CN111048205A - 对帕金森病症状进行评估的方法与装置 - Google Patents
对帕金森病症状进行评估的方法与装置 Download PDFInfo
- Publication number
- CN111048205A CN111048205A CN201911299708.0A CN201911299708A CN111048205A CN 111048205 A CN111048205 A CN 111048205A CN 201911299708 A CN201911299708 A CN 201911299708A CN 111048205 A CN111048205 A CN 111048205A
- Authority
- CN
- China
- Prior art keywords
- evaluation index
- index value
- examination
- parkinson
- detected 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 208000018737 Parkinson disease Diseases 0.000 title claims abstract description 40
- 208000024891 symptom Diseases 0.000 title claims abstract description 22
- 238000011156 evaluation Methods 0.000 claims abstract description 105
- 230000009471 action Effects 0.000 claims abstract description 76
- 230000033001 locomotion Effects 0.000 claims abstract description 53
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 50
- 238000004590 computer program Methods 0.000 claims abstract description 18
- 238000007689 inspection Methods 0.000 claims abstract description 16
- 230000015654 memory Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 13
- 210000003371 toe Anatomy 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 210000003423 ankle Anatomy 0.000 claims description 9
- 210000002683 foot Anatomy 0.000 claims description 9
- 210000000707 wrist Anatomy 0.000 claims description 8
- 210000003127 knee Anatomy 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 6
- 210000002414 leg Anatomy 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 210000003811 finger Anatomy 0.000 description 17
- 238000010586 diagram Methods 0.000 description 12
- 239000000284 extract Substances 0.000 description 12
- 206010006100 Bradykinesia Diseases 0.000 description 10
- 208000006083 Hypokinesia Diseases 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000010079 rubber tapping Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 210000003813 thumb Anatomy 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 230000005291 magnetic effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004195 computer-aided diagnosis Methods 0.000 description 2
- 206010017577 Gait disturbance Diseases 0.000 description 1
- 208000002740 Muscle Rigidity Diseases 0.000 description 1
- 208000027089 Parkinsonian disease Diseases 0.000 description 1
- 206010034010 Parkinsonism Diseases 0.000 description 1
- 206010044565 Tremor Diseases 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 230000003412 degenerative effect Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000004932 little finger Anatomy 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
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
- G16H50/30—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Pathology (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明的目的是提供一种对帕金森病症状进行评估的方法、装置以及计算机设备、计算机可读存储介质与计算机程序产品。根据帕金森病症的检查项目，获取被检测者分别对应每个检查项目下指定动作的连续运动图像；针对所述每个检查项目，从所述连续运动图像中分别提取用于评估所述指定动作的骨骼关键点坐标信息；根据所述骨骼关键点坐标信息，确定所述被检测者在对应检查项目的评价指标值；根据所述评价指标值，确定所述被检测者在对应检查项目完成所述指定动作的迟缓程度。与现有技术相比，本发明通过对如单目摄像头捕获的被检测者在各检查项目下指定动作的连续运动图像计算相应评价指标值，来给出客观标准化的帕金森诊断UPDRS量表评分。
Description
技术领域
本发明涉及医学图像处理技术领域，尤其涉及一种对帕金森病症状进行评估的技术。
背景技术
帕金森综合症是一种慢性的中枢神经系统退化性失调的疾病。震颤、运动迟缓、肌肉僵直和步态障碍是帕金森病并列的几个主要症状。虽然医学界存在帕金森病诊断量表，但是量表评分大多依赖医生经验，具有一定的主观性。
现有的帕金森病计算机辅助诊断方式主要分为两类：一类是基于传感器，包括惯性传感器、生物信号传感器等，此类方法一般都需要传感器佩戴在人体身上，增加了人体负荷，对人体本身的运动也会产生影响，穿戴传感器也增加了临床检查的时间；另一类是基于视觉的检测，例如通过单目摄像头或RGBD摄像头捕获图像/视频流，此类方法目前需要患者穿戴特定的手套或装置来作为检测的标志点，操作繁琐，且手套也会对病人运动造成影响。
发明内容
本发明的目的是提供一种对帕金森病症状进行评估的方法、装置以及计算机设备、计算机可读存储介质与计算机程序产品。
根据本发明的一个方面，提供了一种对帕金森病症状进行评估的方法，其中，该方法包括以下步骤：
根据帕金森病症的检查项目，获取被检测者分别对应每个检查项目下指定动作的连续运动图像；
针对所述每个检查项目，从所述连续运动图像中分别提取用于评估所述指定动作的骨骼关键点坐标信息；
根据所述骨骼关键点坐标信息，确定所述被检测者在对应检查项目的评价指标值；
根据所述评价指标值，确定所述被检测者在对应检查项目完成所述指定动作的迟缓程度。
根据本发明的一个方面，还提供了一种对帕金森病症状进行评估的装置，其中，该装置包括：
获取模块，用于根据帕金森病症的检查项目，获取被检测者分别对应每个检查项目下指定动作的连续运动图像；
提取模块，用于针对所述每个检查项目，从所述连续运动图像中分别提取用于评估所述指定动作的骨骼关键点坐标信息；
计算模块，用于根据所述骨骼关键点坐标信息，确定所述被检测者在对应检查项目的评价指标值；
检测模块，用于根据所述评价指标值，确定所述被检测者在对应检查项目完成所述指定动作的迟缓程度。
根据本发明的一个方面，还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现根据本发明的一个方面的对帕金森病症状进行评估的方法。
根据本发明的一个方面，还提供了一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现根据本发明的一个方面的对帕金森病症状进行评估的方法。
根据本发明的一个方面，还提供了一种计算机程序产品，当所述计算机程序产品被计算机设备执行时实现根据本发明的一个方面的对帕金森病症状进行评估的方法。
与现有技术相比，本发明通过对如单目摄像头捕获的被检测者在各检查项目下指定动作的连续运动图像计算相应评价指标值，来给出客观标准化的帕金森诊断UPDRS量表评分。本发明可实现通过单目普通摄像头对帕金森症状的运动迟缓检查，其实现方式简单高效，成本低，同时还可以实现帕金森检查项目中的实时动作计数，提供了一种有效的帕金森症状计算机辅助诊断方法。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1示出根据本发明一个实施例的一种对帕金森病症状进行评估的方法流程图；
图2示出根据本发明一个示例的手部检查项目的骨骼关键点的示意图；
图3示出根据本发明一个示例的脚部和腿部检查项目的骨骼关键点的示意图；
图4示出根据本发明一个示例的实时计算指定动作完成次数的示意图；
图5示出根据本发明一个实施例的一种对帕金森病症状进行评估的装置示意图。
具体实施方式
在更加详细地讨论示例性实施例之前应当提到的是，本发明的一些示例性实施例被描述为由方框图表述的装置和由流程图表述的过程或方法。虽然流程图将本发明的操作过程描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。本发明的过程可在其操作执行完毕时被终止，但也可包括未在所述流程图中示出的额外步骤。本发明的过程可以对应于方法、功能、规程、子例程、子程序等。
以下讨论的由流程图示出的方法和由方框图示出的装置，可以通过硬件、软件、固件、中间件、微代码、硬件描述语言、或其任意组合实现。当以软件、固件、中间件或微代码实现时，执行必要任务的程序代码或代码段可被存储于机器或诸如存储介质的计算机可读介质。(一个或多个)处理器可以执行所述必要任务。
类似地，还将理解任何流程表、流程图、状态转换图，诸如此类，表示各种过程，其可以被充分地描述为存储于计算机可读介质内的程序代码并因此被计算机设备或处理器执行，无论这些计算机设备或处理器是否被明确示出。
本文中，术语“存储介质”可以表示一个或多个用于存储数据的设备，包括只读存储器(ROM)，随机存取存储器(RAM)，磁性RAM，内核存储器，磁盘存储介质，光存储介质，闪存设备和/或其他用于存储信息的机器可读介质。术语“计算机可读介质”可包括但不限于，便携的或固定的存储设备，光存储设备，及各种其他能够存储和/或包含指令和/或数据的介质。
代码段可表示规程、功能、子程序、程序、例程、子例程、模块、软件包、类，或指令、数据结构或程序描述的任一组合。一个代码段可以通过传递和/或接收信息、数据、自变量、参数或存储内容，与另一个代码段或硬件电路相耦合。信息、自变量、参数、数据等，可以经由包括存储共享、信息传递、令牌传递、网络传输等任一合适方式，被传递、转发或发射。
在上下文中所称“计算机设备”，是指可以通过运行预定程序或指令来执行数值计算和/或逻辑计算等预定处理过程的电子设备，其至少可以包括处理器与存储器，其中由处理器执行在存储器中预存的程序指令来执行预定处理过程，或是由ASIC、FPGA、DSP等硬件执行预定处理过程，或是由上述二者组合来实现。
上述“计算机设备”通常以通用计算机设备的形式表现，其组件可以包括但不限于：一个或者多个处理器或者处理单元、系统存储器。系统存储器可以包括易失性存储器形式的计算机可读介质，例如随机存取存储器(RAM)和/或高速缓存存储器。“计算机设备”可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机可读存储介质。存储器可以包括至少一个计算机程序产品，该计算机程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能和/或方法。处理器通过运行存储在存储器中的程序，从而执行各种功能应用以及数据处理。
例如，存储器中存储有用于执行本发明的各项功能和处理的计算机程序，处理器执行相应计算机程序时，本发明中对帕金森病症状进行评估被实现。
典型地，计算机设备例如包括用户设备与网络设备。其中，所述用户设备包括但不限于个人计算机(PC)、笔记本电脑、移动终端等，所述移动终端包括但不限于智能手机、平板电脑等；所述网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量计算机或网络服务器构成的云，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。其中，所述计算机设备可单独运行来实现本发明，也可接入网络并通过与网络中的其他计算机设备的交互操作来实现本发明。其中，所述计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、VPN网络等。
需要说明的是，所述用户设备、网络设备和网络等仅为举例，其他现有的或今后可能出现的计算机设备或网络如可适用于本发明，也应包含在本发明保护范围以内，并以引用方式包含于此。
这里所公开的具体结构和功能细节仅仅是代表性的，并且是用于描述本发明的示例性实施例的目的。但是本发明可以通过许多替换形式来具体实现，并且不应当被解释成仅仅受限于这里所阐述的实施例。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
这里所使用的术语仅仅是为了描述具体实施例而不意图限制示例性实施例。除非上下文明确地另有所指，否则这里所使用的单数形式“一个”、“一项”还意图包括复数。还应当理解的是，这里所使用的术语“包括”和/或“包含”规定所陈述的特征、整数、步骤、操作、单元和/或组件的存在，而不排除存在或添加一个或更多其他特征、整数、步骤、操作、单元、组件和/或其组合。
还应当提到的是，在一些替换实现方式中，所提到的功能/动作可以按照不同于附图中标示的顺序发生。举例来说，取决于所涉及的功能/动作，相继示出的两幅图实际上可以基本上同时执行或者有时可以按照相反的顺序来执行。
下面结合附图对本发明作进一步详细描述。
图1示出根据本发明一个实施例的方法流程图，其具体示出一种对帕金森病症状进行评估的过程。
典型地，本发明由计算机设备实现。当一个通用的计算机设备被配置有实现本发明的程序模块后，其将成为专用的对帕金森病症状进行评估的设备，而不是任何通用的计算机或处理器。然而，本领域技术人员应能理解，前述说明仅意在表明本发明可以应用于任何通用计算机设备，而当本发明被应用于一个通用计算机设备之后，该通用计算机设备则成为一个专门的实现本发明的对帕金森病症状进行评估的设备，以下称为“评估设备”。
如图1所示，在步骤S101中，评估设备根据帕金森病症的检查项目，获取被检测者分别对应每个检查项目下指定动作的连续运动图像；在步骤S102中，评估设备针对所述每个检查项目，从所述连续运动图像中分别提取用于评估所述指定动作的骨骼关键点坐标信息；在步骤S103中，评估设备根据所述骨骼关键点坐标信息，确定所述被检测者在对应检查项目的评价指标值；在步骤S104中，评估设备根据所述评价指标值，确定所述被检测者在对应检查项目完成所述指定动作的迟缓程度。
具体地，在步骤S101中，评估设备根据帕金森病症的检查项目，获取被检测者分别对应每个检查项目下指定动作的连续运动图像。
按照帕金森诊断UPDRS量表，运动迟缓检查项目包括手指拍打、握拳运动、手部旋前旋后(轮替运动)、踏地运动、脚趾拍打。
通过摄像头捕获被检测者分别对应每个检查项目的运动图像。其中，每个检查项目对应有指定动作，被检测者需做出该指定动作，摄像头由此捕获被检测者的相应运动图像。
根据本发明的一个示例，单个普通网络摄像头被用来捕获被检测者在多个帕金森运动迟缓检查项目下的视频，包括手指拍打、握拳运动、手部旋前旋后(轮替运动)、踏地运动、脚趾拍打等。在此，所有检查项目可以被包含在一个视频流中，也可以各自对应有一个视频流。显然，一个视频流中包含多个连续运动图像。可替代地，根据本发明的另一个示例，摄像头可以连续捕获被检测者在这些检测项目下的指定动作，从而生成多个连续的运动图像。
评估设备获取摄像头捕获的被检测者在每个检查项目下做出指定动作的连续运动图像。根据本发明的一个示例，评估设备可以从摄像头捕获的视频流中按照一定规则/间隔提取多个连续运动图像，而不必将其中的每一视频帧均作为被检测者的运动图像。根据本发明的另一个示例，对于摄像头捕获的多个连续运动图像，评估设备同样可以从中按照一定规则/间隔提取一组连续的运动图像来作为被检测者在对应检测项目下指定动作的连续运动图像。在此，本发明对运动图像的提取规则/间隔不做限定，任何提取出来的连续运动图像只要随后可以用于计算被检测者在对应检查项目的评价指标值，即属于本发明的保护范围之内。
在步骤S102中，评估设备针对帕金森病症的每个检查项目，从被检测者的连续运动图像中分别提取用于评估相应指定动作的骨骼关键点坐标信息。
对于每个检查项目对应的连续运动图像，评估设备从每个运动图像中提取用于评估该检查项目的指定动作所对应的骨骼关键点坐标信息。
其中，针对不同部位的检查项目，所关注的骨骼关键点也不同。例如，对于手部的检查，其主要关注位于各个手指尖和手腕的骨骼关键点。如图2所示，其中，骨骼关键点1指示大拇指尖，骨骼关键点2指示食指尖，骨骼关键点3指示中指尖，骨骼关键点4指示无名指尖，骨骼关键点5指示小拇指尖，骨骼关键点6指示手腕。对于脚部和腿部的检查，其主要关注位于膝盖、脚踝和脚趾尖的骨骼关键点。如图3所示，其中，骨骼关键点7指示脚趾尖，骨骼关键点8指示脚踝，骨骼关键点9指示膝盖。
在此，多种算法可以用于提取上述骨骼关键点的坐标信息，包括但不限于传统人体模板匹配方法和基于深度学习的方法，本发明对此不做限定。其中，对于传统人体模板匹配方法，其通常采用预设的人体模型来与人体图像进行匹配，以识别其中的骨骼关键点。对于基于深度学习的方法，其通过预先标注有骨骼关键点的样本图像来对神经网络进行训练，以获得训练好的神经网络来对人体图像识别其中的骨骼关键点。本领域技术人员应能理解，任何现有的或将来的坐标提取算法，如可以适用于本发明来提取上述骨骼关键点的坐标信息，即属于本发明的保护范围之内。
由此，对于每个检查项目，评估设备从其对应的连续运动图像分别提取一组骨骼关键点坐标信息。
在步骤S103中，评估设备根据每个检查项目对应的骨骼关键点坐标信息，确定被检测者在对应检查项目的评价指标值。
在此，每个检查项目具有各自的评价指标，用于评价被检测者动作的迟缓程度。
对于手指拍打动作检查项，评估设备旨在检测大拇指与食指之间的距离，从而通过骨骼关键点1和骨骼关键点2之间的距离变化来确定手指拍打动作完成的程度。
根据本发明的一个示例，该项动作完成度的评价指标E1为：
其中，D1，2为骨骼关键点1和骨骼关键点2之间的欧式距离，(x1，y1)为骨骼关键点1的像素坐标，(x2，y2)为骨骼关键点2的像素坐标。
按照上述公式(1)，评估设备可以为手指拍打检查项对应的连续运动图像中的每一帧计算其评价指标值。
对于握拳动作检查项，评估设备旨在检测食指、中指、无名指及小拇指与手腕之间的距离，从而通过骨骼关键点2、3、4、5到骨骼关键点6之间的距离变化来确定握拳动作完成的程度。
根据本发明的一个示例，该项动作完成度的评价指标E2具体可以通过骨骼关键点2、3、4、5到骨骼关键点6之间的欧氏距离平均值来度量：
按照上述公式(2)，评估设备可以为握拳动作检查项对应的连续运动图像中的每一帧计算其评价指标值。
对于脚部踏地动作检查项，评估设备旨在检测脚踝的离地距离，从而通过骨骼关键点8的高度变化来确定脚部踏地动作完成的程度。
根据本发明的一个示例，该项动作完成度的评价指标E3具体可以通过骨骼关键点8的y坐标值与骨骼关键点8、9之间距离的比值来度量：
按照上述公式(3)，评估设备可以为脚部踏地动作检查项对应的连续运动图像中的每一帧计算其评价指标值。
对于脚趾拍打动作检查项，评估设备旨在检测脚趾与脚踝相对于脚踝与膝盖的角度，从而通过骨骼关键点7、8与骨骼关键点8、9之间的夹角变化来确定脚趾拍打动作完成的程度。
根据本发明的一个示例，该项动作完成度的评价指标E4具体可以通过骨骼关键点7、8组成向量与骨骼关键点8、9组成向量之间的夹角来度量：
按照上述公式(4)，评估设备可以为脚趾拍打动作检查项对应的连续运动图像中的每一帧计算其评价指标值。
对于手部旋前旋后(即手部轮替运动)动作检查项，评估设备旨在检测各手指相对于腕部的夹角方向，从而通过各骨骼关键点1、2、3、4、5与骨骼关键点1之间的夹角方向变化来确定手部轮替动作是否完成以及完成的程度。
根据本发明的一个示例，以骨骼关键点6为起点，将其分别以骨骼关键点1、2、3、4、5为终点的带方向的向量夹角标记为θ1、θ2、θ3、θ4，从而以这四个向量夹角的总和及其方向来作为该项动作完成度的评价指标。其中，向量的夹角方向可根据向量的叉乘计算，当顺时针方向为正以及逆时针方向为负，则有符号变量sign1、sign2、sign3、sign4。
据此，该项动作完成度的评价指标E5为：
D＝sign1*θ1+sign2*θ2+sign3*θ3+sign4*θ4 公式(5)
按照上述公式(5)，评估设备可以为手部旋前旋后(轮替运动)动作检查项对应的连续运动图像中的每一帧计算其评价指标值。
在步骤S104中，评估设备根据每个检查项目的评价指标值，确定被检测者在对应检查项目完成其指定动作的迟缓程度。
在此，一个检查项目对应有多个连续运动图像，由此从其中每个运动图像中计算该检查项目的一个评价指标值，从而每个检查项目对应有一组(多个)评价指标值。
具体地，根据每个检查项目的评价指标值，评估设备计算对应检查项目下指定动作的完成频次，以确定被检测者完成指定动作的迟缓程度。
对动作完成迟缓程度的计算，可以实时完成，也可以离线完成。其中，实时计算方式为实时统计在一定时间内指定动作的完成次数，需要实现对指定动作的实时计数；离线计算方式为得到评价指标值的波形之后，对其进行傅里叶变换，提取动作频率信息，进而来评价动作迟缓程度。
以下具体描述根据本发明的一个示例的实时计算方式，例如采用自动检测波峰波谷算法，然后计算波峰波谷差值。参阅图4，其中，纵坐标为一评价指标值，横坐标为时间。首先，在起始时间初始化波峰波谷数值，信号开始采集时，更新寻找波峰波谷，如图4所示，空心圈点2位置处找到第一个波谷，此时波峰仍在初始位置，然后计算当前波峰波谷差值，若差值大于预定阈值，则认为当前找到的新波谷为真波谷，然后将波峰波谷均重新初始化为当前新找到的波谷处，开始寻找下一次波峰波谷，即每次找到新的波峰波谷时，都要计算当前波峰波谷差值，若小于预定阈值，则判断新寻找到的波峰波谷为假波峰波谷(如图4中的空心圈点4)，舍弃并继续寻找，直到找到真波峰波谷，连续两次真波峰波谷阈值满足条件后，完成一次动作周期，即完成一次计数。以此，评估设备便可以实现实时的动作计数，从而可以记录一定时间内指定动作的完成次数以及中断次数，以作为帕金森病症运动迟缓程度的评价指标。
根据本发明的一个示例，在步骤S104之前，图1所示的过程还包括一个步骤S105。在步骤S105中，评估设备还对步骤S103中计算的评价指标值进行平滑处理和/或归一化。
为了实现实时的数据平滑，巴特沃斯滤波器的IIR滤波器在此被应用。其中，巴特沃斯低通滤波器提供低通滤波器的参数，其具体实现采用IIR滤波器，IIR滤波器的迭代实现是基于以下差分方程：
其中，系数a和b由一阶巴特沃斯滤波器提供，input[·]表示输入信号，output[·]表示IIR滤波器的输出信号，M和N表示系数a、b的参数个数。对于一阶滤波器，M＝N＝1。此外，由于不同运动图像中的对象大小可能有差异性，因此，计算获得的各评价指标值可以被归一化处理，归一化后的评价指标值将在步骤S105中用于对对应的指定动作进行实时计数。
图5示出根据本发明一个实施例的装置示意图，其具体示出一种对帕金森病症状进行评估的装置。
典型地，本发明的装置可以作为一个功能模块装置于任何通用的计算机设备中。当一个通用的计算机设备被配置有本发明的装置后，其将成为专用的对帕金森病症状进行评估的设备，而不是任何通用的计算机或处理器。然而，本领域技术人员应能理解，前述说明仅意在表明本发明的装置可以应用于任何通用计算机设备，而当本发明的装置被应用于一个通用计算机设备之后，该通用计算机设备则成为一个专门的实现本发明的对帕金森病症状进行评估的设备，以下称为“评估设备”，本发明的装置也可以因此被称为“评估装置”。并且，该“评估装置”可以以计算机程序、硬件或其结合的方式实现。
如图5所示，评估装置50被装置于评估设备500中。评估装置50进一步包括获取模块51、提取模块52、计算模块53和检测模块54。
其中，获取模块51根据帕金森病症的检查项目，获取被检测者分别对应每个检查项目下指定动作的连续运动图像；提取模块52针对所述每个检查项目，从所述连续运动图像中分别提取用于评估所述指定动作的骨骼关键点坐标信息；计算模块53根据所述骨骼关键点坐标信息，确定所述被检测者在对应检查项目的评价指标值；检测模块54根据所述评价指标值，确定所述被检测者在对应检查项目完成所述指定动作的迟缓程度。
具体地，获取模块51根据帕金森病症的检查项目，获取被检测者分别对应每个检查项目下指定动作的连续运动图像。
按照帕金森诊断UPDRS量表，运动迟缓检查项目包括手指拍打、握拳运动、手部旋前旋后(轮替运动)、踏地运动、脚趾拍打。
通过摄像头捕获被检测者分别对应每个检查项目的运动图像。其中，每个检查项目对应有指定动作，被检测者需做出该指定动作，摄像头由此捕获被检测者的相应运动图像。
根据本发明的一个示例，单个普通网络摄像头被用来捕获被检测者在多个帕金森运动迟缓检查项目下的视频，包括手指拍打、握拳运动、手部旋前旋后(轮替运动)、踏地运动、脚趾拍打等。在此，所有检查项目可以被包含在一个视频流中，也可以各自对应有一个视频流。显然，一个视频流中包含多个连续运动图像。可替代地，根据本发明的另一个示例，摄像头可以连续捕获被检测者在这些检测项目下的指定动作，从而生成多个连续的运动图像。
获取模块51获取摄像头捕获的被检测者在每个检查项目下做出指定动作的连续运动图像。根据本发明的一个示例，获取模块51可以从摄像头捕获的视频流中按照一定规则/间隔提取多个连续运动图像，而不必将其中的每一视频帧均作为被检测者的运动图像。根据本发明的另一个示例，对于摄像头捕获的多个连续运动图像，获取模块51同样可以从中按照一定规则/间隔提取一组连续的运动图像来作为被检测者在对应检测项目下指定动作的连续运动图像。在此，本发明对运动图像的提取规则/间隔不做限定，任何提取出来的连续运动图像只要随后可以用于计算被检测者在对应检查项目的评价指标值，即属于本发明的保护范围之内。
接下来，提取模块52针对帕金森病症的每个检查项目，从被检测者的连续运动图像中分别提取用于评估相应指定动作的骨骼关键点坐标信息。
对于每个检查项目对应的连续运动图像，提取模块52从每个运动图像中提取用于评估该检查项目的指定动作所对应的骨骼关键点坐标信息。
其中，针对不同部位的检查项目，所关注的骨骼关键点也不同。例如，对于手部的检查，其主要关注位于各个手指尖和手腕的骨骼关键点。如图2所示，其中，骨骼关键点1指示大拇指尖，骨骼关键点2指示食指尖，骨骼关键点3指示中指尖，骨骼关键点4指示无名指尖，骨骼关键点5指示小拇指尖，骨骼关键点6指示手腕。对于脚部和腿部的检查，其主要关注位于膝盖、脚踝和脚趾尖的骨骼关键点。如图3所示，其中，骨骼关键点7指示脚趾尖，骨骼关键点8指示脚踝，骨骼关键点9指示膝盖。
在此，多种算法可以用于提取上述骨骼关键点的坐标信息，包括但不限于传统人体模板匹配方法和基于深度学习的方法，本发明对此不做限定。其中，对于传统人体模板匹配方法，其通常采用预设的人体模型来与人体图像进行匹配，以识别其中的骨骼关键点。对于基于深度学习的方法，其通过预先标注有骨骼关键点的样本图像来对神经网络进行训练，以获得训练好的神经网络来对人体图像识别其中的骨骼关键点。本领域技术人员应能理解，任何现有的或将来的坐标提取算法，如可以适用于本发明来提取上述骨骼关键点的坐标信息，即属于本发明的保护范围之内。
由此，对于每个检查项目，评估设备从其对应的连续运动图像分别提取一组骨骼关键点坐标信息。
随后，计算模块53根据每个检查项目对应的骨骼关键点坐标信息，确定被检测者在对应检查项目的评价指标值。
在此，每个检查项目具有各自的评价指标，用于评价被检测者动作的迟缓程度。
对于手指拍打动作检查项，骨骼关键点1和骨骼关键点2之间的欧式距离被作为该项动作完成度的评价指标E1来按照上述公式(1)计算。
按照上述公式(1)，评估设备可以为手指拍打检查项对应的连续运动图像中的每一帧计算其评价指标值。
对于握拳动作检查项，骨骼关键点2、3、4、5到骨骼关键点6之间的欧氏距离平均值被作为该项动作完成度的评价指标E2来按照上述公式(2)计算。
按照上述公式(2)，评估设备可以为握拳动作检查项对应的连续运动图像中的每一帧计算其评价指标值。
对于脚部踏地动作检查项，骨骼关键点8的y坐标值与骨骼关键点8、9之间距离的比值被作为该项动作完成度的评价指标E3来按照上述公式(3)计算。
按照上述公式(3)，评估设备可以为脚部踏地动作检查项对应的连续运动图像中的每一帧计算其评价指标值。
对于脚趾拍打动作检查项，骨骼关键点7、8组成向量与骨骼关键点8、9组成向量之间的夹角被作为该项动作完成度的评价指标E4来按照上述公式(4)计算。
按照上述公式(4)，评估设备可以为脚趾拍打动作检查项对应的连续运动图像中的每一帧计算其评价指标值。
对于手部旋前旋后(即手部轮替运动)动作检查项，骨骼关键点6分别至骨骼关键点1、2、3、4、5的方向夹角之和及其方向被作为该项动作完成度的评价指标E5来按照上述公式(5)计算。
按照上述公式(5)，评估设备可以为手部轮替运动检查项对应的连续运动图像中的每一帧计算其评价指标值。
接着，检测模块54根据每个检查项目的评价指标值，确定被检测者在对应检查项目完成其指定动作的迟缓程度。
在此，一个检查项目对应有多个连续运动图像，由此从其中每个运动图像中计算该检查项目的一个评价指标值，从而每个检查项目对应有一组(多个)评价指标值。
具体地，根据每个检查项目的评价指标值，检测模块54计算对应检查项目下指定动作的完成频次，以确定被检测者完成指定动作的迟缓程度。
对动作完成迟缓程度的计算，检测模块54可以实时完成，也可以离线完成。其中，实时计算方式为实时统计在一定时间内指定动作的完成次数，需要实现对指定动作的实时计数；离线计算方式为得到评价指标值的波形之后，对其进行傅里叶变换，提取动作频率信息，进而来评价动作迟缓程度。
以下具体描述根据本发明的一个示例的实时计算方式，例如采用自动检测波峰波谷算法，然后计算波峰波谷差值。参阅图4，其中，纵坐标为一评价指标值，横坐标为时间。首先，在起始时间初始化波峰波谷数值，信号开始采集时，检测模块54更新寻找波峰波谷，如图4所示，空心圈点2位置处找到第一个波谷，此时波峰仍在初始位置，然后计算当前波峰波谷差值，若差值大于预定阈值，则认为当前找到的新波谷为真波谷，然后将波峰波谷均重新初始化为当前新找到的波谷处，开始寻找下一次波峰波谷，即每次找到新的波峰波谷时，都要计算当前波峰波谷差值，若小于预定阈值，则判断新寻找到的波峰波谷为假波峰波谷(如图4中的空心圈点4)，舍弃并继续寻找，直到找到真波峰波谷，连续两次真波峰波谷阈值满足条件后，完成一次动作周期，即完成一次计数。以此，检测模块54便可以实现实时的动作计数，从而可以记录一定时间内指定动作的完成次数以及中断次数，以作为帕金森病症运动迟缓程度的评价指标。
根据本发明的一个示例，图5所示的评估装置50还可以包括一个处理模块(图5未示出)。处理模块还对计算模块53计算的评价指标值进行平滑处理和/或归一化。
为了实现实时的数据平滑，巴特沃斯滤波器的IIR滤波器在此被应用。其中，巴特沃斯低通滤波器提供低通滤波器的参数，其具体实现采用IIR滤波器，IIR滤波器的迭代实现是基于上述差分方程(6)。
此外，由于不同运动图像中的对象大小可能有差异性，因此，计算模块53获得的各评价指标值可以被处理模块进一步做归一化处理，归一化后的评价指标值将被检测模块54用于对对应的指定动作进行实时计数。
需要注意的是，本发明可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本发明的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本发明的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本发明的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
另外，本发明的至少一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机设备执行时，通过该计算机设备的操作，可以调用或提供根据本发明的方法和/或技术方案。而调用/提供本发明的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
Claims (15)
1.一种对帕金森病症状进行评估的方法，其中，该方法包括以下步骤：
根据帕金森病症的检查项目，获取被检测者分别对应每个检查项目下指定动作的连续运动图像；
针对所述每个检查项目，从所述连续运动图像中分别提取用于评估所述指定动作的骨骼关键点坐标信息；
根据所述骨骼关键点坐标信息，确定所述被检测者在对应检查项目的评价指标值；
根据所述评价指标值，确定所述被检测者在对应检查项目完成所述指定动作的迟缓程度。
2.根据权利要求1所述的方法，其中，所述连续运动图像来自捕获所述指定动作的一个视频流。
3.根据权利要求1或2所述的方法，其中，所述检查项目针对手部动作进行检查，对应的骨骼关键点包括各指尖和手腕。
4.根据权利要求1至3中任一项所述的方法，其中，所述检查项目针对脚部和腿部动作进行检查，对应的骨骼关键点包括膝盖、脚踝和脚趾尖。
5.根据权利要求1至4中任一项所述的方法，其中，该方法还包括：
对所述评价指标值进行平滑处理和/或归一化。
6.根据权利要求1至5中任一项所述的方法，其中，
根据所述评价指标值，计算对应检查项目下所述指定动作的完成频次，以确定所述被检测者完成所述指定动作的迟缓程度。
7.一种对帕金森病症状进行评估的装置，其中，该装置包括：
获取模块，用于根据帕金森病症的检查项目，获取被检测者分别对应每个检查项目下指定动作的连续运动图像；
提取模块，用于针对所述每个检查项目，从所述连续运动图像中分别提取用于评估所述指定动作的骨骼关键点坐标信息；
计算模块，用于根据所述骨骼关键点坐标信息，确定所述被检测者在对应检查项目的评价指标值；
检测模块，用于根据所述评价指标值，确定所述被检测者在对应检查项目完成所述指定动作的迟缓程度。
8.根据权利要求7所述的装置，其中，所述连续运动图像来自捕获所述指定动作的一个视频流。
9.根据权利要求7或8所述的装置，其中，所述检查项目针对手部动作进行检查，对应的骨骼关键点包括各指尖和手腕。
10.根据权利要求7至9中任一项所述的装置，其中，所述检查项目针对脚部和腿部动作进行检查，对应的骨骼关键点包括膝盖、脚踝和脚趾尖。
11.根据权利要求7至10中任一项所述的装置，其中，该装置还包括：
处理模块，用于对所述评价指标值进行平滑处理和/或归一化。
12.根据权利要求7至11中任一项所述的装置，其中，所述检测模块具体用于：
根据所述评价指标值，计算对应检查项目下所述指定动作的完成频次，以确定所述被检测者完成所述指定动作的迟缓程度。
13.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的方法。
14.一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的方法。
15.一种计算机程序产品，当所述计算机程序产品被计算机设备执行时实现如权利要求1至6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911299708.0A CN111048205A (zh) | 2019-12-17 | 2019-12-17 | 对帕金森病症状进行评估的方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911299708.0A CN111048205A (zh) | 2019-12-17 | 2019-12-17 | 对帕金森病症状进行评估的方法与装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111048205A true CN111048205A (zh) | 2020-04-21 |
Family
ID=70236878
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911299708.0A Pending CN111048205A (zh) | 2019-12-17 | 2019-12-17 | 对帕金森病症状进行评估的方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111048205A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111528842A (zh) * | 2020-05-26 | 2020-08-14 | 复嶂环洲生物科技(上海)有限公司 | 基于生理和行为指标的帕金森病症状定量化评估方法 |
| CN114171194A (zh) * | 2021-10-20 | 2022-03-11 | 中国科学院自动化研究所 | 帕金森多症状量化评估方法、装置、电子设备、及介质 |
| CN114842956A (zh) * | 2022-07-01 | 2022-08-02 | 苏州景昱医疗器械有限公司 | 控制设备、医疗系统及计算机可读存储介质 |
| CN115881295A (zh) * | 2022-12-06 | 2023-03-31 | 首都医科大学附属北京天坛医院 | 帕金森症状信息检测方法、装置、设备和计算机可读介质 |
| WO2023069385A1 (en) * | 2021-10-19 | 2023-04-27 | Boston Scientific Neuromodulation Corporation | Method and device for detecting parkinson's disease |
| CN116392086A (zh) * | 2023-06-06 | 2023-07-07 | 浙江多模医疗科技有限公司 | 检测刺激方法、系统、终端及存储介质 |
| CN116919391A (zh) * | 2023-07-25 | 2023-10-24 | 凝动万生医疗科技(武汉)有限公司 | 运动障碍评估方法和设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105426696A (zh) * | 2015-12-24 | 2016-03-23 | 中国科学院苏州生物医学工程技术研究所 | 一种多节点帕金森病症状定量评估系统和方法 |
| CN107330249A (zh) * | 2017-06-09 | 2017-11-07 | 常州大学 | 一种基于kinect骨骼数据的帕金森病症计算机辅助判别方法 |
| CN108509905A (zh) * | 2018-03-30 | 2018-09-07 | 百度在线网络技术（北京）有限公司 | 健康状态评估方法、装置、电子设备及存储介质 |
| CN109063714A (zh) * | 2018-08-06 | 2018-12-21 | 浙江大学 | 基于深度神经网络的帕金森病运动迟缓视频检测模型的构建方法 |
| CN109475294A (zh) * | 2016-05-06 | 2019-03-15 | 斯坦福大学托管董事会 | 用于治疗精神障碍的移动和可穿戴视频捕捉和反馈平台 |
| US20190115109A1 (en) * | 2017-10-18 | 2019-04-18 | Tata Consultancy Services Limited | Systems and methods for optimizing a joint cost function and detecting neuro muscular profiles thereof |
| CN109688926A (zh) * | 2016-09-14 | 2019-04-26 | 豪夫迈·罗氏有限公司 | 用于认知和运动疾病或障碍的数字生物标记 |
| CN110738192A (zh) * | 2019-10-29 | 2020-01-31 | 腾讯科技（深圳）有限公司 | 人体运动功能辅助评估方法、装置、设备、系统及介质 |
-
2019
- 2019-12-17 CN CN201911299708.0A patent/CN111048205A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105426696A (zh) * | 2015-12-24 | 2016-03-23 | 中国科学院苏州生物医学工程技术研究所 | 一种多节点帕金森病症状定量评估系统和方法 |
| CN109475294A (zh) * | 2016-05-06 | 2019-03-15 | 斯坦福大学托管董事会 | 用于治疗精神障碍的移动和可穿戴视频捕捉和反馈平台 |
| CN109688926A (zh) * | 2016-09-14 | 2019-04-26 | 豪夫迈·罗氏有限公司 | 用于认知和运动疾病或障碍的数字生物标记 |
| CN107330249A (zh) * | 2017-06-09 | 2017-11-07 | 常州大学 | 一种基于kinect骨骼数据的帕金森病症计算机辅助判别方法 |
| US20190115109A1 (en) * | 2017-10-18 | 2019-04-18 | Tata Consultancy Services Limited | Systems and methods for optimizing a joint cost function and detecting neuro muscular profiles thereof |
| CN108509905A (zh) * | 2018-03-30 | 2018-09-07 | 百度在线网络技术（北京）有限公司 | 健康状态评估方法、装置、电子设备及存储介质 |
| CN109063714A (zh) * | 2018-08-06 | 2018-12-21 | 浙江大学 | 基于深度神经网络的帕金森病运动迟缓视频检测模型的构建方法 |
| CN110738192A (zh) * | 2019-10-29 | 2020-01-31 | 腾讯科技（深圳）有限公司 | 人体运动功能辅助评估方法、装置、设备、系统及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 于昌琳: "帕金森病患者红外线数字化步态测量数据的半自动提取方法的建立" * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111528842A (zh) * | 2020-05-26 | 2020-08-14 | 复嶂环洲生物科技(上海)有限公司 | 基于生理和行为指标的帕金森病症状定量化评估方法 |
| CN111528842B (zh) * | 2020-05-26 | 2023-01-03 | 复嶂环洲生物科技(上海)有限公司 | 基于生理和行为指标的帕金森病症状定量化评估方法 |
| WO2023069385A1 (en) * | 2021-10-19 | 2023-04-27 | Boston Scientific Neuromodulation Corporation | Method and device for detecting parkinson's disease |
| CN114171194A (zh) * | 2021-10-20 | 2022-03-11 | 中国科学院自动化研究所 | 帕金森多症状量化评估方法、装置、电子设备、及介质 |
| CN114171194B (zh) * | 2021-10-20 | 2022-09-06 | 中国科学院自动化研究所 | 帕金森多症状量化评估方法、装置、电子设备、及介质 |
| CN114842956A (zh) * | 2022-07-01 | 2022-08-02 | 苏州景昱医疗器械有限公司 | 控制设备、医疗系统及计算机可读存储介质 |
| WO2024001723A1 (zh) * | 2022-07-01 | 2024-01-04 | 苏州景昱医疗器械有限公司 | 控制设备、医疗系统及计算机可读存储介质 |
| CN115881295A (zh) * | 2022-12-06 | 2023-03-31 | 首都医科大学附属北京天坛医院 | 帕金森症状信息检测方法、装置、设备和计算机可读介质 |
| CN115881295B (zh) * | 2022-12-06 | 2024-01-23 | 首都医科大学附属北京天坛医院 | 帕金森症状信息检测方法、装置、设备和计算机可读介质 |
| CN116392086A (zh) * | 2023-06-06 | 2023-07-07 | 浙江多模医疗科技有限公司 | 检测刺激方法、系统、终端及存储介质 |
| CN116392086B (zh) * | 2023-06-06 | 2023-08-25 | 浙江多模医疗科技有限公司 | 检测刺激方法、终端及存储介质 |
| CN116919391A (zh) * | 2023-07-25 | 2023-10-24 | 凝动万生医疗科技(武汉)有限公司 | 运动障碍评估方法和设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111048205A (zh) | 对帕金森病症状进行评估的方法与装置 | |
| Elkholy et al. | Efficient and robust skeleton-based quality assessment and abnormality detection in human action performance | |
| Dikovski et al. | Evaluation of different feature sets for gait recognition using skeletal data from Kinect | |
| US11759126B2 (en) | Scoring metric for physical activity performance and tracking | |
| Guo et al. | Vision-based finger tapping test in patients with Parkinson’s disease via spatial-temporal 3D hand pose estimation | |
| CN111274998A (zh) | 帕金森病手指敲击动作识别方法及系统、存储介质及终端 | |
| Loureiro et al. | Using a skeleton gait energy image for pathological gait classification | |
| Pintea et al. | Hand-tremor frequency estimation in videos | |
| Cheriet et al. | Multi-speed transformer network for neurodegenerative disease assessment and activity recognition | |
| Dousty et al. | Tenodesis grasp detection in egocentric video | |
| US20220095959A1 (en) | Feigned Injury Detection Systems And Methods | |
| Perez et al. | A smartphone-based system for clinical gait assessment | |
| CN117883074A (zh) | 一种基于人体姿态视频的帕金森病步态量化分析方法 | |
| Switonski et al. | Dynamic time warping in gait classification of motion capture data | |
| KR20200120365A (ko) | 파킨슨 환자 영상의 구분 동작으로부터 중증 정도를 자동으로 채점하는 학습 방법 및 장치 | |
| Dentamaro et al. | Sit-to-stand test for neurodegenerative diseases video classification | |
| Convertini et al. | Sit-to-Stand Test for Neurodegenerative Diseases Video Classification | |
| Cejnog et al. | A framework for automatic hand range of motion evaluation of rheumatoid arthritis patients | |
| Khokhlova et al. | Kinematic covariance based abnormal gait detection | |
| Abid et al. | A comparative study of end-to-end discriminative deep learning models for knee joint kinematic time series classification | |
| Elkholy et al. | A general descriptor for detecting abnormal action performance from skeletal data | |
| Cavallo | Primitive actions extraction for a human hand by using SVD | |
| Dogra et al. | Automatic adductors angle measurement for neurological assessment of post-neonatal infants during follow up | |
| Guerreiro et al. | Detection of Osteoarthritis from Multimodal Hand Data | |
| RU2814513C1 (ru) | Способы диагностики болезни паркинсона на основе анализа мультимодальных данных с применением машинного обучения (варианты) |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200421 |