CN110755073B - 基于阻抗谱信号的智能骨骼及关节信息处理系统及方法 - Google Patents

Abstract

本发明属于人工智能技术以及智慧医疗技术领域，公开了一种基于阻抗谱信号的智能骨骼及关节信息处理系统及方法，收集骨骼及关节不同部位的历史阻抗谱数据；对历史数据进行标准化处理，并将标准化后的历史数据随机划分成不同的数据集；将获得的标准化历史数据分别输入到各分类模型中进行训练，并根据训练结果，构建最优组合分类模型；收集骨骼及关节不同部位的实时阻抗谱数据；对实时数据进行标准化处理；获得的标准化实时数据输入到最优组合分类模型中进行识别，得到最终识别结果。本发明仅需获取骨骼及关节不同部位的阻抗谱数据，便可实现对骨骼及关节不同部位的自动识别，大大降低了对人工诊断的依赖，降低了治疗成本。

Description

基于阻抗谱信号的智能骨骼及关节信息处理系统及方法

技术领域

本发明属于人工智能技术以及智慧医疗技术领域，尤其涉及一种基于阻抗谱信号的智能骨骼及关节信息处理系统及方法。

背景技术

目前，最接近的现有技术：

骨骼及关节是具有保护、支撑、造血、储存及运动等功能的重要器官和结构。骨相关疾病除了偶发性事故导致的骨折等问题外，更多主要是伴随人口老龄化而来的问题。近年来骨骼和骨关节疾病患者越来越多，甚至出现低龄化趋势。人们对骨骼及关节疾病的重视程度普遍较低，现代生活节奏加快，造成人们的生活压力增大，生活不规律，缺乏锻炼等，导致骨骼及关节疾病频发，严重影响了人们的正常生活。一般而言，骨骼及关节疾病包括股骨头坏死、骨关节炎、坐骨神经痛，软骨缺陷以及由于事故等原因导致的骨折等。骨骼及关节疾病的常见症状一般为疼痛、关节僵硬、活动范围降低等。因此，对骨骼及关节的生理病理状况进行及时、有效的评估显得十分重要。

对于骨骼及关节的生理病理状况的评估，首先需要解决的问题是准确识别出骨骼及关节的不同部位，进而才能对其采取进一步分析，以实现对骨骼及关节健康的准确快速评估，从而降低误诊率。

针对骨骼及关节不同部位的传统诊断技术包括X射线检查、计算机断层扫描(Computed Tomography，CT)和核磁共振扫描等。这些传统的诊断技术在一定程度上可以识别骨骼及关节的不同部位，但同时还存在很多问题亟需解决。首先是这些造影技术都需要相对庞大且昂贵的设备，检测条件限制较为严格，费用较高并且无法做到实时监测。另外X射线检查和CT扫描都存在放射性辐射，对生物体有无可避免的伤害。而核磁共振扫描虽然避免了放射性辐射，但不能扫描带金属的对象，无法应用于有金属植入体的患者。另外，大部分传统诊断技术还需人工辅助分析，导致诊断的时效性、便捷性大大降低。

综上所述，现有技术存在的问题是：

(1)对于现有大部分骨骼及关节不同部位的诊断技术，其对骨骼及关节不同部位的识别率较低，无法实现对骨骼及关节健康的准确评估，误诊事故时有发生。

(2)对于现有大部分骨骼及关节不同部位的诊断技术，其对检测条件的要求较高，且能够适用的检测对象有限，导致诊断的通用性、实时性、便捷性较差。

(3)对于现有大部分骨骼及关节不同部位的诊断技术，智能化程度较低，无法实现自动诊断，降低了诊断的效率，可能造成用户错过治疗的最佳时间。

(4)对于现有大部分骨骼及关节不同部位的诊断技术，其副作用较大，容易对用户造成二次伤害，同时检测费用昂贵，增大了用户的经济负担。

解决上述技术问题的难度：

对于现有大部分骨骼及关节不同部位的诊断技术，受检测原理和检测条件等的影响，其性能和经济性难以得到进一步的提升。

解决上述技术问题的意义：

针对现有骨骼及关节不同部位诊断技术的不足，亟需找到新的诊断技术，进一步提高识别率，增强检测的安全性、便捷性、通用性、时效性、可信度等，同时降低误诊率和检测成本，进一步提升用户的满意度。

发明内容

针对现有技术存在的问题，本发明提供了一种基于阻抗谱信号的智能骨骼及关节信息处理系统及方法。本发明仅需获取骨骼及关节不同部位的阻抗谱数据，便可实现对骨骼及关节不同部位的自动识别，大大降低了对人工诊断的依赖，具有泛化能力强，识别精度高，误诊率低等特点。

本发明是这样实现的，一种基于阻抗谱信号的智能骨骼及关节信息处理方法，按以下步骤进行：

步骤1：收集骨骼及关节不同部位的历史阻抗谱数据；

步骤2：对历史数据进行标准化处理，并将标准化后的历史数据随机划分成不同的数据集；

步骤3：构建Softmax分类模型、K-Nearest Neighbor(KNN)分类模型、随机森林分类模型，将获得的标准化历史数据分别输入到各分类模型中进行训练，并根据训练结果，构建最优组合分类模型；

步骤4：收集骨骼及关节不同部位的实时阻抗谱数据；

步骤5：对实时数据进行标准化处理；

步骤6：将获得的标准化实时数据输入到最优组合分类模型中进行识别，得到最终诊断结果。

进一步，所述步骤1具体包括以下步骤：

步骤1-1：收集骨骼及关节不同部位的历史阻抗谱数据；

步骤1-2：对收集的历史数据进行预处理，包括异常数据去除，缺失数据处理等，保证数据的可靠性和真实性；

步骤1-3：对预处理后的历史数据进行特征提取，包括电压、电流、电阻、电容、时延信号、电导率、介电常数、驰豫时间分布，FFT时域谱等特征。

进一步，所述步骤2具体包括以下步骤：

步骤2-1：计算历史数据的平均值和方差，并做标准化处理，使历史数据的分布具有标准方差，以减小异常值对历史数据的影响；

步骤2-2：将步骤2-1中获得的标准化历史数据随机分成60％的训练集、20％的验证集和20％的测试集。

进一步，所述步骤3具体包括以下步骤：

步骤3-1：建立Softmax分类模型，将步骤2-2中获得的训练集数据输入 Softmax分类模型中进行训练，Softmax分类模型的概率输出函数如公式(1)所示：

其中，k表示样本的总类别数，s_k(X)表示样本X分别属于每一类的得分向量，

表示样本X属于第k类的概率；

步骤3-2：建立K-Nearest Neighbor分类模型，将步骤2-2中获得的训练集数据输入K-Nearest Neighbor分类模型中进行训练。K-Nearest Neighbor分类模型通过计算待分类样品与训练集中所有样品之间的距离，筛选出与待分类样品距离最近的K个训练集样例，进而统计获得的K个训练样例中对应各类别的样例个数，哪个类别的训练样例个数最多，则将待分类样品划分为该类别；

步骤3-3：建立随机森林分类模型，将步骤2-2中获得的训练集数据输入随机森林分类模型中进行训练。随机森林分类模型通过将多个决策树分类模型进行随机组合，并将各决策树的分类结果进行投票，最终获得待分类样品的类别；

步骤3-4：将步骤2-2中获得的验证集数据分别输入到步骤3-1、步骤3-2 和步骤3-3中构建的Softmax分类模型、K-Nearest Neighbor分类模型、随机森林分类模型中进行识别，同时综合评估各分类器的性能；

步骤3-5：评估各分类模型性能的指标包括精度，准确率、召回率、F1值等，以实现对分类器性能的综合评估；

步骤3-6：根据步骤3-4中获得的Softmax分类模型、K-Nearest Neighbor分类模型、随机森林分类模型的综合评估结果，对各模型的分类量化概率结果分别设置权重系数，权重系数之和为1，并将各分类器输出的分类量化概率结果进行加权平均，将输出概率最高的分类结果作为系统的最终识别结果，以此获得组合分类模型；

步骤3-7：将步骤2-2中获得的测试集数据输入到根据步骤3-6获得的组合分类模型进行识别，同时评估组合模型的识别性能；

步骤3-8：根据步骤3-7获得的组合分类模型的识别性能，重复步骤3-1至步骤3-8，进一步优化各分类器的参数和权重系数，直至获得识别性能最优的组合分类模型。

进一步，所述步骤4具体包括以下步骤：

步骤4-1：收集骨骼及关节不同部位的实时阻抗谱数据；

步骤4-2：对收集的实时数据进行数据清洗，包括异常数据去除，缺失数据处理等，保证数据的可靠性和真实性；

步骤4-3：对预处理后的历史数据进行特征提取，包括电压、电流、电阻、电容、时延信号、电导率、介电常数、驰豫时间分布，FFT时域谱等特征。

进一步，所述步骤5具体包括：

计算实时数据的平均值和方差，并做标准化处理，使实时数据的分布具有标准方差，以减小异常值对历史数据的影响。

进一步，所述步骤6具体包括：

将步骤5中获得的标准化实时数据输入步骤3中获得的最优组合分类模型中进行识别，得到最终的诊断结果。

本发明的另一目的在于提供一种基于阻抗谱信号的智能骨骼及关节信息处理系统包括：

历史阻抗谱数据采集模块，用于收集骨骼及关节不同部位的历史阻抗谱数据；

历史数据标准化处理模块，用于对历史数据进行标准化处理；

数据集划分模块，用于将标准化后的历史数据随机划分成不同的数据集；

最优组合分类模型构建模块，用构建Softmax分类模型、K-Nearest Neighbor 分类模型、随机森林分类模型，将获得的标准化历史数据分别输入到各分类模型中进行训练，并根据训练结果，构建最优组合分类模型；

实时阻抗谱数据获取模块，用于收集不同部位的实时阻抗谱数据；

实时数据标准化处理模块，用于对实时数据进行标准化处理；

最终识别结果获取模块，获得的标准化实时数据输入到最优组合分类模型中进行识别，得到最终识别结果。

本发明的另一目的在于提供一种实现所述基于阻抗谱信号的智能骨骼及关节信息处理方法的信息数据处理终端。

本发明的另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述的基于阻抗谱信号的智能骨骼及关节信息处理方法。

本发明的另一目的在于提供一种实施所述基于阻抗谱信号的智能骨骼及关节信息处理方法的基于阻抗谱信号的智能骨骼及关节信息处理设备。

综上所述，本发明的优点及积极效果为：

本发明提供一种基于阻抗谱信号的智能骨骼及关节信息处理方法，仅需获取骨骼及关节不同部位的阻抗谱数据，便可实现对骨骼及关节不同部位的自动识别，大大降低了对人工诊断的依赖，具有泛化能力强，识别精度高，误诊率低等特点。

本发明提供了一种基于阻抗谱信号的智能骨骼及关节信息处理方法，仅需获取骨骼及关节不同部位的阻抗谱数据，便可实现对骨骼及关节不同部位的自动识别，大大降低了对人工诊断的依赖，降低了治疗成本。

本发明提供的一种基于阻抗谱信号的智能骨骼及关节信息处理方法，通过有效组合三种不同的分类模型，能够有效避免单一分类器带来的应用缺陷，具有泛化能力强，识别精度高，误诊率低等特点。

本发明提供的一种基于阻抗谱信号的智能骨骼及关节信息处理方法，为非侵入式诊断系统，对治疗对象的伤害少，且实时性强，能够实现长期跟踪监测，有益于对相关疾病进行精准治疗。

附图说明

图1是本发明实施例提供的基于阻抗谱信号的智能骨骼及关节信息处理方法流程图。

图2是本发明实施例提供的猪股骨大转子(Pork Femur Greater Trochanter，PFGT)、外髁(Pork Lateral Condyle，PLC)和内 髁(Pork Medium Condyle，PMC) 的相对介电常数和电导率随频率变化的分布图。

图3是本发明实施例提供的基于猪股骨不同部位阻抗谱数据的主成分分析图。

图4是本发明实施例提供的基于阻抗谱信号的智能骨骼及关节信息处理系统示意图。

图中：1、历史阻抗谱数据采集模块；2、历史数据标准化处理模块；3、数据集划分模块；4、最优组合分类模型构建模块；5、实时阻抗谱数据获取模块；6、实时数据标准化处理模块；7、最终识别结果获取模块。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

对于现有大部分骨骼及关节不同部位的诊断技术，其对骨骼及关节不同部位的识别率较低，无法实现对骨骼及关节健康的准确评估，误诊事故时有发生。对于现有大部分骨骼及关节不同部位的诊断技术，其对检测条件的要求较高，且能够适用的检测对象有限，导致诊断的通用性、实时性、便捷性较差。对于现有大部分骨骼及关节不同部位的诊断技术，智能化程度较低，无法实现自动诊断，降低了诊断的效率，可能造成用户错过治疗的最佳时间。对于现有大部分骨骼及关节不同部位的诊断技术，其副作用较大，容易对用户造成二次伤害，同时检测费用昂贵，增大了用户的经济负担。

针对现有技术存在的问题，本发明提供了一种基于阻抗谱信号的智能骨骼及关节信息处理系统及方法，下面结合附图对本发明作详细的描述。

图1是本发明实施例提供的基于阻抗谱信号的智能骨骼及关节信息处理方法包括：

步骤1：收集骨骼及关节不同部位的历史阻抗谱数据。

步骤2：对历史数据进行标准化处理，并将标准化后的历史数据随机划分成不同的数据集。

步骤3：构建Softmax分类模型、K-Nearest Neighbor(KNN)分类模型、随机森林分类模型，将步骤2中获得的标准化历史数据分别输入到各分类模型中进行训练，并根据训练结果，构建最优组合分类模型。

步骤4：收集骨骼及关节不同部位的实时阻抗谱数据。

步骤5：对实时数据进行标准化处理。

步骤6：将步骤5中获得的标准化实时数据输入步骤3中获得的最优组合分类模型中进行识别，得到最终诊断结果。

所述步骤1具体包括以下步骤：

步骤1-1：收集骨骼及关节不同部位的历史阻抗谱数据。

步骤1-2：对收集的历史数据进行预处理，包括异常数据去除，缺失数据处理等，保证数据的可靠性和真实性。

步骤1-3：对预处理后的历史数据进行特征提取，包括电压、电流、电阻、电容、时延信号、电导率、介电常数、驰豫时间分布，FFT时域谱等特征。

如图2所示，对于猪股骨的三个不同部位，其介电常数和电导率随频率呈现出很不相同的数值分布，充分说明了通过阻抗谱数据识别出骨骼及关节的不同部位的可能性。

如图3所示，基于猪股骨三个不同部位的阻抗谱数据，对其进行主成分分析，提取出最重要的二个特征，并做可视化处理。由图3可知，猪股骨的三个不同部位可被明显区分，进一步说明通过阻抗谱数据可准确识别出骨骼及关节的不同部位。

本发明适用的对象包括人、猪、牛、兔、鼠、羊、马、狗、猫、鸡等大部分物种。

本发明适用的骨骼包括颅骨(如上下颌骨等)，耳骨，肩部骨骼，胸部骨骼 (如肋骨、胸骨等)，脊椎，手臂骨骼(如肱骨等)，手骨，骨盆，腿骨(如股骨、胫骨等)，足部骨骼等。

本发明适用的关节包括球窝关节(如肩关节、髋关节等)，椭球关节(如桡腕关节、枕寰关节等)，鞍状关节(如拇指侧的腕掌关节等)，枢纽关节(如肘关节等)，车轴关节(如桡尺近端关节)，平面关节(如椎间关节等)，双髁状关节(如膝关节等)等。

所述步骤2具体包括以下步骤：

步骤2-1：计算历史数据的平均值和方差，并做标准化处理，使历史数据的分布具有标准方差，以减小异常值对历史数据的影响。

步骤2-2：将步骤2-1中获得的标准化历史数据随机分成60％的训练集、20％的验证集和20％的测试集。

所述步骤3具体包括以下步骤：

步骤3-1：建立Softmax分类模型，将步骤2-2中获得的训练集数据输入 Softmax分类模型中进行训练，Softmax分类模型的概率输出函数如公式(1)所示；

其中，k表示样本的总类别数，s_k(X)表示样本X分别属于每一类的得分向量，

表示样本X属于第k类的概率。

步骤3-2：建立K-Nearest Neighbor分类模型，将步骤2-2中获得的训练集数据输入K-Nearest Neighbor分类模型中进行训练。K-Nearest Neighbor分类模型通过计算待分类样品与训练集中所有样品之间的距离，筛选出与待分类样品距离最近的K个训练集样例，进而统计获得的K个训练样例中对应各类别的样例个数，哪个类别的训练样例个数最多，则将待分类样品划分为该类别。

步骤3-3：建立随机森林分类模型，将步骤2-2中获得的训练集数据输入随机森林分类模型中进行训练。随机森林分类模型通过将多个决策树分类模型进行随机组合，并将各决策树的分类结果进行投票，最终获得待分类样品的类别。

步骤3-4：将步骤2-2中获得的验证集数据分别输入到步骤3-1、步骤3-2 和步骤3-3中构建的Softmax分类模型、K-Nearest Neighbor分类模型、随机森林分类模型中进行识别，同时综合评估各分类器的性能。

步骤3-5：评估各分类模型性能的指标包括精度，准确率、召回率、F1值等，以实现对分类器性能的综合评估。

步骤3-6：根据步骤3-4中获得的Softmax分类模型、K-Nearest Neighbor分类模型、随机森林分类模型的综合评估结果，对各模型的分类量化概率结果分别设置权重系数，权重系数之和为1，并将各分类器输出的分类量化概率结果进行加权平均，将输出概率最高的分类结果作为系统的最终识别结果，以此获得组合分类模型。

步骤3-7：将步骤2-2中获得的测试集数据输入到根据步骤3-6获得的组合分类模型进行识别，同时评估组合模型的识别性能。

步骤3-8：根据步骤3-7获得的组合分类模型的识别性能，重复步骤3-1至步骤3-8，进一步优化各分类器的参数和权重系数，直至获得识别性能最优的组合分类模型。

所述步骤4具体包括以下步骤：

步骤4-1：收集骨骼及关节不同部位的实时阻抗谱数据。

步骤4-2：对收集的实时数据进行数据清洗，包括异常数据去除，缺失数据处理等，保证数据的可靠性和真实性。

步骤4-3：对预处理后的历史数据进行特征提取，包括电压、电流、电阻、电容、时延信号、电导率、介电常数、驰豫时间分布和FFT时域谱等特征。

所述步骤5具体包括以下内容：

计算实时数据的平均值和方差，并做标准化处理，使实时数据的分布具有标准方差，以减小异常值对历史数据的影响。

所述步骤6具体包括以下内容：

将步骤5中获得的标准化实时数据输入步骤3中获得的最优组合分类模型中进行识别，得到最终的诊断结果。

如图4所示，本发明实施例提供一种基于阻抗谱信号的智能骨骼及关节信息处理系统包括：

历史阻抗谱数据采集模块1，用于收集骨骼及关节不同部位的历史阻抗谱数据。

历史数据标准化处理模块2，用于对历史数据进行标准化处理。

数据集划分模块3，用于将标准化后的历史数据随机划分成不同的数据集。

最优组合分类模型构建模块4，用构建Softmax分类模型、K-Nearest Neighbor 分类模型、随机森林分类模型，将获得的标准化历史数据分别输入到各分类模型中进行训练，并根据训练结果，构建最优组合分类模型。

实时阻抗谱数据采集模块5，用于收集骨骼及关节不同部位的实时阻抗谱数据。

实时数据标准化处理模块6，用于对实时数据进行标准化处理。

最终识别结果获取模块7，获得的标准化实时数据输入到最优组合分类模型中进行识别，得到最终识别结果。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于阻抗谱信号的智能骨骼及关节信息处理方法，其特征在于，所述基于阻抗谱信号的智能骨骼及关节信息处理方法包括以下步骤：

步骤一，收集骨骼及关节不同部位的历史阻抗谱数据；

步骤二，对历史阻抗谱数据进行标准化处理，并将标准化后的历史阻抗谱数据随机划分成不同的数据集；

步骤三，构建Softmax分类模型、K-Nearest Neighbor分类模型、随机森林分类模型，将获得的标准化历史阻抗谱数据分别输入到各分类模型中进行训练，并根据训练结果，构建最优组合分类模型；

步骤四，收集骨骼及关节不同部位的实时阻抗谱数据；

步骤五，对实时阻抗谱数据进行标准化处理；

步骤六，将获得的标准化实时阻抗谱数据输入到最优组合分类模型中进行识别，得到最终识别结果；

所述步骤一具体包括以下步骤：

步骤1-1：收集骨骼及关节不同部位的历史阻抗谱数据；

步骤1-2：对收集的历史阻抗谱数据进行预处理，包括异常数据去除和缺失数据处理；

步骤1-3：对预处理后的历史阻抗谱数据进行特征提取，包括电压、电流、电阻、电容、时延信号、电导率、介电常数、弛豫时间分布和FFT时域谱特征；

所述步骤二具体包括以下步骤：

步骤2-1：计算历史阻抗谱数据的平均值和方差，并做标准化处理；

步骤2-2：将步骤2-1中获得的标准化历史阻抗谱数据随机分成60%的训练集、20%的验证集和20%的测试集；

所述步骤三具体包括以下步骤：

步骤3-1：建立Softmax分类模型，将步骤2-2中获得的训练集数据输入Softmax分类模型中进行训练；

步骤3-2：建立K-Nearest Neighbor分类模型，将步骤2-2中获得的训练集数据输入K-Nearest Neighbor分类模型中进行训练；K-Nearest Neighbor分类模型通过计算待分类样品与训练集中所有样品之间的距离，筛选出与待分类样品距离最近的K个训练集样例，统计获得的K个训练集样例中对应各类别的样例个数，哪个类别的训练样例个数最多，则将待分类样品划分为该类别；

步骤3-3：建立随机森林分类模型，将步骤2-2中获得的训练集数据输入随机森林分类模型中进行训练；随机森林分类模型通过将多个决策树分类模型进行随机组合，并将各决策树的分类结果进行投票，最终获得待分类样品的类别；

步骤3-4：将步骤2-2中获得的验证集数据分别输入到步骤3-1、步骤3-2和步骤3-3中构建的Softmax分类模型、K-Nearest Neighbor分类模型、随机森林分类模型中进行识别，同时综合评估各分类模型的性能；

步骤3-5：评估各分类模型性能的指标包括精度、准确率、召回率和F1值，以实现对分类模型性能的综合评估；

步骤3-6：根据步骤3-4中获得的Softmax分类模型、K-Nearest Neighbor分类模型、随机森林分类模型的综合评估结果，对各模型的分类量化概率结果分别设置权重系数，权重系数之和为1，并将各分类模型输出的分类量化概率结果进行加权平均，将输出概率最高的分类结果作为系统的最终识别结果，以此获得组合分类模型；

步骤3-7：将步骤2-2中获得的测试集数据输入到根据步骤3-6获得的组合分类模型进行识别，同时评估组合分类模型的识别性能；

步骤3-8：根据步骤3-7获得的组合分类模型的识别性能，重复步骤3-1至步骤3-8，进一步优化各分类模型的参数和权重系数，直至获得识别性能最优的组合分类模型。

2.如权利要求1所述的基于阻抗谱信号的智能骨骼及关节信息处理方法，其特征在于，所述步骤四具体包括以下步骤：

步骤4-1：收集骨骼及关节不同部位的实时阻抗谱数据；

步骤4-2：对收集的实时阻抗谱数据进行数据预处理，包括异常数据去除和缺失数据处理；

步骤4-3：对预处理后的实时阻抗谱数据进行特征提取，包括电压、电流、电阻、电容、时延信号、电导率、介电常数、弛豫时间分布和FFT时域谱特征。

3.如权利要求1所述的基于阻抗谱信号的智能骨骼及关节信息处理方法，其特征在于，所述步骤五具体包括：

计算实时阻抗谱数据的平均值和方差，并做标准化处理，使实时阻抗谱数据的分布具有标准方差；

所述步骤六具体包括：

将步骤五中获得的标准化实时阻抗谱数据输入步骤三中获得的最优组合分类模型中进行识别，得到最终的识别结果。

4.一种实施权利要求1所述基于阻抗谱信号的智能骨骼及关节信息处理方法的基于阻抗谱信号的智能骨骼及关节信息处理系统，其特征在于，所述基于阻抗谱信号的智能骨骼及关节信息处理系统包括：

历史阻抗谱数据采集模块，用于收集骨骼及关节不同部位的历史阻抗谱数据；

历史阻抗谱数据标准化处理模块，用于对历史阻抗谱数据进行标准化处理；

数据集划分模块，用于将标准化后的历史阻抗谱数据随机划分成不同的数据集；

最优组合分类模型构建模块，用构建Softmax分类模型、K-Nearest Neighbor分类模型、随机森林分类模型，将获得的标准化历史阻抗谱数据分别输入到各分类模型中进行训练，并根据训练结果，构建最优组合分类模型；

实时阻抗谱数据获取模块，用于收集骨骼及关节不同部位的实时阻抗谱数据；

实时阻抗谱数据标准化处理模块，用于对实时阻抗谱数据进行标准化处理；

最终识别结果获取模块，将获得的标准化实时阻抗谱数据输入到最优组合分类模型中进行识别，得到最终识别结果。

5.一种实施权利要求1~3任意一项所述基于阻抗谱信号的智能骨骼及关节信息处理方法的基于阻抗谱信号的智能骨骼及关节信息处理终端。

6.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-3任意一项所述的基于阻抗谱信号的智能骨骼及关节信息处理方法。

7.一种实施权利要求1所述基于阻抗谱信号的智能骨骼及关节信息处理方法的基于阻抗谱信号的智能骨骼及关节信息处理设备。

Images