CN114743664A - 基于步态分析和确定学习的脊髓型颈椎病辅助诊断*** - Google Patents
基于步态分析和确定学习的脊髓型颈椎病辅助诊断*** Download PDFInfo
- Publication number
- CN114743664A CN114743664A CN202210213687.1A CN202210213687A CN114743664A CN 114743664 A CN114743664 A CN 114743664A CN 202210213687 A CN202210213687 A CN 202210213687A CN 114743664 A CN114743664 A CN 114743664A
- Authority
- CN
- China
- Prior art keywords
- gait
- cervical
- data
- joint
- learning
- 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
- 230000005021 gait Effects 0.000 title claims abstract description 109
- 238000003745 diagnosis Methods 0.000 title claims abstract description 40
- 238000004458 analytical method Methods 0.000 title claims abstract description 17
- 206010041591 Spinal osteoarthritis Diseases 0.000 title claims description 13
- 208000005801 spondylosis Diseases 0.000 title claims description 13
- 208000036319 cervical spondylosis Diseases 0.000 title claims description 12
- 206010028570 Myelopathy Diseases 0.000 claims abstract description 41
- 210000003141 lower extremity Anatomy 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 17
- 239000003550 marker Substances 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 210000004394 hip joint Anatomy 0.000 claims description 10
- 210000000629 knee joint Anatomy 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 4
- 210000000544 articulatio talocruralis Anatomy 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 210000001503 joint Anatomy 0.000 claims description 3
- 238000012353 t test Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 230000003137 locomotive effect Effects 0.000 claims 1
- 238000005312 nonlinear dynamic Methods 0.000 abstract description 3
- 239000013598 vector Substances 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 201000005671 spondyloarthropathy Diseases 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 208000034869 Cervical myelopathy Diseases 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 208000000187 Abnormal Reflex Diseases 0.000 description 1
- 206010017577 Gait disturbance Diseases 0.000 description 1
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 1
- 206010028836 Neck pain Diseases 0.000 description 1
- 208000028389 Nerve injury Diseases 0.000 description 1
- 208000009469 Ossification of Posterior Longitudinal Ligament Diseases 0.000 description 1
- 208000029033 Spinal Cord disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 210000002683 foot Anatomy 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000002650 habitual effect Effects 0.000 description 1
- 206010020745 hyperreflexia Diseases 0.000 description 1
- 230000035859 hyperreflexia Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000037230 mobility Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008764 nerve damage Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 231100000862 numbness Toxicity 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000000278 spinal cord Anatomy 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
Images
Classifications
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于步态分析和确定学习的脊髓型颈椎病辅助诊断***,包括:动作捕捉***,包括多个摄像头,用于对关节处粘贴标识物的受试者进行运动数据采集;辅助诊断***,用于获取受试者的下肢运动数据,并提取步态特征;基于预先训练得到的脊髓型颈椎病辅助诊断模型,判断是否患病;其中,所述辅助诊断模型基于确定学习理论构建。本发明结合确定性学习理论和提取特征的新模型来识别和分类脊髓型颈椎病患者步态模式的非线性动力学,具有较高的精度。
Description
技术领域
本发明属于智能医疗技术领域,尤其涉及一种基于步态分析和确定学习的脊髓型颈椎病辅助诊断***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
脊髓型颈椎病(Cervical spondylotic myelopathy,CSM)是一种颈椎椎间盘和关节的退行性疾病,可导致神经损伤。它代表了在中年患者中常见的进展性脊髓疾病,特别是在那些50岁以上的患者中。CSM的临床症状包括手笨拙、反射亢进、上肢麻木和灵活性丧失、颈部疼痛和步态障碍。虽然 CSM很常见,但缺乏症状体征和异质性表现使CSM的早期发现具有挑战性。
目前,CSM的诊断在很大程度上依赖于成像工具的临床检查,如x射线、计算机断层扫描(CT)和磁共振成像(MRI)。x射线因其成本低、辐射剂量低而得到广泛应用。然而,x线评价的准确性较低,对CSM风险水平的诊断无效。CT扫描在诊断CSM中有多种用途,被认为是诊断后纵韧带骨化的金标准。然而,随着评估脊髓内病理变化的MRI的出现,MR显示MR 的表现与临床症状之间的相关性较弱。此外,CT扫描耗时且昂贵。这些成像方法的准确性主要取决于临床医生的医学知识和临床经验,这是主观的和易出错的。
发明内容
为克服上述现有技术的不足,本发明提供了一种基于步态分析和确定学习的脊髓型颈椎病辅助诊断***,结合确定性学习理论和提取特征的新模型来识别和分类脊髓型颈椎病患者步态模式的非线性动力学,具有较高的精度。
为实现上述目的,本发明的一个或多个实施例提供了如下技术方案:
一种基于步态分析和确定学习的脊髓型颈椎病辅助诊断***,包括:
动作捕捉***,包括多个摄像头,用于对关节处粘贴标识物的受试者进行运动数据采集;
辅助诊断***,用于获取受试者的下肢运动数据,并提取步态特征;基于预先训练得到的脊髓型颈椎病辅助诊断模型,判断是否患病;其中,所述辅助诊断模型基于确定学习理论构建。
进一步地,所述动作捕捉***被配置为:
获取受试者的运动视频数据,对视频帧图像进行标识物识别,得到关节时间序列数据;
以静止状态下的关节旋转中心位置为参考,计算下肢运动数据。
进一步地,计算下肢运动数据包括:
基于静止状态下的关节分布建立关节坐标系,根据关节段的旋转角度,以及两个关节之间相对关节转角,计算左右两侧踝关节、膝关节以及髋关节在矢状面、冠状面以及水平面的关节角度、关节角速度和关节角加速度。
进一步地,所述动作捕捉***还包括三维测力台,用于同步获取受试者运动状态下的足底压力数据。
进一步地,所述脊髓型颈椎病辅助诊断模型训练过程包括:
基于运动捕捉***获取多位髓型颈椎病患者和健康对照组的下肢运动数据作为训练数据,并提取步态特征;
基于确定学习理论,对于每一组步态特征,分别构建一个步态训练模式,并根据所述步态训练模式,采用常值神经网络构造估计器,得到一组估计器。
进一步地,提取步态特征后,还进行步态特征筛选:
对各个步态特征,分别进行独立t检验来确定脊髓型颈椎病患者及健康对照组之间的差异,将差异小于阈值的步态特征作为候选步态特征。
进一步地,基于所述脊髓型颈椎病辅助诊断模型判断是否患病包括:
获取受试者的步态运动特征数据,基于确定学习理论,对于每一组步态特征,分别构建一个测试模式,将多个所述测试模式与多个估计器做差,得到识别误差***,基于最小误差原理,判断所述受试者是否患病。
一个或多个实施例提供了一种基于步态分析和确定学习的脊髓型颈椎病辅助诊断***,包括:
数据获取模块,获取受试者的下肢运动数据;
脊髓型颈椎病诊断模块,对所述下肢运动数据进行步态特征提取;基于预先训练得到的脊髓型颈椎病辅助诊断模型,判断是否患病;其中,所述辅助诊断模型基于确定学习理论构建。
进一步地,所述脊髓型颈椎病辅助诊断模型训练过程包括:
基于运动捕捉***获取多位髓型颈椎病患者和健康对照组的下肢运动数据作为训练数据,并提取步态特征;
基于确定学习理论,对于每一组步态特征,分别构建一个步态训练模式,并根据所述步态训练模式,采用常值神经网络构造估计器,得到一组估计器。
进一步地,基于所述脊髓型颈椎病辅助诊断模型判断是否患病包括:
获取受试者的步态运动特征数据,基于确定学习理论,对于每一组步态特征,分别构建一个测试模式,将多个所述测试模式与多个估计器做差,得到识别误差***,基于最小误差原理,判断所述受试者是否患病。
以上一个或多个技术方案存在以下有益效果:
本发明结合确定性学习理论和提取特征的新模型来识别和分类CSM患者步态模式的非线性动力学,具有较高的精度,为临床医生的诊断提供了参考;
本发明获取下肢运动的特征后,还根据患者和健康对照组之间的差异进行了特征筛选,一方面,使得特征向量对步态特征的表达更为显著,另一方面,降低了计算复杂度;
本发明对于患者和健康对照组,均构建动态估计器,将受试者相应的步态特征构建为测试模式后,通过分别与患者动态估计器和健康对照组动态估计器之间进行比较,能够更准确的确定是否患病。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例一中基于步态分析和确定学习的脊髓型颈椎病辅助诊断***流程图。
图2为本发明实施例一中所述的脊髓型颈椎病辅助诊断模型训练过程流程图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例公开了一种基于步态分析的脊髓型颈椎病辅助诊断***,与运动捕捉***通信连接。
所述运动捕捉***,用于采集实验对象和待分析对象的运动数据,并进行数据处理,得到下肢运动数据。其中,采集实验对象的运动数据是为了构建训练数据集,实验对象包括多个脊髓型颈椎病患者及多个步态功能正常的健康人,采集待分析对象的运动数据是为了对该对象进行诊断。
本实施例中,所述运动捕捉***搭建在实验室内,包括多个摄像头和三维测力台,进行运动数据采集时,受试者身上粘贴若干个反光点。具体地,使用同步器将摄像头与三维测力台同步。所有的测量和评估都在同一个实验室内,在实验员的操作下完成。每个实验对象身穿紧身衣,在身上粘贴若干个反光点。受试者赤脚在一条人行道上行走,以他们自己选择的习惯(正常)速度进行两次试验,从而获取摄像头拍摄的视频数据以及足底压力数据。
对于每个受试者,首先采集静止状态作为参考,以确定体重和关节旋转中心的位置,获取运动状态数据后,计算下肢运动数据。所述下肢运动数据包括左右两侧踝关节、膝关节以及髋关节在矢状面、冠状面以及水平面的关节角度、关节角速度和关节角加速度。该过程具体包括以下步骤:
(1)利用运动采集软件对m+n名实验对象(m名脊髓型颈椎病患者和 n名健康人,颈椎病患者的数量与健康人的数量尽量保持相同)录制数据的若干个反光点数据进行标注,并进行数据的修补;
(2)建立人体骨骼模型;
(3)利用生物力学分析软件计算实验过程的运动学数据,进行步态分析。利用关节坐标系计算相对于实验室的分段角和相对关节角。经过计算,得出左右两侧踝关节、膝关节以及髋关节在矢状面、冠状面以及水平面的关节角度、关节角速度和关节角加速度。
所述辅助诊断***包括:
训练数据获取模块,用于获取试验对象步态特征数据,所述步态特征包括下肢步态特征和足底压力特征,基于其中脊髓型颈椎病患者及健康对照组之间的差异,对下肢运动数据进行筛选,得到步态运动特征数据。
通过对导出的所有运动学数据进行Kolmogorov-Smirnov检验,下肢运动学数据呈正态分布规律。筛选过程包括:
(1)对各个步态运动特征,分别进行独立t检验来确定脊髓型颈椎病患者及健康对照组之间的差异。患者和对照组之间p值小于阈值的参数包括矢状面的髋关节角度、冠状面的髋关节角度、水平面的髋关节角度、矢状面的膝关节角度、冠状面的膝关节角度、水平面的膝关节角度,共6个特征。
网络模型构建模块,搭建径向基函数(RBF)神经网络,将RBF神经网络的维度设置为4维,该神经网络属于线性参数模型,具有如下形式
其中是输入向量,W=[w1,…,wN]T∈RN是权值向量,S(Z)=[s1(||Z-ξ1||),…,sN(||Z-ξN||)]T,si(·)是径向基函数,ξi(i=1,…,N) 是状态空间上的网络中心点。
其中ξi=[ξi1,ξi2,…,ξiq]T是函数中心点,ηi是函数接受区域的宽度。
本实施例引入确定学习理论,基于步态特征进行建模。训练阶段中,由一组步态特征向量经过隐藏层处理,得到一个建模后的步态动力学***,即一个训练模式,利用训练阶段所学到的步态***知识,使用常值神经网络构造估计器,每个训练模式都可以构造成一个估计器,即估计器个数=训练模式个数。在测试阶段中,测试步态模式的***状态仍可通过训练模式相同的建模方法得到,将步态动态***产生的测试模式与M个动态估计器做差,即可得到识别误差***。
步态动力学建模模块,用于以脊髓型颈椎病患者及其健康对照组的步态特征作为训练数据,基于确定学习理论,对于每一组步态特征,分别构建一个步态训练模式,并根据所述步态训练模式,采用常值神经网络构造估计器,得到一组估计器,即动态估计器。
人体行走的步态信息包含有动态的人体动态模式,步态信息可存在于时变的步态特征信号当中,所以M个步态特征数据通过可通过步态模式学习方法生成一个包含人体步态模式的步态训练集。用于对脊髓型颈椎病患者及健康对照组的步态动力学进行建模(将矢状面的髋关节角度矢状面的膝关节角度冠状面的髋关节角度冠状面的膝关节角度四个特征输入到RBF神经网络中,建模过程是隐藏层的处理过程,步态***的动态以常值神经网络Sj(x)权值形式储存起来),为消除不同特征的影响,对所有特征都归一化到[-1,1]范围内,步态动力学***可由φ(x;p) 表示
其中,Fk(x;pk)表示步态***动力学,vk(x;pk)表示建模的不确定项, pk为***参数向量。
常值RBF神经网络的权值近似地保存了步态模式,并且这种近似误差可以小到误差级,我们在诊断的时候,可以利用训练阶段学习到的步态模式,使用常值神经网络构造如下动态估计器:
脊髓型颈椎病诊断模块,获取待分析对象的步态运动特征数据,基于确定学习理论,对于每一组步态特征,分别构建一个测试模式,将多个所述测试模式与多个估计器做差,得到识别误差***,基于最小误差原理,判断所述待分析对象是否患病。
在分类阶段,测试步态模式的***状态仍可通过步态动力学***建模得到。通过比较由步态***生成的测试步态***模式(代表脊髓型颈椎病患者和健康人的步态模式)与M个估计器做差,得到以下测试误差***:
其中Tc是步态向量的周期
如果一个测试的步态***模式与训练后的步态***模式s(s∈{1,…,k})相似,则嵌入动态估计器中的常值RBF神经网络中的常值神经网络能够快速回忆起学过的知识并提供对步态***的准确逼近。此时的误差将是所有误差中最小的。基于最小误差原理,对出现的步态***测试模式进行分类。
分类结果评估模块,用于通过计算准确率、敏感性和特异性评估分类结果。
基于摄像头进行运动数据采集,提取不同的步态特征并进行量化,以及可视化,以低成本、高便利性的特点有效解决了脊髓型颈椎病诊断时运动特征靠肉眼观察、病情难诊断的问题,为脊髓型颈椎病诊断提供了有利的辅助。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于步态分析和确定学习的脊髓型颈椎病辅助诊断***,其特征在于,包括:
动作捕捉***,包括多个摄像头,用于对关节处粘贴标识物的受试者进行运动数据采集;
辅助诊断***,用于获取受试者的下肢运动数据,并提取步态特征;基于预先训练得到的脊髓型颈椎病辅助诊断模型,判断是否患病;其中,所述辅助诊断模型基于确定学习理论构建。
2.如权利要求1所述的基于步态分析和确定学习的脊髓型颈椎病辅助诊断***,其特征在于,所述动作捕捉***被配置为:
获取受试者的运动视频数据,对视频帧图像进行标识物识别,得到关节时间序列数据;
以静止状态下的关节旋转中心位置为参考,计算下肢运动数据。
3.如权利要求2所述的基于步态分析和确定学习的脊髓型颈椎病辅助诊断***,其特征在于,计算下肢运动数据包括:
基于静止状态下的关节分布建立关节坐标系,根据关节段的旋转角度,以及两个关节之间相对关节转角,计算左右两侧踝关节、膝关节以及髋关节在矢状面、冠状面以及水平面的关节角度、关节角速度和关节角加速度。
4.如权利要求1所述的基于步态分析和确定学习的脊髓型颈椎病辅助诊断***,其特征在于,所述动作捕捉***还包括三维测力台,用于同步获取受试者运动状态下的足底压力数据。
5.如权利要求1所述的基于步态分析和确定学习的脊髓型颈椎病辅助诊断***,其特征在于,所述脊髓型颈椎病辅助诊断模型训练过程包括:
基于运动捕捉***获取多位髓型颈椎病患者和健康对照组的下肢运动数据作为训练数据,并提取步态特征;
基于确定学习理论,对于每一组步态特征,分别构建一个步态训练模式,并根据所述步态训练模式,采用常值神经网络构造估计器,得到一组估计器。
6.如权利要求4所述的基于步态分析和确定学习的脊髓型颈椎病辅助诊断***,其特征在于,提取步态特征后,还进行步态特征筛选:
对各个步态特征,分别进行独立t检验来确定脊髓型颈椎病患者及健康对照组之间的差异,将差异小于阈值的步态特征作为候选步态特征。
7.如权利要求4所述的基于步态分析和确定学习的脊髓型颈椎病辅助诊断***,其特征在于,基于所述脊髓型颈椎病辅助诊断模型判断是否患病包括:
获取受试者的步态运动特征数据,基于确定学习理论,对于每一组步态特征,分别构建一个测试模式,将多个所述测试模式与多个估计器做差,得到识别误差***,基于最小误差原理,判断所述受试者是否患病。
8.一种基于步态分析和确定学习的脊髓型颈椎病辅助诊断***,其特征在于,包括:
数据获取模块,获取受试者的下肢运动数据;
脊髓型颈椎病诊断模块,对所述下肢运动数据进行步态特征提取;基于预先训练得到的脊髓型颈椎病辅助诊断模型,判断是否患病;其中,所述辅助诊断模型基于确定学习理论构建。
9.如权利要求8所述的基于步态分析和确定学习的脊髓型颈椎病辅助诊断***,其特征在于,所述脊髓型颈椎病辅助诊断模型训练过程包括:
基于运动捕捉***获取多位髓型颈椎病患者和健康对照组的下肢运动数据作为训练数据,并提取步态特征;
基于确定学习理论,对于每一组步态特征,分别构建一个步态训练模式,并根据所述步态训练模式,采用常值神经网络构造估计器,得到一组估计器。
10.如权利要求9所述的基于步态分析和确定学习的脊髓型颈椎病辅助诊断***,其特征在于,基于所述脊髓型颈椎病辅助诊断模型判断是否患病包括:
获取受试者的步态运动特征数据,基于确定学习理论,对于每一组步态特征,分别构建一个测试模式,将多个所述测试模式与多个估计器做差,得到识别误差***,基于最小误差原理,判断所述受试者是否患病。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210213687.1A CN114743664A (zh) | 2022-03-04 | 2022-03-04 | 基于步态分析和确定学习的脊髓型颈椎病辅助诊断*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210213687.1A CN114743664A (zh) | 2022-03-04 | 2022-03-04 | 基于步态分析和确定学习的脊髓型颈椎病辅助诊断*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114743664A true CN114743664A (zh) | 2022-07-12 |
Family
ID=82275438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210213687.1A Pending CN114743664A (zh) | 2022-03-04 | 2022-03-04 | 基于步态分析和确定学习的脊髓型颈椎病辅助诊断*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114743664A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116504393A (zh) * | 2023-06-09 | 2023-07-28 | 山东大学 | 基于多模态数据的脊髓型颈椎病运动功能辅助评估*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091177A (zh) * | 2014-06-30 | 2014-10-08 | 华南理工大学 | 一种基于确定学习理论的异常步态检测方法 |
CN104463118A (zh) * | 2014-12-04 | 2015-03-25 | 龙岩学院 | 一种基于Kinect的多视角步态识别方法 |
CN105286875A (zh) * | 2015-11-24 | 2016-02-03 | 龙岩学院 | 一种辅助筛查前交叉韧带损伤的步态分析方法 |
CN106650195A (zh) * | 2016-05-26 | 2017-05-10 | 张余 | 一种辅助筛查半月板损伤的步态分析方法 |
CN109498025A (zh) * | 2018-09-13 | 2019-03-22 | 龙岩学院 | 基于相空间重构、欧氏距离和神经网络的膝骨性关节炎诊断*** |
CN110381874A (zh) * | 2017-01-12 | 2019-10-25 | 马佐尔机器人有限公司 | 使用动态运动分析的全局平衡 |
CN112562852A (zh) * | 2020-12-30 | 2021-03-26 | 广东省人民医院 | 基于肢体动作的颈椎病筛查装置 |
US20210346761A1 (en) * | 2020-05-06 | 2021-11-11 | Agile Human Performance, Inc. | Automated gait evaluation for retraining of running form using machine learning and digital video data |
-
2022
- 2022-03-04 CN CN202210213687.1A patent/CN114743664A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091177A (zh) * | 2014-06-30 | 2014-10-08 | 华南理工大学 | 一种基于确定学习理论的异常步态检测方法 |
CN104463118A (zh) * | 2014-12-04 | 2015-03-25 | 龙岩学院 | 一种基于Kinect的多视角步态识别方法 |
CN105286875A (zh) * | 2015-11-24 | 2016-02-03 | 龙岩学院 | 一种辅助筛查前交叉韧带损伤的步态分析方法 |
CN106650195A (zh) * | 2016-05-26 | 2017-05-10 | 张余 | 一种辅助筛查半月板损伤的步态分析方法 |
CN110381874A (zh) * | 2017-01-12 | 2019-10-25 | 马佐尔机器人有限公司 | 使用动态运动分析的全局平衡 |
CN109498025A (zh) * | 2018-09-13 | 2019-03-22 | 龙岩学院 | 基于相空间重构、欧氏距离和神经网络的膝骨性关节炎诊断*** |
US20210346761A1 (en) * | 2020-05-06 | 2021-11-11 | Agile Human Performance, Inc. | Automated gait evaluation for retraining of running form using machine learning and digital video data |
CN112562852A (zh) * | 2020-12-30 | 2021-03-26 | 广东省人民医院 | 基于肢体动作的颈椎病筛查装置 |
Non-Patent Citations (5)
Title |
---|
戴胡明;方诗元;: "步态分析在脊柱疾病中的研究现状", 安徽医学, no. 04, 30 April 2013 (2013-04-30), pages 514 * |
曹师锋, 贾连顺, 陈雄生, 周许辉, 钱列, 邵将: "脊髓型颈椎病患者的行走功能", 中国脊柱脊髓杂志, no. 03, 10 March 2004 (2004-03-10) * |
王智宁: "基于可持续成长理论的企业财务危机组合预警研究", 31 August 2010, 中国矿业大学出版社, pages: 67 * |
谭菁华;晏怡果;: "光学式三维运动捕捉在运动***相关研究中的应用", 海南医学, no. 14, 25 July 2018 (2018-07-25) * |
邓木清: "基于确定学习的人体生物信号建模识别及其应用研究" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116504393A (zh) * | 2023-06-09 | 2023-07-28 | 山东大学 | 基于多模态数据的脊髓型颈椎病运动功能辅助评估*** |
CN116504393B (zh) * | 2023-06-09 | 2024-04-26 | 山东大学 | 基于多模态数据的脊髓型颈椎病运动功能辅助评估*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kainz et al. | Estimation of the hip joint centre in human motion analysis: a systematic review | |
Baker | Gait analysis methods in rehabilitation | |
Harris et al. | Correlations between the alpha angle and femoral head asphericity: implications and recommendations for the diagnosis of cam femoroacetabular impingement | |
WO2017080137A1 (zh) | 关节运动检测***、方法及膝关节动态评估方法、*** | |
Davico et al. | Increasing level of neuromusculoskeletal model personalisation to investigate joint contact forces in cerebral palsy: A twin case study | |
CN113077448B (zh) | 利用神经黑色素影像提供帕金森病信息的装置及*** | |
Jannin et al. | Validation in medical image processing. | |
Seifallahi et al. | Alzheimer’s disease detection using comprehensive analysis of Timed Up and Go test via Kinect V. 2 camera and machine learning | |
CN109498025A (zh) | 基于相空间重构、欧氏距离和神经网络的膝骨性关节炎诊断*** | |
CN107115102A (zh) | 一种骨关节功能评估方法与装置 | |
TW201941220A (zh) | 診斷支援裝置、程式製品、記錄有學習完成模型的記錄媒體及學習裝置 | |
CN111932522A (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 | |
CN114743664A (zh) | 基于步态分析和确定学习的脊髓型颈椎病辅助诊断*** | |
WO2020179950A1 (ko) | 딥러닝 기반 뇌 질환 진행 예측 방법 및 장치 | |
Baker et al. | Wearable nanocomposite sensor system for motion phenotyping chronic low back pain: a BACPAC Technology Research Site | |
CN114241187A (zh) | 基于超声双模态影像的肌肉疾病诊断***、设备及介质 | |
Ji et al. | Detection of cervical spondylotic myelopathy based on gait analysis and deterministic learning | |
Soda et al. | A low-cost video-based tool for clinical gait analysis | |
Kumar et al. | A Critical Analysis on Vertebra Identification and Cobb Angle Estimation Using Deep Learning for Scoliosis Detection | |
Mihcin | Methodology on co-registration of MRI and optoelectronic motion capture marker sets: in-vivo wrist case study | |
WO2017090805A1 (ko) | 인구통계학적 요소 및 운동학적 요소를 기반으로 피험자의 골격근 단면적 산출 모델을 결정하는 방법 및 장치 | |
CN114927220A (zh) | 一种脊髓型颈椎病和帕金森病的鉴别诊断*** | |
Castaño et al. | Spatiotemporal gait variables using wavelets for an objective analysis of Parkinson disease | |
Tameem et al. | Morphological atlases of knee cartilage: shape indices to analyze cartilage degradation in osteoarthritic and non-osteoarthritic population | |
Lau et al. | Cost-benefit analysis reference framework for human motion capture and analysis systems |
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 |