CN113598756A - 脊柱健康情况监测方法 - Google Patents
脊柱健康情况监测方法 Download PDFInfo
- Publication number
- CN113598756A CN113598756A CN202110853362.5A CN202110853362A CN113598756A CN 113598756 A CN113598756 A CN 113598756A CN 202110853362 A CN202110853362 A CN 202110853362A CN 113598756 A CN113598756 A CN 113598756A
- Authority
- CN
- China
- Prior art keywords
- static
- dynamic
- thoracic
- crotch
- data
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 78
- 230000036541 health Effects 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000003068 static effect Effects 0.000 claims abstract description 119
- 210000000115 thoracic cavity Anatomy 0.000 claims abstract description 110
- 210000004072 lung Anatomy 0.000 claims abstract description 97
- 239000011159 matrix material Substances 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 18
- 201000010099 disease Diseases 0.000 claims abstract description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 8
- 230000004931 aggregating effect Effects 0.000 claims abstract description 7
- 230000006399 behavior Effects 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000037081 physical activity Effects 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000003384 imaging method Methods 0.000 claims description 7
- 239000011436 cob Substances 0.000 claims description 6
- 210000001624 hip Anatomy 0.000 claims description 6
- 230000036544 posture Effects 0.000 claims description 6
- 206010023509 Kyphosis Diseases 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000005452 bending Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 210000001981 hip bone Anatomy 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 208000024891 symptom Diseases 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007850 degeneration Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011841 epidemiological investigation Methods 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1116—Determining posture transitions
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
-
- 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
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Veterinary Medicine (AREA)
- Data Mining & Analysis (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physiology (AREA)
- Dentistry (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供了一种脊柱健康情况监测方法,涉及健康管理技术领域。所述方法包括如下步骤:S1、标定监测点;S2、采集静态数据;S3、采集动态数据;S4、数据标注;S5、聚合矩阵;S6、多组采集;S7、训练模型;S8、用户监测。本发明中,通过对监测对象的颈椎、胸椎、肺叶、腰椎和胯部这些关键部位进行监测,采集静态和动态数据,再由医生判断监测对象的脊柱是否健康,对数据进行标注,数据与标注聚合得到静态矩阵和动态矩阵,训练模型得到静态模型和动态模型,通过两个模型,用户随时随地通过穿戴传感器就能监测自己的脊柱健康情况,无需去医院挂号拍片检查,节约了大量的时间成本和经济成本,并且能够在病症早期就得到注意,便于医治康复。
Description
技术领域
本发明涉及健康管理技术领域,具体涉及一种脊柱健康情况监测方法。
背景技术
当前社会,由于人们久坐、长时间玩手机和伏案工作等,导致脊柱退行性变过早发生。据流行病学调查研究,脊柱退行性疾病的发病率由2005年的24.2%上升到2017年的30.1%。颈椎曲度变直在学生中患病率高达29.1%;而每年新增的腰椎退行性变的患者,占人口总数的3.63%。对于脊柱病变的高发人群,进行长期脊柱健康监测是十分有必要的。另外,由于各种疾病接受脊柱手术后的患者,也需要经常进行脊柱健康情况检测。
通常情况下,脊柱亚健康人群只有出现症状后才会注意到病情,前往医院问诊,医生基于患者的影像学结果对其脊柱健康情况进行判断。这种方式存在较大问题。第一,该方式只有症状严重后才会得到患者注意。第二,该方式往往需要进行放射性影像学检查。第三,患者需付出较大的时间成本和经济成本。
当患者认识到脊柱健康问题,需要居家监测脊柱健康情况,或在医院接受治疗后回家进行康复锻炼,依旧面临无法方便地监测脊柱健康数据的问题。
因此,目前亟需一种便捷监测脊柱健康情况的方法。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种脊柱健康情况监测方法,解决了脊柱健康情况无法便捷监测的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
一种脊柱健康情况监测方法,所述方法包括如下步骤:
S1、标定监测点:
采用穿戴传感器对监测对象脊柱的关键部位进行监测点标定,标定的监测点包括:A、颈椎:C7突起处;B、胸椎:左、右乳头;C、肺叶:第十二对肋骨最低点;D、腰椎:肚脐;E胯部:髋骨两侧突起处;
S2、采集静态数据:
以肚脐为原点,建立监测对象正面的二维坐标系,在监测对象静态立正的状态下,采集所述监测点在该坐标系中的投影坐标记录为静态数据;
S3、采集动态数据:
以肚脐为原点,建立监测对象正面的二维坐标系,监测对象以最大角度进行左/右转身动作、左/右侧身动作和前/后屈体动作,分别在上述状态下,采集所述监测点在所述坐标系中的投影坐标记录为动态数据;
S4、数据标注:
对监测对象进行X光成像,由医生判断其脊柱是否健康,用判断结果对静态数据和动态数据进行标注;
S5、聚合矩阵:
将静态数据和标注直接连接聚合为静态矩阵;将静态数据、动态数据和标注聚合为动态矩阵;所述动态矩阵为[左转身活动度特征值,右转身活动度特征值,左侧身活动度特征值,右侧身活动度特征值,前屈活动度特征值,后凸活动度特征值,cobb特征值,腰骶特征值,健康OR患病];
S6、多组采集:
对若干不同的监测对象进行监测,重复S1~S5步骤,得到若干组静态矩阵和动态矩阵;
S7、训练模型:
将若干组静态矩阵和动态矩阵分别输入机器学习算法训练模型得到静态模型和动态模型;
S8、用户监测:
对用户进行监测,重复S1~S3步骤,并将用户的静态数据和动态数据分别输入模型,获取监测结果;监测结果判断标准为:两模型都认为患病为患病;两模型中仅一个认为患病为有患病风险;两模型都认为健康为健康。
优选的,所述静态数据的格式为:
[静态,颈椎,(XA01,YA01),
静态,胸椎,(XB01,YB01),(XB02,YB02),
静态,肺叶,(XC01,YC01),(XC02,YC02),
静态,腰椎,(XD01,YD01),
静态,胯部,(XE01,YE01),(XE02,YE02)];
所述动态数据的格式为:
[动态,左转身,颈椎,(XA11,YA11),
动态,左转身,胸椎,(XB11,YB11),(XB12,YB12),
动态,左转身,肺叶,(XC11,YC11),(XC12,YC12),
动态,左转身,腰椎,(XD11,YD11),
动态,左转身,胯部,(XE11,YE11),(XE12,YE12),
动态,右转身,颈椎,(XA21,YA21),
动态,右转身,胸椎,(XB21,YB21),(XB22,YB22),
动态,右转身,肺叶,(XC21,YC21),(XC22,YC22),
动态,右转身,腰椎,(XD21,YD21),
动态,右转身,胯部,(XE21,YE21),(XE22,YE22),
动态,左侧身,颈椎,(XA31,YA31),
动态,左侧身,胸椎,(XB31,YB31),(XB32,YB32),
动态,左侧身,肺叶,(XC31,YC31),(XC32,YC32),
动态,左侧身,腰椎,(XD31,YD31),
动态,左侧身,胯部,(XE31,YE31),(XE32,YE32),
动态,右侧身,颈椎,(XA41,YA41),
动态,右侧身,胸椎,(XB41,YB41),(XB42,YB42),
动态,右侧身,肺叶,(XC41,YC41),(XC42,YC42),
动态,右侧身,腰椎,(XD41,YD41),
动态,右侧身,胯部,(XE41,YE41),(XE42,YE42),
动态,前屈体,颈椎,(XA51,YA51),
动态,前屈体,胸椎,(XB51,YB51),(XB52,YB52),
动态,前屈体,肺叶,(XC51,YC51),(XC52,YC52),
动态,前屈体,腰椎,(XD51,YD51),
动态,前屈体,胯部,(XE51,YE51),(XE52,YE52),
动态,后屈体,颈椎,(XA61,YA61),
动态,后屈体,胸椎,(XB61,YB61),(XB62,YB62),
动态,后屈体,肺叶,(XC61,YC61),(XC62,YC62),
动态,后屈体,腰椎,(XD61,YD61),
动态,后屈体,胯部,(XE61,YE61),(XE62,YE62)]。
优选的,所述动态矩阵中,左转身活动度特征值=
[动态左转身胸椎XB11-静态胸椎XB01,动态左转身胸椎XB12-静态胸椎XB02,
动态左转身肺叶XC11-静态肺叶XC01,动态左转身肺叶XC12-静态肺叶XC02,
动态左转身胯部XE11-静态胯部XE01,动态左转身胯部XE12-静态胯部XE02];
右转身活动度特征值=
[动态右转身胸椎XB21-静态胸椎XB01,动态右转身胸椎XB22-静态胸椎XB02,
动态右转身肺叶XC21-静态肺叶XC01,动态右转身肺叶XC22-静态肺叶XC02,
动态右转身胯部XE21-静态胯部XE01,动态右转身胯部XE22-静态胯部XE02];
左侧身活动度特征值=
[动态左侧身颈椎XA31-静态颈椎XA01,动态左侧身颈椎YA31-静态颈椎YA01,
动态左侧身胸椎YB31-静态胸椎YB01,动态左侧身胸椎YB32-静态胸椎YB02,
动态左侧身肺叶YC31-静态肺叶YC01,动态左侧身肺叶YC32-静态肺叶YC02,
动态左侧身颈椎XA31-静态腰椎XD01,动态左侧身颈椎YA31-静态腰椎YD01,
动态左侧身胸椎YB31-静态胯部YE01,动态左侧身胸椎YB32-静态胯部YE02];
右侧身活动度特征值=
[动态右侧身颈椎XA41-静态颈椎XA01,动态右侧身颈椎YA41-静态颈椎YA01,
动态右侧身胸椎YB41-静态胸椎YB01,动态右侧身胸椎YB42-静态胸椎YB02,
动态右侧身肺叶YC41-静态肺叶YC01,动态右侧身肺叶YC42-静态肺叶YC02,
动态右侧身颈椎XA41-静态腰椎XD01,动态右侧身颈椎YA41-静态腰椎YD01,
动态右侧身胸椎YB41-静态胯部YE01,动态右侧身胸椎YB42-静态胯部YE02];
前屈活动度特征值=
[动态前屈体颈椎YA51-静态颈椎YA01,
动态前屈体胸椎YB51+YB52-静态颈椎YA01*2,
动态前屈体肺叶YC51+YC52坐标-静态颈椎YA01*2,
动态前屈体腰椎YD51-静态颈椎YA01,
动态前屈体胯部YE51+YE52-静态颈椎YA01*2];
后凸活动度特征值=
[动态前屈体颈椎YA61-静态颈椎YA01,
动态前屈体胸椎YB61+YB62-静态颈椎YA01*2,
动态前屈体肺叶YC61+YC62坐标-静态颈椎YA01*2,
动态前屈体腰椎YD61-静态颈椎YA01,
动态前屈体胯部YE61+YE62-静态颈椎YA01*2];
cobb特征值=
[静态颈椎XA01-静态胸椎XB01+静态颈椎XA01-静态胸椎XB02,
静态颈椎XA01-静态肺叶XC01+静态颈椎XA01-静态肺叶XC02,
静态颈椎XA01-静态腰椎XD01,
静态颈椎XA01-静态胯部XE01+静态颈椎XA01-静态胯部XE02,
(静态胸椎XB01-静态肺叶XC01)-(静态胸椎XB02-静态肺叶XC02),
(静态肺叶XC01-静态胯部XE01)-(静态肺叶XC02-静态胯部XE02)];
腰骶特征值=
[静态胯部XE01-静态胯部XE02,静态胯部YE01-静态胯部YE02,
静态腰椎XD01-静态胯部XE01,静态腰椎XD01-静态胯部XE02,
静态腰椎YD01-静态胯部YE01,静态腰椎YD01-静态胯部YE02]。
优选的,所述S7中,静态模型和动态模型的机器学习算法包括但不限于:线性回归、Logistic回归、支持向量机、K均值临近、随机森林、朴素贝叶斯、决策树。
优选的,所述S4中,医生判断监测对象的脊柱是否健康的依据包括:监测对象的静止体态和X光成像是否有明显扭曲、监测对象是否存在动态失衡和/或移动受限;所述S7中,所述机器学习算法模仿医生决策过程,对监测对象的静态矩阵和动态矩阵分别建模。
优选的,所述方法还包括步骤如下:
S9、日常监测:
所述S8中,用户监测得到结果后,持续测量用户监测点的数据,获得用户的日常行为数据,并在日常行为数据尾部加盖时间戳及所述S8中监测的结果;所述日常行为数据的格式为:
[日常,颈椎,(XA91,YA91),
日常,胸椎,(XB91,YB91),(XB92,YB92),
日常,肺叶,(XC91,YC91),(XC92,YC92),
日常,腰椎,(XD91,YD91),
日常,胯部,(XE91,YE91),(XE92,YE92),时间,健康or有患病风险or患病];
S10、日常行为训练模型:
在脊椎疾病康复过程中,医生会建议进行一些特定的康复运动,并且避免不正确的姿态;根据医生提供的基本数据建立初步模型,而后,将若干用户的日常行为数据上传,输入神经网络算法,在初步模型的基础上进一步训练模型,得到日常模型,所述日常模型通过用户的日常行为就能判断其脊柱的健康情况,并可以对用户的不正常姿态进行提醒。
(三)有益效果
本发明提供了一种脊柱健康情况监测方法。与现有技术相比,具备以下有益效果:
本发明中,通过对监测对象的颈椎、胸椎、肺叶、腰椎和胯部这些关键部位进行监测,采集静态和动态数据,再由医生判断监测对象的脊柱是否健康,对数据进行标注,数据与标注聚合得到静态矩阵和动态矩阵,训练模型得到静态模型和动态模型,通过两个模型,用户随时随地通过穿戴传感器就能监测自己的脊柱健康情况,无需去医院挂号拍片检查,节约了大量的时间成本和经济成本,并且能够在病症早期就得到注意,便于医治康复。
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为本发明实施例中脊柱健康情况监测方法的流程图;
图2为本发明实施例中监测点的位置示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作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。
本申请实施例通过提供一种脊柱健康情况监测方法,解决了脊柱健康情况无法便捷监测的问题。
本申请实施例中的技术方案为解决上述技术问题,总体思路如下:
本发明实施例中,通过对监测对象的颈椎、胸椎、肺叶、腰椎和胯部这些关键部位进行监测,采集静态和动态数据,再由医生判断监测对象的脊柱是否健康,对数据进行标注,数据与标注聚合得到静态矩阵和动态矩阵,训练模型得到静态模型和动态模型,通过两个模型,用户随时随地通过穿戴传感器就能监测自己的脊柱健康情况,无需去医院挂号拍片检查,节约了大量的时间成本和经济成本,并且能够在病症早期就得到注意,便于医治康复。
为了更好的理解上述技术方案,下面将对上述技术方案进行详细的说明。
实施例:
如图1、图2所示,本发明提供了一种脊柱健康情况监测方法,所述方法包括如下步骤:
S1、标定监测点:
采用穿戴传感器对监测对象脊柱的关键部位进行监测点标定,标定的监测点包括:A、颈椎:C7突起处;B、胸椎:左、右乳头;C、肺叶:第十二对肋骨最低点;D、腰椎:肚脐;E胯部:髋骨两侧突起处;
S2、采集静态数据:
以肚脐为原点,建立监测对象正面的二维坐标系,在监测对象静态立正的状态下,采集所述监测点在该坐标系中的投影坐标记录为静态数据;
S3、采集动态数据:
以肚脐为原点,建立监测对象正面的二维坐标系,监测对象以最大角度进行左/右转身动作、左/右侧身动作和前/后屈体动作,分别在上述状态下,采集所述监测点在所述坐标系中的投影坐标记录为动态数据;
S4、数据标注:
对监测对象进行X光成像,由医生判断其脊柱是否健康,用判断结果对静态数据和动态数据进行标注;
S5、聚合矩阵:
将静态数据和标注直接连接聚合为静态矩阵;将静态数据、动态数据和标注聚合为动态矩阵;所述动态矩阵为[左转身活动度特征值,右转身活动度特征值,左侧身活动度特征值,右侧身活动度特征值,前屈活动度特征值,后凸活动度特征值,cobb特征值,腰骶特征值,健康OR患病];
S6、多组采集:
对若干不同的监测对象进行监测,重复S1~S5步骤,得到若干组静态矩阵和动态矩阵;
S7、训练模型:
将若干组静态矩阵和动态矩阵分别输入机器学习算法训练模型得到静态模型和动态模型;
S8、用户监测:
对用户进行监测,重复S1~S3步骤,并将用户的静态数据和动态数据分别输入模型,获取监测结果;监测结果判断标准为:两模型都认为患病为患病;两模型中仅一个认为患病为有患病风险;两模型都认为健康为健康。
通过对监测对象的颈椎、胸椎、肺叶、腰椎和胯部这些关键部位进行监测,采集静态和动态数据,再由医生判断监测对象的脊柱是否健康,对数据进行标注,数据与标注聚合得到静态矩阵和动态矩阵,训练模型得到静态模型和动态模型,通过两个模型,用户随时随地通过穿戴传感器就能监测自己的脊柱健康情况,无需去医院挂号拍片检查,节约了大量的时间成本和经济成本,并且能够在病症早期就得到注意,便于医治康复。
如图2所示,所述静态数据的格式为:
[静态,颈椎,(XA01,YA01),
静态,胸椎,(XB01,YB01),(XB02,YB02),
静态,肺叶,(XC01,YC01),(XC02,YC02),
静态,腰椎,(XD01,YD01),
静态,胯部,(XE01,YE01),(XE02,YE02)];
所述动态数据的格式为:
[动态,左转身,颈椎,(XA11,YA11),
动态,左转身,胸椎,(XB11,YB11),(XB12,YB12),
动态,左转身,肺叶,(XC11,YC11),(XC12,YC12),
动态,左转身,腰椎,(XD11,YD11),
动态,左转身,胯部,(XE11,YE11),(XE12,YE12),
动态,右转身,颈椎,(XA21,YA21),
动态,右转身,胸椎,(XB21,YB21),(XB22,YB22),
动态,右转身,肺叶,(XC21,YC21),(XC22,YC22),
动态,右转身,腰椎,(XD21,YD21),
动态,右转身,胯部,(XE21,YE21),(XE22,YE22),
动态,左侧身,颈椎,(XA31,YA31),
动态,左侧身,胸椎,(XB31,YB31),(XB32,YB32),
动态,左侧身,肺叶,(XC31,YC31),(XC32,YC32),
动态,左侧身,腰椎,(XD31,YD31),
动态,左侧身,胯部,(XE31,YE31),(XE32,YE32),
动态,右侧身,颈椎,(XA41,YA41),
动态,右侧身,胸椎,(XB41,YB41),(XB42,YB42),
动态,右侧身,肺叶,(XC41,YC41),(XC42,YC42),
动态,右侧身,腰椎,(XD41,YD41),
动态,右侧身,胯部,(XE41,YE41),(XE42,YE42),
动态,前屈体,颈椎,(XA51,YA51),
动态,前屈体,胸椎,(XB51,YB51),(XB52,YB52),
动态,前屈体,肺叶,(XC51,YC51),(XC52,YC52),
动态,前屈体,腰椎,(XD51,YD51),
动态,前屈体,胯部,(XE51,YE51),(XE52,YE52),
动态,后屈体,颈椎,(XA61,YA61),
动态,后屈体,胸椎,(XB61,YB61),(XB62,YB62),
动态,后屈体,肺叶,(XC61,YC61),(XC62,YC62),
动态,后屈体,腰椎,(XD61,YD61),
动态,后屈体,胯部,(XE61,YE61),(XE62,YE62)]。
所述动态矩阵中,左转身活动度特征值=
[动态左转身胸椎XB11-静态胸椎XB01,动态左转身胸椎XB12-静态胸椎XB02,
动态左转身肺叶XC11-静态肺叶XC01,动态左转身肺叶XC12-静态肺叶XC02,
动态左转身胯部XE11-静态胯部XE01,动态左转身胯部XE12-静态胯部XE02];
右转身活动度特征值=
[动态右转身胸椎XB21-静态胸椎XB01,动态右转身胸椎XB22-静态胸椎XB02,
动态右转身肺叶XC21-静态肺叶XC01,动态右转身肺叶XC22-静态肺叶XC02,
动态右转身胯部XE21-静态胯部XE01,动态右转身胯部XE22-静态胯部XE02];
左侧身活动度特征值=
[动态左侧身颈椎XA31-静态颈椎XA01,动态左侧身颈椎YA31-静态颈椎YA01,
动态左侧身胸椎YB31-静态胸椎YB01,动态左侧身胸椎YB32-静态胸椎YB02,
动态左侧身肺叶YC31-静态肺叶YC01,动态左侧身肺叶YC32-静态肺叶YC02,
动态左侧身颈椎XA31-静态腰椎XD01,动态左侧身颈椎YA31-静态腰椎YD01,
动态左侧身胸椎YB31-静态胯部YE01,动态左侧身胸椎YB32-静态胯部YE02];
右侧身活动度特征值=
[动态右侧身颈椎XA41-静态颈椎XA01,动态右侧身颈椎YA41-静态颈椎YA01,
动态右侧身胸椎YB41-静态胸椎YB01,动态右侧身胸椎YB42-静态胸椎YB02,
动态右侧身肺叶YC41-静态肺叶YC01,动态右侧身肺叶YC42-静态肺叶YC02,
动态右侧身颈椎XA41-静态腰椎XD01,动态右侧身颈椎YA41-静态腰椎YD01,
动态右侧身胸椎YB41-静态胯部YE01,动态右侧身胸椎YB42-静态胯部YE02];
前屈活动度特征值=
[动态前屈体颈椎YA51-静态颈椎YA01,
动态前屈体胸椎YB51+YB52-静态颈椎YA01*2,
动态前屈体肺叶YC51+YC52坐标-静态颈椎YA01*2,
动态前屈体腰椎YD51-静态颈椎YA01,
动态前屈体胯部YE51+YE52-静态颈椎YA01*2];
后凸活动度特征值=
[动态前屈体颈椎YA61-静态颈椎YA01,
动态前屈体胸椎YB61+YB62-静态颈椎YA01*2,
动态前屈体肺叶YC61+YC62坐标-静态颈椎YA01*2,
动态前屈体腰椎YD61-静态颈椎YA01,
动态前屈体胯部YE61+YE62-静态颈椎YA01*2];
cobb特征值=
[静态颈椎XA01-静态胸椎XB01+静态颈椎XA01-静态胸椎XB02,
静态颈椎XA01-静态肺叶XC01+静态颈椎XA01-静态肺叶XC02,
静态颈椎XA01-静态腰椎XD01,
静态颈椎XA01-静态胯部XE01+静态颈椎XA01-静态胯部XE02,
(静态胸椎XB01-静态肺叶XC01)-(静态胸椎XB02-静态肺叶XC02),
(静态肺叶XC01-静态胯部XE01)-(静态肺叶XC02-静态胯部XE02)]
腰骶特征值=
[静态胯部XE01-静态胯部XE02,静态胯部YE01-静态胯部YE02,
静态腰椎XD01-静态胯部XE01,静态腰椎XD01-静态胯部XE02,
静态腰椎YD01-静态胯部YE01,静态腰椎YD01-静态胯部YE02]。
所述S7中,静态模型和动态模型的机器学习算法包括但不限于:线性回归、Logistic回归、支持向量机、K均值临近、随机森林、朴素贝叶斯、决策树。
所述S4中,医生判断监测对象的脊柱是否健康的依据包括:监测对象的静止体态和X光成像是否有明显扭曲、监测对象是否存在动态失衡和/或移动受限;所述S7中,所述机器学习算法模仿医生决策过程,对监测对象的静态矩阵和动态矩阵分别建模,通过静态模型和动态模型叠加,能够精确判断监测对象的脊柱健康情况。
如图1所示,所述方法还包括步骤如下:
S9、日常监测:
所述S8中,用户监测得到结果后,持续测量用户监测点的数据,获得用户的日常行为数据,并在日常行为数据尾部加盖时间戳及所述S8中监测的结果;所述日常行为数据的格式为:
[日常,颈椎,(XA91,YA91),
日常,胸椎,(XB91,YB91),(XB92,YB92),
日常,肺叶,(XC91,YC91),(XC92,YC92),
日常,腰椎,(XD91,YD91),
日常,胯部,(XE91,YE91),(XE92,YE92),时间,健康or有患病风险or患病];
S10、日常行为训练模型:
在脊椎疾病康复过程中,医生会建议进行一些特定的康复运动,并且避免不正确的姿态;根据医生提供的基本数据建立初步模型,而后,将若干用户的日常行为数据上传,输入神经网络算法,在初步模型的基础上进一步训练模型,得到日常模型,所述日常模型通过用户的日常行为就能判断其脊柱的健康情况,并可以对用户的不正常姿态进行提醒。
综上所述,与现有技术相比,本发明具备以下有益效果:
本发明实施例中,通过对监测对象的颈椎、胸椎、肺叶、腰椎和胯部这些关键部位进行监测,采集静态和动态数据,再由医生判断监测对象的脊柱是否健康,对数据进行标注,数据与标注聚合得到静态矩阵和动态矩阵,训练模型得到静态模型和动态模型,通过两个模型,用户随时随地通过穿戴传感器就能监测自己的脊柱健康情况,无需去医院挂号拍片检查,节约了大量的时间成本和经济成本,并且能够在病症早期就得到注意,便于医治康复。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例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同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种脊柱健康情况监测方法,其特征在于,所述方法包括如下步骤:
S1、标定监测点:
采用穿戴传感器对监测对象脊柱的关键部位进行监测点标定,标定的监测点包括:A、颈椎:C7突起处;B、胸椎:左、右乳头;C、肺叶:第十二对肋骨最低点;D、腰椎:肚脐;E胯部:髋骨两侧突起处;
S2、采集静态数据:
以肚脐为原点,建立监测对象正面的二维坐标系,在监测对象静态立正的状态下,采集所述监测点在该坐标系中的投影坐标记录为静态数据;
S3、采集动态数据:
以肚脐为原点,建立监测对象正面的二维坐标系,监测对象以最大角度进行左/右转身动作、左/右侧身动作和前/后屈体动作,分别在上述状态下,采集所述监测点在所述坐标系中的投影坐标记录为动态数据;
S4、数据标注:
对监测对象进行X光成像,由医生判断其脊柱是否健康,用判断结果对静态数据和动态数据进行标注;
S5、聚合矩阵:
将静态数据和标注直接连接聚合为静态矩阵;将静态数据、动态数据和标注聚合为动态矩阵;所述动态矩阵为[左转身活动度特征值,右转身活动度特征值,左侧身活动度特征值,右侧身活动度特征值,前屈活动度特征值,后凸活动度特征值,cobb特征值,腰骶特征值,健康OR患病];
S6、多组采集:
对若干不同的监测对象进行监测,重复S1~S5步骤,得到若干组静态矩阵和动态矩阵;
S7、训练模型:
将若干组静态矩阵和动态矩阵分别输入机器学习算法训练模型得到静态模型和动态模型;
S8、用户监测:
对用户进行监测,重复S1~S3步骤,并将用户的静态数据和动态数据分别输入模型,获取监测结果;监测结果判断标准为:两模型都认为患病为患病;两模型中仅一个认为患病为有患病风险;两模型都认为健康为健康。
2.如权利要求1所述的脊柱健康情况监测方法,其特征在于,所述静态数据的格式为:
[静态,颈椎,(XA01,YA01),
静态,胸椎,(XB01,YB01),(XB02,YB02),
静态,肺叶,(XC01,YC01),(XC02,YC02),
静态,腰椎,(XD01,YD01),
静态,胯部,(XE01,YE01),(XE02,YE02)];
所述动态数据的格式为:
[动态,左转身,颈椎,(XA11,YA11),
动态,左转身,胸椎,(XB11,YB11),(XB12,YB12),
动态,左转身,肺叶,(XC11,YC11),(XC12,YC12),
动态,左转身,腰椎,(XD11,YD11),
动态,左转身,胯部,(XE11,YE11),(XE12,YE12),
动态,右转身,颈椎,(XA21,YA21),
动态,右转身,胸椎,(XB21,YB21),(XB22,YB22),
动态,右转身,肺叶,(XC21,YC21),(XC22,YC22),
动态,右转身,腰椎,(XD21,YD21),
动态,右转身,胯部,(XE21,YE21),(XE22,YE22),
动态,左侧身,颈椎,(XA31,YA31),
动态,左侧身,胸椎,(XB31,YB31),(XB32,YB32),
动态,左侧身,肺叶,(XC31,YC31),(XC32,YC32),
动态,左侧身,腰椎,(XD31,YD31),
动态,左侧身,胯部,(XE31,YE31),(XE32,YE32),
动态,右侧身,颈椎,(XA41,YA41),
动态,右侧身,胸椎,(XB41,YB41),(XB42,YB42),
动态,右侧身,肺叶,(XC41,YC41),(XC42,YC42),
动态,右侧身,腰椎,(XD41,YD41),
动态,右侧身,胯部,(XE41,YE41),(XE42,YE42),
动态,前屈体,颈椎,(XA51,YA51),
动态,前屈体,胸椎,(XB51,YB51),(XB52,YB52),
动态,前屈体,肺叶,(XC51,YC51),(XC52,YC52),
动态,前屈体,腰椎,(XD51,YD51),
动态,前屈体,胯部,(XE51,YE51),(XE52,YE52),
动态,后屈体,颈椎,(XA61,YA61),
动态,后屈体,胸椎,(XB61,YB61),(XB62,YB62),
动态,后屈体,肺叶,(XC61,YC61),(XC62,YC62),
动态,后屈体,腰椎,(XD61,YD61),
动态,后屈体,胯部,(XE61,YE61),(XE62,YE62)]。
3.如权利要求2所述的脊柱健康情况监测方法,其特征在于,所述动态矩阵中,左转身活动度特征值=
[动态左转身胸椎XB11-静态胸椎XB01,动态左转身胸椎XB12-静态胸椎XB02,
动态左转身肺叶XC11-静态肺叶XC01,动态左转身肺叶XC12-静态肺叶XC02,
动态左转身胯部XE11-静态胯部XE01,动态左转身胯部XE12-静态胯部XE02];
右转身活动度特征值=
[动态右转身胸椎XB21-静态胸椎XB01,动态右转身胸椎XB22-静态胸椎XB02,
动态右转身肺叶XC21-静态肺叶XC01,动态右转身肺叶XC22-静态肺叶XC02,
动态右转身胯部XE21-静态胯部XE01,动态右转身胯部XE22-静态胯部XE02];
左侧身活动度特征值=
[动态左侧身颈椎XA31-静态颈椎XA01,动态左侧身颈椎YA31-静态颈椎YA01,
动态左侧身胸椎YB31-静态胸椎YB01,动态左侧身胸椎YB32-静态胸椎YB02,
动态左侧身肺叶YC31-静态肺叶YC01,动态左侧身肺叶YC32-静态肺叶YC02,
动态左侧身颈椎XA31-静态腰椎XD01,动态左侧身颈椎YA31-静态腰椎YD01,
动态左侧身胸椎YB31-静态胯部YE01,动态左侧身胸椎YB32-静态胯部YE02];
右侧身活动度特征值=
[动态右侧身颈椎XA41-静态颈椎XA01,动态右侧身颈椎YA41-静态颈椎YA01,
动态右侧身胸椎YB41-静态胸椎YB01,动态右侧身胸椎YB42-静态胸椎YB02,
动态右侧身肺叶YC41-静态肺叶YC01,动态右侧身肺叶YC42-静态肺叶YC02,
动态右侧身颈椎XA41-静态腰椎XD01,动态右侧身颈椎YA41-静态腰椎YD01,
动态右侧身胸椎YB41-静态胯部YE01,动态右侧身胸椎YB42-静态胯部YE02];
前屈活动度特征值=
[动态前屈体颈椎YA51-静态颈椎YA01,
动态前屈体胸椎YB51+YB52-静态颈椎YA01*2,
动态前屈体肺叶YC51+YC52坐标-静态颈椎YA01*2,
动态前屈体腰椎YD51-静态颈椎YA01,
动态前屈体胯部YE51+YE52-静态颈椎YA01*2];
后凸活动度特征值=
[动态前屈体颈椎YA61-静态颈椎YA01,
动态前屈体胸椎YB61+YB62-静态颈椎YA01*2,
动态前屈体肺叶YC61+YC62坐标-静态颈椎YA01*2,
动态前屈体腰椎YD61-静态颈椎YA01,
动态前屈体胯部YE61+YE62-静态颈椎YA01*2];
cobb特征值=
[静态颈椎XA01-静态胸椎XB01+静态颈椎XA01-静态胸椎XB02,
静态颈椎XA01-静态肺叶XC01+静态颈椎XA01-静态肺叶XC02,
静态颈椎XA01-静态腰椎XD01,
静态颈椎XA01-静态胯部XE01+静态颈椎XA01-静态胯部XE02,
(静态胸椎XB01-静态肺叶XC01)-(静态胸椎XB02-静态肺叶XC02),
(静态肺叶XC01-静态胯部XE01)-(静态肺叶XC02-静态胯部XE02)];
腰骶特征值=
[静态胯部XE01-静态胯部XE02,静态胯部YE01-静态胯部YE02,
静态腰椎XD01-静态胯部XE01,静态腰椎XD01-静态胯部XE02,
静态腰椎YD01-静态胯部YE01,静态腰椎YD01-静态胯部YE02]。
4.如权利要求1所述的脊柱健康情况监测方法,其特征在于,所述S7中,静态模型和动态模型的机器学习算法包括但不限于:线性回归、Logistic回归、支持向量机、K均值临近、随机森林、朴素贝叶斯、决策树。
5.如权利要求1所述的脊柱健康情况监测方法,其特征在于,所述S4中,医生判断监测对象的脊柱是否健康的依据包括:监测对象的静止体态和X光成像是否有明显扭曲、监测对象是否存在动态失衡和/或移动受限;所述S7中,所述机器学习算法模仿医生决策过程,对监测对象的静态矩阵和动态矩阵分别建模。
6.如权利要求1~5任一所述的脊柱健康情况监测方法,其特征在于,所述方法还包括步骤如下:
S9、日常监测:
所述S8中,用户监测得到结果后,持续测量用户监测点的数据,获得用户的日常行为数据,并在日常行为数据尾部加盖时间戳及所述S8中监测的结果;所述日常行为数据的格式为:
[日常,颈椎,(XA91,YA91),
日常,胸椎,(XB91,YB91),(XB92,YB92),
日常,肺叶,(XC91,YC91),(XC92,YC92),
日常,腰椎,(XD91,YD91),
日常,胯部,(XE91,YE91),(XE92,YE92),时间,健康or有患病风险or患病];
S10、日常行为训练模型:
在脊椎疾病康复过程中,医生会建议进行一些特定的康复运动,并且避免不正确的姿态;根据医生提供的基本数据建立初步模型,而后,将若干用户的日常行为数据上传,输入神经网络算法,在初步模型的基础上进一步训练模型,得到日常模型,所述日常模型通过用户的日常行为就能判断其脊柱的健康情况,并可以对用户的不正常姿态进行提醒。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110853362.5A CN113598756B (zh) | 2021-07-27 | 2021-07-27 | 脊柱健康情况监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110853362.5A CN113598756B (zh) | 2021-07-27 | 2021-07-27 | 脊柱健康情况监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113598756A true CN113598756A (zh) | 2021-11-05 |
CN113598756B CN113598756B (zh) | 2024-04-02 |
Family
ID=78305656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110853362.5A Active CN113598756B (zh) | 2021-07-27 | 2021-07-27 | 脊柱健康情况监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113598756B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0310901A2 (en) * | 1987-10-05 | 1989-04-12 | Diagnospine Research Inc. | Method and equipment for evaluating the flexibility of a human spine |
DE10042599A1 (de) * | 2000-08-30 | 2002-03-14 | Mueller Bbm Gmbh | Verfahren und Vorrichtung zur Erfassung und Auswertung von Wirbelsäulenbewegungen |
EP2892007A2 (en) * | 2014-01-03 | 2015-07-08 | Tata Consultancy Services Limited | Static posture based person identification |
CN106485055A (zh) * | 2016-09-22 | 2017-03-08 | 吉林大学 | 一种基于Kinect传感器的老年II型糖尿病患者运动训练系统 |
CN106845113A (zh) * | 2017-01-22 | 2017-06-13 | 贵阳康康慢病互联网医院有限公司 | 一种基于血压监测的慢性病远程管理方法及其管理系统 |
CN108030495A (zh) * | 2017-11-10 | 2018-05-15 | 深圳纳富特科技有限公司 | 身体姿势的测量方法、装置、保健器械及计算机可读介质 |
CN110047591A (zh) * | 2019-04-23 | 2019-07-23 | 吉林大学 | 一种针对外科手术过程中医生姿态评估方法 |
CN110037708A (zh) * | 2019-04-29 | 2019-07-23 | 太平洋未来科技(深圳)有限公司 | 一种实时检测人体运动时脊柱和四肢的设备 |
CN111339480A (zh) * | 2020-02-12 | 2020-06-26 | 爱慕股份有限公司 | 运动文胸减震效果评价方法 |
CN111657958A (zh) * | 2020-07-07 | 2020-09-15 | 山东漾生智能科技有限公司 | 一种可穿戴式脊柱健康定量测评装置及其测量方法 |
CN111968349A (zh) * | 2020-07-02 | 2020-11-20 | 黄河交通学院 | 基于六轴传感器的人体非正常姿势识别方法及矫正装置 |
CN112258516A (zh) * | 2020-09-04 | 2021-01-22 | 温州医科大学附属第二医院、温州医科大学附属育英儿童医院 | 一种脊柱侧弯图像检测模型的生成方法 |
KR20210075451A (ko) * | 2019-12-13 | 2021-06-23 | 울산과학기술원 | 근골격계 증상을 진단하기 위한 전자 장치, 방법, 및 시스템 |
-
2021
- 2021-07-27 CN CN202110853362.5A patent/CN113598756B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0310901A2 (en) * | 1987-10-05 | 1989-04-12 | Diagnospine Research Inc. | Method and equipment for evaluating the flexibility of a human spine |
DE10042599A1 (de) * | 2000-08-30 | 2002-03-14 | Mueller Bbm Gmbh | Verfahren und Vorrichtung zur Erfassung und Auswertung von Wirbelsäulenbewegungen |
EP2892007A2 (en) * | 2014-01-03 | 2015-07-08 | Tata Consultancy Services Limited | Static posture based person identification |
CN106485055A (zh) * | 2016-09-22 | 2017-03-08 | 吉林大学 | 一种基于Kinect传感器的老年II型糖尿病患者运动训练系统 |
CN106845113A (zh) * | 2017-01-22 | 2017-06-13 | 贵阳康康慢病互联网医院有限公司 | 一种基于血压监测的慢性病远程管理方法及其管理系统 |
CN108030495A (zh) * | 2017-11-10 | 2018-05-15 | 深圳纳富特科技有限公司 | 身体姿势的测量方法、装置、保健器械及计算机可读介质 |
CN110047591A (zh) * | 2019-04-23 | 2019-07-23 | 吉林大学 | 一种针对外科手术过程中医生姿态评估方法 |
CN110037708A (zh) * | 2019-04-29 | 2019-07-23 | 太平洋未来科技(深圳)有限公司 | 一种实时检测人体运动时脊柱和四肢的设备 |
KR20210075451A (ko) * | 2019-12-13 | 2021-06-23 | 울산과학기술원 | 근골격계 증상을 진단하기 위한 전자 장치, 방법, 및 시스템 |
CN111339480A (zh) * | 2020-02-12 | 2020-06-26 | 爱慕股份有限公司 | 运动文胸减震效果评价方法 |
CN111968349A (zh) * | 2020-07-02 | 2020-11-20 | 黄河交通学院 | 基于六轴传感器的人体非正常姿势识别方法及矫正装置 |
CN111657958A (zh) * | 2020-07-07 | 2020-09-15 | 山东漾生智能科技有限公司 | 一种可穿戴式脊柱健康定量测评装置及其测量方法 |
CN112258516A (zh) * | 2020-09-04 | 2021-01-22 | 温州医科大学附属第二医院、温州医科大学附属育英儿童医院 | 一种脊柱侧弯图像检测模型的生成方法 |
Non-Patent Citations (12)
Title |
---|
BO, XF (BO, XUEFENG) [1] , [2] ; MEI, X (MEI, XI) [1] , [2] ; WANG, H (WANG, HUI) [1] , [2] ; WANG, WD (WANG, WEIDA) [3] ; CHEN, Z: "BIOMECHANICAL STABILITY OF THE CERVICAL SPINE AFTER UNCINATE PROCESS RESECTION: A FINITE ELEMENT ANALYSIS", 《JOURNAL OF MECHANICS IN MEDICINE AND BIOLOGY》, vol. 15, no. 6, 31 December 2015 (2015-12-31) * |
PALADUGU, PRAGNA (PALADUGU, PRAGNA): "Body Area Network for Studying Lumbar Spine Kinematics", 《SAN DIEGO STATE UNIVERSITY》, 31 December 2017 (2017-12-31) * |
TANG, WT (TANG, WENTAO) ; DAOUTIDIS, P (DAOUTIDIS, PRODROMOS): "Fast and Stable Nonconvex Constrained Distributed Optimization: The ELLADA Algorithm", 《ARXIV》, 4 April 2020 (2020-04-04) * |
文朋: "脚桥核低频电刺激影响6-OHDA帕金森大鼠的步态和丘脑腹外侧核神经递质水平", 《万方》, 30 March 2016 (2016-03-30) * |
杨薇薇, 王起宏, 陶铮: "颈椎数字减影图像三维运动检测系统的探讨", 华中理工大学学报, no. 06, 28 June 1998 (1998-06-28) * |
段婉茹, 杜越崎, 陈赞: "颈椎前路手术并发症危险因素分析与处理", 《中华神经外科疾病研究杂志》, vol. 16, no. 6, 31 December 2017 (2017-12-31), pages 507 - 511 * |
沈林勇, 杭辉冬, 赵检等.: "基于姿态传感器的脊柱形态测量技术", 《传感技术学报》, vol. 31, no. 06, 31 December 2018 (2018-12-31), pages 841 - 846 * |
程黎明: "颈椎前路椎体撑开椎管扩大的实验与三维有限元研究", 《CNKI》, 15 June 2002 (2002-06-15) * |
薄雪峰, 陈赞, 王辉: "颈椎三维有限元模型的建立", 《北京生物医学工程》, vol. 33, no. 5, 31 December 2014 (2014-12-31), pages 452 - 455 * |
谢朝建: "一种分布式Web系统的设计与实现", 《CNKI》, 15 March 2007 (2007-03-15) * |
郭立新, 陈威, 刘学勇: "基于有限元模型的人体损伤脊柱的动态特性分析", 东北大学学报(自然科学版), no. 09, 15 September 2005 (2005-09-15) * |
郭立新: "脊椎腰骶关节的有限元模型及其有效性验证", 《中国生物医学工程学报》, vol. 25, no. 4, 31 December 2006 (2006-12-31), pages 426 - 429 * |
Also Published As
Publication number | Publication date |
---|---|
CN113598756B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108320288B (zh) | 一种特发性脊柱侧凸影像的数据处理方法 | |
US20210174505A1 (en) | Method and system for imaging and analysis of anatomical features | |
JP6170284B2 (ja) | 画像処理プログラム、記録媒体、画像処理装置、及び画像処理方法 | |
CN113647939B (zh) | 一种针对脊柱退行性疾病的人工智能康复评估与训练系统 | |
CN108309334B (zh) | 一种脊柱x线影像的数据处理方法 | |
Armand et al. | Optimal markers’ placement on the thorax for clinical gait analysis | |
Boser et al. | Cluster-based upper body marker models for three-dimensional kinematic analysis: Comparison with an anatomical model and reliability analysis | |
WO2020259600A1 (en) | A device, process and system for diagnosing and tracking of the development of the spinal alignment of a person | |
CN107115102A (zh) | 一种骨关节功能评估方法与装置 | |
CN112489762B (zh) | 基于数值模拟的女子举重运动员腰骶关节的生物力学分析方法 | |
CN114287915B (zh) | 一种基于背部彩色图像的无创脊柱侧弯筛查方法及系统 | |
KR20190097361A (ko) | 자세 교정을 위한 자세 평가 시스템 및 그 방법 | |
JP3234668U (ja) | X線による脊柱側弯症の画像認識システム | |
Metcalf et al. | Quantifying soft tissue artefacts and imaging variability in motion capture of the fingers | |
Seerden et al. | Multi-segment spine and hip kinematics in asymptomatic individuals during standardized return from forward bending versus functional box lifting | |
CN111820902B (zh) | 一种基于活动度特征的踝关节韧带损伤智能决策系统 | |
CN113598756A (zh) | 脊柱健康情况监测方法 | |
CN113053524B (zh) | 基于皮肤影像的线上辅助诊疗系统 | |
CN113643223A (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
CN111466933A (zh) | 一种脊柱活动度测量方法及系统 | |
CN113520371B (zh) | 监测颈椎曲度的方法和装置 | |
Xing et al. | Design and validation of depth camera-based static posture assessment system | |
Farsi et al. | Measurements of the Lumbar Spine Anatomical Parameters for Use in Musculoskeletal Modeling | |
Sharma et al. | The role of individual physical body measurements and activity on spine kinematics during flexion, lateral bending and twist tasks in healthy young adults–Comparing marker (less) data | |
Beaucage-Gauvreau | Brace for it: assessing lumbar spinal loads for a braced arm-to-thigh lifting and bending technique using a musculoskeletal modelling approach |
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 |