CN115316984B - 一种手关节活动度测量轴心位点定位方法及系统 - Google Patents
一种手关节活动度测量轴心位点定位方法及系统 Download PDFInfo
- Publication number
- CN115316984B CN115316984B CN202211250529.XA CN202211250529A CN115316984B CN 115316984 B CN115316984 B CN 115316984B CN 202211250529 A CN202211250529 A CN 202211250529A CN 115316984 B CN115316984 B CN 115316984B
- Authority
- CN
- China
- Prior art keywords
- joint
- arr
- motion
- locus
- mseq
- 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
- 210000002478 hand joint Anatomy 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000033001 locomotion Effects 0.000 claims abstract description 182
- 230000009916 joint effect Effects 0.000 claims abstract description 90
- 238000003491 array Methods 0.000 claims abstract description 52
- 239000011159 matrix material Substances 0.000 claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 36
- 238000011084 recovery Methods 0.000 claims abstract description 35
- 238000005259 measurement Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 23
- 238000010586 diagram Methods 0.000 claims description 18
- 210000000988 bone and bone Anatomy 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 6
- 210000003414 extremity Anatomy 0.000 description 28
- 210000003462 vein Anatomy 0.000 description 4
- 210000003811 finger Anatomy 0.000 description 3
- 210000001145 finger joint Anatomy 0.000 description 3
- 210000003813 thumb Anatomy 0.000 description 3
- 210000003484 anatomy Anatomy 0.000 description 2
- 238000002224 dissection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003331 infrared imaging Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 206010066871 Disuse syndrome Diseases 0.000 description 1
- 206010019468 Hemiplegia Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 201000008482 osteoarthritis Diseases 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
-
- 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
- A61B5/1118—Determining activity level
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Geometry (AREA)
- Multimedia (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种手关节活动度测量轴心位点定位方法及系统,通过使用肢体运动骨性位点自动识别系统于固定一方向上在多个不同时刻分别获取手部关节点的分布图组成轴心位点定位分布序列,分别在矢状面、冠状面及水平面获取各个方向上的轴心位点定位分布序列,分别计算得到关节活动度运动数组,再在数据库中存储多个不同的关节活动度运动数组作为检测集,并获取待检测的关节活动度运动数组,进而把检测集与待检测的关节活动度运动数组进行对照得到向面数值作为恢复度,实现了在图像矩阵的长序列中有效追踪关节的活动轨迹并精确测量关节活动的恢复程度的有益效果。
Description
技术领域
本发明属于大数据处理领域,具体涉及一种手关节活动度测量轴心位点定位方法及系统。
背景技术
关节活动度(range of motion,ROM)由三个方面来决定:关节在解剖学中的结构、与关节相连的原动肌的力度大小、起反作用的对抗肌的收缩性。人口老龄化的病理原因会引起正常人的ROM退化,比较常见的包括退化性关节炎、废用综合症、中风等引起的偏瘫、骨折等,精确测量ROM可以用于测量关节的活动是否受到限制、受到限制的程度、以及恢复的程度。手掌的关节活动,尤其是拇指的外展与内收、拇指对掌运动等,其肢体运动ROM动态测量技术难度大,当前已有方法人力成本、时间成本过高且精确度低。针对手掌的关节活动,在借助OpenPose模型的基础上,位于解剖平面上的轴心位点运动追踪可以利用肢体运动骨性位点自动识别系统器确定手掌的轴心位点,这将有助于测量关节活动度的恢复的程度。此外,现有技术一般是通过静脉进行测量恢复,而申请号为CN201711175045.2的专利文献中提供了一种静脉图像感兴趣区域提取方法,尽管可以对于无法检测手指轴心位点或者手掌边线区域的曲率过大时使用一条直线拟合不合适的情况提取感兴趣区域,但是不能够在多个图像矩阵的时空序列中进行关节活动的追踪,也不能够测量恢复的程度。
发明内容
本发明的目的在于提出一种手关节活动度测量轴心位点定位方法及系统,以解决现有技术中所存在的一个或多个技术问题,至少提供一种有益的选择或创造条件。
本发明提供了一种手关节活动度测量轴心位点定位方法及系统,通过使用肢体运动骨性位点自动识别系统于固定一方向上在多个不同时刻分别获取手部关节点(轴心)的分布图组成轴心位点定位分布序列,分别在矢状面、冠状面及水平面获取各个方向上的轴心位点定位分布序列,分别计算得到关节活动度运动数组,再在数据库中存储多个不同的关节活动度运动数组作为检测集,并获取待检测的关节活动度运动数组,进而把检测集与待检测的关节活动度运动数组进行对照,得到向面数值作为恢复度。
为了实现上述目的,根据本发明的一方面,提供一种手关节活动度测量轴心位点定位方法,所述方法包括以下步骤:
S100,使用肢体运动骨性位点自动识别系统,于固定一方向上,在多个不同时刻,分别获取手部关节点(轴心)的分布图,由此组成轴心位点定位分布序列;
S200,分别在矢状面、冠状面及水平面的方向,获取各个方向上的轴心位点定位分布序列;
S300,对各方向上的轴心位点定位分布序列,分别计算得到关节活动度运动数组;
S400,在数据库中存储多个不同的关节活动度运动数组作为检测集;获取待检测的关节活动度运动数组;
S500,将检测集与待检测的关节活动度运动数组进行对照得到向面数值作为恢复度。
其中,若所述恢复度大于预设的阈值,则获取所述待检测的关节活动度运动数组对应的手部关节点的分布图,并将对应的手部关节点的分布图进行图像增强再以计算机的输出设备进行输出。
其中,计算恢复度是用来测量待检测的关节的运动轨迹与标准的运动轨迹之间的距离的物理指标,可以用于测量待检测的图像接近标准图像的差异程度或者运动轨迹和标准轨迹的偏离程度,目前已有技术中使用的以量角器手工测量恢复程度的测量指标误差大,而测量恢复度提供了更精准更客观的物理参数,增强手部关节点的分布图。
进一步地,在S100中,使用肢体运动骨性位点自动识别系统,于固定一方向上,在多个不同时刻,分别获取手部关节点(轴心)的分布图,由此组成轴心位点定位分布序列的方法为:
使用基于红外成像的肢体运动骨性位点自动识别系统,将肢体运动骨性位点自动识别系统固定于一个方向上,在一段连续时间内的多个不同时刻,分别获取手部关节点(轴心)的分布图,在此期间手掌按规定的方向作位移;
将手部关节点(轴心)的分布图的图像矩阵组成的序列作为轴心位点定位分布序列,手部关节点(轴心)的分布图皆经过灰度化、归一化处理的图像矩阵,手部关节点(轴心)的分布图在图像矩阵上对应手部关节点(轴心)的线由像素值为1的像素点组成,而图像矩阵上其余的像素点的像素值则为0,将手部关节点(轴心)的分布图的图像矩阵上对应手部关节点(轴心)的线之间的交点标记为轴心位点并对轴心位点进行定位,轴心位点为手指运动的移动臂的定点;其中,图像矩阵的大小皆相等,使用的肢体运动骨性位点自动识别系统可为PSN900型号的肢体运动骨性位点自动识别系统,使用肢体运动骨性位点自动识别系统获取手部关节点(轴心)的分布图的方法参见PSN900型号的肢体运动骨性位点自动识别系统的使用步骤。
进一步地,在S200中,分别在矢状面、冠状面及水平面的方向,获取各个方向上的轴心位点定位分布序列的方法为:分别在正对解剖学上的人体的三种切面即矢状面、水平面、冠状面的方向上,各设置有一个肢体运动骨性位点自动识别系统,获取各个方向上的轴心位点定位分布序列;
所述肢体运动骨性位点自动识别系统包括:OpenPose模型、MoveNet模型、BlazePose模型、PoseNet模型、BodyPoseModel模型或PaddleHub模型。
进一步地,在S300中,对各方向上的轴心位点定位分布序列,分别计算得到关节活动度运动数组的方法为:
将手部关节点(轴心)的分布图的图像矩阵上对应手部关节点(轴心)的线之间的交点标记为轴心位点;
将各个方向上的轴心位点定位分布序列中的各个图像矩阵上的轴心位点进行标记;
在轴心位点定位分布序列中的每个图像矩阵中存在至少一个轴心位点;
记轴心位点定位分布序列中的元素的数量为n,轴心位点定位分布序列中的元素的序号为i,i∈[1,n],一个轴心位点定位分布序列记作一个序列Mseq,Mseq中序号为i的元素为Mseq(i),Mseq(i)中轴心位点的数量为m(i),Mseq(i)中轴心位点的序号为j(i),j(i)∈[1, m(i)];
关节活动度运动数组为一个维数与轴心位点定位分布序列的元素数量相同的数组,关节活动度运动数组中各维度的序号与轴心位点定位分布序列中各元素的序号保持一致,Mseq对应的关节活动度运动数组记为Arr,计算Arr的具体步骤为:
S301,设置Arr为一个维数为n的数组,Arr中各维度的序号与Mseq同为i,Arr中序号为i的维度的数值记为Arr(i),令Arr中各维度的数值的初始值为1;
S302,对Arr中序号为i的元素即Arr(i)进行赋值,定义进行赋值的函数为Dis(),函数Dis()的计算方法为:选取Mseq中的序号为i的元素即Mseq(i)与末个元素即Mseq(n),将Mseq(i)图像矩阵与Mseq(n)图像矩阵相重叠,即将Mseq(i)图像矩阵与Mseq(n)图像矩阵上相同行序号列序号的像素点按位置放在一起,由此,比较Mseq(i)图像矩阵与Mseq(n)图像矩阵上像素值为1的像素点之间的位置距离,距离的单位为1像素,距离的计算方法为欧氏距离的计算方法,在计算过程中经过无量纲化处理,对Mseq(i)上每一个像素值为1的像素点在Mseq(n)上选取与其位置距离最小的一个像素值为1的像素点并记录两者间的距离,计算Mseq(i)上每一个像素值为1的像素点与其在Mseq(n)上距离最小的点的距离的算术平均值作为Dis(Arr(i)),所得Dis(Arr(i))即为函数Dis()对Arr(i)进行赋值的输出(这里面计算得到的每一个像素值为1的像素点与其在另一个图像矩阵上距离最小的点的距离的算术平均值便是关节活动度轴心位点的移动距离,通过移动距离可以计算出移动的角度);
S303,使用函数Dis()对Arr中序号为1至n-1的元素分别进行赋值,将Dis(Arr(i))的数值赋值予Arr(i);
S304,计算wav,wav为表示Arr中各维度的变化趋势的数值,wav的计算公式为:
其中,Arr(i+1)表示Arr(i)在i增加1后即Arr(i)的下一个元素;
S305,使用wav对Arr(n)进行赋值,计算Arr中序号为1至n-1的元素的算术平均值作为Arr(1,n-1),计算Arr(1,n-1)乘以wav的乘积并将该乘积的数值赋值予Arr(n);输出得到Arr作为关节活动度运动数组;
计算得到关节活动度运动数组的有益效果为:将冗长的图像矩阵的时空序列大规模压缩数据量,提取出掌静脉轴心位点的运动轨迹作为低维度数组,有效节约了计算资源,快速表达出运动的路径;
由此,使用S301- S305计算在矢状面、冠状面及水平面各个方向上的轴心位点定位分布序列的关节活动度运动数组。
进一步地,在S400中,在数据库中存储多个不同的关节活动度运动数组作为检测集的方法为:随机采样多个不同的在矢状面、冠状面及水平面各方向上的轴心位点定位分布序列并分别计算得到关节活动度运动数组,将得到的关节活动度运动数组组成的数据集作为检测集,再将检测集存储于数据库中。
进一步地,在S500中,将检测集与待检测的关节活动度运动数组进行对照得到向面数值作为恢复度的方法为:
将检测集记为集合Arrset,Arrset中的每个元素由三个关节活动度运动数组构成,即矢状面、冠状面及水平面上各自的关节活动度运动数组,Arrset中元素的数量为T,Arrset中元素的序号为t,t∈[1,T];
将Arrset中每一个元素按照矢状面、冠状面及水平面进行分开归类,将各个元素中水平面对应的关节活动度运动数组所组成的集合作为Transet,将各个元素中冠状面对应的关节活动度运动数组所组成的集合作为Coroset,将各个元素中矢状面对应的关节活动度运动数组所组成的集合作为Sagiset;
一个关节活动度运动数组为一个n维的数组,关节活动度运动数组中维度的序号为i;
Transet、Coroset与Sagiset中的各元素与分开归类前Arrset中各元素的序号保持一致,
Transet中序号为t的元素记为Transet(t),Transet(t)中序号为i的维度的数值为Transet(t,i),
Coroset中序号为t的元素记为Coroset(t),Coroset(t)中序号为i的维度的数值为Coroset(t,i),
Sagiset中序号为t的元素记为Sagiset(t),Sagiset(t)中序号为i的维度的数值为Sagiset(t,i);
待检测的关节活动度运动数组包括分别对应矢状面、冠状面及水平面的三个关节活动度运动数组,
其中,对应水平面的关节活动度运动数组为Trans,对应冠状面的关节活动度运动数组为Coro,对应矢状面的关节活动度运动数组为Sagit,
Trans中序号为i的维度上的数值为Trans(i),Coro中序号为i的维度上的数值为Coro(i),Sagit中序号为i的维度上的数值为Sagit(i);
计算矢状面方向上的向面数值为St,St的计算公式为:
计算冠状面方向上的向面数值为Ct,Ct的计算公式为:
计算水平面方向上向面数值为Rt,Rt的计算公式为:
总体的各方向上综合的向面数值为Pt,Pt的计算公式为Pt=Sqrt{[(St+Rt)/2]*[(Ct+Rt)/2]},其中函数Sqrt为开平方根的函数,将得到的Pt的数值转化为百分数即为恢复度;
将恢复度通过计算机的输出设备进行输出,医护人员通过输出的恢复度衡量待测的人员的手关节的活动度的运动轨迹规范的程度;
有益效果:由于解剖平面的三个方向上受采集统计的数值波动灵敏度高而受影响较大,通过计算向面数值,可以精准地提取出解剖平面的各个方向上的变化波动而免除离群值的干扰。计算恢复度的有益效果为:首先在解破学的三个方向上衡量待检测者的运动轨迹的向面数值,再将各个方向上的向面数值相结合描述出待检测者相对于相近水平的近似程度。
本发明还提供了一种手关节活动度测量轴心位点定位系统,所述一种手关节活动度测量轴心位点定位系统包括:处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述一种手关节活动度测量轴心位点定位方法中的步骤,所述一种手关节活动度测量轴心位点定位系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心等计算设备中,可运行的系统可包括,但不仅限于,处理器、存储器、服务器集群,所述处理器执行所述计算机程序运行在以下系统的单元中:
轴心位点定位分布序列获取单元,用于使用肢体运动骨性位点自动识别系统,于固定一方向上,在多个不同时刻,分别获取手部关节点(轴心)的分布图,由此组成轴心位点定位分布序列;
序列化单元,用于分别在矢状面、冠状面及水平面的方向,获取各个方向上的轴心位点定位分布序列;
关节活动度运动数组获取单元,用于对各方向上的轴心位点定位分布序列,分别计算得到关节活动度运动数组;
检测数据获取单元,用于在数据库中存储多个不同的关节活动度运动数组作为检测集;获取待检测的关节活动度运动数组;
恢复度计算单元,用于将检测集与待检测的关节活动度运动数组进行对照得到向面数值作为恢复度。
本发明的有益效果为:本发明提供了一种手关节活动度测量轴心位点定位方法及系统,通过使用肢体运动骨性位点自动识别系统于固定一方向上在多个不同时刻分别获取手部关节点(轴心)的分布图组成轴心位点定位分布序列,分别在矢状面、冠状面及水平面获取各个方向上的轴心位点定位分布序列,分别计算得到关节活动度运动数组,再在数据库中存储多个不同的关节活动度运动数组作为检测集,并获取待检测的关节活动度运动数组,进而把检测集与待检测的关节活动度运动数组进行对照得到向面数值作为恢复度,实现了在图像矩阵的长序列中有效追踪关节的活动轨迹并精确测量关节活动的恢复程度的有益效果。
附图说明
通过对结合附图所示出的实施方式进行详细说明,本发明的上述以及其他特征将更加明显,本发明附图中相同的参考标号表示相同或相似的元素,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,在附图中:
图1所示为一种手关节活动度测量轴心位点定位方法的流程图;
图2所示为一种手关节活动度测量轴心位点定位系统的系统结构图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本发明的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
如图1所示为根据本发明的一种手关节活动度测量轴心位点定位方法的流程图,下面结合图1来阐述根据本发明的实施方式的一种手关节活动度测量轴心位点定位方法及系统。
本发明提出一种手关节活动度测量轴心位点定位方法,所述方法具体包括以下步骤:
S100,使用肢体运动骨性位点自动识别系统,于固定一方向上,在多个不同时刻,分别获取手部关节点(轴心)的分布图,由此组成轴心位点定位分布序列;
S200,分别在矢状面、冠状面及水平面的方向,获取各个方向上的轴心位点定位分布序列;
S300,对各方向上的轴心位点定位分布序列,分别计算得到关节活动度运动数组;
S400,在数据库中存储多个不同的关节活动度运动数组作为检测集;获取待检测的关节活动度运动数组;
S500,将检测集与待检测的关节活动度运动数组进行对照得到向面数值作为恢复度。
其中,若所述恢复度大于预设的阈值,则获取所述待检测的关节活动度运动数组对应的手部关节点的分布图,并将对应的手部关节点的分布图进行图像增强再以计算机的输出设备进行输出(优选地,图像增强使用的方法可为LLNet模型,参考文献:[1] Lore K G, Akintayo A , Sarkar S . LLNet: A Deep Autoencoder Approach to Natural Low-light Image Enhancement[J]. Pattern Recognition, 2017, 61:650-662.;[2]刘雪峰,刘秋月. 图像阴影检测与增强算法研究[J]. 现代电子技术, 2022, 45(10):6),预设的阈值可为[0.5,0.6];
或者,预设的阈值为随机抽取5~20个香港理工大学手指关节纹数据集(The HongKong Polytechnic University (PolyU)Finger-Knuckle-Print Database) 中的手指关节纹数据通过步骤S200~S400计算得到的恢复度的平均值。
优选地,所述数据库为香港理工大学手指关节纹数据集中通过S200~S400处理后的各个数据的的关节活动度运动数组。
优选地,所述肢体运动骨性位点自动识别系统优选为OpenPose模型(参见:[3]唐心宇. 基于云平台的情景交互式康复训练及评估系统[D]. 东南大学),手部关节点(轴心)的分布图可为手掌的红外静脉成像再通过关节点识别得到的图像。
进一步地,在S100中,使用肢体运动骨性位点自动识别系统,于固定一方向上,在多个不同时刻,分别获取手部关节点(轴心)的分布图,由此组成轴心位点定位分布序列的方法为:
使用基于红外成像的肢体运动骨性位点自动识别系统,将肢体运动骨性位点自动识别系统固定于一个方向上,在一段连续时间内的多个即3个以上的不同时刻,分别获取手部关节点(轴心)的分布图,在此期间手掌按规定的方向作位移;
将手部关节点(轴心)的分布图的图像矩阵组成的序列作为轴心位点定位分布序列,手部关节点(轴心)的分布图皆经过灰度化、归一化处理的图像矩阵,手部关节点(轴心)的分布图在图像矩阵上对应手部关节点(轴心)的线由像素值为1的像素点组成,而图像矩阵上其余的像素点的像素值则为0,将手部关节点(轴心)的分布图的图像矩阵上对应手部关节点(轴心)的线之间的交点标记为轴心位点并对轴心位点进行定位,手部关节点(轴心)的分布图的图像矩阵上对应手部关节点(轴心)的线之间的交点为拇指根部与手掌相连接的部分,轴心位点为手指运动的移动臂的定点;其中,图像矩阵的大小皆相等,使用的肢体运动骨性位点自动识别系统可为PSN900型号的肢体运动骨性位点自动识别系统,使用肢体运动骨性位点自动识别系统获取手部关节点(轴心)的分布图的方法参见PSN900型号的肢体运动骨性位点自动识别系统的使用步骤。
进一步地,在S200中,分别在矢状面、冠状面及水平面的方向,获取各个方向上的轴心位点定位分布序列的方法为:分别在正对解剖学上的人体的三种切面即矢状面、水平面、冠状面的方向上,各设置有一个肢体运动骨性位点自动识别系统,获取各个方向上的轴心位点定位分布序列所述肢体运动骨性位点自动识别系统包括:OpenPose模型、MoveNet模型、BlazePose模型、PoseNet模型、BodyPoseModel模型或PaddleHub模型。
进一步地,在S300中,对各方向上的轴心位点定位分布序列,分别计算得到关节活动度运动数组的方法为:
将各个方向上的轴心位点定位分布序列中的各个图像矩阵上的轴心位点进行标记;
在轴心位点定位分布序列中的每个图像矩阵中存在至少一个轴心位点;
记轴心位点定位分布序列中的元素的数量为n,轴心位点定位分布序列中的元素的序号为i,i∈[1,n],一个轴心位点定位分布序列记作一个序列Mseq,Mseq中序号为i的元素为Mseq(i),Mseq(i)中轴心位点的数量为m(i),Mseq(i)中轴心位点的序号为j(i),j(i)∈[1, m(i)];
关节活动度运动数组为一个维数与轴心位点定位分布序列的元素数量相同的数组,关节活动度运动数组中各维度的序号与轴心位点定位分布序列中各元素的序号保持一致,Mseq对应的关节活动度运动数组记为Arr,计算Arr的具体步骤为:
S301,设置Arr为一个维数为n的数组,Arr中各维度的序号与Mseq同为i,Arr中序号为i的维度的数值记为Arr(i),令Arr中各维度的数值的初始值为1;
S302,对Arr中序号为i的元素即Arr(i)进行赋值,定义进行赋值的函数为Dis(),函数Dis()的计算方法为:选取Mseq中的序号为i的元素即Mseq(i)与末个元素即Mseq(n),将Mseq(i)图像矩阵与Mseq(n)图像矩阵相重叠,即将Mseq(i)图像矩阵与Mseq(n)图像矩阵上相同行序号列序号的像素点按位置放在一起,由此,比较Mseq(i)图像矩阵与Mseq(n)图像矩阵上像素值为1的像素点之间的位置距离,距离的单位为1像素,距离的计算方法为欧氏距离的计算方法,在计算过程中经过无量纲化处理,对Mseq(i)上每一个像素值为1的像素点在Mseq(n)上选取与其位置距离最小的一个像素值为1的像素点并记录两者间的距离,计算Mseq(i)上每一个像素值为1的像素点与其在Mseq(n)上距离最小的点的距离的算术平均值作为Dis(Arr(i)),所得Dis(Arr(i))即为函数Dis()对Arr(i)进行赋值的输出;
S303,使用函数Dis()对Arr中序号为1至n-1的元素分别进行赋值,将Dis(Arr(i))的数值赋值予Arr(i);
S304,计算wav,wav为表示Arr中各维度的变化趋势的数值,wav的计算公式为:
其中,Arr(i+1)表示Arr(i)在i增加1后即Arr(i)的下一个元素;
S305,使用wav对Arr(n)进行赋值,计算Arr中序号为1至n-1的元素的算术平均值作为Arr(1,n-1),计算Arr(1,n-1)乘以wav的乘积并将该乘积的数值赋值予Arr(n);输出得到Arr作为关节活动度运动数组;
由此,使用S301- S305计算在矢状面、冠状面及水平面各个方向上的轴心位点定位分布序列的关节活动度运动数组。
进一步地,在S400中,在数据库中存储多个不同的关节活动度运动数组作为检测集的方法为:随机采样多个不同的在矢状面、冠状面及水平面各方向上的轴心位点定位分布序列并分别计算得到关节活动度运动数组,将得到的关节活动度运动数组组成的数据集作为检测集,再将检测集存储于数据库中,可优选地,可以采集在做完各次康复治疗后病人的手关节运动的关节活动度运动数组,进而用于对比各次康复治疗后病人的手关节运动的运动轨迹规范的程度。
进一步地,在S500中,将检测集与待检测的关节活动度运动数组进行对照得到向面数值作为恢复度的方法为:
将检测集记为集合Arrset,Arrset中的每个元素由三个关节活动度运动数组构成,即矢状面、冠状面及水平面上各自的关节活动度运动数组,Arrset中元素的数量为T,Arrset中元素的序号为t,t∈[1,T];
将Arrset中每一个元素按照矢状面、冠状面及水平面进行分开归类,将各个元素中水平面对应的关节活动度运动数组所组成的集合作为Transet,将各个元素中冠状面对应的关节活动度运动数组所组成的集合作为Coroset,将各个元素中矢状面对应的关节活动度运动数组所组成的集合作为Sagiset;
一个关节活动度运动数组为一个n维的数组,关节活动度运动数组中维度的序号为i;
Transet、Coroset与Sagiset中的各元素与分开归类前Arrset中各元素的序号保持一致,
Transet中序号为t的元素记为Transet(t),Transet(t)中序号为i的维度的数值为Transet(t,i),
Coroset中序号为t的元素记为Coroset(t),Coroset(t)中序号为i的维度的数值为Coroset(t,i),
Sagiset中序号为t的元素记为Sagiset(t),Sagiset(t)中序号为i的维度的数值为Sagiset(t,i);
待检测的关节活动度运动数组包括分别对应矢状面、冠状面及水平面的三个关节活动度运动数组,
其中,对应水平面的关节活动度运动数组为Trans,对应冠状面的关节活动度运动数组为Coro,对应矢状面的关节活动度运动数组为Sagit,
Trans中序号为i的维度上的数值为Trans(i),Coro中序号为i的维度上的数值为Coro(i),Sagit中序号为i的维度上的数值为Sagit(i);
计算矢状面方向上的向面数值为St,St的计算公式为:
计算冠状面方向上的向面数值为Ct,Ct的计算公式为:
计算水平面方向上向面数值为Rt,Rt的计算公式为:
总体的各方向上综合的向面数值为Pt,Pt的计算公式为Pt=Sqrt{[(St+Rt)/2]*[(Ct+Rt)/2]},其中函数Sqrt为开平方根的函数,将得到的Pt的数值转化为百分数即为恢复度;
将恢复度通过计算机的输出设备进行输出,医护人员通过输出的恢复度衡量待测的人员的手关节的活动度的运动轨迹规范的程度;
可优选地,数据库中预存了各个图像及其对应的恢复度,在数据库中寻找预存的。
其中,exp表示指数函数。
所述一种手关节活动度测量轴心位点定位系统包括:处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种手关节活动度测量轴心位点定位方法实施例中的步骤,所述一种手关节活动度测量轴心位点定位系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心等计算设备中,可运行的系统可包括,但不仅限于,处理器、存储器、服务器集群。
本发明的实施例提供的一种手关节活动度测量轴心位点定位系统,如图2所示,该实施例的一种手关节活动度测量轴心位点定位系统包括:处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种手关节活动度测量轴心位点定位方法实施例中的步骤,所述处理器执行所述计算机程序运行在以下系统的单元中:
轴心位点定位分布序列获取单元,用于使用肢体运动骨性位点自动识别系统,于固定一方向上,在多个不同时刻,分别获取手部关节点(轴心)的分布图,由此组成轴心位点定位分布序列;
序列化单元,用于分别在矢状面、冠状面及水平面的方向,获取各个方向上的轴心位点定位分布序列;
关节活动度运动数组获取单元,用于对各方向上的轴心位点定位分布序列,分别计算得到关节活动度运动数组;
检测数据获取单元,用于在数据库中存储多个不同的关节活动度运动数组作为检测集;获取待检测的关节活动度运动数组;
恢复度计算单元,用于将检测集与待检测的关节活动度运动数组进行对照得到向面数值作为恢复度。
所述一种手关节活动度测量轴心位点定位系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心等计算设备中。所述一种手关节活动度测量轴心位点定位系统包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述例子仅仅是一种手关节活动度测量轴心位点定位方法及系统的示例,并不构成对一种手关节活动度测量轴心位点定位方法及系统的限定,可以包括比例子更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述一种手关节活动度测量轴心位点定位系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立元器件门电路或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述一种手关节活动度测量轴心位点定位系统的控制中心,利用各种接口和线路连接整个一种手关节活动度测量轴心位点定位系统的各个分区域。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述一种手关节活动度测量轴心位点定位方法及系统的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明提供了一种手关节活动度测量轴心位点定位方法及系统,通过使用肢体运动骨性位点自动识别系统于固定一方向上在多个不同时刻分别获取手部关节点(轴心)的分布图组成轴心位点定位分布序列,分别在矢状面、冠状面及水平面获取各个方向上的轴心位点定位分布序列,分别计算得到关节活动度运动数组,再在数据库中存储多个不同的关节活动度运动数组作为检测集,并获取待检测的关节活动度运动数组,进而把检测集与待检测的关节活动度运动数组进行对照得到向面数值作为恢复度,实现了在图像矩阵的长序列中有效追踪关节的活动轨迹并精确测量关节活动的恢复程度的有益效果。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,从而有效地涵盖本发明的预定范围。此外,上文以发明人可预见的实施例对本发明进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
Claims (5)
1.一种手关节活动度测量轴心位点定位方法,其特征在于,所述方法包括以下步骤:
S100,使用肢体运动骨性位点自动识别系统,于固定一方向上,在多个不同时刻,分别获取手部关节点的分布图,由此组成轴心位点定位分布序列;
S200,分别在矢状面、冠状面及水平面的方向,获取各个方向上的轴心位点定位分布序列;
S300,对各方向上的轴心位点定位分布序列,分别计算得到关节活动度运动数组;
S400,在数据库中存储多个不同的关节活动度运动数组作为检测集;获取待检测的关节活动度运动数组;
S500,将检测集与待检测的关节活动度运动数组进行对照得到向面数值作为恢复度;
其中,若所述恢复度大于预设的阈值,则获取所述待检测的关节活动度运动数组对应的手部关节点的分布图,并将对应的手部关节点的分布图进行图像增强;
其中,在S100中,使用肢体运动骨性位点自动识别系统,于固定一方向上,在多个不同时刻,分别获取手部关节点的分布图,由此组成轴心位点定位分布序列的方法为:
使用基于肢体运动骨性位点自动识别系统,将肢体运动骨性位点自动识别系统固定于一个方向上,在一段连续时间内的多个不同时刻,分别获取手部关节点的分布图,在此期间手掌按规定的方向作位移;
将手部关节点的分布图的图像矩阵组成的序列作为轴心位点定位分布序列,手部关节点的分布图皆经过灰度化、归一化处理的图像矩阵,手部关节点的分布图在图像矩阵上对应手部关节点的线由像素值为1的像素点组成,而图像矩阵上其余的像素点的像素值则为0;将手部关节点的分布图的图像矩阵上对应手部关节点的线之间的交点标记为轴心位点并对轴心位点进行定位;
在S300中,对各方向上的轴心位点定位分布序列,分别计算得到关节活动度运动数组的方法为:
将各个方向上的轴心位点定位分布序列中的各个图像矩阵上的轴心位点进行标记;
在轴心位点定位分布序列中的每个图像矩阵中存在至少一个轴心位点;
记轴心位点定位分布序列中的元素的数量为n,轴心位点定位分布序列中的元素的序号为i,i∈[1,n],一个轴心位点定位分布序列记作一个序列Mseq,Mseq中序号为i的元素为Mseq(i),Mseq(i)中轴心位点的数量为m(i),Mseq(i)中轴心位点的序号为j(i),j(i)∈[1,m(i)];
关节活动度运动数组为一个维数与轴心位点定位分布序列的元素数量相同的数组,关节活动度运动数组中各维度的序号与轴心位点定位分布序列中各元素的序号保持一致,Mseq对应的关节活动度运动数组记为Arr,计算Arr的具体步骤为:
S301,设置Arr为一个维数为n的数组,Arr中各维度的序号与Mseq同为i,Arr中序号为i的维度的数值记为Arr(i),令Arr中各维度的数值的初始值为1;
S302,对Arr中序号为i的元素即Arr(i)进行赋值,定义进行赋值的函数为Dis(),函数Dis()的计算方法为:选取Mseq中的序号为i的元素即Mseq(i)与末个元素即Mseq(n),将Mseq(i)图像矩阵与Mseq(n)图像矩阵相重叠,即将Mseq(i)图像矩阵与Mseq(n)图像矩阵上相同行序号列序号的像素点按位置放在一起,由此,比较Mseq(i)图像矩阵与Mseq(n)图像矩阵上像素值为1的像素点之间的位置距离,对Mseq(i)上每一个像素值为1的像素点在Mseq(n)上选取与其位置距离最小的一个像素值为1的像素点并记录两者间的距离,计算Mseq(i)上每一个像素值为1的像素点与其在Mseq(n)上距离最小的点的距离的算术平均值作为Dis(Arr(i)),所得Dis(Arr(i))即为函数Dis()对Arr(i)进行赋值的输出;
S303,使用函数Dis()对Arr中序号为1至n-1的元素分别进行赋值,将Dis(Arr(i))的数值赋值予Arr(i);
S304,计算wav,wav为表示Arr中各维度的变化趋势的数值,wav的计算公式为:
其中,Arr(i+1)表示Arr(i)在i增加1后即Arr(i)的下一个元素;
S305,使用wav对Arr(n)进行赋值,计算Arr中序号为1至n-1的元素的算术平均值作为Arr(1,n-1),计算Arr(1,n-1)乘以wav的乘积并将该乘积的数值赋值予Arr(n);输出得到Arr作为关节活动度运动数组;
由此,使用S301- S305计算在矢状面、冠状面及水平面各个方向上的轴心位点定位分布序列的关节活动度运动数组。
2.根据权利要求1所述的一种手关节活动度测量轴心位点定位方法,其特征在于,在S200中,分别在矢状面、冠状面及水平面的方向,获取各个方向上的轴心位点定位分布序列的方法为:分别在正对解剖学上的人体的三种切面即矢状面、水平面、冠状面的方向上,各设置有一个肢体运动骨性位点自动识别系统,获取各个方向上的轴心位点定位分布序列;所述肢体运动骨性位点自动识别系统包括:OpenPose模型、MoveNet模型、BlazePose模型、PoseNet模型、BodyPoseModel模型或PaddleHub模型。
3.根据权利要求1所述的一种手关节活动度测量轴心位点定位方法,其特征在于,在S400中,在数据库中存储多个不同的关节活动度运动数组作为检测集的方法为:随机采样多个不同的在矢状面、冠状面及水平面各方向上的轴心位点定位分布序列并分别计算得到关节活动度运动数组,将得到的关节活动度运动数组组成的数据集作为检测集,再将检测集存储于数据库中。
4.根据权利要求1所述的一种手关节活动度测量轴心位点定位方法,其特征在于,在S500中,将检测集与待检测的关节活动度运动数组进行对照得到向面数值作为恢复度的方法为:
将检测集记为集合Arrset,Arrset中的每个元素由三个关节活动度运动数组构成,即矢状面、冠状面及水平面上各自的关节活动度运动数组,Arrset中元素的数量为T,Arrset中元素的序号为t,t∈[1,T];
将Arrset中每一个元素按照矢状面、冠状面及水平面进行分开归类,将各个元素中水平面对应的关节活动度运动数组所组成的集合作为Transet,将各个元素中冠状面对应的关节活动度运动数组所组成的集合作为Coroset,将各个元素中矢状面对应的关节活动度运动数组所组成的集合作为Sagiset;
一个关节活动度运动数组为一个n维的数组,关节活动度运动数组中维度的序号为i;
Transet、Coroset与Sagiset中的各元素与分开归类前Arrset中各元素的序号保持一致,
Transet中序号为t的元素记为Transet(t),Transet(t)中序号为i的维度的数值为Transet(t,i),
Coroset中序号为t的元素记为Coroset(t),Coroset(t)中序号为i的维度的数值为Coroset(t,i),
Sagiset中序号为t的元素记为Sagiset(t),Sagiset(t)中序号为i的维度的数值为Sagiset(t,i);
待检测的关节活动度运动数组包括分别对应矢状面、冠状面及水平面的三个关节活动度运动数组,
其中,对应水平面的关节活动度运动数组为Trans,对应冠状面的关节活动度运动数组为Coro,对应矢状面的关节活动度运动数组为Sagit,
Trans中序号为i的维度上的数值为Trans(i),Coro中序号为i的维度上的数值为Coro(i),Sagit中序号为i的维度上的数值为Sagit(i);
计算矢状面方向上的向面数值为St,St的计算公式为:
计算冠状面方向上的向面数值为Ct,Ct的计算公式为:
计算水平面方向上向面数值为Rt,Rt的计算公式为:
总体的各方向上综合的向面数值为Pt,Pt的计算公式为Pt=Sqrt{[(St+Rt)/2]*[(Ct+Rt)/2]},其中函数Sqrt为开平方根的函数,将得到的Pt的数值转化为百分数即为恢复度,并将恢复度通过计算机的输出设备进行输出。
5.一种手关节活动度测量轴心位点定位系统,其特征在于,所述一种手关节活动度测量轴心位点定位系统包括:处理器、存储器及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的一种手关节活动度测量轴心位点定位方法中的步骤,所述一种手关节活动度测量轴心位点定位系统运行于桌上型计算机、笔记本电脑、掌上电脑或云端数据中心的计算设备中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211250529.XA CN115316984B (zh) | 2022-10-13 | 2022-10-13 | 一种手关节活动度测量轴心位点定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211250529.XA CN115316984B (zh) | 2022-10-13 | 2022-10-13 | 一种手关节活动度测量轴心位点定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115316984A CN115316984A (zh) | 2022-11-11 |
CN115316984B true CN115316984B (zh) | 2022-12-27 |
Family
ID=83913280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211250529.XA Active CN115316984B (zh) | 2022-10-13 | 2022-10-13 | 一种手关节活动度测量轴心位点定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115316984B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6692447B1 (en) * | 1999-02-16 | 2004-02-17 | Frederic Picard | Optimizing alignment of an appendicular |
CN107714044A (zh) * | 2016-11-16 | 2018-02-23 | 上海米林信息科技有限公司 | 人体多维关节活动度测量表及其工作原理 |
CN209252874U (zh) * | 2018-06-11 | 2019-08-16 | 侯立波 | 基于轴心的可校准式颈椎活动度测量仪 |
EP3695783A1 (en) * | 2019-02-15 | 2020-08-19 | Origin Wireless, Inc. | Method, apparatus, and system for wireless gait recognition |
CN114663463A (zh) * | 2022-04-07 | 2022-06-24 | 上海电气集团股份有限公司 | 关节活动度的测量方法、系统、设备、电子设备和存储介质 |
CN114795192A (zh) * | 2022-07-01 | 2022-07-29 | 佛山科学技术学院 | 一种关节活动度智能检测方法及系统 |
-
2022
- 2022-10-13 CN CN202211250529.XA patent/CN115316984B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6692447B1 (en) * | 1999-02-16 | 2004-02-17 | Frederic Picard | Optimizing alignment of an appendicular |
CN107714044A (zh) * | 2016-11-16 | 2018-02-23 | 上海米林信息科技有限公司 | 人体多维关节活动度测量表及其工作原理 |
CN209252874U (zh) * | 2018-06-11 | 2019-08-16 | 侯立波 | 基于轴心的可校准式颈椎活动度测量仪 |
EP3695783A1 (en) * | 2019-02-15 | 2020-08-19 | Origin Wireless, Inc. | Method, apparatus, and system for wireless gait recognition |
CN114663463A (zh) * | 2022-04-07 | 2022-06-24 | 上海电气集团股份有限公司 | 关节活动度的测量方法、系统、设备、电子设备和存储介质 |
CN114795192A (zh) * | 2022-07-01 | 2022-07-29 | 佛山科学技术学院 | 一种关节活动度智能检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115316984A (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107944020B (zh) | 人脸图像查找方法及装置、计算机装置和存储介质 | |
US11017210B2 (en) | Image processing apparatus and method | |
US8533162B2 (en) | Method for detecting object | |
CN107958230B (zh) | 人脸表情识别方法及装置 | |
US20080260254A1 (en) | Automatic 3-D Object Detection | |
US20140300597A1 (en) | Method for the automated identification of real world objects | |
US20240169518A1 (en) | Method and apparatus for identifying body constitution in traditional chinese medicine, electronic device, storage medium and program | |
WO2006058154A1 (en) | Method for automatic shape classification | |
CN110738650B (zh) | 一种传染病感染识别方法、终端设备及存储介质 | |
CN105426929A (zh) | 对象形状对准装置、对象处理装置及其方法 | |
CN113240661B (zh) | 基于深度学习的腰椎骨分析方法、装置、设备及存储介质 | |
CN113160276B (zh) | 一种目标跟踪方法、目标跟踪装置及计算机可读存储介质 | |
JP6381368B2 (ja) | 画像処理装置、画像処理方法、およびプログラム | |
CN111598948A (zh) | 基于深度学习的ct影像椎弓根植钉通道规划方法和系统 | |
CN113229807A (zh) | 人体康复评估装置、方法、电子设备及存储介质 | |
CN109993116B (zh) | 一种基于人体骨骼相互学习的行人再识别方法 | |
CN115316984B (zh) | 一种手关节活动度测量轴心位点定位方法及系统 | |
CN107633506B (zh) | 一种图像对称性检测方法、装置及终端设备 | |
Su et al. | Latent fingerprint core point prediction based on Gaussian processes | |
CN111881789A (zh) | 肤色识别方法、装置、计算设备及计算机存储介质 | |
Switonski et al. | Dynamic time warping in gait classification of motion capture data | |
CN110728172A (zh) | 基于点云的人脸关键点检测方法、装置、系统及存储介质 | |
CN114795192A (zh) | 一种关节活动度智能检测方法及系统 | |
CN112651372A (zh) | 基于人脸图像的年龄判断方法及装置、电子设备、存储介质 | |
CN111459395A (zh) | 手势识别方法、系统、存储介质、人机交互设备 |
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 |