CN111383221A - 一种脊柱侧弯检测模型的生成方法和计算机设备 - Google Patents
一种脊柱侧弯检测模型的生成方法和计算机设备 Download PDFInfo
- Publication number
- CN111383221A CN111383221A CN202010170575.3A CN202010170575A CN111383221A CN 111383221 A CN111383221 A CN 111383221A CN 202010170575 A CN202010170575 A CN 202010170575A CN 111383221 A CN111383221 A CN 111383221A
- Authority
- CN
- China
- Prior art keywords
- moment
- training sample
- training
- joint
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 139
- 206010039722 scoliosis Diseases 0.000 title claims abstract description 95
- 238000001514 detection method Methods 0.000 title claims abstract description 84
- 238000012549 training Methods 0.000 claims abstract description 227
- 230000008569 process Effects 0.000 claims abstract description 101
- 238000013528 artificial neural network Methods 0.000 claims abstract description 72
- 238000012360 testing method Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 14
- 210000000323 shoulder joint Anatomy 0.000 description 27
- 210000002414 leg Anatomy 0.000 description 18
- 210000002310 elbow joint Anatomy 0.000 description 16
- 230000006870 function Effects 0.000 description 6
- 230000003068 static effect Effects 0.000 description 5
- 239000011436 cob Substances 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 210000002683 foot Anatomy 0.000 description 4
- 210000000629 knee joint Anatomy 0.000 description 4
- 210000000689 upper leg Anatomy 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 210000000038 chest Anatomy 0.000 description 3
- 210000000544 articulatio talocruralis Anatomy 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 210000000245 forearm Anatomy 0.000 description 2
- 210000003692 ilium Anatomy 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 210000003857 wrist joint Anatomy 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 210000003371 toe Anatomy 0.000 description 1
Images
Classifications
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30012—Spine; Backbone
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请涉及一种脊柱侧弯检测模型的生成方法和计算机设备,所述脊柱侧弯检测模型的生成方法包括:获取训练数据,将训练数据输入初始神经网络,以得到训练数据对应的预测结果,其中,训练数据包括一个训练样本在行进过程中多个时刻的行进参数和训练样本对应的真实结果;根据真实结果和预测结果,调整初始神经网络的参数,并继续执行将所训练数据输入初始神经网络,以得到预测结果的步骤,直至满足预设训练条件,以得到已训练的脊柱侧弯检测模型。所述训练数据包括一个训练样本在行进过程中多个时刻的行进参数,是动态的数据,通过行进过程中的动态数据训练初始神经网络,使得已训练的脊柱侧弯检测模型在实际使用时,能得到更准确的检测结果。
Description
技术领域
本申请涉及检测技术领域,特别是涉及一种脊柱侧弯检测模型的生成方法和计算机设备。
背景技术
青少年脊柱侧弯是危害我国青少年儿童的常见病、多发病,并且发病率仍在逐年上升,2015年,的一份面向初中生的调查结果显示,有9.9%的学生患有脊柱侧弯,高于世界平均水平3%,因此,对脊柱侧弯的检测尤为重要。
脊柱侧弯的严重程度多通过对侧弯曲角度的测量得以评估,而角度测量最常采用的是Cobb角度测量方法。目前,主要是通过X射线照射得到测试人脊柱骨骼图片,经过图像识别计算得到测试人Cobb角的角度,以此为特征通过深度学习进行分类,其缺点在于,得到的都是静态信息,信息分析量较小,准确度有待提高。
因此,现有技术有待改进。
发明内容
本发明要解决的技术问题是,提供一种脊柱侧弯检测模型的生成方法和计算机设备,使训练得到脊柱侧弯检测模型可以得到更准确的检测结果。
第一方面,本发明实施例提供了一种脊柱侧弯检测模型的生成方法,所述方法包括:
获取训练数据,将所述训练数据输入初始神经网络,以得到所述训练数据对应的预测结果,其中,所述训练数据包括一个训练样本在行进过程中多个时刻的行进参数和所述训练样本对应的真实结果;
根据所述真实结果和所述预测结果,调整所述初始神经网络的参数,并继续执行将所述训练数据输入初始神经网络,以得到预测结果的步骤,直至满足预设训练条件,以得到已训练的脊柱侧弯检测模型。
作为进一步的改进技术方案,所述行进参数包括:所述训练样本在行进过程中的站立持续时间、每个时刻的臂长和腿长,以及所述训练样本在行进过程中每两个相邻时刻的关节运动角度、行进速率;所述获取训练数据,包括:
采集一个训练样本在行进过程中每一时刻的关节点的空间坐标;
根据所述训练样本在行进过程中每一时刻的关节点的空间坐标,得到所述训练样本在行进过程中的站立持续时间、每个时刻的臂长和腿长,以及所述训练样本在行进过程中每两个相邻时刻的关节运动角度、行进速率。
作为进一步的改进技术方案,所述采集在行进过程中每一时刻的关节点的空间坐标,包括:
在所述训练样本的行进过程中的每一时刻,通过三维立体相机拍摄所述训练样本,以得到所述训练样本在每一时刻的深度图像;
根据所述每一时刻的深度信息,得到每一时刻的关节点的空间坐标。
作为进一步的改进技术方案,根据所述训练样本在行进过程中每一时刻的关节点的空间坐标,得到所述训练样本在行进过程中的站立持续时间、每个时刻的臂长和腿长,以及所述训练样本在行进过程中每两个相邻时刻的关节运动角度、行进速率,包括:
根据所述训练样本在行进过程中每一时刻的关节点的空间坐标,得到所述训练样本在行进过程中的站立持续时间;
对于行进过程中的一个时刻,根据所述训练样本在该时刻的关节点的空间坐标,得到该训练样本在该时刻的臂长和腿长;
根据所述训练样本在该时刻的关节点的空间坐标,以及该时刻的前一时刻的关节点的空间坐标,得到两个相邻时刻的关节运动角度、行进速率。
作为进一步的改进技术方案,根据所述训练样本在行进过程中每一时刻的关节点的空间坐标,得到所述训练样本在行进过程中的站立持续时间,包括:
获取所述关节点的空间坐标低于预设值的各持续时间;
将所述各持续时间相加,以得到所述站立持续时间。
作为进一步的改进技术方案,所述根据所述真实结果和所述预测结果,调整所述初始神经网络的参数,并继续执行将训练数据输入初始神经网络,以得到预测结果的步骤,直至满足预设训练条件,以得到已训练的脊柱侧弯检测模型,包括:
根据所述真实结果和所述预测结果计算损失值;
根据所述损失值调整所述初始神经网络的参数,并继续执行将训练数据输入初始神经网络,以得到预测结果的步骤,直至满足预设训练条件,以得到已训练的脊柱侧弯检测模型。
第二方面,本发明实施例提供了一种脊柱侧弯的检测方法,包括:
获取待测对象对应的测试数据,其中,所述测试数据包括所述待测对象在行进过程中的持续站立时间、每一时刻的臂长和腿长、相邻两个时刻的关节运动角度和行进速率;
将所述测试数据输入已训练的脊柱侧弯检测模型,以得到检测结果,其中,所述检测结果表示所述待测对象的脊柱侧弯类型和脊柱侧弯程度,所述已训练的脊柱侧弯检测模型为上述一种脊柱侧弯检测模型的生成方法得到的脊柱侧弯检测模型。
作为进一步的改进技术方案,所述获取待测对象对应的测试数据,包括:
采集在行进过程中每一时刻的关节点的空间坐标;
根据行进过程中每一时刻的关节点的空间坐标,得到站立持续时间;
根据所述待测对象在行进过程中每一时刻的关节点的空间坐标,得到该待测对象每一时刻的臂长、腿长;
根据所述待测对象在行进过程中两个相邻时刻的关节点的空间坐标,得到该待测对象在两个相邻时刻的关节运动角度、行进速率。
第三方面,本发明实施例提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取训练数据,将所述训练数据输入初始神经网络,以得到所述训练数据对应的预测结果,其中,所述训练数据包括一个训练样本在行进过程中多个时刻的行进参数和所述训练样本对应的真实结果;
根据所述真实结果和所述预测结果,调整所述初始神经网络的参数,并继续执行将所述训练数据输入初始神经网络,以得到预测结果的步骤,直至满足预设训练条件,以得到已训练的脊柱侧弯检测模型;
或者,获取待测对象对应的测试数据,其中,所述测试数据包括所述待测对象在行进过程中的持续站立时间、每一时刻的臂长和腿长、相邻两个时刻的关节运动角度和行进速率;
将所述测试数据输入已训练的脊柱侧弯检测模型,以得到检测结果,其中,所述检测结果表示所述待测对象的脊柱侧弯类型和脊柱侧弯程度,所述已训练的脊柱侧弯检测模型为上述一种脊柱侧弯检测模型的生成方法得到的脊柱侧弯检测模型。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取训练数据,将所述训练数据输入初始神经网络,以得到所述训练数据对应的预测结果,其中,所述训练数据包括一个训练样本在行进过程中多个时刻的行进参数和所述训练样本对应的真实结果;
根据所述真实结果和所述预测结果,调整所述初始神经网络的参数,并继续执行将所述训练数据输入初始神经网络,以得到预测结果的步骤,直至满足预设训练条件,以得到已训练的脊柱侧弯检测模型;
或者,获取待测对象对应的测试数据,其中,所述测试数据包括所述待测对象在行进过程中的持续站立时间、每一时刻的臂长和腿长、相邻两个时刻的关节运动角度和行进速率;
将所述测试数据输入已训练的脊柱侧弯检测模型,以得到检测结果,其中,所述检测结果表示所述待测对象的脊柱侧弯类型和脊柱侧弯程度,所述已训练的脊柱侧弯检测模型为上述一种脊柱侧弯检测模型的生成方法得到的脊柱侧弯检测模型。
与现有技术相比,本发明实施例具有以下优点:
获取训练数据,将所述训练数据输入初始神经网络,以得到所述训练数据对应的预测结果,其中,所述训练数据包括一个训练样本在行进过程中多个时刻的行进参数和所述训练样本对应的真实结果;根据所述真实结果和所述预测结果,调整所述初始神经网络的参数,并继续执行将所述训练数据输入初始神经网络,以得到预测结果的步骤,直至满足预设训练条件,以得到已训练的脊柱侧弯检测模型。所述训练数据包括一个训练样本在行进过程中多个时刻的行进参数,是动态的数据,通过行进过程中的动态数据训练初始神经网络,使得已训练的脊柱侧弯检测模型在实际使用时,能得到更准确的检测结果。
附图说明
为了更清楚地说明本发明实施例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简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种脊柱侧弯检测模型的生成方法的流程示意图;
图2为本发明实施例中计算第一时刻的肩关节的角度的示意图;
图3为本发明实施例中一种脊柱侧弯的检测方法的流程示意图;
图4为本发明实施例中计算机设备的内部结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅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做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。
发明人经过研究发现,现有的脊柱侧弯的严重程度多通过对侧弯曲角度的测量得以评估,而角度测量最常采用的是Cobb角度测量方法。目前,主要是通过X射线照射或者超声波得到测试人脊柱骨骼图片,经过图像识别计算得到测试人Cobb角的角度,以此为特征通过深度学习进行分类,其缺点在于,获取信息成本高,并得到的都是静态信息,信息分析量较小,准确度有待提高。
为了解决上述问题,在本发明实施例中,提供一种脊柱侧弯检测模型的生成方法,获取训练数据,将训练数据输入初始神经网络,以得到所述训练数据对应的预测结果,其中,所述训练数据包括一个训练样本在行进过程中多个时刻的行进参数和所述训练样本对应的真实结果;根据所述真实结果和所述预测结果,调整所述初始神经网络的参数,并继续执行将所述训练数据输入初始神经网络,以得到预测结果的步骤,直至满足预设训练条件,以得到已训练的脊柱侧弯检测模型。所述训练数据包括一个训练样本在行进过程中多个时刻的行进参数,是动态的数据,通过行进过程中的动态数据训练初始神经网络,使得已训练的脊柱侧弯检测模型在实际使用时,能得到更准确的检测结果。
下面结合附图,详细说明本发明的各种非限制性实施方式。
请参阅图1,示出了本发明实施例中一种脊柱侧弯检测模型的生成方法,所述方法包括:
S1、获取训练数据,将训练数据输入初始神经网络,以得到所述训练数据对应的预测结果,其中,所述训练数据包括一个训练样本在行进过程中多个时刻的行进参数和所述训练样本对应的真实结果。
本发明实施例中,所述训练样本为人,训练样本有多个,所述训练数据对应一个训练样本,所述行进过程为所述训练样本在一预设时间内行走的过程,根据训练样本在行进过程中每一时刻的状态,得到训练数据。所述行进参数为人在行进过程中的动态参数,所述行进参数包括:所述训练样本在行进过程中的站立持续时间、每个时刻的臂长和腿长,以及所述训练样本在行进过程中每两个相邻时刻的关节运动角度、行进速率。
具体的,步骤S1中,所述获取训练数据,包括:
S11、采集一个训练样本在行进过程中每一时刻的关节点的空间坐标。
本发明实施例中,在采集训练数据时,对于一个训练样本,令该训练样本开始行走,可以选择在具有传送带的设备上行走,所述行进过程持续一预设时间,所述预设时间为自定义设置,例如可以设置为一分钟,或半分钟。在行进过程中采集在行进过程中每一时刻的关节点的空间坐标。
具体的,步骤S11中采集在行进过程中每一时刻的关节点的空间坐标,包括:
S111、在所述训练样本的行进过程中的每一时刻,通过三维立体相机拍摄所述训练样本,以得到所述训练样本在每一时刻的深度图像。
在本发明实施例中,通过三维立体相机拍摄训练样本在行进过程中的深度图像,两个时刻之间的间隔时间可以自定设置,所述间隔时间越短,得到的训练数据越丰富。所述间隔时间可以设置为1/12秒,即一帧为一个间隔时间,每一帧拍摄一张深度图像。
S112、根据所述每一时刻的深度图像,得到每一时刻的关节点的空间坐标。
在本发明实施例中,通过深度传感器提取每一时刻的关节点的空间坐标。对于一个时刻的深度图像,根据深度图像中各关节点对应的像素点,提取该像素点对应的深度信息(空间位置),将深度信息以空间坐标点(X,Y,Z)的形式表示,即得到关节点的空间坐标。
S12、根据所述训练样本在行进过程中每一时刻的关节点的空间坐标,得到所述训练样本在行进过程中的站立持续时间、每个时刻的臂长和腿长,以及所述训练样本在行进过程中每两个相邻时刻的关节运动角度、行进速率。
具体的,步骤S12包括:
S121、根据所述训练样本在行进过程中每一时刻的关节点的空间坐标,得到所述训练样本在行进过程中的站立持续时间。
在本发明实施例中,关节点的空间坐标以(X,Y,Z)的形式表示,在实际使用时,将行进过程中的一个点设置为原点,例如,当指定训练样本在一具有传送带的设备上行走时,将该设备上传送带的一个顶点作为原点。通过关节点的空间坐标的Z的值(表示关节点距离原点的高度)可以得到所述训练样本在行进过程中的站立持续时间。
具体的,步骤S121包括:
S1211、获取所述关节点的空间坐标低于预设值的各持续时间。
在本发明实施例中,所述预设值为Z的值,例如,可以设置预设值为5cm或者10cm,在行进过程中,当检测到关节点的空间坐标的Z值低于预设值时开始计时,直至检测到关节点的空间坐标的Z的值高于预设值,得到一个持续时间,在行进过程中,记录所有关节点的空间坐标低于预设值的各持续时间。
S1212、将所述各持续时间相加,以得到所述站立持续时间。
在本发明实施例中,将关节点的空间坐标低于预设值的各持续时间相加,得到训练样本在行进过程中的站立持续时间。
在另一种实现方式中,也可以通过测量足底压力来获得训练样本在行进过程中的站立持续时间。具体的,通过压力传感器检测足底压力,以得到所述训练样本在行进过程中的足底压力,可通过穿戴式压力传感器检测足底压力。
足底压力大于阈值表示是站立状态,当足底压力小于阈值代表足部离开地面;当检测到足底压力大于阈值时,开始计时,直到足底压力小于阈值停止,得到一个持续时间,在行进过程中,记录所有足底压力大于阈值的持续时间。各个足底压力大于阈值的持续时间相加,得到训练样本在行进过程中的站立持续时间。
在另一种实现方式中,可将训练样本的足底分成若干感兴趣区域(如脚趾,脚掌等),计算每个区域的瞬时平均压力值并记录。通过颜色深浅区分压力大小,实时将足底压力分布情况反映在显示屏上,可以通过显示的色谱图像确认数据采集过程是否顺利,以便于采集到无效数据时,及时调整姿势或者重新采集。
S122、对于行进过程中的一个时刻,根据所述训练样本在该时刻的关节点的空间坐标,得到该训练样本在该时刻的臂长和腿长。
在本发明实施例中,对于行进过程中的一个时刻,根据腕关节和肘关节的空间坐标,采用两点之间的距离公式可以计算出小臂长度;根据肘关节和肩关节的空间坐标计算大臂长度,根据小臂长度和大臂长度计算臂长。同样,根据踝关节和膝关节的空间坐标计算小腿长度;以及膝关节和髂关节空间坐标计算大腿长度,根据小腿长度和大腿长度得到所述腿长。
S123、根据所述训练样本在该时刻的关节点的空间坐标,以及该时刻的前一时刻的关节点的空间坐标,得到两个相邻时刻的关节运动角度、行进速率。
本发明实施例中,所述关节运动角度包括肩关节运动角度,参见图2,具体的,对于行进过程中的一个时刻,将该时刻作为第一时刻,将该时刻的前一时刻作为第二时刻;获取第一时刻对应的深度图像中肘关节、肩关节和颈椎的空间坐标,根据肘关节和肩关节的空间坐标计算肘关节到肩关节的直线距离AC,根据肩关节和颈椎的空间坐标计算肩关节到颈椎的直线距离BC,根据肘关节和颈椎的空间坐标,计算肘关节到颈椎的直线距离AB;将AC、BC和AB带入余弦定理,计算肩关节的余弦值;再根据反三角函数得到第一时刻的肩关节的角度a。对于第二时刻,采用同样的方法计算第二时刻对应的肩关节的角度,根据第一时刻的肩关节的角度、第二时刻的肩关节的角度以及第一时刻和第二时刻的时间间隔,得到该训练样本在两个相邻时刻的关节运动角度。
本发明实施例中,对于所述第一时刻,获取第一时刻的任一关节的空间坐标,获取所述任一关节的空间坐标,以计算同一关节在两个相邻时刻的距离,得到训练样本在一个时间间隔内的位移,根据第一时刻和第二时刻的时间间隔以及所述位移,得到该训练样本在两个相邻时刻的行进速率。显然,由于行进过程中的起始时刻没有前一时刻,因此所述第一时刻不能是行进过程中的起始时刻。
本发明实施例中,参与训练的有多组训练数据,多组训练数据对应多个不同的真实结果,所述真实结果为训练样本脊柱侧弯的真实结果,所述真实结果表示所述训练样本的脊柱侧弯类型和脊柱侧弯程度的等级,可以为不同的真实结果打上真实标识,例如,一个训练样本的真实结果为:未患脊柱侧弯,其真实标识为T-0;一个训练样本的真实结果为:轻度胸弯,其真实标识为T-1;一个训练样本的真实结果为:中度胸弯,其真实标识为T-2。具体的真实标识和真实结果的对应关系,可以根据实际需要进行设定。
在本发明实施例中,初始神经网络会根据训练数据预测出该训练样本脊柱侧弯的结果,为预测结果,相当于预测结果为初始神经网络根据训练数据解出的答案,而真实结果为标准答案。所述预测结果为初始神经网络根据训练数据输出的结果,输出的结果可以是预测标签,例如,训练数据DATA-1输入初始神经网络,所述初始神经网络输出M-2,标识初始神经网络预测DATA-1对应的预测结果为M-2对应的结果,即中度胸弯。
S2、根据所述真实结果和所述预测结果,调整所述初始神经网络的参数,并继续执行将所述训练数据输入初始神经网络,以得到预测结果的步骤,直至满足预设训练条件,以得到已训练的脊柱侧弯检测模型。
在本发明实施例中,根据真实结果和预测结果计算损失值,再根据所述损失值调整初始神经网络的参数,具体的,步骤S2包括:
S21、根据所述真实结果和所述预测结果计算损失值。
本发明实施例中,利用现有的损失函数计算损失值,例如利用交叉熵损失函数计算损失值。
S22、根据所述损失值调整所述初始神经网络的参数,并继续执行将所述训练数据输入初始神经网络,以得到预测结果的步骤,直至满足预设训练条件,以得到已训练的脊柱侧弯检测模型。
在本发明实施例中,假设初始神经网络的参数为,将损失值反向传播修改初始神经网络的参数,得到修改后参数。
本发明实施例中,修改参数之后再继续执行将训练数据输入初始神经网络步骤,直至满足预设训练条件,其中,所述预设训练条件包括损失值满足预设要求或者训练次数达到预设次数。所述预设要求可以是根据已训练的脊柱侧弯检测模型来确定,这里不做详细说明,所述预设次数可以为初始神经网络的最大训练次数,例如,50000次等。由此,在计算得到损失值后,判断所述损失值是否满足预设要求,若损失值满足预设要求,则结束训练,若损失值不满足预设要求,则判断所述初始神经网络的训练次数是否达到训练次数,若未达到预设次数,则根据所述损失值对所述初始神经网络的参数进行调整,若达到预设次数,则结束训练,这样通过损失函数值和训练次数来判断初始神经网络训练是否结束,可以避免因损失函数值无法达到预设要求而造成初始神经网络进入死循环。
进一步,由于对初始神经网络的参数进行修改是在初始神经网络的训练情况未满足预设条件,从而根据损失值对所述初始神经网络的参数进行修正后,需要继续对初始神经网络进行训练。
其中,继续执行将所述训练数据输入初始神经网络,输入的训练数据可以是均未输入过初始神经网络的训练数据。例如,训练数据中所有训练数据具有唯一标识,第一次训练输入初始神经网络的训练数据的标识与第二次训练输入初始神经网络的训练数据的标识不同,如,第一次训练时输入初始神经网络的训练数据的标识为1,第二次训练时输入初始神经网络的训练数据的标识为2,第N次训练时输入初始神经网络的训练数据的标识为N,当所有训练数据均输入过初始神经网络后,可以重复输入已经参与训练的训练数据,以使得训练数据按循环输入至初始神经网络。在本实施例中,不对“继续执行将所述训练数据输入初始神经网络”的具体实现方式进行限定。
现有技术中,对于检测者,只拍摄一张检测者的静态照片,通过分析此静态照片得该检测者的脊柱侧弯结果;仅靠一张检测者的静态照片,分析的数据太少,导致检测结果不准确。而本发明实施例中,将训练样本在行进过程中的数据作(动态数据)作训练数据,训练数据更全面,由此训练得到的脊柱侧弯模型可以得到更准确的检测结果。
参阅图3,本发明实施例还提供了一种脊柱侧弯的检测方法,包括:
K1、获取待测对象对应的测试数据,其中,所述测试数据包括所述待测对象在行进过程中的持续站立时间、每一时刻的臂长和腿长、相邻两个时刻的关节运动角度和行进速率。
本发明实施例中,所述待测对象为人,要测试一个人的脊柱侧弯情况,首先采集待测对象的测试数据。具体的,步骤K1包括:
K11、采集所述待测对象在行进过程中每一时刻的关节点的空间坐标。
本发明实施例中,在采集测试数据时,令待测对象开始行走,可以选择在具有传送带的设备上行走,所述行进过程持续一预设时间,所述预设时间可以设置为一分钟。在行进过程中开始采集每一时刻的关节点的空间坐标。
在本发明实施例中,通过三维立体相机拍摄待测对象在行进过程中的深度图像,两个时刻之间的间隔时间可以自定设置,所述间隔时间越短,得到的训练数据越丰富。所述间隔时间可以设置为1/12秒,即一帧为一个间隔时间,每一帧拍摄一张深度图像。通过深度图像提取每一时刻的关节点的空间坐标,对于一个时刻的深度图像,根据深度图像中各关节点对应的像素点,提取该像素点对应的深度信息(空间位置),将深度信息以空间坐标点(X,Y,Z)的形式表示,即得到待测对象各关节点的空间坐标。
K12、根据行进过程中每一时刻的关节点的空间坐标,得到采集对象的站立持续时间。
在本发明实施例中,关节点的空间坐标以(X,Y,Z)的形式表示,在实际使用时,将行进过程中的一个点设置为原点,例如,当指定待测对象在一具有传送带的设备上行走时,将该设备上传送带的一个顶点作为原点。通过关节点的空间坐标的Z的值可以得到所述待测对象在行进过程中的站立持续时间。
在本发明实施例中,所述预设值为Z的值,例如,可以设置预设值为5cm或者5cm-10cm之间的任一数值,在行进过程中,当检测到关节点的空间坐标的Z值低于预设值时开始计时,直至检测到关节点的空间坐标的Z值高于预设值,得到一个持续时间,在行进过程中,记录所有关节点的空间坐标低于预设值的各持续时间。将关节点的空间坐标低于预设值的各持续时间相加,得到待测对象在行进过程中的站立持续时间。
在另一种实现方式中,也可以通过测量足底压力来获得待测对象在行进过程中的站立持续时间。具体的,通过压力传感器检测足底压力,以得到所述待测样本在行进过程中的足底压力,可通过穿戴式压力传感器检测足底压力。
足底压力大于阈值表示是站立状态,当足底压力小于阈值代表足部离开地面;当检测到足底压力大于阈值时,开始计时,直到足底压力小于阈值停止,得到一个持续时间,在行进过程中,记录所有足底压力大于阈值的持续时间。将各个足底压力大于阈值的持续时间相加,得到待测对象在行进过程中的站立持续时间。
K13、根据所述待测对象在行进过程中每一时刻的关节点的空间坐标,得到该待测对象每一时刻的臂长、腿长。
在本发明实施例中,对于每一时刻,根据腕关节和肘关节的空间坐标,采用两点之间的距离公式可以计算小臂长度;根据肘关节和肩关节的空间坐标计算大臂长度,根据小臂长度和大臂长度计算臂长。同样,根据踝关节和膝关节的空间坐标计算小腿长度;以及膝关节和髂关节空间坐标计算大腿长度,根据小腿长度和大腿长度得到所述腿长。
K14、根据所述待测对象在行进过程中两个相邻时刻的关节点的空间坐标,得到该待测对象在两个相邻时刻的关节运动角度、行进速率。
本发明实施例中,所述关节运动角度包括肩关节运动角度,具体的,对于两个相邻时刻中的第一时刻,获取第一时刻对应的深度图像中肘关节、肩关节和颈椎的空间坐标,根据肘关节和肩关节的空间坐标计算肘关节到肩关节的直线距离,根据肩关节和颈椎的空间坐标计算肩关节到颈椎的直线距离,根据肘关节和颈椎的空间坐标,计算肘关节到颈椎的直线距离;将肘关节到肩关节的直线距离、肩关节到颈椎的直线距离和肘关节到颈椎的直线距离带入余弦定理,计算肩关节的余弦值;再根据反三角函数得到第一时刻的肩关节的角度。
同样的,对于两个相邻时刻中的第二时刻,计算第二时刻对应的肩关节的角度,根据第一时刻的肩关节的角度、第二时刻的肩关节的角度以及第一时刻和第二时刻的时间间隔,得到待测对象在两个相邻时刻的关节运动角度。
本发明实施例中,对于两个相邻时刻中的第一时刻,获取第一时刻的任一关节的空间坐标,在两个相邻时刻中的第二时刻,获取所述任一关节的空间坐标,以计算同一关节在两个相邻时刻的距离,得到训练样本在一个时间间隔内的位移,根据第一时刻和第二时刻的时间间隔以及所述位移,得到待测对象在两个相邻时刻的行进速率。
本发明实施例中,根据上述步骤得到待测对象在行进过程中的动态测试数据。
K2、将所述测试数据输入已训练的脊柱侧弯检测模型,以得到检测结果,其中,所述检测结果表示所述待测对象的脊柱侧弯类型和脊柱侧弯程度,所述已训练的脊柱侧弯检测模型为上述一种脊柱侧弯检测模型的生成方法得到的已训练的脊柱侧弯检测模型。
在本发明实施例中,将测试数据输入已训练的脊柱侧弯检测模型,可以得到检测结果,可以方便医疗诊断时,得到待测对象的脊柱侧弯类型和脊柱侧弯程度,例如,通过已训练的脊柱侧弯检测模型得到测试数据对应的检测结果为:中度胸弯。
在上述一种脊柱侧弯检测模型的生成方法中,本发明采集动态信息,信息量远大于传统静态信息,可以采集到静态信息采集不到的多维度信息,例如:待测对象在行进过程中的足底压力信息,每一时刻的臂长和腿长、两个相邻时刻的关节运动角度和行进速率,为提高判断准确性提供了条件,由此训练得到的脊柱侧弯模型在实际检测脊柱侧弯中可以得到更准确的检测结果,表现更好。
在一个实施例中,本发明提供了一种计算机设备,该设备可以是终端,内部结构如图4所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种脊柱侧弯检测模型的生成方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图4所示的仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本发明实施例提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现以下步骤:
获取训练数据,将所述训练数据输入初始神经网络,以得到所述训练数据对应的预测结果,其中,所述训练数据包括一个训练样本在行进过程中多个时刻的行进参数和所述训练样本对应的真实结果;
根据所述真实结果和所述预测结果,调整所述初始神经网络的参数,并继续执行将所述训练数据输入初始神经网络,以得到预测结果的步骤,直至满足预设训练条件,以得到已训练的脊柱侧弯检测模型;
或者,获取待测对象对应的测试数据,其中,所述测试数据包括所述待测对象在行进过程中的持续站立时间、每一时刻的臂长和腿长、相邻两个时刻的关节运动角度和行进速率;
将所述测试数据输入已训练的脊柱侧弯检测模型,以得到检测结果,其中,所述检测结果表示所述待测对象的脊柱侧弯类型和脊柱侧弯程度,所述已训练的脊柱侧弯检测模型为上述一种脊柱侧弯检测模型的生成方法得到的脊柱侧弯检测模型。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现以下步骤:
获取训练数据,将所述训练数据输入初始神经网络,以得到所述训练数据对应的预测结果,其中,所述训练数据包括一个训练样本在行进过程中多个时刻的行进参数和所述训练样本对应的真实结果;
根据所述真实结果和所述预测结果,调整所述初始神经网络的参数,并继续执行将所述训练数据输入初始神经网络,以得到预测结果的步骤,直至满足预设训练条件,以得到已训练的脊柱侧弯检测模型;
或者,获取待测对象对应的测试数据,其中,所述测试数据包括所述待测对象在行进过程中的持续站立时间、每一时刻的臂长和腿长、相邻两个时刻的关节运动角度和行进速率;
将所述测试数据输入已训练的脊柱侧弯检测模型,以得到检测结果,其中,所述检测结果表示所述待测对象的脊柱侧弯类型和脊柱侧弯程度,所述已训练的脊柱侧弯检测模型为上述一种脊柱侧弯检测模型的生成方法得到的脊柱侧弯检测模型。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种脊柱侧弯检测模型的生成方法,其特征在于,所述方法包括:
获取训练数据,将所述训练数据输入初始神经网络,以得到所述训练数据对应的预测结果,其中,所述训练数据包括一个训练样本在行进过程中多个时刻的行进参数和所述训练样本对应的真实结果;
根据所述真实结果和所述预测结果,调整所述初始神经网络的参数,并继续执行将所述训练数据输入初始神经网络,以得到预测结果的步骤,直至满足预设训练条件,以得到已训练的脊柱侧弯检测模型。
2.根据权利要求1所述的方法,其特征在于,所述行进参数包括:所述训练样本在行进过程中的站立持续时间、每个时刻的臂长和腿长,以及所述训练样本在行进过程中每两个相邻时刻的关节运动角度、行进速率;所述获取训练数据,包括:
采集一个训练样本在行进过程中每一时刻的关节点的空间坐标;
根据所述训练样本在行进过程中每一时刻的关节点的空间坐标,得到所述训练样本在行进过程中的站立持续时间、每个时刻的臂长和腿长,以及所述训练样本在行进过程中每两个相邻时刻的关节运动角度、行进速率。
3.根据权利要求2所述的方法,其特征在于,所述采集在行进过程中每一时刻的关节点的空间坐标,包括:
在所述训练样本的行进过程中的每一时刻,通过三维立体相机拍摄所述训练样本,以得到所述训练样本在每一时刻的深度图像;
根据所述每一时刻的深度信息,得到每一时刻的关节点的空间坐标。
4.根据权利要求2所述的方法,其特征在于,根据所述训练样本在行进过程中每一时刻的关节点的空间坐标,得到所述训练样本在行进过程中的站立持续时间、每个时刻的臂长和腿长,以及所述训练样本在行进过程中每两个相邻时刻的关节运动角度、行进速率,包括:
根据所述训练样本在行进过程中每一时刻的关节点的空间坐标,得到所述训练样本在行进过程中的站立持续时间;
对于行进过程中的一个时刻,根据所述训练样本在该时刻的关节点的空间坐标,得到该训练样本在该时刻的臂长和腿长;
根据所述训练样本在该时刻的关节点的空间坐标,以及该时刻的前一时刻的关节点的空间坐标,得到两个相邻时刻的关节运动角度、行进速率。
5.根据权利要求4所述的方法,其特征在于,所述根据所述训练样本在行进过程中每一时刻的关节点的空间坐标,得到所述训练样本在行进过程中的站立持续时间,包括:
获取所述关节点的空间坐标低于预设值的各持续时间;
将所述各持续时间相加,以得到所述站立持续时间。
6.根据权利要求1所述的方法,其特征在于,所述根据所述真实结果和所述预测结果,调整所述初始神经网络的参数,并继续执行将训练数据输入初始神经网络,以得到预测结果的步骤,直至满足预设训练条件,以得到已训练的脊柱侧弯检测模型,包括:
根据所述真实结果和所述预测结果计算损失值;
根据所述损失值调整所述初始神经网络的参数,并继续执行将训练数据输入初始神经网络,以得到预测结果的步骤,直至满足预设训练条件,以得到已训练的脊柱侧弯检测模型。
7.一种脊柱侧弯的检测方法,其特征在于,所述方法包括:
获取待测对象对应的测试数据,其中,所述测试数据包括所述待测对象在行进过程中的持续站立时间、每一时刻的臂长和腿长、相邻两个时刻的关节运动角度和行进速率;
将所述测试数据输入已训练的脊柱侧弯检测模型,以得到检测结果,其中,所述检测结果表示所述待测对象的脊柱侧弯类型和脊柱侧弯程度,所述已训练的脊柱侧弯检测模型为权利要求1至6中任一所述的脊柱侧弯检测模型。
8.根据权利要求7所述的方法,其特征在于,所述获取待测对象对应的测试数据,包括:
采集所述待测对象在行进过程中每一时刻的关节点的空间坐标;
根据行进过程中每一时刻的关节点的空间坐标,得到站立持续时间;
根据所述待测对象在行进过程中每一时刻的关节点的空间坐标,得到该待测对象每一时刻的臂长、腿长;
根据所述待测对象在行进过程中两个相邻时刻的关节点的空间坐标,得到该待测对象在两个相邻时刻的关节运动角度、行进速率。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的一种脊柱侧弯检测模型的生成方法,或者权利要求7至8中任一项所述的一种脊柱侧弯的检测方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的一种脊柱侧弯检测模型的生成方法,或者权利要求7至8中任一项所述的一种脊柱侧弯的检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010170575.3A CN111383221B (zh) | 2020-03-12 | 2020-03-12 | 一种脊柱侧弯检测模型的生成方法和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010170575.3A CN111383221B (zh) | 2020-03-12 | 2020-03-12 | 一种脊柱侧弯检测模型的生成方法和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111383221A true CN111383221A (zh) | 2020-07-07 |
CN111383221B CN111383221B (zh) | 2023-04-28 |
Family
ID=71217216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010170575.3A Active CN111383221B (zh) | 2020-03-12 | 2020-03-12 | 一种脊柱侧弯检测模型的生成方法和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111383221B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052842A (zh) * | 2021-05-27 | 2021-06-29 | 腾讯科技(深圳)有限公司 | 脊柱侧弯图像检测模型训练方法、确定方法、装置及设备 |
CN113284090A (zh) * | 2021-04-25 | 2021-08-20 | 上海脊合医疗科技有限公司 | 一种脊柱侧弯检测方法与医疗平台 |
WO2021179230A1 (zh) * | 2020-03-12 | 2021-09-16 | 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 |
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 |
CN114224322A (zh) * | 2021-10-25 | 2022-03-25 | 上海工程技术大学 | 一种基于人体骨骼关键点的脊柱侧弯评估方法 |
CN117898704A (zh) * | 2024-03-20 | 2024-04-19 | 浙江值的医疗科技有限责任公司 | 一种脊椎侧弯监测方法与装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105378104A (zh) * | 2013-03-15 | 2016-03-02 | 威拉赛特公司 | 用于样品分类的方法和组合物 |
CN110546004A (zh) * | 2017-05-30 | 2019-12-06 | 迪格尼提健康公司 | 用于构造具有预确定的解剖学特性、生物力学特性和生理学特性的合成解剖模型的***和方法 |
CN110598845A (zh) * | 2019-08-13 | 2019-12-20 | 中国平安人寿保险股份有限公司 | 数据处理方法、装置、计算机设备和存储介质 |
CN110866909A (zh) * | 2019-11-13 | 2020-03-06 | 上海联影智能医疗科技有限公司 | 图像生成网络的训练方法、图像预测方法和计算机设备 |
-
2020
- 2020-03-12 CN CN202010170575.3A patent/CN111383221B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105378104A (zh) * | 2013-03-15 | 2016-03-02 | 威拉赛特公司 | 用于样品分类的方法和组合物 |
CN110546004A (zh) * | 2017-05-30 | 2019-12-06 | 迪格尼提健康公司 | 用于构造具有预确定的解剖学特性、生物力学特性和生理学特性的合成解剖模型的***和方法 |
CN110598845A (zh) * | 2019-08-13 | 2019-12-20 | 中国平安人寿保险股份有限公司 | 数据处理方法、装置、计算机设备和存储介质 |
CN110866909A (zh) * | 2019-11-13 | 2020-03-06 | 上海联影智能医疗科技有限公司 | 图像生成网络的训练方法、图像预测方法和计算机设备 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021179230A1 (zh) * | 2020-03-12 | 2021-09-16 | 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 |
CN113284090A (zh) * | 2021-04-25 | 2021-08-20 | 上海脊合医疗科技有限公司 | 一种脊柱侧弯检测方法与医疗平台 |
CN113284090B (zh) * | 2021-04-25 | 2022-04-01 | 上海脊合医疗科技有限公司 | 一种脊柱侧弯检测方法与医疗平台 |
CN113052842A (zh) * | 2021-05-27 | 2021-06-29 | 腾讯科技(深圳)有限公司 | 脊柱侧弯图像检测模型训练方法、确定方法、装置及设备 |
CN113052842B (zh) * | 2021-05-27 | 2021-08-27 | 腾讯科技(深圳)有限公司 | 脊柱侧弯图像检测模型训练方法、确定方法、装置及设备 |
CN114224322A (zh) * | 2021-10-25 | 2022-03-25 | 上海工程技术大学 | 一种基于人体骨骼关键点的脊柱侧弯评估方法 |
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 |
CN114129149B (zh) * | 2021-12-01 | 2024-07-09 | 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 |
CN117898704A (zh) * | 2024-03-20 | 2024-04-19 | 浙江值的医疗科技有限责任公司 | 一种脊椎侧弯监测方法与装置 |
CN117898704B (zh) * | 2024-03-20 | 2024-07-19 | 浙江值的医疗科技有限责任公司 | 一种脊椎侧弯监测方法与装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111383221B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111383221A (zh) | 一种脊柱侧弯检测模型的生成方法和计算机设备 | |
CN111358471B (zh) | 一种身体姿态检测装置及检测方法 | |
Diego-Mas et al. | Using Kinect™ sensor in observational methods for assessing postures at work | |
TWI393579B (zh) | The state of the muscle movement state analysis system, methods and computer program products | |
CN106667493A (zh) | 人体平衡性评估***及评估方法 | |
CN110801226A (zh) | 一种基于表面肌电信号的人体膝关节力矩测试***方法及应用 | |
Gindre et al. | Reliability and validity of the Myotest® for measuring running stride kinematics | |
WO2021179230A1 (zh) | 一种脊柱侧弯检测模型的生成方法和计算机设备 | |
Darby et al. | Estimating skeletal muscle fascicle curvature from B-mode ultrasound image sequences | |
Shahabpoor et al. | Real-life measurement of tri-axial walking ground reaction forces using optimal network of wearable inertial measurement units | |
US11547324B2 (en) | System and method for human motion detection and tracking | |
CN107115102A (zh) | 一种骨关节功能评估方法与装置 | |
Macpherson et al. | Real-time measurement of pelvis and trunk kinematics during treadmill locomotion using a low-cost depth-sensing camera: A concurrent validity study | |
Di Marco et al. | Effects of the calibration procedure on the metrological performances of stereophotogrammetric systems for human movement analysis | |
Triloka et al. | Neural computing for walking gait pattern identification based on multi-sensor data fusion of lower limb muscles | |
Brice et al. | Comparing inertial measurement units and marker-based biomechanical models during dynamic rotation of the torso | |
WO2021092091A1 (en) | Calibrating 3d motion capture system for skeletal alignment using x-ray data | |
US11497962B2 (en) | System and method for human motion detection and tracking | |
Li et al. | Use of optical flow to estimate continuous changes in muscle thickness from ultrasound image sequences | |
JP7455991B2 (ja) | 情報処理装置、および情報処理方法 | |
Rana et al. | 3-D gait abnormality detection employing contactless IR-UWB sensing phenomenon | |
Natarajan et al. | Reha@ home-a vision based markerless gait analysis system for rehabilitation at home | |
Chen et al. | Continuous fascicle orientation measurement of medial gastrocnemius muscle in ultrasonography using frequency domain Radon transform | |
Rouhani et al. | A comparison between joint coordinate system and attitude vector for multi-segment foot kinematics | |
KR20230120341A (ko) | 2차원 영상을 이용한 3차원 인체 관절 각도 예측 방법 및 시스템 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20200707 Assignee: Shenzhen Nanke Huihui Intelligent Medical Technology Co.,Ltd. Assignor: Southern University of Science and Technology Contract record no.: X2021440020004 Denomination of invention: A generation method and computer equipment of scoliosis detection model License type: Exclusive License Record date: 20210608 |
|
GR01 | Patent grant | ||
GR01 | Patent grant |