集输入至已训练好的分类器进行分类,获取到所述待测试者的运动频率类别,从而准确判断所述待测试者是经常运动还是不经常运动。
进一步地,本实施例还将所述最优特征数据集输入至已训练好的评定模型进行肌肉状态量化评定,获取评定结果。优选地,本实施例中的评定结果为肌肉状态评分,该肌肉状态评分可以更加直观地体现出所述待测试者的肌肉状态情况。本实施例通过预先对待测试者进行运动能力分数标定;并利用所述特征数据集中的特征进行回归拟合,从而构建出用于对肌肉状态进行量化评定的评定模型。具体地,包括如下步骤:
a)每个待测试者进行运动能力分数标定,标定方法例如但不限于:100m短跑时间。
b)利用特征数据集中的特征对运动能力分数进行回归拟合,包括:
1)由a)中的所获得分数标定作为y,以特征数据集中的特征作为输入X;
2)使用回归模型拟合y^=f(wx+b),从而转化为一个优化问题:min(w,b)|y^-y|;
3)最终获得训练好的回归模型,作为肌肉状态的量化评定模型。
而当所述评定模型被训练完成后,对于一个新的待测试者,可利用其肌肉超声图像中最优特征数据集的特征,对其运动能力分数进行评定,以更加直观地了解到所述待测试者的肌肉状态。
基于上述实施例,本发明还提供一种肌肉状态量化评定装置,如图3中所示,所述装置包括:
特征提取单元310,用于获取待测试者的肌肉超声图像以及体能特征数据,并根据所述肌肉超声图像以及体能特征数据进行特征选择;
特征处理单元320,用于构建特征数据集,并根据所述特征数据集确定出最优特征数据集;
分类单元330,用于将所述最优特征数据集输入至已训练好的分类器进行分类,获取到所述待测试者的运动频率类别;
量化评定单元340,用于将所述最优特征数据集输入至已训练好的评定模型进行肌肉状态量化评定,获取评定结果,所述评定结果为所述待测试者的运动能力分数。
基于上述实施例,本发明还提供了一种智能终端,其原理框图可以如图4所示。该智能终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏、温度传感器。其中,该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种肌肉状态量化评定方法。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏,该智能终端的温度传感器是预先在智能终端内部设置,用于检测内部设备的运行温度。
本领域技术人员可以理解,图4中示出的原理框图,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的智能终端的限定,具体的智能终端可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种智能终端,包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令:
获取待测试者的肌肉超声图像以及体能特征数据,并根据所述肌肉超声图像以及体能特征数据进行特征选择;
构建特征数据集,并根据所述特征数据集确定出最优特征数据集;
将所述最优特征数据集输入至已训练好的分类器进行分类,获取到所述待测试者的运动频率类别;
将所述最优特征数据集输入至已训练好的评定模型进行肌肉状态量化评定,获取评定结果,所述评定结果为所述待测试者的运动能力分数。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述,本发明公开了一种肌肉状态量化评定方法、装置、存储介质及智能终端,所述方法:获取待测试者的肌肉超声图像以及体能特征数据,并根据所述肌肉超声图像以及体能特征数据进行特征选择;构建特征数据集,并根据所述特征数据集确定出最优特征数据集;将所述最优特征数据集输入至已训练好的分类器进行分类,获取到所述待测试者的运动频率类别;将所述最优特征数据集输入至已训练好的评定模型进行肌肉状态量化评定,获取评定结果,所述评定结果为所述待测试者的运动能力分数。本发明通过对肌肉超声图像进行分析,并利用数据挖掘技术与机器学习模型来对运动频率进行分类,并对肌肉状态进行量化评定,从而更加准确地了解肌肉的状态。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (6)
1.一种肌肉状态量化评定方法,其特征在于,所述方法包括:
获取待测试者的肌肉超声图像以及体能特征数据,并根据所述肌肉超声图像以及体能特征数据进行特征选择;
构建特征数据集,并根据所述特征数据集确定出最优特征数据集;
将所述最优特征数据集输入至已训练好的分类器进行分类,获取到所述待测试者的运动频率类别;
将所述最优特征数据集输入至已训练好的评定模型进行肌肉状态量化评定,获取评定结果,所述评定结果为所述待测试者的运动能力分数;所述根据所述肌肉超声图像进行特征选择,包括:
从所述肌肉超声图像中提取特征数据;
按照预设的排序准则对提取的特征数据计算排序准则得分;
基于所述排序准则得分对提取的特征数据进行选择;
所述构建特征数据集,并根据所述特征数据集确定出最优特征数据集,包括:
对选择后的特征数据使用交叉验证重复计数法筛选出预设个数的特征数据,并构建特征数据集;
对所述特征数据集使用降维技术,将所述特征数据集的维度降低至预设空间,获得最优特征数据集;
所述将所述特征数据集输入至已训练好的分类器进行分类之前,包括:
以所述最优特征数据集作为输入,所述待测试者的运动频率作为标签进行训练,构建用于对所述待测试者的运动频率进行分类的分类器;
所述将所述最优特征数据集输入至已训练好的评定模型进行肌肉状态量化评定,获取评定结果,之前包括:
预先对待测试者进行运动能力分数标定;
利用所述特征数据集中的特征进行回归拟合,构建出用于对肌肉状态进行量化评定的评定模型。
2.根据权利要求1所述的肌肉状态量化评定方法,其特征在于,所述肌肉超声图像包括在不同运动状态下的胫骨前肌的超声图像以及腓肌后侧肌肉的超声图像。
3.根据权利要求1所述的肌肉状态量化评定方法,其特征在于,所述体能特征数据包括生理特征数据以及运动记录数据;
生理特征数据包括:所述待测试者的身高、体重、年龄、性别以及身体质量指数;所述运动记录数据包括所述待测试者的运动频率。
4.一种基于权利要求1-3任一项所述的肌肉状态量化评定方法的肌肉状态量化评定装置,其特征在于,所述装置包括:
特征提取单元,用于获取待测试者的肌肉超声图像以及体能特征数据,并根据所述肌肉超声图像以及体能特征数据进行特征选择;
特征处理单元,用于构建特征数据集,并根据所述特征数据集确定出最优特征数据集;
分类单元,用于将所述最优特征数据集输入至已训练好的分类器进行分类,获取到所述待测试者的运动频率类别;
量化评定单元,用于将所述最优特征数据集输入至已训练好的评定模型进行肌肉状态量化评定,获取评定结果,所述评定结果为所述待测试者的运动能力分数。
5.一种智能终端,其特征在于,包括有存储器,以及一个或者多个的程序,其中一个或者多个程序存储于存储器中,且经配置以由一个或者多个处理器执行所述一个或者多个程序包含用于执行如权利要求1-3中任意一项所述的方法。
6.一种非临时性计算机可读存储介质,其特征在于,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如权利要求1-3中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910959669.6A CN110516762B (zh) | 2019-10-10 | 2019-10-10 | 一种肌肉状态量化评定方法、装置、存储介质及智能终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910959669.6A CN110516762B (zh) | 2019-10-10 | 2019-10-10 | 一种肌肉状态量化评定方法、装置、存储介质及智能终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110516762A CN110516762A (zh) | 2019-11-29 |
CN110516762B true CN110516762B (zh) | 2022-11-15 |
Family
ID=68633478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910959669.6A Active CN110516762B (zh) | 2019-10-10 | 2019-10-10 | 一种肌肉状态量化评定方法、装置、存储介质及智能终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110516762B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111508607B (zh) * | 2020-04-13 | 2023-10-13 | 山东师范大学 | 一种基于bp神经网络的肥胖症预测系统 |
CN112754505A (zh) * | 2020-12-29 | 2021-05-07 | 深圳市联影高端医疗装备创新研究院 | 一种肌肉老化程度检测方法、装置及系统 |
CN114343648A (zh) * | 2022-01-07 | 2022-04-15 | 中山大学附属第一医院 | 肌力评定方法、系统和计算机可读存储介质 |
CN114639460A (zh) * | 2022-05-16 | 2022-06-17 | 天津医科大学眼科医院 | 睫状肌麻痹需求预测及麻痹后屈光度屈光状态预测方法 |
CN115486869A (zh) * | 2022-09-08 | 2022-12-20 | 深圳大学 | 一种用于模型小动物的肌肉超声图像分析方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6070098A (en) * | 1997-01-11 | 2000-05-30 | Circadian Technologies, Inc. | Method of and apparatus for evaluation and mitigation of microsleep events |
WO2002059822A2 (en) * | 2001-01-24 | 2002-08-01 | Biowulf Technologies, Llc | Methods of identifying patterns in biological systems and uses thereof |
WO2008037479A1 (en) * | 2006-09-28 | 2008-04-03 | Private Universität Für Gesundheitswissenschaften Medizinische Informatik Und Technik - Umit | Feature selection on proteomic data for identifying biomarker candidates |
WO2009063463A2 (en) * | 2007-11-14 | 2009-05-22 | Medasense Biometrics Ltd | Pain monitoring using multidimensional analysis of physiological signals |
CN102902980A (zh) * | 2012-09-13 | 2013-01-30 | 中国科学院自动化研究所 | 一种基于线性规划模型的生物特征图像分析与识别方法 |
CN105426842A (zh) * | 2015-11-19 | 2016-03-23 | 浙江大学 | 基于支持向量机的表面肌电信号多类手部动作识别方法 |
CN105446484A (zh) * | 2015-11-19 | 2016-03-30 | 浙江大学 | 一种基于隐马尔科夫模型的肌电信号手势识别方法 |
CN106890009A (zh) * | 2017-03-17 | 2017-06-27 | 深圳大学 | 一种骨骼肌体积变化的自动测量方法和装置 |
CN107157450A (zh) * | 2017-06-19 | 2017-09-15 | 中国科学院计算技术研究所 | 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 |
JP2018198799A (ja) * | 2017-05-26 | 2018-12-20 | 株式会社グローバルヘルス | 情報処理装置 |
CN109378072A (zh) * | 2018-10-13 | 2019-02-22 | 中山大学 | 一种基于集成学习融合模型的异常空腹血糖值预警方法 |
CN109800792A (zh) * | 2018-12-26 | 2019-05-24 | 杭州电子科技大学 | 基于模糊c均值和dbi的肌电信号特征选择方法 |
CN109800812A (zh) * | 2019-01-24 | 2019-05-24 | 山东大学第二医院 | 基于仿冒过滤器的ct图像分类特征选择方法及系统 |
CN110163812A (zh) * | 2019-04-10 | 2019-08-23 | 深圳大学 | 肌肉超声图像降噪方法、装置、存储介质及计算机产品 |
CN110298379A (zh) * | 2019-05-23 | 2019-10-01 | 中国平安人寿保险股份有限公司 | 评估模型选择方法、装置、计算机设备及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7318051B2 (en) * | 2001-05-18 | 2008-01-08 | Health Discovery Corporation | Methods for feature selection in a learning machine |
US7805388B2 (en) * | 1998-05-01 | 2010-09-28 | Health Discovery Corporation | Method for feature selection in a support vector machine using feature ranking |
EP2327061A4 (en) * | 2008-08-15 | 2016-11-16 | Univ Brown | METHOD AND DEVICE FOR ESTIMATING BODY SHAPES |
WO2011123072A1 (en) * | 2010-03-31 | 2011-10-06 | Agency For Science, Technology And Research | A method and system for motor rehabilitation |
US8512247B2 (en) * | 2010-06-25 | 2013-08-20 | John C. Hill | System for non-invasive determination of glycogen stores |
US10485502B2 (en) * | 2016-12-20 | 2019-11-26 | General Electric Company | System and method for assessing muscle function of a patient |
-
2019
- 2019-10-10 CN CN201910959669.6A patent/CN110516762B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6070098A (en) * | 1997-01-11 | 2000-05-30 | Circadian Technologies, Inc. | Method of and apparatus for evaluation and mitigation of microsleep events |
WO2002059822A2 (en) * | 2001-01-24 | 2002-08-01 | Biowulf Technologies, Llc | Methods of identifying patterns in biological systems and uses thereof |
WO2008037479A1 (en) * | 2006-09-28 | 2008-04-03 | Private Universität Für Gesundheitswissenschaften Medizinische Informatik Und Technik - Umit | Feature selection on proteomic data for identifying biomarker candidates |
WO2009063463A2 (en) * | 2007-11-14 | 2009-05-22 | Medasense Biometrics Ltd | Pain monitoring using multidimensional analysis of physiological signals |
CN102902980A (zh) * | 2012-09-13 | 2013-01-30 | 中国科学院自动化研究所 | 一种基于线性规划模型的生物特征图像分析与识别方法 |
CN105446484A (zh) * | 2015-11-19 | 2016-03-30 | 浙江大学 | 一种基于隐马尔科夫模型的肌电信号手势识别方法 |
CN105426842A (zh) * | 2015-11-19 | 2016-03-23 | 浙江大学 | 基于支持向量机的表面肌电信号多类手部动作识别方法 |
CN106890009A (zh) * | 2017-03-17 | 2017-06-27 | 深圳大学 | 一种骨骼肌体积变化的自动测量方法和装置 |
JP2018198799A (ja) * | 2017-05-26 | 2018-12-20 | 株式会社グローバルヘルス | 情報処理装置 |
CN107157450A (zh) * | 2017-06-19 | 2017-09-15 | 中国科学院计算技术研究所 | 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 |
CN109378072A (zh) * | 2018-10-13 | 2019-02-22 | 中山大学 | 一种基于集成学习融合模型的异常空腹血糖值预警方法 |
CN109800792A (zh) * | 2018-12-26 | 2019-05-24 | 杭州电子科技大学 | 基于模糊c均值和dbi的肌电信号特征选择方法 |
CN109800812A (zh) * | 2019-01-24 | 2019-05-24 | 山东大学第二医院 | 基于仿冒过滤器的ct图像分类特征选择方法及系统 |
CN110163812A (zh) * | 2019-04-10 | 2019-08-23 | 深圳大学 | 肌肉超声图像降噪方法、装置、存储介质及计算机产品 |
CN110298379A (zh) * | 2019-05-23 | 2019-10-01 | 中国平安人寿保险股份有限公司 | 评估模型选择方法、装置、计算机设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
An Individual Finger Gesture Recognition System Based on Motion-Intent Analysis Using Mechanomyogram Signal;Huijun Ding et al.;《FRONTIERS IN NEUROLOGY》;20171108;第8卷;第492-498页 * |
ASSESSING DUCHENNE MUSCULAR DYSTROPHY WITH FORCE-CONTROLLED ULTRASOUND;Sisir Koppaka et al.;《11th IEEE International Symposium on Biomedical Imaging》;20140502;第694-697页 * |
Kazuki Sogawa et al..Neurogenic and Myogenic Diseases: Quantitative Texture Analysis of Muscle US Data for Differentiation.《RADIOLOGY》.2017,第283卷(第2期),第492-498页. * |
Also Published As
Publication number | Publication date |
---|---|
CN110516762A (zh) | 2019-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110516762B (zh) | 一种肌肉状态量化评定方法、装置、存储介质及智能终端 | |
Gargeya et al. | Automated identification of diabetic retinopathy using deep learning | |
Alizadehsani et al. | Handling of uncertainty in medical data using machine learning and probability theory techniques: A review of 30 years (1991–2020) | |
Khan et al. | An improved multi-modal based machine learning approach for the prognosis of Alzheimer’s disease | |
Barton et al. | Movement Deviation Profile: A measure of distance from normality using a self-organizing neural network | |
Li et al. | Identifying informative risk factors and predicting bone disease progression via deep belief networks | |
Kamble et al. | Digitized spiral drawing classification for Parkinson's disease diagnosis | |
CN111009321A (zh) | 一种机器学习分类模型在青少年孤独症辅助诊断中的应用方法 | |
Nishadi | Predicting heart diseases in logistic regression of machine learning algorithms by Python Jupyterlab | |
US20220172841A1 (en) | Methods of identifying individuals at risk of developing a specific chronic disease | |
US20210296001A1 (en) | Dementia risk presentation system and method | |
Koçer et al. | Classifying neuromuscular diseases using artificial neural networks with applied Autoregressive and Cepstral analysis | |
Hussain et al. | Deep learning-based diagnosis of disc degenerative diseases using MRI: a comprehensive review | |
Thomas et al. | Diabetic retinopathy diagnostics from retinal images based on deep convolutional networks | |
CN110414306A (zh) | 一种基于meanshift算法和SVM的婴儿异常行为检测方法 | |
Coelho et al. | Osteomics: decision support systems for forensic anthropologists | |
Mari et al. | Systematic review of the effectiveness of machine learning algorithms for classifying pain intensity, phenotype or treatment outcomes using electroencephalogram data | |
Naeem et al. | Hypothyroidism disease diagnosis by using machine learning algorithms | |
Wehbe et al. | Regularized brain reading with shrinkage and smoothing | |
CN116739037A (zh) | 具有人格特征的人格模型构建方法及装置 | |
Meel et al. | Melatect: a machine learning approach for identifying malignant melanoma in skin growths | |
Siebert et al. | Uncertainty Analysis of Deep Kernel Learning Methods on Diabetic Retinopathy Grading | |
Barnardo et al. | Using Keytyping as a Biomarker for Cognitive Decline Diagnostics: The Convolutional Neural Network Based Approach | |
CN113705649B (zh) | 一种基于emd-svd特征提取的手部震颤检测方法及系统 | |
Amani et al. | Using Machine Learning Method for classification Body Mass Index for clinical decision |
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 |