CN115281662A - 一种慢性踝关节不稳智能辅助诊断系统 - Google Patents

一种慢性踝关节不稳智能辅助诊断系统 Download PDF

Info

Publication number
CN115281662A
CN115281662A CN202211169507.0A CN202211169507A CN115281662A CN 115281662 A CN115281662 A CN 115281662A CN 202211169507 A CN202211169507 A CN 202211169507A CN 115281662 A CN115281662 A CN 115281662A
Authority
CN
China
Prior art keywords
motion
time
space
characteristic
generated
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
CN202211169507.0A
Other languages
English (en)
Other versions
CN115281662B (zh
Inventor
刘欣
康苹
刘安琦
开程
赵辰
张德政
任继平
栗辉
阿孜古丽·吾拉木
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.)
Beijing Beizi Information Engineering Consulting Co ltd
University of Science and Technology Beijing USTB
Original Assignee
Beijing Beizi Information Engineering Consulting Co ltd
University of Science and Technology Beijing USTB
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 Beijing Beizi Information Engineering Consulting Co ltd, University of Science and Technology Beijing USTB filed Critical Beijing Beizi Information Engineering Consulting Co ltd
Priority to CN202211169507.0A priority Critical patent/CN115281662B/zh
Publication of CN115281662A publication Critical patent/CN115281662A/zh
Application granted granted Critical
Publication of CN115281662B publication Critical patent/CN115281662B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
    • A61B5/4538—Evaluating a particular part of the muscoloskeletal system or a particular medical condition
    • A61B5/4595—Evaluating the ankle
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Physiology (AREA)
  • Evolutionary Computation (AREA)
  • Rheumatology (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明提供一种慢性踝关节不稳智能辅助诊断系统，属于医工结合与计算机辅助诊断技术领域。所述系统包括：运动特征提取模块，构建时空运动特征小样本；运动特征增强模块，构建对偶式生成对抗网络模型，利用时空运动特征小样本对其进行训练，使其能够生成增强特征样本；基分类器构建模块，用于构建用于识别慢性踝关节不稳的三种基分类器；多分类器融合模块，构建模型无关的元学习算法，将三种基分类器运用堆叠法进行集成学习，以时空运动特征小样本与增强特征样本组成训练集，利用K折交叉训练的方法对元学习模型进行训练，得到能够有效识别慢性踝关节不稳的多分类器融合模型。采用本发明，能够实现慢性踝关节不稳的有效辅助诊断。

Description

一种慢性踝关节不稳智能辅助诊断系统
技术领域
本发明涉及医工结合与计算机辅助诊断技术领域，特别是指一种慢性踝关节不稳智能辅助诊断系统。
背景技术
近年来，踝关节扭伤所致的外侧副韧带损伤是最为常见的运动损伤之一，容易导致慢性踝关节外侧不稳，外侧副韧带损伤后的踝关节不稳早期发现与诊断，将有利于关节稳定性及运动功能的恢复，预防和阻止关节软骨损伤及骨性关节炎的发生发展，对于提高患者生活质量具有重要意义。
目前，踝关节不稳的临床诊断主要依靠病史、体格检查（如，前抽屉试验、内翻试验），以及影像学检查（应力位X线、超声波检查、MRI检查），难以准确、全面地反映出运动过程中踝关节复杂的运动学特性及其稳定性，使得对踝关节的动态性能评估方法缺失。因此，寻找一种客观、精准、全面的踝关节稳定性评估方法用于踝关节不稳的辅助诊断始终是骨科及运动医学研究领域的热点和难点。
发明内容
本发明实施例提供了慢性踝关节不稳智能辅助诊断系统，能够实现慢性踝关节不稳的有效辅助诊断。
本发明实施例提供了一种慢性踝关节不稳智能辅助诊断系统，包括：
运动特征提取模块，用于采集受试者在自然行走、跑跳运动、左/右切运动和坡道及台阶运动多种场景下的运动数据，并基于采集的运动数据构建时空运动特征小样本；
运动特征增强模块，用于构建对偶式生成对抗网络模型，利用所述时空运动特征小样本对构建的对偶式生成对抗网络模型进行训练，以得到用于生成多种场景下伪时空运动特征的运动特征增强模型；其中，生成的伪时空运动特征构成增强特征样本；
基分类器构建模块，用于构建卷积长短时记忆网络、时间卷积网络和长短时记忆全卷积网络，利用所述时空运动特征小样本与增强特征样本组成的训练集对构建的卷积长短时记忆网络、时间卷积网络和长短时记忆全卷积网络分别进行训练，得到用于识别慢性踝关节不稳的三种基分类器；
多分类器融合模块，用于构建模型无关的元学习算法，将三种基分类器运用堆叠法进行集成学习，以所述时空运动特征小样本与增强特征样本组成训练集，利用K折交叉训练的方法对元学习模型进行训练，得到能够识别慢性踝关节不稳的多分类器融合模型。
进一步地，所述运动数据包括：下肢骨性关键点的三维空间坐标值；
所述下肢骨性关键点包括：膝关节、踝关节及足部多个骨性关键点；其中，
膝关节骨性关键点包括：胫骨隆粗；
踝关节骨性关键点包括：内踝和外踝；
足部骨性关键点包括：跟骨内、外和背侧最凸出的位置，第1和5跖骨最近端位置，第1、2和5跖骨最远端位置和拇趾最远端趾骨中点位置。
进一步地，所述运动特征提取模块包括：
数据采集单元，用于在膝关节、踝关节及足部多个骨性关键点处设置运动数据采集点，并在每个采集点分别粘贴反光标识点，采集受试者在自然行走、跑跳运动、左/右切运动和坡道及台阶运动多种场景下的实测三维空间坐标值；
数据预处理单元，用于对采集到的实测三维空间坐标值进行预处理；其中，所述预处理包括：降噪处理、步态周期分割处理和数据标准化处理；
运动特征计算单元，用于基于预处理后的实测三维空间坐标值，构建多种场景下的时空运动特征，基于构建的多种场景下的时空运动特征，生成时空运动特征小样本。
进一步地，所述多种场景下的时空运动特征包括：在自然行走、跑跳运动、左/右切运动和坡道及台阶运动场景下基于步态时序的运动特征和基于关节空间活动度的运动特征；其中，
所述基于步态时序的运动特征包括：跨步时长，步态相期占比，以及膝关节、踝关节及足部多个骨性关键点运动速度、加速度和急动度；
所述基于关节空间活动度的运动特征包括：胫踝平面与跟骨平面夹角、胫踝平面与外趾跖平面夹角、胫踝平面与内趾跖平面夹角和内外趾跖平面夹角。
进一步地，所述运动特征计算单元，还用于对所述时空运动特征进行归一化处理后，将归一化处理后的时空运动特征与识别标签作为互相对偶的两个节点分别进行拼接，形成多维时空特征矩阵和识别标签矩阵。
进一步地，所述对偶式生成对抗网络模型包括：以归一化处理后的时空运动特征 与识别标签作为互相对偶的两个节点构建的两个任务目标相反的对偶式生成对抗网络
Figure 295028DEST_PATH_IMAGE001
和
Figure 364746DEST_PATH_IMAGE002
，每一个生成对抗网络包含一个生成器和一个判别器，两个生成 器之间以镜像的形式连接为
Figure 798001DEST_PATH_IMAGE003
型网络结构；其中，
Figure 13082DEST_PATH_IMAGE004
和
Figure 351528DEST_PATH_IMAGE005
都表示生成器，
Figure 270943DEST_PATH_IMAGE006
和
Figure 43858DEST_PATH_IMAGE007
都表示 判别器；
生成器采用全卷积神经网络作为主干结构，用于根据时空运动特征小样本/识别标签生成识别标签/增强特征样本；
判别器采用卷积层作为主干结构，用于将生成器所生成的识别标签/增强特征样本与真实的识别标签/时空运动特征小样本进行判别，根据判别结果与真实结果的梯度惩罚损失指导生成器增强特征样本的生成；
在对偶式生成对抗网络的训练过程中，固定判别器的参数，生成器根据判别器的反馈优化其参数；判别器根据生成器最新生成的特征，进行参数的自更新；生成器和判别器进行反复迭代，直到生成的增强特征样本与真实的时空运动特征小样本相符，满足判别器要求为止；其中，所述参数包括：每个神经元的权重和偏差。
进一步地，构建的两个任务包括：主任务和对偶任务；其中，
主任务为：真实的时空运动特征经过生成器
Figure 288894DEST_PATH_IMAGE004
得到生成的诊断结果，生成的诊断 结果经过生成器
Figure 645795DEST_PATH_IMAGE005
得到生成的时空运动特征，生成的特征即为对原有的特征的一次重构， 生成的诊断结果与真实的诊断结果共同输入判别器
Figure 509846DEST_PATH_IMAGE006
判断诊断结果的真伪，生成的时空 运动特征与真实的时空运动特征经过判别器
Figure 855377DEST_PATH_IMAGE007
判断特征的真伪；其中，诊断结果为识别标 签；
对偶任务为：真实的诊断结果经过生成器
Figure 287626DEST_PATH_IMAGE005
得到生成的时空运动特征，生成的时 空运动特征输入生成器
Figure 289080DEST_PATH_IMAGE004
得到生成的诊断结果，生成的诊断结果与真实的诊断结果共同 输入判别器
Figure 19139DEST_PATH_IMAGE006
判断诊断结果的真伪，生成的时空运动特征与真实的时空运动特征经过判 别器
Figure 858657DEST_PATH_IMAGE008
判断特征的真伪。
进一步地，所述运动特征增强模块，还用于对真实的时空运动特征和增强特征构建频率直方图和散点图，以描述真实的时空运动特征与增强特征的分布情况与线性回归关系。
本发明实施例提供的技术方案带来的有益效果至少包括：
本发明实施例中，通过运动特征提取模块采集受试者在多种场景下的运动数据，并基于采集的运动数据构建时空运动特征小样本；通过运动特征增强模块构建对偶式生成对抗网络模型，利用所述时空运动特征小样本对构建的对偶式生成对抗网络模型进行训练，以得到用于生成多种场景下伪时空运动特征的运动特征增强模型；通过多分类器融合模块构建模型无关的元学习算法，并将基分类器构建模块构建的卷积长短时记忆网络、时间卷积网络和长短时记忆全卷积网络三种基分类器运用堆叠法进行集成学习，以所述时空运动特征小样本与增强特征样本组成训练集，利用K折交叉训练的方法对元学习模型进行训练，从而提高基分类器训练效率与识别精度，得到能够有效识别慢性踝关节不稳的多分类器融合模型，以实现慢性踝关节不稳的有效辅助诊断。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明实施例提供的慢性踝关节不稳智能辅助诊断系统的结构示意图；
图2为本发明实施例提供的慢性踝关节不稳智能辅助诊断系统的工作流程示意图；
图3为本发明实施例提供的下肢骨性关键点测量示意图；
图4为本发明实施例提供的对偶式生成对抗网络的结构示意图；
图5为本发明实施例提供的增强特征可视化评估的示意图；
图6为本发明实施例提供的ConvLSTM单元的结构示意图；
图7为本发明实施例提供的用于识别慢性踝关节不稳的多分类器融合模型的结构示意图。
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，下面将结合附图对本发明实施方式作进一步地详细描述。
如图1所示，本发明实施例提供了一种慢性踝关节不稳智能辅助诊断系统，包括：
运动特征提取模块11，用于采集受试者在自然行走、跑跳运动、左/右切运动和坡道及台阶运动多种场景下的运动数据，并基于采集的运动数据构建时空运动特征小样本；
本实施例中，自然行走指沿直线方向以舒适的速度步行；跑跳运动，指在沿直线方向短距离加速跑到指定位置后跳起，并双脚同时着地；左/右切运动，指在沿直线方向短距离加速跑到指定位置后向左/右前方45°跨步转弯后继续沿此方向减速跑至停止；坡道及台阶运动，指沿坡面方向上坡后，在平面上继续行走一段距离，而后下台阶，或上台阶后在平面上继续行走一段距离，而后沿坡面方向下坡。
本实施例中，所述运动数据包括：下肢骨性关键点的三维空间坐标值；所述下肢骨性关键点包括：膝关节、踝关节及足部多个骨性关键点；其中，
膝关节骨性关键点包括：胫骨隆粗（胫骨结节最凸出的位置），共1个骨性关键点；
踝关节骨性关键点包括：内踝和外踝（沿踝骨转动轴方向最大距离的内侧和外侧位置），共2个骨性关键点；
足部骨性关键点包括：跟骨内、外和背侧（跟骨内、外和背侧最凸出的位置）、跖骨1和5（第1和5跖骨最近端位置）、趾骨1、2和5（第1、2和5趾骨最远端位置）、拇趾（拇趾最远端趾骨中点位置），共9个骨性关键点；其中，跖骨最近端为跖骨最靠近楔状骨端，跖骨最远端为跖骨最靠近趾骨端，拇趾最远端为趾骨最靠近足尖端。
本实施例中，所述运动特征提取模块包括：数据采集单元、数据预处理单元和运动特征计算单元。
本实施例中，如图2所示，所述运动特征提取模块的工作流程为：
A1，采集受试者在多种场景下的下肢三维运动数据；
本实施例中，数据采集单元，用于基于海德堡足部测量方法在膝关节、踝关节及足部12个骨性关键点设置运动数据采集点，如图3所示，并在每个采集点分别粘贴反光标识点，通过红外运动捕捉系统采集受试者在自然行走、跑跳运动、左/右切运动和坡道及台阶运动多种场景下的实测三维空间坐标值；
A2，对所采集的下肢三维运动数据进行降噪处理；
本实施例中，由于红外运动捕捉系统所采集得到的实测三维空间坐标值通常混叠有高频噪声，因此，数据预处理单元采用巴特沃斯低通滤波器对实测三维空间坐标值进行数字滤波，用于降低由环境因素、反光标识点移位、多标记点间相互影响等因素所造成的噪声。
A3，依据人体步态的共性特征及受试者个体实际运动情况，数据预处理单元将降噪处理后的实测三维空间坐标值进行步态周期的自动分割；
本实施例中，针对多场景中所包含的行走、跑步、跳跃三种基本步态，建立基于规则的步态周期自动分割方法，具体方法为：
在行走过程中，足跟着地是步态周期起始及结束的标志，因此，以跟骨背侧骨性关键点在垂直地面向上方向上的极小值点为分割点进行步态周期的自动分割；
在跑步过程中，足尖着地是步态周期起始及结束的标志，因此，以拇趾骨性关键点在垂直地面向上方向上的极小值点为分割点进行步态周期的自动分割；
在跳跃过程中，足跟离地是步态周期的起始标志，足跟着地是步态周期的结束标志，因此，以跟骨背侧骨性关键点在垂直地面向上方向上的极小值点为分割点进行步态周期的自动分割。
A4，统一每个步态周期中的采样点数量；
本实施例中，数据预处理单元构建基于分段线性插值的步态周期内数据（具体指：采样点数量）标准化处理方法，统一每个步态周期中的采样点数量，便于后续模块的算法实现，具体方法为：
从步态周期的起始时刻到结束时刻等分为某一确定数量的新采样点，如果某新采样点与某原采样点时刻重合，则某新采样点的值与某原始采样点的值相等；如果某新采样点与某原始采样点的时刻不重合，则新采样点的值为：
Figure 665070DEST_PATH_IMAGE009
其中，
Figure 888241DEST_PATH_IMAGE010
为某新采样点的三维运动数据值，
Figure 484307DEST_PATH_IMAGE011
为新采样点所在时刻，
Figure 476534DEST_PATH_IMAGE012
和
Figure 686804DEST_PATH_IMAGE013
分别为与某新采样点时刻相邻的前后两个原始采样点时刻，
Figure 990747DEST_PATH_IMAGE014
和
Figure 344499DEST_PATH_IMAGE015
分别为原采样点时刻
Figure 784707DEST_PATH_IMAGE012
和
Figure 493775DEST_PATH_IMAGE013
所对应的三维空间坐标值。
A5，计算多种场景下的时空运动特征，利用计算得到的多种场景下的时空运动特征，生成时空运动特征小样本，其中，用于训练和测试时，时空运动特征小样本是包含识别标签的，因为需要识别准确性的比对；在最终实际应用时时空运动特征小样本并不包含识别标签，因为标签是最终的诊断结果；
本实施例中，运动特征计算单元，基于标准化处理后的实测三维空间坐标值，分别计算不同场景下三种基本步态的时空运动特征；其中，所述时空运动特征包括：基于步态时序的运动特征和基于关节空间活动度的运动特征；其中，
所述基于步态时序的运动特征包括：跨步时长，步态相期占比，以及膝关节、踝关节及足部骨性关键点运动速度、加速度和急动度；其中，行走的步态相期占比包括：步态周期中的支撑相、摆动相占比，以及支撑相中的着地期、支撑期和推进期占比；跑步的步态相期占比，包括：步态周期中的站立期和摆动期占比；跳跃的步态相期占比包括：步态周期中的蹬地期、腾空期和着地期占比；
关键点
Figure 753855DEST_PATH_IMAGE012
时刻的运动速度
Figure 567090DEST_PATH_IMAGE016
为：
Figure 409275DEST_PATH_IMAGE017
其中，
Figure 384185DEST_PATH_IMAGE014
和
Figure 459457DEST_PATH_IMAGE015
分别为采样点时刻
Figure 387968DEST_PATH_IMAGE012
和
Figure 802768DEST_PATH_IMAGE013
所对 应的三维运动数据值；
关键点
Figure 948579DEST_PATH_IMAGE012
时刻的运动加速度
Figure 996301DEST_PATH_IMAGE018
为：
Figure 151338DEST_PATH_IMAGE019
其中，
Figure 155066DEST_PATH_IMAGE020
和
Figure 111259DEST_PATH_IMAGE021
分别为采样点时刻
Figure 505331DEST_PATH_IMAGE012
和
Figure 588694DEST_PATH_IMAGE013
所对应的关键点运动速度；
关键点
Figure 384611DEST_PATH_IMAGE012
时刻的运动急动度
Figure 13170DEST_PATH_IMAGE022
为：
Figure 628959DEST_PATH_IMAGE023
其中，
Figure 250433DEST_PATH_IMAGE018
和
Figure 900857DEST_PATH_IMAGE024
分别为采样点时刻
Figure 198852DEST_PATH_IMAGE012
和
Figure 567517DEST_PATH_IMAGE013
所对应的关键点运动加速度。
所述基于关节空间活动度的运动特征包括：
胫踝平面与跟骨平面夹角，即，由胫骨隆粗-外踝-内踝构成的平面与跟骨背侧-跟骨外侧-跟骨内侧构成的平面之间的夹角；
胫踝平面与外趾跖平面夹角，即，由胫骨隆粗-外踝-内踝构成的平面与趾骨5-跖骨5-跖骨1构成的平面之间的夹角；
胫踝平面与内趾跖平面夹角，即，由胫骨隆粗-外踝-内踝构成的平面与趾骨1-跖骨1-跖骨5构成的平面之间的夹角；
内外趾跖平面夹角，即，由趾骨1-跖骨1-跖骨5构成的平面与趾骨5-跖骨5-跖骨1构成的平面之间的夹角。
A6，分别对上述时空运动特征进行归一化处理，并建立多维时空特征矩阵和识别标签矩阵；
本实施例中，为提高生成模型和鉴别模型的收敛速度和准确性，消除不同特征的量纲影响，运动特征计算单元还将上述每周期的每个特征分别归一化为[0,1]的值；其中，所采用的Min-max归一化方法是将数据压缩到某一固定的取值范围内，让数据之间的数理单位保持一致。特征的Min-max归一化定义为：
Figure 930365DEST_PATH_IMAGE025
其中，
Figure 310662DEST_PATH_IMAGE026
是归一化后的特征，
Figure 405657DEST_PATH_IMAGE027
是归一化前的特征，
Figure 120672DEST_PATH_IMAGE028
是特征的最大值，
Figure 959315DEST_PATH_IMAGE029
是特征的最小值。
而后，将归一化处理后的时空运动特征与识别标签作为互相对偶的两个节点分别进行拼接，形成多维时空特征矩阵和识别标签矩阵，生成矩阵是为了将各维度的时空运动特征进行整合，以便于输入到后续模型中进行计算。
运动特征增强模块12，用于构建对偶式生成对抗网络模型（Dual GenerativeAdversarial Networks，DualGAN），利用所述时空运动特征小样本对构建的对偶式生成对抗网络模型进行训练，以得到用于生成多种场景下伪时空运动特征的运动特征增强模型；其中，生成的伪时空运动特征构成增强特征样本；
本实施例中，所述对偶式生成对抗网络模型包括：以归一化处理后的时空运动特 征与识别标签作为互相对偶的两个节点构建的两个任务目标相反的对偶式生成对抗网络
Figure 958233DEST_PATH_IMAGE001
和
Figure 224129DEST_PATH_IMAGE002
，每一个生成对抗网络包含一个生成器和一个判别器，两个生成 器之间以镜像的形式连接为
Figure 426440DEST_PATH_IMAGE030
型网络结构；其中，
Figure 803195DEST_PATH_IMAGE004
和
Figure 158084DEST_PATH_IMAGE005
都表示生成器，
Figure 594882DEST_PATH_IMAGE006
和
Figure 550068DEST_PATH_IMAGE007
都表示 判别器；
生成器采用全卷积神经网络作为主干结构，用于根据时空运动特征小样本/识别标签生成识别标签/增强特征样本；
判别器采用卷积层作为主干结构，用于将生成器所生成的识别标签/增强特征样本与真实的识别标签/时空运动特征小样本进行判别，根据判别结果与真实结果的梯度惩罚损失指导生成器增强特征样本的生成；其中，梯度惩罚损失是判别器的损失函数；
在对偶式生成对抗网络的训练过程中，固定判别器的参数，生成器根据判别器的反馈优化其参数；判别器根据生成器最新生成的特征，进行参数的自更新；生成器和判别器进行反复迭代，直到生成的增强特征样本与真实的时空运动特征小样本相符，满足判别器要求为止。
本实施例中，判别器和生成器的结构均为多层感知机，其参数是指每个神经元的权重和偏差。
本实施例中，如图4所示，构建DualGAN模型，形成一对任务目标相反的闭环反馈系统。该模型可以从未标记的特征中获得诊断结果（即：识别标签），然后利用这些诊断结果改进对偶任务中的机器学习模型。DualGAN采用对偶的思想，训练过程中主要包含目标相反的两个任务，即：主任务和对偶任务；其中，
主任务如下：真实的时空运动特征经过生成器
Figure 730514DEST_PATH_IMAGE004
得到生成的诊断结果，生成的诊 断结果经过生成器
Figure 704024DEST_PATH_IMAGE005
得到生成的时空运动特征，生成的特征即为对原有的特征的一次重 构，生成的诊断结果与真实的诊断结果共同输入判别器
Figure 311723DEST_PATH_IMAGE006
判断诊断结果的真伪，生成的时 空运动特征与真实的时空运动特征经过判别器
Figure 957468DEST_PATH_IMAGE007
判断特征的真伪；
对偶任务如下：真实的诊断结果经过生成器
Figure 207183DEST_PATH_IMAGE005
得到生成的时空运动特征，生成的 时空运动特征输入生成器
Figure 536665DEST_PATH_IMAGE004
得到生成的诊断结果，生成的诊断结果与真实的诊断结果共 同输入判别器
Figure 315265DEST_PATH_IMAGE006
判断诊断结果的真伪，生成的时空运动特征与真实的时空运动特征经过 判别器
Figure 713885DEST_PATH_IMAGE008
判断特征的真伪。
DualGAN模型结构完成了特征域
Figure 970554DEST_PATH_IMAGE031
（即：特征集
Figure 918656DEST_PATH_IMAGE031
）和诊断结果域
Figure 868158DEST_PATH_IMAGE032
（即：结果集
Figure 19653DEST_PATH_IMAGE032
） 的跨域转换，使得网络可以学习两个域之间的双向映射。DualGAN由两个生成器和两个判别 器构成。如4所示，使用生成器
Figure 80013DEST_PATH_IMAGE004
将属于域
Figure 384087DEST_PATH_IMAGE031
的真实特征
Figure 238910DEST_PATH_IMAGE027
转换为属于域
Figure 877702DEST_PATH_IMAGE032
的结果
Figure 741753DEST_PATH_IMAGE033
。判别 器
Figure 398868DEST_PATH_IMAGE006
评估诊断结果
Figure 690172DEST_PATH_IMAGE034
在域
Figure 550681DEST_PATH_IMAGE032
中的拟合程度，其中，
Figure 218422DEST_PATH_IMAGE035
是随机噪声。然后使用生成器
Figure 231509DEST_PATH_IMAGE005
将
Figure 693714DEST_PATH_IMAGE034
转换回域
Figure 41519DEST_PATH_IMAGE031
，输出
Figure 512952DEST_PATH_IMAGE036
作为
Figure 879080DEST_PATH_IMAGE037
的重构特征，其中，
Figure 512186DEST_PATH_IMAGE038
是随机噪声。 类似地，属于域
Figure 347287DEST_PATH_IMAGE032
的真实结果
Figure 356832DEST_PATH_IMAGE033
被转换为
Figure 78931DEST_PATH_IMAGE039
，然后重构为
Figure 476414DEST_PATH_IMAGE040
。判 别器
Figure 408598DEST_PATH_IMAGE041
以
Figure 595735DEST_PATH_IMAGE033
为正样本，
Figure 296975DEST_PATH_IMAGE042
为负样本进行训练；判别器
Figure 662097DEST_PATH_IMAGE008
以
Figure 691364DEST_PATH_IMAGE037
为正样本，
Figure 42711DEST_PATH_IMAGE039
为 负样本进行训练。通过最小化两个重构误差
Figure 191932DEST_PATH_IMAGE043
和
Figure 328557DEST_PATH_IMAGE044
来对整体模型进行训练优化；其中，重构误差是生成器的损失函数。
基于DualGAN的运动特征增强算法流程具体如下：
Figure 235333DEST_PATH_IMAGE046
算法1中，
Figure 265737DEST_PATH_IMAGE047
表示特征域
Figure 941569DEST_PATH_IMAGE048
中的一条随机数据经生成器
Figure 648494DEST_PATH_IMAGE049
生成的识别标签；
Figure 42566DEST_PATH_IMAGE050
表示结果域
Figure 109617DEST_PATH_IMAGE051
中与特征域
Figure 905535DEST_PATH_IMAGE048
所取的随机数据对应的数据；
Figure 534093DEST_PATH_IMAGE052
表示
Figure 540096DEST_PATH_IMAGE053
和
Figure 36936DEST_PATH_IMAGE054
所形成的重构 标签；
Figure 61262DEST_PATH_IMAGE055
表示结果域
Figure 985355DEST_PATH_IMAGE051
中的一条随机数据经生成器
Figure 213074DEST_PATH_IMAGE056
生成的识别标签；
Figure 248026DEST_PATH_IMAGE057
表示特征域
Figure 893902DEST_PATH_IMAGE048
中与结果域
Figure 988897DEST_PATH_IMAGE051
所取的随机数据对应的数据；
Figure 969492DEST_PATH_IMAGE058
表示
Figure 808135DEST_PATH_IMAGE059
和
Figure 807053DEST_PATH_IMAGE060
所形成的重构标签。
如图5所示，所述运动特征增强模块，还用于对真实的时空运动特征（真实特征）和增强特征构建频率直方图和散点图，直观描述真实的时空运动特征与增强特征的分布情况与线性回归关系，实现对运动特征增强模型生成的增强特征质量的定量、可视化评估。
本实施例中，频率直方图不仅可以清晰地显示连续数据分布特征的统计分布情况，还可以将真实特征与生成特征直观形象地展示出来，由此更好地了解数据的分布情况。使用频率直方图便于清楚地观察到各组之间的频率分布情况，并分辨各组特征之间的频率差异。这里，频率直方图的横轴用于表示时空运动特征的取值范围区间，按照大小为0.1的组距共分为10组；纵轴用于表示频率密度，即频数与组距的比值；
本实施例中，散点图则可更好地用于研究生成特征与真实特征之间的关系。散点图反映了因变量随自变量而变化的趋势，由该趋势可以选择合适的函数来拟合经验分布，从而发现各变量之间的函数关系。这里，数据散点图的横轴用于表示增强的时空运动特征，纵轴用于表示真实的时空运动特征；直线用于表示散点分布的线性回归拟合线。
基分类器构建模块13，用于构建卷积长短时记忆（Convolutional Long Short-Term Memory，ConvLSTM）网络、时间卷积网络（Temporal Convolutional Network，TCN）和长短时记忆全卷积网络（Long Short-Term Memory Fully Convolutional Network，LSTM-FCN），利用所述时空运动特征小样本与增强特征样本组成的训练集对构建的卷积长短时记忆网络、时间卷积网络和长短时记忆全卷积网络分别进行训练，得到用于识别慢性踝关节不稳的三种基分类器；
本实施例中，如图6所示，构建的ConvLSTM在输入到状态和状态到状态转换中应用了卷积结构来提取空间特征，同时在每个门中都添加了“窥视孔连接”用于监控细胞状态，以更好地捕捉时空相关性。图6中，Sigma和Tanh函数均为激活函数，ht-1、ht是上一时刻和这一时刻的隐含层的输出，Ct-1、Ct是旧单元和该单元状态，xt为当前时刻的输入。图6的工作流程为：
第一步为遗忘。输入为ht-1、xt，输出为ft，1代表全部保留，0代表全部丢弃;
第二部为输入。输入为ht-1、xt，输出为it、Ct。通过Sigma函数来决定更新哪些数据得到参数it，通过Tanh函数来产生新的候选值向量Ct加入单元状态中，之后对二者进行整合，并更新单元状态。
第三步为更新。输入为ft、it、Ct-1和Ct，输出为Ct，通过加法与乘法运算对单元状态进行更新。
第四步为输出。输入为ht-1、xt，输出为ht。通过Sigma函数确定单元状态的输出ot，并对单元状态Ct进行Tanh操作并于ot相乘，得到最终输出ht。
本实施例中，ConvLSTM网络的批处理大小为64，卷积核大小为1×3。ConvLSTM使用 交叉熵损失函数及Adam优化器进行参数
Figure 72949DEST_PATH_IMAGE061
（包括：输入输出尺寸、卷积核数 目及大小、卷积步长等网络结构参数）学习，共进行300次训练迭代。从时空运动特征小样本 与增强特征样本组成的训练集中随机选取四分之一的数据作为验证集。将随机混洗后的真 实特征和增强特征输入到ConvLSTM中，ConvLSTM的输出层采用Softmax激活函数进行二分 类识别，即，有/无慢性踝关节不稳；其中，ConvLSTM的Dropout层的Dropout率为0.5）。
本实施例中，基于ConvLSTM的慢性踝关节不稳识别算法流程具体如下：
Figure 275260DEST_PATH_IMAGE062
本实施例中，构建的TCN使用残差模块来添加跨层连接的恒等映射，并采用
Figure 652015DEST_PATH_IMAGE063
卷积使两层特征通道数保持一致，使得TCN可以跨层传递信息且防止了梯度消失的发生。 TCN使用全卷积结构以使TCN网络可以接受任意尺寸的输入，实现端到端的预测效果。
本实施例中，TCN整体包括一个时间卷积模块和一个线性层。输入数据首先通过时间卷积模块，时间卷积模块包括两个一维卷积层，每个卷积层后使用了权重归一化来正则化网络，即从每个时间卷积模块之前的权重大小和方向重新耦合计算权重张量。数据在每层卷积后都进行了ReLU激活和Dropout操作。最后进行残差连接，数据经过ReLU激活函数后通过线性变换输出预测结果；其中，当前时间卷积模块及线性层和下一时间卷积模块及线性层之间以残差模块相连接。
本实施例中，TCN的学习率设置为0.001，Dropout率设置为0.3，批处理大小设置为 64，每一层的隐藏单元数为25，扩展系数随着网络深度的增加以2的次幂递增。在TCN的训练 阶段混洗数据，采用交叉熵损失函数评估损失，Adam优化器进行网络参数
Figure 6904DEST_PATH_IMAGE064
包括： 输入输出尺寸、卷积核数目及大小、卷积步长等网络结构参数）优化，网络共迭代训练100 次。
本实施例中，基于TCN的慢性踝关节不稳识别算法流程具体如下：
Figure 443701DEST_PATH_IMAGE065
本实施例中，构建的LSTM-FCN包括：全卷积块和LSTM块；其中，全卷积块将时间序列视为具有多个时间步长的单变量时间序列；相反，LSTM块通过维度混洗层将输入时间序列作为具有单个时间步长的多元时间序列。其中，全卷积块由三个叠加的时间卷积块组成，全卷积块的最后一层是全局平均池化层。LSTM块由一个维度混洗层、2个通用LSTM单元层和Dropout层组成，用于接收输入的维度混洗层可以通过减少训练时间来提高LSTM-FCN的效率。全局平均池化层和LSTM块的输出被连接并传递到Softmax分类层。
在LSTM-FCN的训练过程中，批处理大小设置为64。时间卷积块的滤波器尺寸分别 设置为128、256和128。每个时间卷积块由一个时间卷积层和ReLU激活函数组成，并且进行 了BN（动量为0.99，批量归一化
Figure 133309DEST_PATH_IMAGE066
为0.001）。LSTM块有2个LSTM单元层，每个LSTM单元层有32 个神经元，时间步长为1。LSTM-FCN采用分类交叉熵损失函数和RMSProp算法进行参数
Figure 313754DEST_PATH_IMAGE067
（包括：输入输出尺寸、卷积核数目及大小、卷积步长等网络结构参数）优 化。训练数据中随机选取四分之一的数据作为验证集，共训练迭代300次。
本实施例中，基于LSTM-FCN的慢性踝关节不稳识别算法流程具体如下：
Figure 21685DEST_PATH_IMAGE068
多分类器融合模块14，用于构建模型无关的元学习算法（Model-Agnostic Meta-Learning，MAML），将三种基分类器运用堆叠法（Stacking）进行集成学习，以所述时空运动特征小样本与增强特征样本组成训练集，利用K折交叉训练的方法对元学习（MAML）模型进行训练，得到能够识别慢性踝关节不稳的多分类器融合模型。
本实施例中，元学习模型包括：元学习器和基础学习器两大部分，其中，ConvLSTM、TCN和LSTM-FCN构成元学习模型的基础学习器。
本实施例中，如图7所示，构建的MAML模型使用元学习器来指导每个训练任务上ConvLSTM、TCN、LSTM-FCN基础学习器的训练，根据任务特性，给出参数初始值指导，提升慢性踝关节不稳识别任务的实现速度和精度。
本实施例中，如图7所示，所述元学习器中的记忆模块包含阐述参数初始值和损失函数梯度值两个部分。在ConvLSTM、TCN、LSTM-FCN基础学习器的训练过程中，元学习器从记忆模块中提取最相关任务（指：ConvLSTM、TCN、LSTM-FCN基础学习器）的参数初始值，输入到基础学习器中，替换基分类器单独训练过程中所设置或随机设置的初始参数值；而后，每个基础学习器使用对应任务的训练数据进行模型训练，训练完成后，分别将其损失函数梯度值返回给元学习器，其中，每个任务的训练数据都是随机取自时空运动特征小样本与增强特征样本组成的训练集；最后，元学习器分别收集得到来自ConvLSTM、TCN、LSTM-FCN基础学习器的损失函数梯度值，并使用这些损失函数梯度值实时动态更新记忆模块中的参数初始值，从而为每个基础学习器提供最相关任务经验的最新参数初始值。
本实施例中，在元学习模型的训练中，采用K折交叉训练的方法，从有标注样本中随机抽取任务数据集，形成K个训练任务，组成元训练集合；而后，基于得到的元训练集合，利用MAML算法进行训练，获得元学习器和基础学习器，在获得元学习框架参数（指：ConvLSTM、TCN、LSTM-FCN基础学习器的参数初始值）的同时，得到更多优化后的参数经验值供基础学习器选择，从而提高基分类器训练效率与识别精度，得到具有良好识别效果的多分类器融合模型，以实现慢性踝关节不稳的有效辅助诊断。
本实施例中，K折交叉训练的步骤包括：
① 将时空运动特征小样本与增强特征样本组成的原始训练集分为相等的K部分（即，K折）；
② 将第一部分作为测试集，其余K-1部分所为训练集；
③ 以K-1个训练集对模型进行训练，并计算模型在测试集上的准确率；
④ 以下一部分作为测试集，重复上述②③步骤K次；
⑤ 将平均准确率作为模型分类的最终准确率。
本实施例中，综上，首先经过三种基分类器来分别得到对应的慢性踝关节不稳的分类预测值，然后通过堆叠法来进行集成学习来得到最终的分类预测值，这样，能够提高基分类器训练效率与识别精度，得到具有良好识别效果的多分类器融合模型，以实现慢性踝关节不稳的有效辅助诊断。
综上，本实施提供了一种针对动态运动过程的慢性踝关节不稳智能辅助诊断系统，用于慢性踝关节不稳的临床辅助诊断。所涉及的自然行走、跑跳运动、左/右切运动和坡道及台阶运动多种场景下的实测三维空间坐标值来源于红外运动捕捉系统，经巴特沃斯低通滤波器降噪、步态周期自动分割和基于分段线性插值的步态周期内采样点数量标准化预处理后，针对不同场景计算行走、跑步和跳远三种基本步态的时空运动特征，并对每种时空运动特征分别进行Min-max归一化处理；而后，分别以归一化处理后的时空运动特征与识别标签作为对偶的两个节点构建两个任务目标相反的对偶式生成对抗网络，以小样本真实时空运动特征与识别标签对对偶式生成对抗网络模型进行训练，获得大量增强特征样本，并构建频率直方图和散点直方图对真实的时空运动特征与增强特征的分布情况与线性回归关系进行可视化验证；最后，构建ConvLSTM、TCN、LSTM-FCN的三种基分类器，并构建MAML，将上述三种基分类器运用堆叠法进行集成学习，以所述时空运动特征小样本与增强特征样本组成训练集，利用K折交叉训练的方法对元学习模型进行训练，从而提高基分类器训练效率与识别精度得到具有良好识别效果的多分类器融合模型，以实现慢性踝关节不稳的有效辅助诊断。
本实施例的慢性踝关节不稳智能辅助诊断系统在为客观、精准、全面的踝关节稳定性智能评估提供必要技术支撑的同时，为骨科及运动医学科等相关科室的医生提供了一种针对踝关节动态性能的智能辅助评估手段。
本实施例引入红外人体测量技术，利用“医学人工智能”前沿技术创新，将为基于动态性能分析的踝关节不稳辅助诊断系统构建提供可能，弥补传统临床诊断方法的不足，进一步提升现有踝关节不稳临床诊疗的智能化、精准化水平。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种慢性踝关节不稳智能辅助诊断系统，其特征在于，包括：
运动特征提取模块，用于采集受试者在自然行走、跑跳运动、左/右切运动和坡道及台阶运动多种场景下的运动数据，并基于采集的运动数据构建时空运动特征小样本；
运动特征增强模块，用于构建对偶式生成对抗网络模型，利用所述时空运动特征小样本对构建的对偶式生成对抗网络模型进行训练，以得到用于生成多种场景下伪时空运动特征的运动特征增强模型；其中，生成的伪时空运动特征构成增强特征样本；
基分类器构建模块，用于构建卷积长短时记忆网络、时间卷积网络和长短时记忆全卷积网络，利用所述时空运动特征小样本与增强特征样本组成的训练集对构建的卷积长短时记忆网络、时间卷积网络和长短时记忆全卷积网络分别进行训练，得到用于识别慢性踝关节不稳的三种基分类器；
多分类器融合模块，用于构建模型无关的元学习算法，将三种基分类器运用堆叠法进行集成学习，以所述时空运动特征小样本与增强特征样本组成训练集，利用K折交叉训练的方法对元学习模型进行训练，得到能够识别慢性踝关节不稳的多分类器融合模型。
2.根据权利要求1所述的慢性踝关节不稳智能辅助诊断系统，其特征在于，所述运动数据包括：下肢骨性关键点的三维空间坐标值；
所述下肢骨性关键点包括：膝关节、踝关节及足部多个骨性关键点；其中，
膝关节骨性关键点包括：胫骨隆粗；
踝关节骨性关键点包括：内踝和外踝；
足部骨性关键点包括：跟骨内、外和背侧最凸出的位置，第1和5跖骨最近端位置，第1、2和5跖骨最远端位置和拇趾最远端趾骨中点位置。
3.根据权利要求1所述的慢性踝关节不稳智能辅助诊断系统，其特征在于，所述运动特征提取模块包括：
数据采集单元，用于在膝关节、踝关节及足部多个骨性关键点处设置运动数据采集点，并在每个采集点分别粘贴反光标识点，采集受试者在自然行走、跑跳运动、左/右切运动和坡道及台阶运动多种场景下的实测三维空间坐标值；
数据预处理单元，用于对采集到的实测三维空间坐标值进行预处理；其中，所述预处理包括：降噪处理、步态周期分割处理和数据标准化处理；
运动特征计算单元，用于基于预处理后的实测三维空间坐标值，构建多种场景下的时空运动特征，基于构建的多种场景下的时空运动特征，生成时空运动特征小样本。
4.根据权利要求3所述的慢性踝关节不稳智能辅助诊断系统，其特征在于，所述多种场景下的时空运动特征包括：在自然行走、跑跳运动、左/右切运动和坡道及台阶运动场景下基于步态时序的运动特征和基于关节空间活动度的运动特征；其中，
所述基于步态时序的运动特征包括：跨步时长，步态相期占比，以及膝关节、踝关节及足部多个骨性关键点运动速度、加速度和急动度；
所述基于关节空间活动度的运动特征包括：胫踝平面与跟骨平面夹角、胫踝平面与外趾跖平面夹角、胫踝平面与内趾跖平面夹角和内外趾跖平面夹角。
5.根据权利要求4所述的慢性踝关节不稳智能辅助诊断系统，其特征在于，所述运动特征计算单元，还用于对所述时空运动特征进行归一化处理后，将归一化处理后的时空运动特征与识别标签作为互相对偶的两个节点分别进行拼接，形成多维时空特征矩阵和识别标签矩阵。
6.根据权利要求1所述的慢性踝关节不稳智能辅助诊断系统，其特征在于，所述对偶式 生成对抗网络模型包括：以归一化处理后的时空运动特征与识别标签作为互相对偶的两个 节点构建的两个任务目标相反的对偶式生成对抗网络
Figure 441761DEST_PATH_IMAGE001
和
Figure 519439DEST_PATH_IMAGE002
，每一个 生成对抗网络包含一个生成器和一个判别器，两个生成器之间以镜像的形式连接为
Figure 161773DEST_PATH_IMAGE003
型网 络结构；其中，
Figure 906875DEST_PATH_IMAGE004
和
Figure 592940DEST_PATH_IMAGE005
都表示生成器，
Figure 157914DEST_PATH_IMAGE006
和
Figure 72780DEST_PATH_IMAGE007
都表示判别器；
生成器采用全卷积神经网络作为主干结构，用于根据时空运动特征小样本/识别标签生成识别标签/增强特征样本；
判别器采用卷积层作为主干结构，用于将生成器所生成的识别标签/增强特征样本与真实的识别标签/时空运动特征小样本进行判别，根据判别结果与真实结果的梯度惩罚损失指导生成器增强特征样本的生成；
在对偶式生成对抗网络的训练过程中，固定判别器的参数，生成器根据判别器的反馈优化其参数；判别器根据生成器最新生成的特征，进行参数的自更新；生成器和判别器进行反复迭代，直到生成的增强特征样本与真实的时空运动特征小样本相符，满足判别器要求为止；其中，所述参数包括：每个神经元的权重和偏差。
7.根据权利要求6所述的慢性踝关节不稳智能辅助诊断系统，其特征在于，构建的两个任务包括：主任务和对偶任务；其中，
主任务为：真实的时空运动特征经过生成器
Figure 672388DEST_PATH_IMAGE004
得到生成的诊断结果，生成的诊断结果 经过生成器
Figure 545667DEST_PATH_IMAGE005
得到生成的时空运动特征，生成的特征即为对原有的特征的一次重构，生成 的诊断结果与真实的诊断结果共同输入判别器
Figure 755193DEST_PATH_IMAGE006
判断诊断结果的真伪，生成的时空运动 特征与真实的时空运动特征经过判别器
Figure 723018DEST_PATH_IMAGE007
判断特征的真伪；其中，诊断结果为识别标签；
对偶任务为：真实的诊断结果经过生成器
Figure 177133DEST_PATH_IMAGE005
得到生成的时空运动特征，生成的时空运 动特征输入生成器
Figure 955733DEST_PATH_IMAGE004
得到生成的诊断结果，生成的诊断结果与真实的诊断结果共同输入 判别器
Figure 495299DEST_PATH_IMAGE006
判断诊断结果的真伪，生成的时空运动特征与真实的时空运动特征经过判别器
Figure 765350DEST_PATH_IMAGE008
判断特征的真伪。
8.根据权利要求1所述的慢性踝关节不稳智能辅助诊断系统，其特征在于，所述运动特征增强模块，还用于对真实的时空运动特征和增强特征构建频率直方图和散点图，以描述真实的时空运动特征与增强特征的分布情况与线性回归关系。
CN202211169507.0A 2022-09-26 2022-09-26 一种慢性踝关节不稳智能辅助诊断系统 Active CN115281662B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211169507.0A CN115281662B (zh) 2022-09-26 2022-09-26 一种慢性踝关节不稳智能辅助诊断系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211169507.0A CN115281662B (zh) 2022-09-26 2022-09-26 一种慢性踝关节不稳智能辅助诊断系统

Publications (2)

Publication Number Publication Date
CN115281662A true CN115281662A (zh) 2022-11-04
CN115281662B CN115281662B (zh) 2023-01-17

Family

ID=83833815

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211169507.0A Active CN115281662B (zh) 2022-09-26 2022-09-26 一种慢性踝关节不稳智能辅助诊断系统

Country Status (1)

Country Link
CN (1) CN115281662B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116784802A (zh) * 2023-07-04 2023-09-22 暨南大学附属第一医院（广州华侨医院） 基于运动数据及内窥镜图像的慢性踝关节辅助诊断方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015011686A (ja) * 2013-07-02 2015-01-19 日本電信電話株式会社 統合識別器学習装置、統合識別器学習方法、及び統合識別器学習プログラム
CN109190579A (zh) * 2018-09-14 2019-01-11 大连交通大学 一种基于对偶学习的生成式对抗网络sigan的签名笔迹鉴定方法
CN109498025A (zh) * 2018-09-13 2019-03-22 龙岩学院 基于相空间重构、欧氏距离和神经网络的膝骨性关节炎诊断系统
CN111820902A (zh) * 2020-06-29 2020-10-27 北京科技大学 一种基于活动度特征的踝关节韧带损伤智能决策系统
CN111862260A (zh) * 2020-07-31 2020-10-30 浙江工业大学 基于跨域对偶生成式对抗网络的偏见消除方法与装置
CN112115993A (zh) * 2020-09-11 2020-12-22 昆明理工大学 一种基于元学习的零样本和小样本证件照异常检测方法
CN113080993A (zh) * 2021-03-30 2021-07-09 北京芯动卫士科技有限公司 一种基于改进多基分类器集成的自动心律失常分析方法
WO2021145948A1 (en) * 2020-01-15 2021-07-22 North Carolina State University Systems and methods for reinforcement learning control of a powered prosthesis
CN113537306A (zh) * 2021-06-29 2021-10-22 复旦大学 一种基于渐进式成长元学习的图像分类方法
WO2021258333A1 (zh) * 2020-06-24 2021-12-30 中国科学院深圳先进技术研究院 一种步态异常早期识别与风险预警方法和装置
CN114058691A (zh) * 2021-11-09 2022-02-18 山西医科大学 基于Stacking集成学习的骨骼肌早期损伤时间预测方法
CN114154551A (zh) * 2021-10-19 2022-03-08 中山大学 一种基于深度学习的多元时间序列分类方法
CN114708517A (zh) * 2022-03-14 2022-07-05 河海大学 一种基于注意力的自适应元学习岩性识别方法及装置
WO2022141201A1 (zh) * 2020-12-30 2022-07-07 深圳高性能医疗器械国家研究院有限公司 一种基于dce-mri的乳腺癌分级方法
CN114782775A (zh) * 2022-04-19 2022-07-22 平安科技（深圳）有限公司 分类模型的构建方法、装置、计算机设备及存储介质

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015011686A (ja) * 2013-07-02 2015-01-19 日本電信電話株式会社 統合識別器学習装置、統合識別器学習方法、及び統合識別器学習プログラム
CN109498025A (zh) * 2018-09-13 2019-03-22 龙岩学院 基于相空间重构、欧氏距离和神经网络的膝骨性关节炎诊断系统
CN109190579A (zh) * 2018-09-14 2019-01-11 大连交通大学 一种基于对偶学习的生成式对抗网络sigan的签名笔迹鉴定方法
WO2021145948A1 (en) * 2020-01-15 2021-07-22 North Carolina State University Systems and methods for reinforcement learning control of a powered prosthesis
WO2021258333A1 (zh) * 2020-06-24 2021-12-30 中国科学院深圳先进技术研究院 一种步态异常早期识别与风险预警方法和装置
CN111820902A (zh) * 2020-06-29 2020-10-27 北京科技大学 一种基于活动度特征的踝关节韧带损伤智能决策系统
CN111862260A (zh) * 2020-07-31 2020-10-30 浙江工业大学 基于跨域对偶生成式对抗网络的偏见消除方法与装置
CN112115993A (zh) * 2020-09-11 2020-12-22 昆明理工大学 一种基于元学习的零样本和小样本证件照异常检测方法
WO2022141201A1 (zh) * 2020-12-30 2022-07-07 深圳高性能医疗器械国家研究院有限公司 一种基于dce-mri的乳腺癌分级方法
CN113080993A (zh) * 2021-03-30 2021-07-09 北京芯动卫士科技有限公司 一种基于改进多基分类器集成的自动心律失常分析方法
CN113537306A (zh) * 2021-06-29 2021-10-22 复旦大学 一种基于渐进式成长元学习的图像分类方法
CN114154551A (zh) * 2021-10-19 2022-03-08 中山大学 一种基于深度学习的多元时间序列分类方法
CN114058691A (zh) * 2021-11-09 2022-02-18 山西医科大学 基于Stacking集成学习的骨骼肌早期损伤时间预测方法
CN114708517A (zh) * 2022-03-14 2022-07-05 河海大学 一种基于注意力的自适应元学习岩性识别方法及装置
CN114782775A (zh) * 2022-04-19 2022-07-22 平安科技（深圳）有限公司 分类模型的构建方法、装置、计算机设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116784802A (zh) * 2023-07-04 2023-09-22 暨南大学附属第一医院（广州华侨医院） 基于运动数据及内窥镜图像的慢性踝关节辅助诊断方法

Also Published As

Publication number Publication date
CN115281662B (zh) 2023-01-17

Similar Documents

Publication Publication Date Title
Dorschky et al. CNN-based estimation of sagittal plane walking and running biomechanics from measured and simulated inertial sensor data
CN108364006B (zh) 基于多模式深度学习的医学图像分类装置及其构建方法
Wang et al. Skeletal maturity recognition using a fully automated system with convolutional neural networks
CN109147940A (zh) 从患者的医学图像自动预测生理状况的装置和系统
CN106295544A (zh) 一种基于Kinect的视角不变性步态识别方法
Sridhar et al. A Torn ACL mapping in knee MRI images using deep convolution neural network with Inception-v3
CN115281662B (zh) 一种慢性踝关节不稳智能辅助诊断系统
Deshmukh et al. Faster region-convolutional neural network oriented feature learning with optimal trained recurrent neural network for bone age assessment for pediatrics
Martins et al. Hybridization between multi-objective genetic algorithm and support vector machine for feature selection in walker-assisted gait
CN116110597A (zh) 一种基于数字孪生的患者病症类别智能分析方法及装置
Doshi et al. (Retracted) Deep belief network-based image processing for local directional segmentation in brain tumor detection
CN111820902B (zh) 一种基于活动度特征的踝关节韧带损伤智能决策系统
Ghosh et al. Automated 3D muscle segmentation from MRI data using convolutional neural network
CN108305683A (zh) 一种膝关节疾病预测装置及系统
Sadeghi et al. A Novel Sep-Unet architecture of convolutional neural networks to improve dermoscopic image segmentation by training parameters reduction
CN116509547A (zh) 骨科机器人钉道智能规划系统及其方法
Tang et al. An artificial neural network algorithm for the evaluation of postoperative rehabilitation of patients
Thamilselvan et al. Image classification using hybrid data mining algorithms-a review
Wan et al. Computer-aided classification of lung nodules on CT images with expert knowledge
Tuan et al. Semisupervised fuzzy clustering methods for X-ray image segmentation
Nandy et al. A novel approach to human gait recognition using possible speed invariant features
Imamoglu et al. Pulse-coupled neural network segmentation and bottom-up saliency-on feature extraction for thigh magnetic resonance imaging based 3D model construction
Chowdhury et al. Detection of Sars-Cov-2 from human chest CT images in Multi-Convolutional Neural Network’s environment
Vishwakarma et al. Optimized vision transformer encoder with cnn for automatic psoriasis disease detection
Reddy PERSON IDENTIFICATION AND ANOMALY DETECTION USING GAIT PARAMETERS

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