CN111383763B - 一种膝关节运动信息的处理方法、装置、设备和存储介质 - Google Patents
一种膝关节运动信息的处理方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111383763B CN111383763B CN201811644782.7A CN201811644782A CN111383763B CN 111383763 B CN111383763 B CN 111383763B CN 201811644782 A CN201811644782 A CN 201811644782A CN 111383763 B CN111383763 B CN 111383763B
- Authority
- CN
- China
- Prior art keywords
- knee joint
- information
- motion
- movement
- signal
- 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
- 210000000629 knee joint Anatomy 0.000 title claims abstract description 596
- 230000033001 locomotion Effects 0.000 title claims abstract description 357
- 230000010365 information processing Effects 0.000 title abstract description 12
- 238000003672 processing method Methods 0.000 title abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000001133 acceleration Effects 0.000 claims description 50
- 238000005259 measurement Methods 0.000 claims description 36
- 230000005236 sound signal Effects 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 13
- 210000000988 bone and bone Anatomy 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000004118 muscle contraction Effects 0.000 claims description 8
- 210000004417 patella Anatomy 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 210000003127 knee Anatomy 0.000 claims description 7
- 238000005452 bending Methods 0.000 claims 6
- 238000013145 classification model Methods 0.000 claims 3
- 210000004872 soft tissue Anatomy 0.000 claims 2
- 239000000758 substrate Substances 0.000 claims 2
- 230000036544 posture Effects 0.000 description 46
- 230000006870 function Effects 0.000 description 18
- 238000012549 training Methods 0.000 description 11
- 230000006735 deficit Effects 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 244000309466 calf Species 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 210000000689 upper leg Anatomy 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000845 cartilage Anatomy 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (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
本发明涉及一种膝关节运动信息的处理方法、装置、设备和存储介质,方法包括:在人体的运动状态下,获取所述人体的膝关节运动信息,所述膝关节运动信息包括膝关节运动信号的特征信息和所述膝关节的姿态信息,所述膝关节运动信号的特征信息是基于膝关节产生的膝关节运动信号生成的;基于所述膝关节运动信息,使用预先训练好的模型,得到分类结果;基于所述分类结果,确定所述膝关节的受损程度。应用本发明实施例能够对运动状态下的膝关节受损程度进行连续不间断的评估。
Description
技术领域
本发明属于智慧医疗领域,具体涉及一种膝关节运动信息的处理方法、装置、设备和存储介质。
背景技术
膝关节是人体关节中,功能和结构最复杂的关节之一。由于在人体运动过程中,膝关节几乎承受人体的全部重量,使得膝关节极易受损,受损后的膝关节恢复较慢,给病人带来较大痛苦,因此,需要对膝关节的受损程度进行评估,以便医生根据评估结果对受损膝关节进行诊断治疗。
目前,可以使用核磁共振成像(Magnetic Resonance Imaging,MRI)设备对膝关节的受损程度进行评估。但是,使用MRI不利于对运动状态下的膝关节受损程度进行连续不间断的评估。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种膝关节运动信息的处理方法、装置、设备和存储介质。本发明要解决的技术问题通过以下技术方案实现:
本发明实施例提供了一种膝关节运动信息的处理方法,包括:
在人体的运动状态下,获取所述人体的膝关节运动信息,所述膝关节运动信息包括膝关节运动信号的特征信息和所述膝关节的姿态信息,所述膝关节运动信号包括膝关节振动信号和膝关节声音信号,所述膝关节运动信号的特征信息是基于所述膝关节运动信号生成的;
基于所述膝关节运动信息,使用预先训练好的模型,得到分类结果;
基于所述分类结果,确定所述膝关节的受损程度。
在本发明的一个实施例中,所述获取所述人体的膝关节产生的膝关节运动信息的步骤,包括:
获取所述人体的膝关节产生的膝关节运动信号,并获取所述膝关节运动信号对应的所述膝关节的姿态信息;
根据所述膝关节运动信号,生成所述膝关节运动信号的特征信息,所述特征信息包括所述膝关节运动信号在时域中的特征值和所述膝关节运动信号在频域中的特征值中的至少一个。
在本发明的一个实施例中,所述基于所述膝关节运动信息,使用预先训练好的模型,得到分类结果的步骤之前,所述方法还包括:
获取所述膝关节的用户信息,所述用户信息包括用户的年龄、用户的身体质量(Body Mass Index,BMI)指数和用户的性别中的至少一个;
所述基于所述膝关节运动信息,使用预先训练好的模型,得到分类结果的步骤,包括:
将所述特征信息、所述膝关节的姿态信息和所述膝关节的用户信息,输入预先训练好的模型,得到分类结果。
在本发明的一个实施例中,所述获取所述膝关节运动信号对应的所述膝关节的姿态信息的步骤,包括:
获取预设的测量时间段内的膝关节的姿态信息,所述膝关节的姿态信息包括所述膝关节的关节角度的特征值和所述膝关节的加速度的特征值,所述膝关节的关节角度的特征值包括所述预设的测量时间段内所述膝关节的关节角度的极差值,所述膝关节的加速度的特征值包括所述预设的测量时间段内所述膝关节的加速度的极差值,所述膝关节运动信号是在所述预设的测量时间段内获取到的。
在本发明的一个实施例中,所述获取所述人体的膝关节运动信息的步骤,包括:
在预设的运动时间段内,以预设的获取频率获取所述人体的膝关节运动信息。
在本发明的一个实施例中,在所述获取膝关节在运动状态下产生的膝关节运动信号的步骤之后,所述方法还包括:
对获取到的所述膝关节运动信号进行预处理,其中,所述预处理包括从获取到的所述膝关节运动信号中消除由肌肉收缩产生的干扰信号。
本发明的另一个实施例提供的一种膝关节运动信息的处理装置,所述装置包括:
获取模块,用于在人体的运动状态下,获取所述人体的膝关节运动信息,所述膝关节运动信息包括膝关节运动信号的特征信息和所述膝关节的姿态信息,所述膝关节运动信号包括膝关节振动信号和膝关节声音信号,所述膝关节运动信号的特征信息是基于所述膝关节运动信号生成的;
分类模块,用于基于所述膝关节运动信息,使用预先训练好的模型,得到分类结果;
确定模块,用于基于所述分类结果,确定所述膝关节的受损程度。
在本发明的一个实施例中,所述获取模块,具体用于获取所述人体的膝关节产生的膝关节运动信号,并获取所述膝关节运动信号对应的所述膝关节的姿态信息;根据所述膝关节运动信号,生成所述膝关节运动信号的特征信息,所述特征信息包括所述膝关节运动信号在时域中的特征值和所述膝关节运动信号在频域中的特征值中的至少一个。
在本发明的一个实施例中,所述获取模块,还用于获取所述膝关节的用户信息,所述用户信息包括用户的年龄、用户的身体质量指数BMI和用户的性别中的至少一个;所述分类模块,具体用于将所述特征信息、所述膝关节的姿态信息和所述膝关节的用户信息,输入预先训练好的模型,得到分类结果。
在本发明的一个实施例中,所述获取模块,具体用于获取预设的测量时间段内的膝关节的姿态信息,所述膝关节的姿态信息包括所述膝关节的关节角度的特征值和所述膝关节的加速度的特征值,所述膝关节的关节角度的特征值包括所述预设的测量时间段内所述膝关节的关节角度的极差值,所述膝关节的加速度的特征值包括所述预设的测量时间段内所述膝关节的加速度的极差值,所述膝关节运动信号是在所述预设的测量时间段内获取到的。
在本发明的一个实施例中,所述获取模块,具体用于在预设的运动时间段内,以预设的获取频率获取所述人体的膝关节运动信息。
在本发明的一个实施例中,所述设备还包括处理模块,所述处理模块,用于对获取到的所述膝关节运动信号进行预处理,其中,所述预处理包括从获取到的所述膝关节运动信号中消除由肌肉收缩产生的干扰信号。
本发明的再一个实施例提供了一种膝关节运动信息的处理设备,所述设备包括采集器、存储器和处理器,所述存储器存储有计算机程序,
所述采集器执行所述计算机程序时实现如下步骤:在人体的运动状态下,获取所述人体的膝关节运动信息,所述膝关节运动信息包括膝关节运动信号的特征信息和所述膝关节的姿态信息,所述膝关节运动信号包括膝关节振动信号和膝关节声音信号,所述膝关节运动信号的特征信息是基于所述膝关节运动信号生成的;
所述处理器执行所述计算机程序时实现如下步骤:基于所述膝关节运动信息,使用预先训练好的模型,得到分类结果;基于所述分类结果,确定所述膝关节的受损程度。
本发明的又一个实施例提供了一种计算机可读存储介质,其上存储有计算机程序,上述计算机程序被处理器执行时实现以下步骤:
在人体的运动状态下,获取所述人体的膝关节运动信息,所述膝关节运动信息包括膝关节运动信号的特征信息和所述膝关节的姿态信息,所述膝关节运动信号包括膝关节振动信号和膝关节声音信号,所述膝关节运动信号的特征信息是基于所述膝关节运动信号生成的;
基于所述膝关节运动信息,使用预先训练好的模型,得到分类结果;
基于所述分类结果,确定所述膝关节的受损程度。
与现有技术相比,本发明的有益效果:
在本发明实施例中,首先,在人体的运动状态下,获取上述人体的膝关节运动信息,其中,上述膝关节运动信息包括膝关节运动信号的特征信息和上述膝关节的姿态信息,上述膝关节运动信号包括膝关节振动信号和膝关节声音信号,上述膝关节运动信号的特征信息是基于上述膝关节运动信号生成的;然后,基于上述膝关节运动信息,使用预先训练好的模型,得到分类结果;最后,基于上述分类结果,确定上述膝关节的受损程度。这样,通过获取运动状态下的膝关节运动信息,膝关节运动信息包括膝关节运动信号的特征信息和所述膝关节的姿态信息,对处于运动状态下的膝关节的受损程度进行准确评估,实现对运动状态下的膝关节受损程度进行连续不间断的评估,使得医生能够基于运动状态下的膝关节的受损程度进行准确的诊断治疗。
附图说明
图1为本发明实施例提供的一种膝关节运动信息的处理方法的流程示意图;
图2为本发明实施例提供的另一种膝关节运动信息的处理方法的流程示意图;
图3为本发明实施例提供的又一种膝关节运动信息的处理方法的流程示意图;
图4为本发明实施例提供的模型的训练方法的流程示意图;
图5为本发明实施例提供的一种膝关节运动信息的处理装置的结构示意图;
图6为本发明实施例提供的一种膝关节运动信息的处理设备的结构示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
实施例一
请参见图1,图1为本发明实施例提供的一种膝关节运动信息的处理方法的流程示意图。如图1所示,膝关节运动信息的处理方法,包括:
S102,在人体的运动状态下,获取上述人体的膝关节产生的膝关节运动信息。
在本步骤中,可以在人体的运动状态下,获取人体的膝关节产生的膝关节运动信息,其中,上述膝关节运动信息包括膝关节运动信号的特征信息和上述膝关节的姿态信息,上述膝关节运动信号包括膝关节振动信号和膝关节声音信号,上述膝关节运动信号的特征信息是基于上述膝关节运动信号生成的,以便基于上述膝关节运动信息,确定上述膝关节的受损程度。
需要说明的是,膝关节振动信号是膝关节在伸展和弯曲运动时髌骨中部产生的振动信号,膝关节声音信号是膝关节在伸展和弯曲运动时髌骨中部产生的声音信号。人体在运动时,膝关节也处于运动状态,随着人体姿势以及运动速度的不同,膝关节中各骨骼的结合方式以及各骨骼的受压程度也不同,可以理解的,在人体运动状态下的膝关节的状态与在人体平躺或坐姿势等静止状态下的膝关节的状态不同。
同时,由于处于运动状态的受损的膝关节所产生的膝关节运动信号,与处于运动状态的未受损的膝关节所产生的膝关节运动信号之间的差异较大,而基于膝关节产生的膝关节运动信号生成的膝关节运动信号的特征信息,能够直观准确的体现膝关节运动信号的特点。
具体的,膝关节运动信号的特征信息可以是膝关节运动信号在时域和/或频域中的特征值,比如,膝关节运动信号在时域中的特征值可以为平均值、均方根等,膝关节运动信号在频域中的特征值可以为频谱、能量谱、功率谱等。这样,膝关节运动信号的特征信息能够分别从时域和频域直观体现膝关节运动信号的特点。
此外,在获取膝关节运动信号的同时,还可以获取膝关节的姿态信息,膝关节的姿态信息可以基于膝关节的速度、加速度、膝关节的关节角度、膝关节距离地面的高度等能够体现膝关节姿态的信息生成。
具体的,由于膝关节的速度、加速度、膝关节的关节角度等对膝关节中各骨骼的结合方式以及各骨骼的受压程度有较大影响,以及当人体从高度落下时,会对膝关节产生较大的瞬时压力,因此,当膝关节的姿态不同时,膝关节产生的膝关节运动信号也有较大区别。
综上,相比在人体静止状态下评估得到的膝关节的受损程度,通过膝关节运动信息,能够更加准确的体现运动状态下的膝关节的受损程度,因此,本发明实施例可以通过获取到的膝关节运动信息,实现更加准确的评估膝关节的受损程度。
S104,基于上述膝关节运动信息,使用预先训练好的模型,得到分类结果。
在本步骤中,可以将S102获取到的膝关节运动信息,输入到预先训练好的模型中,得到分类结果,以便基于分类结果来确定述膝关节的受损程度。
其中,预先训练好的模型可以是支持向量机(Support Vector Machine,SVM)、深度学习算法、K-近邻算法、贝叶斯算法等机器学习算法模型。
具体的,SVM模型可以是基于径向基函数(Radial Basis Function,RBF)核的SVM模型。当然,也可以根据实际情况,选择其他核函数,比如,多项式核函数、拉普拉斯核函数、Sigmoid核函数等。
具体的,预先训练好的SVM模型可以是二分类SVM模型,对应的分类结果为两类,两类分类结果对应的膝关节的受损程度分别为未受损和受损;预先训练好的SVM模型也可以是多分类SVM模型,对应的分类结果可以为至少五类,分类结果对应的膝关节的受损程度可以分别为未受损和受损,其中,受损可以按照受损程度,至少分为一级受损、二级受损、三级受损和四级受损等。
当然,多分类SVM模型对应的分类结果也可以为六类或者更多,通常情况下,可以对受损程度进行细分,使得最终确定的膝关节的受损程度更加精确。
S106,基于上述分类结果,确定上述膝关节的受损程度。
在本步骤中,可以基于S104得到的分类结果,以及在训练模型时设置的受损程度对应的预设的期望值,确定上述膝关节的受损程度。
比如,当预先训练好的模型为二分类SVM模型,可以在训练原始的二分类SVM模型时,设置未受损的膝关节产生的膝关节运动信号对应的分类结果的期望值为1,设置受损的膝关节产生的膝关节运动信号对应的分类结果的期望值为-1,那么,当分类结果为1时,可以确定膝关节未受损,当分类结果为-1时,可以确定膝关节受损。
可见,本发明实施例提供的膝关节运动信息的处理方法,通过获取运动状态下的膝关节运动信息,膝关节运动信息包括膝关节运动信号的特征信息和所述膝关节的姿态信息,对处于运动状态下的膝关节的受损程度进行准确评估,实现对运动状态下的膝关节受损程度进行连续不间断的评估,使得医生能够基于膝关节的受损程度进行准确的诊断治疗。
一种实现方式中,图1所示的膝关节运动信息的处理方法中的S102,具体可以包括:
在预设的运动时间段内,以预设的获取频率获取上述人体的膝关节运动信息。
具体的,可以在预设的运动时间段内,按照预设的获取频率获取人体的膝关节产生的膝关节运动信号,以获取在运动量较大或运动幅度较大的状态下的连续的膝关节运动信号。
需要说明的是,预设的运动时间段可以是人体运动量较大,或人体运动幅度较大的时间段,例如,上下班时段,或者健身时段;预设的获取频率可以根据实际情况来确定,例如,可以设置预设的获取频率为5赫兹。
这样,由于在人体处于运动量较大或运动幅度较大的状态下,膝关节中各骨骼间的摩擦较为频繁且各骨骼间的压力均较大,因此,获取到的预设的运动时间段内连续的膝关节运动信号能够更加准确的体现膝关节的受损程度,并基于上述膝关节运动信号,可以提高最终确定的膝关节的受损程度的准确性。
实施例二
请参见图2,图2为本发明实施例提供的另一种膝关节运动信息的处理方法的流程示意图。在上述实施例的基础上,获取到的膝关节的姿态信息可以与膝关节运动信号相对应,也即上述姿态信息可以体现膝关节产生膝关节运动信号对应的姿态情况。如图2所示,膝关节运动信息的处理方法,包括:
S202,获取上述人体的膝关节产生的膝关节运动信号,并获取上述膝关节运动信号对应的上述膝关节的姿态信息。
在本步骤中,可以获取膝关节运动信号,以及膝关节运动信号对应的膝关节的姿态信息,以便基于膝关节运动信号和膝关节运动信号对应的膝关节的姿态信息,确定膝关节的受损程度,这样,可以通过膝关节运动信号,以及膝关节产生膝关节运动信号对应的姿态情况,提高最终确定的膝关节的受损程度的准确性。
需要说明的是,可以基于上述膝关节的关节角度、上述膝关节的加速度、以及上述膝关节距离地面的高度,生成膝关节的姿态信息。
具体的,膝关节的关节角度可以通过大腿与垂直方向的倾斜角度,以及小腿与垂直方向的倾斜角度计算得到,膝关节的加速度可以通过设置在大腿和小腿上的双轴加速度传感器测量得到,或者通过设置在膝关节附近的双轴加速度传感器测量得到。
由于膝关节的关节角度和上述膝关节的加速度,对膝关节中各骨骼的结合方式以及各骨骼的受压程度有较大影响,使得在膝关节的关节角度和上述膝关节的加速度不同的情况下,膝关节产生的膝关节运动信号也有较大区别,因此,可以获取膝关节运动信号,以及膝关节产生膝关节运动信号对应的姿态信息,以基于上述两者来确定膝关节的受损程度,提高最终确定的膝关节的受损程度的准确性。
由于在通常情况下,膝关节运动信号可以包括一个测量时段内的膝关节运动信号,那么,可以基于上述一个测量时段内膝关节的关节角度和加速度,计算关节角度的特征值和加速度的特征值,使得计算出的关节角度的特征值和加速度的特征值能够体现在上述一个预设的测量时段内的膝关节的姿态变化情况。那么,为了提高最终确定的膝关节受损程度的准确性,可以将上述关节角度的特征值和上述加速度的特征值作为膝关节的姿态信息。
比如,从上述一个预设的测量时段内膝关节的关节角度中随机获取一个关节角度作为关节角度的特征值,以及从上述一个预设的测量时段内膝关节的加速度中随机获取一个加速度作为加速度的特征值。又比如,可以将一个预设的测量时段内的膝关节的关节角度的均值作为关节角度的特征值,以及将一个预设的测量时段内的膝关节的关节加速度的均值作为加速度的特征值。再比如,可以将一个预设的测量时段内的膝关节的关节角度的方差值作为关节角度的特征值,以及将一个预设的测量时段内的膝关节的关节加速度的方差值作为加速度的特征值。
当然,可以根据实际情况,可以基于一个预设的测量时段内膝关节的关节角度和加速度,计算关节角度和加速度的极差值、均方差值等统计学中的特征值作为关节角度的特征值和加速度的特征值。
此外,由于人体的高度不同,为了避免由于人体的高度不同而导致的误差,可以将人体身高与膝关节距离地面的高度之比作为膝关节距离地面的高度的特征值。那么,上述膝关节的姿态信息还可以包括膝关节距离地面的高度的特征值。
S204,根据上述膝关节运动信号,生成上述膝关节运动信号的特征信息。
在本步骤中,可以根据由S202得到的膝关节运动信号,生成上述膝关节运动信号的特征信息,以基于上述膝关节运动信号的特征信息,确定膝关节是否受损,其中,上述膝关节运动信号的特征信息包括上述膝关节运动信号在时域中的特征值和上述膝关节运动信号在频域中的特征值中的至少一个。
膝关节运动信号的特征信息可以包括膝关节振动信号在时域和/或频域中的特征值,以及膝关节声音信号在时域和/或频域中的特征值。
具体的,膝关节振动信号的特征值可以是膝关节振动信号在时域和/或频域中的特征值,膝关节声音信号的特征信息可以是膝关节声音信号在时域和/或频域中的特征值,比如,膝关节振动信号和声音信号在时域中的特征值可以为均方根、峰度、偏度等,膝关节振动信号和声音信号在频域中的特征值可以为频谱、能量谱、均值频率、功率谱平均值等,膝关节振动信号和声音信号在时频域中的特征值可以为小波包变换系数等。这样,膝关节振动信号和膝关节声音信号的特征信息均能够从时域和/或频域直观体现膝关节振动信号和膝关节声音信号的特点。
可以理解的,膝关节运动信号在时域中的特征值和膝关节运动信号在频域中的特征值能够分别从时域和频域体现膝关节运动信号的特点。
一种实现方式中,在S204之前,可以对膝关节运动信号进行预处理。
其中,上述预处理包括从获取到的上述膝关节运动信号中消除由肌肉收缩产生的干扰信号。
具体的,可以对获取到的膝关节运动信号进行预处理,也即从膝关节运动信号中消除干扰信号,以提高膝关节运动信号的信噪比,保证基于膝关节运动信号确定的膝关节的受损程度的准确性。
其中,干扰信号可以包括肌肉收缩干扰信号、随机噪声干扰信号、环境干扰信号等,其中,肌肉收缩干扰信号为主要的干扰信号,可以通过预处理,将肌肉收缩干扰信号从膝关节运动信号中去除。
具体的,预处理的方法具体可以为自适应滤波法、经验模态分解和去趋势波动分析结合的方法等。
S206,基于上述膝关节运动信息,使用预先训练好的模型,得到分类结果。
在本步骤中,可以将S202获取到的膝关节的姿态信息和S204获取到的膝关节运动信号的特征值,输入到预先训练好的模型中,得到分类结果,以便于分类结果来确定述膝关节的受损程度。
其中,膝关节的姿态信息可以包括上述膝关节角度的特征值、上述加速度的特征值、上述膝关节距离地面的高度的特征值和膝关节运动信号的特征信息。
具体的,膝关节运动信息可以使用向量x表示,x=[x1,x2,x3,…,xi],i=1,2,3,…,n,其中,n为膝关节的姿态信息中的特征值的总数与膝关节运动信号的特征信息中的特征值的总数之和,xi为各特征值。
比如,膝关节的姿态信息中的特征值包括上述膝关节角度的特征值x1,上述加速度的特征值x2,上述膝关节距离地面的高度的特征值x3,膝关节运动信号的特征信息中的特征值包括均方根x4和频谱x5,n的取值为5。
S208,基于上述分类结果,确定上述膝关节的受损程度。
在本步骤中,可以基于S206得到的分类结果,确定上述膝关节的受损程度。
比如,当模型为多分类SVM模型时,可以设置分类结果对应的受损程度包括未受损和受损,受损包括一级受损、二级受损、三级受损和四级受损;以及,可以设置未受损的膝关节产生的膝关节运动信号对应的分类结果的期望值为1,设置一级受损的膝关节产生的膝关节运动信号对应的分类结果的期望值为-1,设置二级受损的膝关节产生的膝关节运动信号对应的分类结果的期望值为-2,设置三级受损的膝关节产生的膝关节运动信号对应的分类结果的期望值为-3,设置四级受损的膝关节产生的膝关节运动信号对应的分类结果的期望值为-4;这样,当分类结果为1时,可以确定膝关节未受损,当分类结果为-1时,可以确定膝关节一级受损,当分类结果为-2时,可以确定膝关节二级受损,当分类结果为-3时,可以确定膝关节三级受损,当分类结果为-4时,可以确定膝关节四级受损。
可见,本发明实施例提供的膝关节运动信息的处理方法,能够基于运动状态下的膝关节运动信号,以及上述膝关节运动信号对应的膝关节的姿态信息,确定处于运动状态下的膝关节的受损程度,可以提高确定的膝关节的受损程度的准确性,实现对运动状态下的膝关节受损程度进行连续不间断的评估,使得医生能够基于膝关节的受损程度进行有效的诊断治疗。
实施例三
请参见图3,图3为本发明实施例提供的又一种膝关节运动信息的处理方法的流程示意图。在上述实施例的基础上,可以基于膝关节振动信息的特征信息、膝关节的姿态信息和膝关节的用户信息,使用训练好的模型,得到分类结果。如图3所示,膝关节运动信息的处理方法,包括:
S302,在预设的测量时间段内,获取人体的膝关节产生的膝关节运动信号。
在本步骤中,可以获取在预设的测量时间段内的人体的膝关节产生的膝关节运动信号,以便基于预设的测量时间段内的人体的膝关节产生的膝关节运动信号计算膝关节运动信号的特征信息,其中,预设的测量时间段可以根据实际情况来确定。
S304,获取上述预设的测量时间段内的膝关节的姿态信息。
在本步骤中,可以获取上述预设的测量时间段内的膝关节的姿态信息,其中,膝关节的姿态信息包括上述膝关节的关节角度的特征值和上述膝关节的加速度的特征值,上述膝关节的关节角度的特征值为上述预设的测量时间段内上述膝关节的关节角度的极差值,上述膝关节的加速度的特征值为上述预设的测量时间段内上述关节的加速度的极差值。
由于极差值用于描述范围内变量的最大值和最小值之间的差距,因此,可以使用关节角度的极差值和加速度的极差值分别作为关节角度的特征值和加速度的特征值,可以理解的,关节角度的特征值和加速度的特征值可以体现关节角度和加速度的运动情况,当关节角度的特征值和加速度的特征值较大时,可以说明在上述预设的测量时间段内,膝关节的运动较为剧烈,当关节角度的特征值和加速度的特征值较小时,可以说明在上述预设的测量时间段内,膝关节的运动较为平缓。
这样,基于包含关节角度的特征值和加速度的特征值的姿态信息,可以提高确定膝关节的受损程度的准确性。
S306,根据上述膝关节运动信号,生成上述膝关节运动信号的特征信息。
本步骤的详细过程和技术效果可以参考图2所示的膝关节运动信息的处理方法中的S204。
S308,获取上述膝关节的用户信息。
在本步骤中,可以获取膝关节的用户信息,以基于S306获取到的膝关节运动信号的特征信息、S304获取到的上述膝关节的姿态信息和本步骤获取到的上述膝关节的用户信息,确定膝关节的受损程度;其中,上述用户信息包括用户的年龄、用户的BMI指数和用户的性别中的至少一个。
由于膝关节内的软骨均为不可再生,因此,随着年龄的增长,膝关节极易受损,相对于年轻人和儿童,老年人膝关节受损的几率更大;同样的,相对于BMI指数正常或较低的人群,BMI指数较高的人群由于体重较大,使得膝关节的压力较大,易造成膝关节受损;并且,通常情况下,相比女性,大部分男性的运动量较大,而大部分情况下膝关节是在运动过程中受损的。因此,可以将用户的年龄、用户的BMI指数和用户的性别中的至少一个信息作为确定膝关节的受损程度的参考信息,以提高最终确定的膝关节的受损程度的准确性。
需要说明的是,本发明实施例对上述S302、S304、以及S308的执行时间的先后顺序不加以限制。
S310,将上述特征信息、上述膝关节的姿态信息和上述膝关节的用户信息,输入预先训练好的模型,得到分类结果。
在本步骤中,可以基于上述特征信息、上述姿态信息和上述用户信息,使用预先训练好的模型,得到分类结果,以基于分类结果,确定上述膝关节的受损程度。
S312,基于上述分类结果,确定上述膝关节的受损程度。
本步骤的详细过程和技术效果可以参考图2所示的膝关节运动信息的处理方法中的S208,在此不再赘述。
可见,本发明实施例提供的膝关节运动信息的处理方法,能够基于运动状态下的膝关节运动信号、上述膝关节运动信号对应的膝关节的姿态信息,以及膝关节的用户信息,确定处于运动状态下的膝关节的受损程度,可以提高确定的膝关节的受损程度的准确性,实现对运动状态下的膝关节受损程度进行连续不间断的评估,使得医生能够基于膝关节的受损程度进行有效的诊断治疗。
实施例四
基于上述实施例,当模型为神经网络算法模型等机器学习算法模型时,本发明实施例提供了一种模型的训练方法。请参见图4,图4为本发明实施例提供的模型的训练方法的流程示意图。如图4所示,模型的训练方法如下:
S402,获取预设数量的膝关节运动信息样本。
在本步骤中,可以获取预设数量的膝关节运动信息样本,用于训练原始的模型,其中,每个上述膝关节运动信息样本可以包括膝关节运动信号的特征信息、上述膝关节的姿态信息、上述膝关节的用户信息,以及预设的分类结果。
具体的,膝关节运动信息样本中的膝关节的受损程度是已知的,可以提前设置各受损程度对应的预设的分类结果。
比如,设置受损程度为未受损时对应的预设的分类结果为1,设置受损程度为一级受损时对应的预设的分类结果为-1,设置受损程度为二级受损时对应的预设的分类结果为-2,设置受损程度为三级受损时对应的预设的分类结果为-3,设置受损程度为四级受损时对应的预设的分类结果为-4;那么,若膝关节运动信息样本A中的膝关节的受损程度为未受损,则膝关节运动信息样本A中的预设的分类结果为1,若膝关节运动信息样本B中的膝关节的受损程度为二级受损,则膝关节运动信息样本B中的预设的分类结果为-2。
可以理解的,预设数量越大,且膝关节运动信息样本之间的差异越大,越有利于训练出能够准确确定膝关节受损程度的模型。
S404,将上述预设数量的膝关节运动信息样本输入原始的模型,计算损失函数值,判断损失函数值是否小于预设的函数阈值,若为是,则执行S406。
在本步骤中,可以将S402获取到的预设数量的膝关节运动信息样本输入到原始的模型中,以使用预设数量的膝关节运动信息样本对上述原始的模型进行训练,以及预设的损失函数的损失函数值,其中,预设的损失函数的损失函数值用于衡量模型的训练程度;判断损失函数值是否小于预设的函数阈值,若为是,则说明模型已经训练完成,若为否,则说明模型尚未训练完成,还需要通过迭代继续训练。
S406,得到训练好的模型。
在本步骤中,若损失函数值是否小于预设的函数阈值,则说明模型训练完成,可以用于基于膝关节运动信息,确定膝关节的受损程度。
可见,本发明实施例中的模型的训练方法,可以使用预设数量的膝关节运动信息样本,对原始的模型进行训练,得到训练好的模型,以便基于膝关节运动信息,使用训练好的模型以准确确定膝关节的受损程度。
实施例五
请参见图5,图5为本发明实施例提供的一种膝关节运动信息的处理装置结构示意图。如图5所示,膝关节运动信息的处理装置500,包括:
获取模块502,用于在人体的运动状态下,获取所述人体的膝关节运动信息,所述膝关节运动信息包括膝关节运动信号的特征信息和所述膝关节的姿态信息,所述膝关节运动信号包括膝关节振动信号和膝关节声音信号,所述膝关节运动信号的特征信息是基于所述膝关节运动信号生成的;
分类模块504,用于基于所述获取模块502获取的所述膝关节运动信息,使用预先训练好的模型,得到分类结果;
确定模块506,用于基于所述分类模块504得到的所述分类结果,确定所述膝关节的受损程度。
在本发明的一个实施例中,所述获取模块502,具体用于获取所述人体的膝关节产生的膝关节运动信号,并获取所述膝关节运动信号对应的所述膝关节的姿态信息;根据所述膝关节运动信号,生成所述膝关节运动信号的特征信息,所述特征信息包括所述膝关节运动信号在时域中的特征值和所述膝关节运动信号在频域中的特征值中的至少一个。
在本发明的一个实施例中,所述获取模块502,还用于获取所述膝关节的用户信息,所述用户信息包括用户的年龄、用户的身体质量指数BMI和用户的性别中的至少一个;所述分类模块,具体用于将所述特征信息、所述膝关节的姿态信息和所述膝关节的用户信息,输入预先训练好的模型,得到分类结果。
在本发明的一个实施例中,所述获取模块502,具体用于获取预设的测量时间段内的膝关节的姿态信息,所述膝关节的姿态信息包括所述膝关节的关节角度的特征值和所述膝关节的加速度的特征值,所述膝关节的关节角度的特征值包括所述预设的测量时间段内所述膝关节的关节角度的极差值,所述膝关节的加速度的特征值包括所述预设的测量时间段内所述膝关节的加速度的极差值,所述膝关节运动信号是在所述预设的测量时间段内获取到的。
在本发明的一个实施例中,所述获取模块502,具体用于在预设的运动时间段内,以预设的获取频率获取所述人体的膝关节运动信息。
在本发明的一个实施例中,所述设备还包括处理模块,所述处理模块,用于对获取到的所述膝关节运动信号进行预处理,其中,所述预处理包括从获取到的所述膝关节运动信号中消除由肌肉收缩产生的干扰信号。
本发明实施例提供的膝关节运动信息的处理装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
实施例六
请参见图6,图6为本发明实施例提供的一种膝关节运动信息的处理设备结构示意图。如图6所示,膝关节运动信息的处理设备600,包括采集器602、存储器604和处理器606,所述存储器604存储有计算机程序。
所述采集器602执行所述计算机程序时实现如下步骤:在人体的运动状态下,获取所述人体的膝关节运动信息,所述膝关节运动信息包括膝关节运动信号的特征信息和所述膝关节的姿态信息,所述膝关节运动信号包括膝关节振动信号和膝关节声音信号,所述膝关节运动信号的特征信息是基于所述膝关节运动信号生成的;
所述处理器606执行所述计算机程序时实现如下步骤:基于所述膝关节运动信息,使用预先训练好的模型,得到分类结果;基于所述分类结果,确定所述膝关节的受损程度。
本发明实施例提供的膝关节运动信息的处理设备,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
实施例七
本发明的又一个实施例提供了一种计算机可读存储介质,其上存储有计算机程序,上述计算机程序被处理器执行时实现以下步骤:
在人体的运动状态下,获取所述人体的膝关节运动信息,所述膝关节运动信息包括膝关节运动信号的特征信息和所述膝关节的姿态信息,所述膝关节运动信号包括膝关节振动信号和膝关节声音信号,所述膝关节运动信号的特征信息是基于所述膝关节运动信号生成的;
基于所述膝关节运动信息,使用预先训练好的模型,得到分类结果;
基于所述分类结果,确定所述膝关节的受损程度。
本发明实施例提供的计算机可读存储介质,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (8)
1.一种膝关节运动信息的处理方法,其特征在于,包括:
在人体的运动状态下,在预设的运动时间段内,以预设的获取频率获取所述人体的膝关节运动信息,其中,预设的运动时间段包括人体运动量或人体运动幅度大于一定数值的时间段,所述膝关节运动信息包括膝关节运动信号的特征信息和所述膝关节的姿态信息,所述膝关节运动信号为预设的运动时间段内的连续的膝关节运动信号,包括膝关节振动信号和膝关节声音信号,所述膝关节运动信号的特征信息是基于所述膝关节运动信号生成的;其中,膝关节振动信号是膝关节在伸展和弯曲运动时,膝关节内部各骨骼和软组织产生振动经由髌骨中部传导出的振动信号,膝关节声音信号是膝关节在伸展和弯曲运动时,膝关节内部各骨骼和软组织经髌骨中部传导出的声音信号;所述膝关节的姿态信息基于预设的运动时间段内膝关节的速度、加速度、膝关节的关节角度、膝关节距离地面的高度,利用统计学方式生成相应的特征值得到;
基于所述膝关节运动信息和用户信息,使用预先训练好的神经网络算法模型,得到分类结果;其中,所述用户信息包括用户的年龄、用户的BMI指数和用户的性别中的至少一个;所述预先训练好的神经网络算法模型为多分类模型,对应的分类结果包括膝关节未受损和不同受损程度;不同受损程度以不同级别表示;
基于所述分类结果,确定所述膝关节的受损程度。
2.根据权利要求1所述的方法,其特征在于,
所述获取所述人体的膝关节产生的膝关节运动信息的步骤,包括:
获取所述人体的膝关节产生的膝关节运动信号,并获取所述膝关节运动信号对应的所述膝关节的姿态信息;
根据所述膝关节运动信号,生成所述膝关节运动信号的特征信息,所述特征信息包括所述膝关节运动信号在时域中的特征值和所述膝关节运动信号在频域中的特征值中的至少一个。
3.根据权利要求2所述的方法,其特征在于,所述获取所述膝关节运动信号对应的所述膝关节的姿态信息的步骤,包括:
获取预设的测量时间段内的膝关节的姿态信息,所述膝关节的姿态信息包括所述膝关节的关节角度的特征值和所述膝关节的加速度的特征值,所述膝关节的关节角度的特征值包括所述预设的测量时间段内所述膝关节的关节角度的极差值,所述膝关节的加速度的特征值包括所述预设的测量时间段内所述膝关节的加速度的极差值,所述膝关节运动信号是在所述预设的测量时间段内获取到的。
4.根据权利要求1所述的方法,其特征在于,
所述基于所述膝关节运动信息,使用预先训练好的模型,得到分类结果的步骤之前,所述方法还包括:
获取所述膝关节的用户信息,所述用户信息包括用户的年龄、用户的身体质量指数BMI和用户的性别中的至少一个;
所述基于所述膝关节运动信息,使用预先训练好的模型,得到分类结果的步骤,包括:
将所述特征信息、所述姿态信息和所述用户信息,输入预先训练好的模型,得到分类结果。
5.根据权利要求2所述的方法,其特征在于,在所述获取膝关节在运动状态下产生的膝关节运动信号的步骤之后,所述方法还包括:
对获取到的所述膝关节运动信号进行预处理,其中,所述预处理包括从获取到的所述膝关节运动信号中消除由肌肉收缩产生的干扰信号。
6.一种膝关节运动信息的处理装置,其特征在于,所述装置包括:
获取模块,用于在人体的运动状态下,在预设的运动时间段内,以预设的获取频率获取所述人体的膝关节运动信息,其中,预设的运动时间段包括人体运动量或人体运动幅度大于一定数值的时间段,所述膝关节运动信息为预设的运动时间段内的连续的膝关节运动信号,包括膝关节运动信号的特征信息和所述膝关节的姿态信息,所述膝关节运动信号包括膝关节振动信号和膝关节声音信号,所述膝关节运动信号的特征信息是基于所述膝关节运动信号生成的;其中,膝关节振动信号是膝关节在伸展和弯曲运动时髌骨中部传导出的振动信号,膝关节声音信号是膝关节在伸展和弯曲运动时髌骨中部传导出的声音信号;所述膝关节的姿态信息基于预设的运动时间段内膝关节的速度、加速度、膝关节的关节角度、膝关节距离地面的高度,利用统计学方式生成相应的特征值得到;
分类模块,用于基于所述获取模块获取的所述膝关节运动信息和用户信息,使用预先训练好的神经网络算法模型,得到分类结果;其中,所述用户信息包括用户的年龄、用户的BMI指数和用户的性别中的至少一个;所述预先训练好的神经网络算法模型为多分类模型,对应的分类结果包括膝关节未受损和不同受损程度;不同受损程度以不同级别表示;
确定模块,用于基于所述分类模块得到的所述分类结果,确定所述膝关节的受损程度。
7.一种膝关节运动信息的处理设备,所述设备包括采集器、存储器和处理器,所述存储器存储有计算机程序,其特征在于,
所述采集器执行所述计算机程序时实现如下步骤:在人体的运动状态下,在预设的运动时间段内,以预设的获取频率获取所述人体的膝关节运动信息,其中,预设的运动时间段包括人体运动量或人体运动幅度大于一定数值的时间段,所述膝关节运动信息为预设的运动时间段内的连续的膝关节运动信号,包括膝关节运动信号的特征信息和所述膝关节的姿态信息,所述膝关节运动信号包括膝关节振动信号和膝关节声音信号,所述膝关节运动信号的特征信息是基于所述膝关节运动信号生成的;其中,膝关节振动信号是膝关节在伸展和弯曲运动时髌骨中部传导出的振动信号,膝关节声音信号是膝关节在伸展和弯曲运动时髌骨中部传导出的声音信号;所述膝关节的姿态信息基于预设的运动时间段内膝关节的速度、加速度、膝关节的关节角度、膝关节距离地面的高度,利用统计学方式生成相应的特征值得到;
所述处理器执行所述计算机程序时实现如下步骤:基于所述膝关节运动信息和用户信息,使用预先训练好的神经网络算法模型,得到分类结果;基于所述分类结果,确定所述膝关节的受损程度;其中,所述用户信息包括用户的年龄、用户的BMI指数和用户的性别中的至少一个;所述预先训练好的神经网络算法模型为多分类模型,对应的分类结果包括膝关节未受损和不同受损程度;不同受损程度以不同级别表示。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811644782.7A CN111383763B (zh) | 2018-12-29 | 2018-12-29 | 一种膝关节运动信息的处理方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811644782.7A CN111383763B (zh) | 2018-12-29 | 2018-12-29 | 一种膝关节运动信息的处理方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111383763A CN111383763A (zh) | 2020-07-07 |
CN111383763B true CN111383763B (zh) | 2024-03-19 |
Family
ID=71218281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811644782.7A Active CN111383763B (zh) | 2018-12-29 | 2018-12-29 | 一种膝关节运动信息的处理方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111383763B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11576803B2 (en) * | 2016-11-18 | 2023-02-14 | Laboratoire Victhom Inc. | Knee brace and system for custom fabricating knee brace for a user |
CN112580587A (zh) * | 2020-12-29 | 2021-03-30 | 西安精密机械研究所 | 基于振动噪声信号的骨关节受损信息评估系统及评估方法 |
CN113509174B (zh) * | 2021-05-27 | 2023-09-01 | 中国科学院深圳先进技术研究院 | 估计关节角度的方法、设备及存储介质 |
JP6963343B1 (ja) * | 2021-08-10 | 2021-11-05 | 株式会社トータル・ヘルス・サポート | 情報処理装置及びプログラム |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014150780A2 (en) * | 2013-03-15 | 2014-09-25 | Jointvue, Llc | Determination of joint condition based on vibration analysis |
-
2018
- 2018-12-29 CN CN201811644782.7A patent/CN111383763B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014150780A2 (en) * | 2013-03-15 | 2014-09-25 | Jointvue, Llc | Determination of joint condition based on vibration analysis |
Non-Patent Citations (1)
Title |
---|
基于多重分形的膝关节摆信号特征提取与分类;徐一平;《信号处理》;第1-2节 * |
Also Published As
Publication number | Publication date |
---|---|
CN111383763A (zh) | 2020-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111383763B (zh) | 一种膝关节运动信息的处理方法、装置、设备和存储介质 | |
EP3659016B1 (en) | Armband for tracking hand motion using electrical impedance measurement | |
US20210145608A1 (en) | Quantitative Design And Manufacturing Framework For A Biomechanical Interface Contacting A Biological Body Segment | |
US11763603B2 (en) | Physical activity quantification and monitoring | |
Sim et al. | Predicting complete ground reaction forces and moments during gait with insole plantar pressure information using a wavelet neural network | |
Ahsan et al. | Hand motion detection from EMG signals by using ANN based classifier for human computer interaction | |
CN111374672B (zh) | 智能护膝及膝关节损伤预警方法 | |
Geman | Nonlinear dynamics, artificial neural networks and neuro-fuzzy classifier for automatic assessing of tremor severity | |
Karg et al. | Clinical gait analysis: comparing explicit state duration HMMs using a reference-based index | |
Dutta et al. | Poststroke grasp ability assessment using an intelligent data glove based on action research arm test: Development, algorithms, and experiments | |
Ahamed et al. | Fuzzy inference system-based recognition of slow, medium and fast running conditions using a triaxial accelerometer | |
CN108154913A (zh) | 一种康复训练参数确定方法、装置、电子设备及系统 | |
CN111383755B (zh) | 基于物联网云端服务器的膝关节疾病测评系统 | |
WO2021142532A1 (en) | Activity recognition with deep embeddings | |
CN111383733B (zh) | 基于膝关节运动信号的运动监测纠正方法、装置、设备及存储介质 | |
CN113283373B (zh) | 一种用于增强深度相机检测肢体运动参数的方法 | |
Ison et al. | Beyond user-specificity for emg decoding using multiresolution muscle synergy analysis | |
CN111382636B (zh) | 一种膝关节运动信号的处理方法、装置、设备和存储介质 | |
Essa et al. | Features selection for estimating hand gestures based on electromyography signals | |
CN111382641A (zh) | 体态识别方法和体感游戏动作指导系统 | |
Vijayvargiya et al. | PC-GNN: Pearson Correlation-Based Graph Neural Network for Recognition of Human Lower Limb Activity Using sEMG Signal | |
Fattah et al. | Basic hand action classification based on surface EMG using autoregressive reflection coefficient | |
CN113392743B (zh) | 异常动作检测方法、装置、电子设备和计算机存储介质 | |
CN111743668B (zh) | 假肢控制方法、装置、电子设备和存储介质 | |
CN114722870A (zh) | 一种基于gra-ics-svr模型和mmg信号的肌力估计方法 |
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 |