CN116649963A - 一种基于患者肢体位姿检测的预警分析方法和系统 - Google Patents
一种基于患者肢体位姿检测的预警分析方法和系统 Download PDFInfo
- Publication number
- CN116649963A CN116649963A CN202310930570.XA CN202310930570A CN116649963A CN 116649963 A CN116649963 A CN 116649963A CN 202310930570 A CN202310930570 A CN 202310930570A CN 116649963 A CN116649963 A CN 116649963A
- Authority
- CN
- China
- Prior art keywords
- patient
- limb
- detected
- video
- historical
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 238000004458 analytical method Methods 0.000 title claims abstract description 30
- 210000003414 extremity Anatomy 0.000 claims description 214
- 210000003141 lower extremity Anatomy 0.000 claims description 36
- 210000001364 upper extremity Anatomy 0.000 claims description 34
- 208000027418 Wounds and injury Diseases 0.000 claims description 31
- 230000006378 damage Effects 0.000 claims description 31
- 208000014674 injury Diseases 0.000 claims description 31
- 238000011084 recovery Methods 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 11
- 238000005452 bending Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 3
- 230000002829 reductive effect Effects 0.000 claims description 3
- 230000036544 posture Effects 0.000 description 24
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 210000003050 axon Anatomy 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 3
- 208000034693 Laceration Diseases 0.000 description 2
- 210000003169 central nervous system Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000002414 leg Anatomy 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 206010021118 Hypotonia Diseases 0.000 description 1
- 208000010428 Muscle Weakness Diseases 0.000 description 1
- 206010028372 Muscular weakness Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 208000027089 Parkinsonian disease Diseases 0.000 description 1
- 206010034010 Parkinsonism Diseases 0.000 description 1
- 206010034701 Peroneal nerve palsy Diseases 0.000 description 1
- 208000005392 Spasm Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 208000031294 Upper limb fractures Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000004013 groin Anatomy 0.000 description 1
- 210000001624 hip Anatomy 0.000 description 1
- 210000004394 hip joint Anatomy 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000036640 muscle relaxation Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
- A61B5/103—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
- A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
- A61B5/1114—Tracking parts of the body
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7465—Arrangements for interactive communication between patient and care services, e.g. by using a telephone network
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明属于智慧医疗领域，具体涉及一种基于患者肢体位姿检测的预警分析方法和系统，所述基于患者肢体位姿检测的预警分析方法，包括：获取离院康复患者的历史肢体位姿视频，形成历史肢体位姿视频库；获取待检测患者的个人情况，与离院康复患者的个人属性进行相似度匹配，获得N个候选康复患者；将待检测患者的病历信息与候选康复患者的历史肢体位姿视频的场景信息进行相似度匹配，得到待检测患者的参照康复患者；依据参照康复患者的历史肢体位姿视频进行分析，得到待检测患者的肢体位姿的校正信息；对待检测患者和主治医师进行预警通知并反馈至历史肢体位姿视频库。本发明可以对患者进行肢体位姿的检测，并给出合适的预警信息进行校正。
Description
技术领域
本发明属于智慧医疗领域，具体的，涉及一种基于患者肢体位姿检测的预警分析方法和系统。
背景技术
随着老龄人口比例的增加，中风病人也越来越多，中风病人难以在短时间内康复，因此，也难以坚持长期住院治疗，多数由家人陪护在家中进行护理锻炼，这给家庭和社会带来很大负担。此种病肢体功能障碍的原因是由于神经功能部分丧失，导致肢体神经功能受损，肌肉松弛无力，主要症状是髋关节外旋、足下垂、足外翻等，其行走主要是通过上身的摆动或髋关节的运动来带动下肢前行的。
良肢位摆放是偏瘫患者早期康复的一种基本手段，其所涉及的各类摆放姿势及其干预时间，在促进肌力恢复和关节活动范围恢复方面的效果，是任何药物都无法达到的。有研究指出，良肢位摆放可促使相关神经细胞形成新的轴突，通过多次重复训练，这些轴突可以建立起一个新的正常功能网络，进而重组神经功能，抑制低位中枢控制的异常运动，并抑制其轴突链，从而抑制肢体痉挛。
但单纯地依靠固定的良肢位固定装置很容易造成同一姿势持续时间过长导致效果变差甚至引起患者的恶化，因此，如何实时依靠良肢位的特征检测及时调整良肢位摆放策略是亟待解决的问题。
发明内容
为了解决当前的患者肢体检测问题，本发明请求保护一种基于患者肢体位姿检测的预警分析方法和系统。
根据本发明第一方面，本发明请求保护一种基于患者肢体位姿检测的预警分析方法，包括：
获取离院康复患者的历史肢体位姿视频，依据所述离院康复患者的病历信息对所述历史肢体位姿视频进行场景划分，形成历史肢体位姿视频库；
获取待检测患者的个人情况，与所述历史肢体位姿视频库中的离院康复患者的个人属性进行相似度匹配，获得相似度大于第一阈值的按相似度从高到低排列的N个候选康复患者，所述N为正整数；
获取所述待检测患者的病历信息，与所述N个候选康复患者的历史肢体位姿视频的场景信息进行相似度匹配，获得相似度最高的候选康复患者作为所述待检测患者的参照康复患者；
获取所述待检测患者的肢体位姿视频，依据所述参照康复患者的历史肢体位姿视频对所述肢体位姿视频进行分析，得到所述待检测患者的肢体位姿的校正信息；
依据所述校正信息对所述待检测患者和主治医师进行预警通知，并将校正后的待检测患者的肢体位姿视频反馈至所述历史肢体位姿视频库。
进一步地，所述获取离院康复患者的历史肢体位姿视频，依据所述离院康复患者的病历信息对所述历史肢体位姿视频进行场景划分，形成历史肢体位姿视频库，具体包括：
获取所述离院康复患者的病历信息，从所述病历信息中提取出所述离院康复患者的伤病类别和伤情程度；
获取所述离院康复患者在住院期间进行肢体位姿检测时所采集的历史肢体位姿视频；
依据所述离院康复患者的伤病类别和伤情程度对所述历史肢体位姿视频进行场景划分，至少得到上肢场景、下肢场景、全身场景下的历史肢体子位姿视频；
将所述上肢场景、下肢场景、全身场景下的历史肢体子位姿视频添加ID，与对应的离院康复患者相关联，形成历史肢体位姿视频库。
进一步地，所述获取待检测患者的个人情况，与所述历史肢体位姿视频库中的离院康复患者的个人属性进行相似度匹配，获得相似度大于第一阈值的按相似度从高到低排列的N个候选康复患者，所述N为正整数，具体包括：
获取待检测患者的个人情况，从所述个人情况中至少提取所述待检测患者的年龄、性别和伤情；
获取所述历史肢体位姿视频库中的离院康复患者的个人属性，从所述个人属性中至少提取所述离院康复患者的年龄、性别和伤情；
为所述年龄、性别和伤情赋值权重，获得所述待检测患者的个人情况与离院康复患者的个人属性的综合相似度，得到所述综合相似度大于第一阈值的且按相似度从高到低排列的N个候选康复患者。
进一步地，所述获取所述待检测患者的病历信息，与所述N个候选康复患者的历史肢体位姿视频的场景信息进行相似度匹配，获得相似度最高的候选康复患者作为所述待检测患者的参照康复患者，具体包括：
获取所述待检测患者的病历信息，从所述待检测患者的病历信息提取所述待检测患者的伤病部位；
获取所述N个候选康复患者的历史肢体位姿视频的场景信息，得到所述候选康复患者的历史肢体位姿视频的场景认定结果；
运算所述待检测患者的伤病部位和所述场景认定结果的相似度，获得相似度最高的候选康复患者作为所述待检测患者的参照康复患者。
进一步地，所述获取所述待检测患者的肢体位姿视频，依据所述参照康复患者的历史肢体位姿视频对所述肢体位姿视频进行分析，得到所述待检测患者的肢体位姿的校正信息，具体包括：
获取所述待检测患者的肢体位姿视频，对所述肢体位姿视频进行网格划分，得到所述肢体位姿视频的上肢位视频网格和下肢位视频网格；
获取所述参照康复患者的历史肢体位姿视频，对所述历史肢体位姿视频中得到所述肢体位姿视频的上肢位历史视频网格和下肢位历史视频网格；
将所述上肢位视频网格和下肢位视频网格分别与所述上肢位历史视频网格和下肢位历史视频网格进行比对，得到所述上肢位视频网格和下肢位视频网格的偏离度；
依据所述上肢位视频网格和下肢位视频网格的偏离度对所述待检测患者的肢体位姿进行校正，得到所述待检测患者的肢体位姿的校正信息。
进一步地，所述依据所述校正信息对所述待检测患者和主治医师进行预警通知，并将校正后的待检测患者的肢体位姿视频反馈至所述历史肢体位姿视频库，具体包括：
当所述校正信息为对所述待检测患者的上肢进行增大曲折角度时，向所述待检测患者发出第一预警；
当所述校正信息为对所述待检测患者的上肢进行减小曲折角度时，向所述待检测患者和主治医师发出第二预警通知；
当所述校正信息为对所述待检测患者的下肢进行增大运动速度时，向所述待检测患者发出第三预警通知；
当所述校正信息为对所述待检测患者的下肢进行降低运动速度时，向所述待检测患者发出第四预警通知；
所述待检测患者依据预警通知和/或所述主治医师的建议进行肢体位姿校正，将校正后的待检测患者的肢体位姿视频反馈至所述历史肢体位姿视频库。
根据本发明第二方面，本发明请求保护一种基于患者肢体位姿检测的预警分析系统，包括：
历史库构建模块，获取离院康复患者的历史肢体位姿视频，依据所述离院康复患者的病历信息对所述历史肢体位姿视频进行场景划分，形成历史肢体位姿视频库；
候选匹配模块，获取待检测患者的个人情况，与所述历史肢体位姿视频库中的离院康复患者的个人属性进行相似度匹配，获得相似度大于第一阈值的按相似度从高到低排列的N个候选康复患者，所述N为正整数；
参照匹配模块，获取所述待检测患者的病历信息，与所述N个候选康复患者的历史肢体位姿视频的场景信息进行相似度匹配，获得相似度最高的候选康复患者作为所述待检测患者的参照康复患者；
校正模块，获取所述待检测患者的肢体位姿视频，依据所述参照康复患者的历史肢体位姿视频对所述肢体位姿视频进行分析，得到所述待检测患者的肢体位姿的校正信息；
反馈模块，依据所述校正信息对所述待检测患者和主治医师进行预警通知，并将校正后的待检测患者的肢体位姿视频反馈至所述历史肢体位姿视频库；
所述一种基于患者肢体位姿检测的预警分析系统用于实现所述的一种基于患者肢体位姿检测的预警分析方法。
本发明请求保护一种基于患者肢体位姿检测的预警分析方法和系统，获取离院康复患者的历史肢体位姿视频，依据离院康复患者的病历信息对进行场景划分，形成历史肢体位姿视频库；获取待检测患者的个人情况，与离院康复患者的个人属性进行相似度匹配，获得N个候选康复患者；将待检测患者的病历信息与候选康复患者的历史肢体位姿视频的场景信息进行相似度匹配，得到待检测患者的参照康复患者；依据参照康复患者的历史肢体位姿视频进行分析，得到待检测患者的肢体位姿的校正信息；对待检测患者和主治医师进行预警通知并反馈至历史肢体位姿视频库。本发明可以有效依据已有康复的肢体位姿信息对患者进行肢体位姿的检测，并给出合适的预警信息进行校正。
附图说明
图1为本发明所涉及的一种基于患者肢体位姿检测的预警分析方法的工作流程图；
图2为本发明所涉及的一种基于患者肢体位姿检测的预警分析方法的第二工作流程图；
图3为本发明所涉及的一种基于患者肢体位姿检测的预警分析方法的第三工作流程图；
图4为本发明所涉及的一种基于患者肢体位姿检测的预警分析方法的第四工作流程图；
图5为本发明所涉及的一种基于患者肢体位姿检测的预警分析系统的结构模块图。
具体实施方式
根据本发明第一实施例，参照附图1，本发明请求保护一种基于患者肢体位姿检测的预警分析方法，包括：
获取离院康复患者的历史肢体位姿视频，依据所述离院康复患者的病历信息对所述历史肢体位姿视频进行场景划分，形成历史肢体位姿视频库；
获取待检测患者的个人情况，与所述历史肢体位姿视频库中的离院康复患者的个人属性进行相似度匹配，获得相似度大于第一阈值的按相似度从高到低排列的N个候选康复患者，所述N为正整数；
获取所述待检测患者的病历信息，与所述N个候选康复患者的历史肢体位姿视频的场景信息进行相似度匹配，获得相似度最高的候选康复患者作为所述待检测患者的参照康复患者；
获取所述待检测患者的肢体位姿视频，依据所述参照康复患者的历史肢体位姿视频对所述肢体位姿视频进行分析，得到所述待检测患者的肢体位姿的校正信息；
依据所述校正信息对所述待检测患者和主治医师进行预警通知，并将校正后的待检测患者的肢体位姿视频反馈至所述历史肢体位姿视频库。
其中，在该实施例中，针对的具体应用环境是在医院中，存在众多伤病导致肢体无法运动的情况，对于这些患者进行肢体位姿检测有助于良好的监测其肢体恢复情况。
在该方案中，参照历史上那些已经出院的康复患者的肢体运动恢复过程，比照对当前的还未出院的患者，依照二次相似度匹配，寻找最符合的肢体参照对象进行肢体位姿检测校正。
进一步地，参照附图2，所述获取离院康复患者的历史肢体位姿视频，依据所述离院康复患者的病历信息对所述历史肢体位姿视频进行场景划分，形成历史肢体位姿视频库，具体包括：
获取所述离院康复患者的病历信息，从所述病历信息中提取出所述离院康复患者的伤病类别和伤情程度；
获取所述离院康复患者在住院期间进行肢体位姿检测时所采集的历史肢体位姿视频；
依据所述离院康复患者的伤病类别和伤情程度对所述历史肢体位姿视频进行场景划分，至少得到上肢场景、下肢场景、全身场景下的历史肢体子位姿视频；
将所述上肢场景、下肢场景、全身场景下的历史肢体子位姿视频添加ID，与对应的离院康复患者相关联，形成历史肢体位姿视频库。
其中，在该实施例中，所述病历信息中提取出所述离院康复患者的伤病类别和伤情程度至少包括：
腿部撕裂伤-严重；大面积烧伤-危重；帕金森综合征-危重；肥胖症-严重；肘部骨折-严重。
依据所述离院康复患者的伤病类别和伤情程度对所述历史肢体位姿视频进行场景划分时，首先依据所述离院康复患者的伤病类别进行语义分析提取，如上述的“腿部撕裂伤”可认定为下肢场景下的历史肢体子位姿视频；而当依据所述离院康复患者的伤病类别无法对所述历史肢体位姿视频进行场景划分时，依据所述伤情程度进行认定，例如，上述“大面积烧伤”无法判定具体的肢体，但通过“危重”级别认定其为全身场景下的历史肢体子位姿视频。
进一步地，参照附图3，所述获取待检测患者的个人情况，与所述历史肢体位姿视频库中的离院康复患者的个人属性进行相似度匹配，获得相似度大于第一阈值的按相似度从高到低排列的N个候选康复患者，所述N为正整数，具体包括：
获取待检测患者的个人情况，从所述个人情况中至少提取所述待检测患者的年龄、性别和伤情；
获取所述历史肢体位姿视频库中的离院康复患者的个人属性，从所述个人属性中至少提取所述离院康复患者的年龄、性别和伤情；
为所述年龄、性别和伤情赋值权重，获得所述待检测患者的个人情况与离院康复患者的个人属性的综合相似度，得到所述综合相似度大于第一阈值的且按相似度从高到低排列的N个候选康复患者。
其中，在该实施例中，将待检测患者的年龄、性别和伤情和离院康复患者的年龄、性别和伤情分别进行比对；为所述年龄、性别和伤情赋值权重20%，30%，50%，采用余弦相似度计算方法计算年龄数值，性别（布尔0或1）、伤情（检测指标数值，如BMI指数、烧伤面积比例等）的余弦距离作为综合相似度，得到所述综合相似度大于第一阈值的且按相似度从高到低排列的N个候选康复患者。
进一步地，参照附图4，所述获取所述待检测患者的病历信息，与所述N个候选康复患者的历史肢体位姿视频的场景信息进行相似度匹配，获得相似度最高的候选康复患者作为所述待检测患者的参照康复患者，具体包括：
获取所述待检测患者的病历信息，从所述待检测患者的病历信息提取所述待检测患者的伤病部位；
获取所述N个候选康复患者的历史肢体位姿视频的场景信息，得到所述候选康复患者的历史肢体位姿视频的场景认定结果；
运算所述待检测患者的伤病部位和所述场景认定结果的相似度，获得相似度最高的候选康复患者作为所述待检测患者的参照康复患者。
其中，在该实施例中，在获取到综合相似度大于第一阈值的且按相似度从高到低排列的N个候选康复患者后，还需要进一步找到一名最符合待检测患者的参照康复患者。
从所述待检测患者的病历信息提取所述待检测患者的伤病部位，所述伤病部位具体到上肢或下肢的下位部位细节，如手部从手掌到肘部、腹股沟至膝盖等；
根据所述N个候选康复患者的历史肢体位姿视频的场景信息，得到所述候选康复患者的历史肢体位姿视频的场景认定结果时，则是通过上肢场景、下肢场景、全身场景下获取候选康复患者更具体的伤病部位。
基于所述待检测患者的伤病部位和所述候选康复患者的伤病部位的部位所占位置值进行余弦相似度，选择相似度最高的候选康复患者作为所述待检测患者的参照康复患者。
进一步地，所述获取所述待检测患者的肢体位姿视频，依据所述参照康复患者的历史肢体位姿视频对所述肢体位姿视频进行分析，得到所述待检测患者的肢体位姿的校正信息，具体包括：
获取所述待检测患者的肢体位姿视频，对所述肢体位姿视频进行网格划分，得到所述肢体位姿视频的上肢位视频网格和下肢位视频网格；
获取所述参照康复患者的历史肢体位姿视频，对所述历史肢体位姿视频中得到所述肢体位姿视频的上肢位历史视频网格和下肢位历史视频网格；
将所述上肢位视频网格和下肢位视频网格分别与所述上肢位历史视频网格和下肢位历史视频网格进行比对，得到所述上肢位视频网格和下肢位视频网格的偏离度；
依据所述上肢位视频网格和下肢位视频网格的偏离度对所述待检测患者的肢体位姿进行校正，得到所述待检测患者的肢体位姿的校正信息。
其中，在该实施例中，为了更好的对肢体位姿视频进行分析，采用网格的形式划分后对肢体位置进行更细节的比对，获取不同网格中的面积比例作为视频网格的偏离度。
进一步地，所述依据所述校正信息对所述待检测患者和主治医师进行预警通知，并将校正后的待检测患者的肢体位姿视频反馈至所述历史肢体位姿视频库，具体包括：
当所述校正信息为对所述待检测患者的上肢进行增大曲折角度时，向所述待检测患者发出第一预警；
当所述校正信息为对所述待检测患者的上肢进行减小曲折角度时，向所述待检测患者和主治医师发出第二预警通知；
当所述校正信息为对所述待检测患者的下肢进行增大运动速度时，向所述待检测患者发出第三预警通知；
当所述校正信息为对所述待检测患者的下肢进行降低运动速度时，向所述待检测患者发出第四预警通知；
所述待检测患者依据预警通知和/或所述主治医师的建议进行肢体位姿校正，将校正后的待检测患者的肢体位姿视频反馈至所述历史肢体位姿视频库。
其中，在该实施例中，当所述校正信息为对所述待检测患者的上肢进行增大曲折角度或对所述待检测患者的下肢进行增大运动速度时，表明所述待检测患者相对于参照康复患者的恢复速率过慢，此时，只需提醒待检测患者本人个人认定决定是否需要提高恢复速度即可；
而当所述校正信息为对所述待检测患者的上肢进行减小曲折角度或所述校正信息为对所述待检测患者的下肢进行降低运动速度时，表明所述待检测患者相对于参照康复患者的恢复速率过快，存在风险，此时，应同时需提醒待检测患者本人个人和主治医师认定决定是否需要减慢恢复速度。
根据本发明第二实施例，参照附图5，本发明请求保护一种基于患者肢体位姿检测的预警分析系统，包括：
历史库构建模块，获取离院康复患者的历史肢体位姿视频，依据所述离院康复患者的病历信息对所述历史肢体位姿视频进行场景划分，形成历史肢体位姿视频库；
候选匹配模块，获取待检测患者的个人情况，与所述历史肢体位姿视频库中的离院康复患者的个人属性进行相似度匹配，获得相似度大于第一阈值的按相似度从高到低排列的N个候选康复患者，所述N为正整数；
参照匹配模块，获取所述待检测患者的病历信息，与所述N个候选康复患者的历史肢体位姿视频的场景信息进行相似度匹配，获得相似度最高的候选康复患者作为所述待检测患者的参照康复患者；
校正模块，获取所述待检测患者的肢体位姿视频，依据所述参照康复患者的历史肢体位姿视频对所述肢体位姿视频进行分析，得到所述待检测患者的肢体位姿的校正信息；
反馈模块，依据所述校正信息对所述待检测患者和主治医师进行预警通知，并将校正后的待检测患者的肢体位姿视频反馈至所述历史肢体位姿视频库；
所述一种基于患者肢体位姿检测的预警分析系统用于实现所述的一种基于患者肢体位姿检测的预警分析方法。
本领域技术人员能够理解，本公开所披露的内容可以出现多种变型和改进。例如，以上所描述的各种设备或组件可以通过硬件实现，也可以通过软件、固件、或者三者中的一些或全部的组合实现。
本公开中使用了流程图用来说明根据本公开的实施例的方法的步骤。应当理解的是，前面或后面的步骤不一定按照顺序来精确的进行。相反，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中。
本领域普通技术人员可以理解上述方法中的全部或部分的步骤可通过计算机程序来指令相关硬件完成，程序可以存储于计算机可读存储介质中，如只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。本公开并不限制于任何特定形式的硬件和软件的结合。
除非另有定义，这里使用的所有术语具有与本公开所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
以上是对本公开的说明，而不应被认为是对其的限制。尽管描述了本公开的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本公开的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本公开范围内。应当理解，上面是对本公开的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本公开由权利要求书及其等效物限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (7)
1.一种基于患者肢体位姿检测的预警分析方法，其特征在于，包括：
获取离院康复患者的历史肢体位姿视频，依据所述离院康复患者的病历信息对所述历史肢体位姿视频进行场景划分，形成历史肢体位姿视频库；
获取待检测患者的个人情况，与所述历史肢体位姿视频库中的离院康复患者的个人属性进行相似度匹配，获得相似度大于第一阈值的按相似度从高到低排列的N个候选康复患者，所述N为正整数；
获取所述待检测患者的病历信息，与所述N个候选康复患者的历史肢体位姿视频的场景信息进行相似度匹配，获得相似度最高的候选康复患者作为所述待检测患者的参照康复患者；
获取所述待检测患者的肢体位姿视频，依据所述参照康复患者的历史肢体位姿视频对所述肢体位姿视频进行分析，得到所述待检测患者的肢体位姿的校正信息；
依据所述校正信息对所述待检测患者和主治医师进行预警通知，并将校正后的待检测患者的肢体位姿视频反馈至所述历史肢体位姿视频库。
2.如权利要求1所述的一种基于患者肢体位姿检测的预警分析方法，其特征在于，所述获取离院康复患者的历史肢体位姿视频，依据所述离院康复患者的病历信息对所述历史肢体位姿视频进行场景划分，形成历史肢体位姿视频库，具体包括：
获取所述离院康复患者的病历信息，从所述病历信息中提取出所述离院康复患者的伤病类别和伤情程度；
获取所述离院康复患者在住院期间进行肢体位姿检测时所采集的历史肢体位姿视频；
依据所述离院康复患者的伤病类别和伤情程度对所述历史肢体位姿视频进行场景划分，至少得到上肢场景、下肢场景、全身场景下的历史肢体子位姿视频；
将所述上肢场景、下肢场景、全身场景下的历史肢体子位姿视频添加ID，与对应的离院康复患者相关联，形成历史肢体位姿视频库。
3.如权利要求1所述的一种基于患者肢体位姿检测的预警分析方法，其特征在于，所述获取待检测患者的个人情况，与所述历史肢体位姿视频库中的离院康复患者的个人属性进行相似度匹配，获得相似度大于第一阈值的按相似度从高到低排列的N个候选康复患者，所述N为正整数，具体包括：
获取待检测患者的个人情况，从所述个人情况中至少提取所述待检测患者的年龄、性别和伤情；
获取所述历史肢体位姿视频库中的离院康复患者的个人属性，从所述个人属性中至少提取所述离院康复患者的年龄、性别和伤情；
为所述年龄、性别和伤情赋值权重，获得所述待检测患者的个人情况与离院康复患者的个人属性的综合相似度，得到所述综合相似度大于第一阈值的且按相似度从高到低排列的N个候选康复患者。
4.如权利要求3所述的一种基于患者肢体位姿检测的预警分析方法，其特征在于，所述获取所述待检测患者的病历信息，与所述N个候选康复患者的历史肢体位姿视频的场景信息进行相似度匹配，获得相似度最高的候选康复患者作为所述待检测患者的参照康复患者，具体包括：
获取所述待检测患者的病历信息，从所述待检测患者的病历信息提取所述待检测患者的伤病部位；
获取所述N个候选康复患者的历史肢体位姿视频的场景信息，得到所述候选康复患者的历史肢体位姿视频的场景认定结果；
运算所述待检测患者的伤病部位和所述场景认定结果的相似度，获得相似度最高的候选康复患者作为所述待检测患者的参照康复患者。
5.如权利要求4所述的一种基于患者肢体位姿检测的预警分析方法，其特征在于，所述获取所述待检测患者的肢体位姿视频，依据所述参照康复患者的历史肢体位姿视频对所述肢体位姿视频进行分析，得到所述待检测患者的肢体位姿的校正信息，具体包括：
获取所述待检测患者的肢体位姿视频，对所述肢体位姿视频进行网格划分，得到所述肢体位姿视频的上肢位视频网格和下肢位视频网格；
获取所述参照康复患者的历史肢体位姿视频，对所述历史肢体位姿视频中得到所述肢体位姿视频的上肢位历史视频网格和下肢位历史视频网格；
将所述上肢位视频网格和下肢位视频网格分别与所述上肢位历史视频网格和下肢位历史视频网格进行比对，得到所述上肢位视频网格和下肢位视频网格的偏离度；
依据所述上肢位视频网格和下肢位视频网格的偏离度对所述待检测患者的肢体位姿进行校正，得到所述待检测患者的肢体位姿的校正信息。
6.如权利要求5所述的一种基于患者肢体位姿检测的预警分析方法，其特征在于，所述依据所述校正信息对所述待检测患者和主治医师进行预警通知，并将校正后的待检测患者的肢体位姿视频反馈至所述历史肢体位姿视频库，具体包括：
当所述校正信息为对所述待检测患者的上肢进行增大曲折角度时，向所述待检测患者发出第一预警；
当所述校正信息为对所述待检测患者的上肢进行减小曲折角度时，向所述待检测患者和主治医师发出第二预警通知；
当所述校正信息为对所述待检测患者的下肢进行增大运动速度时，向所述待检测患者发出第三预警通知；
当所述校正信息为对所述待检测患者的下肢进行降低运动速度时，向所述待检测患者发出第四预警通知；
所述待检测患者依据预警通知和/或所述主治医师的建议进行肢体位姿校正，将校正后的待检测患者的肢体位姿视频反馈至所述历史肢体位姿视频库。
7.一种基于患者肢体位姿检测的预警分析系统，其特征在于，包括：
历史库构建模块，获取离院康复患者的历史肢体位姿视频，依据所述离院康复患者的病历信息对所述历史肢体位姿视频进行场景划分，形成历史肢体位姿视频库；
候选匹配模块，获取待检测患者的个人情况，与所述历史肢体位姿视频库中的离院康复患者的个人属性进行相似度匹配，获得相似度大于第一阈值的按相似度从高到低排列的N个候选康复患者，所述N为正整数；
参照匹配模块，获取所述待检测患者的病历信息，与所述N个候选康复患者的历史肢体位姿视频的场景信息进行相似度匹配，获得相似度最高的候选康复患者作为所述待检测患者的参照康复患者；
校正模块，获取所述待检测患者的肢体位姿视频，依据所述参照康复患者的历史肢体位姿视频对所述肢体位姿视频进行分析，得到所述待检测患者的肢体位姿的校正信息；
反馈模块，依据所述校正信息对所述待检测患者和主治医师进行预警通知，并将校正后的待检测患者的肢体位姿视频反馈至所述历史肢体位姿视频库；
所述一种基于患者肢体位姿检测的预警分析系统用于实现如权利要求1-6任一项所述的一种基于患者肢体位姿检测的预警分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310930570.XA CN116649963B (zh) | 2023-07-27 | 2023-07-27 | 一种基于患者肢体位姿检测的预警分析方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310930570.XA CN116649963B (zh) | 2023-07-27 | 2023-07-27 | 一种基于患者肢体位姿检测的预警分析方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116649963A true CN116649963A (zh) | 2023-08-29 |
| CN116649963B CN116649963B (zh) | 2023-10-20 |
Family
ID=87710035
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310930570.XA Active CN116649963B (zh) | 2023-07-27 | 2023-07-27 | 一种基于患者肢体位姿检测的预警分析方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116649963B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116894768A (zh) * | 2023-09-11 | 2023-10-17 | 成都航空职业技术学院 | 一种基于人工智能的目标检测优化方法和系统 |
| CN117114922A (zh) * | 2023-10-24 | 2023-11-24 | 天津广正建设项目咨询股份有限公司 | 一种基于全过程工程咨询的咨询服务和评估方法和系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110125529A1 (en) * | 2009-11-24 | 2011-05-26 | Walgreen Co. | System and Method for Disease State Marketing |
| CN106491309A (zh) * | 2016-11-17 | 2017-03-15 | 合肥工业大学 | 一种肢体康复训练系统 |
| CN107341612A (zh) * | 2017-07-07 | 2017-11-10 | 上海理工大学 | 一种基于太极拳的康复训练的动作评价方法 |
| US20180126158A1 (en) * | 2016-08-22 | 2018-05-10 | Lyriq, Llc | Systems and Methods for Functional Restoration and Rehabilitation of Posture, Gait and Movement |
| CN109310912A (zh) * | 2016-06-16 | 2019-02-05 | 皇家飞利浦有限公司 | 运动康复系统和方法 |
| CN210125152U (zh) * | 2019-05-27 | 2020-03-06 | 四川省人民医院 | 一种新型多功能的骨科康复器 |
| US20200273581A1 (en) * | 2019-02-21 | 2020-08-27 | Theator inc. | Post discharge risk prediction |
| CN112233769A (zh) * | 2020-10-12 | 2021-01-15 | 安徽动感智能科技有限公司 | 一种基于数据采集的患后康复系统 |
| CN113673319A (zh) * | 2021-07-12 | 2021-11-19 | 浙江大华技术股份有限公司 | 异常姿态检测方法、装置、电子装置和存储介质 |
| US11464573B1 (en) * | 2022-04-27 | 2022-10-11 | Ix Innovation Llc | Methods and systems for real-time robotic surgical assistance in an operating room |
| CN115153647A (zh) * | 2022-07-05 | 2022-10-11 | 四川轻化工大学 | 一种基于超声波内窥镜的智能胰腺癌变检测方法及平台 |
| CN115762708A (zh) * | 2022-10-10 | 2023-03-07 | 中国地质大学（武汉） | 利用多源信息和案例推理的下肢康复方案设计方法和装置 |
-
2023
- 2023-07-27 CN CN202310930570.XA patent/CN116649963B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110125529A1 (en) * | 2009-11-24 | 2011-05-26 | Walgreen Co. | System and Method for Disease State Marketing |
| CN109310912A (zh) * | 2016-06-16 | 2019-02-05 | 皇家飞利浦有限公司 | 运动康复系统和方法 |
| US20180126158A1 (en) * | 2016-08-22 | 2018-05-10 | Lyriq, Llc | Systems and Methods for Functional Restoration and Rehabilitation of Posture, Gait and Movement |
| CN106491309A (zh) * | 2016-11-17 | 2017-03-15 | 合肥工业大学 | 一种肢体康复训练系统 |
| CN107341612A (zh) * | 2017-07-07 | 2017-11-10 | 上海理工大学 | 一种基于太极拳的康复训练的动作评价方法 |
| US20200273581A1 (en) * | 2019-02-21 | 2020-08-27 | Theator inc. | Post discharge risk prediction |
| CN210125152U (zh) * | 2019-05-27 | 2020-03-06 | 四川省人民医院 | 一种新型多功能的骨科康复器 |
| CN112233769A (zh) * | 2020-10-12 | 2021-01-15 | 安徽动感智能科技有限公司 | 一种基于数据采集的患后康复系统 |
| CN113673319A (zh) * | 2021-07-12 | 2021-11-19 | 浙江大华技术股份有限公司 | 异常姿态检测方法、装置、电子装置和存储介质 |
| US11464573B1 (en) * | 2022-04-27 | 2022-10-11 | Ix Innovation Llc | Methods and systems for real-time robotic surgical assistance in an operating room |
| CN115153647A (zh) * | 2022-07-05 | 2022-10-11 | 四川轻化工大学 | 一种基于超声波内窥镜的智能胰腺癌变检测方法及平台 |
| CN115762708A (zh) * | 2022-10-10 | 2023-03-07 | 中国地质大学（武汉） | 利用多源信息和案例推理的下肢康复方案设计方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| 李冬月等: "Topping-off与融合固定治疗退行性腰椎疾病的临床疗效及邻近节段退变的对比研究", 《中国矫形外科杂志》, vol. 25, no. 11, pages 967 - 973 * |
| 温贤秀等: "联合诊疗模式下经动静脉内瘘同侧肢体置入PICC患者1例报告", 《实用医院临床杂志》, vol. 16, no. 6, pages 254 - 255 * |
| 韩志伟等: "杂交与融合手术治疗双节段腰椎退变性疾病的对比", 《中国矫形外科杂志》, vol. 25, no. 13, pages 1158 - 1163 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116894768A (zh) * | 2023-09-11 | 2023-10-17 | 成都航空职业技术学院 | 一种基于人工智能的目标检测优化方法和系统 |
| CN116894768B (zh) * | 2023-09-11 | 2023-11-21 | 成都航空职业技术学院 | 一种基于人工智能的目标检测优化方法和系统 |
| CN117114922A (zh) * | 2023-10-24 | 2023-11-24 | 天津广正建设项目咨询股份有限公司 | 一种基于全过程工程咨询的咨询服务和评估方法和系统 |
| CN117114922B (zh) * | 2023-10-24 | 2024-01-26 | 天津广正建设项目咨询股份有限公司 | 一种基于全过程工程咨询的咨询服务和评估方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116649963B (zh) | 2023-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116649963B (zh) | 一种基于患者肢体位姿检测的预警分析方法和系统 | |
| Mehrholz et al. | Locomotor training for walking after spinal cord injury | |
| Shuman et al. | Associations between muscle synergies and treatment outcomes in cerebral palsy are robust across clinical centers | |
| EP3649940A1 (en) | Information processing device, information processing program, and information processing method | |
| Muñoz-Organero et al. | Sensor optimization in smart insoles for post-stroke gait asymmetries using total variation and L 1 distances | |
| Wikström et al. | Intelligent data analysis of instrumented gait data in stroke patients—A systematic review | |
| Dandu et al. | Understanding the physiological significance of four inertial gait features in multiple sclerosis | |
| Hong et al. | Relationship between socket pressure and EMG of two muscles in trans-femoral stumps during gait | |
| Wang et al. | Efficient subject-independent detection of anterior cruciate ligament deficiency based on marine predator algorithm and support vector machine | |
| Yuan et al. | Comparison of walking quality variables between incomplete spinal cord injury patients and healthy subjects by using a footscan plantar pressure system | |
| CN110970109A (zh) | 一种基于深度学习的骨科术后康复方案推荐方法 | |
| Liu et al. | Synthesizing foot and ankle kinematic characteristics for lateral collateral ligament injuries detection | |
| CN111382636B (zh) | 一种膝关节运动信号的处理方法、装置、设备和存储介质 | |
| CN110379481A (zh) | 帕金森患者病后管理方法和系统 | |
| CN116434946A (zh) | 一种髋关节置换手术后的患者康复评估方法、系统及设备 | |
| Kirkwood et al. | Finite state control of FES systems: Application of AI inductive learning techniques | |
| Mennella et al. | A deep learning system to monitor and assess rehabilitation exercises in home-based remote and unsupervised conditions | |
| Zeng et al. | Classification of gait patterns using kinematic and kinetic features, gait dynamics and neural networks in patients with unilateral anterior cruciate ligament deficiency | |
| CN113077893A (zh) | 一种智能辅具适配决策系统及方法 | |
| Bellos et al. | A support vector machine approach for categorization of patients suffering from chronic diseases | |
| Knodel et al. | An Electromyography-Based Constitutive Law for Force Generation in Skeletal Muscle—Part II: Model Validation on the Ankle Joint Complex | |
| Ma et al. | Research on sports health care information system based on computer deep learning algorithm | |
| Ishak et al. | Rehabilitation exercise monitoring device for knee osteoarthritis patients | |
| Zhou et al. | Deep Learning-Based Classification of Neurodegenerative Diseases Using Gait Dataset: A Comparative Study | |
| Santhiya et al. | Orthopedic patient analysis using machine learning techniques |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |