CN117717342B - 用于盆底康复的评估系统及方法 - Google Patents
用于盆底康复的评估系统及方法 Download PDFInfo
- Publication number
- CN117717342B CN117717342B CN202410173412.9A CN202410173412A CN117717342B CN 117717342 B CN117717342 B CN 117717342B CN 202410173412 A CN202410173412 A CN 202410173412A CN 117717342 B CN117717342 B CN 117717342B
- Authority
- CN
- China
- Prior art keywords
- pelvic floor
- pressure signal
- matrix
- floor pressure
- sequence
- 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
- 210000003903 pelvic floor Anatomy 0.000 title claims abstract description 303
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000011156 evaluation Methods 0.000 title claims abstract description 31
- 239000013598 vector Substances 0.000 claims abstract description 202
- 239000011159 matrix material Substances 0.000 claims abstract description 180
- 238000004458 analytical method Methods 0.000 claims abstract description 58
- 230000036544 posture Effects 0.000 claims abstract description 40
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 90
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 description 36
- 238000003860 storage Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 10
- 238000010606 normalization Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000004064 dysfunction Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 210000003205 muscle Anatomy 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010011224 Cough Diseases 0.000 description 1
- 208000000450 Pelvic Pain Diseases 0.000 description 1
- 201000001880 Sexual dysfunction Diseases 0.000 description 1
- 206010046543 Urinary incontinence Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000007488 abnormal function Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000002567 electromyography Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 230000027939 micturition Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002559 palpation Methods 0.000 description 1
- 208000013823 pelvic organ prolapse Diseases 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 231100000872 sexual dysfunction Toxicity 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请公开了一种用于盆底康复的评估系统及方法，涉及盆底康复领域。其首先获取被检测患者在不同姿势下的盆底压力信号的序列，接着，将所述被检测患者在不同姿势下的盆底压力信号的序列分别按照样本维度进行排列以得到盆底压力信号输入向量的序列，然后，通过基于深度神经网络模型的盆底压力信号特征提取器分别对各个盆底压力信号输入向量进行特征提取以得到盆底压力信号特征向量的序列，接着，使用联合分析模块对所述盆底压力信号特征向量的序列进行联合分析以得到盆底压力信号特征向量矩阵作为盆底压力信号特征，最后，基于所述盆底压力信号特征，确定盆底功能状况等级标签。这样，可以及时反馈患者的盆底功能状况。
Description
技术领域
本申请涉及盆底康复领域，且更为具体地，涉及一种用于盆底康复的评估系统及方法。
背景技术
盆底功能障碍是指盆底肌肉及其周围组织的功能异常，常见于女性产后、更年期以及老年人等，主要表现为尿失禁、盆腔器官脱垂、性功能障碍和慢性盆腔疼痛等问题。盆底功能障碍严重影响了患者的生活质量和心理健康，给社会和医疗系统带来了沉重的负担。
盆底康复是一种针对盆底功能障碍的治疗方法，主要包括盆底肌肉训练、生物反馈、电刺激和手法治疗等。为了有效地进行盆底康复，需要对患者的盆底功能进行准确的评估，包括盆底肌肉的力量、耐力、协调性和快速收缩能力等。目前，常用的盆底功能评估方法有数字触诊法、压力传感器法、表面肌电图法和超声成像法等，但这些方法都存在一定的局限性，如主观性强、操作复杂、侵入性大或成本高等。
因此，期望一种优化的用于盆底康复的评估系统及方法。
发明内容
有鉴于此，本申请提出了一种用于盆底康复的评估系统及方法，其可以利用无线传感器网络技术，通过压力传感器实时监测采集患者在不同姿势下的盆底压力信号，并在后端引入数据处理和分析算法来进行这些盆底压力信号的时序协同关联分析，以此来检测患者的盆底功能状况。
根据本申请的一方面，提供了一种用于盆底康复的评估方法，其包括：
获取被检测患者在不同姿势下的盆底压力信号的序列；
将所述被检测患者在不同姿势下的盆底压力信号的序列分别按照样本维度进行排列以得到盆底压力信号输入向量的序列；
通过基于深度神经网络模型的盆底压力信号特征提取器分别对所述盆底压力信号输入向量的序列中的各个盆底压力信号输入向量进行特征提取以得到盆底压力信号特征向量的序列；
使用联合分析模块对所述盆底压力信号特征向量的序列进行联合分析以得到盆底压力信号特征向量矩阵作为盆底压力信号特征；
基于所述盆底压力信号特征，确定盆底功能状况等级标签；
其中，使用联合分析模块对所述盆底压力信号特征向量的序列进行联合分析以得到盆底压力信号特征向量矩阵作为盆底压力信号特征，包括：
构造所述盆底压力信号特征向量的序列的邻接矩阵和度矩阵；
基于所述邻接矩阵和所述度矩阵，计算拉普拉斯矩阵；
对所述拉普拉斯矩阵进行标准化处理以得到标准化后拉普拉斯矩阵；
将所述标准化后拉普拉斯矩阵的各个特征值从大到小进行排列，并提取前K个特征值计算所述前K个特征值的特征向量；
标准化所述前K个特征值的特征向量并将标准化后的前K个特征值的特征向量组成特征向量矩阵以得到所述盆底压力信号特征向量矩阵；
其中，构造所述盆底压力信号特征向量的序列的邻接矩阵和度矩阵，包括：
以如下权重公式计算所述盆底压力信号特征向量的序列中各个盆底压力信号特征向量之间的关联权重值以得到所述邻接矩阵；其中，所述权重公式为：
；
其中，和/>分别为所述盆底压力信号特征向量的序列中第/>个和第/>个盆底压力信号特征向量，/>为所述第/>个盆底压力信号特征向量和所述第/>个盆底压力信号特征向量之间的方差，/>为指数运算，/>为所述邻接矩阵中第/>位置的特征值。
在上述的用于盆底康复的评估方法中，所述深度神经网络模型为一维卷积神经网络模型。
在上述的用于盆底康复的评估方法中，构造所述盆底压力信号特征向量的序列的邻接矩阵和度矩阵，包括：
所述度矩阵中的各个位置的特征值为所述盆底压力信号特征向量的序列中每个盆底压力信号特征向量与其相连接的所有其余所述盆底压力信号特征向量的关联权重值之和。
在上述的用于盆底康复的评估方法中，基于所述邻接矩阵和所述度矩阵，计算拉普拉斯矩阵，包括：
基于所述邻接矩阵和所述度矩阵，以如下普拉斯公式计算所述拉普拉斯矩阵；其中，所述普拉斯公式为：
；
其中，为所述邻接矩阵，/>为所述度矩阵，/>为所述拉普拉斯矩阵。
在上述的用于盆底康复的评估方法中，对所述拉普拉斯矩阵进行标准化处理以得到标准化后拉普拉斯矩阵，包括：
以如下标准化公式对所述拉普拉斯矩阵进行标准化处理以得到所述标准化后拉普拉斯矩阵；其中，所述标准化公式为：
；
其中，为所述邻接矩阵，/>为所述度矩阵，/>为单位矩阵，/>为所述标准化后拉普拉斯矩阵。
在上述的用于盆底康复的评估方法中，基于所述盆底压力信号特征，确定盆底功能状况等级标签，包括：
将所述盆底压力信号特征向量矩阵通过分类器以得到分类结果，所述分类结果用于表示盆底功能状况等级标签。
在上述的用于盆底康复的评估方法中，还包括训练步骤：用于对基于一维卷积神经网络模型的盆底压力信号特征提取器、所述联合分析模块和所述分类器进行训练；
其中，所述训练步骤，包括：
获取训练数据，所述训练数据包括被检测患者在不同姿势下的训练盆底压力信号的序列；
将所述被检测患者在不同姿势下的训练盆底压力信号的序列分别按照样本维度进行排列以得到训练盆底压力信号输入向量的序列；
通过所述基于一维卷积神经网络模型的盆底压力信号特征提取器分别对所述训练盆底压力信号输入向量的序列中的各个训练盆底压力信号输入向量进行特征提取以得到训练盆底压力信号特征向量的序列；
使用所述联合分析模块对所述训练盆底压力信号特征向量的序列进行联合分析以得到训练盆底压力信号特征向量矩阵；
对所述训练盆底压力信号特征向量矩阵进行优化以得到优化后训练盆底压力信号特征向量矩阵；
将所述优化后训练盆底压力信号特征向量矩阵通过所述分类器以得到分类函数损失值；
基于所述分类函数损失值对所述基于一维卷积神经网络模型的盆底压力信号特征提取器、所述联合分析模块和所述分类器进行训练。
根据本申请的另一方面，提供了一种用于盆底康复的评估系统，其包括：
压力信号获取模块，用于获取被检测患者在不同姿势下的盆底压力信号的序列；
向量化模块，用于将所述被检测患者在不同姿势下的盆底压力信号的序列分别按照样本维度进行排列以得到盆底压力信号输入向量的序列；
特征提取模块，用于通过基于深度神经网络模型的盆底压力信号特征提取器分别对所述盆底压力信号输入向量的序列中的各个盆底压力信号输入向量进行特征提取以得到盆底压力信号特征向量的序列；
联合分析模块，用于使用联合分析模块对所述盆底压力信号特征向量的序列进行联合分析以得到盆底压力信号特征向量矩阵作为盆底压力信号特征；
状况分析模块，用于基于所述盆底压力信号特征，确定盆底功能状况等级标签；
其中，所述联合分析模块，包括：
构造所述盆底压力信号特征向量的序列的邻接矩阵和度矩阵；
基于所述邻接矩阵和所述度矩阵，计算拉普拉斯矩阵；
对所述拉普拉斯矩阵进行标准化处理以得到标准化后拉普拉斯矩阵；
将所述标准化后拉普拉斯矩阵的各个特征值从大到小进行排列，并提取前K个特征值计算所述前K个特征值的特征向量；
标准化所述前K个特征值的特征向量并将标准化后的前K个特征值的特征向量组成特征向量矩阵以得到所述盆底压力信号特征向量矩阵；
其中，构造所述盆底压力信号特征向量的序列的邻接矩阵和度矩阵，包括：
以如下权重公式计算所述盆底压力信号特征向量的序列中各个盆底压力信号特征向量之间的关联权重值以得到所述邻接矩阵；其中，所述权重公式为：
；
其中，和/>分别为所述盆底压力信号特征向量的序列中第/>个和第/>个盆底压力信号特征向量，/>为所述第/>个盆底压力信号特征向量和所述第/>个盆底压力信号特征向量之间的方差，/>为指数运算，/>为所述邻接矩阵中第/>位置的特征值。
在本申请中，其首先获取被检测患者在不同姿势下的盆底压力信号的序列，接着，将所述被检测患者在不同姿势下的盆底压力信号的序列分别按照样本维度进行排列以得到盆底压力信号输入向量的序列，然后，通过基于深度神经网络模型的盆底压力信号特征提取器分别对各个盆底压力信号输入向量进行特征提取以得到盆底压力信号特征向量的序列，接着，使用联合分析模块对所述盆底压力信号特征向量的序列进行联合分析以得到盆底压力信号特征向量矩阵作为盆底压力信号特征，最后，基于所述盆底压力信号特征，确定盆底功能状况等级标签。这样，可以及时反馈患者的盆底功能状况。
根据下面参考附图对本申请的详细说明，本申请的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本申请的示例性实施例、特征和方面，并且用于解释本申请的原理。
图1示出根据本申请的实施例的用于盆底康复的评估方法的流程图。
图2示出根据本申请的实施例的用于盆底康复的评估方法的架构示意图。
图3示出根据本申请的实施例的用于盆底康复的评估方法的子步骤S140的流程图。
图4示出根据本申请的实施例的用于盆底康复的评估系统的框图。
图5示出根据本申请的实施例的用于盆底康复的评估方法的应用场景图。.
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本申请保护的范围。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
另外，为了更好的说明本申请，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本申请同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本申请的主旨。
针对上述技术问题，本申请的技术构思为利用无线传感器网络技术，通过压力传感器实时监测采集患者在不同姿势下的盆底压力信号，并在后端引入数据处理和分析算法来进行这些盆底压力信号的时序协同关联分析，以此来检测患者的盆底功能状况。相比传统方法，这种盆底康复的评估系统具有更好的客观性、简便性和非侵入性，减少了患者的不适感，同时也减少了人工操作的主观性和复杂性。这样，能够及时反馈患者的盆底功能状况，从而辅助进行患者的盆底康复方案的调整。
图1示出根据本申请的实施例的用于盆底康复的评估方法的流程图。图2示出根据本申请的实施例的用于盆底康复的评估方法的架构示意图。如图1和图2所示，根据本申请实施例的用于盆底康复的评估方法，包括步骤：S110，获取被检测患者在不同姿势下的盆底压力信号的序列；S120，将所述被检测患者在不同姿势下的盆底压力信号的序列分别按照样本维度进行排列以得到盆底压力信号输入向量的序列；S130，通过基于深度神经网络模型的盆底压力信号特征提取器分别对所述盆底压力信号输入向量的序列中的各个盆底压力信号输入向量进行特征提取以得到盆底压力信号特征向量的序列；S140，使用联合分析模块对所述盆底压力信号特征向量的序列进行联合分析以得到盆底压力信号特征向量矩阵作为盆底压力信号特征；以及，S150，基于所述盆底压力信号特征，确定盆底功能状况等级标签。
应可以理解，步骤S110用于收集被检测患者在不同姿势下的盆底压力信号数据，通过测量盆底压力信号，可以获取关于盆底功能的信息。在步骤S120中，通过将数据进行向量化，可以方便后续的特征提取和分析。在步骤S130中，通过提取盆底压力信号的特征，可以将复杂的信号数据转化为具有更高层次的表示，以便后续的分析和处理。在步骤S140中，通过将特征向量进行整合和分析，可以得到盆底压力信号特征向量矩阵，该矩阵可以更全面地描述盆底功能的状态。在步骤S150中，根据盆底压力信号特征，确定盆底功能的状况等级标签，通过对盆底压力信号特征的分析和比较，可以评估盆底功能的状态，例如判断盆底功能正常、异常或存在不同程度的功能障碍。总体而言，这些步骤组成了一个用于盆底康复评估的方法，从收集盆底压力信号数据到提取特征并最终确定盆底功能状况等级标签，以帮助医生评估患者的盆底功能状态。
具体地，在本申请的技术方案中，首先，获取被检测患者在不同姿势下的盆底压力信号的序列。应可以理解，在盆底功能评估中，通常需要对患者在不同姿势下的盆底压力进行测量，例如静息状态、收缩状态、咳嗽或用力排尿等。每个姿势下的盆底压力信号可以看作是一个样本，包含了一段时间内的压力变化情况。因此，为了能够对于患者在不同姿势下的盆底压力进行特征提取和分析，在本申请的技术方案中，需要将所述被检测患者在不同姿势下的盆底压力信号的序列分别按照样本维度进行排列以得到盆底压力信号输入向量的序列。
然后，考虑到在盆底功能评估中，所述盆底压力信号输入向量包含了一个样本在一段时间内的压力变化情况。为了对盆底功能进行准确评估，需要从这些不同样本中的盆底压力信号中提取有用的特征信息。基于此，在本申请的技术方案中，进一步将所述盆底压力信号输入向量的序列中的各个盆底压力信号输入向量分别通过基于一维卷积神经网络模型的盆底压力信号特征提取器中进行特征挖掘，以分别提取出所述患者在各个姿势下的盆底压力信号的时序特征信息，其包括了患者在不同姿势下的压力幅度、变化趋势和持续时间等特征，从而得到盆底压力信号特征向量的序列。
相应地，在步骤S130中，所述深度神经网络模型为一维卷积神经网络模型，换言之，所述基于深度神经网络模型的盆底压力信号特征提取器为基于一维卷积神经网络模型的盆底压力信号特征提取器。
值得一提的是，一维卷积神经网络模型（1D Convolutional Neural Network）是一种深度学习模型，用于处理序列数据的神经网络结构。与传统的卷积神经网络模型（用于处理图像数据）相比，一维卷积神经网络模型更适用于处理具有时间或序列结构的数据，如音频、文本和时间序列数据。一维卷积神经网络模型使用一维卷积操作来捕捉输入数据中的局部模式和特征。它通过在输入序列上滑动卷积核（一维滤波器）并执行卷积运算来提取特征。卷积操作可以捕捉到不同尺度的局部模式，从而能够学习到输入数据中的时序特征。一维卷积神经网络通常由多个卷积层、激活函数、池化层和全连接层组成。卷积层用于提取输入数据的局部特征，激活函数引入非线性变换，池化层用于降低特征维度和提取最显著的特征，全连接层用于将提取的特征映射到输出类别。在基于一维卷积神经网络模型的盆底压力信号特征提取器中，该模型将盆底压力信号输入向量作为一维序列数据，并通过卷积层和其他层来提取盆底压力信号的特征，这些特征可以捕捉到盆底压力信号中的时序模式和结构，以便后续的特征分析和功能评估。
应可以理解，在盆底功能评估中，所述盆底压力信号特征向量的序列包含了患者在不同姿势下的压力信号特征信息，并且，这些各个姿势下的压力信号特征之间具有着相互的关联关系。因此，为了能够综合利用患者在不同姿势下的压力信号特征，以此来进行盆底压力的综合分析以更为准确地进行盆底功能状况的评估，在本申请的技术方案中，进一步使用联合分析模块对所述盆底压力信号特征向量的序列进行联合分析以得到盆底压力信号特征向量矩阵。通过使用所述联合分析模块来进行处理，能够综合利用患者在不同姿势下的盆底压力信号特征之间的相似性和关联性关系，并筛选和融合对盆底功能状况评估相关的重要语义关联特征。这样，能够将所述盆底压力信号特征向量的序列进行全局分析，以便于综合利用患者在不同姿势下的关键压力信号时序特征之间的联合语义特征来更为准确地进行盆底功能状况的检测和分析。
相应地，如图3所示，在步骤S140中，使用联合分析模块对所述盆底压力信号特征向量的序列进行联合分析以得到盆底压力信号特征向量矩阵作为盆底压力信号特征，包括：S141，构造所述盆底压力信号特征向量的序列的邻接矩阵和度矩阵；S142，基于所述邻接矩阵和所述度矩阵，计算拉普拉斯矩阵；S143，对所述拉普拉斯矩阵进行标准化处理以得到标准化后拉普拉斯矩阵；S144，将所述标准化后拉普拉斯矩阵的各个特征值从大到小进行排列，并提取前K个特征值计算所述前K个特征值的特征向量；以及，S145，标准化所述前K个特征值的特征向量并将标准化后的前K个特征值的特征向量组成特征向量矩阵以得到所述盆底压力信号特征向量矩阵。
应可以理解，在步骤S141中，邻接矩阵描述了特征向量之间的关联关系，度矩阵表示每个特征向量的度（即与其他特征向量的连接数）。在步骤S142中，拉普拉斯矩阵是图论中常用的矩阵，描述了图的拓扑结构和特征向量之间的关系。在步骤S143中，标准化处理可以使得不同尺度的特征具有可比性，有助于后续的特征分析和比较。在步骤S144中，对标准化后的拉普拉斯矩阵进行特征值分解，并将特征值从大到小进行排列，然后，提取前K个特征值对应的特征向量，这些特征向量包含了盆底压力信号特征的重要信息。在步骤S145中，对前K个特征值的特征向量进行标准化处理，并将标准化后的特征向量组成特征向量矩阵，这个特征向量矩阵即为盆底压力信号的特征向量矩阵，它可以用于后续的分析和应用，如分类、聚类等。总体来说，联合分析模块的作用是将盆底压力信号特征向量序列转化为更具表达力和可解释性的特征向量矩阵，从而提供更全面和准确的特征表示，这有助于揭示盆底压力信号中的隐藏模式和结构，为后续的盆底康复评估和治疗提供更有效的依据。
其中，在一个示例中，在步骤S141中，构造所述盆底压力信号特征向量的序列的邻接矩阵和度矩阵，包括：以如下权重公式计算所述盆底压力信号特征向量的序列中各个盆底压力信号特征向量之间的关联权重值以得到所述邻接矩阵；其中，所述权重公式为：
；
其中，和/>分别为所述盆底压力信号特征向量的序列中第/>个和第/>个盆底压力信号特征向量，/>为所述第/>个盆底压力信号特征向量和所述第/>个盆底压力信号特征向量之间的方差，/>为指数运算，/>为所述邻接矩阵中第/>位置的特征值。
具体地，构造所述盆底压力信号特征向量的序列的邻接矩阵和度矩阵，包括：所述度矩阵中的各个位置的特征值为所述盆底压力信号特征向量的序列中每个盆底压力信号特征向量与其相连接的所有其余所述盆底压力信号特征向量的关联权重值之和。
其中，在一个示例中，在步骤S142中，基于所述邻接矩阵和所述度矩阵，计算拉普拉斯矩阵，包括：基于所述邻接矩阵和所述度矩阵，以如下普拉斯公式计算所述拉普拉斯矩阵；其中，所述普拉斯公式为：
；
其中，为所述邻接矩阵，/>为所述度矩阵，/>为所述拉普拉斯矩阵。
其中，在一个示例中，在步骤S143中，对所述拉普拉斯矩阵进行标准化处理以得到标准化后拉普拉斯矩阵，包括：以如下标准化公式对所述拉普拉斯矩阵进行标准化处理以得到所述标准化后拉普拉斯矩阵；其中，所述标准化公式为：
；
其中，为所述邻接矩阵，/>为所述度矩阵，/>为单位矩阵，/>为所述标准化后拉普拉斯矩阵。
继而，再将所述盆底压力信号特征向量矩阵通过分类器以得到分类结果，所述分类结果用于表示盆底功能状况等级标签。也就是说，利用患者在不同姿势下的盆底压力信号特征之间的联合语义关联特征信息来进行分类处理，以此来进行患者的盆底功能状况检测。具体地，在本申请的技术方案中，所述分类器的标签为盆底功能状况等级标签，因此，在得到所述分类结果后，可以基于所述分类结果来检测患者的盆底功能状况。相比传统方法，这种盆底康复的评估系统具有更好的客观性、简便性和非侵入性，减少了患者的不适感，同时也减少了人工操作的主观性和复杂性。这样，能够及时反馈患者的盆底功能状况，从而辅助进行患者的盆底康复方案的调整。
相应地，在步骤S150中，基于所述盆底压力信号特征，确定盆底功能状况等级标签，包括：将所述盆底压力信号特征向量矩阵通过分类器以得到分类结果，所述分类结果用于表示盆底功能状况等级标签。
具体地，将所述盆底压力信号特征向量矩阵通过分类器以得到分类结果，所述分类结果用于表示盆底功能状况等级标签，包括：将所述盆底压力信号特征向量矩阵按照行向量或者列向量展开为分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM（ SupportVector Machine，支持向量机）等常用于解决二分类问题，对于多分类问题（multi-classclassification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
进一步地，在本申请的技术方案中，所述的用于盆底康复的评估方法，其还包括训练步骤：用于对基于一维卷积神经网络模型的盆底压力信号特征提取器、所述联合分析模块和所述分类器进行训练。
应可以理解，训练步骤在盆底康复评估方法中的作用是通过使用已知的标注数据来训练模型，使其能够学习从盆底压力信号中提取有用特征并进行分类的能力。具体来说，训练步骤包括以下几个方面的作用：1.特征提取器的训练：基于一维卷积神经网络模型的盆底压力信号特征提取器通过训练可以学习到从原始信号中提取有区分性的特征。这些特征可以捕捉到盆底压力信号中的重要模式和结构，为后续的分类任务提供更有信息量的输入。2.联合分析模块的训练：联合分析模块通过训练可以学习到如何对特征向量序列进行联合分析，以获取更全面和准确的特征表示。训练过程中，模块可以学习到如何构建邻接矩阵、计算拉普拉斯矩阵、标准化处理等操作，以及如何提取重要的特征向量。3.分类器的训练：分类器的训练是为了将提取到的盆底压力信号特征向量与特定的康复评估目标进行关联。
通过训练，分类器可以学习到如何根据特征向量的模式和结构进行分类，从而实现对盆底康复评估的自动化。训练步骤的目的是通过利用已知的标注数据来指导模型的学习过程，使其能够从数据中学习到有用的特征和模式，并将其应用于未知数据的分类任务中。通过训练，评估方法可以逐渐优化和提升性能，以提供更准确和可靠的盆底康复评估结果。
其中，在一个示例中，所述训练步骤，包括：获取训练数据，所述训练数据包括被检测患者在不同姿势下的训练盆底压力信号的序列；将所述被检测患者在不同姿势下的训练盆底压力信号的序列分别按照样本维度进行排列以得到训练盆底压力信号输入向量的序列；通过所述基于一维卷积神经网络模型的盆底压力信号特征提取器分别对所述训练盆底压力信号输入向量的序列中的各个训练盆底压力信号输入向量进行特征提取以得到训练盆底压力信号特征向量的序列；使用所述联合分析模块对所述训练盆底压力信号特征向量的序列进行联合分析以得到训练盆底压力信号特征向量矩阵；对所述训练盆底压力信号特征向量矩阵进行优化以得到优化后训练盆底压力信号特征向量矩阵；将所述优化后训练盆底压力信号特征向量矩阵通过所述分类器以得到分类函数损失值；以及，基于所述分类函数损失值对所述基于一维卷积神经网络模型的盆底压力信号特征提取器、所述联合分析模块和所述分类器进行训练。
在本申请的技术方案中，所述训练盆底压力信号特征向量的序列中的每个训练盆底压力信号特征向量表达相应的训练盆底压力信号在单样本空间下的信号特征，由此，使用联合分析模块对所述训练盆底压力信号特征向量的序列进行联合分析后，由于是基于各个所述训练盆底压力信号特征向量之间的基于距离的邻接矩阵和度矩阵得到所述训练盆底压力信号特征向量矩阵，因此所述训练盆底压力信号特征向量矩阵相对于所述训练盆底压力信号特征向量的序列在多样本空间下的信号特征分布会具有分布稀疏性，从而导致所述训练盆底压力信号特征向量矩阵通过分类器进行分类时，在类概率密度域下的概率密度表示稀疏化，影响其通过分类器进行分类时的回归收敛效果。
基于此，本申请的申请人优选地对所述训练盆底压力信号特征向量矩阵，例如进行优化。相应地，在一个示例中，对所述训练盆底压力信号特征向量矩阵进行优化以得到优化后训练盆底压力信号特征向量矩阵，包括：以如下优化公式对所述训练盆底压力信号特征向量矩阵进行优化以得到所述优化后训练盆底压力信号特征向量矩阵；其中，所述优化公式为：
；
；
其中，是所述训练盆底压力信号特征向量矩阵，/>表示所述训练盆底压力信号特征向量矩阵/>的逐位置平方图，/>为参数可训练的中间权重矩阵，例如基于所述训练盆底压力信号特征向量矩阵/>的分布稀疏化，初始设置为其每个特征值为所述训练盆底压力信号特征向量矩阵/>的特征值集合均值，此外，/>为所有特征值为1的单位矩阵，表示矩阵的加法，/>表示按位置点乘，/>是所述优化后训练盆底压力信号特征向量矩阵。
这里，为了优化所述训练盆底压力信号特征向量矩阵的稀疏概率密度在整体概率空间内的分布均匀性和一致性，通过类标准柯西分布式的尾部分布加强机制，来对所述训练盆底压力信号特征向量矩阵/>在高维特征空间内的距离式空间分布进行基于空间角度倾斜式的距离分布优化，以实现所述训练盆底压力信号特征向量矩阵/>的各个局部特征分布的距离弱相关的特征分布空间共振，从而提升所述训练盆底压力信号特征向量矩阵整体在概率密度分布层面相对于回归概率收敛的均匀性和一致性，提升类概率收敛效果，即分类结果收敛的速度和分类结果的准确性。这样，能够更为客观、简便且非侵入地检测患者的盆底功能状况，从而减少了患者的不适感，同时也减少了人工操作的主观性和复杂性。
综上，基于本申请实施例的用于盆底康复的评估方法，其可以及时反馈患者的盆底功能状况。
图4示出根据本申请的实施例的用于盆底康复的评估系统100的框图。如图4所示，根据本申请实施例的用于盆底康复的评估系统100，包括：压力信号获取模块110，用于获取被检测患者在不同姿势下的盆底压力信号的序列；向量化模块120，用于将所述被检测患者在不同姿势下的盆底压力信号的序列分别按照样本维度进行排列以得到盆底压力信号输入向量的序列；特征提取模块130，用于通过基于深度神经网络模型的盆底压力信号特征提取器分别对所述盆底压力信号输入向量的序列中的各个盆底压力信号输入向量进行特征提取以得到盆底压力信号特征向量的序列；联合分析模块140，用于使用联合分析模块对所述盆底压力信号特征向量的序列进行联合分析以得到盆底压力信号特征向量矩阵作为盆底压力信号特征；以及，状况分析模块150，用于基于所述盆底压力信号特征，确定盆底功能状况等级标签。
这里，本领域技术人员可以理解，上述用于盆底康复的评估系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的用于盆底康复的评估方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的用于盆底康复的评估系统100可以实现在各种无线终端中，例如具有用于盆底康复的评估算法的服务器等。在一种可能的实现方式中，根据本申请实施例的用于盆底康复的评估系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该用于盆底康复的评估系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该用于盆底康复的评估系统100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该用于盆底康复的评估系统100与该无线终端也可以是分立的设备，并且该用于盆底康复的评估系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
图5示出根据本申请的实施例的用于盆底康复的评估方法的应用场景图。如图5所示，在该应用场景中，首先，获取被检测患者在不同姿势下的盆底压力信号的序列（例如，图5中所示意的D），然后，将所述被检测患者在不同姿势下的盆底压力信号的序列输入至部署有用于盆底康复的评估算法的服务器（例如，图5中所示意的S）中，其中，所述服务器能够使用所述用于盆底康复的评估算法对所述被检测患者在不同姿势下的盆底压力信号的序列进行处理以得到用于表示盆底功能状况等级标签的分类结果。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器，上述计算机程序指令可由装置的处理组件执行以完成上述方法。
本申请可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本申请的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (8)
1.一种用于盆底康复的评估方法，其特征在于，包括：
获取被检测患者在不同姿势下的盆底压力信号的序列；
将所述被检测患者在不同姿势下的盆底压力信号的序列分别按照样本维度进行排列以得到盆底压力信号输入向量的序列；
通过基于深度神经网络模型的盆底压力信号特征提取器分别对所述盆底压力信号输入向量的序列中的各个盆底压力信号输入向量进行特征提取以得到盆底压力信号特征向量的序列；
使用联合分析模块对所述盆底压力信号特征向量的序列进行联合分析以得到盆底压力信号特征向量矩阵作为盆底压力信号特征；
基于所述盆底压力信号特征，确定盆底功能状况等级标签；
其中，使用联合分析模块对所述盆底压力信号特征向量的序列进行联合分析以得到盆底压力信号特征向量矩阵作为盆底压力信号特征，包括：
构造所述盆底压力信号特征向量的序列的邻接矩阵和度矩阵；
基于所述邻接矩阵和所述度矩阵，计算拉普拉斯矩阵；
对所述拉普拉斯矩阵进行标准化处理以得到标准化后拉普拉斯矩阵；
将所述标准化后拉普拉斯矩阵的各个特征值从大到小进行排列，并提取前K个特征值计算所述前K个特征值的特征向量；
标准化所述前K个特征值的特征向量并将标准化后的前K个特征值的特征向量组成特征向量矩阵以得到所述盆底压力信号特征向量矩阵；
其中，构造所述盆底压力信号特征向量的序列的邻接矩阵和度矩阵，包括：
以如下权重公式计算所述盆底压力信号特征向量的序列中各个盆底压力信号特征向量之间的关联权重值以得到所述邻接矩阵；其中，所述权重公式为：
；
其中，和/>分别为所述盆底压力信号特征向量的序列中第/>个和第/>个盆底压力信号特征向量，/>为所述第/>个盆底压力信号特征向量和所述第/>个盆底压力信号特征向量之间的方差，/>为指数运算，/>为所述邻接矩阵中第/>位置的特征值。
2.根据权利要求1所述的用于盆底康复的评估方法，其特征在于，所述深度神经网络模型为一维卷积神经网络模型。
3.根据权利要求2所述的用于盆底康复的评估方法，其特征在于，构造所述盆底压力信号特征向量的序列的邻接矩阵和度矩阵，包括：
所述度矩阵中的各个位置的特征值为所述盆底压力信号特征向量的序列中每个盆底压力信号特征向量与其相连接的所有其余所述盆底压力信号特征向量的关联权重值之和。
4.根据权利要求3所述的用于盆底康复的评估方法，其特征在于，基于所述邻接矩阵和所述度矩阵，计算拉普拉斯矩阵，包括：
基于所述邻接矩阵和所述度矩阵，以如下普拉斯公式计算所述拉普拉斯矩阵；其中，所述普拉斯公式为：
；
其中，为所述邻接矩阵，/>为所述度矩阵，/>为所述拉普拉斯矩阵。
5.根据权利要求4所述的用于盆底康复的评估方法，其特征在于，对所述拉普拉斯矩阵进行标准化处理以得到标准化后拉普拉斯矩阵，包括：
以如下标准化公式对所述拉普拉斯矩阵进行标准化处理以得到所述标准化后拉普拉斯矩阵；其中，所述标准化公式为：
；
其中，为所述邻接矩阵，/>为所述度矩阵，/>为单位矩阵，/>为所述标准化后拉普拉斯矩阵。
6.根据权利要求5所述的用于盆底康复的评估方法，其特征在于，基于所述盆底压力信号特征，确定盆底功能状况等级标签，包括：
将所述盆底压力信号特征向量矩阵通过分类器以得到分类结果，所述分类结果用于表示盆底功能状况等级标签。
7.根据权利要求6所述的用于盆底康复的评估方法，其特征在于，还包括训练步骤：用于对基于一维卷积神经网络模型的盆底压力信号特征提取器、所述联合分析模块和所述分类器进行训练；
其中，所述训练步骤，包括：
获取训练数据，所述训练数据包括被检测患者在不同姿势下的训练盆底压力信号的序列；
将所述被检测患者在不同姿势下的训练盆底压力信号的序列分别按照样本维度进行排列以得到训练盆底压力信号输入向量的序列；
通过所述基于一维卷积神经网络模型的盆底压力信号特征提取器分别对所述训练盆底压力信号输入向量的序列中的各个训练盆底压力信号输入向量进行特征提取以得到训练盆底压力信号特征向量的序列；
使用所述联合分析模块对所述训练盆底压力信号特征向量的序列进行联合分析以得到训练盆底压力信号特征向量矩阵；
对所述训练盆底压力信号特征向量矩阵进行优化以得到优化后训练盆底压力信号特征向量矩阵；
将所述优化后训练盆底压力信号特征向量矩阵通过所述分类器以得到分类函数损失值；
基于所述分类函数损失值对所述基于一维卷积神经网络模型的盆底压力信号特征提取器、所述联合分析模块和所述分类器进行训练。
8.一种用于盆底康复的评估系统，其特征在于，包括：
压力信号获取模块，用于获取被检测患者在不同姿势下的盆底压力信号的序列；
向量化模块，用于将所述被检测患者在不同姿势下的盆底压力信号的序列分别按照样本维度进行排列以得到盆底压力信号输入向量的序列；
特征提取模块，用于通过基于深度神经网络模型的盆底压力信号特征提取器分别对所述盆底压力信号输入向量的序列中的各个盆底压力信号输入向量进行特征提取以得到盆底压力信号特征向量的序列；
联合分析模块，用于使用联合分析模块对所述盆底压力信号特征向量的序列进行联合分析以得到盆底压力信号特征向量矩阵作为盆底压力信号特征；
状况分析模块，用于基于所述盆底压力信号特征，确定盆底功能状况等级标签；
其中，所述联合分析模块，包括：
构造所述盆底压力信号特征向量的序列的邻接矩阵和度矩阵；
基于所述邻接矩阵和所述度矩阵，计算拉普拉斯矩阵；
对所述拉普拉斯矩阵进行标准化处理以得到标准化后拉普拉斯矩阵；
将所述标准化后拉普拉斯矩阵的各个特征值从大到小进行排列，并提取前K个特征值计算所述前K个特征值的特征向量；
标准化所述前K个特征值的特征向量并将标准化后的前K个特征值的特征向量组成特征向量矩阵以得到所述盆底压力信号特征向量矩阵；
其中，构造所述盆底压力信号特征向量的序列的邻接矩阵和度矩阵，包括：
以如下权重公式计算所述盆底压力信号特征向量的序列中各个盆底压力信号特征向量之间的关联权重值以得到所述邻接矩阵；其中，所述权重公式为：
；
其中，和/>分别为所述盆底压力信号特征向量的序列中第/>个和第/>个盆底压力信号特征向量，/>为所述第/>个盆底压力信号特征向量和所述第/>个盆底压力信号特征向量之间的方差，/>为指数运算，/>为所述邻接矩阵中第/>位置的特征值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410173412.9A CN117717342B (zh) | 2024-02-07 | 2024-02-07 | 用于盆底康复的评估系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410173412.9A CN117717342B (zh) | 2024-02-07 | 2024-02-07 | 用于盆底康复的评估系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117717342A CN117717342A (zh) | 2024-03-19 |
| CN117717342B true CN117717342B (zh) | 2024-04-09 |
Family
ID=90200154
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410173412.9A Active CN117717342B (zh) | 2024-02-07 | 2024-02-07 | 用于盆底康复的评估系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117717342B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118121217B (zh) * | 2024-05-08 | 2024-07-05 | 吉林大学 | 基于人工智能的盆底康复锻炼辅助系统及方法 |
| CN118248338B (zh) * | 2024-05-27 | 2024-07-30 | 吉林大学 | 基于互联网的盆底功能康复信息化管理系统及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101201279A (zh) * | 2007-12-07 | 2008-06-18 | 安徽君诚体育器材有限公司 | 一种压力分布测量装置及其测量方法 |
| CN102313577A (zh) * | 2011-06-24 | 2012-01-11 | 上海大学 | 基于多路传感信号的设备健康状态评估与衰退预测方法 |
| CN115099406A (zh) * | 2022-06-30 | 2022-09-23 | 西南石油大学 | 基于多元时间序列的地层压力反演方法及装置 |
| CN115985490A (zh) * | 2023-03-17 | 2023-04-18 | 四川大学华西医院 | 一种帕金森疾病客观化、定量化早期诊断系统及存储介质 |
| CN116597485A (zh) * | 2023-05-16 | 2023-08-15 | 浙江大学 | 一种基于视频的肌肉收缩测量及面部肌肉协同分析系统 |
| CN116919422A (zh) * | 2023-07-18 | 2023-10-24 | 广州大学 | 基于图卷积的多特征情感脑电识别模型建立方法及装置 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7437014B2 (en) * | 2004-04-21 | 2008-10-14 | The Boeing Company | Methods and systems for model reduction and system identification of dynamic systems with multiple inputs |
| CN103845065B (zh) * | 2012-12-05 | 2018-02-06 | 深圳迈瑞生物医疗电子股份有限公司 | 肌肉松弛程度测量方法、处理装置和肌松测量仪 |
| EP3120764A1 (en) * | 2015-07-23 | 2017-01-25 | Universitat Politècnica De Catalunya | Portable device and method for measuring electromyographic signals of an user |
| US11693924B2 (en) * | 2019-06-06 | 2023-07-04 | Hitachi, Ltd. | System and method for maintenance recommendation in industrial networks |
-
2024
- 2024-02-07 CN CN202410173412.9A patent/CN117717342B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101201279A (zh) * | 2007-12-07 | 2008-06-18 | 安徽君诚体育器材有限公司 | 一种压力分布测量装置及其测量方法 |
| CN102313577A (zh) * | 2011-06-24 | 2012-01-11 | 上海大学 | 基于多路传感信号的设备健康状态评估与衰退预测方法 |
| CN115099406A (zh) * | 2022-06-30 | 2022-09-23 | 西南石油大学 | 基于多元时间序列的地层压力反演方法及装置 |
| CN115985490A (zh) * | 2023-03-17 | 2023-04-18 | 四川大学华西医院 | 一种帕金森疾病客观化、定量化早期诊断系统及存储介质 |
| CN116597485A (zh) * | 2023-05-16 | 2023-08-15 | 浙江大学 | 一种基于视频的肌肉收缩测量及面部肌肉协同分析系统 |
| CN116919422A (zh) * | 2023-07-18 | 2023-10-24 | 广州大学 | 基于图卷积的多特征情感脑电识别模型建立方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| Pregnancy-induced adaptations in the intrinsic structure of rat pelvic floor muscles;Marianna Alperin et al;《Am J Obstet Gynecol》;20150831;第213卷(第2期);全文 * |
| 一种基于人体骨架的任意角度坐姿识别方法;叶启朗 等;《计算机应用研究》;20231130;第40卷(第11期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117717342A (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117717342B (zh) | 用于盆底康复的评估系统及方法 | |
| CN110188836B (zh) | 一种基于变分自编码器的脑功能网络分类方法 | |
| CN112784879A (zh) | 一种基于小样本域自适应的医学影像分割或分类方法 | |
| CN101517602A (zh) | 使用基于分类器集成的遗传算法进行特征选择的方法 | |
| CN111783887B (zh) | 基于fMRI小世界脑网络计算机分类测谎识别方法 | |
| CN112233798B (zh) | 基于病理模式与注意力机制的可解释疾病风险分析系统 | |
| CN111090764A (zh) | 基于多任务学习和图卷积神经网络的影像分类方法及装置 | |
| Novitasari et al. | Automatic approach for cervical cancer detection based on deep belief network (DBN) using colposcopy data | |
| Anh-Dao et al. | A multistage system for automatic detection of epileptic spikes | |
| CN111932522B (zh) | 一种基于脑成像大数据深度学习的阿尔兹海默症分类器 | |
| Masood et al. | Differential evolution based advised SVM for histopathalogical image analysis for skin cancer detection | |
| CN103345633A (zh) | 一种用于阿尔兹海默病早期发现的结构性核磁共振影像处理方法 | |
| CN117198468A (zh) | 基于行为识别和数据分析的干预方案智慧化管理系统 | |
| CN117315379B (zh) | 面向深度学习的医学影像分类模型公平性评估方法及装置 | |
| Villar et al. | Human activity recognition and feature selection for stroke early diagnosis | |
| CN111383217B (zh) | 大脑成瘾性状评估的可视化方法、装置及介质 | |
| Biswas et al. | Harnessing the Power of Machine Learning for Parkinson's Disease Detection | |
| CN117635252A (zh) | 基于便携式脑电和深度学习的个体偏好预测方法 | |
| CN116484290A (zh) | 一种基于Stacking集成的抑郁症识别模型构建方法 | |
| Durgamahanthi et al. | Texture analysis using wavelet-based multiresolution autoregressive model: application to brain cancer histopathology | |
| Islam et al. | Unic-net: Uncertainty aware involution-convolution hybrid network for two-level disease identification | |
| CN115937129A (zh) | 基于多模态磁共振影像的左右半脑关系的处理方法及装置 | |
| CN111932523B (zh) | 一种基于脑成像大数据深度学习的性别分类器 | |
| Wen et al. | Intelligent personalized diagnosis modeling in advanced medical system for Parkinson’s disease using voice signals | |
| Jadah et al. | Breast Cancer Image Classification Using Deep Convolutional Neural Networks |
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 |