CN114171194B - 帕金森多症状量化评估方法、装置、电子设备、及介质 - Google Patents
帕金森多症状量化评估方法、装置、电子设备、及介质 Download PDFInfo
- Publication number
- CN114171194B CN114171194B CN202111223602.XA CN202111223602A CN114171194B CN 114171194 B CN114171194 B CN 114171194B CN 202111223602 A CN202111223602 A CN 202111223602A CN 114171194 B CN114171194 B CN 114171194B
- Authority
- CN
- China
- Prior art keywords
- quantitative evaluation
- symptom
- motion
- result
- quantitative
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 208000024891 symptom Diseases 0.000 title claims abstract description 193
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000011158 quantitative evaluation Methods 0.000 claims abstract description 196
- 230000033001 locomotion Effects 0.000 claims abstract description 162
- 230000009471 action Effects 0.000 claims abstract description 95
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims abstract description 13
- 208000030454 monosomy Diseases 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 40
- 206010044565 Tremor Diseases 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 239000000203 mixture Substances 0.000 claims description 9
- 206010006100 Bradykinesia Diseases 0.000 claims description 8
- 208000006083 Hypokinesia Diseases 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 7
- 230000000284 resting effect Effects 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 230000001953 sensory effect Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims 4
- 208000027089 Parkinsonian disease Diseases 0.000 claims 1
- 206010034010 Parkinsonism Diseases 0.000 claims 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 4
- 238000012549 training Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 208000035475 disorder Diseases 0.000 abstract description 3
- 230000036541 health Effects 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 4
- 208000012661 Dyskinesia Diseases 0.000 description 3
- 208000018737 Parkinson disease Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 210000004247 hand Anatomy 0.000 description 2
- 230000007659 motor function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 210000000707 wrist Anatomy 0.000 description 2
- 208000024453 abnormal involuntary movement Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000323 shoulder joint Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—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
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Probability & Statistics with Applications (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Physical Education & Sports Medicine (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供帕金森多症状量化评估方法、装置、电子设备、及介质，涉及运动系统定量评估技术领域。所述帕金森多症状量化评估方法包括：对多模态传感数据进行预处理，得到若干运动片段；通过动作识别模型识别出若干运动片段的动作类型结果；根据若干运动片段的动作类型结果，通过若干单症状量化评估模型得到若干单症状量化评估结果；结合若干单症状量化评估结果，通过多症状量化评估模型得到多症状量化评估结果。本发明提供帕金森多症状量化评估方法，能够为医生提供全面客观的多症状量化评估结果，利于医生对患者各种功能的障碍程度和病情的进展实现精确分析和准确判断，从而更好地为患者制作更有针对性的康复训练计划，便于患者进行健康管理。
Description
技术领域
本发明涉及运动系统定量评估技术领域，尤其涉及帕金森多症状量化评估方法、装置、电子设备、及非暂态计算机可读存储介质。
背景技术
目前临床上针对帕金森病患者常用的运动功能评价方法主要是统一帕金森量表(Unified Parkinson’s Disease Rating Scale,UPDRS) 评价方法、统一运动障碍评定量表(Unified Dyskinesia Rating Scale, UDysRS)评价方法、及异常不自主运动量表(Abnormal Involuntary Movement Scale,AIMS)评价方法等。这些量表评定法主要依赖医生个人的观察和判断，评定结果主观性强且难免存在偏差，而且，以上量表只能输出半定量的评定结果，无法实现患者多种运动症状的全面定量评估。
发明内容
本发明提供一种帕金森多症状量化评估方法，旨在解决无法实现患者多种运动症状的全面定量评估的技术问题。
本发明提供一种帕金森多症状量化评估方法，包括以下步骤：
对多模态传感数据进行预处理，得到若干运动片段；
通过动作识别模型识别出若干所述运动片段的动作类型结果；
根据若干所述运动片段的动作类型结果，通过若干单症状量化评估模型得到若干单症状量化评估结果；
结合若干所述单症状量化评估结果，通过多症状量化评估模型得到多症状量化评估结果。
根据本发明提供的一种帕金森多症状量化评估方法，所述通过动作识别模型识别出若干所述运动片段的动作类型结果，包括：
对所述运动片段进行编码处理；
利用所述动作识别模型根据完成编码处理后的运动片段对应不同动作类型的概率，得到完成编码处理后的运动片段的的动作类型结果。
根据本发明提供的一种帕金森多症状量化评估方法，所述动作类型结果包括以下至少两项：静息运动结果、伸展运动结果、轮替运动结果、踏地运动结果、以及行走运动结果。
根据本发明提供的一种帕金森多症状量化评估方法，若干所述单症状量化评估模型包括以下至少两项：震颤性量化评估模型、迟缓度量化评估模型、以及平衡性量化评估模型，所述根据若干所述运动片段的动作类型结果，通过若干单症状量化评估模型得到若干单症状量化评估结果，包括：
当所述运动片段的动作类型结果为静息运动结果或伸展运动结果时，通过所述震颤性量化评估模型得到震颤症状量化评估结果；
当所述运动片段的动作类型结果为轮替运动结果或踏地运动结果时，通过所述迟缓度量化评估模型得到迟缓症状量化评估结果；
当所述运动片段的动作类型结果为行走运动结果时，通过所述平衡性量化评估模型得到平衡症状量化评估结果。
根据本发明提供的一种帕金森多症状量化评估方法，所述结合若干所述单症状量化评估结果，通过多症状量化评估模型得到多症状量化评估结果，包括：
对属于同一症状的单症状量化评估结果进行融合，得到单症状融合量化评估结果；
对若干所述单症状融合量化评估结果进行融合，得到多症状量化评估结果。
根据本发明提供的一种帕金森多症状量化评估方法，所述对多模态传感数据进行预处理，包括：
对所述多模态传感数据进行低通滤波处理；
将完成低通滤波处理后的多模态传感数据进行归一化处理；
对完成归一化处理后的多模态传感数据进行数据分段处理。
根据本发明提供的一种帕金森多症状量化评估方法，还包括步骤：
将所述多模态传感数据发送至用户端。
本发明还提供一种帕金森多症状量化评估装置，包括：
多模态传感数据预处理模块，用于对多模态传感数据进行预处理，得到若干运动片段；
动作类型结果识别模块，用于通过动作识别模型识别出若干所述运动片段的动作类型结果；
单症状量化评估结果得到模块，用于根据若干所述运动片段的动作类型结果，通过若干单症状量化评估模型得到若干单症状量化评估结果；
多症状量化评估结果得到模块，用于结合若干所述单症状量化评估结果，通过多症状量化评估模型得到多症状量化评估结果。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述帕金森多症状量化评估方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述帕金森多症状量化评估方法的步骤。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述帕金森多症状量化评估方法的步骤。
本发明提供的帕金森多症状量化评估方法、装置、电子设备、及非暂态计算机可读存储介质，先通过动作识别模型识别出由多模态传感数据得到的若干运动片段的动作类型结果，再通过若干单症状量化评估模型得到若干精确的单症状量化评估结果，继而结合若干单症状量化评估结果，通过多症状量化评估模型得到全面的多症状量化评估结果。本发明提供的帕金森多症状量化评估方法、装置、电子设备、及非暂态计算机可读存储介质，能够为医生提供全面且客观的多症状量化评估结果，利于医生对患者的各种功能的障碍程度和病情的进展实现精确的分析和准确的判断，从而更好地为患者制作更有针对性的康复训练计划，便于患者进行有效的健康管理。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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是本发明提供的帕金森多症状量化评估方法的流程示意图；
图2是本发明提供的帕金森多症状量化评估装置的模块示意图；
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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。
图1是本发明提供的帕金森多症状量化评估方法的流程示意图。
参照图1，本发明提供一种帕金森多症状量化评估方法，可以包括：
S110、对多模态传感数据进行预处理，得到若干运动片段；
S120、通过动作识别模型识别出若干所述运动片段的动作类型结果；
S130、根据若干所述运动片段的动作类型结果，通过若干单症状量化评估模型得到若干单症状量化评估结果；
S140、结合若干所述单症状量化评估结果，通过多症状量化评估模型得到多症状量化评估结果。
需要说明的是，本发明提供的帕金森多症状量化评估方法的执行主体可以是任何实现帕金森症状量化评估的终端侧设备，例如医疗终端。
在终端侧设备执行S110之前，终端侧设备会先执行S100：
获取多模态传感数据。
具体地，多模态传感数据可以由数据采集设备采集所得，例如，数据采集设备可以是可穿戴智能传感设备。
在一种实施例中，多模态传感数据由佩戴在患者手腕部和脚腕部的MEMS惯性传感器采集所得，MEMS惯性传感器中包含一个三维加速度计和一个三维陀螺仪，三维加速度计用于采集加速度数据，三维陀螺仪用于采集关节角速度数据，三维加速度计和三维陀螺仪采集数据的频率均为1000Hz，传输数据的速度为200Hz，三维加速度计采集的加速度数据和三维陀螺仪采集的关节角速度数据构成多模态传感数据。
更具体地，多模态传感数据可以是在患者佩戴可穿戴智能传感设备下进行测试任务时所采集的数据。测试任务可以是如下的任一种：
1)静息测试任务：患者保持坐姿并将双臂分别摆放于椅子的双侧扶手上，持续20秒；
2)伸展测试任务：患者保持坐姿并完全伸展双臂，使双臂平举于身体前侧并与肩关节同高度，同时使双手掌心朝向地面，持续20 秒；
3)轮替测试任务：患者在伸展运动的基础上，使双臂最大幅度地完成旋前动作和旋后动作，同时使双手掌心有节奏地面向和背离地面，持续20秒；
4)踏地测试任务：患者保持坐姿，使脚后跟有节奏地连续快速地踏地，持续20秒；
5)行走测试任务：患者由坐姿转换为站立姿态，向前行走10秒, 再转身向后行走10秒。
在S110中，终端侧设备会对多模态传感数据进行预处理，得到若干运动片段。
例如，终端侧设备可以对多模态传感数据进行滤波处理、归一化处理、数据分段处理等等预处理操作，然后得到若干运动片段，能够更加准确地对患者连续运动过程中的特征进行捕捉，同时也使得所获取的多模态传感数据在形式上更加统一和便于管理，有利于后续的使用。
在S120中，终端侧设备会通过动作识别模型识别出若干运动片段的动作类型结果。
具体地，所述动作类型结果包括以下至少两项：静息运动结果、伸展运动结果、轮替运动结果、踏地运动结果、以及行走运动结果。
由于震颤、运动迟缓和姿势平衡障碍等运动症状在不同测试任务中的临床表现具有不一致性，为了能够对单一症状的严重程度进行精准量化评估，本发明会先通过动作识别模型对患者在测试过程中产生的每个运动片段的动作类型均进行识别，当完成运动片段的动作类型结果的识别后，实质上已经为运动片段分好类(该运动片段属于哪一单一症状)。
在S130中，终端侧设备会根据若干运动片段的动作类型结果，通过若干单症状量化评估模型得到若干单症状量化评估结果。
具体地，若干所述单症状量化评估模型包括以下至少两项：震颤性量化评估模型、迟缓度量化评估模型、以及平衡性量化评估模型。
终端侧设备会利用对应的单症状量化评估模型对属于某单一症状的所有运动片段进行单症状量化评估，得到精确的单症状量化评估结果。例如，终端侧设备会利用震颤性量化评估模型对属于震颤症状的所有运动片段进行震颤性量化评估，从而得到震颤症状量化评估结果。
在S140中，终端侧设备会结合若干单症状量化评估结果，通过多症状量化评估模型得到多症状量化评估结果。
当在S130中得到多个对应某单一症状的单症状量化评估结果后，终端侧设备可以通过多症状量化评估模型结合多个单症状量化评估结果来全面地进行患者多方面的症状量化评估，从而得到多症状量化评估结果。
本发明提供的帕金森多症状量化评估方法，先通过动作识别模型识别出由多模态传感数据得到的若干运动片段的动作类型结果，再通过若干单症状量化评估模型得到若干精确的单症状量化评估结果，继而结合若干单症状量化评估结果，通过多症状量化评估模型得到全面的多症状量化评估结果。本发明提供的帕金森多症状量化评估方法，能够为医生提供全面且客观的多症状量化评估结果，利于医生对患者的各种功能的障碍程度和病情的进展实现精确的分析和准确的判断，从而更好地为患者制作更有针对性的康复训练计划，便于患者进行有效的健康管理。
在一种实施例中，S110包括：
对所述多模态传感数据进行低通滤波处理；
将完成低通滤波处理后的多模态传感数据进行归一化处理；
对完成归一化处理后的多模态传感数据进行数据分段处理。
具体地，多模态传感数据可能包括三维加速度计采集的加速度数据和三维陀螺仪采集的关节角速度数据，终端侧设备对三维加速度计采集的加速度数据和三维陀螺仪采集的关节角速度数据进行低通滤波处理可以采用四阶的巴特沃斯滤波器进行，再对完成低通滤波处理后的两种模态的数据分别进行归一化处理，并利用滑动窗口技术对归一化处理后的多模态传感数据进行数据分段处理，其中滑动窗口的长度根据实际调参效果可以确定为200毫秒，为了更加准确地对患者连续运动中的特征进行捕捉，优选将滑动增量设置为100毫秒。
在一种实施例中，S120包括：
对所述运动片段进行编码处理；
利用所述动作识别模型根据完成编码处理后的运动片段对应不同动作类型的概率，得到完成编码处理后的运动片段的的动作类型结果。
具体地，动作识别模型可以是隐马尔可夫模型。隐马尔可夫模型可以是预先建立的，例如，基于历史样本数据，建立如下隐马尔可夫模型：
λ＝(A,B,π) (1)，
其中A＝{aij}表示状态转移矩阵，B＝{bj(k)}表示发射概率矩阵，π＝{πi}表示初始概率分布。
由于观测序列O是可穿戴传感设备在患者连续运动中采集得到的多模态传感数据，终端侧设备可以采用高斯混合模型对每个运动片段中的多模态传感数据进行编码，高斯混合模型如下：
其中C表示高斯混合模型中高斯函数的数量，ωjc表示第cth个高斯成分ψ的权重系数，μjc和∑jc表示该高斯成分的均值向量和协方差矩阵，二者的值通过K-means算法进行初始化(K＝5)。
假设动作识别模型有五个，其中每个动作识别模型拟合一种动作类型(静息运动、伸展运动、轮替运动、踏地运动、以及行走运动)，利用前向-后向算法求出五个对数似然概率，通过寻找最大值确定输入观测序列对应的最佳隐马尔可夫模型，从而利用最佳隐马尔可夫模型得到完成编码处理后的运动片段的的动作类型结果。
在一种实施例中，S130包括：
A：当所述运动片段的动作类型结果为静息运动结果或伸展运动结果时，通过所述震颤性量化评估模型得到震颤症状量化评估结果；
B：当所述运动片段的动作类型结果为轮替运动结果或踏地运动结果时，通过所述迟缓度量化评估模型得到迟缓症状量化评估结果；
C：当所述运动片段的动作类型结果为行走运动结果时，通过所述平衡性量化评估模型得到平衡症状量化评估结果。
一方面，在步骤A和步骤B中，震颤性量化评估模型和迟缓度量化评估模型接收的输入数据均由运动片段中包含三维加速度计采集的加速度数据和三维陀螺仪采集的关节角速度数据的多模态传感数据串联而成的：
其中，
表示输入数据，
表示输入向量的维度。
震颤性量化评估模型和迟缓度量化评估模型均由支持向量机构成，选择径向基函数作为核函数将原始特征映射到无穷维特征空间，并采用Platt-SMO算法使模型输出对于震颤症状和运动迟缓症状严重程度的预测概率，可以通过下式(4)进行预测：
其中，
和
分别表示本发明提出的帕金森多症状量化评估方法中对于震颤和运动迟缓两种常见症状量化评估的初级决策(单症状量化评估结果)。
另一方面，在步骤C中，平衡性量化评估模型会在当前运动片段中提取一个由多模态数据构成的Nm×12的矩阵，其中Nm是该运动片段的样本数量，再利用PCA算法求出其相关矩阵的特征向量和特征值，然后根据特征值的大小对特征向量进行排序，然后利用kWAS算法与平衡性量化评估模型中既有的健康被试者数据库中的特征向量进行角度相似性计算，从而得到平衡症状量化评估结果。可以利用下式(5) 来进行角度相似性计算：
其中Θ(SPD，SH)表示角度相似性，σp和λp分别表示两个相关矩阵的第p个特征向量up和vp对应的特征值，SPD和SH分别表示患者和健康被试者在行走测试任务中的姿势平衡状态，n的取值为12。
针对于诸如震颤、运动迟缓和姿势平衡障碍等等的单症状量化评估结果，能够为制作患者下一步训练计划提供细节指导。
在一种实施例中，S140包括：
对属于同一症状的单症状量化评估结果进行融合，得到单症状融合量化评估结果；
对若干所述单症状融合量化评估结果进行融合，得到多症状量化评估结果。
具体地，终端侧设备可以先基于若干单症状量化评估结果，构建融合前的输入向量Yj：
其中，τn表示单症状量化评估结果，
表示输入向量的维度。
再利用具有Sigmoid核函数的支持向量回归机对多层面的初级决策(单症状量化评估结果)进行融合，得到输出向量Dj：
Dj＝ηF(Yj) (7)。
将不同症状对应的初级决策按运动发生时间进行排序，生成对应的集成决策(单症状融合量化评估结果)。在此基础上，本发明对该患者多种运动症状的集成决策(单症状融合量化评估结果)进行进一步地融合，得到：
其中
表示患者的多症状量化评估结果。当该数值越接近于0时，就表明该患者的帕金森运动症状的严重程度越轻，运动功能越接近正常，医生可以据此对帕金森病患者进行全面定量的评价。
在一种实施例中，本发明提供的帕金森多症状量化评估方法还包括步骤：
将所述多模态传感数据发送至用户端。
用户可以在用户端实时查看多模态传感数据，便于观察数据准确性，当数据出现较大偏差时，患者可以及时就医。或者，也可以在用户端实现步骤S110-S140，使患者能够及时了解自身疾病的发展进程，便于患者的自我健康管理。
下面对本发明提供的帕金森多症状量化评估系统、设备、非暂态计算机可读存储介质、及计算机程序产品进行描述，下文描述的帕金森多症状量化评估系统、设备、非暂态计算机可读存储介质、及计算机程序产品与上文描述的帕金森多症状量化评估方法可相互对应参照。
参照图2，本发明提供一种帕金森多症状量化评估装置，包括：
多模态传感数据预处理模块210，用于对多模态传感数据进行预处理，得到若干运动片段；
动作类型结果识别模块220，用于通过动作识别模型识别出若干所述运动片段的动作类型结果；
单症状量化评估结果得到模块230，用于根据若干所述运动片段的动作类型结果，通过若干单症状量化评估模型得到若干单症状量化评估结果；
多症状量化评估结果得到模块240，用于结合若干所述单症状量化评估结果，通过多症状量化评估模型得到多症状量化评估结果。
在一种实施例中，所述动作类型结果识别模块220包括：
编码处理子模块，用于对所述运动片段进行编码处理；
动作类型结果识别子模块，利用所述动作识别模型根据完成编码处理后的运动片段对应不同动作类型的概率，得到完成编码处理后的运动片段的的动作类型结果。
在一种实施例中，所述动作类型结果包括以下至少两项：静息运动结果、伸展运动结果、轮替运动结果、踏地运动结果、以及行走运动结果。
在一种实施例中，若干所述单症状量化评估模型包括以下至少两项：震颤性量化评估模型、迟缓度量化评估模型、以及平衡性量化评估模型，所述单症状量化评估结果得到模块230包括：
震颤症状量化评估结果得到子模块，用于当所述运动片段的动作类型结果为静息运动结果或伸展运动结果时，通过所述震颤性量化评估模型得到震颤症状量化评估结果；
迟缓症状量化评估结果得到子模块，用于当所述运动片段的动作类型结果为轮替运动结果或踏地运动结果时，通过所述迟缓度量化评估模型得到迟缓症状量化评估结果；
平衡症状量化评估结果得到子模块，用于当所述运动片段的动作类型结果为行走运动结果时，通过所述平衡性量化评估模型得到平衡症状量化评估结果。
在一种实施例中，所述多症状量化评估结果得到模块240包括：
第一融合子模块，用于对属于同一症状的单症状量化评估结果进行融合，得到单症状融合量化评估结果；
第二融合子模块，用于对若干所述单症状融合量化评估结果进行融合，得到多症状量化评估结果。
在一种实施例中，所述多模态传感数据预处理模块210包括：
低通滤波处理子模块，用于对所述多模态传感数据进行低通滤波处理；
归一化处理子模块，用于将完成低通滤波处理后的多模态传感数据进行归一化处理；
数据分段处理子模块，用于对完成归一化处理后的多模态传感数据进行数据分段处理。
在一种实施例中，还包括：
多模态传感数据发送模块，用于将所述多模态传感数据发送至用户端。
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行帕金森多症状量化评估方法，该方法包括：
对多模态传感数据进行预处理，得到若干运动片段；
通过动作识别模型识别出若干所述运动片段的动作类型结果；
根据若干所述运动片段的动作类型结果，通过若干单症状量化评估模型得到若干单症状量化评估结果；
结合若干所述单症状量化评估结果，通过多症状量化评估模型得到多症状量化评估结果。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的帕金森多症状量化评估方法，该方法包括：
对多模态传感数据进行预处理，得到若干运动片段；
通过动作识别模型识别出若干所述运动片段的动作类型结果；
根据若干所述运动片段的动作类型结果，通过若干单症状量化评估模型得到若干单症状量化评估结果；
结合若干所述单症状量化评估结果，通过多症状量化评估模型得到多症状量化评估结果。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的帕金森多症状量化评估方法，该方法包括：
对多模态传感数据进行预处理，得到若干运动片段；
通过动作识别模型识别出若干所述运动片段的动作类型结果；
根据若干所述运动片段的动作类型结果，通过若干单症状量化评估模型得到若干单症状量化评估结果；
结合若干所述单症状量化评估结果，通过多症状量化评估模型得到多症状量化评估结果。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：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 (9)
1.一种帕金森多症状量化评估方法，其特征在于，包括以下步骤：
对多模态传感数据进行预处理，得到若干运动片段；
通过动作识别模型识别出若干所述运动片段的动作类型结果；
根据若干所述运动片段的动作类型结果，通过若干单症状量化评估模型得到若干单症状量化评估结果；
结合若干所述单症状量化评估结果，通过多症状量化评估模型得到多症状量化评估结果；
其中，通过动作识别模型识别出若干所述运动片段的动作类型结果，包括：
对所述运动片段进行编码处理；
利用所述动作识别模型根据完成编码处理后的运动片段对应不同动作类型的概率，得到完成编码处理后的运动片段的动作类型结果；
动作识别模型是隐马尔可夫模型，基于历史样本数据，建立如下隐马尔可夫模型：
λ＝(A,B,π)
其中，A＝{aij}表示状态转移矩阵，B＝{bj(k)}表示发射概率矩阵，π＝{πi}表示初始概率分布；
采用高斯混合模型对每个运动片段中的多模态传感数据进行编码，高斯混合模型如下：
其中，C表示高斯混合模型中高斯函数的数量，ωjc表示第cth个高斯成分ψ的权重系数，μjc和∑jc表示该高斯成分的均值向量和协方差矩阵，二者的值通过K-means算法进行初始化，K＝5；
其中，根据若干所述运动片段的动作类型结果，通过若干单症状量化评估模型得到若干单症状量化评估结果，包括：
A：当所述运动片段的动作类型结果为静息运动结果或伸展运动结果时，通过震颤性量化评估模型得到震颤症状量化评估结果；
B：当所述运动片段的动作类型结果为轮替运动结果或踏地运动结果时，通过迟缓度量化评估模型得到迟缓症状量化评估结果；
C：当所述运动片段的动作类型结果为行走运动结果时，通过平衡性量化评估模型得到平衡症状量化评估结果；
在步骤A和步骤B中，震颤性量化评估模型和迟缓度量化评估模型接收的输入数据均由运动片段中包含三维加速度计采集的加速度数据和三维陀螺仪采集的关节角速度数据的多模态传感数据串联而成：
其中，
表示输入数据，
表示输入向量的维度；
震颤性量化评估模型和迟缓度量化评估模型均由支持向量机构成，选择径向基函数作为核函数将原始特征映射到无穷维特征空间，并采用Platt-SMO算法使模型输出对于震颤症状和运动迟缓症状严重程度的预测概率，通过下式进行预测：
其中，
和
分别表示对于震颤和运动迟缓两种常见症状量化评估的初级决策；
在步骤C中，平衡性量化评估模型会在当前运动片段中提取一个由多模态数据构成的Nm×12的矩阵，其中Nm是该运动片段的样本数量，再利用PCA算法求出其相关矩阵的特征向量和特征值，然后根据特征值的大小对特征向量进行排序，然后利用kWAS算法与平衡性量化评估模型中既有的健康被试者数据库中的特征向量进行角度相似性计算，从而得到平衡症状量化评估结果，利用下式来进行角度相似性计算：
其中Θ(SPD，SH)表示角度相似性，σp和λp分别表示两个相关矩阵的第p个特征向量up和vp对应的特征值，SPD和SH分别表示患者和健康被试者在行走测试任务中的姿势平衡状态，n的取值为12。
2.根据权利要求1所述的帕金森多症状量化评估方法，其特征在于，所述通过动作识别模型识别出若干所述运动片段的动作类型结果，包括：
对所述运动片段进行编码处理；
利用所述动作识别模型根据完成编码处理后的运动片段对应不同动作类型的概率，得到完成编码处理后的运动片段的动作类型结果。
3.根据权利要求1所述的帕金森多症状量化评估方法，其特征在于，所述动作类型结果包括以下至少两项：静息运动结果、伸展运动结果、轮替运动结果、踏地运动结果、以及行走运动结果。
4.根据权利要求1所述的帕金森多症状量化评估方法，其特征在于，所述结合若干所述单症状量化评估结果，通过多症状量化评估模型得到多症状量化评估结果，包括：
对属于同一症状的单症状量化评估结果进行融合，得到单症状融合量化评估结果；
对若干所述单症状融合量化评估结果进行融合，得到多症状量化评估结果。
5.根据权利要求1-4任一项所述的帕金森多症状量化评估方法，其特征在于，所述对多模态传感数据进行预处理，包括：
对所述多模态传感数据进行低通滤波处理；
将完成低通滤波处理后的多模态传感数据进行归一化处理；
对完成归一化处理后的多模态传感数据进行数据分段处理。
6.根据权利要求1-4任一项所述的帕金森多症状量化评估方法，其特征在于，还包括步骤：
将所述多模态传感数据发送至用户端。
7.一种帕金森多症状量化评估装置，其特征在于，包括：
多模态传感数据预处理模块，用于对多模态传感数据进行预处理，得到若干运动片段；
动作类型结果识别模块，用于通过动作识别模型识别出若干所述运动片段的动作类型结果；
单症状量化评估结果得到模块，用于根据若干所述运动片段的动作类型结果，通过若干单症状量化评估模型得到若干单症状量化评估结果；
多症状量化评估结果得到模块，用于结合若干所述单症状量化评估结果，通过多症状量化评估模型得到多症状量化评估结果；
其中，通过动作识别模型识别出若干所述运动片段的动作类型结果，包括：
对所述运动片段进行编码处理；
利用所述动作识别模型根据完成编码处理后的运动片段对应不同动作类型的概率，得到完成编码处理后的运动片段的动作类型结果；
动作识别模型是隐马尔可夫模型，基于历史样本数据，建立如下隐马尔可夫模型：
λ＝(A,B,π)
其中，A＝{aij}表示状态转移矩阵，B＝{bj(k)}表示发射概率矩阵，π＝{πi}表示初始概率分布；
采用高斯混合模型对每个运动片段中的多模态传感数据进行编码，高斯混合模型如下：
其中，C表示高斯混合模型中高斯函数的数量，ωjc表示第cth个高斯成分ψ的权重系数，μjc和∑jc表示该高斯成分的均值向量和协方差矩阵，二者的值通过K-means算法进行初始化，K＝5；
其中，根据若干所述运动片段的动作类型结果，通过若干单症状量化评估模型得到若干单症状量化评估结果，包括：
A：当所述运动片段的动作类型结果为静息运动结果或伸展运动结果时，通过震颤性量化评估模型得到震颤症状量化评估结果；
B：当所述运动片段的动作类型结果为轮替运动结果或踏地运动结果时，通过迟缓度量化评估模型得到迟缓症状量化评估结果；
C：当所述运动片段的动作类型结果为行走运动结果时，通过平衡性量化评估模型得到平衡症状量化评估结果；
在步骤A和步骤B中，震颤性量化评估模型和迟缓度量化评估模型接收的输入数据均由运动片段中包含三维加速度计采集的加速度数据和三维陀螺仪采集的关节角速度数据的多模态传感数据串联而成：
其中，
表示输入数据，
表示输入向量的维度；
震颤性量化评估模型和迟缓度量化评估模型均由支持向量机构成，选择径向基函数作为核函数将原始特征映射到无穷维特征空间，并采用Platt-SMO算法使模型输出对于震颤症状和运动迟缓症状严重程度的预测概率，通过下式进行预测：
其中，
和
分别表示对于震颤和运动迟缓两种常见症状量化评估的初级决策；
在步骤C中，平衡性量化评估模型会在当前运动片段中提取一个由多模态数据构成的Nm×12的矩阵，其中Nm是该运动片段的样本数量，再利用PCA算法求出其相关矩阵的特征向量和特征值，然后根据特征值的大小对特征向量进行排序，然后利用kWAS算法与平衡性量化评估模型中既有的健康被试者数据库中的特征向量进行角度相似性计算，从而得到平衡症状量化评估结果，利用下式来进行角度相似性计算：
其中Θ(SPD，SH)表示角度相似性，σp和λp分别表示两个相关矩阵的第p个特征向量up和vp对应的特征值，SPD和SH分别表示患者和健康被试者在行走测试任务中的姿势平衡状态，n的取值为12。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述帕金森多症状量化评估方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述帕金森多症状量化评估方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111223602.XA CN114171194B (zh) | 2021-10-20 | 2021-10-20 | 帕金森多症状量化评估方法、装置、电子设备、及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111223602.XA CN114171194B (zh) | 2021-10-20 | 2021-10-20 | 帕金森多症状量化评估方法、装置、电子设备、及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114171194A CN114171194A (zh) | 2022-03-11 |
| CN114171194B true CN114171194B (zh) | 2022-09-06 |
Family
ID=80477085
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111223602.XA Active CN114171194B (zh) | 2021-10-20 | 2021-10-20 | 帕金森多症状量化评估方法、装置、电子设备、及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114171194B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117423452A (zh) * | 2022-07-11 | 2024-01-19 | 华为技术有限公司 | 一种用于评估帕金森病情的电子设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105426696A (zh) * | 2015-12-24 | 2016-03-23 | 中国科学院苏州生物医学工程技术研究所 | 一种多节点帕金森病症状定量评估系统和方法 |
| CN205318387U (zh) * | 2015-12-24 | 2016-06-15 | 中国科学院苏州生物医学工程技术研究所 | 一种多节点帕金森病症状定量评估装置 |
| CN111048205A (zh) * | 2019-12-17 | 2020-04-21 | 创新工场(北京)企业管理股份有限公司 | 对帕金森病症状进行评估的方法与装置 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050234309A1 (en) * | 2004-01-07 | 2005-10-20 | David Klapper | Method and apparatus for classification of movement states in Parkinson's disease |
| CN107785076A (zh) * | 2016-08-30 | 2018-03-09 | 李祥臣 | 一种连续动态运动和生理数据处理分析系统及方法 |
| US20200289027A1 (en) * | 2019-03-11 | 2020-09-17 | Celloscope Ltd. | System, method and computer program product for assessment of a user's gait |
| CN111128369A (zh) * | 2019-11-18 | 2020-05-08 | 创新工场(北京)企业管理股份有限公司 | 一种用于评估患者的帕金森病情的方法和装置 |
| CN111544006B (zh) * | 2020-05-15 | 2021-10-26 | 中国科学院自动化研究所 | 帕金森病人运动障碍量化及识别的可穿戴设备 |
| CN111724879B (zh) * | 2020-06-29 | 2024-06-18 | 中金育能教育科技集团有限公司 | 康复训练评估处理方法、装置及设备 |
| CN113012815B (zh) * | 2021-04-06 | 2023-09-01 | 西北工业大学 | 一种基于多模态数据的帕金森健康风险评估方法 |
| CN113436736A (zh) * | 2021-06-16 | 2021-09-24 | 深圳英鸿骏智能科技有限公司 | 一种康复评估方法、系统、装置和存储介质 |
-
2021
- 2021-10-20 CN CN202111223602.XA patent/CN114171194B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105426696A (zh) * | 2015-12-24 | 2016-03-23 | 中国科学院苏州生物医学工程技术研究所 | 一种多节点帕金森病症状定量评估系统和方法 |
| CN205318387U (zh) * | 2015-12-24 | 2016-06-15 | 中国科学院苏州生物医学工程技术研究所 | 一种多节点帕金森病症状定量评估装置 |
| CN111048205A (zh) * | 2019-12-17 | 2020-04-21 | 创新工场(北京)企业管理股份有限公司 | 对帕金森病症状进行评估的方法与装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114171194A (zh) | 2022-03-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gao et al. | Abnormal gait recognition algorithm based on LSTM-CNN fusion network | |
| CN105411593B (zh) | 用于识别步态任务的方法和设备 | |
| KR102107379B1 (ko) | 3축 동작측정기를 이용한 노쇠 예측 방법, 3축 동작측정기를 이용한 노쇠 예측 시스템 및 웨어러블 노쇠 예측 장치 | |
| CN111274998B (zh) | 帕金森病手指敲击动作识别方法及系统、存储介质及终端 | |
| Hesse et al. | Estimating body pose of infants in depth images using random ferns | |
| CN111345783B (zh) | 基于惯性传感器的前庭功能紊乱检测系统 | |
| CN107016233A (zh) | 运动行为和认知能力的关联分析方法及系统 | |
| CN110659677A (zh) | 一种基于可移动传感器组合设备的人体跌倒检测方法 | |
| Whelan et al. | Leveraging IMU data for accurate exercise performance classification and musculoskeletal injury risk screening | |
| CN108021888A (zh) | 一种跌倒检测方法 | |
| CN112294295A (zh) | 一种基于极限学习机的人体膝部运动姿态识别方法 | |
| KR102302719B1 (ko) | 검출정보별 신경망 분석을 실시하여 보행 종류를 분류하는 장치 및 방법 | |
| CN114171194B (zh) | 帕金森多症状量化评估方法、装置、电子设备、及介质 | |
| CN111639533A (zh) | 基于步态特征的体态检测方法、装置、设备及存储介质 | |
| KR102363879B1 (ko) | 환자의 상지 동작에 의해 도출되는 특징값을 이용한 임상평가척도 예측 방법 | |
| CN113326726A (zh) | 行为识别方法、行为识别设备和计算机可读记录介质 | |
| KR20210046121A (ko) | 검출정보별 신경망 분석을 실시하여 파킨슨 환자 및 족관절염 환자를 식별하는 장치 및 방법 | |
| Jeon et al. | Anomalous gait feature classification from 3-D motion capture data | |
| Gaud et al. | Human gait analysis and activity recognition: A review | |
| KR102194313B1 (ko) | 검출정보별 신경망 분석을 실시하여 개인을 식별하는 장치 및 방법 | |
| KR102302234B1 (ko) | 검출정보별 판별 분석을 실시하여 개인을 식별하는 장치 및 방법 | |
| Andrić et al. | Sensor-based activity recognition and performance assessment in climbing: A review | |
| CN109009148A (zh) | 一种步态功能评估方法 | |
| CN114708634A (zh) | 基于人脸图像的相对体重分析方法、装置及电子设备 | |
| Mai et al. | Human activity recognition of exoskeleton robot with supervised learning techniques |
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 |