人体运动系统数据医疗模型构建方法、系统及其应用技术方案

本申请公开人体运动系统数据医疗模型构建方法、系统及其应用，所述人体运动系统数据医疗模型构建方法包括：接收经由采集而获取的与人体运动系统相关的数据；通过预设的预训练模型，以分布式表示方式表示获取的与人体运动系统相关的数据；从以分布式表示方式表示的与人体运动系统相关的数据中，按照预设的实体关系联合抽取模型，抽取与人体运动系统相关的实体数据、关系数据和属性数据，以形成实体集合，其中所述实体集合被定义为骨肌数据医疗模型。其中所述实体集合被定义为骨肌数据医疗模型。其中所述实体集合被定义为骨肌数据医疗模型。

【技术实现步骤摘要】
人体运动系统数据医疗模型构建方法、系统及其应用


[0001]本专利技术涉及一种数字医疗系统领域，尤其涉及人体运动系统数据医疗模型构建方法、系统及其应用。

技术介绍

[0002]锻炼、塑形现已被诸多用户所青睐。在塑性或者锻炼的过程中，需要用户展开自己的肢体或舒展自身各个部位的骨肌。但是不同的用户身体骨肌构造不同，且骨肌的受损健康程度也有所不同。如果用户在骨肌受损的情况下，还是做过渡的运动，将势必会加重伤情。
[0003]此外，由于生活压力和工作压力，大部分用户身体骨肌受到了不同程度的损伤。如果单纯地按照专业人士的训练方式训练，则有可能会因为专业人士的训练方法无法个性化的适用而加重损伤。另外，在用户进行一段时间的训练后，用户的身体骨肌可能已经恢复到了一定的程度，如果此时用户还是按照已定的训练强度和频率进行训练，将有可能减弱训练的效果。
[0004]在众多运动损伤和疾病中，仅非特异性腰痛(nonspecific low backpain,NLBP) 这种病例在2016年因该病造成病人身体健康寿命受损达到了5760万人/年。而目前国内的专业康复师和医生的数量有限，但需求人群巨大。
[0005]非医疗康复专业人士在查询人体运动系统相关知识(主要是运动康复方面)，如果不是在咨询专业医生或者运动康复专业人士的情况下，将更多依赖于互联网搜索引擎去寻找相关知识，需要在较多杂乱的信息中去筛选出有价值的信息，这样存在效率较低下且不准确的问题。
[0006]目前已有的医疗康复方面的知识图谱，大都基于传统方法进行构建:比如 2013年Dao等人尝试用语义匹配建立基于互联网的人体运动系统搜索引擎；2018 年Gyrard等人提出基于个人的健康知识图谱；2018年马浩晨等基于规则的关系抽取建立了甲状腺知识图谱；2020年付洋等建立了基于规则和相似度的心脏病病知识图谱；2020翟兴等建立了基于模板匹配和相似度计算的智能养生的知识图谱；2020年尤欢欢等人建立了基于骨科疾病的知识图谱。
[0007]但是目前建立的知识图谱都是单一的存在与数据库中，相互之间没有关联，因此，在用户需要使用时，都存在效率较低、人工成本较高的问题。
[0008]此外。对于知识图谱医疗问答应用也普遍存在匹配精度不高，需要人工辅助判断的问题，大大影响了用户的使用体验。

技术实现思路

[0009]本专利技术的一个优势在于提供一种人体运动系统数据医疗模型构建方法，其中通过该方法构件的人体运动系统数据医疗模型能够有效地提高数据匹配的效率和精确度。
[0010]为达到以上至少一个优势，本专利技术提供一种运动体姿检测方法，所述运动体姿检
测方法包括一种人体运动系统数据医疗模型构建方法，所述人体运动系统数据医疗模型构建方法包括：
[0011]接收经由采集而获取的与人体运动系统相关的数据；
[0012]通过预设的预训练模型，以分布式表示方式表示获取的与人体运动系统相关的数据；
[0013]从以分布式表示方式表示的与人体运动系统相关的数据中，按照预设的实体关系联合抽取模型，抽取与人体运动系统相关的实体数据、关系数据和属性数据，以形成实体集合，其中所述实体集合被定义为骨肌数据医疗模型。
[0014]根据本专利技术一实施例，从以分布式表示方式表示的与人体运动系统相关的数据中，按照预设的实体关系联合抽取模型，抽取与人体运动系统相关的实体数据、关系数据和属性数据，包括：
[0015]通过多头指针模型和预设的token链接矩阵标注模型，抽取以分布式表示方式表示的与人体运动系统相关的数据。
[0016]根据本专利技术一实施例，通过预设的token链接矩阵标注模型，标注以分布式表示方式表示的与人体运动系统相关的数据；
[0017]通过多头指针模型，转换被标注后的数据，以形成token对数据。
[0018]根据本专利技术一实施例，从以分布式表示方式表示的与人体运动系统相关的数据中，按照预设的实体关系联合抽取模型，抽取与人体运动系统相关的实体数据、关系数据和属性数据，包括：
[0019]通过关系门的信息抽取模型，抽取以分布式表示方式表示的与人体运动系统相关的数据。
[0020]根据本专利技术一实施例，获取的数据包括与人体运动系统运动相关的结构化、半结构化和非结构化中的至少一个。
[0021]根据本专利技术一实施例，预设的预训练模型被实施为选自bert_base_chinese、 roberta
‑
wwm
‑
ext、ernie中的一个。
[0022]根据本专利技术一实施例，人体骨骼肌相关的数据包括：与人体运动系统相关的数据包括：实体、属性和关系数据中的至少一个。
[0023]为达到本专利技术以上至少一个优势，本专利技术还提供一种可读存储介质，所述可读存储介质存储有指令，其中所述可读存储介质存储的指令执行如上任一方法。
[0024]根据本专利技术另一方面，本专利技术提供一种人体运动系统数据医疗模型构建系统，所述人体运动系统数据医疗模型构建系统包括：
[0025]接收模块，其中所述接收模块被设置接收经由采集而获取的与人体运动系统相关的数据；
[0026]处理模块，其中所述处理模块被设置可通信地连接于所述接收模块，并被设置能够通过预设的预训练模型，以分布式表示方式表示获取的与人体运动系统相关的数据；
[0027]模型生成模块，其中所述模型生成模块被可通信地连接于所述处理模块，并被设置能够从以分布式表示方式表示的与人体运动系统相关的数据中，按照预设的实体关系联合抽取模型，抽取与人体运动系统相关的实体数据、关系数据和属性数据，以形成实体集合，其中所述实体集合被定义为骨肌数据医疗模型。
附图说明
[0028]图1示出了本专利技术所述人体运动系统数据医疗模型构建方法的流程图。
[0029]图2示出了本专利技术使用爬虫获取互联网数据示意图。
[0030]图3示出了本专利技术采用bert_base_chinese、roberta
‑
wwm
‑
ext、ernie作为知识表示的预训练模型示意图。
[0031]图4为本专利技术使用的握手标记方案示意图；
[0032]图5为本专利技术使用的TPLinker框架示意图；
[0033]图6为本专利技术使用的TPLinker新增属性提取框架示意图；
[0034]图7为本专利技术使用的enconder结构示意图；
[0035]图8为本专利技术使用的deconder结构示意图；
[0036]图9为本专利技术以人体关节为节点建立对应的关节肌群以及关节肌肉功能示意图；
[0037]图10为本专利技术医疗问答流程示意图；
[0038]图11为本专利技术采用TransR建立实体空间和关系空间投影示意图。
[0039]图12为本专利技术使用爬虫获取互联网数据的另一个示意图。
[0040]图13为本专利技术人体运动系统数据医疗模型构建系统的结构框图。...

【技术保护点】

【技术特征摘要】
1.人体运动系统数据医疗模型构建方法，其特征在于，所述人体运动系统数据医疗模型构建方法包括：接收经由采集而获取的与人体运动系统相关的数据；通过预设的预训练模型，以分布式表示方式表示获取的与人体运动系统相关的数据；从以分布式表示方式表示的与人体运动系统相关的数据中，按照预设的实体关系联合抽取模型，抽取与人体运动系统相关的实体数据、关系数据和属性数据，以形成实体集合，其中所述实体集合被定义为骨肌数据医疗模型。2.根据权利要求1所述人体运动系统数据医疗模型构建方法，其特征在于，从以分布式表示方式表示的与人体运动系统相关的数据中，按照预设的实体关系联合抽取模型，抽取与人体运动系统相关的实体数据、关系数据和属性数据，包括：通过多头指针模型和预设的token链接矩阵标注模型，抽取以分布式表示方式表示的与人体运动系统相关的数据。3.根据权利要求2所述人体运动系统数据医疗模型构建方法，其特征在于，通过预设的token链接矩阵标注模型，标注以分布式表示方式表示的与人体运动系统相关的数据；通过多头指针模型，转换被标注后的数据，以形成token对数据。4.根据权利要求1所述人体运动系统数据医疗模型构建方法，其特征在于，从以分布式表示方式表示的与人体运动系统相关的数据中，按照预设的实体关系联合抽取模型，抽取与人体运动系统相关的实体数据、关系数据和属性数据，包括：通过关系门的信息抽取模型，抽取以分布式表示方式表示的与人体运动系统相关的数据。5...

【专利技术属性】
技术研发人员：杨然，李峻，张萌，曾贵刚，胡凯翔，张涛，陈华江，徐辰，
申请(专利权)人：上海博灵机器人科技有限责任公司上海长征医院，
类型：发明
国别省市：