System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及康复医学,特别是肩袖损伤智能识别方法及装置。
技术介绍
1、在现代社会,随着人们对健康和运动的重视程度不断提高,越来越多的人参与到各种体育活动、健身训练以及康复运动中。然而,这也导致了运动损伤的发生率上升,其中肩关节损伤是最为常见的一类问题。肩关节是人体中活动范围最大、结构最为复杂的关节之一,广泛参与到日常生活和运动中。由于其高度的灵活性,肩关节在运动时很容易因过度使用、不正确的姿势或其他外部因素而受伤,常见的肩关节损伤包括肩袖撕裂、肩峰撞击症、肩关节脱位等。这类损伤不仅影响运动表现,还可能导致长期的功能障碍,严重时甚至需要手术治疗和长期康复。因此,如何有效预防肩关节损伤成为运动科学和康复医学中的重要课题。
2、然而,现有的肩关节运动监测系统仍然面临一些技术瓶颈。首先,如何在复杂的运动场景中准确提取肩关节的运动特征并进行风险评估仍然具有挑战性。肩关节的运动涉及多个平面和维度,简单的传感器数据难以全面反映其动态特征。其次,现有系统的实时性和个性化能力较弱,普通的阈值模型无法适应不同用户的运动模式和生理特征,导致误报频繁。最后,传统系统缺乏对实时反馈的支持,用户在运动过程中难以获得及时的指导和保护。这些问题的存在限制了现有技术在运动监测和损伤预防中的应用效果和普及程度。
技术实现思路
1、鉴于现有的肩袖损伤智能识别方法中存在的问题,提出了本专利技术。
2、因此,本专利技术所要解决的问题在于现有监测系统在精确性、实时性、个性化适应能力和损伤预防效果方
3、为解决上述技术问题,本专利技术提供如下技术方案:
4、第一方面,本专利技术提供了肩袖损伤智能识别方法,其包括:构建数据采集模块,分别从动作捕捉、肌电信号和医学影像的方式收集肩袖运动数据,使用卡尔曼滤波器对收集的数据进行时空对齐和融合处理;基于所述融合处理后的数据进行生物力学建模,并采用改进卷积操作,对生物力学模型进行智能识别分析,引入多尺度卷积操作,结合图卷积网络进行空间信息融合,自适应膨胀卷积输出全局运动状态表示;基于所述全局运动状态表示,划分风险等级,实时预测损伤风险,提供预警信号。
5、作为本专利技术所述肩袖损伤智能识别方法的一种优选方案,其中:所述数据采集模块包括动作捕捉子模块、肌电信号采集子模块和医学影像采集子模块;所述动作捕捉子模块采用微型惯性传感器阵列,在肩峰、肱骨、肩胛骨关键解剖位布置传感器,采集三维加速度、角速度、欧拉角参数;所述肌电信号采集子模块采用表面肌电电极阵列,监测三角肌、冈上肌、冈下肌、小圆肌肌群;所述医学影像采集子模块采用mri或超声实时成像,扫描t1wi、t2wi、质子密度加权序列。
6、作为本专利技术所述肩袖损伤智能识别方法的一种优选方案,其中:基于所述卡尔曼滤波器结合硬件同步触发机制实现数据的时空对齐和融合处理;所述卡尔曼滤波器的状态转移方程表示为:
7、;
8、其中,是时刻的状态变量向量,是状态转移矩阵,是时刻的状态变量向量,是控制输入矩阵,是控制向量,是过程噪声;观测方程表示为:
9、;
10、其中,是测量值向量,是观测矩阵,是测量噪声;卡尔曼滤波器在每一步更新两个变量:预测状态和更新状态,表示为:
11、;
12、;
13、其中,是预测的状态估计,表示在时刻时的更新状态估计,是预测协方差矩阵,是更新的协方差矩阵,是过程噪声协方差矩阵,表示转置操作;更新步骤表示为:
14、;
15、;
16、;
17、其中:是更新的状态估计,表示在引入当前观测值后,调整得到的状态估计;是更新的协方差矩阵,是卡尔曼增益,是测量噪声协方差矩阵,是单位矩阵。
18、作为本专利技术所述肩袖损伤智能识别方法的一种优选方案,其中:基于所述时空对齐的多模态数据,通过特征提取分析肩关节运动的运动学特征、动力学特征和影像学特征;所述运动学特征是通过imu传感器数据,计算关节的角度、角速度和加速度;所述动力学特征是基于肌电信号估算肌肉力矩和关节受力;所述影像学特征是从mri或超声图像中提取关节周围组织的形态特征、信号强度和纹理特征,纹理特征通过灰度共生矩阵提取,包括对比度、熵和相关性指标,用于描述组织结构的复杂性。
19、作为本专利技术所述肩袖损伤智能识别方法的一种优选方案,其中:所述改进卷积操作是通过采用时序卷积网络和长短期记忆网络结合注意力机制的深度学习框架,且引入多尺度卷积操作,结合图卷积网络进行空间信息融合,自适应膨胀卷积以及动态卷积核设计增强模型在处理多模态时序数据上的表达能力;改进后的网络架构表示为:输入层:多模态数据输入,包括imu传感器数据、肌电信号和影像数据;多尺度自适应卷积层:在不同的时间尺度上进行卷积操作,结合自适应膨胀卷积和动态卷积核;图卷积层:处理关节之间的空间关系,学习关节运动的空间特征;时空融合层:将多尺度时序卷积的输出与图卷积的输出进行融合,提取时空联合特征;分类层:通过全连接层或rnn层进行最终的动作模式和损伤模式分类。
20、作为本专利技术所述肩袖损伤智能识别方法的一种优选方案,其中:所述结合图卷积网络进行空间信息融合,包括:设定肩关节的运动数据表示为一个图,其中v是节点集,e是边集,表示不同关节之间的相互连接,则图卷积的操作表示为:
21、;
22、其中,是节点在第层的特征向量,是邻居节点在第层的特征向量;是节点的邻居节点集合;是第层的可学习权重矩阵;是归一化系数;是非线性激活函数,表示节点的邻居节点。
23、作为本专利技术所述肩袖损伤智能识别方法的一种优选方案,其中:所述多尺度卷积操作是在每一层网络中引入多个卷积核,分别处理不同尺度的时序数据;假设时间序列数据为,其中是序列长度,卷积运算的标准公式为:
24、;
25、其中,为第个时间步的输入数据;为卷积核的权重;为卷积核的大小,表示时间步下的输出;
26、为了在不同的时间尺度上同时捕捉短期和长期的信息,定义多个卷积核,每个卷积核的大小分别为;因此,改进后的多尺度卷积运算为:
27、;
28、其中,是第个卷积核在时间步上的输出; 是第个卷积核的权重;是第个卷积核的大小,表示卷积核的数量;
29、将所有尺度的卷积输出拼接起来,得到多尺度卷积的最终输出:
30、;
31、所述自适应膨胀卷积是引入一个自适应函数,根据当前时间步的数据来动态调整膨胀因子,表示为:
32、;
33、自适应膨胀卷积公式表示为:
34、;
35、其中,是通过自适应函数动态调整得到的膨胀因子;是卷积核的权重;
36、所述动态卷积核是通过定义一个生成函数,根据输入数据的特征生成卷积核的权重,表示为:
37、;
38、其中,是根据时间步的输入数据动态生成的权重;
39、本文档来自技高网...
【技术保护点】
1.肩袖损伤智能识别方法,其特征在于:包括:
2.如权利要求1所述的肩袖损伤智能识别方法,其特征在于:所述数据采集模块包括动作捕捉子模块、肌电信号采集子模块和医学影像采集子模块;
3.如权利要求2所述的肩袖损伤智能识别方法,其特征在于:基于所述卡尔曼滤波器结合硬件同步触发机制实现数据的时空对齐和融合处理;
4.如权利要求3所述的肩袖损伤智能识别方法,其特征在于:基于所述时空对齐的多模态数据,通过特征提取分析肩关节运动的运动学特征、动力学特征和影像学特征;
5.如权利要求4所述的肩袖损伤智能识别方法,其特征在于:所述改进卷积操作是通过采用时序卷积网络和长短期记忆网络结合注意力机制的深度学习框架,且引入多尺度卷积操作,结合图卷积网络进行空间信息融合,自适应膨胀卷积以及动态卷积核设计增强模型在处理多模态时序数据上的表达能力;
6.如权利要求5所述的肩袖损伤智能识别方法,其特征在于:所述结合图卷积网络进行空间信息融合,包括:
7.如权利要求6所述的肩袖损伤智能识别方法,其特征在于:所述多尺度卷积操作是在每一层网络中引
8.肩袖损伤智能识别系统,基于权利要求1~7任一所述的肩袖损伤智能识别方法,其特征在于:包括:
9.一种计算机装置,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1~7任一所述的肩袖损伤智能识别方法的步骤。
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1~7任一所述的肩袖损伤智能识别方法的步骤。
...【技术特征摘要】
1.肩袖损伤智能识别方法,其特征在于:包括:
2.如权利要求1所述的肩袖损伤智能识别方法,其特征在于:所述数据采集模块包括动作捕捉子模块、肌电信号采集子模块和医学影像采集子模块;
3.如权利要求2所述的肩袖损伤智能识别方法,其特征在于:基于所述卡尔曼滤波器结合硬件同步触发机制实现数据的时空对齐和融合处理;
4.如权利要求3所述的肩袖损伤智能识别方法,其特征在于:基于所述时空对齐的多模态数据,通过特征提取分析肩关节运动的运动学特征、动力学特征和影像学特征;
5.如权利要求4所述的肩袖损伤智能识别方法,其特征在于:所述改进卷积操作是通过采用时序卷积网络和长短期记忆网络结合注意力机制的深度学习框架,且引入多尺度卷积操作,结合图卷积网络进行空间信息融合,自适应膨胀卷积以及动态卷积核设计增强模型在...
【专利技术属性】
技术研发人员:许卓,杨寿君,石洪峰,李博,董健,赵志博,董宏飞,景嘉鹏,郑钦之,付筱辰,李佳,
申请(专利权)人:吉林大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。