CN114998816A - 基于骨骼ai视频的病例改进方法、装置及存储介质 - Google Patents

Abstract

本发明涉及人工智能技术领域，公开了一种基于骨骼AI视频的病例改进方法、装置及存储介质，所述方法包括：通过目标姿态形状预估模型对运动骨骼视频数据进行预测，得到人体动作形态的偏移量；在人体动作形态的偏移量与目标形态偏移量一致时，根据基本数据、生理数据以及目标健康管理策略生成目标健康知识图谱；根据目标健康知识图谱对目标用户的健康进行管理，以及根据目标健康知识图谱对初始病例进行改进；通过上述方式，根据目标姿态形状预估模型预测出人体动作形态的偏移量，根据目标健康知识图谱对目标用户的健康进行管理，能够有效提高管理用户健康的效率和便捷性，且适用人群范围较广，以及使得改进后的病例符合健康管理规定。

Description

基于骨骼AI视频的病例改进方法、装置及存储介质

技术领域

本发明涉及人工智能技术领域，尤其涉及基于骨骼AI视频的病例改进方法、装置及存储介质。

背景技术

随着老龄化程度的不断加深，社会问题日益凸显，例如，养老保障负担、医疗卫生等，因此，如何实时了解老年人健康状况就显得尤为重要，目前，老年人管理健康的方式是基于医院或者疗养院的各种检测设备，但是上述检测设备需要从老年人身体上提取检测样本，而某些老年人的身体异常，使得提取检测样本的流程十分繁琐和困难，并且，在检查完成后，是由医生或者其他专业人员填写诊断报告，由于医生诊断习惯与经验不同，同一专业的专业医生在填写电子病例过程中，存在不同的书写方式，但这一书写内容不能完全符合国家医疗质量填写标准。其次，医生填写的电子病例不符合健康管理规定，致使病例收录后达不到国家电子病历填写规范，导致院内医疗质量控制无法正常进行。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种基于骨骼AI视频的病例改进方法、装置及存储介质，旨在解决现有技术管理用户健康的效率较低且管理过程十分繁琐，以及适用范围小的技术问题。

为实现上述目的，本发明提供了一种基于骨骼AI视频的病例改进方法，所述基于骨骼AI视频的病例改进方法包括以下步骤：

获取目标用户的基本数据、生理数据以及运动骨骼视频数据；

通过目标姿态形状预估模型对所述运动骨骼视频数据进行预测，得到人体动作形态的偏移量；

根据目标健康管理策略获取在预设时间段内的目标形态偏移量；

在所述人体动作形态的偏移量与所述目标形态偏移量一致时，根据所述基本数据、所述生理数据以及所述目标健康管理策略生成目标健康知识图谱；

根据所述目标健康知识图谱对所述目标用户的健康进行管理，以及根据所述目标健康知识图谱对初始病例进行改进。

可选地，所述通过目标姿态形状预估模型对所述运动骨骼视频数据进行预测，得到人体动作形态的偏移量，包括：

根据所述运动骨骼视频数据得到对应的行走骨骼视频数据和动作骨骼视频数据；

分别提取所述行走骨骼视频数据和动作骨骼视频数据的数据格式；

在所述数据格式均不为目标数据格式时，对所述行走骨骼视频数据和所述动作骨骼视频数据进行格式转换，得到目标格式行走数据和目标动作短视频数据；

通过预设标准压缩策略分别对所述目标格式行走数据和所述目标动作短视频数据进行压缩；

通过目标姿态形状预估模型对压缩后的目标格式行走数据和目标动作短视频数据进行预测，得到人体动作形态的偏移量。

可选地，所述在所述数据格式均不为目标数据格式时，对所述行走骨骼视频数据和所述动作骨骼视频数据进行格式转换，得到目标格式行走数据和目标动作短视频数据，包括：

在所述数据格式均不为目标数据格式时，对所述行走骨骼视频数据进行格式转换，得到目标格式行走数据；

根据所述动作骨骼视频数据得到对应的动作数量；

按照所述动作数量对所述动作骨骼视频数据进行裁剪，得到各个动作短视频数据；

对所述各个动作短视频数据进行格式转换，得到目标动作短视频数据。

可选地，所述通过目标姿态形状预估模型对压缩后的目标格式行走数据和目标动作短视频数据进行预测，得到人体动作形态的偏移量，包括：

通过目标姿态形状预估模型对压缩后的目标格式行走数据进行检测，得到连续行走关键点；

根据历史行走数据对所述连续行走关键点的位置进行定量分析，得到行走关键点偏移量；

通过所述目标姿态形状预估模型对压缩后的目标动作短视频数据进行检测，得到动作形态完成度；

根据所述行走关键点偏移量和动作形态完成度预测出人体动作形态的偏移量。

可选地，所述根据目标健康管理策略获取在预设时间段内的目标形态偏移量，包括：

根据所述人体动作形态的偏移量在健康管理策略集合中选取目标健康管理策略；

根据预设标签策略对所述人体动作形态的关键点进行标记，得到目标位置标记点；

根据目标健康管理策略对所述目标用户的身体状态进行调理；

通过所述目标位置标记点对调理后的身体状态进行追踪，得到在预设时间段内的目标形态偏移量。

可选地，所述通过所述目标位置标记点对调理后的身体状态进行追踪，得到在预设时间段内的目标形态偏移量之前，还包括：

根据所述人体动作形态的偏移量得到对应的当前骨骼磨损度；

根据调理后的身体状态得到对应的目标骨骼磨损度；

根据所述当前骨骼磨损度和所述目标骨骼磨损度确定骨骼磨损度差值；

通过时间编码设备对所述骨骼磨损度差值进行计算，得到预设时间段。

可选地，所述在所述人体动作形态的偏移量与所述目标形态偏移量一致时，根据所述基本数据、所述生理数据以及所述目标健康管理策略生成目标健康知识图谱，包括：

根据所述人体动作形态的偏移量得到对应的现实形态序列；

根据所述目标形态偏移量得到目标姿势序列；

在通过运动识别设备判定所述现实形态序列与所述目标姿势序列一致时，根据所述生理数据得到当前病状危险程度和并发症状；

根据所述基本数据、当前病状危险程度、并发症状以及所述目标健康管理策略生成目标健康知识图谱。

此外，为实现上述目的，本发明还提出一种基于骨骼AI视频的病例改进装置，所述基于骨骼AI视频的病例改进装置包括：

获取模块，用于获取目标用户的基本数据、生理数据以及运动骨骼视频数据；

预测模块，用于通过目标姿态形状预估模型对所述运动骨骼视频数据进行预测，得到人体动作形态的偏移量；

所述获取模块，还用于根据目标健康管理策略获取在预设时间段内的目标形态偏移量；

生成模块，用于在所述人体动作形态的偏移量与所述目标形态偏移量一致时，根据所述基本数据、所述生理数据以及所述目标健康管理策略生成目标健康知识图谱；

管理模块，用于根据所述目标健康知识图谱对所述目标用户的健康进行管理，以及根据所述目标健康知识图谱对初始病例进行改进。

此外，为实现上述目的，本发明还提出一种基于骨骼AI视频的病例改进设备，所述基于骨骼AI视频的病例改进设备包括：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基于骨骼AI视频的病例改进程序，所述基于骨骼AI视频的病例改进程序配置为实现如上文所述的基于骨骼AI视频的病例改进方法。

此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有基于骨骼AI视频的病例改进程序，所述基于骨骼AI视频的病例改进程序被处理器执行时实现如上文所述的基于骨骼AI视频的病例改进方法。

本发明提出的基于骨骼AI视频的病例改进方法，通过获取目标用户的基本数据、生理数据以及运动骨骼视频数据；通过目标姿态形状预估模型对所述运动骨骼视频数据进行预测，得到人体动作形态的偏移量；根据目标健康管理策略获取在预设时间段内的目标形态偏移量；在所述人体动作形态的偏移量与所述目标形态偏移量一致时，根据所述基本数据、所述生理数据以及所述目标健康管理策略生成目标健康知识图谱；根据所述目标健康知识图谱对所述目标用户的健康进行管理，以及根据所述目标健康知识图谱对初始病例进行改进；通过上述方式，根据目标姿态形状预估模型预测出人体动作形态的偏移量，根据目标健康知识图谱对目标用户的健康进行管理，能够有效提高管理用户健康的效率和便捷性，且适用人群范围较广，以及使得改进后的病例符合健康管理规定。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的基于骨骼AI视频的病例改进设备的结构示意图；

图2为本发明基于骨骼AI视频的病例改进方法第一实施例的流程示意图；

图3为本发明基于骨骼AI视频的病例改进方法第二实施例的流程示意图；

图4为本发明基于骨骼AI视频的病例改进方法第三实施例的流程示意图；

图5为本发明基于骨骼AI视频的病例改进装置第一实施例的功能模块示意图。

本发明目的的实现、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

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的基于骨骼AI视频的病例改进设备结构示意图。

如图1所示，该基于骨骼AI视频的病例改进设备可以包括：处理器1001，例如中央处理器（Central Processing Unit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（Wireless-Fidelity，Wi-Fi）接口）。存储器1005可以是高速的随机存取存储器（RandomAccess Memory，RAM）存储器，也可以是稳定的非易失性存储器（Non-Volatile Memory，NVM），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成对基于骨骼AI视频的病例改进设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于骨骼AI视频的病例改进程序。

在图1所示的基于骨骼AI视频的病例改进设备中，网络接口1004主要用于与网络一体化平台工作站进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明基于骨骼AI视频的病例改进设备中的处理器1001、存储器1005可以设置在基于骨骼AI视频的病例改进设备中，所述基于骨骼AI视频的病例改进设备通过处理器1001调用存储器1005中存储的基于骨骼AI视频的病例改进程序，并执行本发明实施例提供的基于骨骼AI视频的病例改进方法。

基于上述硬件结构，提出本发明基于骨骼AI视频的病例改进方法实施例。

参照图2，图2为本发明基于骨骼AI视频的病例改进方法第一实施例的流程示意图。

在第一实施例中，所述基于骨骼AI视频的病例改进方法包括以下步骤：

步骤S10，获取目标用户的基本数据、生理数据以及运动骨骼视频数据。

需要说明的是，本实施例的执行主体为基于骨骼AI视频的病例改进设备，还可为其他可实现相同或相似功能的设备，例如健康管理设备等，本实施例对此不作限制，在本实施例中，以健康管理设备为例进行说明。

应当理解的是，基本数据指的是目标用户的外在的个人属性信息和病史信息，该个人属性信息包括性别、年龄、身高以及体重等，该病史信息包括病情史信息和现病史信息等，疾病史信息指的是目标用户在过去出现过的病情信息，现病史信息指的是目标用户在当前时刻出现的病情信息。

可以理解的是，生理数据指的是目标用户的内在的与生理相关的数据，该生理数据包括心率、血氧、血糖、血压以及骨密度等，其中，心率、血氧、血糖、血压等数据可以通过穿戴设备实时检测得到，骨密度可以通过骨骼密度测量仪器检测得到，可选地，心率、血氧、血糖、血压以及骨密度还可以通过体检一体机检测得到，本实施例对此不作限制。

应当理解的是，运动骨骼视频数据指的是目标用户按照规定要求完成动作的视频数据，该运动骨骼视频数据包括行走骨骼视频数据和动作骨骼视频数据，例如，目标用户在道路上行走5分钟的行走骨骼视频数据，以及目标用户按照体操教学视频运行的动作骨骼视频数据，该运动骨骼视频数据均可以通过高精度的专用摄像头采集。

步骤S20，通过目标姿态形状预估模型对所述运动骨骼视频数据进行预测，得到人体动作形态的偏移量。

可以理解的是，偏移量指的是目标用户完成特定标准动作时人体形态与标准形态之间出现偏差和位移的程度，目标姿态形状预估模型指的是分析并预估目标用户的运动骨骼视频数据对应的动态形态的偏移量的模型，具体是通过目标姿态形状预估模型对运动骨骼视频数据的连续关键点位置的变化进行分析，分析对象包括关键点的震荡程度、关键点偏移量以及单位时长的平均步长，以确定人体动作形态的偏移量。

步骤S30，根据目标健康管理策略获取在预设时间段内的目标形态偏移量。

应当理解的是，目标健康管理策略指的是针对目标用户的当前身体情况，筛选出的最适合目标用户的健康管理策略，按照目标健康管理策略对目标用户的身体健康进行不断地调理，在经过预设时间后，通过高精度的专用摄像头再次采集目标用户的运动骨骼视频数据，然后通过目标姿态形状预估模型预测出在预设时间内的目标形态偏移量。

步骤S40，在所述人体动作形态的偏移量与所述目标形态偏移量一致时，根据所述基本数据、所述生理数据以及所述目标健康管理策略生成目标健康知识图谱。

可以理解的是，目标健康知识图谱指的是由病情、健康管理策略构成的知识图谱，通过该目标健康知识图谱可以管理与目标用户存在相同或相似病情的用户的健康，在得到人体动作形态的偏移量后，判断人体动作形态的偏移量与目标形态偏移量是否一致，若是，则表明目标用户的健康情况是按照目标健康管理策略的趋势发展，若不一致，则需要重新调整其他的健康管理策略。

进一步地，步骤S40，包括：根据所述人体动作形态的偏移量得到对应的现实形态序列；根据所述目标形态偏移量得到目标姿势序列；在通过运动识别设备判定所述现实形态序列与所述目标姿势序列一致时，根据所述生理数据得到当前病状危险程度和并发症状；根据所述基本数据、当前病状危险程度、并发症状以及所述目标健康管理策略生成目标健康知识图谱。

应当理解的是，现实形态序列指的是人体动作形态的偏移量中各个人体形态的序列，目标姿势序列指的是目标形态偏移量中各个人体生成的姿势序列，在得到现实形态序列后，通过运动识别设备判断现实形态序列是否对应于现实形态序列，若是，则生成目标健康知识图谱，使用门控循环单元实现时间编码器和运动识别设备捕获目标用户运动的顺序性质，而运动判别器采用学习的注意力机制来放大独特帧的作用，目标姿态形状预估模型由对抗损失以及回归损失进行监督，以最大程度地减少预测的关键点、姿势以及形状参数之间的误差。

可以理解的是，当前病状危险程度指的是目标用户在当前健康病状下的危险程度，并发症状指的是由当前健康病状下引发其他病状，即当前症状与并发症状同时发生，会改变目标用户的健康情况，在得到当前病状危险程度、并发症状后，根据基本数据、当前病状危险程度、并发症状以及目标健康管理策略生成目标健康知识图谱，此时的目标健康知识图谱符合医疗质量填写标准。

步骤S50，根据所述目标健康知识图谱对所述目标用户的健康进行管理，以及根据所述目标健康知识图谱对初始病例进行改进。

应当理解的是，在得到目标健康知识图谱后，通过该目标健康知识图谱对目标用户的健康进行管理，通过上述方式，可以对不同类型的用户的目标健康知识图谱进行迭代更新，然后在遇到相同或者相似病情的用户同样可以采取目标健康知识图谱进行健康管理，另外，初始病例是由医院或者专业医疗机构出具的病情相关病例报告，在得到初始病例后，通过目标健康知识图谱进行健康管理的健康报告对初始病例进行改进，使得改进后的病例可以成功匹配ICD编码。

本实施例通过获取目标用户的基本数据、生理数据以及运动骨骼视频数据；通过目标姿态形状预估模型对所述运动骨骼视频数据进行预测，得到人体动作形态的偏移量；根据目标健康管理策略获取在预设时间段内的目标形态偏移量；在所述人体动作形态的偏移量与所述目标形态偏移量一致时，根据所述基本数据、所述生理数据以及所述目标健康管理策略生成目标健康知识图谱；根据所述目标健康知识图谱对所述目标用户的健康进行管理，以及根据所述目标健康知识图谱对初始病例进行改进；通过上述方式，根据目标姿态形状预估模型预测出人体动作形态的偏移量，根据目标健康知识图谱对目标用户的健康进行管理，能够有效提高管理用户健康的效率和便捷性，且适用人群范围较广，以及使得改进后的病例符合健康管理规定。

在一实施例中，如图3所述，基于第一实施例提出本发明基于骨骼AI视频的病例改进方法第二实施例，所述步骤S20，包括：

步骤S201，根据所述运动骨骼视频数据得到对应的行走骨骼视频数据和动作骨骼视频数据。

应当理解的是，行走骨骼视频数据指的是目标用户在目标时间段内行走的视频数据，例如，目标用户在道路上行走5分钟的行走骨骼视频数据，动作骨骼视频数据指的是目标用户按照一套动作视频的数据，例如，目标用户在10分钟内按照体操教学视频运行的动作骨骼视频数据。

步骤S202，分别提取所述行走骨骼视频数据和动作骨骼视频数据的数据格式。

可以理解的是，数据格式指的是行走骨骼视频数据和动态视频数据的格式，该数据格式可以为.mp4、. rmvb以及.avi等格式，具体是首先提取行走骨骼视频数据的格式，以及提取动态视频数据的格式，提取顺序不分先后。

步骤S203，在所述数据格式均不为目标数据格式时，对所述行走骨骼视频数据和所述动作骨骼视频数据进行格式转换，得到目标格式行走数据和目标动作短视频数据。

应当理解的是，目标格式行走数据指的是目标数据格式的行走数据，同样，目标动作短视频数据指的是目标数据格式的动作骨骼视频数据，目标数据格式指的是输入至目标姿态形状预估模型进行预测的统一标准数据格式，在得到行走骨骼视频数据和动作骨骼视频数据的数据格式后，需要判断行走骨骼视频数据和动作骨骼视频数据的数据格式与目标数据格式是否一致，若不一致，则需要对行走骨骼视频数据和动作骨骼视频数据进行格式转换。

进一步地，步骤S203，包括：在所述数据格式均不为目标数据格式时，对所述行走骨骼视频数据进行格式转换，得到目标格式行走数据；根据所述动作骨骼视频数据得到对应的动作数量；按照所述动作数量对所述动作骨骼视频数据进行裁剪，得到各个动作短视频数据；对所述各个动作短视频数据进行格式转换，得到目标动作短视频数据。

可以理解的是，动作数量指的是目标用户在动作骨骼视频数据对应的动作视频中存在动作的数量，在得到动作数量后，根据动作数量对动态视频数据进行裁剪，在裁剪过程中，需要确保每个动作中至少存在一个视频数据，在裁剪完成后，将裁剪得到的各个动作短视频数据的格式转换成目标数据格式，以得到目标动作短视频数据。

步骤S204，通过预设标准压缩策略分别对所述目标格式行走数据和所述目标动作短视频数据进行压缩。

可以理解的是，预设标准压缩策略指的是对按照统一标准对不同数据进行压缩的策略，在得到目标格式行走数据和目标动作短视频数据后，通过预设标准压缩策略分别对目标格式行走数据和目标动作短视频数据进行压缩。

步骤S205，通过目标姿态形状预估模型对压缩后的目标格式行走数据和目标动作短视频数据进行预测，得到人体动作形态的偏移量。

应当理解的是，在压缩完成后，将压缩后的目标格式行走数据和目标动作短视频数据分别输入至目标姿态形状预估模型中，通过目标姿态形状预估模型输出目标用户的人体动作形态的偏移量。

进一步地，步骤S205，包括：通过目标姿态形状预估模型对压缩后的目标格式行走数据进行检测，得到连续行走关键点；根据历史行走数据对所述连续行走关键点的位置进行定量分析，得到行走关键点偏移量；通过所述目标姿态形状预估模型对压缩后的目标动作短视频数据进行检测，得到动作形态完成度；根据所述行走关键点偏移量和动作形态完成度预测出人体动作形态的偏移量。

可以理解的是，连续行走关键点是由目标用户在行走过程的每个关键点构成的，历史行走数据指的是目标用户在正常健康状态下的行走数据，通过历史行走数据对连续行走关键点的位置进行定量分析，确定目标用户在行走过程中关键点的偏移量，动作形态完成度指的是目标用户按照规定要求完成动作的程度，例如，规定要求动作是4个，而目标用户只完整的完成了3个，此时动作形态完成度为75%，此时根据行走关键点偏移量和动作形态完成度预测出人体动作形态的偏移量。

本实施例根据所述运动骨骼视频数据得到对应的行走骨骼视频数据和动作骨骼视频数据；分别提取所述行走骨骼视频数据和动作骨骼视频数据的数据格式；在所述数据格式均不为目标数据格式时，对所述行走骨骼视频数据和所述动作骨骼视频数据进行格式转换，得到目标格式行走数据和目标动作短视频数据；通过预设标准压缩策略分别对所述目标格式行走数据和所述目标动作短视频数据进行压缩；通过目标姿态形状预估模型对压缩后的目标格式行走数据和目标动作短视频数据进行预测，得到人体动作形态的偏移量；通过上述方式，在运动骨骼视频数据中的行走骨骼视频数据和动作骨骼视频数据的数据格式不为目标数据格式时，对行走骨骼视频数据和动作骨骼视频数据进行格式转换，然后通过预设标准压缩策略分别对目标格式行走数据和目标动作短视频数据进行压缩，再根据目标姿态形状预估模型预测出人体动作形态的偏移量，从而能够有效提高得到人体动作形态的偏移量的准确性。

在一实施例中，如图4所述，基于第一实施例提出本发明基于骨骼AI视频的病例改进方法第三实施例，所述步骤S30，包括：

步骤S301，根据所述人体动作形态的偏移量在健康管理策略集合中选取目标健康管理策略。

可以理解的是，目标健康管理策略指的是健康管理策略集合中最适合目标用户的当前健康情况的健康管理策略，健康管理策略集合指的是由不同健康情况对应的健康管理策略构成的集合，在得到人体动作形态的偏移量后，根据人体动作形态的偏移量在健康管理策略集合中选取最适合目标用户的目标健康管理策略。

步骤S302，根据预设标签策略对所述人体动作形态的关键点进行标记，得到目标位置标记点。

应当理解的是，预设标签策略指的是对各个对象进行标记的策略，通过标签标记的位置区分各个对象，目标位置标记点指的是通过预设标签策略在人体动作形态的关键点上标记后的位置点。

步骤S303，根据目标健康管理策略对所述目标用户的身体状态进行调理。

可以理解的是，身体状态指的是目标用户的健康情况对应的状态，该身体状态包括良、中以及差等级，在得到目标健康管理策略后，按照目标健康管理策略的方式对目标用户的身体状态进行调整，使得目标用户的身体状态发生变化。

步骤S304，通过所述目标位置标记点对调理后的身体状态进行追踪，得到在预设时间段内的目标形态偏移量。

应当理解的是，在调理目标用户的身体状态的过程中，通过目标位置标记点实时追踪的同一位置确定在预设时间内的目标形态偏移量，该预设时间段可以为半个月，也可以为一个月，具体是在调整过程中采集在预设时间段内的目标用户的运动骨骼视频数据，然后通过目标姿态形状预估模型预测出对应的目标形态偏移量。

进一步地，步骤S304之前，还包括：根据所述人体动作形态的偏移量得到对应的当前骨骼磨损度；根据调理后的身体状态得到对应的目标骨骼磨损度；根据所述当前骨骼磨损度和所述目标骨骼磨损度确定骨骼磨损度差值；通过时间编码设备对所述骨骼磨损度差值进行计算，得到预设时间段。

可以理解的是，当前骨骼磨损度指的是目标用户在完成运动骨骼视频数据对应的动作或者行走时骨骼的磨损程度，目标骨骼磨损程度指的是通过目标健康管理策略调理过程中身体状态发生变化时骨骼的磨损程度，在得到目标骨骼磨损度后，将当前骨骼磨损度与目标骨骼磨损度进行差值计算，得到骨骼磨损度差值，然后通过时间编码设备计算出与骨骼磨损度差值相对应的时间，即为预设时间段，例如，当前骨骼磨损度为A，目标骨骼磨损度为B，则骨骼磨损度差值为A-B，此时将骨骼磨损度差值A-B至时间编码设备，此时，时间编码设备会分析出由当前骨骼磨损度A至目标骨骼磨损度B所需要的时间，该所需要的时间为预设时间段。

本实施例根据所述人体动作形态的偏移量在健康管理策略集合中选取目标健康管理策略；根据预设标签策略对所述人体动作形态的关键点进行标记，得到目标位置标记点；根据目标健康管理策略对所述目标用户的身体状态进行调理；通过所述目标位置标记点对调理后的身体状态进行追踪，得到在预设时间段内的目标形态偏移量；通过上述方式，根据人体动作形态的偏移量选取目标健康管理策略，然后通过预设标签对关键点进行标记，再根据目标健康管理策略调理目标用户的身体状态，在调理过程中，通过目标位置标记点实时追踪调理后的身体状态，然后通过目标姿态形状预估模型预测出在预设时间段内的目标形态偏移量，从而能够有效提高得到目标形态偏移量的准确性。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有基于骨骼AI视频的病例改进程序，所述基于骨骼AI视频的病例改进程序被处理器执行时实现如上文所述的基于骨骼AI视频的病例改进方法的步骤。

由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。

此外，参照图5，本发明实施例还提出一种基于骨骼AI视频的病例改进装置，所述基于骨骼AI视频的病例改进装置包括：

获取模块10，用于获取目标用户的基本数据、生理数据以及运动骨骼视频数据。

预测模块20，用于通过目标姿态形状预估模型对所述运动骨骼视频数据进行预测，得到人体动作形态的偏移量。

所述获取模块10，还用于根据目标健康管理策略获取在预设时间段内的目标形态偏移量。

生成模块30，用于在所述人体动作形态的偏移量与所述目标形态偏移量一致时，根据所述基本数据、所述生理数据以及所述目标健康管理策略生成目标健康知识图谱。

管理模块40，用于根据所述目标健康知识图谱对所述目标用户的健康进行管理，以及根据所述目标健康知识图谱对初始病例进行改进。

本实施例通过获取目标用户的基本数据、生理数据以及运动骨骼视频数据；通过目标姿态形状预估模型对所述运动骨骼视频数据进行预测，得到人体动作形态的偏移量；根据目标健康管理策略获取在预设时间段内的目标形态偏移量；在所述人体动作形态的偏移量与所述目标形态偏移量一致时，根据所述基本数据、所述生理数据以及所述目标健康管理策略生成目标健康知识图谱；根据所述目标健康知识图谱对所述目标用户的健康进行管理，以及根据所述目标健康知识图谱对初始病例进行改进；通过上述方式，根据目标姿态形状预估模型预测出人体动作形态的偏移量，根据目标健康知识图谱对目标用户的健康进行管理，能够有效提高管理用户健康的效率和便捷性，且适用人群范围较广，以及使得改进后的病例符合健康管理规定。

需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。

另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的基于骨骼AI视频的病例改进方法，此处不再赘述。

在一实施例中，所述获取模块10，还用于根据所述人体动作形态的偏移量在健康管理策略集合中选取目标健康管理策略；根据预设标签策略对所述人体动作形态的关键点进行标记，得到目标位置标记点；根据目标健康管理策略对所述目标用户的身体状态进行调理；通过所述目标位置标记点对调理后的身体状态进行追踪，得到在预设时间段内的目标形态偏移量。

在一实施例中，所述获取模块10，还用于根据所述人体动作形态的偏移量得到对应的当前骨骼磨损度；根据调理后的身体状态得到对应的目标骨骼磨损度；根据所述当前骨骼磨损度和所述目标骨骼磨损度确定骨骼磨损度差值；通过时间编码设备对所述骨骼磨损度差值进行计算，得到预设时间段。

在一实施例中，所述预测模块20，还用于根据所述运动骨骼视频数据得到对应的行走骨骼视频数据和动作骨骼视频数据；分别提取所述行走骨骼视频数据和动作骨骼视频数据的数据格式；在所述数据格式均不为目标数据格式时，对所述行走骨骼视频数据和所述动作骨骼视频数据进行格式转换，得到目标格式行走数据和目标动作短视频数据；通过预设标准压缩策略分别对所述目标格式行走数据和所述目标动作短视频数据进行压缩；通过目标姿态形状预估模型对压缩后的目标格式行走数据和目标动作短视频数据进行预测，得到人体动作形态的偏移量。

在一实施例中，所述预测模块20，还用于在所述数据格式均不为目标数据格式时，对所述行走骨骼视频数据进行格式转换，得到目标格式行走数据；根据所述动作骨骼视频数据得到对应的动作数量；按照所述动作数量对所述动作骨骼视频数据进行裁剪，得到各个动作短视频数据；对所述各个动作短视频数据进行格式转换，得到目标动作短视频数据。

在一实施例中，所述预测模块20，还用于通过目标姿态形状预估模型对压缩后的目标格式行走数据进行检测，得到连续行走关键点；根据历史行走数据对所述连续行走关键点的位置进行定量分析，得到行走关键点偏移量；通过所述目标姿态形状预估模型对压缩后的目标动作短视频数据进行检测，得到动作形态完成度；根据所述行走关键点偏移量和动作形态完成度预测出人体动作形态的偏移量。

在一实施例中，所述生成模块30，还用于根据所述人体动作形态的偏移量得到对应的现实形态序列；根据所述目标形态偏移量得到目标姿势序列；在通过运动识别设备判定所述现实形态序列与所述目标姿势序列一致时，根据所述生理数据得到当前病状危险程度和并发症状；根据所述基本数据、当前病状危险程度、并发症状以及所述目标健康管理策略生成目标健康知识图谱。

本发明所述基于骨骼AI视频的病例改进装置的其他实施例或具有实现方法可参照上述各方法实施例，此处不在赘余。

此外，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、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。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、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

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上述实施例方法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，但很多情况下前者是更佳的实施方式。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（如只读存储器（Read Only Memory，ROM）/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，一体化平台工作站，或者网络设备等）执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明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，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于骨骼AI视频的病例改进方法，其特征在于，所述基于骨骼AI视频的病例改进方法包括以下步骤：

获取目标用户的基本数据、生理数据以及运动骨骼视频数据；

通过目标姿态形状预估模型对所述运动骨骼视频数据进行预测，得到人体动作形态的偏移量；

根据目标健康管理策略获取在预设时间段内的目标形态偏移量；

在所述人体动作形态的偏移量与所述目标形态偏移量一致时，根据所述基本数据、所述生理数据以及所述目标健康管理策略生成目标健康知识图谱；

根据所述目标健康知识图谱对所述目标用户的健康进行管理，以及根据所述目标健康知识图谱对初始病例进行改进。

2.如权利要求1所述的基于骨骼AI视频的病例改进方法，其特征在于，所述通过目标姿态形状预估模型对所述运动骨骼视频数据进行预测，得到人体动作形态的偏移量，包括：

根据所述运动骨骼视频数据得到对应的行走骨骼视频数据和动作骨骼视频数据；

分别提取所述行走骨骼视频数据和动作骨骼视频数据的数据格式；

在所述数据格式均不为目标数据格式时，对所述行走骨骼视频数据和所述动作骨骼视频数据进行格式转换，得到目标格式行走数据和目标动作短视频数据；

通过预设标准压缩策略分别对所述目标格式行走数据和所述目标动作短视频数据进行压缩；

通过目标姿态形状预估模型对压缩后的目标格式行走数据和目标动作短视频数据进行预测，得到人体动作形态的偏移量。

3.如权利要求2所述的基于骨骼AI视频的病例改进方法，其特征在于，所述在所述数据格式均不为目标数据格式时，对所述行走骨骼视频数据和所述动作骨骼视频数据进行格式转换，得到目标格式行走数据和目标动作短视频数据，包括：

在所述数据格式均不为目标数据格式时，对所述行走骨骼视频数据进行格式转换，得到目标格式行走数据；

根据所述动作骨骼视频数据得到对应的动作数量；

按照所述动作数量对所述动作骨骼视频数据进行裁剪，得到各个动作短视频数据；

对所述各个动作短视频数据进行格式转换，得到目标动作短视频数据。

4.如权利要求2所述的基于骨骼AI视频的病例改进方法，其特征在于，所述通过目标姿态形状预估模型对压缩后的目标格式行走数据和目标动作短视频数据进行预测，得到人体动作形态的偏移量，包括：

通过目标姿态形状预估模型对压缩后的目标格式行走数据进行检测，得到连续行走关键点；

根据历史行走数据对所述连续行走关键点的位置进行定量分析，得到行走关键点偏移量；

通过所述目标姿态形状预估模型对压缩后的目标动作短视频数据进行检测，得到动作形态完成度；

根据所述行走关键点偏移量和动作形态完成度预测出人体动作形态的偏移量。

5.如权利要求1至4中任一项所述的基于骨骼AI视频的病例改进方法，其特征在于，所述根据目标健康管理策略获取在预设时间段内的目标形态偏移量，包括：

根据所述人体动作形态的偏移量在健康管理策略集合中选取目标健康管理策略；

根据预设标签策略对所述人体动作形态的关键点进行标记，得到目标位置标记点；

根据目标健康管理策略对所述目标用户的身体状态进行调理；

通过所述目标位置标记点对调理后的身体状态进行追踪，得到在预设时间段内的目标形态偏移量。

6.如权利要求5所述的基于骨骼AI视频的病例改进方法，其特征在于，所述通过所述目标位置标记点对调理后的身体状态进行追踪，得到在预设时间段内的目标形态偏移量之前，还包括：

根据所述人体动作形态的偏移量得到对应的当前骨骼磨损度；

根据调理后的身体状态得到对应的目标骨骼磨损度；

根据所述当前骨骼磨损度和所述目标骨骼磨损度确定骨骼磨损度差值；

通过时间编码设备对所述骨骼磨损度差值进行计算，得到预设时间段。

7.如权利要求1至4中任一项所述的基于骨骼AI视频的病例改进方法，其特征在于，所述在所述人体动作形态的偏移量与所述目标形态偏移量一致时，根据所述基本数据、所述生理数据以及所述目标健康管理策略生成目标健康知识图谱，包括：

根据所述人体动作形态的偏移量得到对应的现实形态序列；

根据所述目标形态偏移量得到目标姿势序列；

在通过运动识别设备判定所述现实形态序列与所述目标姿势序列一致时，根据所述生理数据得到当前病状危险程度和并发症状；

根据所述基本数据、当前病状危险程度、并发症状以及所述目标健康管理策略生成目标健康知识图谱。

8.一种基于骨骼AI视频的病例改进装置，其特征在于，所述基于骨骼AI视频的病例改进装置包括：

获取模块，用于获取目标用户的基本数据、生理数据以及运动骨骼视频数据；

预测模块，用于通过目标姿态形状预估模型对所述运动骨骼视频数据进行预测，得到人体动作形态的偏移量；

所述获取模块，还用于根据目标健康管理策略获取在预设时间段内的目标形态偏移量；

生成模块，用于在所述人体动作形态的偏移量与所述目标形态偏移量一致时，根据所述基本数据、所述生理数据以及所述目标健康管理策略生成目标健康知识图谱；

管理模块，用于根据所述目标健康知识图谱对所述目标用户的健康进行管理，以及根据所述目标健康知识图谱对初始病例进行改进。

9.一种基于骨骼AI视频的病例改进设备，其特征在于，所述基于骨骼AI视频的病例改进设备包括：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基于骨骼AI视频的病例改进程序，所述基于骨骼AI视频的病例改进程序配置有实现如权利要求1至7中任一项所述的基于骨骼AI视频的病例改进方法。

10.一种存储介质，其特征在于，所述存储介质上存储有基于骨骼AI视频的病例改进程序，所述基于骨骼AI视频的病例改进程序被处理器执行时实现如权利要求1至7中任一项所述的基于骨骼AI视频的病例改进方法。

Images