CN117898704A - 一种脊椎侧弯监测方法与装置 - Google Patents
一种脊椎侧弯监测方法与装置 Download PDFInfo
- Publication number
- CN117898704A CN117898704A CN202410316281.5A CN202410316281A CN117898704A CN 117898704 A CN117898704 A CN 117898704A CN 202410316281 A CN202410316281 A CN 202410316281A CN 117898704 A CN117898704 A CN 117898704A
- Authority
- CN
- China
- Prior art keywords
- data
- pressure
- strip
- pressure data
- scoliosis
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012544 monitoring process Methods 0.000 title claims abstract description 26
- 206010058907 Spinal deformity Diseases 0.000 title abstract description 3
- 238000012545 processing Methods 0.000 claims abstract description 15
- 206010039722 scoliosis Diseases 0.000 claims description 28
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000012806 monitoring device Methods 0.000 claims description 7
- 238000005452 bending Methods 0.000 abstract description 8
- 230000002265 prevention Effects 0.000 abstract 1
- 230000005021 gait Effects 0.000 description 24
- 238000012360 testing method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000012502 risk assessment Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 3
- 208000000875 Spinal Curvatures Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 241000283070 Equus zebra Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及医疗保健技术领域。提供一种脊椎侧弯监测方法与装置。该装置包括:条形压力带传感器,用于采集目标对象鞋底切面的压力数据;所述条形压力带传感器固定在地面上;摄像头,用于采集经过该条形压力带传感器的目标对象的图像数据;数据处理模块,用于根据目标对象的所述压力数据和图像数据,对经过所述条形压力带传感器的所有人群进行脊椎侧弯监测与误差纠正。该装置可以对潜在人群进行完全无感的监测,能够提前对可能出现的脊椎侧弯情况进行预警,让可能有脊椎侧弯风险的患者及时得到预防。
Description
技术领域
本发明涉及医疗保健技术领域,尤其涉及一种脊椎侧弯监测方法与装置。
背景技术
脊柱侧弯属于脊柱弯曲异常的一种,在青少年中比较典型。脊柱作为人体躯干骨的重要组成部分,对支撑人体重量、运动和保护内脏器官发挥至关重要的作用,被认作人体第二生命线。同时有关医学研究表明,如果脊椎生病将会缩短人体将近三分之一的寿命,因此,脊柱健康与否将直接影响人类的生存质量。因此,脊椎风险评估就显得尤为重要。
步态分析即是通过分析人体行走进程中的各项参数(经典时空参数、静态参数、动态参数等),揭示受试者健康状况、辅助疾病的诊断、评估预后的一种重要手段。步态某些数据甚至被部分学者归类为“生命体征”,适用于评估和监测广泛人群的功能状态和整体健康状况以及预测急性病患者的死亡率,步态分析的重要性不言而喻。
目前针对脊椎风险评估的方法为通过该步态分析来确定患者的健康状况,即:通过步采集患者双脚不同位置对称放置8个压力传感器的压力数据,然后利用该数据训练循环神经网络LSTM模型,并通过该模型来判断患者脊椎风险状况。然而,该方法只能针对特定的人群(即:只有在脚底特定位置放置了传感器的人)进行脊椎风险评估,而面对大众,无法做到普适性的监测。
发明内容
本发明提供一种脊椎侧弯监测方法与装置,用以解决现有技术中监测对象受限的缺陷。
一种脊椎侧弯监测装置,包括:
条形压力带传感器,用于采集目标对象鞋底切面的压力数据;所述条形压力带传感器固定在地面上;
摄像头,用于采集经过该条形压力带传感器的目标对象的图像数据;
数据处理模块,用于根据目标对象的所述压力数据和图像数据,对经过所述条形压力带传感器的所有人群进行脊椎侧弯监测。
一种利用所述的脊椎侧弯监测装置进行监测的方法,包括:
步骤一:获取条形压力带传感器采集的所有压力数据;获取每个压力数据分别对应的图像数据;
步骤二:根据所有压力数据以及每个压力数据分别对应的图像数据,构建脊椎侧弯预测模型;
步骤三:利用构建好的所述脊椎侧弯预测模型,预测所有经过所述条形压力带传感器的人群的脊椎侧弯情况。
如上所述的方法,所述步骤二包括:
步骤21:利用Min-Max或Z-score等数据标准化算法对所述压力数据进行处理,从而得到处理后的压力数据;
步骤22:利用所述处理后的压力数据以及对应的图像数据,构建脊椎侧弯预测模型。
如上所述的方法,所述步骤22包括:
使用ResNet网络对所述处理后的压力数据以及对应的图像数据来构建脊椎侧弯预测模型。
如上所述的方法,步骤一所述获取条形压力带传感器采集的所有压力数据包括:
获取经过条形压力带传感器的初始压力数据;
对所述初始压力数据进行分析,以删除异常数据,并以删除异常数据后的压力数据来构建脊椎侧弯预测模型。
如上所述的方法,所述异常数据包括:
踩踏区超过压力监测区域的压力数据;或目标对象异常背负物所采集的压力数据。
本发明提供的脊椎侧弯监测方法与装置,通过固定在地面上的条形压力带传感器采集目标对象鞋底切面的压力数据,并根据目标对象的压力数据和图像数据,对经过所述条形压力带传感器的所有人群进行脊椎侧弯监测,该装置可以对潜在人群进行完全无感的监测,提前对可能出现的脊椎侧弯情况进行预警,让可能的患者及时得到预防和诊治。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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为本发明提供的脊椎侧弯监测装置结构示意图;
图2为本发明提供的条形压力带传感器结构示意图;
图3本发明提供的脊椎侧弯监测流程图;
图4为ResNet block的三层结构示意图;
附图标记:
11-条形压力带传感器;12-摄像头;13-数据处理模块。
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,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
脊椎侧弯对人体尤其是青少年身体发育的影响很大,因此提前对可能出现的脊椎侧弯情况进行预警尤为重要,这能够让可能的患者及时地得到预防和诊治。然而当前没有针对脊柱侧弯疾病预警功能的产品,因此本发明提供的装置应用而生。
图1为本发明提供的脊椎侧弯监测装置结构示意图,如图1所示,该装置包括:
条形压力带传感器11,用于采集目标对象鞋底切面的压力数据;所述条形压力带传感器固定在地面上;
摄像头12,用于采集经过该条形压力带传感器的目标对象的图像数据;
数据处理模块13,用于根据目标对象的所述压力数据和图像数据,对经过所述条形压力带传感器的所有人群进行脊椎侧弯监测。
具体地,由于目前所有的脊椎监测方案都是有感监测,也就是监测对象需要配合进行监测后才能发现。对于大量的潜在人群是没法主动发现的。本发明通过外置压力带+摄像头的方式,可以对潜在人群进行完全无感的监测,从而发现潜在风险的患者人群。从医学角度,虽然步态有问题脊椎不一定有问题,但脊椎有问题,步态一定有问题。通过这种无感的监测,可极大的提高发现潜在风险人群的效率和概率。下面对本发明提供的装置做详细介绍。
为了实现步态压力数据的采集,本发明采用不同于以往的矩阵式压力传感器,而是通过多根条形压力传感器组合的条形压力带采集鞋底切面压力数据,图2为本发明提供的条形压力带传感器结构示意图,如图2所示,本发明通过外置条形压力带传感器(一种斑马纹可行走的压力带)采集鞋底切面压力数据,将压力数据转为条状分布压力图像。该条形压力带传感器布置于地面,使用者只需正常步态走过条形压力带,系统就会采集其步态压力数据,该步态压力数据分为左脚数据组和右脚数据组,每个数据组由多次步态压力构成,每次步态又由多个条形压力传感器数据组成。这些数据配套的摄像头会采集走过人体的照片,如此就可以通过数据处理模块的分析处理,识别出患者的脊椎弯曲风险等级。
其中,配套的摄像头会采集走过人体的照片。然后从拍摄的照片中删除异常数据,并且通过摄像头拍摄的照片还可以进行人物标签的识别。其中异常数据可能为:可能影响测量的异常背负物,多人进入了压力带,踩踏区超过了压力监测区域。当出现这些异常数据的时候,采集的数据将作废,人物标签主要通过图像识别方式,对通过的人进行识别,方便对其数据进行持续无感的收集。
本发明通过将条形压力带传感器与摄像头进行配合,被监测者在进入压力带之前就已经采集了其的图像,分析出患者是可采集状态,还是不具备采集状态。并且基于人脸识别原理,对每个患者的图像特征进行存档,方便对采集的压力数据进行归集存档。并且能实现数据的积累计算,从而能够更精准的对被监测者情况进行判断。
本发明还提供一种利用如上所述的脊椎侧弯监测装置进行监测的方法,包括:
步骤一:获取条形压力带传感器采集的所有压力数据;获取每个压力数据分别对应的图像数据。
步骤二:根据所有压力数据以及每个压力数据分别对应的图像数据,构建脊椎侧弯预测模型。
步骤三:利用构建好的所述脊椎侧弯预测模型,预测所有经过所述条形压力带传感器的人群的脊椎侧弯情况。
具体地,图3为本发明提供的脊椎侧弯监测流程图,如图3所示,首先要对获取的压力带数据进行训练集和测试集的数据划分,一般采用8:2的比例,训练数据集包含实际通过正常人群、脊椎异常人群的步态数据。之后对训练集的数据进行数据增强,以达到扩增数据集的目的,从而可以使系统的性能更加稳定。数据增强方式可以采用对步态数据进行周期划分,从而能在一定程度上增加数据集的数量。之后利用Min-Max或Z-score方法对数据进行归一化处理,以减小数据误差。最后使用ResNet网络对数据集进行学习,以自动选择正常脊椎与不同脊椎侧弯程度的步态特征,按训练集实际人群脊椎弯曲程度作为分类依据,将步态结果分为四类,分别为正常0,浅度弯曲1,中度弯曲2和重度弯曲3。学习完成后,通过输入新的测试者的步态数据,就可以根据这些数据给出脊椎侧弯风险等级。
进一步地,所述步骤二包括:步骤21:利用Min-Max或Z-score等数据标准化算法对所述压力数据进行处理,从而得到处理后的压力数据;步骤22:利用所述处理后的压力数据以及对应的图像数据,构建脊椎侧弯预测模型。
具体地,由于人体的足底压力受各种因素的影响,包括所穿鞋子的鞋底材料、鞋底软硬度、人体手中是否拿了重物等,因此本发明利用Min-Max或Z-score等数据标准化算法消除不同因素对压力的影响至关重要。这些算法可以将压力数据转换到同一尺度上,使得不同鞋底材料对压力的影响得到消除或减小。除此之外剔除采样开始和结束时步态周期不完整的数据,以免该数据对实验结果产生影响。这些操作都能减小或消除由于外界因素变化导致足底压力变化的误差,从而在后续的脊椎侧弯评估时能达到更高地准确率。
其中,中Min-Max的工作原理如下:
1. 确定数据的最大值(max)和最小值(min)。2. 对每一个数据点进行线性变换,使其映射到[0,1]的范围内。具体公式为:其中x*表示归一化后的数据,x表示原始数据。
Z-score的工作原理是:通过计算原始数据的均值和标准差,将原始观测值转化为一个标准分数,表示该观测值与平均值之间的距离。具体公式为:,其中X是观测值,μ是均值,σ是标准差。Z-score可以表示数据的偏离程度,正值表示高于平均水平,负值表示低于平均水平。这样的尺度转换使得不同鞋底材料对压力的影响得到消除或减小。除此之外剔除采样开始和结束时步态周期不完整的数据,以免该数据对实验结果产生影响。通过此算法处理后的数据,消除了鞋底软硬、形状等可能干扰步态因素,提取出来纯粹的步态压力值。为后续进一步分析提供了保障。
进一步地,所述步骤22包括:使用ResNet网络对所述处理后的压力数据以及对应的图像数据来构建脊椎侧弯预测模型。
具体地,ResNet算法作为一种深度卷积神经网络(CNN),已被广泛用于图像识别和计算机视觉任务。它通过残差块结构有效解决了深度神经网络中的梯度消失问题,这使得网络能够更好地学习和提取特征,这有助于提高步态识别的准确率,尤其是在面对复杂的行走环境和不同的鞋底材料时。由于ResNet具有的这种能力,它可以更好地处理具有噪声和干扰的足底压力数据,即使在鞋底材料、地面条件等因素发生变化时,ResNet也能稳定地进行步态分析。图4为ResNet block的三层结构示意图,如图4所示,本发明使用ResNet网络对步态压力数据集进行学习,之后对测试数据进行评估,输出一个脊椎侧弯概率,值为[0,1]之间,并将0-1之间划分为无风险,低风险,中风险和高风险四个区间,每个区间长度0.25。其中,0-0.25为无风险,0.25-0.5为低风险,0.5-0.75为中风险,0.75-1为高风险,最终实现脊椎侧弯风险评估和预警。
ResNet网络因独特的残差网络在分类的稳定性方面效果更好,因此本发明使用ResNet网络来实现脊椎侧弯评估系统,以达到更高的准确率和更稳定的识别性能。
实施例:本实施例提供一种脊椎侧弯监测方法,包括以下步骤:
步骤1:利用摄像头获取经过条形压力带传感器的测试对象1的图像;同时采集测试对象1经过条形压力带传感器的压力数据;
步骤2:将所述压力数据利用Min-Max算法进行处理,得到[0,1]之间的某一数值,作为处理后的压力数据;
步骤3:将测试对象1的图像进行处理,转化为ResNet网络模型可以识别的图像数据;步骤4:重复步骤1-步骤3,获取200个测试对象分别对应的压力数据和图像;并将该200个数据分为训练集和测试集,以步骤3得到的图像数据和步骤2处理后的压力数据作为ResNet网络模型的输入,以测试对象的脊椎侧弯概率为输出来训练ResNet网络模型,最终得到训练好的ResNet网络模型,即脊椎侧弯预测模型;
步骤5:利用摄像头获取经过条形压力带传感器的目标对象1的图像;同时采集目标对象1经过条形压力带传感器的压力数据;
步骤6:将目标对象1的压力数据利用Min-Max算法进行处理,得到[0,1]之间的某一数值,作为处理后的压力数据;
步骤7:将目标对象1的图像进行处理,转化为ResNet网络模型可以识别的图像数据;
步骤8:将步骤7得到的图像数据和步骤6处理后的压力数据输入训练好的脊椎侧弯预测模型,通过该脊椎侧弯预测模型进行预测,得到一个[0,1]之间的数值,假设该数值为0.35,则目标对象1的脊椎侧弯风险为低风险;步骤9:重复步骤5-步骤8,以采集若干目标对象的压力数据和图像,并通过脊椎侧弯预测模型对该若干目标对象的椎侧弯风险进行预估。
本实施例提供的方法,实现了提前对可能出现脊椎侧弯情况的目标对象进行预警,让可能的患者及时得到预防和诊治。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种脊椎侧弯监测装置,其特征在于,包括:
条形压力带传感器,用于采集目标对象鞋底切面的压力数据;所述条形压力带传感器固定在地面上;
摄像头,用于采集经过该条形压力带传感器的目标对象的图像数据;
数据处理模块,用于根据目标对象的所述压力数据和图像数据,对经过所述条形压力带传感器的所有人群进行脊椎侧弯监测。
2.一种利用权利要求1所述的脊椎侧弯监测装置进行监测的方法,其特征在于,包括:
步骤一:获取条形压力带传感器采集的所有压力数据;获取每个压力数据分别对应的图像数据;
步骤二:根据所有压力数据以及每个压力数据分别对应的图像数据,构建脊椎侧弯预测模型;
步骤三:利用构建好的所述脊椎侧弯预测模型,预测所有经过所述条形压力带传感器的人群的脊椎侧弯情况。
3.根据权利要求2所述的方法,其特征在于,所述步骤二包括:
步骤21:利用Min-Max或Z-score数据标准化算法对所述压力数据进行处理,从而得到处理后的压力数据;
步骤22:利用所述处理后的压力数据以及对应的图像数据,构建脊椎侧弯预测模型。
4.根据权利要求3所述的方法,其特征在于,所述步骤22包括:
使用ResNet网络对所述处理后的压力数据以及对应的图像数据来构建脊椎侧弯预测模型。
5.根据权利要求2所述的方法,其特征在于,步骤一所述获取条形压力带传感器采集的所有压力数据包括:
获取经过条形压力带传感器的初始压力数据;
对所述初始压力数据进行分析,以删除异常数据,并以删除异常数据后的压力数据来构建脊椎侧弯预测模型。
6.根据权利要求5所述的方法,其特征在于,所述异常数据包括:
踩踏区超过压力监测区域的压力数据;或目标对象异常背负物所采集的压力数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410316281.5A CN117898704A (zh) | 2024-03-20 | 2024-03-20 | 一种脊椎侧弯监测方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410316281.5A CN117898704A (zh) | 2024-03-20 | 2024-03-20 | 一种脊椎侧弯监测方法与装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117898704A true CN117898704A (zh) | 2024-04-19 |
Family
ID=90689371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410316281.5A Pending CN117898704A (zh) | 2024-03-20 | 2024-03-20 | 一种脊椎侧弯监测方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117898704A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013182483A1 (de) * | 2012-06-04 | 2013-12-12 | Zebris Medical Gmbh | Anordnung und verfahren zum training des ganges |
US10529155B1 (en) * | 2018-10-15 | 2020-01-07 | Alibaba Group Holding Limited | Employing pressure signatures for personal identification |
CN111383221A (zh) * | 2020-03-12 | 2020-07-07 | 南方科技大学 | 一种脊柱侧弯检测模型的生成方法和计算机设备 |
CN112218574A (zh) * | 2018-04-06 | 2021-01-12 | 卓尔科技公司 | 用于检测用户步态障碍的系统及相关方法 |
US20210059565A1 (en) * | 2019-09-04 | 2021-03-04 | Richard Morris | Gait-based assessment of neurodegeneration |
CN114129149A (zh) * | 2021-12-01 | 2022-03-04 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 脊柱侧弯检测方法、装置、终端设备及可读存储介质 |
CN216317609U (zh) * | 2021-07-30 | 2022-04-19 | 南方医科大学第七附属医院(佛山市南海区第三人民医院) | 一种人体平衡功能异常筛查装置 |
CN115844374A (zh) * | 2022-12-20 | 2023-03-28 | 重庆小爱科技有限公司 | 人体生物力线检测方法及系统 |
CN117653084A (zh) * | 2023-12-05 | 2024-03-08 | 北京新清泰克科技有限公司 | 利用步态评估脊柱侧弯康复状态的方法 |
-
2024
- 2024-03-20 CN CN202410316281.5A patent/CN117898704A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013182483A1 (de) * | 2012-06-04 | 2013-12-12 | Zebris Medical Gmbh | Anordnung und verfahren zum training des ganges |
CN112218574A (zh) * | 2018-04-06 | 2021-01-12 | 卓尔科技公司 | 用于检测用户步态障碍的系统及相关方法 |
US10529155B1 (en) * | 2018-10-15 | 2020-01-07 | Alibaba Group Holding Limited | Employing pressure signatures for personal identification |
US20210059565A1 (en) * | 2019-09-04 | 2021-03-04 | Richard Morris | Gait-based assessment of neurodegeneration |
CN111383221A (zh) * | 2020-03-12 | 2020-07-07 | 南方科技大学 | 一种脊柱侧弯检测模型的生成方法和计算机设备 |
CN216317609U (zh) * | 2021-07-30 | 2022-04-19 | 南方医科大学第七附属医院(佛山市南海区第三人民医院) | 一种人体平衡功能异常筛查装置 |
CN114129149A (zh) * | 2021-12-01 | 2022-03-04 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 脊柱侧弯检测方法、装置、终端设备及可读存储介质 |
CN115844374A (zh) * | 2022-12-20 | 2023-03-28 | 重庆小爱科技有限公司 | 人体生物力线检测方法及系统 |
CN117653084A (zh) * | 2023-12-05 | 2024-03-08 | 北京新清泰克科技有限公司 | 利用步态评估脊柱侧弯康复状态的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bet et al. | Fall detection and fall risk assessment in older person using wearable sensors: A systematic review | |
US7818131B2 (en) | Non-parametric modeling apparatus and method for classification, especially of activity state | |
Turner et al. | The classification of minor gait alterations using wearable sensors and deep learning | |
Creagh et al. | Smartphone-and smartwatch-based remote characterisation of ambulation in multiple sclerosis during the two-minute walk test | |
CN109815858B (zh) | 一种日常环境中的目标用户步态识别系统及方法 | |
Aich et al. | Design of a Machine Learning‐Assisted Wearable Accelerometer‐Based Automated System for Studying the Effect of Dopaminergic Medicine on Gait Characteristics of Parkinson’s Patients | |
CN111329484A (zh) | 基于足底压力信息时空域特征的糖尿病足风险预警装置 | |
CN112656406A (zh) | 一种基于可穿戴传感器的帕金森病下肢运动检测方法 | |
CN112115923A (zh) | 一种基于直接特征提取的多通道时序步态分析算法 | |
WO2009156936A2 (en) | System and method for determining a personal health related risk | |
CN117598700B (zh) | 智能化血氧饱和度检测系统及方法 | |
Balgetir et al. | Detection of ataxia in low disability MS patients by hybrid convolutional neural networks based on images of plantar pressure distribution | |
CN113096792B (zh) | 一种基于机器学习的智能健康监测预警方法及系统 | |
Choi et al. | Machine Learning Approach for Foot-side Classification using a Single Wearable Sensor. | |
Wu et al. | A novel graph-based hybrid deep learning of cumulative GRU and deeper GCN for recognition of abnormal gait patterns using wearable sensors | |
Kalogiannis et al. | Geriatric group analysis by clustering non-linearly embedded multi-sensor data | |
CN114464319B (zh) | 一种基于慢特征分析和深度神经网络的ams易感性评估系统 | |
US20240032820A1 (en) | System and method for self-learning and reference tuning activity monitor | |
CN117898704A (zh) | 一种脊椎侧弯监测方法与装置 | |
Xu et al. | A model for medical diagnosis based on plantar pressure | |
Islam et al. | Neurodegenerative disease classification using gait signal features and random Forest classifier | |
Dong et al. | An “optical flow” method based on pressure sensors data for quantification of Parkinson's disease characteristics | |
CN113887335A (zh) | 基于多尺度时空层级网络的跌倒风险实时评估系统和方法 | |
CN113255462A (zh) | 步态评分方法、系统、计算机程序产品及可读存储介质 | |
Kaviya et al. | INTELLIGENT WEARABLE DEVICE FOR EARLY DETECTION OF MYOCARDIAL INFARCTION USING IoT |
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 |