CN113705482A - 一种基于人工智能的身体健康监测管理系统及方法 - Google Patents

一种基于人工智能的身体健康监测管理系统及方法 Download PDF

Info

Publication number
CN113705482A
CN113705482A CN202111010897.2A CN202111010897A CN113705482A CN 113705482 A CN113705482 A CN 113705482A CN 202111010897 A CN202111010897 A CN 202111010897A CN 113705482 A CN113705482 A CN 113705482A
Authority
CN
China
Prior art keywords
pelvis
curve
unit
walking
muscle
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
Application number
CN202111010897.2A
Other languages
English (en)
Other versions
CN113705482B (zh
Inventor
吴琛
江志华
赵吉奥
张宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Weibao Sports Technology Development Co ltd
Original Assignee
Jiangsu Weibao Sports Technology Development Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Weibao Sports Technology Development Co ltd filed Critical Jiangsu Weibao Sports Technology Development Co ltd
Priority to CN202111010897.2A priority Critical patent/CN113705482B/zh
Publication of CN113705482A publication Critical patent/CN113705482A/zh
Application granted granted Critical
Publication of CN113705482B publication Critical patent/CN113705482B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/64—Analysis of geometric attributes of convexity or concavity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Geometry (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了一种基于人工智能的身体健康监测管理系统及方法，涉及人工智能健康监测技术领域；该系统包括信息获取模块、信息处理模块、骨盆模拟设置模块和肌肉影响模块，信息获取模块，获取人群信息，对人群的行走姿势进行拍摄采集；信息处理模块，提取部分人群的脊椎特征点，获得部分人群的脊椎曲线相比于正常人群的脊椎曲线的偏移程度；骨盆模拟设置模块，根据部分人群的脊椎曲线，模拟部分人群的盆骨状态，计算部分人群骨盆倾斜面积，获得骨盆倾斜面积所对应的骨骼名称；肌肉影响模块，根据部分人群的脊椎点形成的脊椎线，分析部分人群躯干一侧的肌肉是否向躯干内部方向凹陷，判断所凹陷的肌肉对人群正常行走的影响程度。

Description

一种基于人工智能的身体健康监测管理系统及方法
技术领域
本发明涉及人工智能健康监测技术领域，具体为一种基于人工智能的身体健康监测管理系统及方法。
背景技术
人工智能，分为三中类型的系统，如：分析型、人类启发型和人性化人工智能；是基于过去学习的经验来为未来的决策提供信息，从而生成对世界的认知；
人工智能使用了许多工具，包括算法、公式等，有助于解决计算机科学等相关问题。
人在行走过程中，行走的姿势是极其重要的，能够根据人的行走姿态分析出人的身体是否健康。但是判断人的身体健康时，大多认为只有在感知到身体疼痛时才会对身体进行检查，只是不正确的行为，正确的做法应该是在生活中及时预防病症；走路的姿势即为判断人身体是否健康的重要因素；但是生活中很少有人通过对行走姿势判断此人的健康状态；
现有文献中，也对走路姿势进行分析，直接对O型腿、X型腿、骨盆状态进行分析；并未分析是何原因导致骨盆发生变形，进一步的导致行走姿势发生异常；同时也并未对受到影响的骨盆状态对行走的影响程度，更甚者，应该如何归正姿势；如若是青少年时期，此种行走方式对骨骼的发育是否会受到影响，因此，需要对上述问题进行改善。
发明内容
本发明的目的在于提供一种基于人工智能的身体健康监测管理系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于人工智能的身体健康监测管理系统，该系统包括信息获取模块、信息处理模块、骨盆模拟设置模块和肌肉影响模块；
所述信息获取模块，获取人群信息，对人群的行走姿势进行拍摄；从而能够获得不同样本特征，从而能够比较出人群的行走姿势是否有缺陷；
所述信息处理模块，提取部分人群的脊椎特征点，获得部分人群的脊椎曲线相比于正常人群的脊椎曲线的偏移程度；
所述骨盆模拟设置模块，根据部分人群的脊椎曲线，模拟部分人群的盆骨状态，计算部分人群骨盆倾斜面积，并获得骨盆倾斜面积所对应的骨骼名称，从而能够分析出脊椎的弯曲对盆骨的影响程度；
所述肌肉影响模块，根据部分人群的脊椎点形成的脊椎线，分析部分人群躯干一侧的肌肉是否向躯干内部方向凹陷，判断所凹陷的肌肉对人群正常行走的影响程度；
所述信息获取模块与信息处理模块相连接；所述信息处理模块与骨盆模拟设置模块和肌肉影响模块相连接。
进一步的，所述信息获取模块包括视频拍摄单元、样本行走姿势提取单元和时间段分析单元；
所述视频拍摄单元，对人群的背面、侧面和行走姿态进行拍照，并将所拍摄人群照片输送至样本行走姿势提取单元；
所述样本行走姿势提取单元，获取人群正常行走时的特征点，提取人群行走时的特征点并与正常行走时的特征点相比较，判断人群的行走姿势是否正确，根据行走姿势分为正确行走姿势和异常行走姿势；
所述时间帧分析单元，获取不同时间帧下人群行走时的行为特征；
所述样本年龄段获取单元的输出端与视频拍摄单元、样本行走姿势提取单元和时间段分析单元的输入端相连接。
进一步的，所述信息处理模块包括脊椎特征点提取单元、曲线拟合单元和特征点分析单元；
所述脊椎特征点提取单元用于提取人群中行走姿势异常下的脊椎特征点，并将脊椎特征点输送至曲线拟合单元；
所述曲线拟合单元用于根据所获取的脊椎特征点进行曲线拟合，得到拟合曲线，将拟合曲线输送至特征点分析单元；
所述特征点分析单元，将脊椎拟合曲线与标准的脊椎拟合曲线相比对，判断脊椎线的特征点是否向躯干内侧偏移；并将偏移结果输送至肌肉影响模块；
所述特征点分析单元的输出端与脊椎特征点提取单元和曲线拟合单元的输入端相连接。
进一步的，所述肌肉影响模块包括肌肉凹陷对比单元、肌肉特征提取单元、行走影响单元和预警提示单元；
所述肌肉凹陷对比单元，获取部分人群躯干一侧肌肉特征点，分析躯干一侧肌肉是否向躯干内侧凹陷；若躯干一侧肌肉向内凹陷，则输送至肌肉特征提取单元；若躯干一侧肌肉并未向内凹陷，则输送至骨盆模拟设置模块；
所述肌肉特征提取单元，提取躯干一侧肌肉凹陷的特征点，并形成肌肉凹陷曲线；
所述行走影响单元，监测所形成的肌肉凹陷曲线对人群走路时的偏移度，若检测到偏移度大于预设标准偏移度，将偏移结果输送至预警提示单元；
所述预警提示单元，预警并提醒人群及时检测肌肉状态，从而有正常走路形态。
进一步的，所述骨盆模拟设置模块包括标准样本获取单元、腿部压力检测单元、骨盆曲线模拟单元、信息比较单元、损伤位置定位单元和骨盆影响确定单元；
所述标准样本获取单元，获取人群中正常行走时的标准骨盆模型，并将骨盆模型输送至骨盆曲线模拟单元；
所述腿部压力检测单元，用于获取部分人群行走时，双腿基于地面的压力信息；
所述骨盆曲线模拟单元，获取脊椎曲线的偏移信息、腿部所承受的压力信息和躯干侧倾方向的信息，根据信息对标准骨盆模型进行改造，并提取标准骨盆的特征点形成曲线；
所述信息比较单元，获取部分人群标准骨盆并建立坐标系，获取骨盆曲线与横坐标相切的特征点，将骨盆特征点形成直线函数，与倾斜特征点形成的直线函数对比，分析骨盆倾斜方向是否与躯干向支撑腿倾斜方向相同；若检测到倾斜方向相同，则部分人群的骨盆发生倾斜；
所述损伤位置定位单元，获取骨盆曲线倾斜处特征点与横坐标形成的面积，得到骨盆曲线倾斜时特征点所对应的骨骼名称，并将结果输送至骨盆影响确定单元；
所述骨盆影响确定单元，获取受到影响的骨骼名称和所述面积信息，将信息输送至医生端，进而判断对骨骼发育的影响程度；
所述骨盆影响确定单元的输出端与标准样本获取单元、骨盆曲线模拟单元、信息比较单元、损伤位置定位单元的输入端相连接。
一种基于人工智能的身体健康监测管理方法，该方法包括如下步骤：
S01：对人群的正面、侧面和行走过程进行拍照，对人群在不同时间帧下的行走动作进行记录；
S02：获取人群在行走时的特征点信息，并将行走姿势时的特征点与标准行走姿势时的特征点相比较，分析出人群行走时的姿势是否正确；并保存行走姿势正确的部分人群和行走姿势不正确的部分人群；
S03：提取人群中行走姿势异常的脊椎特征点，将脊椎特征点进行曲线拟合，得到脊椎拟合曲线；将脊椎拟合曲线与标准拟合曲线相比较，判断脊椎曲线特征点是否产生偏移量；若检测到脊椎曲线发生偏移量，跳转到步骤S04；若检测到脊椎曲线未发生偏移量，表示人群的行走姿势正常；
S04：获取部分人群躯干一侧肌肉特征点信息，分析躯干一侧肌肉是否向躯干内侧凹陷；若躯干一侧肌肉未产生凹陷，则跳转到步骤S05；若躯干一侧肌肉产生凹陷，根据凹陷的肌肉特征点形成肌肉凹陷曲线；监测肌肉凹陷曲线对人群走路时的影响，若检测到部分人群行走的偏移角度大于预设标准偏移角度，则对部分人群预警并提醒前往医院治疗并注重行走姿势；
S05：获取人群中正常行走时的标准骨盆模型，获取脊椎曲线的偏移信息、腿部所承受的压力信息和躯干侧倾方向的信息，分析骨盆倾斜方向是否为躯干向支撑腿所在方向前倾；若检测到方向相同，则表示部分人群的骨盆发生倾斜；对标准骨盆模型进行改造，定位得到骨盆曲线倾斜特征点位置；
S06：获取改造后形成的骨盆曲线并根据骨盆曲线建立坐标系，对骨盆曲线倾斜特征点的位置进行定位，得到骨盆曲线倾斜时特征点所对应的骨骼名称；获取骨骼名称在骨盆曲线上的位置，判断骨盆曲线所形成面积对骨骼发育的影响程度。
在步骤S04中，获取躯干部分，设置一条中轴线能够将躯干分为左右相等的两部分；获取躯干两侧肌肉特征点的位置，分为W＝{w1,w2,w3...wn}和H＝{h1,h2,h3...hn}，获取中轴线躯干两侧相对位置的肌肉特征点，分别为wi和hi，获取肌肉特征点wi和hi中轴线位置坐标为Q；
若检测到|wi-Q|＜|hi-Q|，则肌肉特征点wi形成凹陷点，若检测到|wi-Q|＞|hi-Q|，则肌肉特征点hi形成凹陷点；
获取凹陷点wi和凹陷点wi附近的其它凹陷点，并构成凹陷曲线Y＝ax2+bx+c，其中，a、b、c为肌肉函数曲线的系数，x是指凹陷点的横坐标，y是指凹陷点的纵坐标；
获取肌肉凹陷的部分人群在T＝{1,2,3...n}时间段内的行走位置坐标信息，具体为K＝{(a1,b1)(a2,b2)...(an,bn)}；若检测到人群行走过程中的位置坐标点与未行走时的位置坐标点在横坐标轴上形成的夹角
Figure BDA0003238912850000054
大于预设夹角，且行走方向为躯干一侧肌肉未形成凹陷曲线的方向偏离时，表示部分人群由于肌肉凹陷致使行走异常，预警并提示部分人群前往医院治疗；
Figure BDA0003238912850000051
若检测到人群行走过程中的位置坐标点与未行走时的位置坐标点在横坐标轴上形成的夹角
Figure BDA0003238912850000053
小于预设夹角，且行走方向偏离时，表示部分人群并非由于肌肉凹陷致使行走异常，需对部分人群进行骨盆检测；
其中，bj是指在第j分钟的纵坐标信息，bs是指在第s分钟的纵坐标信息；aj是指在第j分钟的横坐标信息，as是指在第s分钟的横坐标信息，n是指时间项数。
在步骤S05-S06中，获取部分人群标准骨盆并建立直角坐标系，将骨盆特征点建立成为骨盆曲线，且骨盆曲线上的特征点与横坐标相切；获取行走姿势异常的部分人群，分析部分人群站立时双腿与地面形成的压力为FL和FR，若检测到FL>FR>F时，表示左腿所承受压力值大于右腿所承受压力值，且左腿为支撑腿；若检测到FR<FL>F时，表示左腿所承受压力值小于右腿所承受压力值，且右腿为支撑腿；
获取骨盆曲线与横坐标形成的特征点并建立形成直线L，若检测到直线L与横坐标形成倾斜角，若骨盆倾斜方向躯干向左腿/右腿支撑腿所在方向前倾，则表示部分人群行走姿势异常由于骨盆倾斜，预警并提示部分人群进行治疗；
其中：FL为左腿承受压力值，FR为右腿承受压力值，F为压力值。
获取骨盆曲线上特征点的坐标位置为M＝{m1,m2,m3...mp}，mp为第p个特征点的坐标，获取其中骨盆倾斜时的特征点与横坐标形成的面积；
Figure BDA0003238912850000052
若骨盆倾斜时的特征点与横坐标形成的面积大于预设标准面积，得到面积所对应的骨盆内骨骼名称，并将骨骼名称输送至医生端面积对骨骼发育的影响程度；
其中：SG是指骨盆倾斜时的特征点与横坐标形成的面积，f(x)是指骨骼曲线函数。
与现有技术相比，本发明所达到的有益效果是：
通过对不同人群进行拍照，对人群走路姿势进行分析，判断得到行人姿势是否异常；对人群的脊椎线进行获取判断，分析行走姿势异常原因是否由于脊椎线偏移，通过对脊椎线的偏移分析，后进一步对人群的肌肉和骨盆进行分析，分析得到了人群行走姿势异常的原因，保证了人群身体健康的重要性；通过对上述特征点的分析，能够时刻了解到自身身体健康的状况，警示人群时刻注意自身的健康。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一种基于人工智能的身体健康监测管理系统的步骤示意图；
图2是本发明一种基于人工智能的身体健康监测管理系统的模块组成示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。
请参阅图1-2，本发明提供技术方案：
一种基于人工智能的身体健康监测管理系统，该系统包括信息获取模块、信息处理模块、骨盆模拟设置模块和肌肉影响模块；
所述信息获取模块，获取人群信息，对人群的行走姿势进行拍摄；从而能够获得不同样本特征，从而能够比较出人群的行走姿势是否有缺陷；
所述信息处理模块，提取部分人群的脊椎特征点，获得部分人群的脊椎曲线相比于正常人群的脊椎曲线的偏移程度；
所述骨盆模拟设置模块，根据部分人群的脊椎曲线，模拟部分人群的盆骨状态，计算部分人群骨盆倾斜面积，并获得骨盆倾斜面积所对应的骨骼名称，从而能够分析出脊椎的弯曲对盆骨的影响程度；
所述肌肉影响模块，根据部分人群的脊椎点形成的脊椎线，分析部分人群躯干一侧的肌肉是否向躯干内部方向凹陷，判断所凹陷的肌肉对人群正常行走的影响程度；
所述信息获取模块与信息处理模块相连接；所述信息处理模块与骨盆模拟设置模块和肌肉影响模块相连接。
进一步的，所述信息获取模块包括视频拍摄单元、样本行走姿势提取单元和时间段分析单元；
所述视频拍摄单元，对人群的背面、侧面和行走姿态进行拍照，并将所拍摄人群照片输送至样本行走姿势提取单元；
所述样本行走姿势提取单元，获取人群正常行走时的特征点，提取人群行走时的特征点并与正常行走时的特征点相比较，判断人群的行走姿势是否正确，根据行走姿势分为正确行走姿势和异常行走姿势；
所述时间帧分析单元，获取不同时间帧下人群行走时的行为特征；
所述样本年龄段获取单元的输出端与视频拍摄单元、样本行走姿势提取单元和时间段分析单元的输入端相连接。
进一步的，所述信息处理模块包括脊椎特征点提取单元、曲线拟合单元和特征点分析单元；
所述脊椎特征点提取单元用于提取人群中行走姿势异常下的脊椎特征点，并将脊椎特征点输送至曲线拟合单元；
所述曲线拟合单元用于根据所获取的脊椎特征点进行曲线拟合，得到拟合曲线，将拟合曲线输送至特征点分析单元；
所述特征点分析单元，将脊椎拟合曲线与标准的脊椎拟合曲线相比对，判断脊椎线的特征点是否向躯干内侧偏移；并将偏移结果输送至肌肉影响模块；
所述特征点分析单元的输出端与脊椎特征点提取单元和曲线拟合单元的输入端相连接。
进一步的，所述肌肉影响模块包括肌肉凹陷对比单元、肌肉特征提取单元、行走影响单元和预警提示单元；
所述肌肉凹陷对比单元，获取部分人群躯干一侧肌肉特征点，分析躯干一侧肌肉是否向躯干内侧凹陷；若躯干一侧肌肉向内凹陷，则输送至肌肉特征提取单元；若躯干一侧肌肉并未向内凹陷，则输送至骨盆模拟设置模块；
所述肌肉特征提取单元，提取躯干一侧肌肉凹陷的特征点，并形成肌肉凹陷曲线；
所述行走影响单元，监测所形成的肌肉凹陷曲线对人群走路时的偏移度，若检测到偏移度大于预设标准偏移度，将偏移结果输送至预警提示单元；
所述预警提示单元，预警并提醒人群及时检测肌肉状态，从而有正常走路形态。
进一步的，所述骨盆模拟设置模块包括标准样本获取单元、腿部压力检测单元、骨盆曲线模拟单元、信息比较单元、损伤位置定位单元和骨盆影响确定单元；
所述标准样本获取单元，获取人群中正常行走时的标准骨盆模型，并将骨盆模型输送至骨盆曲线模拟单元；
所述腿部压力检测单元，用于获取部分人群行走时，双腿基于地面的压力信息；
其中双腿基于地面的压力信息时人在地面行走的时，地面安装了压力传感器，用于检测人在行走状态下的双腿的压力，并将压力信息输送至腿部压力检测单元。
所述骨盆曲线模拟单元，获取脊椎曲线的偏移信息、腿部所承受的压力信息和躯干侧倾方向的信息，根据信息对标准骨盆模型进行改造，并提取标准骨盆的特征点形成曲线；
所述信息比较单元，获取部分人群标准骨盆并建立坐标系，获取骨盆曲线与横坐标相切的特征点，将骨盆特征点形成直线函数，与倾斜特征点形成的直线函数对比，分析骨盆倾斜方向是否与躯干向支撑腿倾斜方向相同；若检测到倾斜方向相同，则部分人群的骨盆发生倾斜；
所述损伤位置定位单元，获取骨盆曲线倾斜处特征点与横坐标形成的面积，得到骨盆曲线倾斜时特征点所对应的骨骼名称，并将结果输送至骨盆影响确定单元；
所述骨盆影响确定单元，获取受到影响的骨骼名称和所述面积信息，将信息输送至医生端，进而判断对骨骼发育的影响程度；
所述骨盆影响确定单元的输出端与标准样本获取单元、骨盆曲线模拟单元、信息比较单元、损伤位置定位单元的输入端相连接。
一种基于人工智能的身体健康监测管理方法，该方法包括如下步骤：
S01：获取不同年龄段的人群，对人群的正面、侧面和行走过程进行拍照，对人群在不同时间帧下的行走动作进行记录；
S02：获取人群在行走时的特征点信息，并将行走姿势时的特征点与标准行走姿势时的特征点相比较，分析出人群行走时的姿势是否正确；并保存行走姿势正确的部分人群和行走姿势不正确的部分人群；
S03：提取人群中行走姿势异常的脊椎特征点，将脊椎特征点进行曲线拟合，得到脊椎拟合曲线；将脊椎拟合曲线与标准拟合曲线相比较，判断脊椎曲线特征点是否产生偏移量；若检测到脊椎曲线发生偏移量，跳转到步骤S04；若检测到脊椎曲线未发生偏移量，表示人群的行走姿势正常；
S04：获取部分人群躯干一侧肌肉特征点信息，分析躯干一侧肌肉是否向躯干内侧凹陷；若躯干一侧肌肉未产生凹陷，则跳转到步骤S05；若躯干一侧肌肉产生凹陷，根据凹陷的肌肉特征点形成肌肉凹陷曲线；监测肌肉凹陷曲线对人群走路时的影响，若检测到部分人群行走的偏移角度大于预设标准偏移角度，则对部分人群预警并提醒前往医院治疗并注重行走姿势；
S05：获取人群中正常行走时的标准骨盆模型，获取脊椎曲线的偏移信息、腿部所承受的压力信息和躯干侧倾方向的信息，分析骨盆倾斜方向是否为躯干向支撑腿所在方向前倾；若检测到方向相同，则表示部分人群的骨盆发生倾斜；对标准骨盆模型进行改造，定位得到骨盆曲线倾斜特征点位置；
S06：获取改造后形成的骨盆曲线并根据骨盆曲线建立坐标系，对骨盆曲线倾斜特征点的位置进行定位，得到骨盆曲线倾斜时特征点所对应的骨骼名称；获取骨骼名称在骨盆曲线上的位置，判断骨盆曲线所形成面积对骨骼发育的影响程度。
在步骤S04中，获取躯干部分，设置一条中轴线能够将躯干分为左右相等的两部分；获取躯干两侧肌肉特征点的位置，分为W＝{w1,w2,w3...wn}和H＝{h1,h2,h3...hn}，获取中轴线躯干两侧相对位置的肌肉特征点，分别为wi和hi，获取肌肉特征点wi和hi中轴线位置坐标为Q；
若检测到|wi-Q|＜|hi-Q|，则肌肉特征点wi形成凹陷点，若检测到|wi-Q|＞|hi-Q|，则肌肉特征点hi形成凹陷点；
获取凹陷点wi和凹陷点wi附近的其它凹陷点，并构成凹陷曲线Y＝ax2+bx+c，其中，a、b、c为肌肉函数曲线的系数，x是指凹陷点的横坐标，y是指凹陷点的纵坐标；
获取肌肉凹陷的部分人群在T＝{1,2,3...n}时间段内的行走位置坐标信息，具体为K＝{(a1,b1)(a2,b2)...(an,bn)}；若检测到人群行走过程中的位置坐标点与未行走时的位置坐标点在横坐标轴上形成的夹角
Figure BDA0003238912850000091
大于预设夹角，且行走方向为躯干一侧肌肉未形成凹陷曲线的方向偏离时，表示部分人群由于肌肉凹陷致使行走异常，预警并提示部分人群前往医院治疗；
Figure BDA0003238912850000101
若检测到人群行走过程中的位置坐标点与未行走时的位置坐标点在横坐标轴上形成的夹角
Figure BDA0003238912850000104
小于预设夹角，且行走方向偏离时，表示部分人群并非由于肌肉凹陷致使行走异常，需对部分人群进行骨盆检测；
其中，bj是指在第j分钟的纵坐标信息，bs是指在第s分钟的纵坐标信息；aj是指在第j分钟的横坐标信息，as是指在第s分钟的横坐标信息，n是指时间项数；
因躯干中间设置了中轴线，因此当人的肌肉向内凹陷时，在人躯干的二维平面上，凹陷一侧的肌肉与中轴线相比，未凹陷一侧的肌肉与中轴线的垂直距离相比于比凹陷一侧的距离长，因此，通过公式|wi-Q|＜|hi-Q|对肌肉状态进行分析；为了证实躯干一侧肌肉凹陷程度，需要通过行走路线与正常行走路线的偏移角度进行计算，在此通过公式
Figure BDA0003238912850000102
计算角度，使得计算更加简便。
在步骤S05-S06中，获取部分人群标准骨盆并建立直角坐标系，将骨盆特征点建立成为骨盆曲线，且骨盆曲线上的特征点与横坐标相切；获取行走姿势异常的部分人群，分析部分人群站立时双腿与地面形成的压力为FL和FR，若检测到FL>FR>F时，表示左腿所承受压力值大于右腿所承受压力值，且左腿为支撑腿；若检测到FR<FL>F时，表示左腿所承受压力值小于右腿所承受压力值，且右腿为支撑腿；
获取骨盆曲线与横坐标形成的特征点并建立形成直线L，若检测到直线L与横坐标形成倾斜角，若骨盆倾斜方向躯干向左腿/右腿支撑腿所在方向前倾，则表示部分人群行走姿势异常由于骨盆倾斜，预警并提示部分人群进行治疗；
其中：FL为左腿承受压力值，FR为右腿承受压力值，F为压力值。
获取骨盆曲线上特征点的坐标位置为M＝{m1,m2,m3...mp}，mp为第p个特征点的坐标，获取其中骨盆倾斜时的特征点与横坐标形成的面积；
Figure BDA0003238912850000103
若骨盆倾斜时的特征点与横坐标形成的面积大于预设标准面积，得到面积所对应的骨盆内骨骼名称，并将骨骼名称输送至医生端面积对骨骼发育的影响程度；
其中：SG是指骨盆倾斜时的特征点与横坐标形成的面积，f(x)是指骨骼曲线函数；
通过定积分公式
Figure BDA0003238912850000111
对骨盆倾斜时特征点与横坐标形成的面积，使得需要计算面积更加明确，而不是通过大面积减去小面积的方法；如果通过该公式进行计算，在进行减法运算的时候会导致部分面积误差存在，致使所计算面积并不准确，相比于其它方法，本方法所计算的面积更加真实有效，不会出现误差。
实施例：获取躯干两侧肌肉特征点的位置，分为W＝{w1,w2}＝{(40,120)、(60,150)}和H＝{h1,h2}＝{(40,130)、(45,120)}，其中，中轴线的位置坐标为Q＝(50，80,)获取中轴线躯干两侧相对位置的肌肉特征点，分别为w1和h1，
根据公式计算，得到|wi-Q|＝41＜|hi-Q|＝50
若检测到|wi-Q|＜|hi-Q|，则肌肉特征点wi形成凹陷点；
获取肌肉凹陷的部分人群在T＝{1,2,3...n}时间段内的行走位置坐标信息，具体为K＝{(a1,b1)(a5,b5)}＝(1000，3500)和(5000，6520)；若检测到人群行走过程中的位置坐标点与未行走时的位置坐标点在横坐标轴上形成的夹角
Figure BDA0003238912850000113
大于预设夹角，且行走方向为躯干一侧肌肉未形成凹陷曲线的方向偏离时，表示部分人群由于肌肉凹陷致使行走异常，预警并提示部分人群前往医院治疗；其中人群的行走角度为10°；
Figure BDA0003238912850000112
检测到37°>10°，则表示人群行走方向偏离。
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。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于人工智能的身体健康监测管理系统，其特征在于：该系统包括信息获取模块、信息处理模块、骨盆模拟设置模块和肌肉影响模块；
所述信息获取模块，获取人群信息，对人群的行走姿势进行拍摄；
所述信息处理模块，提取部分人群的脊椎特征点，获得部分人群的脊椎曲线相比于正常人群的脊椎曲线的偏移程度；
所述骨盆模拟设置模块，根据部分人群的脊椎曲线，模拟部分人群的盆骨状态，计算部分人群骨盆倾斜面积，并获得骨盆倾斜面积所对应的骨骼名称；
所述肌肉影响模块，根据部分人群的脊椎点形成的脊椎线，分析部分人群躯干一侧的肌肉是否向躯干内部方向凹陷，判断所凹陷的肌肉对人群正常行走的影响程度；
所述信息获取模块与信息处理模块相连接；所述信息处理模块与骨盆模拟设置模块和肌肉影响模块相连接。
2.根据权利要求1所述的一种基于人工智能的身体健康监测管理系统，其特征在于：所述信息获取模块包括视频拍摄单元、样本行走姿势提取单元和时间段分析单元；
所述视频拍摄单元，对人群的背面、侧面和行走姿态进行拍照，并将所拍摄人群照片输送至样本行走姿势提取单元；
所述样本行走姿势提取单元，获取人群正常行走时的特征点，提取人群行走时的特征点并与正常行走时的特征点相比较，判断人群的行走姿势是否正确，根据行走姿势分为正确行走姿势和异常行走姿势；
所述时间帧分析单元，获取不同时间帧下人群行走时的行为特征；
所述样本年龄段获取单元的输出端与视频拍摄单元、样本行走姿势提取单元和时间段分析单元的输入端相连接。
3.根据权利要求1所述的一种基于人工智能的身体健康监测管理系统，其特征在于：所述信息处理模块包括脊椎特征点提取单元、曲线拟合单元和特征点分析单元；
所述脊椎特征点提取单元用于提取人群中行走姿势异常下的脊椎特征点，并将脊椎特征点输送至曲线拟合单元；
所述曲线拟合单元用于根据所获取的脊椎特征点进行曲线拟合，得到拟合曲线，将拟合曲线输送至特征点分析单元；
所述特征点分析单元，将脊椎拟合曲线与标准的脊椎拟合曲线相比对，判断脊椎线的特征点是否向躯干内侧偏移；并将偏移结果输送至肌肉影响模块；
所述特征点分析单元的输出端与脊椎特征点提取单元和曲线拟合单元的输入端相连接。
4.根据权利要求1所述的一种基于人工智能的身体健康监测管理系统，其特征在于：所述肌肉影响模块包括肌肉凹陷对比单元、肌肉特征提取单元、行走影响单元和预警提示单元；
所述肌肉凹陷对比单元，获取部分人群躯干一侧肌肉特征点，分析躯干一侧肌肉是否向躯干内侧凹陷；若躯干一侧肌肉向内凹陷，则输送至肌肉特征提取单元；若躯干一侧肌肉并未向内凹陷，则输送至骨盆模拟设置模块；
所述肌肉特征提取单元，提取躯干一侧肌肉凹陷的特征点，并形成肌肉凹陷曲线；
所述行走影响单元，监测所形成的肌肉凹陷曲线对人群走路时的偏移度，若检测到偏移度大于预设标准偏移度，将偏移结果输送至预警提示单元；
所述预警提示单元，预警并提醒人群及时检测肌肉状态。
5.根据权利要求1所述的一种基于人工智能的身体健康监测管理系统，其特征在于：所述骨盆模拟设置模块包括标准样本获取单元、腿部压力检测单元、骨盆曲线模拟单元、信息比较单元、损伤位置定位单元和骨盆影响确定单元；
所述标准样本获取单元，获取人群中正常行走时的标准骨盆模型，并将骨盆模型输送至骨盆曲线模拟单元；
所述腿部压力检测单元，用于获取部分人群行走时，双腿基于地面的压力信息；
所述骨盆曲线模拟单元，获取脊椎曲线的偏移信息、腿部所承受的压力信息和躯干侧倾方向的信息，根据信息对标准骨盆模型进行改造，并提取标准骨盆的特征点形成曲线；
所述信息比较单元，获取部分人群标准骨盆并建立坐标系，获取骨盆曲线与横坐标相切的特征点，将骨盆特征点形成直线函数，与倾斜特征点形成的直线函数对比，分析骨盆倾斜方向是否与躯干向支撑腿倾斜方向相同；若检测到倾斜方向相同，则部分人群的骨盆发生倾斜；
所述损伤位置定位单元，获取骨盆曲线倾斜处特征点与横坐标形成的面积，得到骨盆曲线倾斜时特征点所对应的骨骼名称，并将结果输送至骨盆影响确定单元；
所述骨盆影响确定单元，获取受到影响的骨骼名称和所述面积信息，将信息输送至医生端，进而判断对骨骼发育的影响程度；
所述骨盆影响确定单元的输出端与标准样本获取单元、骨盆曲线模拟单元、信息比较单元、损伤位置定位单元的输入端相连接。
6.一种基于人工智能的身体健康监测管理方法，其特征在于：该方法包括如下步骤：
S01：获取人群信息，对人群的正面、侧面和行走过程进行拍照，对人群在不同时间帧下的行走动作进行记录；
S02：获取人群在行走时的特征点信息，并将行走姿势时的特征点与标准行走姿势时的特征点相比较，分析出人群行走时的姿势是否正确；并保存行走姿势正确的部分人群和行走姿势不正确的部分人群；
S03：提取人群中行走姿势异常的脊椎特征点，将脊椎特征点进行曲线拟合，得到脊椎拟合曲线；将脊椎拟合曲线与标准拟合曲线相比较，判断脊椎曲线特征点是否产生偏移量；若检测到脊椎曲线发生偏移量，跳转到步骤S04；若检测到脊椎曲线未发生偏移量，表示人群的行走姿势正常；
S04：获取部分人群躯干一侧肌肉特征点信息，分析躯干一侧肌肉是否向躯干内侧凹陷；若躯干一侧肌肉未产生凹陷，则跳转到步骤S05；若躯干一侧肌肉产生凹陷，根据凹陷的肌肉特征点形成肌肉凹陷曲线；监测肌肉凹陷曲线对人群走路时的影响，若检测到部分人群行走的偏移角度大于预设标准偏移角度，则对部分人群预警并提醒前往医院治疗并注重行走姿势；
S05：获取人群中正常行走时的标准骨盆模型，获取脊椎曲线的偏移信息、腿部所承受的压力信息和躯干侧倾方向的信息，分析骨盆倾斜方向是否为躯干向支撑腿所在方向前倾；若检测到方向相同，则表示部分人群的骨盆发生倾斜；对标准骨盆模型进行改造，定位得到骨盆曲线倾斜特征点位置；
S06：获取改造后形成的骨盆曲线并根据骨盆曲线建立坐标系，对骨盆曲线倾斜特征点的位置进行定位，得到骨盆曲线倾斜时特征点所对应的骨骼名称；获取骨骼名称在骨盆曲线上的位置，判断骨盆曲线所形成面积对骨骼发育的影响程度。
7.根据权利要求6所述的一种基于人工智能的身体健康监测管理方法，其特征在于：在步骤S04中，获取躯干部分，设置一条中轴线能够将躯干分为左右相等的两部分；获取躯干两侧肌肉特征点的位置，分为W＝{w1,w2,w3...wn}和H＝{h1,h2,h3...hn}，获取中轴线躯干两侧相对位置的肌肉特征点，分别为wi和hi，获取肌肉特征点wi和hi中轴线位置坐标为Q；
若检测到|wi-Q|＜|hi-Q|，则肌肉特征点wi形成凹陷点，若检测到|wi-Q|＞|hi-Q|，则肌肉特征点hi形成凹陷点；
获取凹陷点wi和凹陷点wi附近的其它凹陷点，并构成凹陷曲线Y＝ax2+bx+c，其中，a、b、c为肌肉函数曲线的系数，x是指凹陷点的横坐标，y是指凹陷点的纵坐标；
获取肌肉凹陷的部分人群在T＝{1,2,3...n}时间段内的行走位置坐标信息，具体为K＝{(a1,b1)(a2,b2)...(an,bn)}；若检测到人群行走过程中的位置坐标点与未行走时的位置坐标点在横坐标轴上形成的夹角
Figure FDA0003238912840000041
大于预设夹角，且行走方向为躯干一侧肌肉未形成凹陷曲线的方向偏离时，表示部分人群由于肌肉凹陷致使行走异常，预警并提示部分人群前往医院治疗；
Figure FDA0003238912840000042
若检测到人群行走过程中的位置坐标点与未行走时的位置坐标点在横坐标轴上形成的夹角
Figure FDA0003238912840000043
小于预设夹角，且行走方向偏离时，表示部分人群并非由于肌肉凹陷致使行走异常，需对部分人群进行骨盆检测；
其中，bj是指在第j分钟的纵坐标信息，bs是指在第s分钟的纵坐标信息；aj是指在第j分钟的横坐标信息，as是指在第s分钟的横坐标信息，n是指时间项数。
8.根据权利要求1所述的一种基于人工智能的身体健康监测管理方法，其特征在于：在步骤S05-S06中，获取部分人群标准骨盆并建立直角坐标系，将骨盆特征点建立成为骨盆曲线，且骨盆曲线上的特征点与横坐标相切；获取行走姿势异常的部分人群，分析部分人群站立时双腿与地面形成的压力为FL和FR，若检测到FL>FR>F时，表示左腿所承受压力值大于右腿所承受压力值，且左腿为支撑腿；若检测到FR<FL>F时，表示左腿所承受压力值小于右腿所承受压力值，且右腿为支撑腿；
获取骨盆曲线与横坐标形成的特征点并建立形成直线L，若检测到直线L与横坐标形成倾斜角，若骨盆倾斜方向躯干向左腿/右腿支撑腿所在方向前倾，则表示部分人群行走姿势异常由于骨盆倾斜，预警并提示部分人群进行治疗；
其中：FL为左腿承受压力值，FR为右腿承受压力值，F为压力值。
9.根据权利要求1所述的一种基于人工智能的身体健康监测管理方法，其特征在于：获取骨盆曲线上特征点的坐标位置为M＝{m1,m2,m3...mp}，mp为第p个特征点的坐标，获取其中骨盆倾斜时的特征点与横坐标形成的面积；
Figure FDA0003238912840000051
若骨盆倾斜时的特征点与横坐标形成的面积大于预设标准面积，得到面积所对应的骨盆内骨骼名称，并将骨骼名称输送至医生端面积对骨骼发育的影响程度；
其中：SG是指骨盆倾斜时的特征点与横坐标形成的面积，f(x)是指骨骼曲线函数。
CN202111010897.2A 2021-08-31 2021-08-31 一种基于人工智能的身体健康监测管理系统及方法 Active CN113705482B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111010897.2A CN113705482B (zh) 2021-08-31 2021-08-31 一种基于人工智能的身体健康监测管理系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111010897.2A CN113705482B (zh) 2021-08-31 2021-08-31 一种基于人工智能的身体健康监测管理系统及方法

Publications (2)

Publication Number Publication Date
CN113705482A true CN113705482A (zh) 2021-11-26
CN113705482B CN113705482B (zh) 2024-03-22

Family

ID=78657813

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111010897.2A Active CN113705482B (zh) 2021-08-31 2021-08-31 一种基于人工智能的身体健康监测管理系统及方法

Country Status (1)

Country Link
CN (1) CN113705482B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108416276A (zh) * 2018-02-12 2018-08-17 浙江大学 基于人的侧面步态视频的异常步态检测方法
CN108920993A (zh) * 2018-03-23 2018-11-30 武汉雷博合创电子科技有限公司 一种基于雷达及多网络融合的行人姿态识别方法及系统
CN109846485A (zh) * 2017-11-30 2019-06-07 财团法人资讯工业策进会 提供人体姿势保健信息的电子计算装置、系统与方法
CN110796064A (zh) * 2019-10-25 2020-02-14 清华大学 人体肌肉图像的建立方法、装置、存储介质及电子设备
CN110969114A (zh) * 2019-11-28 2020-04-07 四川省骨科医院 一种人体动作功能检测系统、检测方法及检测仪
CN111242030A (zh) * 2020-01-13 2020-06-05 平安国际智慧城市科技股份有限公司 视频数据处理方法、装置、设备及计算机可读存储介质
CN112149455A (zh) * 2019-06-26 2020-12-29 北京京东尚科信息技术有限公司 一种检测人体姿势的方法和装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109846485A (zh) * 2017-11-30 2019-06-07 财团法人资讯工业策进会 提供人体姿势保健信息的电子计算装置、系统与方法
CN108416276A (zh) * 2018-02-12 2018-08-17 浙江大学 基于人的侧面步态视频的异常步态检测方法
CN108920993A (zh) * 2018-03-23 2018-11-30 武汉雷博合创电子科技有限公司 一种基于雷达及多网络融合的行人姿态识别方法及系统
CN112149455A (zh) * 2019-06-26 2020-12-29 北京京东尚科信息技术有限公司 一种检测人体姿势的方法和装置
CN110796064A (zh) * 2019-10-25 2020-02-14 清华大学 人体肌肉图像的建立方法、装置、存储介质及电子设备
CN110969114A (zh) * 2019-11-28 2020-04-07 四川省骨科医院 一种人体动作功能检测系统、检测方法及检测仪
CN111242030A (zh) * 2020-01-13 2020-06-05 平安国际智慧城市科技股份有限公司 视频数据处理方法、装置、设备及计算机可读存储介质

Also Published As

Publication number Publication date
CN113705482B (zh) 2024-03-22

Similar Documents

Publication Publication Date Title
US11986286B2 (en) Gait-based assessment of neurodegeneration
US9996739B2 (en) System and method for automatic gait cycle segmentation
Leightley et al. Automated analysis and quantification of human mobility using a depth sensor
US11763603B2 (en) Physical activity quantification and monitoring
EP4197438A1 (en) Method and system for analyzing human gait
JP7057589B2 (ja) 医療情報処理システム、歩行状態定量化方法およびプログラム
Prateek et al. Modeling, detecting, and tracking freezing of gait in Parkinson disease using inertial sensors
US20220406159A1 (en) Fall Risk Assessment System
EP1778073A1 (en) Non-invasive joint evaluation
CN113728394A (zh) 身体活动执行和训练的评分度量
WO2014153665A1 (en) System and method for monitoring a subject
CN110427987A (zh) 一种关节炎患者的足底压力特征识别方法和系统
CN112438723A (zh) 认知功能评估方法、认知功能评估装置以及存储介质
US12089926B2 (en) Feigned injury detection systems and methods
Choi et al. Determination of input variables for the development of a gait asymmetry expert system in patients with idiopathic scoliosis
Wang et al. Assessment of gait characteristics in total knee arthroplasty patients using a hierarchical partial least squares method
KR20150019963A (ko) 승마시뮬레이터에서 사용자 자세 인식 장치 및 방법
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
CN113705482B (zh) 一种基于人工智能的身体健康监测管理系统及方法
Farra et al. A mobile sensing and imaging system for real-time monitoring of spine health
Dammeyer et al. Classification of inertial sensor‐based gait patterns of orthopaedic conditions using machine learning: A pilot study
KR102553951B1 (ko) 낙상 예방 관리 시스템
Cicirelli et al. Skeleton based human mobility assessment by using deep neural networks
Mishra et al. XAI-based gait analysis of patients walking with Knee-Ankle-Foot orthosis using video cameras
CN114783045B (zh) 基于虚拟现实的动作训练检测方法、装置、设备及介质

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