一种基于大数据的粗大动作智能评估系统及方法与流程
本发明涉及大数据分析,具体是一种基于大数据的粗大动作智能评估系统及方法。
背景技术:
1、现有粗大动作评估主要依赖标准化评估量表的人工观察评分,或通过可穿戴传感器、深度摄像头等进行动作捕捉与自动判分。这些方法普遍关注动作的最终表现或离散关键帧姿态与标准模板的相似度,将连续的粗大动作过程压缩为若干静态判别时刻。
2、然而,粗大动作本质上是多个功能子阶段按时序串接的动态连续体,动作质量不仅取决于各阶段内部的活动度或力量,更关键取决于阶段之间的衔接连贯性。在动作完成过程中阶段衔接不良往往早于终端结果异常而出现,是运动程序调控缺陷的敏感指征。但现有技术完全忽略这一指征,这导致评估只能给出整体动作判断评估,无法精确定位动作链中哪一衔接环节出现何种问题,可能延误干预时机。
技术实现思路
1、本发明的目的在于提供一种基于大数据的粗大动作智能评估系统及方法,以解决现有技术中提出的问题。
2、为实现上述目的,本发明提供如下技术方案:一种基于大数据的粗大动作智能评估方法,粗大动作智能评估方法包括以下步骤:
3、步骤s1、采集执行粗大动作任务过程中的运动数据,所述运动数据包括影像、身高、体重和执行动作,将影像划分为多个功能动作阶段,并建立动作阶段时序集合,所述粗大动作指涉及全身大肌肉活动的动作;
4、所述大肌肉活动指全身大块肌群的协同收缩与运动,这些肌肉主要负责身体的姿势维持、重心转移、行走、跑跳、推拉、蹲起动作;所述大块肌群包括下肢大肌肉群、躯干核心肌肉群和上肢大肌肉群;所述下肢大肌肉群包括臀大肌、臀中肌、髂腰肌、股四头肌、腘绳肌、内收肌群;所述躯干核心肌肉群包括腹直肌、腹横肌、腹内外斜肌、竖脊肌、腰方肌、多裂肌;所述上肢大肌肉群包括三角肌、胸大肌、背阔肌、斜方肌、菱形肌、肱二头肌、肱三头肌;
5、步骤s2、根据动作阶段时序集合,从各功能动作阶段之间的转换过程中获取时间连续性特征、运动协调变化特征,形成粗大动作阶段迁移特征集合;
6、步骤s3、按照粗大动作阶段迁移特征集合的身高、体重和动作类型,从历史粗大动作阶段迁移特征集合中筛选对应的正常样本,构建标准阶段迁移模式;
7、步骤s4、将粗大动作阶段迁移特征集合与标准阶段迁移模式进行匹配分析,输出异常阶段;
8、步骤s5、根据异常阶段和动作阶段时序集合生成异常阶段序列,作为评估清单输出。
9、进一步的,所述步骤s1的具体步骤如下:
10、获取执行粗大动作的影像,将关节标注出来,同时记录每个关节随影像每一帧的角度变化与帧时间进行对齐,形成关节角度时间序列;
11、根据所述关节角度时间序列,计算每一帧各关节角度相对于前一帧的角度变化量,将角度变化量在坐标系中绘制曲线,标记所有极大值、极小值和与x轴的交点作为分界点,按照分界点对应的帧时间将整个影像切分为多个连续的时间区间,每个时间区间内的帧序列对应一个功能动作阶段;
12、以各功能动作阶段作为节点,按照时间先后关系依次排序形成动作阶段时序集合,在动作阶段时序集合中每个节点存储对应功能动作阶段的起始帧时间、终止帧时间以及该区间内各帧对应的关节角度值。
13、进一步的,所述步骤s2的具体步骤如下:
14、计算每个节点的阶段时长值以及所有帧对应的关节角度和,所述阶段时长值为一个功能动作阶段的起始帧时间与终止帧时间的帧时间差,将关节角度和与阶段时长值的比值作为平均速度特征值,同时提取相邻两个节点的阶段时长值,计算前后两个节点的阶段时长值的差值绝对值作为阶段持续时间变化特征值,将平均速度特征值和阶段持续时间变化特征值组合为时间连续性特征;
15、计算动作阶段时序集合中各关节每一帧对应曲线的斜率,按照每个节点对应的帧时间对所有斜率进行划分,将每个节点中所有斜率的方差,按照阶段顺序构建方差连续序列,作为运动协调变化特征;
16、所述斜率的计算方法可采用有限差分法进行计算;
17、所述时间连续性特征、运动协调变化特征共同构成粗大动作阶段迁移特征集合。
18、进一步的,所述步骤s3的具体步骤如下:
19、获取当前受试者的身高、体重和执行动作,从历史粗大动作阶段迁移特征集合数据库中检索出与身高、体重和执行动作完全匹配的所有正常样本的粗大动作阶段迁移特征集合,所述正常样本为经临床评估确认无运动功能障碍的受试者在执行所述动作类型标识对应的粗大动作任务时所记录的粗大动作阶段迁移特征集合;
20、将检索出的所有正常样本的粗大动作阶段迁移特征集合按照各自所包含的节点数量进行分组,选出与当前受试者的粗大动作阶段迁移特征集合所包含的节点数量相同的分组,对该分组内所有正常样本的粗大动作阶段迁移特征集合中处于同一节点的时间连续性特征值进行算术平均运算,得到该节点的时间连续性特征标准值,对该分组内所有正常样本的粗大动作阶段迁移特征集合中处于同一节点的运动协调变化特征值进行算术平均运算,得到该节点的运动协调变化特征标准值;
21、将各节点的时间连续性特征标准值和运动协调变化特征标准值按照阶段序数顺序排列组合,形成标准阶段迁移模式。
22、进一步的,所述步骤s4的具体步骤如下:
23、将粗大动作阶段迁移特征集合与标准阶段迁移模式进行对齐,将时间连续性特征值、运动协调变化特征值分别与相同位置的时间连续性特征标准值、运动协调变化特征标准值进行差值计算,得到时间连续性偏差值、运动协调变化偏差值,与预设的时间连续性偏差阈值、运动协调变化偏差阈值进行比较;
24、当存在时间连续性偏差值大于或等于预设的时间连续性偏差阈值时,将对应的节点标记为时间连续性异常阶段;当存在运动协调变化偏差值大于或等于预设的运动协调变化偏差阈值时,将对应的节点标记为运动协调变化异常阶段;
25、所述预设的时间连续性偏差阈值、运动协调变化偏差阈值基于正常样本的特征值标准差动态生成;
26、对标记为时间连续性异常阶段、运动协调变化异常阶段进行并集运算,得到异常节点集合;将所述异常节点集合中的每个节点所对应的功能动作阶段,作为异常阶段输出,每个异常阶段的输出数据包含该阶段在动作阶段时序集合中的节点、该阶段对应的起始帧时间与终止帧时间,以及该阶段被标记的异常类型标识,所述异常类型标识包括时间连续性异常、运动协调变化异常中的其中一种或全部。
27、进一步的,将异常阶段对应的节点按照在动作阶段时序集合中的先后顺序进行排列,对于具有相同节点位置的重复标记,以异常类型标识为依据进行去重处理,生成一个包含节点位置、起始帧时间、终止帧时间和异常类型标识的异常阶段序列,作为评估清单进行输出。
28、进一步的,所述粗大动作智能评估系统包括数据采集模块、特征提取模块、标准建模模块、异常检测模块和评估输出模块;
29、所述数据采集模块用于采集执行粗大动作任务过程中的运动数据,并将影像划分为多个功能动作阶段;所述特征提取模块用于从动作阶段时序集合中提取时间连续性特征和运动协调变化特征,构成粗大动作阶段迁移特征集合;所述标准建模模块用于根据受试者的身高、体重和动作类型,从历史正常样本中筛选匹配数据,构建标准阶段迁移模式;所述异常检测模块用于将粗大动作阶段迁移特征集合与标准阶段迁移模式进行匹配分析,输出异常阶段;所述评估输出模块用于根据异常阶段和动作阶段时序集合生成异常阶段序列,作为评估清单输出。
30、进一步的,所述数据采集模块包括影像追踪单元和阶段切分单元;
31、所述影像追踪单元用于从影像中标注关节并记录各关节角度随帧时间的变化,生成关节角度时间序列;所述阶段切分单元用于根据关节角度变化量曲线中的极值点与零点切分影像,生成动作阶段时序集合;
32、所述特征提取模块包括连续特征单元和协调特征单元;
33、所述连续特征单元用于计算每个节点的阶段时长值、平均速度特征值及相邻节点的阶段持续时间变化特征值,组成时间连续性特征;所述协调特征单元用于计算每个节点内各帧斜率的方差,构建方差连续序列作为运动协调变化特征。
34、进一步的,所述标准建模模块包括样本检索单元和模式生成单元;
35、所述样本检索单元用于从历史数据库中检索与当前受试者身高、体重及动作类型完全匹配的正常样本的粗大动作阶段迁移特征集合;所述模式生成单元用于对同节点数量的正常样本特征值进行算术平均,生成各节点的时间连续性特征标准值和运动协调变化特征标准值,组合为标准阶段迁移模式;
36、所述异常检测模块包括偏差计算单元和异常标记单元;
37、所述偏差计算单元用于计算实测特征与标准模式在同一节点的偏差值,并与预设阈值进行比较;所述异常标记单元用于根据偏差比较结果标记时间连续性异常阶段和运动协调变化异常阶段,合并输出异常节点集合。
38、进一步的,所述评估输出模块包括序列排重单元和清单呈现单元;
39、所述序列排重单元用于将异常阶段按节点顺序排列,并对相同节点位置的重复标记进行去重处理;所述清单呈现单元用于生成包含节点位置、起始帧时间、终止帧时间和异常类型标识的评估清单并输出。
40、与现有技术相比,本发明的有益效果是:
41、1、本发明通过将粗大动作分解为多个功能动作阶段并构建阶段时序集合,提取阶段间的时间连续性特征和运动协调变化特征,能够精确定位动作链中具体环节的衔接异常或内部协调异常,为康复干预提供明确靶点。
42、2、本发明通过从历史数据库中检索与受试者身高、体重和动作类型完全匹配的正常样本,构建个性化标准阶段迁移模式,有效消除个体体型差异对评估结果的影响,提高了异常判别的准确性和公平性,适用于各类人群的粗大动作评估。
43、3、本发明通过检测阶段时长变化、速度变化和关节角速度波动等双重特征,从时间维度和运动协调维度全面评估动作质量,能够早期发现运动程序调控缺陷,并自动生成含异常阶段位置、时间区间和异常类型的结构化评估清单,实用性强。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com