CN114305398B - 一种用于检测待测对象的脊髓型颈椎病的系统 - Google Patents
一种用于检测待测对象的脊髓型颈椎病的系统 Download PDFInfo
- Publication number
- CN114305398B CN114305398B CN202111538758.7A CN202111538758A CN114305398B CN 114305398 B CN114305398 B CN 114305398B CN 202111538758 A CN202111538758 A CN 202111538758A CN 114305398 B CN114305398 B CN 114305398B
- Authority
- CN
- China
- Prior art keywords
- cervical spondylosis
- lower limb
- foot
- interest
- tested
- 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
- 206010041591 Spinal osteoarthritis Diseases 0.000 title claims abstract description 138
- 208000036319 cervical spondylosis Diseases 0.000 title claims abstract description 138
- 208000005801 spondylosis Diseases 0.000 title claims abstract description 138
- 210000000278 spinal cord Anatomy 0.000 title claims description 49
- 210000003141 lower extremity Anatomy 0.000 claims abstract description 163
- 238000000034 method Methods 0.000 claims abstract description 82
- 230000008569 process Effects 0.000 claims abstract description 64
- 230000009471 action Effects 0.000 claims abstract description 63
- 238000011282 treatment Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims description 56
- 238000010801 machine learning Methods 0.000 claims description 40
- 210000001624 hip Anatomy 0.000 claims description 24
- 238000001514 detection method Methods 0.000 claims description 18
- 210000000689 upper leg Anatomy 0.000 claims description 18
- 210000004394 hip joint Anatomy 0.000 claims description 17
- 230000001133 acceleration Effects 0.000 claims description 15
- 230000005484 gravity Effects 0.000 claims description 15
- 201000010099 disease Diseases 0.000 claims description 13
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 7
- 238000013500 data storage Methods 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 206010033799 Paralysis Diseases 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 230000003862 health status Effects 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 claims description 2
- 230000001225 therapeutic effect Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 230000005855 radiation Effects 0.000 abstract description 4
- 238000012216 screening Methods 0.000 abstract description 3
- 210000002414 leg Anatomy 0.000 description 17
- 230000004044 response Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000009467 reduction Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 210000003041 ligament Anatomy 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 244000309466 calf Species 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 210000003414 extremity Anatomy 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 210000003127 knee Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 210000001364 upper extremity Anatomy 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000001755 vocal effect Effects 0.000 description 2
- 206010020880 Hypertrophy Diseases 0.000 description 1
- 208000003618 Intervertebral Disc Displacement Diseases 0.000 description 1
- 206010050296 Intervertebral disc protrusion Diseases 0.000 description 1
- 206010028570 Myelopathy Diseases 0.000 description 1
- 208000009469 Ossification of Posterior Longitudinal Ligament Diseases 0.000 description 1
- 208000008558 Osteophyte Diseases 0.000 description 1
- 206010041549 Spinal cord compression Diseases 0.000 description 1
- 208000036982 Spinal cord ischaemia Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 201000010934 exostosis Diseases 0.000 description 1
- 206010020718 hyperplasia Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 210000004446 longitudinal ligament Anatomy 0.000 description 1
- 230000036244 malformation Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 231100000862 numbness Toxicity 0.000 description 1
- 230000011164 ossification Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 208000029761 vertebral disease Diseases 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Abstract
本申请涉及一种用于检测待测对象的脊髓型颈椎病的系统。该系统包括多个运动传感器,数据处理模块和分类模块;拟被分别放置于待测对象的下肢的多个运动传感器在待测对象完成预定下肢动作时获得多个传感器参数,数据处理模块根据多个传感器参数获得待测对象的多个下肢运动特征参数,分类模块将待测对象的多个下肢运动特征参数输入经训练的脊髓型颈椎病进程模型以确定待测对象对应的脊髓型颈椎病进程。本发明提供的系统在脊髓型颈椎病的早期就可以相对准确的进行脊髓型颈椎病的辅助筛查,有利于病人尽早得到治疗,并且病人的检查体验良好,没有疼痛,也不会有辐射风险。
Description
技术领域
本发明涉及一种医疗健身器械系统,尤其是涉及一种用于检测待测对象的脊髓型颈椎病的系统。
背景技术
脊髓型颈椎病(CSM,Cervical Spondylotic Myelopathy)是由于颈椎椎骨间连接结构退变,如椎间盘突出、椎体后缘骨刺、钩椎关节增生、后纵韧带骨化、黄韧带肥厚或钙化,导致脊髓受压或脊髓缺血,继而出现脊髓的功能障碍,因此脊髓型颈椎病是脊髓压迫症之一。脊髓型颈椎病在初期病情发展缓慢,长期并无太大变化,但后期当患者出现明显的不适症状,病情恶化速度有可能非常快,甚至会发生短期致残的情况。尽早的发现的脊椎型颈椎病可以完全治愈该疾病,如果发现过晚,则病人会因无法治愈而有后遗症存在。
现有的脊髓型颈椎病的检测方法主要有如下两种。
一种是物理检查,包括:让待测对象颈部前屈,左右旋转头部,通过颈椎处是否有疼痛来确定是否存在病症;让待测对象头偏向一侧,检查者一只手放于待测对象头顶部,另一只手握拳轻叩待测对象手背,通过待测对象是否出现疼痛来确定是否存在病症;让待测对象低头,检查者一只手扶患者头颈部,另一只手握患者腕部,作相反方向推拉,通过待测对象是否有疼痛或麻木来确定是否存在病症;或者让待测对象上肢后伸,通过待测对象是否出现放射性疼痛来确定是否存在病症。可以看出,物理检查法在检查过程中会加剧病人的痛苦。
另一种是影像检查,包括:用X线平片及动力性侧位片来发现畸形,观测颈椎活动,判定不稳定从而确定待测对象是否存在病症;用CT扫描辨认韧带骨化确定待测对象是否存在病症;或者进行MRI检查,通过矢状位结合轴位平扫在头脑中形成神经通道的三维立体图像,了解椎间盘,后纵韧带,钩椎关节和黄韧带病变以及脊髓受压病理改变,从而确定待测对象是否存在病症。影像检查法可以较准确的确定是否存在病症,但过于频繁的影像检查会增加病人的经济负担以及辐射危害。
发明内容
本发明要解决的技术问题是提供一种用于检测待测对象的脊髓型颈椎病的系统,能够相对准确地进行脊髓型颈椎病的辅助筛查,有利于病人尽早得到治疗,并且病人的检查体验良好,没有疼痛,也不会有辐射风险。
本发明为解决上述技术问题而采用的技术方案是提供一种用于检测待测对象的脊髓型颈椎病的系统,包括:多个运动传感器,拟被分别放置于所述待测对象的下肢,用于在所述待测对象完成预定下肢动作时获得多个传感器参数;数据处理模块,用于根据所述多个传感器参数获得所述待测对象的多个下肢运动特征参数;分类模块,用于将所述待测对象的所述多个下肢运动特征参数输入经训练的脊髓型颈椎病进程模型以确定所述待测对象对应的脊髓型颈椎病进程。
进一步地,还包括:数据存储模块,用于接收对应于多个感兴趣对象的多个样本数据,每个样本数据包括:每个所述感兴趣对象完成所述预定下肢动作时的所述多个下肢运动特征参数;每个所述感兴趣对象对应的脊髓型颈椎病进程;机器学习模块,用于根据所述多个样本数据通过机器学习的方法训练所述脊髓型颈椎病进程模型。
进一步地,所述机器学习模块包括:特征处理模块,用于根据每个所述感兴趣对象对应的所述多个下肢运动特征通过特征选择或者特征提取的方法获取多个数据训练特征;数据训练模块,用于根据每个所述感兴趣对象对应的多个数据训练特征和每个所述感兴趣对象对应的脊髓型颈椎病进程通过机器学习的方法训练所述脊髓型颈椎病进程模型。
进一步地,所述机器学习模块采用决策树、随机森林、人工神经网络、支持向量机或贝叶斯学习来训练脊髓型颈椎病进程模型;根据样本数据中不同感兴趣对象的下肢运动特征参数的值所对应的不同的脊髓型颈椎病进程,利用机器学习的方法训练出根据待测对象的下肢运动参数来确定待测对象脊髓型颈椎病进程的脊髓型颈椎病进程模型;如果样本数据包括的脊髓型颈椎病进程大于两种,则使用单标签多分类或者多标签的机器学习方法进行模型训练;每个感兴趣对象的多个下肢运动特征参数包括触地角度、髋关节平均角速度、摆动相、承重反应相和支撑期末期,待测对象的多个下肢运动特征参数包括触地角度、髋关节平均角速度、摆动相、承重反应相和支撑期末期。
进一步地,还包括:输出模块,用于输出所述确定的所述待测对象的脊髓型颈椎病进程模型。
进一步地,所述待测对象的所述多个下肢运动特征参数包括下列任一个或任意组合:所述待测对象的脚在与地面接触过程中脚面与水平地面的最大夹角;所述待测对象的腰部与大腿夹角在运动周期T1内的平均角速度;所述待测对象的一只脚从完全离地到接触地面的时间占运动周期T2的百分比;所述待测对象的一只脚触地之后重心由足跟向全足转移的时间占运动周期T3的百分比;所述待测对象的一只脚从全脚掌着地到脚完全抬起的时间占运动周期T4的百分比。
进一步地,每个所述感兴趣对象的所述多个下肢运动特征参数包括下列任一个或任意组合:每个所述感兴趣对象的脚在与地面接触过程中脚面与水平地面的最大夹角;每个所述感兴趣对象的腰部与大腿夹角在运动周期T1内的平均角速度;每个所述感兴趣对象的一只脚从完全离地到接触地面的时间占运动周期T2的百分比;每个所述感兴趣对象的一只脚触地之后重心由足跟向全足转移的时间占运动周期T3的百分比;每个所述感兴趣对象的一只脚从全脚掌着地到脚完全抬起的时间占运动周期T4的百分比。
进一步地,所述预定下肢动作为散步,所述运动传感器放置于脚面上,所述数据处理模块根据运动传感器所测得的加速度的变化值是否超出第一预设阈值来判断脚是否接触地面,在确定脚触地后,所述数据处理模块根据运动传感器所测得的加速度的变化值是否来超出第二预设阈值判断脚是否离开地面,所述第一预设阈值小于第二预设阈值。
进一步地,所述脊髓型颈椎病进程包括下列疾病进程中的任意一种:健康状态,轻症型脊髓型颈椎病,脊髓型颈椎病平台期,重症型脊髓型颈椎病,脊髓型颈椎病致瘫痪状态;此外还包括下列治疗情况中的任意一种:无任何治疗状态,保守治疗后,手术治疗后,保守治疗后需要进行手术治疗。。
进一步地,所述多个运动传感器为惯性传感器、陀螺仪或加速度计,所述运动传感器所获得传感器参数为一段测量时间内的多个值,所述数据处理模块在根据运动传感器的传感器参数获得下肢动作特征参数前或者检测系统工作前,先根据获得的传感器参数和预定动作对运动传感器进行校准。
本发明对比现有技术有如下的有益效果:本发明提供的系统在脊髓型颈椎病的早期就可以相对准确的进行脊髓型颈椎病辅助筛查,有利于病人尽早得到治疗而不会留下后遗症,并且病人的检查体验良好,没有痛苦,也不会有辐射风险。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1是本发明的第一个实施例提供的一种用于检测待测对象的脊髓型颈椎病的系统的结构示意图;
图2是本发明的第二个实施例提供的一种用于检测待测对象的脊髓型颈椎病的系统的结构示意图;
图3是本发明的第三个实施例提供的一种用于检测待测对象的脊髓型颈椎病的系统的结构示意图;
图4是本发明的第四个实施例提供的一种用于检测待测对象的脊髓型颈椎病的系统的结构示意图。
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,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。
本发明提供了一种用于检测待测对象的脊髓型颈椎病的系统,包括多个运动传感器,数据处理模块和分类模块。拟被分别放置于待测对象的下肢的多个运动传感器在待测对象完成预定下肢动作时获得多个传感器参数,数据处理模块根据多个传感器参数获得待测对象的多个下肢运动特征参数,分类模块将待测对象的多个下肢运动特征参数输入经训练的脊髓型颈椎病进程模型以确定待测对象对应的脊髓型颈椎病进程。
本发明的发明人发现由于脊髓型颈椎病的存在会压迫人的神经,在患有脊髓型颈椎病的患者还仅是感觉颈部不适的时候,其肢体动作就会和正常人有不同,但这种不同单凭目测很难确定。利用机器学习的方法,通过大量样本的训练所得到的脊髓型颈椎病进程模型就可以相对容易和准确的识别待测对象所对应的脊髓型颈椎病进程。在模型训练阶段,还可以给出对应多个不同脊髓型颈椎病进程的大量样本,从而细化对待测对象所处脊髓型颈椎病进程的评估。
此外,本发明的发明人还意识到患有脊髓型颈椎病的病人本身已经出现不适,在对其评估检测过程中,不宜再要求病人做相对复杂或者高难度的动作。待测对象的远离颈椎的下肢即使在做非常简单的动作(比如慢走)时,其下肢不同部位仍有非常多运动特征参数可以来指征其肢体运动状况,而离待测对象颈椎更近的上肢运动却不具有这个特点。使用利用下肢运动特征参数训练出的模型进行检测,可以在最小化对病人配合检查的要求的同时,通过提供一定数量能精准表征会被脊髓型颈椎病影响的下肢运动特征来最大准确程度的识别待测对象的脊髓型颈椎病的进程。
本发明的发明人发现上述下肢运动特征参数可以较好的反应脊髓型颈椎病所带来的影响,更有助于脊髓型颈椎病进程的检测。虽然机器学习可以处理大量特征数据,但特征数据过多会造成过拟合,影响结果的准确性,并且待测对象需要佩戴较多的运动传感器来测量以获得大量不同的运动特征参数。选取包括上述下肢运动特征参数的数量有限的多个下肢运动特征参数,在保证检测结果准确性的同时,还可以减少运动传感器的需求,降低检测系统成本,并简化病人在检测过程中传感器的佩戴流程。
图1是本发明的第一个实施例提供的一种用于检测待测对象的脊髓型颈椎病的系统的结构示意图。
如图1所示,根据本发明的一个实施例,提供了一种用于检测待测对象的脊髓型颈椎病的系统,该系统包括多个运动传感器,数据处理模块和分类模块。
待测对象为需要检测脊髓型颈椎病的人,待测对象可以为老人、成年人或者儿童等。
拟被分别放置于待测对象的下肢的多个运动传感器在待测对象完成预定下肢动作时获得多个传感器参数。
下肢是指待测对象腰以及腰以下的身体部位,例如,腰,髋部,大腿,膝盖,小腿等。预定下肢动作为使得待测对象下肢改变静止状态即进行运动的半身或者全身动作,例如让待测对象前进、后退、下蹲、抬腿、身体前倾或身体侧倾等。
在一个实施例中,预定下肢动作为散步,即待测对象在前进的过程中不要追求过快的走路速度,而是用其正常休闲走路状态以相对较慢的速度前进。这样的预定下肢动作可以避免增加身体状况较差或者患病较严重的待测对象在完成动作时的身体负担,保证其在检测过程中的安全。
待测对象可以根据检测者(如医务人员)的口头提示完成预定下肢动作。在一个实施例中,系统还包括动作指示模块,用于指示待测对象完成预定下肢动作。动作指示模块可以通过多种方式实现。例如,动作指示模块可以为显示屏,显示屏通过显示预定动作的文字描述,图片或者视频来指示待测对象完成预定动作。再例如,动作指示模块可以为语音播放器,语音播放器通过语音提示的方式来指示待测对象完成预定动作。
待测对象完成预定下肢动作时的多个下肢运动特征参数可以通过在待测对象下肢放置运动传感器获得。运动传感器可以用多种方式被放置于待测对象下肢的某个部位,比如,用绑带把运动传感器固定在待测对象的腰部,再比如,运动传感器被粘贴在待测对象的鞋上。
在待测对象完成预定下肢动作的过程中,运动传感器获得传感器参数。运动传感器为可以测量运动相关的传感器参数的传感器,比如惯性传感器,陀螺仪或加速度计等。传感器参数包括速度,角度,角速度,加速度及角加速度等中的任一种或任意种组合。
数据处理模块根据多个传感器参数获得待测对象的多个下肢运动特征参数。数据处理模块可以用处理器或者FPGA板等方式实现。
待测对象的下肢运动特征参数为表征待测对象下肢某个部位的运动状态或者结果的参数,比如某个部位的某种类型运动的角度、某个部位的某种类型运动的速度或者某个部位某种类型运动的持续时间等。
在待测对象完成下肢预定动作的过程中,运动传感器所获得传感器参数为一段测量时间内的多个值,根据传感器参数所获得的下肢动作特征参数也为同样一段测量时间内的多个值。测量时间的开始时间可以用多种方式确定,比如以动作指示模块指示感兴趣对象完成预定动作的时间作为开始时间,再比如由检测系统的操作人员输入开始时间。测量时间的结束时间可以用多种方式确定,比如检测到完成预定动作的时间作为结束时间,再比如由检测系统的操作人员输入结束时间,又比如以动作指示模块指示感兴趣对象完成下一个预定动作的时间作为结束时间。
数据处理模块在根据运动传感器的传感器参数获得下肢动作特征参数前或者检测系统工作前,可以通过人工或者自动的方式对运动传感器进行校准,即将传感器参数校准到数据处理模块用于评估待测对象运动状态所使用的坐标系,从而可以用传感器参数更好的表征待测对象的运动状态。校准可以通过多种方式来实现。比如,可以通过让待测对象朝指定方向站立,来校准被测对象的竖直,侧向水平和水平向前共三个相互垂直的方向。再比如,可以根据获得的传感器参数和预定动作来校准。本领域技术人员均了解使用运动传感器的基本校准方法,在此不再赘述。
分类模块将待测对象的多个下肢运动特征参数输入经训练的脊髓型颈椎病进程模型以确定待测对象对应的脊髓型颈椎病进程。
待测对象对应的脊髓型颈椎病进程可以包括下列中的至少任意两种:健康,需要进行脊髓型颈椎病治疗,脊髓型颈椎病治疗后n天。健康指待测对象没有脊髓型颈椎病或者无需进行脊髓型颈椎病治疗。需要进行脊髓型颈椎病治疗指待测对象患有脊髓型颈椎病,需要进行相关治疗。脊髓型颈椎病治疗后n天指待测对象曾经被确诊为患有脊髓型颈椎病,并已经对其进行治疗,检测时间距离治疗已经有n天。对脊髓型颈椎病的治疗可以是手术治疗、药物治疗或者其它可行的治疗方式。
图2是本发明的第二个实施例提供的一种用于检测待测对象的脊髓型颈椎病的系统的结构示意图。
如图2所示,根据本发明的又一个实施例,提供了一种用于检测待测对象的脊髓型颈椎病的系统,该系统还包括数据存储模块和机器学习模块。
数据存储模块接收对应于多个感兴趣对象的多个样本数据,每个样本数据包括每个感兴趣对象完成预定下肢动作时的多个下肢运动特征参数以及每个感兴趣对象对应的脊髓型颈椎病进程。
数据存储模块可以通过RAM、ROM或者云存储的方式实现。
感兴趣对象为已经通过现有非用本发明的系统进行检查的其它各种检查,比如物理检查、影像学检查或经脊髓型颈椎病治疗确定其对应的脊髓型颈椎病进程的人。感兴趣对象对应的脊髓型颈椎病进程包括下列进程中的至少两种:健康,需要进行脊髓型颈椎病治疗,脊髓型颈椎病治疗后n天。健康指感兴趣对象没有脊髓型颈椎病或者无需进行脊髓型颈椎病治疗。需要进行脊髓型颈椎病治疗指感兴趣对象患有脊髓型颈椎病,需要进行相关治疗。脊髓型颈椎病治疗后n天指感兴趣对象曾经被确诊为患有脊髓型颈椎病,并已经对其进行治疗,样本数据采集时间距离治疗已经有n天。对脊髓型颈椎病的治疗可以是手术治疗、药物治疗或者其它可行的治疗方式。
每个感兴趣对象完成预定下肢动作时的多个下肢运动特征参数可通过放置在在感兴趣对象的下肢的运动传感器获得。
下肢是指感兴趣对象腰以及腰以下的身体部位,例如,腰,髋部,大腿,膝盖,小腿等。预定下肢动作为使得感兴趣对象下肢改变静止状态即进行运动的半身或者全身动作,例如让感兴趣对象前进、后退、下蹲、抬腿、身体前倾或身体侧倾等。
在一个实施例中,预定下肢动作为散步,即感兴趣对象在前进的过程中不要追求过快的走路速度,而是用其正常休闲走路状态以相对较慢的速度前进。这样的下肢预定动作可以避免增加身体状况较差或者患病较严重的感兴趣对象在完成动作时的身体负担,保证其在数据采样过程中的安全。
感兴趣对象可以根据检测者(如医务人员)的口头提示完成预定下肢动作。在一个实施例中,系统还包括动作指示模块,用于指示感兴趣对象完成预定下肢动作。动作指示模块可以通过多种方式实现。例如,动作指示模块可以为显示屏,显示屏通过显示预定动作的文字描述,图片或者视频来指示感兴趣对象完成预定动作。再例如,动作指示模块可以为语音播放器,语音播放器通过语音提示的方式来指示感兴趣对象完成预定动作。
感兴趣对象完成预定下肢动作时的多个下肢运动特征参数可以通过在感兴趣对象下肢放置运动传感器获得。运动传感器可以用多种方式被放置于感兴趣对象下肢的某个部位,比如,用绑带把运动传感器固定在感兴趣对象的腰部,再比如,运动传感器被粘贴在感兴趣对象的鞋上。
当感兴趣对象完成预定下肢动作时,运动传感器获得传感器参数。运动传感器为可以测量运动相关的传感器参数的传感器,比如惯性传感器,陀螺仪或加速度计等。传感器参数包括速度,角度,角速度,加速度及角加速度等中的任一种或任意种组合。
感兴趣对象的下肢运动特征参数为感兴趣对象下肢某个部位的运动参数,比如某种类型运动的角度或者某种类型运动的持续时间等。关于常见的下肢运动特征参数,本领域技术人员均了解如何根据运动传感器的传感器参数获得下肢身体部位的基本运动特征参数,在此不再赘述。
获取样本数据时感兴趣对象所完成的下肢预定动作与待测对象需要完成的预定下肢动作相同。感兴趣对象的样本数据中的多个下肢运动特征参数与数据处理模块所获得的待测对象的多个下肢运动特征参数也是同种类的。
例如,当样本数据的多个下肢运动特征参数包括感兴趣对象完成下蹲动作时的双脚水平向前运动速度,则数据处理模块所获得的待测对象的多个下肢运动特征参数就包括待测对象完成下蹲动作时的双脚水平向前运动速度。又如,当样本数据的多个下肢运动特征参数包括感兴趣对象完成抬腿动作时的大腿最大摆动角度,则数据处理模块所获得的待测对象的多个下肢运动特征参数就包括待测对象完成抬腿动作时的大腿最大摆动角度。
机器学习模块根据多个样本数据通过机器学习的方法训练脊髓型颈椎病进程模型。机器学习模块可以用处理器或者FPGA板等方式实现。
机器学习模块可以通过多种方式根据多个样本数据来训练脊髓型颈椎病进程模型。现有的机器学习方法,比如决策树、随机森林、人工神经网络、贝叶斯学习等均可以用于训练脊髓型颈椎病进程模型。根据样本数据中不同感兴趣对象的下肢运动特征参数的值所对应的不同的脊髓型颈椎病进程,利用机器学习的方法就可以训练出根据待测对象的下肢运动参数就可以确定待测对象脊髓型颈椎病进程的脊髓型颈椎病进程模型。如果样本数据包括的脊髓型颈椎病进程大于两种,可以使用单标签多分类或者多标签的机器学习方法进行模型训练。此外,在模型的训练过程中,还需要用一部分样本数据对训练模型进行检测。本领域技术人员均了解常见的机器学习训练算法模型的方法,在此就不再赘述。
在用机器学习的方法根据大量感兴趣对象的样本数据训练好脊髓型颈椎病模型后,就可以利用训练好的模型来进行脊髓型颈椎病的检测。
图3是本发明的第三个实施例提供的一种用于检测待测对象的脊髓型颈椎病的系统的结构示意图。
如图3所示,根据本发明的再一个实施例,用于检测待测对象的脊髓型颈椎病的系统还包括输出模块。输出模块输出确定的待测对象的脊髓型颈椎病进程模型。输出模块可以通过多种方式来实现。例如,输出模块可以为显示屏,显示屏显示确定的待测对象的脊髓型颈椎病进程。再例如,输出模块可以为语音播放器,语音播放器播报确定的待测对象的脊髓型颈椎病进程。又如,输出模块可以为打印机,打印机打印出确定的待测对象的脊髓型颈椎病进程。
图4是本发明的第四个实施例提供的一种用于检测待测对象的脊髓型颈椎病的系统的结构示意图。
如图4所示,根据本发明的再又一个实施例,机器学习模块包括特征处理模块和数据训练模块。
特征处理模块根据每个感兴趣对象对应的多个下肢运动特征通过特征选择或者降维的方法获取多个数据训练特征。如果每个样本数据对应的下肢运动特征过多,在用样本数据训练模型的过程中,可能会出现过拟合而无法训练出理想的模型或者是特征矩阵过大导致训练时间过长。通过特征选择或者降维,可以有效解决上述问题。
特征选择的方法有多种,比如,方差选择法、相关系数法、卡方检验法、互信息法、递归特征消除法、基于惩罚项的特征选择法以及基于树模型的特征选择法等。降维的方法有多种,比如,主成分分析法和线性判别分析法。特征选择和降维的过程中,可能需要使用样本数据中感兴趣对象的下肢运动特征以及对应的脊髓型劲椎病进程,也可能仅需要使用样本数据中感兴趣对象的下肢运动特征,具体使用情况根据不同特征选择或者降维的方法而定。
数据训练模块根据感兴趣对象对应的多个数据训练特征和每个感兴趣对象对应的脊髓型颈椎病进程通过机器学习的方法训练脊髓型颈椎病进程模型。具体的训练模型的方法可使用前述实施例中提及的机器学习的训练方法,在此不再赘述。
根据本发明的一个实施例,待测对象的多个下肢运动特征参数包括下列任一个或任意组合:待测对象的脚在与地面接触过程中脚面与水平地面的最大夹角;待测对象的腰部与大腿夹角在运动周期T1内的平均角速度;待测对象的一只脚从完全离地到接触地面的时间占运动周期T2的百分比;待测对象的一只脚触地之后重心由足跟向全足转移的时间占运动周期T3的百分比;待测对象的一只脚从全脚掌着地到脚完全抬起的时间占运动周期T4的百分比。
根据本发明的另一个实施例,每个感兴趣对象的多个下肢运动特征参数包括下列任一个或任意组合:每个感兴趣对象的脚在与地面接触过程中脚面与水平地面的最大夹角;每个感兴趣对象的腰部与大腿夹角在运动周期T1内的平均角速度;每个感兴趣对象的一只脚从完全离地到接触地面的时间占运动周期T2的百分比;每个感兴趣对象的一只脚触地之后重心由足跟向全足转移的时间占运动周期T3的百分比;每个感兴趣对象的一只脚从全脚掌着地到脚完全抬起的时间占运动周期T4的百分比。
待测对象的下肢运动特征参数的种类和感兴趣对象的下肢运动特征参数的种类相同,这样才可以用包括感兴趣对象的下肢运动特征参数的样本数据所训练出脊髓型颈椎病进程模型来检测待测对象的脊髓型颈椎病进程。
在一个实例中,每个感兴趣对象的多个下肢运动特征参数包括每个感兴趣对象的脚在与地面接触过程中脚面与水平地面的最大夹角,待测对象的多个下肢运动特征参数包括待测对象的脚在与地面接触过程中脚面与水平地面的最大夹角。
在感兴趣对象或待测对象完成散步或抬腿等需要移动脚部的预定下肢动作过程中,当脚面放置有运动传感器时,数据处理模块根据运动传感器所测得的加速度是否发生剧烈变化来判断脚是否接触地面,在确定脚触地后,数据处理模块根据运动传感器所测得的加速度是否发生缓慢的变化来判断脚是否离开地面。从一只脚接触地面到离开地面这段时间,感兴趣对象的脚与水平地面的最大夹角为样本数据中的下肢运动参数之一,待测对象的脚与水平地面的最大夹角为待测对象的下肢运动参数之一。对于脚在与地面接触过程中脚面与水平地面的最大夹角这个下肢运动特征参数,现简称其为触地角度。
现有根据1297个感兴趣对象在完成预定下肢动作散步时获得的1297个样本数据,其中脊髓型颈椎病进程为健康即非CSM患者的样本数据为1161个,脊髓型颈椎病进程为需要进行脊髓型颈椎病治疗即为CSM患者的样本数据为136个。机器学习训练方法为决策树,训练集样本数据为907个,其中对应的脊髓型颈椎病进程为CSM的样本数据为96个,测试集样本数据为390个,其中对应的脊髓型颈椎病进程为CSM的样本数据为40个。
当每个样本仅包括左脚在与地面接触过程中脚面与水平地面的最大夹角以及右脚在与地面接触过程中脚面与水平地面的最大夹角这两个下肢运动特征参数,机器训练脊髓型颈椎病进程模型的相关性能结果如下:
交叉验证误差是利用不同的训练集/验证集划分来对模型做多组不同的训练/验证,对各次验证误差取平均获得的结果值。测试集误差是测试集去检测训练好的模型的误差。敏感度,指所有正确识别的正例占所有正例的比例。特异度,指所有正确识别的负例占所有负例的比例。精确度,表示被分为正例的示例中实际为正例的比例。回溯精确度,表示被分为负例的示例中实际为负例的比例。需要进行脊髓型颈椎病治疗即为CSM患者为正例,健康即非CSM患者为负例。
在又一个实例中,每个感兴趣对象的多个下肢运动特征参数包括每个感兴趣对象的腰部与大腿夹角在运动周期T1内的平均角速度,待测对象的多个下肢运动特征参数包括待测对象的腰部与大腿夹角在运动周期T1内的平均角速度。
在感兴趣对象或待测对象完成需要大腿或腰部运动的预定下肢动作过程中,当腰部和大腿分别放置有运动传感器时,数据处理模块根据运动传感器所测得的传感器参数的角度值来获得腰部和大腿的夹角在运动周期T1内的平均角速度作为下肢运动特征参数之一。运动周期T1可以为完成一个没有重复动作的预定下肢动作过程的时间,比如散步过程中从左脚开始抬起到下一次左脚开始抬起的时间或者下蹲过程中从开始下蹲到下一次开始下蹲的时间。对于腰部和大腿的夹角的平均角速度这个下肢运动特征参数,现简称其为髋关节平均角速度。
现有根据1297个感兴趣对象在完成预定下肢动作散步时获得的1297个样本数据,样本具体情况和机器学习方法与上述第一个用1297个样本数据训练的示例设置相同,在此不再赘述。当每个样本仅包括腰部和左侧大腿的夹角在连续两次抬起同一只脚的时间内的平均角速度以及腰部和右侧大腿的夹角在连续两次抬起同一只脚的时间内的平均角速度这两个下肢运动特征参数,机器训练脊髓型颈椎病进程模型的相关性能结果如下,每个性能参数的具体含义在上述第一个用1297个样本数据训练的示例中已经说明,在此不再赘述。
在再一个实例中,每个所述感兴趣对象的多个下肢运动特征参数包括每个感兴趣对象的一只脚从完全离地到接触地面的时间占运动周期T2的百分比,待测对象的多个下肢运动特征参数包括待测对象的一只脚从完全离地到接触地面的时间占运动周期T2的百分比。
在感兴趣对象或待测对象完成散步或抬腿等需要移动脚部的预定下肢动作过程中,当脚面放置有运动传感器时,数据处理模块根据运动传感器所测得的加速度是否发生剧烈变化来判断脚是否接触地面,在确定脚触地后,数据处理模块根据运动传感器所测得的加速度是否发生缓慢的变化来判断脚是否离开地面。运动周期T2可以为完成一个没有重复动作的预定下肢动作过程的时间,比如散步过程中从左脚开始抬起到下一次左脚开始抬起的时间或者抬腿过程中从开始抬腿到下一次开始抬腿的时间。感兴趣对象的脚从完全离地到接触地面的时间占运动周期T2的百分比为样本数据中的下肢运动参数之一,待测对象的脚从完全离地到接触地面的时间占运动周期T2的百分比为待测对象的下肢运动参数之一。对于脚从完全离地到接触地面的时间占运动周期T2的百分比这个下肢运动特征参数,现简称其为摆动相。
现有根据1297个感兴趣对象在完成预定动作散步时获得的1297个样本数据,样本具体情况和机器学习方法和上述第一个用1297个样本数据训练的示例设置相同,在此不再赘述。当每个样本仅包括左脚从完全离地到接触地面的时间占连续两次抬起同一只脚的时间的百分比以及右脚从完全离地到接触地面的时间占连续两次抬起同一只脚的时间的百分比这两个下肢运动特征参数,机器训练脊髓型颈椎病进程模型的相关性能结果如下,每个性能参数的具体含义在上述第一个用1297个样本数据训练的示例中已经说明,在此不再赘述。
在再又一个实例中,每个感兴趣对象的所述多个下肢运动特征参数包括每个感兴趣对象的一只脚触地之后重心由足跟向全足转移的时间占运动周期T3的百分比,待测对象的多个下肢运动特征参数包括待测对象的一只脚触地之后重心由足跟向全足转移的时间占运动周期T3的百分比。
在感兴趣对象或待测对象完成散步或抬腿等需要移动脚部的预定下肢动作过程中,当脚面放置有运动传感器时,数据处理模块根据运动传感器所测得的加速度是否发生剧烈变化来判断脚是否接触地面,脚接触地面时重心在足跟;在确定脚触地后,数据处理模块根据运动传感器所测得的角度值来确定脚与地面夹角,脚与地面夹角为零时确定重心转移到全足。运动周期T3可以为完成一个没有重复动作的预定下肢动作过程的时间,比如散步过程中从左脚开始抬起到下一次左脚开始抬起的时间或者抬腿过程中从开始抬腿到下一次开始抬腿的时间。感兴趣对象的脚触地之后重心由足跟向全足转移的时间占运动周期T3的百分比为样本数据中的下肢运动参数之一,待测对象的脚触地之后重心由足跟向全足转移的时间占运动周期T3的百分比为待测对象的下肢运动参数之一。对于脚触地之后重心由足跟向全足转移的时间占运动周期T3的百分比这个下肢运动特征参数,现简称其为承重反应相。
现有根据1297个感兴趣对象在完成预定动作散步时获得的1297个样本数据,样本具体情况和机器学习方法和上述第一个用1297个样本数据训练的示例设置相同,在此不再赘述。当每个样本仅包括左脚触地之后重心由足跟向全足转移的时间占连续两次抬起同一只脚的时间的百分比以及脚触地之后重心由足跟向全足转移的时间占连续两次抬起同一只脚的时间的百分比这两个下肢运动特征参数,机器训练脊髓型颈椎病进程模型的相关性能结果如下,每个性能参数的具体含义在上述第一个用1297个样本数据训练的示例中已经说明,在此不再赘述。
在另一个实例中,每个感兴趣对象的多个下肢运动特征参数包括每个感兴趣对象的一只脚从全脚掌着地到脚完全抬起的时间占运动周期T4的百分比,待测对象的多个下肢运动特征参数包括待测对象的一只脚从全脚掌着地到脚完全抬起的时间占运动周期T4的百分比。
在感兴趣对象或待测对象完成散步或抬腿等需要移动脚部的预定下肢动作过程中,当脚面放置有运动传感器时,数据处理模块根据运动传感器所测得的加速度是否发生剧烈变化来判断脚是否接触地面;在确定脚触地后,数据处理模块根据运动传感器所测得的角度值来确定脚与地面夹角,脚与地面夹角为零时全脚掌着地;在确定全脚掌着地后,数据处理模块根据运动传感器所测得的加速度是否发生缓慢的变化来判断脚是否完全抬起。运动周期T4可以为完成一个没有重复动作的预定下肢动作过程的时间,比如散步过程中从左脚开始抬起到下一次左脚开始抬起的时间或者抬腿过程中从开始抬腿到下一次开始抬腿的时间。感兴趣对象的脚从全脚掌着地到脚完全抬起的时间占运动周期T4的百分比为样本数据中的下肢运动参数之一,待测对象的脚从全脚掌着地到脚完全抬起的时间占运动周期T4的百分比为待测对象的下肢运动参数之一。对于脚从全脚掌着地到脚完全抬起的时间占运动周期T4的百分比这个下肢运动特征参数,现简称其为支撑期末期。
现有根据1297个感兴趣对象在完成预定动作散步时获得的1297个样本数据,样本具体情况和机器学习方法和上述第一个用1297个样本数据训练的示例设置相同,在此不再赘述。当每个样本仅包括左脚从全脚掌着地到脚完全抬起的时间占连续两次抬起同一只脚的时间的百分比以及右脚从全脚掌着地到脚完全抬起的时间占连续两次抬起同一只脚的时间的百分比这两个下肢运动特征参数,机器训练脊髓型颈椎病进程模型的相关性能结果如下,每个性能参数的具体含义在上述第一个用1297个样本数据训练的示例中已经说明,在此不再赘述。
在一个实施例中,每个感兴趣对象的多个下肢运动特征参数包括触地角度、髋关节平均角速度、摆动相和承重反应相,待测对象的多个下肢运动特征参数包括触地角度、髋关节平均角速度、摆动相和承重反应相。
现有根据1297个感兴趣对象在完成预定动作散步时获得的1297个样本数据,样本具体情况和机器学习方法和上述第一个用1297个样本数据训练的示例设置相同,在此不再赘述。当每个样本仅包括左右两侧的触地角度、髋关节平均角速度、摆动相和承重反应相这八个下肢运动特征参数,机器训练脊髓型颈椎病进程模型的相关性能结果如下,每个性能参数的具体含义在上述第一个用1297个样本数据训练的示例中已经说明,在此不再赘述。
在又一个实施例中,每个感兴趣对象的多个下肢运动特征参数包括髋关节平均角速度、摆动相、承重反应相和支撑期末期,待测对象的多个下肢运动特征参数包括髋关节平均角速度、摆动相、承重反应相和支撑期末期。
现有根据1297个感兴趣对象在完成预定动作散步时获得的1297个样本数据,样本具体情况和机器学习方法和上述第一个用1297个样本数据训练的示例设置相同,在此不再赘述。当每个样本仅包括左右两侧的髋关节平均角速度、摆动相、承重反应相和支撑期末期这八个下肢运动特征参数,机器训练脊髓型颈椎病进程模型的相关性能结果如下,每个性能参数的具体含义在上述第一个用1297个样本数据训练的示例中已经说明,在此不再赘述。
在再一个实施例中,每个感兴趣对象的多个下肢运动特征参数包括触地角度、摆动相、承重反应相和支撑期末期,待测对象的多个下肢运动特征参数包括触地角度、摆动相、承重反应相和支撑期末期。
现有根据1297个感兴趣对象在完成预定动作散步时获得的1297个样本数据,样本具体情况和机器学习方法和上述第一个用1297个样本数据训练的示例设置相同,在此不再赘述。当每个样本仅包括左右两侧的触地角度、摆动相、承重反应相和支撑期末期这八个下肢运动特征参数,机器训练脊髓型颈椎病进程模型的相关性能结果如下,每个性能参数的具体含义在上述第一个用1297个样本数据训练的示例中已经说明,在此不再赘述。
在再又一个实施例中,每个感兴趣对象的多个下肢运动特征参数包括触地角度、髋关节平均角速度、承重反应相和支撑期末期,待测对象的多个下肢运动特征参数包括触地角度、髋关节平均角速度、承重反应相和支撑期末期。
现有根据1297个感兴趣对象在完成预定动作散步时获得的1297个样本数据,样本具体情况和机器学习方法和上述第一个用1297个样本数据训练的示例设置相同,在此不再赘述。当每个样本仅包括左右两侧的触地角度、髋关节平均角速度、承重反应相和支撑期末期这八个下肢运动特征参数,机器训练脊髓型颈椎病进程模型的相关性能结果如下,每个性能参数的具体含义在第一个用1297个样本数据训练的示例中已经说明,在此不再赘述。
在另一个实施例中,每个感兴趣对象的多个下肢运动特征参数包括触地角度、髋关节平均角速度、摆动相和支撑期末期,待测对象的多个下肢运动特征参数包括触地角度、髋关节平均角速度、摆动相和支撑期末期。
现有根据1297个感兴趣对象在完成预定动作散步时获得的1297个样本数据,样本具体情况和机器学习方法和上述第一个用1297个样本数据训练的示例设置相同,在此不再赘述。当每个样本仅包括左右两侧的触地角度、髋关节平均角速度、摆动相和支撑期末期这八个下肢运动特征参数,机器训练脊髓型颈椎病进程模型的相关性能结果如下,每个性能参数的具体含义在上述第一个用1297个样本数据训练的示例中已经说明,在此不再赘述。
根据上述选取不同种类的下肢运动参数来进行机器学习训练脊髓型颈椎病进程模型以及测试集测试结果可以看出,不同的下肢运动参数对脊髓型颈椎病进程的检测结果的准确性的影响还是有不同的。单用本发明的发明人所选取的五种下肢运动参数中的任一种,就可以得到较好的回溯精确度的检测结果,但其它表征检测结果准确性的性能参数有待提高。用本发明的发明人所选取的五种下肢运动参数中的任意四种,就可以提高回溯精确度之外其它性能参数。
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模块,实体,参数或操作与另一个模块,实体,参数或参数区分开来,而不一定要求或者暗示这些模块,实体,参数或操作之间存在任何实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其它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它要素,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。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例。意识到这些,本领域的技术人员在不背离本申请的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本申请的保护范围。
Claims (9)
1.一种用于检测待测对象的脊髓型颈椎病的系统,其特征在于,包括:
多个运动传感器,放置于所述待测对象的下肢,用于在所述待测对象完成预定下肢动作时获得多个传感器参数;
数据处理模块,用于根据所述多个传感器参数获得所述待测对象的多个下肢运动特征参数;
分类模块,用于将所述待测对象的所述多个下肢运动特征参数输入经训练的脊髓型颈椎病进程模型以确定所述待测对象对应的脊髓型颈椎病进程;
所述待测对象的所述多个下肢运动特征参数包括下列任一个或任意组合:
所述待测对象的脚在与地面接触过程中脚面与水平地面的最大夹角;
所述待测对象的腰部与大腿夹角在运动周期T1内的平均角速度;
所述待测对象的一只脚从完全离地到接触地面的时间占运动周期T2的百分比;
所述待测对象的一只脚触地之后重心由足跟向全足转移的时间占运动周期T3的百分比;
所述待测对象的一只脚从全脚掌着地到脚完全抬起的时间占运动周期T4的百分比。
2.根据权利要求1所述的系统,其特征在于,还包括:
数据存储模块,用于接收对应于多个感兴趣对象的多个样本数据,每个样本数据包括:
每个所述感兴趣对象完成所述预定下肢动作时的所述多个下肢运动特征参数;
每个所述感兴趣对象对应的脊髓型颈椎病进程;
机器学习模块,用于根据所述多个样本数据通过机器学习的方法训练所述脊髓型颈椎病进程模型。
3.根据权利要求2所述的系统,其特征在于,所述机器学习模块包括:
特征处理模块,用于根据每个所述感兴趣对象对应的所述多个下肢运动特征通过特征选择或特征提取的方法获取多个数据训练特征;
数据训练模块,用于根据每个所述感兴趣对象对应的多个数据训练特征和每个所述感兴趣对象对应的脊髓型颈椎病进程通过机器学习的方法训练所述脊髓型颈椎病进程模型。
4.根据权利要求3所述的系统,其特征在于,所述机器学习模块采用决策树、随机森林、人工神经网络、支持向量机或贝叶斯学习来训练脊髓型颈椎病进程模型;根据样本数据中不同感兴趣对象的下肢运动特征参数的值所对应的不同的脊髓型颈椎病进程,利用机器学习的方法训练出根据待测对象的下肢运动参数来确定待测对象脊髓型颈椎病进程的脊髓型颈椎病进程模型;如果样本数据包括的脊髓型颈椎病进程大于两种,则使用单标签多分类或者多标签的机器学习方法进行模型训练;每个感兴趣对象的多个下肢运动特征参数包括触地角度、髋关节平均角速度、摆动相、承重反应相和支撑期末期,待测对象的多个下肢运动特征参数包括触地角度、髋关节平均角速度、摆动相、承重反应相和支撑期末期。
5.根据权利要求1所述的系统,其特征在于,还包括:
输出模块,用于输出所述确定的所述待测对象的脊髓型颈椎病进程。
6.根据权利要求2所述的系统,其特征在于,每个所述感兴趣对象的所述多个下肢运动特征参数包括下列任一个或任意组合:
每个所述感兴趣对象的脚在与地面接触过程中脚面与水平地面的最大夹角;
每个所述感兴趣对象的腰部与大腿夹角在运动周期T1内的平均角速度;
每个所述感兴趣对象的一只脚从完全离地到接触地面的时间占运动周期T2的百分比;
每个所述感兴趣对象的一只脚触地之后重心由足跟向全足转移的时间占运动周期T3的百分比;
每个所述感兴趣对象的一只脚从全脚掌着地到脚完全抬起的时间占运动周期T4的百分比。
7.根据权利要求1至6任一项所述的系统,其特征在于,所述预定下肢动作为散步,所述运动传感器放置于脚面上,所述数据处理模块根据运动传感器所测得的加速度的变化值是否超出第一预设阈值来判断脚是否接触地面,在确定脚触地后,所述数据处理模块根据运动传感器所测得的加速度的变化值是否来超出第二预设阈值判断脚是否离开地面,所述第一预设阈值小于第二预设阈值。
8.根据权利要求1至6任一项所述的系统,其特征在于,所述脊髓型颈椎病进程包括下列疾病进程中的至少任意一种:健康状态,轻症型脊髓型颈椎病,脊髓型颈椎病平台期,重症型脊髓型颈椎病,脊髓型颈椎病致瘫痪状态;此外还包括下列治疗情况中的任意一种:无任何治疗状态,保守治疗后,手术治疗后,保守治疗后需要进行手术治疗。
9.根据权利要求1至6任一项所述的系统,其特征在于,所述多个运动传感器为惯性传感器、陀螺仪或加速度计,所述运动传感器所获得传感器参数为一段测量时间内的多个值,所述数据处理模块在根据运动传感器的传感器参数获得下肢动作特征参数前或者检测系统工作前,先根据获得的传感器参数和预定动作对运动传感器进行校准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111538758.7A CN114305398B (zh) | 2021-12-15 | 2021-12-15 | 一种用于检测待测对象的脊髓型颈椎病的系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111538758.7A CN114305398B (zh) | 2021-12-15 | 2021-12-15 | 一种用于检测待测对象的脊髓型颈椎病的系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114305398A CN114305398A (zh) | 2022-04-12 |
CN114305398B true CN114305398B (zh) | 2023-11-24 |
Family
ID=81052125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111538758.7A Active CN114305398B (zh) | 2021-12-15 | 2021-12-15 | 一种用于检测待测对象的脊髓型颈椎病的系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114305398B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1903123A (zh) * | 2005-07-26 | 2007-01-31 | 株式会社日立制作所 | 运动机能检查装置 |
CN102283711A (zh) * | 2011-07-05 | 2011-12-21 | 温颖 | 预测脊髓型颈椎病术后恢复的评价方法 |
CN105664467A (zh) * | 2014-11-20 | 2016-06-15 | 中国移动通信集团公司 | 一种肢体运动监测方法及装置 |
CN106419927A (zh) * | 2016-08-29 | 2017-02-22 | 中国科学院深圳先进技术研究院 | 一种脊柱健康评估方法及装置 |
CN106897566A (zh) * | 2017-02-28 | 2017-06-27 | 北京积水潭医院 | 一种风险预估模型的构建方法及装置 |
CN109171745A (zh) * | 2018-08-29 | 2019-01-11 | 成都和煦医疗科技有限公司 | 基于云平台的检测和理疗一体化的颈椎病康复系统 |
CN111225612A (zh) * | 2017-10-17 | 2020-06-02 | 萨蒂什·拉奥 | 基于机器学习的神经障碍识别和监测系统 |
CN112562852A (zh) * | 2020-12-30 | 2021-03-26 | 广东省人民医院 | 基于肢体动作的颈椎病筛查装置 |
CN112672681A (zh) * | 2018-09-14 | 2021-04-16 | 华沙整形外科股份有限公司 | 在脊柱疾病技术领域中用于客观结果评估的可穿戴传感器设备和分析平台 |
CN112656406A (zh) * | 2021-01-27 | 2021-04-16 | 山东农业大学 | 一种基于可穿戴传感器的帕金森病下肢运动检测方法 |
CN112735585A (zh) * | 2021-04-02 | 2021-04-30 | 四川京炜数字科技有限公司 | 基于神经网络和机器学习的关节炎康复诊疗方法及系统 |
CN112741620A (zh) * | 2020-12-30 | 2021-05-04 | 华南理工大学 | 基于肢体动作的颈椎病评估装置 |
CN112802577A (zh) * | 2021-01-21 | 2021-05-14 | 宝鸡市中医医院 | 一种颈椎病患者术后康复护理系统及方法 |
CN113262094A (zh) * | 2021-06-21 | 2021-08-17 | 上海长征医院 | 一种术后颈椎后路肌肉群训练康复装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11328806B2 (en) * | 2017-07-17 | 2022-05-10 | Avkn Patient-Driven Care, Inc | System for tracking patient recovery following an orthopedic procedure |
US11908581B2 (en) * | 2018-04-10 | 2024-02-20 | Hill-Rom Services, Inc. | Patient risk assessment based on data from multiple sources in a healthcare facility |
DE18205817T1 (de) * | 2018-11-13 | 2020-12-24 | Gtx Medical B.V. | Sensor in bekleidung von gliedmassen oder schuhwerk |
-
2021
- 2021-12-15 CN CN202111538758.7A patent/CN114305398B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1903123A (zh) * | 2005-07-26 | 2007-01-31 | 株式会社日立制作所 | 运动机能检查装置 |
CN102283711A (zh) * | 2011-07-05 | 2011-12-21 | 温颖 | 预测脊髓型颈椎病术后恢复的评价方法 |
CN105664467A (zh) * | 2014-11-20 | 2016-06-15 | 中国移动通信集团公司 | 一种肢体运动监测方法及装置 |
CN106419927A (zh) * | 2016-08-29 | 2017-02-22 | 中国科学院深圳先进技术研究院 | 一种脊柱健康评估方法及装置 |
CN106897566A (zh) * | 2017-02-28 | 2017-06-27 | 北京积水潭医院 | 一种风险预估模型的构建方法及装置 |
CN111225612A (zh) * | 2017-10-17 | 2020-06-02 | 萨蒂什·拉奥 | 基于机器学习的神经障碍识别和监测系统 |
CN109171745A (zh) * | 2018-08-29 | 2019-01-11 | 成都和煦医疗科技有限公司 | 基于云平台的检测和理疗一体化的颈椎病康复系统 |
CN112672681A (zh) * | 2018-09-14 | 2021-04-16 | 华沙整形外科股份有限公司 | 在脊柱疾病技术领域中用于客观结果评估的可穿戴传感器设备和分析平台 |
CN112562852A (zh) * | 2020-12-30 | 2021-03-26 | 广东省人民医院 | 基于肢体动作的颈椎病筛查装置 |
CN112741620A (zh) * | 2020-12-30 | 2021-05-04 | 华南理工大学 | 基于肢体动作的颈椎病评估装置 |
CN112802577A (zh) * | 2021-01-21 | 2021-05-14 | 宝鸡市中医医院 | 一种颈椎病患者术后康复护理系统及方法 |
CN112656406A (zh) * | 2021-01-27 | 2021-04-16 | 山东农业大学 | 一种基于可穿戴传感器的帕金森病下肢运动检测方法 |
CN112735585A (zh) * | 2021-04-02 | 2021-04-30 | 四川京炜数字科技有限公司 | 基于神经网络和机器学习的关节炎康复诊疗方法及系统 |
CN113262094A (zh) * | 2021-06-21 | 2021-08-17 | 上海长征医院 | 一种术后颈椎后路肌肉群训练康复装置 |
Non-Patent Citations (8)
Title |
---|
Can co-authorship networks be used to predict author research impact? A machine-learning based analysis within the field of degenerative cervical myelopathy research;Grodzinski, N; Grodzinski, B and Davies, BM;《PLOS ONE》;第16卷(第2期);全文 * |
CDF结合Peek-Prevail融合器内固定治疗单节段脊髓型颈椎病的疗效分析;邱军, 张伟, 张涛;《中国骨与关节损伤杂志》;第36卷(第5期);476-478. * |
Detection of cervical myelopathy with Leap Motion Sensor by random forests;Masaru Watanabe, Etc;《2020 IEEE 2nd Global Conference on Life Sciences and Technologies》;第214-216页 * |
Kinematic, kinetic, and musculoskeletal modeling analysis of gait in patients with cervical myelopathy using a severity Classification;Ippei Kitade, etc;《The Spine Journal》;第1096−1105页 * |
Quantitative Assessment of Gait Characteristics in Degenerative Cervical Myelopathy: A Prospective Clinical Study;Kalsi-Ryan, S; Rienmueller, AC; (...); Fehlings, MG;《JOURNAL OF CLINICAL MEDICINE》;第9卷(第3期);全文 * |
人工颈椎间盘假体置换术治疗脊髓型颈椎病的临床效果;梁延琛, 聂林, 侯勇等;《山东大学学报(医学版)》;第46卷(第12期);1188-1191 * |
脊髓型颈椎病患者的围手术期护理及早期康复训练;张荣侠, 石林林, 杨英果等;《当代护士》(第3期);70-71 * |
脊髓型颈椎病脊髓MRI信号异常形态特征与脊髓减压术后功能康复相关性研究;付瑶;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》(第8期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114305398A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Linley et al. | A biomechanical analysis of trunk and pelvis motion during gait in subjects with knee osteoarthritis compared to control subjects | |
Muyor et al. | Sagittal spinal morphology in highly trained adolescent tennis players | |
Leigh et al. | Does tester experience influence the reliability with which 3D gait kinematics are collected in healthy adults? | |
Kainz et al. | Reliability of functional and predictive methods to estimate the hip joint centre in human motion analysis in healthy adults | |
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 | |
de Bruin et al. | Validity and reliability of accelerometer-based gait assessment in patients with diabetes on challenging surfaces | |
Horsak et al. | Within-assessor reliability and minimal detectable change of gait kinematics in a young obese demographic | |
Belluscio et al. | Dynamic balance assessment during gait in children with Down and Prader-Willi syndromes using inertial sensors | |
Shadmehr et al. | Reliability, agreement, and diagnostic accuracy of the Modified Lateral Scapular Slide test | |
Sinclair et al. | The test-retest reliability of anatomical co-ordinate axes definition for the quantification of lower extremity kinematics during running | |
Lee et al. | Comparison of static plantar foot pressure between healthy subjects and patients with adolescent idiopathic scoliosis | |
Horsak et al. | Is the reliability of 3D kinematics of young obese participants dependent on the hip joint center localization method used? | |
Robinson et al. | Intrasubject reliability of spinal range of motion and velocity determined by video motion analysis | |
KR20090109413A (ko) | 체형진단시스템 및 그 방법 | |
McKenna et al. | Differences in scapular orientation between standing and sitting postures at rest and in 120° scaption: A cross-sectional study | |
Clare et al. | Construct validity of lumbar extension measures in McKenzie's derangement syndrome | |
Battaglia et al. | Non–weight-bearing and weight-bearing ultrasonography of select foot muscles in young, asymptomatic participants: a descriptive and reliability study | |
Martonick et al. | Examining movement asymmetries during three single leg tasks using interlimb and single subject approaches | |
CN114305398B (zh) | 一种用于检测待测对象的脊髓型颈椎病的系统 | |
Louey et al. | A model to calculate the progression of the centre of pressure under the foot during gait analysis | |
Wareńczak et al. | Body balance a few years after total hip replacement | |
Moncrieff et al. | Reliability of a digital-photographic-goniometric method for coronal-plane lower limb measurements | |
Yoo et al. | Comparison of pelvic rotation angle in the transverse plane in the supine position and during active straight leg raise between people with and without nonspecific low back pain | |
Breloff et al. | A multi-segmented approach to the quantification of trunk movement during gait | |
Fletcher et al. | Comparison of two handheld digital dual inclinometry techniques in the measurement of lumbar flexion active range of motion |
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 |