CN114093488A - 一种基于骨骼识别的医生技能水平评判方法和装置 - Google Patents

一种基于骨骼识别的医生技能水平评判方法和装置 Download PDF

Info

Publication number
CN114093488A
CN114093488A CN202210065316.3A CN202210065316A CN114093488A CN 114093488 A CN114093488 A CN 114093488A CN 202210065316 A CN202210065316 A CN 202210065316A CN 114093488 A CN114093488 A CN 114093488A
Authority
CN
China
Prior art keywords
image set
natural person
preset
electromyographic
image
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
CN202210065316.3A
Other languages
English (en)
Other versions
CN114093488B (zh
Inventor
曾承
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.)
Wuhan Talent Information Technology Co ltd
Original Assignee
Wuhan Talent Information Technology 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 Wuhan Talent Information Technology Co ltd filed Critical Wuhan Talent Information Technology Co ltd
Priority to CN202210065316.3A priority Critical patent/CN114093488B/zh
Publication of CN114093488A publication Critical patent/CN114093488A/zh
Application granted granted Critical
Publication of CN114093488B publication Critical patent/CN114093488B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06398—Performance of employee with respect to a job function

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Epidemiology (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本申请揭示一种基于骨骼识别的医生技能水平评判方法，进行实时图像采集处理，以得到第一图像集；减少肌电传感器的数量；多次减少肌电传感器的数量，得到第三图像集、…、第n图像集；得到n‑1个相似度值；绘制相似度值曲线；找出拐点；获取拐点对应的指定图像集、指定肌电数据集和指定肌电传感器位置；若能够识别出骨骼姿态，则生成一个样本数据；得到多个样本数据；得到级别预测模型；得到待分析图像集；得到预测级别；获取预测肌电传感器位置；得到正式图像集；得到正式肌电数据集；识别出骨骼姿态集，评判第二自然人的医学技能水平，实现了提高评判医生技能水平的准确性。

Description

一种基于骨骼识别的医生技能水平评判方法和装置
技术领域
本申请涉及到计算机领域，特别是涉及到一种基于骨骼识别的医生技能水平评判方法和装置。
背景技术
医生在手术过程中，涉及到复杂的操作，为了确定医生的手术操作是否达标，一般可采用建立骨骼模型的方式，以借助在手术操作过程中骨骼的变化来确定医生技术水平。但是，传统的采用建立骨骼模型的方式来确定医生技术水平的方案，一般是通过多个摄像头采集手术过程中医生的图像，再建立相应的骨骼模型，此时会出现一个问题，即医生会穿着手术服进行手术操作，而手术服遮挡下的区域是无法被摄像头采集到的，因此会存在信息缺失区域，导致传统的确定医生技术水平的方案的准确性不足。
发明内容
本申请提出一种基于骨骼识别的医生技能水平评判方法，包括以下步骤：
S1、在预设的第一自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第一自然人四周的多个摄像头，对进行预设的第一医学操作的第一自然人，进行实时图像采集处理，以得到第一图像集；
S2、根据预设顺序减少肌电传感器的数量，使得第一自然人身上保留第二数量的肌电传感器，并通过多个摄像头，对再次进行所述第一医学操作的第一自然人，进行实时图像采集处理，以得到第二图像集；同时实时获取第二数量的肌电传感器的感测数据，以得到第二肌电数据集；
S3、根据预设顺序多次减少肌电传感器的数量，使得第一自然人身上对应保留第三数量、…、第n数量的肌电传感器，并通过多个摄像头，对再次进行所述第一医学操作的第一自然人，进行多次实时图像采集处理，以对应得到第三图像集、…、第n图像集；同时实时获取第三数量、…、第n数量的肌电传感器的感测数据，以对应得到第三肌电数据集、…、第n肌电数据集；其中，第n数量等于0；n为大于3的整数；
S4、根据预设的图像集相似度计算方法，将第n图像集分别与第一图像集、第二图像集、…、第n-1图像集进行相似度计算处理，以得到n-1个相似度值；以相似度值为纵轴，图像集编号为横轴，根据所述n-1个相似度值，绘制相似度值曲线，并判断所述相似度值曲线是否为纵坐标数值随横坐标数值增大而增大的曲线；
S5、若所述相似度值曲线为纵坐标数值随横坐标数值增大而增大的曲线，则从所述相似度值曲线上找出拐点；其中，所述拐点对应的相似度值大于预设的相似度阈值，并且所述拐点的前一个坐标点对应的相似度值不大于预设的相似度阈值；
S6、获取所述拐点对应的指定图像集、指定肌电数据集和指定肌电传感器位置，并判断根据所述指定图像集和指定肌电数据集是否能够识别出骨骼姿态；
S7、若根据所述指定图像集和指定肌电数据集能够识别出骨骼姿态，则将所述第一图像集标记上指定级别标签，从而生成一个样本数据；其中，所述指定级别标签对应于所述指定肌电传感器位置；
S8、多次更换第一自然人，并重复步骤S1-S7，以得到多个样本数据；再根据所述多个样本数据，对预设的神经网络模型采用有监督学习的方式进行训练处理，从而得到级别预测模型；
S9、在待分析的第二自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第二自然人四周的多个摄像头，对进行所述第一医学操作的第二自然人，进行实时图像采集处理，以得到待分析图像集；
S10、将待分析图像集输入级别预测模型中，以得到级别预测模型输出的预测级别；并根据级别标签与肌电传感器位置的对应关系，获取与所述预测级别对应的预测肌电传感器位置；
S11、减少肌电传感器的数量，仅保留所述预测肌电传感器位置的肌电传感器，再在第二自然人在进行预设的第二医学操作时，采用多个摄像头进行图像采集处理，以得到正式图像集；同时实时获取肌电传感器的感测数据，以得到正式肌电数据集；
S12、根据所述正式图像集和所述正式肌电数据集，采用预设的骨骼姿态识别方法，识别出骨骼姿态集，并将骨骼姿态集与预设的标准骨骼姿态集进行对比，以评判第二自然人的医学技能水平。
其中，所述在预设的第一自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第一自然人四周的多个摄像头，对进行预设的第一医学操作的第一自然人，进行实时图像采集处理，以得到第一图像集的步骤S1之前，包括：
S01、将预设的n个自然人记为n个第一自然人；
所述在预设的第一自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第一自然人四周的多个摄像头，对进行预设的第一医学操作的第一自然人，进行实时图像采集处理，以得到第一图像集的步骤S1，包括：
S101、在第一个第一自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第一个第一自然人四周的多个摄像头，对进行预设的第一医学操作的第一个第一自然人，进行实时图像采集处理，以得到第一图像集；
所述在预设的第一自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第一自然人四周的多个摄像头，对进行预设的第一医学操作的第一自然人，进行实时图像采集处理，以得到第一图像集的步骤S1之后，包括：
S11、在第二个第一自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第二个第一自然人四周的多个摄像头，对进行预设的第一医学操作的第二个第一自然人，进行实时图像采集处理，以得到第二初始图像集；
S12、在第三个第一自然人、…、第n个第一自然人身上不同位置均对应布设第一数量的肌电传感器，并通过多个摄像头，对进行预设的第一医学操作的第三个第一自然人、…、第n个第一自然人，对应进行实时图像采集处理，以得到第三初始图像集、…、第n初始图像集；
S13、判断所述第一图像集、第二初始图像集、第三初始图像集、…、第n初始图像集是否彼此相似；
S14、若所述第一图像集、第二初始图像集、第三初始图像集、…、第n初始图像集彼此相似，则将第二个第一自然人作为步骤S2中的第一自然人，将第三个第一自然人、…、第n个第一自然人作为步骤S3中的第一自然人，并生成图像集采集指令，以指示进行步骤S2与S3。
其中，所述第二数量的肌电传感器是所述第一数量的肌电传感器中的一部分；所述第三数量的肌电传感器是所述第二数量的肌电传感器中的一部分。
其中，所述根据预设的图像集相似度计算方法，将第n图像集分别与第一图像集、第二图像集、…、第n-1图像集进行相似度计算处理，以得到n-1个相似度值；以相似度值为纵轴，图像集编号为横轴，根据所述n-1个相似度值，绘制相似度值曲线，并判断所述相似度值曲线是否为纵坐标数值随横坐标数值增大而增大的曲线的步骤S4，包括：
S401、根据预设的向量映射方法，将第n图像集映射为第n向量、将第一图像集映射为第一向量、将第二图像集映射为第二向量、…、将第n-1图像集映射为第n-1向量；
S402、根据预设的余弦相似度计算方法，计算第n向量分别与第一向量、第二向量、…、第n-1向量之间的相似度值，以得到n-1个相似度值；
S403、以相似度值为纵轴，图像集编号为横轴，根据所述n-1个相似度值，绘制相似度值曲线，并判断所述相似度值曲线是否为纵坐标数值随横坐标数值增大而增大的曲线。
其中，所述根据预设的向量映射方法，将第n图像集映射为第n向量、将第一图像集映射为第一向量、将第二图像集映射为第二向量、…、将第n-1图像集映射为第n-1向量的步骤S401，包括：
S4011、对第一图像集中的第一幅图像进行特征点寻找处理，以找出多个特征点；
S4012、对第一图像集中的第二幅图像进行特征点寻找处理，以找出位置变化后的多个特征点；
S4013、对第一图像集中的第三幅图像、…、第m幅图像依次进行特征点寻找处理，以依次找出位置变化后的多个特征点；其中，m为大于3的整数；
S4014、计算相邻图像中的特征点的位置变化矢量，以得到m-1组矢量；其中，每组矢量中的矢量数等于多个特征点的数量；
S4015、将m-1组矢量中的每个矢量均作为一个分向量，从而将第一图像集映射为第一向量。
其中，所述获取所述拐点对应的指定图像集、指定肌电数据集和指定肌电传感器位置，并判断根据所述指定图像集和指定肌电数据集是否能够识别出骨骼姿态的步骤S6，包括：
S601、根据预设的图像拼接方法，采用所述指定图像集进行3D人体模型生成处理，以得到3D人体模型；其中，3D人体模型上覆盖有衣物；
S602、判断3D人体模型中衣物覆盖下的区域是否设置有肌电传感器；
S603、若3D人体模型中衣物覆盖下的区域设置有肌电传感器，则判定根据所述指定图像集和指定肌电数据集能够识别出骨骼姿态。
其中，所述多次更换第一自然人，并重复步骤S1-S7，以得到多个样本数据；再根据所述多个样本数据，对预设的神经网络模型采用有监督学习的方式进行训练处理，从而得到级别预测模型的步骤S8，包括：
S801、多次更换第一自然人，并重复步骤S1-S7，以得到多个样本数据；
S802、将多个样本数据进行划分处理，以划分为多个训练数据与多个验证数据；其中，所述多个训练数据的数量与所述多个验证数据的数量的比值等于预设比例数值；
S803、调取预设的神经网络模型，并将所述多个训练数据输入所述神经网络模型中以有监督学习的方式进行训练，以得到中间级别预测模型；
S804、采用所述多个验证数据对所述中间级别预测模型进行验证处理，并判断验证处理的结果是否为验证合格；
S805、若验证处理的结果为验证合格，则将所述中间级别预测模型作为最终的级别预测模型。
其中，所述根据所述正式图像集和所述正式肌电数据集，采用预设的骨骼姿态识别方法，识别出骨骼姿态集，并将骨骼姿态集与预设的标准骨骼姿态集进行对比，以评判第二自然人的医学技能水平的步骤S12，包括：
S1201、提取第二自然人的骨骼姿态集中的一个骨骼姿态图，并从标准骨骼姿态集中提取对应的标准骨骼姿态图；
S1202、计算提取出的骨骼姿态图与对应的标准骨骼姿态图之间的姿态相似度值；
S1203、持续对第二自然人的骨骼姿态集中的剩余骨骼姿态图进行姿态相似度值计算，以得到多个姿态相似度值；
S1204、根据预设的权重数值，对所有的姿态相似值进行加权平均处理，以得到加权平均相似度值；
S1205、判断所述加权平均相似度值是否大于预设的姿态相似度阈值；
S1206、若所述加权平均相似度值大于预设的姿态相似度阈值，则判定第二自然人的医学技能水平达标。
本申请提供一种基于骨骼识别的医生技能水平评判装置，包括：
第一图像集采集单元，用于指示执行步骤S1、在预设的第一自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第一自然人四周的多个摄像头，对进行预设的第一医学操作的第一自然人，进行实时图像采集处理，以得到第一图像集；
第二图像集采集单元，用于指示执行步骤S2、根据预设顺序减少肌电传感器的数量，使得第一自然人身上保留第二数量的肌电传感器，并通过多个摄像头，对再次进行所述第一医学操作的第一自然人，进行实时图像采集处理，以得到第二图像集；同时实时获取第二数量的肌电传感器的感测数据，以得到第二肌电数据集；
第三图像集采集单元，用于指示执行步骤S3、根据预设顺序多次减少肌电传感器的数量，使得第一自然人身上对应保留第三数量、…、第n数量的肌电传感器，并通过多个摄像头，对再次进行所述第一医学操作的第一自然人，进行多次实时图像采集处理，以对应得到第三图像集、…、第n图像集；同时实时获取第三数量、…、第n数量的肌电传感器的感测数据，以对应得到第三肌电数据集、…、第n肌电数据集；其中，第n数量等于0；n为大于3的整数；
相似度计算单元，用于指示执行步骤S4、根据预设的图像集相似度计算方法，将第n图像集分别与第一图像集、第二图像集、…、第n-1图像集进行相似度计算处理，以得到n-1个相似度值；以相似度值为纵轴，图像集编号为横轴，根据所述n-1个相似度值，绘制相似度值曲线，并判断所述相似度值曲线是否为纵坐标数值随横坐标数值增大而增大的曲线；
拐点寻找单元，用于指示执行步骤S5、若所述相似度值曲线为纵坐标数值随横坐标数值增大而增大的曲线，则从所述相似度值曲线上找出拐点；其中，所述拐点对应的相似度值大于预设的相似度阈值，并且所述拐点的前一个坐标点对应的相似度值不大于预设的相似度阈值；
骨骼姿态判断单元，用于指示执行步骤S6、获取所述拐点对应的指定图像集、指定肌电数据集和指定肌电传感器位置，并判断根据所述指定图像集和指定肌电数据集是否能够识别出骨骼姿态；
样本数据生成单元，用于指示执行步骤S7、若根据所述指定图像集和指定肌电数据集能够识别出骨骼姿态，则将所述第一图像集标记上指定级别标签，从而生成一个样本数据；其中，所述指定级别标签对应于所述指定肌电传感器位置；
级别预测模型获取单元，用于指示执行步骤S8、多次更换第一自然人，并重复步骤S1-S7，以得到多个样本数据；再根据所述多个样本数据，对预设的神经网络模型采用有监督学习的方式进行训练处理，从而得到级别预测模型；
待分析图像集采集单元，用于指示执行步骤S9、在待分析的第二自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第二自然人四周的多个摄像头，对进行所述第一医学操作的第二自然人，进行实时图像采集处理，以得到待分析图像集；
预测级别获取单元，用于指示执行步骤S10、将待分析图像集输入级别预测模型中，以得到级别预测模型输出的预测级别；并根据级别标签与肌电传感器位置的对应关系，获取与所述预测级别对应的预测肌电传感器位置；
正式图像集采集单元，用于指示执行步骤S11、减少肌电传感器的数量，仅保留所述预测肌电传感器位置的肌电传感器，再在第二自然人在进行预设的第二医学操作时，采用多个摄像头进行图像采集处理，以得到正式图像集；同时实时获取肌电传感器的感测数据，以得到正式肌电数据集；
医学技能水平评判单元，用于指示执行步骤S12、根据所述正式图像集和所述正式肌电数据集，采用预设的骨骼姿态识别方法，识别出骨骼姿态集，并将骨骼姿态集与预设的标准骨骼姿态集进行对比，以评判第二自然人的医学技能水平。
本申请的基于骨骼识别的医生技能水平评判方法、装置，进行实时图像采集处理，以得到第一图像集；减少肌电传感器的数量，得到第二肌电数据集；多次减少肌电传感器的数量，得到第三图像集、…、第n图像集；得到第三肌电数据集、…、第n肌电数据集；得到n-1个相似度值；绘制相似度值曲线；若相似度值曲线为纵坐标数值随横坐标数值增大而增大的曲线，则找出拐点；获取拐点对应的指定图像集、指定肌电数据集和指定肌电传感器位置；若能够识别出骨骼姿态，则生成一个样本数据；得到多个样本数据；得到级别预测模型；得到待分析图像集；得到级别预测模型输出的预测级别；获取与所述预测级别对应的预测肌电传感器位置；得到正式图像集；同时实时获取肌电传感器的感测数据，以得到正式肌电数据集；识别出骨骼姿态集，并将骨骼姿态集与预设的标准骨骼姿态集进行对比，以评判第二自然人的医学技能水平，实现了提高评判医生技能水平的准确性。
需要注意的是，本申请虽然是利用肌电传感器来弥补缺失的信息，但是并仅是简单的布设肌电传感器。这是因为，人体对于附着的传感器存在不适应的特性，这会影响医生（第一自然人）的手术动作，因此，理论上在医生身上布设满肌电传感器，这能够获取足够充分的信息来构建骨骼模型，但是由于过多肌电传感器的存在导致医生手术动作变形，从而这些传感器信息的价值大大下降。因此，本申请解决的不仅是采用肌电传感器来弥补缺失的信息的问题，而且还是如何确定恰当的肌电传感器来弥补缺失的信息的问题。
并且，本申请并非是对每个医生均采用相同的肌电传感器，这是因为不同医生对于肌电传感器的适应性不同，当存在部分医生对肌电传感器的适应性强，因此可以布设更多的肌电传感器；反之，当存在部分医生对于肌电传感器的适应性弱，则布设较少的肌电传感器。
附图说明
图1为本申请一实施例的基于骨骼识别的医生技能水平评判方法的流程示意图；
图2为本申请一实施例的基于骨骼识别的医生技能水平评判装置的结构示意框图；
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，本申请实施例提供一种基于骨骼识别的医生技能水平评判方法，包括以下步骤：
S1、在预设的第一自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第一自然人四周的多个摄像头，对进行预设的第一医学操作的第一自然人，进行实时图像采集处理，以得到第一图像集；
S2、根据预设顺序减少肌电传感器的数量，使得第一自然人身上保留第二数量的肌电传感器，并通过多个摄像头，对再次进行所述第一医学操作的第一自然人，进行实时图像采集处理，以得到第二图像集；同时实时获取第二数量的肌电传感器的感测数据，以得到第二肌电数据集；
S3、根据预设顺序多次减少肌电传感器的数量，使得第一自然人身上对应保留第三数量、…、第n数量的肌电传感器，并通过多个摄像头，对再次进行所述第一医学操作的第一自然人，进行多次实时图像采集处理，以对应得到第三图像集、…、第n图像集；同时实时获取第三数量、…、第n数量的肌电传感器的感测数据，以对应得到第三肌电数据集、…、第n肌电数据集；其中，第n数量等于0；n为大于3的整数；
S4、根据预设的图像集相似度计算方法，将第n图像集分别与第一图像集、第二图像集、…、第n-1图像集进行相似度计算处理，以得到n-1个相似度值；以相似度值为纵轴，图像集编号为横轴，根据所述n-1个相似度值，绘制相似度值曲线，并判断所述相似度值曲线是否为纵坐标数值随横坐标数值增大而增大的曲线；
S5、若所述相似度值曲线为纵坐标数值随横坐标数值增大而增大的曲线，则从所述相似度值曲线上找出拐点；其中，所述拐点对应的相似度值大于预设的相似度阈值，并且所述拐点的前一个坐标点对应的相似度值不大于预设的相似度阈值；
S6、获取所述拐点对应的指定图像集、指定肌电数据集和指定肌电传感器位置，并判断根据所述指定图像集和指定肌电数据集是否能够识别出骨骼姿态；
S7、若根据所述指定图像集和指定肌电数据集能够识别出骨骼姿态，则将所述第一图像集标记上指定级别标签，从而生成一个样本数据；其中，所述指定级别标签对应于所述指定肌电传感器位置；
S8、多次更换第一自然人，并重复步骤S1-S7，以得到多个样本数据；再根据所述多个样本数据，对预设的神经网络模型采用有监督学习的方式进行训练处理，从而得到级别预测模型；
S9、在待分析的第二自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第二自然人四周的多个摄像头，对进行所述第一医学操作的第二自然人，进行实时图像采集处理，以得到待分析图像集；
S10、将待分析图像集输入级别预测模型中，以得到级别预测模型输出的预测级别；并根据级别标签与肌电传感器位置的对应关系，获取与所述预测级别对应的预测肌电传感器位置；
S11、减少肌电传感器的数量，仅保留所述预测肌电传感器位置的肌电传感器，再在第二自然人在进行预设的第二医学操作时，采用多个摄像头进行图像采集处理，以得到正式图像集；同时实时获取肌电传感器的感测数据，以得到正式肌电数据集；
S12、根据所述正式图像集和所述正式肌电数据集，采用预设的骨骼姿态识别方法，识别出骨骼姿态集，并将骨骼姿态集与预设的标准骨骼姿态集进行对比，以评判第二自然人的医学技能水平。
本申请是基于一种人类的自然属性而实现，具体地，不同自然人对于附着的肌电传感器的适应性不同，这在持续的操作（例如医生对于常见的医学操作）中会得到体现，并且，这种适应性在布满肌电传感器时体现的最为明显，因此，本申请采用布设第一数量的肌电传感器并进行预设的第一医学操作的自然人进行图像采集而得到的图像集，以作为分析该自然人对于肌肤表面的附着物的适应性的依据（即得到预测的级别），再根据分析结果确定应当设置的肌电传感器数量与位置（不同的级别，分别对应于不同数量的肌电传感器及布设位置）。
因此，适应性的强弱，能够通过在第一医学操作时，进行实时图像采集处理得到图像集来分析得到。而适应性的强弱分别对应于不同的级别，而不同的级别又对应于不同的肌电传感器数量与位置。在确定合适的肌电传感器数量与位置后，即可使得医生在进行医学技能水平评判时（通过医生进行第二医学操作来评判，此时的第二医学操作一般比第一医学操作复杂的多），更为客观准确，这是因为布设合适的肌电传感器，不会造成医生的动作变形（过多的肌电传感器会造成医生的动作变形）。
其中，第二医学操作相较于第一医学操作，一般更为复杂，例如第一医学操作为在仿真皮肤上缝合伤口，而第二医学操作为缝合血管等。
本申请的步骤S1-S3，是采用图像集的阶段，是最为初始的数据。具体地，在预设的第一自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第一自然人四周的多个摄像头，对进行预设的第一医学操作的第一自然人，进行实时图像采集处理，以得到第一图像集；根据预设顺序减少肌电传感器的数量，使得第一自然人身上保留第二数量的肌电传感器，并通过多个摄像头，对再次进行所述第一医学操作的第一自然人，进行实时图像采集处理，以得到第二图像集；同时实时获取第二数量的肌电传感器的感测数据，以得到第二肌电数据集；根据预设顺序多次减少肌电传感器的数量，使得第一自然人身上对应保留第三数量、…、第n数量的肌电传感器，并通过多个摄像头，对再次进行所述第一医学操作的第一自然人，进行多次实时图像采集处理，以对应得到第三图像集、…、第n图像集；同时实时获取第三数量、…、第n数量的肌电传感器的感测数据，以对应得到第三肌电数据集、…、第n肌电数据集；其中，第n数量等于0；n为大于3的整数。
其中，每个图像集是包括多幅图像的，并且多幅图像还是与时间点相关的。例如，第一图像集中包括k个时间点的图像，摄像头的数量共有p个，那么第一图像集中的多幅图像的总数量为p乘以k幅，每个时间点的图像均为p幅。第二图像集及其他图像集中的多幅图像也与第一图像集中的图像相同。
现有的3D模型生成技术，已经能够通过对某个待建模物体进行四周拍摄得到的多幅图像，进行图像拼接的方式构建3D模型。因此，理论上，根据第一图像集、…、第n图像集，实际上是能够生成随时间变化的3D模型的，这在其他领域作为动作分析的依据已经足够，但是本申请是用于对医生的技术水平评判，而医学的手术操作涉及微小动作，而按前述得到的3D模型无法得知被手术服覆盖下的姿态（主要指骨骼姿态，因为医生在进行医学操作时会带动骨骼的运动），因此不足以做出准确的评判。
另外，本申请还有一个特别之处，第一图像集采集之时，未进行肌电数据集的采集处理，而其他图像集采集之时，会伴随着肌电数据集的采集处理，这并非漏写，而是有意为之。因为第一图像集对应的是数量最多的肌电传感器，这种状态下默认能够识别出骨骼姿态（指若采集得到对应的第一肌电传感数据集时，第一肌电传感数据集加上第一图像集，足够识别出骨骼姿态），因此和其他图像集不同，其在后续无需进行判断是否能够识别出骨骼姿态。而此时的肌电传感数据集并不是真的用于构建骨骼模型或者识别骨骼姿态，因此第一肌电传感数据集没有采集的必要，但是其他肌电传感数据集必须采集。
其中，第一数量大于第二数量，第二数量大于第三数量，…，第n-1数量大于第n数量，第n数量等于0。进一步地，这些肌电传感器的数量在减少的过程中，剩下的肌电传感器的位置是未发生变化的。根据预设顺序减少肌电传感器的数量，可以采用任意可行顺序，例如先减少未被手术服覆盖的肌电传感器，再减少在医学操作过程中时而被覆盖的肌电传感器，继续减少能够通过其他肌电传感器的数据推断出来的肌电传感器（例如某些骨骼相连，运动时会发生牵连的区域；或者，某些对称区域）等等。
肌电传感器布设在皮肤表面，用于确定肌肉纤维信号，而骨骼的运动是由肌肉牵引的，因此通过肌电传感器采集得到的信号，可以确定与其对应的骨骼的姿态。这在某些摄像头无法采集到的区域，例如背部区域，可以用于辅助确定这些区域的骨骼姿态。
进一步地，所述在预设的第一自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第一自然人四周的多个摄像头，对进行预设的第一医学操作的第一自然人，进行实时图像采集处理，以得到第一图像集的步骤S1之前，包括：
S01、将预设的n个自然人记为n个第一自然人；
所述在预设的第一自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第一自然人四周的多个摄像头，对进行预设的第一医学操作的第一自然人，进行实时图像采集处理，以得到第一图像集的步骤S1，包括：
S101、在第一个第一自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第一个第一自然人四周的多个摄像头，对进行预设的第一医学操作的第一个第一自然人，进行实时图像采集处理，以得到第一图像集；
所述在预设的第一自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第一自然人四周的多个摄像头，对进行预设的第一医学操作的第一自然人，进行实时图像采集处理，以得到第一图像集的步骤S1之后，包括：
S11、在第二个第一自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第二个第一自然人四周的多个摄像头，对进行预设的第一医学操作的第二个第一自然人，进行实时图像采集处理，以得到第二初始图像集；
S12、在第三个第一自然人、…、第n个第一自然人身上不同位置均对应布设第一数量的肌电传感器，并通过多个摄像头，对进行预设的第一医学操作的第三个第一自然人、…、第n个第一自然人，对应进行实时图像采集处理，以得到第三初始图像集、…、第n初始图像集；
S13、判断所述第一图像集、第二初始图像集、第三初始图像集、…、第n初始图像集是否彼此相似；
S14、若所述第一图像集、第二初始图像集、第三初始图像集、…、第n初始图像集彼此相似，则将第二个第一自然人作为步骤S2中的第一自然人，将第三个第一自然人、…、第n个第一自然人作为步骤S3中的第一自然人，并生成图像集采集指令，以指示进行步骤S2与S3。
本申请是基于人类对于肌电传感器的不适应性来实现的，但是同一个人类，在连续进行n次附着肌电传感器并进行第一医学操作过程中，可能会改善对肌电传感器的适应性，这会造成采集得到的数据可信度下降。因此，本申请采用了另一种方式，来解决这个问题。具体地，本申请将预设的n个自然人记为n个第一自然人，并使每个第一自然人均只附着两次肌电传感器，并进行两次图像采集处理，其中的第一次肌电传感器附着，是使所有的第一自然人均对应布设第一数量的肌电传感器，同时采集图像集，这是为了确定这些第一自然人是否彼此相像（是指对于肌电传感器的适应性是否彼此相像）。若所述第一图像集、第二初始图像集、第三初始图像集、…、第n初始图像集彼此相似，则表明这些第一自然人彼此相像，因此可视为同一个自然人（这是指本申请的特殊场景下才可视为的同一个自然人），再让这些第一自然人分别附着不同数量的肌电传感器，并进行步骤S2与S3，以得到相应的图像集与肌电数据集。通过这种方式，每个第一自然人最多只需附着两次肌电传感器，因此不会出现改善对肌电传感器的适应性的问题，从而能够保证数据的一致性。
进一步地，所述第二数量的肌电传感器是所述第一数量的肌电传感器中的一部分；所述第三数量的肌电传感器是所述第二数量的肌电传感器中的一部分。
步骤S4-S7是为了生成一个样本数据。具体地，根据预设的图像集相似度计算方法，将第n图像集分别与第一图像集、第二图像集、…、第n-1图像集进行相似度计算处理，以得到n-1个相似度值；以相似度值为纵轴，图像集编号为横轴，根据所述n-1个相似度值，绘制相似度值曲线，并判断所述相似度值曲线是否为纵坐标数值随横坐标数值增大而增大的曲线；若所述相似度值曲线为纵坐标数值随横坐标数值增大而增大的曲线，则从所述相似度值曲线上找出拐点；其中，所述拐点对应的相似度值大于预设的相似度阈值，并且所述拐点的前一个坐标点对应的相似度值不大于预设的相似度阈值；获取所述拐点对应的指定图像集、指定肌电数据集和指定肌电传感器位置，并判断根据所述指定图像集和指定肌电数据集是否能够识别出骨骼姿态；若根据所述指定图像集和指定肌电数据集能够识别出骨骼姿态，则将所述第一图像集标记上指定级别标签，从而生成一个样本数据；其中，所述指定级别标签对应于所述指定肌电传感器位置。
其中，图像集相似度计算方法可为任意可行算法，其目的在于确定图像集之间的相似度。这是因为，人类在肌电传感器的数量逐渐变少后，其对于肌电传感器的不适应性会减弱，当减少到一定的阈值时，人类可以忍受肌电传感器带来的负面影响，此时的医学操作与没布设肌电传感器时的医学操作差别不大，这体现在图像集之间的相似度上，即为相似度值大于预设的相似度阈值。而为了尽可能多的保留肌电传感器，以提高最终分析医生技能水平的准确性，因此本申请需要寻找拐点，并获取所述拐点对应的指定图像集、指定肌电数据集和指定肌电传感器位置。而判断根据所述指定图像集和指定肌电数据集是否能够识别出骨骼姿态可采用任意可行方式实现，由于指定肌电数据集是用于补充指定图像集缺失的数据的（即被手术服覆盖的区域数据），因此是容易判断根据所述指定图像集和指定肌电数据集是否能够识别出骨骼姿态。
最后，若根据所述指定图像集和指定肌电数据集能够识别出骨骼姿态，则表明对于第一自然人，最合适的肌电传感器的数量与位置已经找到，因此将所述第一图像集标记上指定级别标签，从而生成一个样本数据。其中，所述指定级别标签对应于所述指定肌电传感器位置。由于一个指定肌电传感器会具有一个位置，因此所述指定级别标签对应于所述指定肌电传感器位置，实际上还隐含了指定肌电传感器的数量。
进一步地，所述根据预设的图像集相似度计算方法，将第n图像集分别与第一图像集、第二图像集、…、第n-1图像集进行相似度计算处理，以得到n-1个相似度值；以相似度值为纵轴，图像集编号为横轴，根据所述n-1个相似度值，绘制相似度值曲线，并判断所述相似度值曲线是否为纵坐标数值随横坐标数值增大而增大的曲线的步骤S4，包括：
S401、根据预设的向量映射方法，将第n图像集映射为第n向量、将第一图像集映射为第一向量、将第二图像集映射为第二向量、…、将第n-1图像集映射为第n-1向量；
S402、根据预设的余弦相似度计算方法，计算第n向量分别与第一向量、第二向量、…、第n-1向量之间的相似度值，以得到n-1个相似度值；
S403、以相似度值为纵轴，图像集编号为横轴，根据所述n-1个相似度值，绘制相似度值曲线，并判断所述相似度值曲线是否为纵坐标数值随横坐标数值增大而增大的曲线。
其中，向量映射方法是将一个图像集映射为一个向量，其可以采用任意可行方法，例如可借助于卷积神经网络模型来实现，将图像集中的所有图像均输入训练好的卷积神经网络模型中，以对应得到卷积神经网络模型中的全连接层输出的多个一维向量，再将多个一维向量合并为一个总的向量（例如可以将每个一维向量均作为一个分向量，或者，进行一维向量之间的差值处理，以得到多个差值向量，再将多个差值向量分别作为分向量，以构成总的向量）。其中，卷积神经网络模型可为采用任意可行训练数据训练得到的模型，优选采用进行第一医学操作过程中进行图像采集得到的训练图像作为训练数据，从而训练得到的模型。或者，也可以采用任意可行的现有向量映射方法来实现。由于将图像或者多个图像映射为一个向量（例如可将每个图像映射得到的向量作为一个分向量，再集成为一个总向量）是较为常见的技术，例如OCR识别技术，图像搜索技术等等都涉及于此，所以在此不再赘述。
而n-1个相似度值，反应的则是不同图像集与第n图像集之间的相似程度，因此可以以相似度值为纵轴，图像集编号为横轴，来绘制相似度值曲线。
进一步地，所述根据预设的向量映射方法，将第n图像集映射为第n向量、将第一图像集映射为第一向量、将第二图像集映射为第二向量、…、将第n-1图像集映射为第n-1向量的步骤S401，包括：
S4011、对第一图像集中的第一幅图像进行特征点寻找处理，以找出多个特征点；
S4012、对第一图像集中的第二幅图像进行特征点寻找处理，以找出位置变化后的多个特征点；
S4013、对第一图像集中的第三幅图像、…、第m幅图像依次进行特征点寻找处理，以依次找出位置变化后的多个特征点；其中，m为大于3的整数；
S4014、计算相邻图像中的特征点的位置变化矢量，以得到m-1组矢量；其中，每组矢量中的矢量数等于多个特征点的数量；
S4015、将m-1组矢量中的每个矢量均作为一个分向量，从而将第一图像集映射为第一向量。
本申请采用特征点变化的方式，来实现图像集的向量映射。其中，本申请对于图像集之间的相似度计算，真正目的在于找出第一自然人操作是否存在差异，因此更重要的是找出不同图像集中，相邻对应图像之间的变化情况的差异（相对差异），而不是不同图像集中，对应图像之间的差异（绝对差异）。因此，本申请通过先确定特征点，再根据特征点的变化生成矢量，从而得到m-1组矢量，再将m-1组矢量中的每个矢量均作为一个分向量，从而将第一图像集映射为第一向量，从而第一向量反映的更多的是图像间的相对差异，有助于排除更多的干扰因素，提高最终的分析准确性。同理，对于其他图像集的向量映射，也采用相同的方法以得到对应向量。
进一步地，所述获取所述拐点对应的指定图像集、指定肌电数据集和指定肌电传感器位置，并判断根据所述指定图像集和指定肌电数据集是否能够识别出骨骼姿态的步骤S6，包括：
S601、根据预设的图像拼接方法，采用所述指定图像集进行3D人体模型生成处理，以得到3D人体模型；其中，3D人体模型上覆盖有衣物；
S602、判断3D人体模型中衣物覆盖下的区域是否设置有肌电传感器；
S603、若3D人体模型中衣物覆盖下的区域设置有肌电传感器，则判定根据所述指定图像集和指定肌电数据集能够识别出骨骼姿态。
本申请在此处，并不直接生成3D骨骼模型，而是先采用图像拼接技术（涉及到图像间的相似位置判断），来生成3D人体模型。由于此时的指定图像集是对穿有例如手术服的衣物的医生进行采集得到的，因此3D人体模型上覆盖有衣物。而实际上，要生成骨骼模型的话，若能够再获取衣物覆盖下的骨骼数据，那么就有足够的数据来识别人体的全部或者大部分的骨骼姿态。而骨骼的数据是与肌电传感器相关联的，因为骨骼的运动是由肌肉纤维的牵引实现的。所以，判断3D人体模型中衣物覆盖下的区域是否设置有肌电传感器，从而能够判断是否能够识别出骨骼姿态。其中，骨骼姿态指在医学操作过程中，骨骼的运动状态，或者指骨骼在不同时间点的空间位置。
步骤S8-S12是构建级别预测模型，再借助级别预测模型确定恰当的肌电传感器位置，进而进行正式的医学技术水平评判的过程。具体地，多次更换第一自然人，并重复步骤S1-S7，以得到多个样本数据；再根据所述多个样本数据，对预设的神经网络模型采用有监督学习的方式进行训练处理，从而得到级别预测模型；在待分析的第二自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第二自然人四周的多个摄像头，对进行所述第一医学操作的第二自然人，进行实时图像采集处理，以得到待分析图像集；将待分析图像集输入级别预测模型中，以得到级别预测模型输出的预测级别；并根据级别标签与肌电传感器位置的对应关系，获取与所述预测级别对应的预测肌电传感器位置；减少肌电传感器的数量，仅保留所述预测肌电传感器位置的肌电传感器，再在第二自然人在进行预设的第二医学操作时，采用多个摄像头进行图像采集处理，以得到正式图像集；同时实时获取肌电传感器的感测数据，以得到正式肌电数据集；根据所述正式图像集和所述正式肌电数据集，采用预设的骨骼姿态识别方法，识别出骨骼姿态集，并将骨骼姿态集与预设的标准骨骼姿态集进行对比，以评判第二自然人的医学技能水平。
其中，由于样本数据都是经过标注处理的，因此训练过程采用的是有监督学习的方式实现的，并且在训练过程中可以采用梯度下降法与反向传播算法来更新各层网络参数。其中，神经网络模型优选为深度神经网络模型，其更具体地可采用任意可行类型，例如径向基神经网络模型、卷积神经网络模型、长短期记忆网络模型、前馈神经网络模型等等。由于已知级别对应于肌电传感器数据与位置，因此级别预测模型虽然输出的是预测级别值，但实际上反映的是恰当的肌电传感器位置。
由于级别预测模型需要输入布设数量最多的第一数量肌电传感器的图像集，因此先在待分析的第二自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第二自然人四周的多个摄像头，对进行所述第一医学操作的第二自然人，进行实时图像采集处理，以得到待分析图像集。
再根据待分析图像集，获取级别预测模型输出的预测级别。本申请在正式分析医学技术水平时，是对医生进行第二医学操作是否标准进行评判，因此减少肌电传感器的数量，仅保留所述预测肌电传感器位置的肌电传感器，再在第二自然人在进行预设的第二医学操作时，采用多个摄像头进行图像采集处理，以得到正式图像集。进一步地，第二医学操作可根据实际需要进行修改，但一般而言，第二医学操作的复杂性相对于第一医学操作要更高。由于本申请在识别骨骼时，还需要肌电数据，因此同时实时获取肌电传感器的感测数据，以得到正式肌电数据集。
再根据所述正式图像集和所述正式肌电数据集，采用预设的骨骼姿态识别方法，识别出骨骼姿态集，并将骨骼姿态集与预设的标准骨骼姿态集进行对比，以评判第二自然人的医学技能水平。其中，骨骼姿态的识别方法可为任意可行方法，例如先以正式图像集为基础，进行图像拼接处理，以构建初始3D人体模型，再对初始3D人体模型进行仅保留骨骼处理（由于人体骨骼与整体轮廓存在相应比例，并且骨骼是以关节点作为划分的，因此容易进行初始3D人体模型转为3D骨骼模型的处理），以得到初始骨骼模型，再根据正式肌电数据集，弥补初始骨骼模型中缺失的部分骨骼数据，从而得到完整的骨骼模型，再将每个时间点的骨骼模型图（或称为骨骼姿态图）分别作为骨骼姿态集的一个骨骼姿态，从而识别出骨骼姿态集。而标准骨骼姿态集是预先采集得到的，或者通过预先虚拟构建得到的，其是医生进行第二医学操作应当具有的骨骼姿态集。其例如可采用骨骼数据采集技术（例如X光透射等，当然也可以采用多图像采集并拼接的方式），对预设医生（其能够正确进行第二医学操作）进行第二医学操作时，进行骨骼数据采集处理，进而构建标准骨骼姿态集。由于，标准骨骼姿态集是用于对比，并且是用于评判第二自然人的医学技能水平，因此本领域技术人员明白，其是合格医生进行第二医学操作时预先采集并生成的骨骼姿态集。
进一步地，所述多次更换第一自然人，并重复步骤S1-S7，以得到多个样本数据；再根据所述多个样本数据，对预设的神经网络模型采用有监督学习的方式进行训练处理，从而得到级别预测模型的步骤S8，包括：
S801、多次更换第一自然人，并重复步骤S1-S7，以得到多个样本数据；
S802、将多个样本数据进行划分处理，以划分为多个训练数据与多个验证数据；其中，所述多个训练数据的数量与所述多个验证数据的数量的比值等于预设比例数值；
S803、调取预设的神经网络模型，并将所述多个训练数据输入所述神经网络模型中以有监督学习的方式进行训练，以得到中间级别预测模型；
S804、采用所述多个验证数据对所述中间级别预测模型进行验证处理，并判断验证处理的结果是否为验证合格；
S805、若验证处理的结果为验证合格，则将所述中间级别预测模型作为最终的级别预测模型。
从而获取能够胜任级别预测的模型。其中，由于训练数据与验证数据均是由多个样本数据中划分得到，因此训练得到的模型具有相当的可靠性。而预设比例数值可为任意可行数值，例如为9:1、8:2、0.85:0.15、0.95:0.05等等。其中，可采用反向传播算法，来更新神经网络模型中各层神经网络的参数。
进一步地，所述根据所述正式图像集和所述正式肌电数据集，采用预设的骨骼姿态识别方法，识别出骨骼姿态集，并将骨骼姿态集与预设的标准骨骼姿态集进行对比，以评判第二自然人的医学技能水平的步骤S12，包括：
S1201、提取第二自然人的骨骼姿态集中的一个骨骼姿态图，并从标准骨骼姿态集中提取对应的标准骨骼姿态图；
S1202、计算提取出的骨骼姿态图与对应的标准骨骼姿态图之间的姿态相似度值；
S1203、持续对第二自然人的骨骼姿态集中的剩余骨骼姿态图进行姿态相似度值计算，以得到多个姿态相似度值；
S1204、根据预设的权重数值，对所有的姿态相似值进行加权平均处理，以得到加权平均相似度值；
S1205、判断所述加权平均相似度值是否大于预设的姿态相似度阈值；
S1206、若所述加权平均相似度值大于预设的姿态相似度阈值，则判定第二自然人的医学技能水平达标。
从而将第二自然人进行第二医学操作过程的骨骼姿态图与专家医生进行第二医学操作过程的标准骨骼姿态图进行一一对比，将误差量累积作为最终输出，从而确定第二自然人与专家医生之间的差异性。由于在医学操作过程中，部分操作是精细操作因此更为重要，此时对应的权重值更高，而部分操作相对而言重要性更低，因此对应的权重值更低，本申请可以预先设定相应的权重数值，并进行加权平均处理，再判断所述加权平均相似度值是否大于预设的姿态相似度阈值，从而评判第二自然人的医学技术水平。其中，计算提取出的骨骼姿态图与对应的标准骨骼姿态图之间的姿态相似度值可采用任意可行方法，例如可采用常用的图像相似度计算方法，在此不再赘述。
本申请的基于骨骼识别的医生技能水平评判方法，进行实时图像采集处理，以得到第一图像集；减少肌电传感器的数量，得到第二肌电数据集；多次减少肌电传感器的数量，得到第三图像集、…、第n图像集；得到第三肌电数据集、…、第n肌电数据集；得到n-1个相似度值；绘制相似度值曲线；若相似度值曲线为纵坐标数值随横坐标数值增大而增大的曲线，则找出拐点；获取拐点对应的指定图像集、指定肌电数据集和指定肌电传感器位置；若能够识别出骨骼姿态，则生成一个样本数据；得到多个样本数据；得到级别预测模型；得到待分析图像集；得到级别预测模型输出的预测级别；获取与所述预测级别对应的预测肌电传感器位置；得到正式图像集；同时实时获取肌电传感器的感测数据，以得到正式肌电数据集；识别出骨骼姿态集，并将骨骼姿态集与预设的标准骨骼姿态集进行对比，以评判第二自然人的医学技能水平，实现了提高评判医生技能水平的准确性。
参照图2，本申请实施例提供一种基于骨骼识别的医生技能水平评判装置，包括：
第一图像集采集单元10，用于指示执行步骤S1、在预设的第一自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第一自然人四周的多个摄像头，对进行预设的第一医学操作的第一自然人，进行实时图像采集处理，以得到第一图像集；
第二图像集采集单元20，用于指示执行步骤S2、根据预设顺序减少肌电传感器的数量，使得第一自然人身上保留第二数量的肌电传感器，并通过多个摄像头，对再次进行所述第一医学操作的第一自然人，进行实时图像采集处理，以得到第二图像集；同时实时获取第二数量的肌电传感器的感测数据，以得到第二肌电数据集；
第三图像集采集单元30，用于指示执行步骤S3、根据预设顺序多次减少肌电传感器的数量，使得第一自然人身上对应保留第三数量、…、第n数量的肌电传感器，并通过多个摄像头，对再次进行所述第一医学操作的第一自然人，进行多次实时图像采集处理，以对应得到第三图像集、…、第n图像集；同时实时获取第三数量、…、第n数量的肌电传感器的感测数据，以对应得到第三肌电数据集、…、第n肌电数据集；其中，第n数量等于0；n为大于3的整数；
相似度计算单元40，用于指示执行步骤S4、根据预设的图像集相似度计算方法，将第n图像集分别与第一图像集、第二图像集、…、第n-1图像集进行相似度计算处理，以得到n-1个相似度值；以相似度值为纵轴，图像集编号为横轴，根据所述n-1个相似度值，绘制相似度值曲线，并判断所述相似度值曲线是否为纵坐标数值随横坐标数值增大而增大的曲线；
拐点寻找单元50，用于指示执行步骤S5、若所述相似度值曲线为纵坐标数值随横坐标数值增大而增大的曲线，则从所述相似度值曲线上找出拐点；其中，所述拐点对应的相似度值大于预设的相似度阈值，并且所述拐点的前一个坐标点对应的相似度值不大于预设的相似度阈值；
骨骼姿态判断单元60，用于指示执行步骤S6、获取所述拐点对应的指定图像集、指定肌电数据集和指定肌电传感器位置，并判断根据所述指定图像集和指定肌电数据集是否能够识别出骨骼姿态；
样本数据生成单元70，用于指示执行步骤S7、若根据所述指定图像集和指定肌电数据集能够识别出骨骼姿态，则将所述第一图像集标记上指定级别标签，从而生成一个样本数据；其中，所述指定级别标签对应于所述指定肌电传感器位置；
级别预测模型获取单元80，用于指示执行步骤S8、多次更换第一自然人，并重复步骤S1-S7，以得到多个样本数据；再根据所述多个样本数据，对预设的神经网络模型采用有监督学习的方式进行训练处理，从而得到级别预测模型；
待分析图像集采集单元90，用于指示执行步骤S9、在待分析的第二自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第二自然人四周的多个摄像头，对进行所述第一医学操作的第二自然人，进行实时图像采集处理，以得到待分析图像集；
预测级别获取单元100，用于指示执行步骤S10、将待分析图像集输入级别预测模型中，以得到级别预测模型输出的预测级别；并根据级别标签与肌电传感器位置的对应关系，获取与所述预测级别对应的预测肌电传感器位置；
正式图像集采集单元110，用于指示执行步骤S11、减少肌电传感器的数量，仅保留所述预测肌电传感器位置的肌电传感器，再在第二自然人在进行预设的第二医学操作时，采用多个摄像头进行图像采集处理，以得到正式图像集；同时实时获取肌电传感器的感测数据，以得到正式肌电数据集；
医学技能水平评判单元120，用于指示执行步骤S12、根据所述正式图像集和所述正式肌电数据集，采用预设的骨骼姿态识别方法，识别出骨骼姿态集，并将骨骼姿态集与预设的标准骨骼姿态集进行对比，以评判第二自然人的医学技能水平。
进一步地，所述在预设的第一自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第一自然人四周的多个摄像头，对进行预设的第一医学操作的第一自然人，进行实时图像采集处理，以得到第一图像集的步骤S1之前，包括：
S01、将预设的n个自然人记为n个第一自然人；
所述在预设的第一自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第一自然人四周的多个摄像头，对进行预设的第一医学操作的第一自然人，进行实时图像采集处理，以得到第一图像集的步骤S1，包括：
S101、在第一个第一自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第一个第一自然人四周的多个摄像头，对进行预设的第一医学操作的第一个第一自然人，进行实时图像采集处理，以得到第一图像集；
所述在预设的第一自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第一自然人四周的多个摄像头，对进行预设的第一医学操作的第一自然人，进行实时图像采集处理，以得到第一图像集的步骤S1之后，包括：
S11、在第二个第一自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第二个第一自然人四周的多个摄像头，对进行预设的第一医学操作的第二个第一自然人，进行实时图像采集处理，以得到第二初始图像集；
S12、在第三个第一自然人、…、第n个第一自然人身上不同位置均对应布设第一数量的肌电传感器，并通过多个摄像头，对进行预设的第一医学操作的第三个第一自然人、…、第n个第一自然人，对应进行实时图像采集处理，以得到第三初始图像集、…、第n初始图像集；
S13、判断所述第一图像集、第二初始图像集、第三初始图像集、…、第n初始图像集是否彼此相似；
S14、若所述第一图像集、第二初始图像集、第三初始图像集、…、第n初始图像集彼此相似，则将第二个第一自然人作为步骤S2中的第一自然人，将第三个第一自然人、…、第n个第一自然人作为步骤S3中的第一自然人，并生成图像集采集指令，以指示进行步骤S2与S3。
其中上述单元分别用于执行的操作与前述实施方式的基于骨骼识别的医生技能水平评判方法的步骤一一对应，在此不再赘述。
本申请的基于骨骼识别的医生技能水平评判装置，进行实时图像采集处理，以得到第一图像集；减少肌电传感器的数量，得到第二肌电数据集；多次减少肌电传感器的数量，得到第三图像集、…、第n图像集；得到第三肌电数据集、…、第n肌电数据集；得到n-1个相似度值；绘制相似度值曲线；若相似度值曲线为纵坐标数值随横坐标数值增大而增大的曲线，则找出拐点；获取拐点对应的指定图像集、指定肌电数据集和指定肌电传感器位置；若能够识别出骨骼姿态，则生成一个样本数据；得到多个样本数据；得到级别预测模型；得到待分析图像集；得到级别预测模型输出的预测级别；获取与所述预测级别对应的预测肌电传感器位置；得到正式图像集；同时实时获取肌电传感器的感测数据，以得到正式肌电数据集；识别出骨骼姿态集，并将骨骼姿态集与预设的标准骨骼姿态集进行对比，以评判第二自然人的医学技能水平，实现了提高评判医生技能水平的准确性。
需要说明的是，在本文中，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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种基于骨骼识别的医生技能水平评判方法，其特征在于，包括：
S1、在预设的第一自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第一自然人四周的多个摄像头，对进行预设的第一医学操作的第一自然人，进行实时图像采集处理，以得到第一图像集；
S2、根据预设顺序减少肌电传感器的数量，使得第一自然人身上保留第二数量的肌电传感器，并通过多个摄像头，对再次进行所述第一医学操作的第一自然人，进行实时图像采集处理，以得到第二图像集；同时实时获取第二数量的肌电传感器的感测数据，以得到第二肌电数据集；
S3、根据预设顺序多次减少肌电传感器的数量，使得第一自然人身上对应保留第三数量、…、第n数量的肌电传感器，并通过多个摄像头，对再次进行所述第一医学操作的第一自然人，进行多次实时图像采集处理，以对应得到第三图像集、…、第n图像集；同时实时获取第三数量、…、第n数量的肌电传感器的感测数据，以对应得到第三肌电数据集、…、第n肌电数据集；其中，第n数量等于0；n为大于3的整数；
S4、根据预设的图像集相似度计算方法，将第n图像集分别与第一图像集、第二图像集、…、第n-1图像集进行相似度计算处理，以得到n-1个相似度值；以相似度值为纵轴，图像集编号为横轴，根据所述n-1个相似度值，绘制相似度值曲线，并判断所述相似度值曲线是否为纵坐标数值随横坐标数值增大而增大的曲线；
S5、若所述相似度值曲线为纵坐标数值随横坐标数值增大而增大的曲线，则从所述相似度值曲线上找出拐点；其中，所述拐点对应的相似度值大于预设的相似度阈值，并且所述拐点的前一个坐标点对应的相似度值不大于预设的相似度阈值；
S6、获取所述拐点对应的指定图像集、指定肌电数据集和指定肌电传感器位置，并判断根据所述指定图像集和指定肌电数据集是否能够识别出骨骼姿态；
S7、若根据所述指定图像集和指定肌电数据集能够识别出骨骼姿态，则将所述第一图像集标记上指定级别标签，从而生成一个样本数据；其中，所述指定级别标签对应于所述指定肌电传感器位置；
S8、多次更换第一自然人，并重复步骤S1-S7，以得到多个样本数据；再根据所述多个样本数据，对预设的神经网络模型采用有监督学习的方式进行训练处理，从而得到级别预测模型；
S9、在待分析的第二自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第二自然人四周的多个摄像头，对进行所述第一医学操作的第二自然人，进行实时图像采集处理，以得到待分析图像集；
S10、将待分析图像集输入级别预测模型中，以得到级别预测模型输出的预测级别；并根据级别标签与肌电传感器位置的对应关系，获取与所述预测级别对应的预测肌电传感器位置；
S11、减少肌电传感器的数量，仅保留所述预测肌电传感器位置的肌电传感器，再在第二自然人在进行预设的第二医学操作时，采用多个摄像头进行图像采集处理，以得到正式图像集；同时实时获取肌电传感器的感测数据，以得到正式肌电数据集；
S12、根据所述正式图像集和所述正式肌电数据集，采用预设的骨骼姿态识别方法，识别出骨骼姿态集，并将骨骼姿态集与预设的标准骨骼姿态集进行对比，以评判第二自然人的医学技能水平。
2.根据权利要求1所述的基于骨骼识别的医生技能水平评判方法，其特征在于，所述在预设的第一自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第一自然人四周的多个摄像头，对进行预设的第一医学操作的第一自然人，进行实时图像采集处理，以得到第一图像集的步骤S1之前，包括：
S01、将预设的n个自然人记为n个第一自然人；
所述在预设的第一自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第一自然人四周的多个摄像头，对进行预设的第一医学操作的第一自然人，进行实时图像采集处理，以得到第一图像集的步骤S1，包括：
S101、在第一个第一自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第一个第一自然人四周的多个摄像头，对进行预设的第一医学操作的第一个第一自然人，进行实时图像采集处理，以得到第一图像集；
所述在预设的第一自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第一自然人四周的多个摄像头，对进行预设的第一医学操作的第一自然人，进行实时图像采集处理，以得到第一图像集的步骤S1之后，包括：
S11、在第二个第一自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第二个第一自然人四周的多个摄像头，对进行预设的第一医学操作的第二个第一自然人，进行实时图像采集处理，以得到第二初始图像集；
S12、在第三个第一自然人、…、第n个第一自然人身上不同位置均对应布设第一数量的肌电传感器，并通过多个摄像头，对进行预设的第一医学操作的第三个第一自然人、…、第n个第一自然人，对应进行实时图像采集处理，以得到第三初始图像集、…、第n初始图像集；
S13、判断所述第一图像集、第二初始图像集、第三初始图像集、…、第n初始图像集是否彼此相似；
S14、若所述第一图像集、第二初始图像集、第三初始图像集、…、第n初始图像集彼此相似，则将第二个第一自然人作为步骤S2中的第一自然人，将第三个第一自然人、…、第n个第一自然人作为步骤S3中的第一自然人，并生成图像集采集指令，以指示进行步骤S2与S3。
3.根据权利要求1所述的基于骨骼识别的医生技能水平评判方法，其特征在于，所述第二数量的肌电传感器是所述第一数量的肌电传感器中的一部分；所述第三数量的肌电传感器是所述第二数量的肌电传感器中的一部分。
4.根据权利要求1所述的基于骨骼识别的医生技能水平评判方法，其特征在于，所述根据预设的图像集相似度计算方法，将第n图像集分别与第一图像集、第二图像集、…、第n-1图像集进行相似度计算处理，以得到n-1个相似度值；以相似度值为纵轴，图像集编号为横轴，根据所述n-1个相似度值，绘制相似度值曲线，并判断所述相似度值曲线是否为纵坐标数值随横坐标数值增大而增大的曲线的步骤S4，包括：
S401、根据预设的向量映射方法，将第n图像集映射为第n向量、将第一图像集映射为第一向量、将第二图像集映射为第二向量、…、将第n-1图像集映射为第n-1向量；
S402、根据预设的余弦相似度计算方法，计算第n向量分别与第一向量、第二向量、…、第n-1向量之间的相似度值，以得到n-1个相似度值；
S403、以相似度值为纵轴，图像集编号为横轴，根据所述n-1个相似度值，绘制相似度值曲线，并判断所述相似度值曲线是否为纵坐标数值随横坐标数值增大而增大的曲线。
5.根据权利要求4所述的基于骨骼识别的医生技能水平评判方法，其特征在于，所述根据预设的向量映射方法，将第n图像集映射为第n向量、将第一图像集映射为第一向量、将第二图像集映射为第二向量、…、将第n-1图像集映射为第n-1向量的步骤S401，包括：
S4011、对第一图像集中的第一幅图像进行特征点寻找处理，以找出多个特征点；
S4012、对第一图像集中的第二幅图像进行特征点寻找处理，以找出位置变化后的多个特征点；
S4013、对第一图像集中的第三幅图像、…、第m幅图像依次进行特征点寻找处理，以依次找出位置变化后的多个特征点；其中，m为大于3的整数；
S4014、计算相邻图像中的特征点的位置变化矢量，以得到m-1组矢量；其中，每组矢量中的矢量数等于多个特征点的数量；
S4015、将m-1组矢量中的每个矢量均作为一个分向量，从而将第一图像集映射为第一向量。
6.根据权利要求1所述的基于骨骼识别的医生技能水平评判方法，其特征在于，所述获取所述拐点对应的指定图像集、指定肌电数据集和指定肌电传感器位置，并判断根据所述指定图像集和指定肌电数据集是否能够识别出骨骼姿态的步骤S6，包括：
S601、根据预设的图像拼接方法，采用所述指定图像集进行3D人体模型生成处理，以得到3D人体模型；其中，3D人体模型上覆盖有衣物；
S602、判断3D人体模型中衣物覆盖下的区域是否设置有肌电传感器；
S603、若3D人体模型中衣物覆盖下的区域设置有肌电传感器，则判定根据所述指定图像集和指定肌电数据集能够识别出骨骼姿态。
7.根据权利要求1所述的基于骨骼识别的医生技能水平评判方法，其特征在于，所述多次更换第一自然人，并重复步骤S1-S7，以得到多个样本数据；再根据所述多个样本数据，对预设的神经网络模型采用有监督学习的方式进行训练处理，从而得到级别预测模型的步骤S8，包括：
S801、多次更换第一自然人，并重复步骤S1-S7，以得到多个样本数据；
S802、将多个样本数据进行划分处理，以划分为多个训练数据与多个验证数据；其中，所述多个训练数据的数量与所述多个验证数据的数量的比值等于预设比例数值；
S803、调取预设的神经网络模型，并将所述多个训练数据输入所述神经网络模型中以有监督学习的方式进行训练，以得到中间级别预测模型；
S804、采用所述多个验证数据对所述中间级别预测模型进行验证处理，并判断验证处理的结果是否为验证合格；
S805、若验证处理的结果为验证合格，则将所述中间级别预测模型作为最终的级别预测模型。
8.根据权利要求1所述的基于骨骼识别的医生技能水平评判方法，其特征在于，所述根据所述正式图像集和所述正式肌电数据集，采用预设的骨骼姿态识别方法，识别出骨骼姿态集，并将骨骼姿态集与预设的标准骨骼姿态集进行对比，以评判第二自然人的医学技能水平的步骤S12，包括：
S1201、提取第二自然人的骨骼姿态集中的一个骨骼姿态图，并从标准骨骼姿态集中提取对应的标准骨骼姿态图；
S1202、计算提取出的骨骼姿态图与对应的标准骨骼姿态图之间的姿态相似度值；
S1203、持续对第二自然人的骨骼姿态集中的剩余骨骼姿态图进行姿态相似度值计算，以得到多个姿态相似度值；
S1204、根据预设的权重数值，对所有的姿态相似值进行加权平均处理，以得到加权平均相似度值；
S1205、判断所述加权平均相似度值是否大于预设的姿态相似度阈值；
S1206、若所述加权平均相似度值大于预设的姿态相似度阈值，则判定第二自然人的医学技能水平达标。
9.一种基于骨骼识别的医生技能水平评判装置，其特征在于，包括：
第一图像集采集单元，用于指示执行步骤S1、在预设的第一自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第一自然人四周的多个摄像头，对进行预设的第一医学操作的第一自然人，进行实时图像采集处理，以得到第一图像集；
第二图像集采集单元，用于指示执行步骤S2、根据预设顺序减少肌电传感器的数量，使得第一自然人身上保留第二数量的肌电传感器，并通过多个摄像头，对再次进行所述第一医学操作的第一自然人，进行实时图像采集处理，以得到第二图像集；同时实时获取第二数量的肌电传感器的感测数据，以得到第二肌电数据集；
第三图像集采集单元，用于指示执行步骤S3、根据预设顺序多次减少肌电传感器的数量，使得第一自然人身上对应保留第三数量、…、第n数量的肌电传感器，并通过多个摄像头，对再次进行所述第一医学操作的第一自然人，进行多次实时图像采集处理，以对应得到第三图像集、…、第n图像集；同时实时获取第三数量、…、第n数量的肌电传感器的感测数据，以对应得到第三肌电数据集、…、第n肌电数据集；其中，第n数量等于0；n为大于3的整数；
相似度计算单元，用于指示执行步骤S4、根据预设的图像集相似度计算方法，将第n图像集分别与第一图像集、第二图像集、…、第n-1图像集进行相似度计算处理，以得到n-1个相似度值；以相似度值为纵轴，图像集编号为横轴，根据所述n-1个相似度值，绘制相似度值曲线，并判断所述相似度值曲线是否为纵坐标数值随横坐标数值增大而增大的曲线；
拐点寻找单元，用于指示执行步骤S5、若所述相似度值曲线为纵坐标数值随横坐标数值增大而增大的曲线，则从所述相似度值曲线上找出拐点；其中，所述拐点对应的相似度值大于预设的相似度阈值，并且所述拐点的前一个坐标点对应的相似度值不大于预设的相似度阈值；
骨骼姿态判断单元，用于指示执行步骤S6、获取所述拐点对应的指定图像集、指定肌电数据集和指定肌电传感器位置，并判断根据所述指定图像集和指定肌电数据集是否能够识别出骨骼姿态；
样本数据生成单元，用于指示执行步骤S7、若根据所述指定图像集和指定肌电数据集能够识别出骨骼姿态，则将所述第一图像集标记上指定级别标签，从而生成一个样本数据；其中，所述指定级别标签对应于所述指定肌电传感器位置；
级别预测模型获取单元，用于指示执行步骤S8、多次更换第一自然人，并重复步骤S1-S7，以得到多个样本数据；再根据所述多个样本数据，对预设的神经网络模型采用有监督学习的方式进行训练处理，从而得到级别预测模型；
待分析图像集采集单元，用于指示执行步骤S9、在待分析的第二自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第二自然人四周的多个摄像头，对进行所述第一医学操作的第二自然人，进行实时图像采集处理，以得到待分析图像集；
预测级别获取单元，用于指示执行步骤S10、将待分析图像集输入级别预测模型中，以得到级别预测模型输出的预测级别；并根据级别标签与肌电传感器位置的对应关系，获取与所述预测级别对应的预测肌电传感器位置；
正式图像集采集单元，用于指示执行步骤S11、减少肌电传感器的数量，仅保留所述预测肌电传感器位置的肌电传感器，再在第二自然人在进行预设的第二医学操作时，采用多个摄像头进行图像采集处理，以得到正式图像集；同时实时获取肌电传感器的感测数据，以得到正式肌电数据集；
医学技能水平评判单元，用于指示执行步骤S12、根据所述正式图像集和所述正式肌电数据集，采用预设的骨骼姿态识别方法，识别出骨骼姿态集，并将骨骼姿态集与预设的标准骨骼姿态集进行对比，以评判第二自然人的医学技能水平。
10.根据权利要求9所述的基于骨骼识别的医生技能水平评判装置，其特征在于，所述在预设的第一自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第一自然人四周的多个摄像头，对进行预设的第一医学操作的第一自然人，进行实时图像采集处理，以得到第一图像集的步骤S1之前，包括：
S01、将预设的n个自然人记为n个第一自然人；
所述在预设的第一自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第一自然人四周的多个摄像头，对进行预设的第一医学操作的第一自然人，进行实时图像采集处理，以得到第一图像集的步骤S1，包括：
S101、在第一个第一自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第一个第一自然人四周的多个摄像头，对进行预设的第一医学操作的第一个第一自然人，进行实时图像采集处理，以得到第一图像集；
所述在预设的第一自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第一自然人四周的多个摄像头，对进行预设的第一医学操作的第一自然人，进行实时图像采集处理，以得到第一图像集的步骤S1之后，包括：
S11、在第二个第一自然人身上不同位置对应布设第一数量的肌电传感器，并通过布置在第二个第一自然人四周的多个摄像头，对进行预设的第一医学操作的第二个第一自然人，进行实时图像采集处理，以得到第二初始图像集；
S12、在第三个第一自然人、…、第n个第一自然人身上不同位置均对应布设第一数量的肌电传感器，并通过多个摄像头，对进行预设的第一医学操作的第三个第一自然人、…、第n个第一自然人，对应进行实时图像采集处理，以得到第三初始图像集、…、第n初始图像集；
S13、判断所述第一图像集、第二初始图像集、第三初始图像集、…、第n初始图像集是否彼此相似；
S14、若所述第一图像集、第二初始图像集、第三初始图像集、…、第n初始图像集彼此相似，则将第二个第一自然人作为步骤S2中的第一自然人，将第三个第一自然人、…、第n个第一自然人作为步骤S3中的第一自然人，并生成图像集采集指令，以指示进行步骤S2与S3。
CN202210065316.3A 2022-01-20 2022-01-20 一种基于骨骼识别的医生技能水平评判方法和装置 Active CN114093488B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210065316.3A CN114093488B (zh) 2022-01-20 2022-01-20 一种基于骨骼识别的医生技能水平评判方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210065316.3A CN114093488B (zh) 2022-01-20 2022-01-20 一种基于骨骼识别的医生技能水平评判方法和装置

Publications (2)

Publication Number Publication Date
CN114093488A true CN114093488A (zh) 2022-02-25
CN114093488B CN114093488B (zh) 2022-04-22

Family

ID=80308858

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210065316.3A Active CN114093488B (zh) 2022-01-20 2022-01-20 一种基于骨骼识别的医生技能水平评判方法和装置

Country Status (1)

Country Link
CN (1) CN114093488B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114663432A (zh) * 2022-05-24 2022-06-24 武汉泰乐奇信息科技有限公司 骨骼模型修正方法和装置

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106236103A (zh) * 2016-09-30 2016-12-21 无锡吾成互联科技有限公司 一种钢琴弹奏手形的检测装置
CN107438398A (zh) * 2015-01-06 2017-12-05 大卫·伯顿 移动式可穿戴的监控系统
US20180070864A1 (en) * 2016-06-02 2018-03-15 Matthew Schuster Methods and devices for assessing a captured motion
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
CN111684535A (zh) * 2018-02-02 2020-09-18 皇家飞利浦有限公司 最优传感器放置的系统和方法
CN111727482A (zh) * 2018-02-02 2020-09-29 皇家飞利浦有限公司 用于最优传感器放置的系统和方法
CN111902077A (zh) * 2018-01-25 2020-11-06 脸谱科技有限责任公司 利用神经肌肉信号进行手部状态表示建模的校准技术
CN111915943A (zh) * 2020-08-18 2020-11-10 营口巨成教学科技开发有限公司 无人化公众护理、急救培训系统及培训方法
CN111915950A (zh) * 2020-08-18 2020-11-10 营口巨成教学科技开发有限公司 无人化智能化医学培训训练舱
CN112005198A (zh) * 2018-01-25 2020-11-27 脸谱科技有限责任公司 基于多个输入的手部状态重建
US20210236020A1 (en) * 2018-04-30 2021-08-05 Vanderbilt University Wearable device to monitor musculoskeletal loading, estimate tissue microdamage and provide injury risk biofeedback
CN113229832A (zh) * 2021-03-24 2021-08-10 清华大学 一种用于获取人体运动信息的系统和方法
CN113230640A (zh) * 2021-06-17 2021-08-10 郑州大学 一种自行车运动员运动分析系统及其方法
CN113658211A (zh) * 2021-07-06 2021-11-16 江汉大学 一种用户姿态的评估方法、装置以及处理设备

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107438398A (zh) * 2015-01-06 2017-12-05 大卫·伯顿 移动式可穿戴的监控系统
US20180070864A1 (en) * 2016-06-02 2018-03-15 Matthew Schuster Methods and devices for assessing a captured motion
CN106236103A (zh) * 2016-09-30 2016-12-21 无锡吾成互联科技有限公司 一种钢琴弹奏手形的检测装置
CN112005198A (zh) * 2018-01-25 2020-11-27 脸谱科技有限责任公司 基于多个输入的手部状态重建
CN111902077A (zh) * 2018-01-25 2020-11-06 脸谱科技有限责任公司 利用神经肌肉信号进行手部状态表示建模的校准技术
CN111684535A (zh) * 2018-02-02 2020-09-18 皇家飞利浦有限公司 最优传感器放置的系统和方法
CN111727482A (zh) * 2018-02-02 2020-09-29 皇家飞利浦有限公司 用于最优传感器放置的系统和方法
US20210236020A1 (en) * 2018-04-30 2021-08-05 Vanderbilt University Wearable device to monitor musculoskeletal loading, estimate tissue microdamage and provide injury risk biofeedback
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
CN111915943A (zh) * 2020-08-18 2020-11-10 营口巨成教学科技开发有限公司 无人化公众护理、急救培训系统及培训方法
CN111915950A (zh) * 2020-08-18 2020-11-10 营口巨成教学科技开发有限公司 无人化智能化医学培训训练舱
CN113229832A (zh) * 2021-03-24 2021-08-10 清华大学 一种用于获取人体运动信息的系统和方法
CN113230640A (zh) * 2021-06-17 2021-08-10 郑州大学 一种自行车运动员运动分析系统及其方法
CN113658211A (zh) * 2021-07-06 2021-11-16 江汉大学 一种用户姿态的评估方法、装置以及处理设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114663432A (zh) * 2022-05-24 2022-06-24 武汉泰乐奇信息科技有限公司 骨骼模型修正方法和装置
CN114663432B (zh) * 2022-05-24 2022-08-16 武汉泰乐奇信息科技有限公司 骨骼模型修正方法和装置

Also Published As

Publication number Publication date
CN114093488B (zh) 2022-04-22

Similar Documents

Publication Publication Date Title
EP3659016B1 (en) Armband for tracking hand motion using electrical impedance measurement
CN111402228B (zh) 图像检测方法、装置和计算机可读存储介质
Degerli et al. Early detection of myocardial infarction in low-quality echocardiography
US20170330075A1 (en) System and method for deep learning based cardiac electrophysiology model personalization
US10997466B2 (en) Method and system for image segmentation and identification
CN110991268B (zh) 一种基于深度图像的帕金森手部运动量化分析方法和系统
CN114093488B (zh) 一种基于骨骼识别的医生技能水平评判方法和装置
CN112819818B (zh) 图像识别模块训练方法和装置
CN116507276A (zh) 用于机器学习以从图像分析肌肉骨骼康复的方法和设备
EP3858245B1 (en) Automatic recognition method for measurement point in cephalo image
CN113435236A (zh) 居家老人姿态检测方法、系统、存储介质、设备及应用
JP6238755B2 (ja) 情報処理装置、情報処理方法、及びプログラム
US20030153817A1 (en) Pattern analysis system and method
CN113974612A (zh) 一种卒中患者上肢运动功能自动化评估方法与系统
AU2020223750B2 (en) Method and System for Image Annotation
CN116864140A (zh) 一种心内科术后护理监测数据处理方法及其系统
JP2021509491A (ja) 医用画像評価のためのディープラーニングの応用
CN112885435B (zh) 图像目标区域的确定方法、装置和系统
Wibowo et al. Frontalis muscle strength calculation based on 3D image using gray level co-occurrence matrix (GLCM) and confidence interval
US11848091B2 (en) Motion estimation system, motion estimation method, and motion estimation program
CN110755084A (zh) 基于主被动、分阶段动作的运动功能评估方法及设备
Ogiela et al. Towards new classes of cognitive vision systems
Puentes et al. Understanding coronary artery movement: a knowledge-based approach
US20230027320A1 (en) Movement Disorder Diagnostics from Video Data Using Body Landmark Tracking
KR20230076322A (ko) 퍼지 추론 기반의 운동 기능 평가 방법

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Method and Device for Evaluating Doctor's Skill Level Based on Bone Recognition

Effective date of registration: 20230914

Granted publication date: 20220422

Pledgee: Guanggu Branch of Wuhan Rural Commercial Bank Co.,Ltd.

Pledgor: WUHAN TALENT INFORMATION TECHNOLOGY CO.,LTD.

Registration number: Y2023980056665

PE01 Entry into force of the registration of the contract for pledge of patent right