CN112562852A - 基于肢体动作的颈椎病筛查装置 - Google Patents
基于肢体动作的颈椎病筛查装置 Download PDFInfo
- Publication number
- CN112562852A CN112562852A CN202011604678.2A CN202011604678A CN112562852A CN 112562852 A CN112562852 A CN 112562852A CN 202011604678 A CN202011604678 A CN 202011604678A CN 112562852 A CN112562852 A CN 112562852A
- Authority
- CN
- China
- Prior art keywords
- cervical spondylosis
- module
- convolutional layer
- layer
- evaluation target
- 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.)
- Withdrawn
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30012—Spine; Backbone
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种基于肢体动作的颈椎病筛查装置,其包括:存储模块,存储有颈椎病的诊断参数,诊断参数用于作为判断评估目标是否患有颈椎病的参考;视频采集模块,用于采集含有评估目标的肢体动作的视频;信息提取模块,用于将视频拆分为多个单帧图像;数据分析模块,用于根据单帧图像计算测试参数,测试参数包括在预设时间段内评估目标的肢体完成预设动作的次数,数据分析模块还用于计算测试参数与诊断参数的差值;显示模块,用于显示评估结果,评估结果包括测试参数、差值以及与差值相关的诊断结果中的任何一个或多个。颈椎病筛查装置可以供用户自行操作,使用方便,有利于广大颈椎病疑似患者随时自行判断是否患有颈椎病。
Description
技术领域
本发明涉及疾病诊断辅助设备技术领域,尤其涉及的是一种基于肢体动作的颈椎病筛查装置。
背景技术
颈椎病在中老年人群中发病率较高,颈部神经受压后四肢活动功能受影响,主要表现为手部及腿部乏力、动作不灵活、僵硬感等。临床上可以让颈椎病疑似患者完成特定的肢体动作,医生根据颈椎病疑似患者完成该肢体动作的频率、幅度等情况判断其是否患有颈椎病。
目前,对于颈椎病疑似患者完成肢体动作的频率、幅度等情况的统计,依赖于人眼计数,计数者容易疲劳,且容易错漏;此外,颈椎病疑似患者需依赖医生现场检查,无法在家中自行检查,时间和场地受限。
因此,还需要提供一种新的基于肢体动作的颈椎病筛查装置以解决上述问题。
发明内容
针对现有技术的上述缺陷,本发明提供了一种方便用户自行操作以判断是否患有颈椎病的基于肢体动作的颈椎病筛查装置。
本发明解决技术问题所采用的技术方案如下:
一种基于肢体动作的颈椎病筛查装置,其包括:存储模块,存储有颈椎病的诊断参数,所述诊断参数用于作为判断评估目标是否患有颈椎病的参考;视频采集模块,用于采集含有评估目标的肢体动作的视频;信息提取模块,用于将所述视频拆分为多个单帧图像;数据分析模块,用于根据所述单帧图像计算测试参数,所述测试参数包括在预设时间段内评估目标的肢体完成预设动作的次数,所述数据分析模块还用于计算所述测试参数与所述诊断参数的差值;显示模块,用于显示评估结果,所述评估结果包括所述测试参数、所述差值以及与所述差值相关的诊断结果中的任何一个或多个。
优选地,所述数据分析模块利用基于第一卷积神经网络的深度学习方法在多个所述单帧图像中捕捉评估目标的肢体动作。
优选地,所述预设时间段不小于5秒且不大于60秒。
优选地,所述存储模块还存储有评估目标的属性,所述属性包括性别和年龄,并且所述诊断结果与所述属性相关。
优选地,所述颈椎病筛查装置还包括服务器和数据传输模块,所述存储模块、所述信息提取模块和所述数据分析模块均设于所述服务器,所述视频采集模块和所述显示模块均通过所述数据传输模块实现与所述服务器的数据通信。
优选地,所述颈椎病筛查装置还包括手机或平板电脑,所述视频采集模块和所述显示模块均设于所述手机或所述平板电脑。
优选地,所述信息提取模块包括预处理组件和检验组件,所述预处理组件用于将所述视频拆分为多个所述单帧图像,所述检验组件用于检验所述单帧图像是否含有评估目标的肢体。
优选地,所述检验组件利用基于第二卷积神经网络的深度学习方法判断所述单帧图像是否含有评估目标的肢体。
优选地,所述信息提取模块还包括过滤组件,所述预处理组件提取多个连续的所述单帧图像作为一个检验包,所述检验组件检验所述检验包内的所述单帧图像是否含有评估目标的肢体,所述过滤组件将所述检验包分类为合格检验包和不合格检验包,所述合格检验包内的所有所述单帧图像均含有评估目标的肢体,所述数据分析模块根据多个所述合格检验包计算所述测试参数。
优选地,所述第一卷积神经网络包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、最大池化层、平均池化层和全连接层,所述第一卷积层从所述单帧图像中提取特征参数并输入所述最大池化层,从所述最大池化层输出数据依次传输至所述第二卷积层、所述第三卷积层、所述第四卷积层、所述第五卷积层、所述平均池化层和所述全连接层,所述第二卷积层、所述第三卷积层、所述第四卷积层和所述第五卷积层分别包括3个、24个、36个和3个ResNeXt网络块,所述第二卷积层、所述第三卷积层、所述第四卷积层和所述第五卷积层均采用组卷积的方式。
与现有技术相比,本发明主要有以下有益效果:
用户可以完成特定的肢体动作并使用所述视频采集模块录成视频,所述信息提取模块、所述数据分析模块和所述存储模块可以根据视频计算出用于衡量用户完成该特定肢体动作的情况的数据化参数并转换为评估结果,用户可以通过所述显示模块看到所述评估结果,从而得知自己是否患有颈椎病,所述颈椎病筛查装置可以供用户自行操作,使用方便,有利于广大颈椎病疑似患者随时自行判断是否患有颈椎病,以做出相应积极的治疗。
附图说明
为了更清楚地说明本申请的方案,下面将对实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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是本发明中所涉及的颈椎病筛查装置的系统框图;
图2是本发明中所涉及的第二卷积神经网络的构架示意图;
图3是本发明中所涉及的第一卷积神经网络的构架示意图;
图4是本发明中所涉及的颈椎病筛查装置的工作流程图。
附图标记:
100-颈椎病筛查装置,10-视频采集模块,20-信息提取模块,21-预处理组件,22-检验组件,221-卷积层一,222-卷积层二,223-卷积层三,224-卷积层四,225-卷积层五,226-最大池化层,227-平均池化层,228-全连接层,23-过滤组件,30-数据分析模块,40-存储模块,50-显示模块,60-手机,70-服务器。81-第一卷积层,82-第二卷积层,83-第三卷积层,84-第四卷积层,85-第五卷积层,86-最大池化层,87-平均池化层,88-全连接层。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
图1是本发明中所涉及的颈椎病筛查装置100的系统框图。
如图1所示,本发明较佳实施例提供的一种基于肢体动作的颈椎病筛查装置100,其包括:视频采集模块10、信息提取模块20、数据分析模块30、存储模块40、显示模块50、手机60、服务器70和数据传输模块。颈椎病筛查装置100可以用于根据评估目标的肢体动作的完成情况评估其是否患有颈椎病。评估目标可以是颈椎病疑似患者。
存储模块40存储有颈椎病的诊断参数,诊断参数用于作为判断评估目标是否患有颈椎病的参考;视频采集模块10用于采集含有评估目标的肢体动作的视频;信息提取模块20用于将视频拆分为多个单帧图像;数据分析模块30用于根据单帧图像计算测试参数,测试参数包括在预设时间段内评估目标的肢体完成预设动作的次数,数据分析模块30还用于计算测试参数与诊断参数的差值;显示模块50用于显示评估结果,评估结果包括测试参数、差值以及与差值相关的诊断结果中的任何一个或多个。
在本实施例中,用户可以完成特定的肢体动作并使用视频采集模块10录成视频,信息提取模块20、数据分析模块30和存储模块40可以根据视频计算出用于衡量用户完成该特定肢体动作的情况的数据化参数并转换为评估结果,用户可以通过显示模块50看到评估结果,从而得知自己是否患有颈椎病,颈椎病筛查装置100可以供用户自行操作,使用方便,有利于广大颈椎病疑似患者随时自行判断是否患有颈椎病,以做出相应积极的治疗。
用于判断是否患有颈椎病的肢体动作包括手掌抓握动作或者腿部踏步动作。预设时间段不小于5秒且不大于60秒。在一些示例中,用户可以执行手掌抓握动作,即伸出一只手掌,快速握拳然后张开,循环完成多次抓握动作且持续时间不少于5秒。在另一些示例中,用户可以执行腿部踏步动作,即双腿连续踏步,且持续时间不少于5秒。用户执行肢体动作的时间通常不超过60秒,以免因疲劳而影响颈椎病评估的准确性。在一些示例中,用户执行肢体动作的时间可以是5秒且全程录视频,数据分析模块30可以将预设时间段定义为5秒。在另一些示例中,所述预设时间段也可以是10秒、15秒或者20秒。
存储模块40存储有颈椎病的诊断参数,诊断参数用于作为判断评估目标是否患有颈椎病的参考。所述诊断参数可以由医生根据临床诊断的经验做出定义。在一些示例中,所述诊断参数可以是手掌抓握动作的10次/5秒或者20次/10秒。存储模块40还存储有评估目标的属性,属性包括性别和年龄,并且诊断结果与属性相关。存储模块40还存储有与帕金森病的症状相关的数据,以用于在评估过程中区分颈椎病和帕金森病。
存储模块40可以是非易失性存储器、闪速存储器(FlashMemory)、铁电随机存储器(FeRAM)、磁性随机存储器(MRAM)、相变随机存储器(PRAM)或者阻变随机存储器(RRAM)。由此,能够降低因为突发性断电而造成数据丢失的可能性。在另外一些示例中,存储模块40还可以是其它类型的可读存储介质,例如:只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。由此,能够跟据不同的情况选择合适的存储器。
视频采集模块10用于采集含有评估目标的肢体动作的视频。视频采集模块10可以是能够录制视频的设备,例如手机60、平板电脑、云台或者数字相机。视频采集模块10也可以是上述设备的某个部件,例如摄像头模组。
信息提取模块20用于将视频拆分为多个单帧图像。信息提取模块20包括预处理组件21、检验组件22和过滤组件23,预处理组件21用于将视频拆分为多个单帧图像,检验组件22用于检验单帧图像是否含有评估目标的肢体。在一些示例中,预处理组件21将视频拆分为多个单帧图像并传输至检验组件22,检验组件22从多个单帧图像中挑选出含有评估目标的肢体的单帧图像并传输至过滤组件23或数据分析模块30。检验组件22可以剔除多余的无用的单帧图像,以提高处理效率。进一步地,预处理组件21提取五个连续的单帧图像作为一个检验包,检验组件22检验检验包内的单帧图像是否含有评估目标的肢体,过滤组件23将检验包分类为合格检验包和不合格检验包,合格检验包内的所有单帧图像均含有评估目标的肢体,数据分析模块30根据多个合格检验包计算测试参数。检验组件22一旦检验到未含有评估目标的肢体的单帧图像,即可终止检验,过滤组件23可以将此检验包归类到不合格检验包。对于不合格检验包,过滤组件23可以剔除而不传输至数据分析模块30,从而可以提高数据分析的效率。相邻的两个检验包之间可以间隔2个单帧图像,从而进一步提高数据分析的效率。在一些示例中,检验组件22检验5个连续的单帧图像,假设5个单帧图像都合格,则过滤组件23将这5个单帧图像传输至数据分析模块30进行分析,然后跳过2个单帧图像,检验组件22检验下一组5个连续的单帧图像,依此循环工作。
图2是本发明中所涉及的第二卷积神经网络的构架示意图。
检验组件22利用基于第二卷积神经网络的深度学习方法判断单帧图像是否含有评估目标的肢体。所述肢体可以是手掌或者腿部。第二卷积神经网络包括卷积层一221、卷积层二222、卷积层三223、卷积层四224、卷积层五225、最大池化层226、平均池化层227和全连接层228。卷积层一221从单帧图像中提取特征参数并输入最大池化层226,从最大池化层226输出数据依次传输至卷积层二222、卷积层三223、卷积层四224、卷积层五225、平均池化层227和全连接层228。根据全连接层228的输出,可以判断单帧图像是否含有评估目标的肢体。在一些情况下,第二卷积神经网络可以称为探测器,探测器的网络可以是ResNet-10。
数据分析模块30用于根据单帧图像计算测试参数,测试参数包括在预设时间段内评估目标的肢体完成预设动作的次数,数据分析模块还用于计算测试参数与诊断参数的差值。测试参数可以用于表征评估目标在预设时间段内完成特定肢体动作的次数。数据分析模块30可以将测试参数与存储在存储模块40中的诊断参数做比较,计算出测试参数与诊断参数的差值。
图3是本发明中所涉及的第一卷积神经网络的构架示意图。
数据分析模块30利用基于第一卷积神经网络的深度学习方法在多个单帧图像中捕捉评估目标的肢体动作。数据分析模块30根据评估目标的肢体动作计算评估目标在预设时间段内完成特定肢体动作的次数,即测试参数。第一卷积神经网络包括第一卷积层81、第二卷积层82、第三卷积层83、第四卷积层84、第五卷积层85、最大池化层86、平均池化层87和全连接层88。第一卷积层81从单帧图像中提取特征参数并输入最大池化层86,从最大池化层86输出数据依次传输至第二卷积层82、第三卷积层83、第四卷积层84、第五卷积层85、平均池化层87和全连接层88,第二卷积层82、第三卷积层83、第四卷积层84和第五卷积层85分别包括3个、24个、36个和3个ResNeXt网络块,第二卷积层82、第三卷积层83、第四卷积层84和第五卷积层85均采用组卷积的方式。第二卷积神经网络可以使用最大池化层86和平均池化层87等池化层来缩减模型的大小,提高计算速度,同时提高所提取特征的鲁棒性。其中,最大池化层86可以选择图像区域的最大值作为该区域池化后的值。平均池化层87可以计算图像区域的平均值作为该区域池化后的值。在第二卷积神经网络中,全连接层88可以起到“分类器”的作用。卷积层和池化层可以将原始数据映射到隐层特征空间,全连接层88可以起到将分布式特征表示映射到样本标记空间的作用。全连接层88可以整合卷积层或者池化层中具有类别区分性的局部信息。在一些示例中,全连接层88可由卷积操作实现。数据分析模块30根据全连接层88的输出可以获得评估目标在预设时间段内完成特定肢体动作的次数,即测试参数。在一些情况下,第一卷积神经网络可以称为分类器,分类器的网络可以是ResNeXt-101。在一些情况下,ResNeXt网络块也可以称为ResNeXt block。
显示模块50用于显示评估结果,评估结果包括测试参数、差值以及与差值相关的诊断结果中的任何一个或多个。显示模块50可以呈现为显示屏,用于显示评估结果。例如,对于10秒的手掌抓握动作测试,医生根据临床经验将诊断参数设定为20(个),评估目标在10秒内完成的手掌抓握动作为15个。显示模块50显示的评估结果可以是测试参数,例如15。显示模块50显示的评估结果可以是测试参数与诊断参数的差值,例如-5。显示模块50显示的评估结果还可以是与差值相关的诊断结果。在一些示例中,所述诊断结果可以包括多个等级评分,例如1分、2分、3分、4分和5分。5分可以代表颈椎正常,4分可以代表颈椎病程度为低度严重,3分可以代表颈椎病程度为中度严重,2分可以代表颈椎病程度为非常严重,1分可以代表颈椎病程度为极度严重。显示模块50显示的评估结果可以是1分、2分、3分、4分和5分中的任何一个。在另一些示例中,所述诊断结果也可以呈现为文字描述。
存储模块40、信息提取模块20和数据分析模块30均设于服务器70,视频采集模块10和显示模块50均通过数据传输模块实现与服务器70的数据通信。数据传输模块可以是有线网络或者无线网络。用户可以利用视频采集模块10录制视频,通过显示模块50查看评估结果,存储模块40、信息提取模块20和数据分析模块30的功能均通过上传至服务器70实现,由此,能够简化对用户持有的设备的要求,利于颈椎病筛查装置100的推广普及。信息提取模块20和数据分析模块30可以集成在服务器70的同一个处理器。存储模块40可以独立于信息提取模块20和数据分析模块30。在一些示例中,信息提取模块20和数据分析模块30也可以具有自带的存储单元。存储模块40、信息提取模块20和数据分析模块30也可以设于手机60或平板电脑上,用户可以在手机60或平板电脑上完成颈椎病筛查。
图4是本发明中所涉及的颈椎病筛查装置100的工作流程图。
如图4所示,本发明中所涉及的颈椎病筛查装置100的工作流程包括:采集含有评估目标的肢体动作的视频(步骤S1);将视频拆分为多个单帧图像(步骤S2);根据单帧图像计算测试参数(步骤S3);显示评估结果(步骤S4)。
在步骤S1,用户可以使用视频采集模块10录制完成特定肢体动作的视频。特定肢体动作可以是手掌抓握动作或者腿部踏步动作。
在步骤S2,用户可以将视频通过无线网络上传至云端的服务器70,服务器70上的信息提取模块20将视频拆分为多个单帧图像。信息提取模块20包括预处理组件21、检验组件22和过滤组件23。提取单帧图像的方法可以包括三个子步骤:预处理组件21将视频拆分为多个单帧图像并提取五个连续的单帧图像作为一个检验包,检验组件22检验检验包内的单帧图像是否含有评估目标的肢体,过滤组件23将检验包分类为合格检验包和不合格检验包,并剔除不合格检验包。
在步骤S3,服务器70上的数据分析模块30根据合格检验包的单帧图像计算测试参数。测试参数可以表征在预设时间段内完成特定肢体动作的次数。
在步骤S4,在显示模块50上显示评估结果。评估结果包括测试参数、测试参数与诊断参数的差值、以及与差值相关的诊断结果中的任何一个或多个。
其中,视频采集模块10和显示模块50可以均设于手机60或平板电脑。即用户可以使用手机60录制完成特定肢体动作的视频,在手机60上查看评估结果。
在一些示例中,颈椎病筛查装置100的应用界面可以是装在手机60上的APP,用户可以使用手机60录制完成特定肢体动作的视频,在APP上操作通过无线网络上传至云端的服务器70,服务器70上的信息提取模块20和数据分析模块30对视频进行处理和分析,继而将评估结果通过无线网络传递至手机60上的APP,用户可以通过手机60查看评估结果。在一些示例中,视频和评估结果也可以传送给医生,医生可以通过显示模块50查看评估目标的肢体动作的完成情况和评估结果,从而可以给出进一步的评估和治疗的意见。此外,可以将历次的评估结果存储在存储模块40上,可以记录颈椎病的变化过程,有利于开展针对性的治疗。
在本实施例中,用户可以完成特定的肢体动作并使用视频采集模块10录成视频,信息提取模块20、数据分析模块30和存储模块40可以根据视频计算出用于衡量用户完成该特定肢体动作的情况的数据化参数并转换为评估结果,用户可以通过显示模块50看到评估结果,从而得知自己是否患有颈椎病,颈椎病筛查装置100可以供用户自行操作,使用方便,有利于广大颈椎病疑似患者随时自行判断是否患有颈椎病,以做出相应积极的治疗。与现有的通过医生人工计数的方式相比,颈椎病筛查装置100的计数精度较高,评估结果更准确。此外,现有的通过医生人工计数的方式,对统计结果的判读受医生个人经验影响,而下级地方医院的医生经验不足,现有的方式难以推广普及,相对而言,本申请所提供的颈椎病筛查装置100使用简单,依赖性较低,准确度较高,更利于推广普及。本申请所提供的颈椎病筛查装置100采用人工智能分析视频中手或腿活动信息,不会疲劳不易错漏,准确度优于人工计数;自动得出评分,无需受医生经验影响;网络端可用于远程诊疗、患者自行检查;数据可存档进行动态分析。
此外,颈椎病筛查装置100还可以用于区分颈椎病和帕金森病。帕金森病也是一种在中老年人群中常见的疾病。帕金森病是一种常见的神经系统变性疾病,其最主要的病理改变是中脑黑质多巴胺(dopamine,DA)能神经元的变性死亡,由此而引起纹状体DA含量显著性减少而致病。帕金森病的临床表现主要包括静止性震颤、运动迟缓、肌强直和姿势步态障碍。颈椎病和帕金森病具有一些共同的症状。在一些示例中,存储模块40还存储有与帕金森病的症状相关的数据,以用于在评估过程中区分颈椎病和帕金森病。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种基于肢体动作的颈椎病筛查装置,其特征在于,包括:
存储模块,存储有颈椎病的诊断参数,所述诊断参数用于作为判断评估目标是否患有颈椎病的参考;
视频采集模块,用于采集含有评估目标的肢体动作的视频;
信息提取模块,用于将所述视频拆分为多个单帧图像;
数据分析模块,用于根据所述单帧图像计算测试参数,所述测试参数包括在预设时间段内评估目标的肢体完成预设动作的次数,所述数据分析模块还用于计算所述测试参数与所述诊断参数的差值;
显示模块,用于显示评估结果,所述评估结果包括所述测试参数、所述差值以及与所述差值相关的诊断结果中的任何一个或多个。
2.根据权利要求1所述的颈椎病筛查装置,其特征在于,
所述数据分析模块利用基于第一卷积神经网络的深度学习方法在多个所述单帧图像中捕捉评估目标的肢体动作。
3.根据权利要求2所述的颈椎病筛查装置,其特征在于,
所述预设时间段不小于5秒且不大于60秒。
4.根据权利要求2所述的颈椎病筛查装置,其特征在于,
所述存储模块还存储有评估目标的属性,所述属性包括性别和年龄,并且所述诊断结果与所述属性相关。
5.根据权利要求2所述的颈椎病筛查装置,其特征在于,
还包括服务器和数据传输模块,所述存储模块、所述信息提取模块和所述数据分析模块均设于所述服务器,所述视频采集模块和所述显示模块均通过所述数据传输模块实现与所述服务器的数据通信。
6.根据权利要求5所述的颈椎病筛查装置,其特征在于,
还包括手机或平板电脑,所述视频采集模块和所述显示模块均设于所述手机或所述平板电脑。
7.根据权利要求2至6中任一项所述的颈椎病筛查装置,其特征在于,
所述信息提取模块包括预处理组件和检验组件,所述预处理组件用于将所述视频拆分为多个所述单帧图像,所述检验组件用于检验所述单帧图像是否含有评估目标的肢体。
8.根据权利要求7所述的颈椎病筛查装置,其特征在于,
所述检验组件利用基于第二卷积神经网络的深度学习方法判断所述单帧图像是否含有评估目标的肢体。
9.根据权利要求7所述的颈椎病筛查装置,其特征在于,
所述信息提取模块还包括过滤组件,所述预处理组件提取多个连续的所述单帧图像作为一个检验包,所述检验组件检验所述检验包内的所述单帧图像是否含有评估目标的肢体,所述过滤组件将所述检验包分类为合格检验包和不合格检验包,所述合格检验包内的所有所述单帧图像均含有评估目标的肢体,所述数据分析模块根据多个所述合格检验包计算所述测试参数。
10.根据权利要求7所述的颈椎病筛查装置,其特征在于,
所述第一卷积神经网络包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、最大池化层、平均池化层和全连接层,所述第一卷积层从所述单帧图像中提取特征参数并输入所述最大池化层,从所述最大池化层输出数据依次传输至所述第二卷积层、所述第三卷积层、所述第四卷积层、所述第五卷积层、所述平均池化层和所述全连接层,所述第二卷积层、所述第三卷积层、所述第四卷积层和所述第五卷积层分别包括3个、24个、36个和3个ResNeXt网络块,所述第二卷积层、所述第三卷积层、所述第四卷积层和所述第五卷积层均采用组卷积的方式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011604678.2A CN112562852A (zh) | 2020-12-30 | 2020-12-30 | 基于肢体动作的颈椎病筛查装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011604678.2A CN112562852A (zh) | 2020-12-30 | 2020-12-30 | 基于肢体动作的颈椎病筛查装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112562852A true CN112562852A (zh) | 2021-03-26 |
Family
ID=75034339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011604678.2A Withdrawn CN112562852A (zh) | 2020-12-30 | 2020-12-30 | 基于肢体动作的颈椎病筛查装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112562852A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114305398A (zh) * | 2021-12-15 | 2022-04-12 | 上海长征医院 | 一种用于检测待测对象的脊髓型颈椎病的系统 |
CN114743664A (zh) * | 2022-03-04 | 2022-07-12 | 山东大学 | 基于步态分析和确定学习的脊髓型颈椎病辅助诊断系统 |
-
2020
- 2020-12-30 CN CN202011604678.2A patent/CN112562852A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114305398A (zh) * | 2021-12-15 | 2022-04-12 | 上海长征医院 | 一种用于检测待测对象的脊髓型颈椎病的系统 |
CN114305398B (zh) * | 2021-12-15 | 2023-11-24 | 上海长征医院 | 一种用于检测待测对象的脊髓型颈椎病的系统 |
CN114743664A (zh) * | 2022-03-04 | 2022-07-12 | 山东大学 | 基于步态分析和确定学习的脊髓型颈椎病辅助诊断系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109615633A (zh) | 一种基于深度学习的肠镜下克罗恩病辅助诊断系统及方法 | |
CN109411084A (zh) | 一种基于深度学习的肠结核辅助诊断系统及方法 | |
CN109009102B (zh) | 一种基于脑电图深度学习的辅助诊断方法及系统 | |
AU2017263802B8 (en) | A user interface for navigating through physiological data | |
CN112562852A (zh) | 基于肢体动作的颈椎病筛查装置 | |
CN111887867A (zh) | 基于表情识别与心理学测试生成性格的分析方法及系统 | |
CN109508755B (zh) | 一种基于图像认知的心理测评方法 | |
CN112587153A (zh) | 一种基于vPPG信号的端到端的非接触房颤自动检测系统和方法 | |
CN111466878A (zh) | 基于表情识别的卧床病人疼痛症状实时监护方法及装置 | |
CN111048209A (zh) | 基于活体人脸识别的健康评估方法、装置及其存储介质 | |
CN109978873A (zh) | 一种基于中医影像大数据的智能体检系统及其方法 | |
CN108652587A (zh) | 一种认知功能障碍预防监测装置 | |
CN111524093A (zh) | 一种异常舌象的智能筛查方法及其系统 | |
CN112101424A (zh) | 一种视网膜病变识别模型的生成方法、识别装置及设备 | |
CN115517681A (zh) | Md患者情绪波动监测和情感障碍状态评估的方法和系统 | |
CN109346164A (zh) | 一种中医临床案例的自动采集设备及方法 | |
CN111428655A (zh) | 一种基于深度学习的头皮检测方法 | |
CN114842957B (zh) | 一种基于情绪识别的老年痴呆症辅助诊断系统及其方法 | |
WO2022095331A1 (zh) | 压力评估方法、装置、计算机设备和存储介质 | |
CN116343302A (zh) | 一种基于机器视觉的微表情分类识别系统 | |
CN112741620A (zh) | 基于肢体动作的颈椎病评估装置 | |
CN110403611B (zh) | 血液中糖化血红蛋白成分值预测方法、装置、计算机设备和存储介质 | |
CN111048202A (zh) | 一种智能化中医诊断系统及其方法 | |
CN116189884A (zh) | 一种基于面部视觉的多模态融合中医体质判别方法及系统 | |
CN116665281A (zh) | 一种基于医患交互的关键情绪提取方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210326 |
|
WW01 | Invention patent application withdrawn after publication |