本發(fā)明涉及數(shù)據(jù)處理，具體涉及一種康復訓練中患者體態(tài)異常監(jiān)測方法。

背景技術：

1、本技術為一種康復訓練中患者體態(tài)異常監(jiān)測方法，是針對于監(jiān)測全年齡段人群（包括老人及兒童）的體態(tài)是否異常的方法；傳統(tǒng)的通過深度學習神經(jīng)網(wǎng)絡監(jiān)測患者體態(tài)是否異常時，會由于在訓練深度學習神經(jīng)網(wǎng)絡的過程中，每個關節(jié)點的監(jiān)測權重相同，但在實際的體態(tài)異常中，特定的體態(tài)異常僅會引起相關的關節(jié)點發(fā)生變化，即監(jiān)測各種體態(tài)異常時各個關節(jié)點的監(jiān)測權重不同，可能導致傳統(tǒng)的深度學習神經(jīng)網(wǎng)絡不能準確監(jiān)測各種體態(tài)異常。

技術實現(xiàn)思路

1、本發(fā)明提供一種康復訓練中患者體態(tài)異常監(jiān)測方法，以解決現(xiàn)有的問題：傳統(tǒng)的深度學習神經(jīng)網(wǎng)絡f-cnn不能準確監(jiān)測各種體態(tài)異常。

2、本發(fā)明的一種康復訓練中患者體態(tài)異常監(jiān)測方法采用如下技術方案：

3、包括以下步驟：

4、獲取所有姿態(tài)圖像，并利用深度學習神經(jīng)網(wǎng)絡監(jiān)測所有姿態(tài)圖像中的體態(tài)信息，所述體態(tài)信息包括不限于：脊椎是否異常及頸椎是否異常；獲取深度學習神經(jīng)網(wǎng)絡評估各種體態(tài)信息的正確率；根據(jù)深度學習神經(jīng)網(wǎng)絡評估各種體態(tài)信息的正確率，判斷深度學習神經(jīng)網(wǎng)絡能否準確評估各種體態(tài)信息；

5、根據(jù)深度學習神經(jīng)網(wǎng)絡監(jiān)測結果對所有姿態(tài)圖像進行分類，獲取若干姿態(tài)圖像集合；去除姿態(tài)圖像中的關節(jié)點后，利用深度學習神經(jīng)網(wǎng)絡監(jiān)測去除關節(jié)點后的姿態(tài)圖像，獲取其監(jiān)測結果以及正確率；根據(jù)其監(jiān)測結果的變化，獲取關節(jié)點評估體態(tài)信息的影響程度；根據(jù)關節(jié)點評估體態(tài)信息的影響程度，結合正確率變化，獲取關節(jié)點評估體態(tài)信息的干擾程度；

6、獲取每個關節(jié)點的相鄰關節(jié)點，根據(jù)所述相鄰關節(jié)點評估體態(tài)信息的干擾程度，對所述相鄰關節(jié)點進行分類，獲取關節(jié)點的干擾點與輔助點；根據(jù)關節(jié)點的干擾點與輔助點評估體態(tài)信息的干擾程度，獲取評估體態(tài)信息時關節(jié)點受到相鄰關節(jié)點的影響；根據(jù)評估體態(tài)信息時關節(jié)點受到相鄰關節(jié)點的影響，結合關節(jié)點評估體態(tài)信息的干擾程度，獲取關節(jié)點評估體態(tài)信息修正后的干擾程度；根據(jù)所述修正后的干擾程度，獲取關節(jié)點評估體態(tài)信息的監(jiān)測權重；

7、采集患者姿態(tài)圖像，并根據(jù)關節(jié)點評估體態(tài)信息的監(jiān)測權重，賦予采集的患者姿態(tài)圖像中各關節(jié)點監(jiān)測權重，監(jiān)測患者體態(tài)。

8、優(yōu)選的，所述獲取深度學習神經(jīng)網(wǎng)絡評估各種體態(tài)信息的正確率，包括的具體方法為：

9、對于任意體態(tài)信息，利用深度學習神經(jīng)網(wǎng)絡f-cnn監(jiān)測所有姿態(tài)圖像中的所述體態(tài)信息，得到深度學習神經(jīng)網(wǎng)絡f-cnn對所有姿態(tài)圖像中的所述體態(tài)信息的監(jiān)測結果；若深度學習神經(jīng)網(wǎng)絡f-cnn對姿態(tài)圖像中的所述體態(tài)信息的監(jiān)測結果，與姿態(tài)圖像對應的體態(tài)圖像中的體態(tài)信息相同，則深度學習神經(jīng)網(wǎng)絡f-cnn對姿態(tài)圖像中的所述體態(tài)信息的監(jiān)測結果正確；反之則監(jiān)測結果錯誤；

10、將深度學習神經(jīng)網(wǎng)絡對所述體態(tài)信息的監(jiān)測結果正確的姿態(tài)圖像數(shù)量，與深度學習神經(jīng)網(wǎng)絡f-cnn監(jiān)測的所述體態(tài)信息對應的姿態(tài)圖像數(shù)量的比值，作為深度學習神經(jīng)網(wǎng)絡f-cnn評估所述體態(tài)信息的正確率。

11、優(yōu)選的，所述判斷深度學習神經(jīng)網(wǎng)絡能否準確評估各種體態(tài)信息，包括的具體方法為：

12、對于任意體態(tài)信息，預設一個正確率閾值，若深度學習神經(jīng)網(wǎng)絡f-cnn評估所述體態(tài)信息的正確率大于或等于，則深度學習神經(jīng)網(wǎng)絡f-cnn能夠準確評估所述體態(tài)信息，若深度學習神經(jīng)網(wǎng)絡f-cnn評估的正確率小于，則深度學習神經(jīng)網(wǎng)絡f-cnn不能準確評估所述體態(tài)信息。

13、優(yōu)選的，所述獲取若干姿態(tài)圖像集合，包括的具體方法為：

14、對于任意體態(tài)信息，根據(jù)深度學習神經(jīng)網(wǎng)絡f-cnn評估所述體態(tài)信息的監(jiān)測結果，將所有姿態(tài)圖像分為：深度學習神經(jīng)網(wǎng)絡f-cnn能夠正確監(jiān)測的姿態(tài)圖像集合、深度學習神經(jīng)網(wǎng)絡f-cnn將異常體態(tài)信息識別為正常體態(tài)信息的姿態(tài)圖像集合、深度學習神經(jīng)網(wǎng)絡f-cnn將正常體態(tài)信息識別為異常體態(tài)信息的姿態(tài)圖像集合，分別記為類集合、類集合以及類集合。

15、優(yōu)選的，所述獲取關節(jié)點評估體態(tài)信息的影響程度，包括的具體方法為：

16、對于評估任意體態(tài)信息時的任意關節(jié)點，將類集合與類集合中所有姿態(tài)圖像內(nèi)的所述關節(jié)點去除，得到去除所述關節(jié)點的類集合與去除所述關節(jié)點的類集合，分別記為類集合、類集合；

17、利用深度學習神經(jīng)網(wǎng)絡f-cnn監(jiān)測類集合與類集合內(nèi)所有姿態(tài)圖像中的所述體態(tài)信息，得到深度學習神經(jīng)網(wǎng)絡f-cnn監(jiān)測類集合與類集合內(nèi)所有姿態(tài)圖像中的所述體態(tài)信息的正確率，并將深度學習神經(jīng)網(wǎng)絡f-cnn監(jiān)測類集合與類集合內(nèi)所有姿態(tài)圖像中的所述體態(tài)信息的監(jiān)測結果正確的姿態(tài)圖像組成的集合記為類集合，將深度學習神經(jīng)網(wǎng)絡f-cnn監(jiān)測類集合與類集合內(nèi)所有姿態(tài)圖像中的所述體態(tài)信息的監(jiān)測結果錯誤的姿態(tài)圖像組成的集合記為類集合；

18、獲取類集合與類集合之間的相似度，以及類集合與類集合之間的相似度，具體的計算公式為：

19、

20、式中，表示類集合與類集合之間的相似度；表示類集合；表示類集合；表示類集合與類集合之間的相似度；表示類集合；表示類集合；表示并集運算；表示交集運算；

21、根據(jù)類集合與類集合之間的相似度與差異度，以及類集合與類集合之間的相似度與差異度，獲取欠學習中所述關節(jié)點評估所述體態(tài)信息的影響程度，其具體的計算公式為：

22、

23、式中，表示欠學習中所述關節(jié)點評估所述體態(tài)信息的影響程度；表示類集合與類集合之間的相似度；表示類集合與類集合之間的相似度；表示類集合中的姿態(tài)圖像數(shù)量；表示類集合中的姿態(tài)圖像數(shù)量；表示類集合中的姿態(tài)圖像數(shù)量；表示類集合中的姿態(tài)圖像數(shù)量。

24、優(yōu)選的，所述獲取關節(jié)點評估體態(tài)信息的干擾程度，包括的具體方法為：

25、對于評估任意體態(tài)信息時的任意關節(jié)點，將去除所述關節(jié)點前的所有姿態(tài)圖像深度學習神經(jīng)網(wǎng)絡f-cnn評估所述體態(tài)信息的正確率，與去除所述關節(jié)點后深度學習神經(jīng)網(wǎng)絡f-cnn評估所述體態(tài)信息的正確率之間的差，作為正確率變化；將欠學習中所述關節(jié)點評估所述體態(tài)信息的影響程度，與正確率變化的積作為欠學習中所述關節(jié)點評估所述體態(tài)信息的干擾程度。

26、優(yōu)選的，所述獲取關節(jié)點的干擾點與輔助點，包括的具體方法為：

27、將評估任意體態(tài)信息時的任意關節(jié)點記為目標關節(jié)點，獲取與目標關節(jié)點相鄰的所有關節(jié)點，記為目標關節(jié)點的相鄰關節(jié)點；將所有關節(jié)點評估所述體態(tài)信息的干擾程度作為度量距離，并利用k-means聚類算法將所有關節(jié)點聚成三個簇類；獲取每個簇類中所有關節(jié)點的干擾程度均值，將所述干擾程度均值最大的簇類內(nèi)目標關節(jié)點的相鄰關節(jié)點記為目標關節(jié)點的干擾點，將所述干擾程度均值最小的簇類內(nèi)目標關節(jié)點的相鄰關節(jié)點記為目標關節(jié)點的輔助點。

28、優(yōu)選的，所述獲取評估體態(tài)信息時關節(jié)點受到相鄰關節(jié)點的影響，包括的具體方法為：

29、預設一個傳遞系數(shù)，將欠學習中目標關節(jié)點的相鄰關節(jié)點中所有干擾點與所有輔助點的干擾程度之和，與傳遞系數(shù)的積作為欠學習中評估所述體態(tài)信息時目標關節(jié)點受到相鄰關節(jié)點的影響。

30、優(yōu)選的，所述獲取關節(jié)點評估體態(tài)信息修正后的干擾程度，包括的具體方法為：

31、對于評估任意體態(tài)信息時的任意關節(jié)點，將欠學習中評估所述體態(tài)信息時所述關節(jié)點受到相鄰關節(jié)點的影響，與欠學習中所述關節(jié)點評估所述體態(tài)信息的干擾程度之和，作為欠學習中所述關節(jié)點評估所述體態(tài)信息修正后的干擾程度；

32、獲取過學習中所有關節(jié)點評估所有體態(tài)信息修正后的干擾程度。

33、優(yōu)選的，所述獲取關節(jié)點評估體態(tài)信息的監(jiān)測權重，包括的具體方法為：

34、對于評估任意體態(tài)信息時的任意關節(jié)點，預設一個欠學習監(jiān)測權重；令過學習監(jiān)測權重等于；根據(jù)欠學習與過學習中所述關節(jié)點評估所述體態(tài)信息修正后的干擾程度，結合欠學習與過學習監(jiān)測權重，獲取所述關節(jié)點評估所述體態(tài)信息的監(jiān)測權重，其具體的計算公式為：

35、

36、式中，表示所述關節(jié)點評估所述體態(tài)信息的監(jiān)測權重；表示欠學習監(jiān)測權重；表示欠學習中所述關節(jié)點評估所述體態(tài)信息修正后的干擾程度；表示過學習中所述關節(jié)點評估所述體態(tài)信息修正后的干擾程度；表示線性歸一化函數(shù)。

37、本發(fā)明的技術方案的有益效果是：由于實際的體態(tài)異常中，特定的體態(tài)異常僅會引起相關的關節(jié)點發(fā)生變化，即監(jiān)測各種體態(tài)異常時各個關節(jié)點的監(jiān)測權重不同，為賦予各個關節(jié)點評估各種體態(tài)信息時的監(jiān)測權重，則通過去除特征的關節(jié)點，對比去除關節(jié)點后監(jiān)測結果的變化，獲取關節(jié)點評估體態(tài)信息的干擾程度；又由于深度學習神經(jīng)網(wǎng)絡在監(jiān)測體態(tài)時，是根據(jù)多個關節(jié)點之間的關系進行監(jiān)測的，即在賦予每個關節(jié)點權重時不僅需要考慮關節(jié)點自身對評估體態(tài)的干擾，還需結合關節(jié)點周圍的關節(jié)點對評估體態(tài)的干擾，以此賦予關節(jié)點監(jiān)測權重；最后采集患者姿態(tài)圖像，并根據(jù)關節(jié)點評估體態(tài)信息的監(jiān)測權重，賦予采集的患者姿態(tài)圖像中各關節(jié)點監(jiān)測權重，以提高監(jiān)測的準確率。