技术特征:
1.一种脊柱健康情况监测方法,其特征在于,所述方法包括如下步骤:s1、标定监测点:采用穿戴传感器对监测对象脊柱的关键部位进行监测点标定,标定的监测点包括:a、颈椎:c7突起处;b、胸椎:左、右乳头;c、肺叶:第十二对肋骨最低点;d、腰椎:肚脐;e胯部:髋骨两侧突起处;s2、采集静态数据:以肚脐为原点,建立监测对象正面的二维坐标系,在监测对象静态立正的状态下,采集所述监测点在该坐标系中的投影坐标记录为静态数据;s3、采集动态数据:以肚脐为原点,建立监测对象正面的二维坐标系,监测对象以最大角度进行左/右转身动作、左/右侧身动作和前/后屈体动作,分别在上述状态下,采集所述监测点在所述坐标系中的投影坐标记录为动态数据;s4、数据标注:对监测对象进行x光成像,由医生判断其脊柱是否健康,用判断结果对静态数据和动态数据进行标注;s5、聚合矩阵:将静态数据和标注直接连接聚合为静态矩阵;将静态数据、动态数据和标注聚合为动态矩阵;所述动态矩阵为[左转身活动度特征值,右转身活动度特征值,左侧身活动度特征值,右侧身活动度特征值,前屈活动度特征值,后凸活动度特征值,cobb特征值,腰骶特征值,健康or患病];s6、多组采集:对若干不同的监测对象进行监测,重复s1~s5步骤,得到若干组静态矩阵和动态矩阵;s7、训练模型:将若干组静态矩阵和动态矩阵分别输入机器学习算法训练模型得到静态模型和动态模型;s8、用户监测:对用户进行监测,重复s1~s3步骤,并将用户的静态数据和动态数据分别输入模型,获取监测结果;监测结果判断标准为:两模型都认为患病为患病;两模型中仅一个认为患病为有患病风险;两模型都认为健康为健康。2.如权利要求1所述的脊柱健康情况监测方法,其特征在于,所述静态数据的格式为:[静态,颈椎,(x
a01
,y
a01
),静态,胸椎,(x
b01
,y
b01
),(x
b02
,y
b02
),静态,肺叶,(x
c01
,y
c01
),(x
c02
,y
c02
),静态,腰椎,(x
d01
,y
d01
),静态,胯部,(x
e01
,y
e01
),(x
e02
,y
e02
)];所述动态数据的格式为:[动态,左转身,颈椎,(x
a11
,y
a11
),动态,左转身,胸椎,(x
b11
,y
b11
),(x
b12
,y
b12
),动态,左转身,肺叶,(x
c11
,y
c11
),(x
c12
,y
c12
),
动态,左转身,腰椎,(x
d11
,y
d11
),动态,左转身,胯部,(x
e11
,y
e11
),(x
e12
,y
e12
),动态,右转身,颈椎,(x
a21
,y
a21
),动态,右转身,胸椎,(x
b21
,y
b21
),(x
b22
,y
b22
),动态,右转身,肺叶,(x
c21
,y
c21
),(x
c22
,y
c22
),动态,右转身,腰椎,(x
d21
,y
d21
),动态,右转身,胯部,(x
e21
,y
e21
),(x
e22
,y
e22
),动态,左侧身,颈椎,(x
a31
,y
a31
),动态,左侧身,胸椎,(x
b31
,y
b31
),(x
b32
,y
b32
),动态,左侧身,肺叶,(x
c31
,y
c31
),(x
c32
,y
c32
),动态,左侧身,腰椎,(x
d31
,y
d31
),动态,左侧身,胯部,(x
e31
,y
e31
),(x
e32
,y
e32
),动态,右侧身,颈椎,(x
a41
,y
a41
),动态,右侧身,胸椎,(x
b41
,y
b41
),(x
b42
,y
b42
),动态,右侧身,肺叶,(x
c41
,y
c41
),(x
c42
,y
c42
),动态,右侧身,腰椎,(x
d41
,y
d41
),动态,右侧身,胯部,(x
e41
,y
e41
),(x
e42
,y
e42
),动态,前屈体,颈椎,(x
a51
,y
a51
),动态,前屈体,胸椎,(x
b51
,y
b51
),(x
b52
,y
b52
),动态,前屈体,肺叶,(x
c51
,y
c51
),(x
c52
,y
c52
),动态,前屈体,腰椎,(x
d51
,y
d51
),动态,前屈体,胯部,(x
e51
,y
e51
),(x
e52
,y
e52
),动态,后屈体,颈椎,(x
a61
,y
a61
),动态,后屈体,胸椎,(x
b61
,y
b61
),(x
b62
,y
b62
),动态,后屈体,肺叶,(x
c61
,y
c61
),(x
c62
,y
c62
),动态,后屈体,腰椎,(x
d61
,y
d61
),动态,后屈体,胯部,(x
e61
,y
e61
),(x
e62
,y
e62
)]。3.如权利要求2所述的脊柱健康情况监测方法,其特征在于,所述动态矩阵中,左转身活动度特征值=[动态左转身胸椎x
b11
‑
静态胸椎x
b01
,动态左转身胸椎x
b12
‑
静态胸椎x
b02
,动态左转身肺叶x
c11
‑
静态肺叶x
c01
,动态左转身肺叶x
c12
‑
静态肺叶x
c02
,动态左转身胯部x
e11
‑
静态胯部x
e01
,动态左转身胯部x
e12
‑
静态胯部x
e02
];右转身活动度特征值=[动态右转身胸椎x
b21
‑
静态胸椎x
b01
,动态右转身胸椎x
b22
‑
静态胸椎x
b02
,动态右转身肺叶x
c21
‑
静态肺叶x
c01
,动态右转身肺叶x
c22
‑
静态肺叶x
c02
,动态右转身胯部x
e21
‑
静态胯部x
e01
,动态右转身胯部x
e22
‑
静态胯部x
e02
];左侧身活动度特征值=[动态左侧身颈椎x
a31
‑
静态颈椎x
a01
,动态左侧身颈椎y
a31
‑
静态颈椎y
a01
,动态左侧身胸椎y
b31
‑
静态胸椎y
b01
,动态左侧身胸椎y
b32
‑
静态胸椎y
b02
,
动态左侧身肺叶y
c31
‑
静态肺叶y
c01
,动态左侧身肺叶y
c32
‑
静态肺叶y
c02
,动态左侧身颈椎x
a31
‑
静态腰椎x
d01
,动态左侧身颈椎y
a31
‑
静态腰椎y
d01
,动态左侧身胸椎y
b31
‑
静态胯部y
e01
,动态左侧身胸椎y
b32
‑
静态胯部y
e02
];右侧身活动度特征值=[动态右侧身颈椎x
a41
‑
静态颈椎x
a01
,动态右侧身颈椎y
a41
‑
静态颈椎y
a01
,动态右侧身胸椎y
b41
‑
静态胸椎y
b01
,动态右侧身胸椎y
b42
‑
静态胸椎y
b02
,动态右侧身肺叶y
c41
‑
静态肺叶y
c01
,动态右侧身肺叶y
c42
‑
静态肺叶y
c02
,动态右侧身颈椎x
a41
‑
静态腰椎x
d01
,动态右侧身颈椎y
a41
‑
静态腰椎y
d01
,动态右侧身胸椎y
b41
‑
静态胯部y
e01
,动态右侧身胸椎y
b42
‑
静态胯部y
e02
];前屈活动度特征值=[动态前屈体颈椎y
a51
‑
静态颈椎y
a01
,动态前屈体胸椎y
b51
y
b52
‑
静态颈椎y
a01
*2,动态前屈体肺叶y
c51
y
c52
坐标
‑
静态颈椎y
a01
*2,动态前屈体腰椎y
d51
‑
静态颈椎y
a01
,动态前屈体胯部y
e51
y
e52
‑
静态颈椎y
a01
*2];后凸活动度特征值=[动态前屈体颈椎y
a61
‑
静态颈椎y
a01
,动态前屈体胸椎y
b61
y
b62
‑
静态颈椎y
a01
*2,动态前屈体肺叶y
c61
y
c62
坐标
‑
静态颈椎y
a01
*2,动态前屈体腰椎y
d61
‑
静态颈椎y
a01
,动态前屈体胯部y
e61
y
e62
‑
静态颈椎y
a01
*2];cobb特征值=[静态颈椎x
a01
‑
静态胸椎x
b01
静态颈椎x
a01
‑
静态胸椎x
b02
,静态颈椎x
a01
‑
静态肺叶x
c01
静态颈椎x
a01
‑
静态肺叶x
c02
,静态颈椎x
a01
‑
静态腰椎x
d01
,静态颈椎x
a01
‑
静态胯部x
e01
静态颈椎x
a01
‑
静态胯部x
e02
,(静态胸椎x
b01
‑
静态肺叶x
c01
)
‑
(静态胸椎x
b02
‑
静态肺叶x
c02
),(静态肺叶x
c01
‑
静态胯部x
e01
)
‑
(静态肺叶x
c02
‑
静态胯部x
e02
)];腰骶特征值=[静态胯部x
e01
‑
静态胯部x
e02
,静态胯部y
e01
‑
静态胯部y
e02
,静态腰椎x
d01
‑
静态胯部x
e01
,静态腰椎x
d01
‑
静态胯部x
e02
,静态腰椎y
d01
‑
静态胯部y
e01
,静态腰椎y
d01
‑
静态胯部y
e02
]。4.如权利要求1所述的脊柱健康情况监测方法,其特征在于,所述s7中,静态模型和动态模型的机器学习算法包括但不限于:线性回归、logistic回归、支持向量机、k均值临近、随机森林、朴素贝叶斯、决策树。5.如权利要求1所述的脊柱健康情况监测方法,其特征在于,所述s4中,医生判断监测对象的脊柱是否健康的依据包括:监测对象的静止体态和x光成像是否有明显扭曲、监测对象是否存在动态失衡和/或移动受限;所述s7中,所述机器学习算法模仿医生决策过程,对监测对象的静态矩阵和动态矩阵分别建模。
6.如权利要求1~5任一所述的脊柱健康情况监测方法,其特征在于,所述方法还包括步骤如下:s9、日常监测:所述s8中,用户监测得到结果后,持续测量用户监测点的数据,获得用户的日常行为数据,并在日常行为数据尾部加盖时间戳及所述s8中监测的结果;所述日常行为数据的格式为:[日常,颈椎,(x
a91
,y
a91
),日常,胸椎,(x
b91
,y
b91
),(x
b92
,y
b92
),日常,肺叶,(x
c91
,y
c91
),(x
c92
,y
c92
),日常,腰椎,(x
d91
,y
d91
),日常,胯部,(x
e91
,y
e91
),(x
e92
,y
e92
),时间,健康or有患病风险or患病];s10、日常行为训练模型:在脊椎疾病康复过程中,医生会建议进行一些特定的康复运动,并且避免不正确的姿态;根据医生提供的基本数据建立初步模型,而后,将若干用户的日常行为数据上传,输入神经网络算法,在初步模型的基础上进一步训练模型,得到日常模型,所述日常模型通过用户的日常行为就能判断其脊柱的健康情况,并可以对用户的不正常姿态进行提醒。
技术总结
本发明提供了一种脊柱健康情况监测方法,涉及健康管理技术领域。所述方法包括如下步骤:S1、标定监测点;S2、采集静态数据;S3、采集动态数据;S4、数据标注;S5、聚合矩阵;S6、多组采集;S7、训练模型;S8、用户监测。本发明中,通过对监测对象的颈椎、胸椎、肺叶、腰椎和胯部这些关键部位进行监测,采集静态和动态数据,再由医生判断监测对象的脊柱是否健康,对数据进行标注,数据与标注聚合得到静态矩阵和动态矩阵,训练模型得到静态模型和动态模型,通过两个模型,用户随时随地通过穿戴传感器就能监测自己的脊柱健康情况,无需去医院挂号拍片检查,节约了大量的时间成本和经济成本,并且能够在病症早期就得到注意,便于医治康复。便于医治康复。便于医治康复。
技术研发人员:陈赞 段婉茹 范充 唐文涛 张逯颖 曾明发 谢朝建
受保护的技术使用者:首都医科大学宣武医院
技术研发日:2021.07.27
技术公布日:2021/11/4
再多了解一些
本文用于企业家、创业者技术爱好者查询,结果仅供参考。