本發(fā)明涉及康復(fù)醫(yī)學(xué)，特別是肩袖損傷智能識(shí)別方法及裝置。

背景技術(shù)：

1、在現(xiàn)代社會(huì)，隨著人們對(duì)健康和運(yùn)動(dòng)的重視程度不斷提高，越來(lái)越多的人參與到各種體育活動(dòng)、健身訓(xùn)練以及康復(fù)運(yùn)動(dòng)中。然而，這也導(dǎo)致了運(yùn)動(dòng)損傷的發(fā)生率上升，其中肩關(guān)節(jié)損傷是最為常見(jiàn)的一類問(wèn)題。肩關(guān)節(jié)是人體中活動(dòng)范圍最大、結(jié)構(gòu)最為復(fù)雜的關(guān)節(jié)之一，廣泛參與到日常生活和運(yùn)動(dòng)中。由于其高度的靈活性，肩關(guān)節(jié)在運(yùn)動(dòng)時(shí)很容易因過(guò)度使用、不正確的姿勢(shì)或其他外部因素而受傷，常見(jiàn)的肩關(guān)節(jié)損傷包括肩袖撕裂、肩峰撞擊癥、肩關(guān)節(jié)脫位等。這類損傷不僅影響運(yùn)動(dòng)表現(xiàn)，還可能導(dǎo)致長(zhǎng)期的功能障礙，嚴(yán)重時(shí)甚至需要手術(shù)治療和長(zhǎng)期康復(fù)。因此，如何有效預(yù)防肩關(guān)節(jié)損傷成為運(yùn)動(dòng)科學(xué)和康復(fù)醫(yī)學(xué)中的重要課題。

2、然而，現(xiàn)有的肩關(guān)節(jié)運(yùn)動(dòng)監(jiān)測(cè)系統(tǒng)仍然面臨一些技術(shù)瓶頸。首先，如何在復(fù)雜的運(yùn)動(dòng)場(chǎng)景中準(zhǔn)確提取肩關(guān)節(jié)的運(yùn)動(dòng)特征并進(jìn)行風(fēng)險(xiǎn)評(píng)估仍然具有挑戰(zhàn)性。肩關(guān)節(jié)的運(yùn)動(dòng)涉及多個(gè)平面和維度，簡(jiǎn)單的傳感器數(shù)據(jù)難以全面反映其動(dòng)態(tài)特征。其次，現(xiàn)有系統(tǒng)的實(shí)時(shí)性和個(gè)性化能力較弱，普通的閾值模型無(wú)法適應(yīng)不同用戶的運(yùn)動(dòng)模式和生理特征，導(dǎo)致誤報(bào)頻繁。最后，傳統(tǒng)系統(tǒng)缺乏對(duì)實(shí)時(shí)反饋的支持，用戶在運(yùn)動(dòng)過(guò)程中難以獲得及時(shí)的指導(dǎo)和保護(hù)。這些問(wèn)題的存在限制了現(xiàn)有技術(shù)在運(yùn)動(dòng)監(jiān)測(cè)和損傷預(yù)防中的應(yīng)用效果和普及程度。

技術(shù)實(shí)現(xiàn)思路

1、鑒于現(xiàn)有的肩袖損傷智能識(shí)別方法中存在的問(wèn)題，提出了本發(fā)明。

2、因此，本發(fā)明所要解決的問(wèn)題在于現(xiàn)有監(jiān)測(cè)系統(tǒng)在精確性、實(shí)時(shí)性、個(gè)性化適應(yīng)能力和損傷預(yù)防效果方面的不足。

3、為解決上述技術(shù)問(wèn)題，本發(fā)明提供如下技術(shù)方案：

4、第一方面，本發(fā)明提供了肩袖損傷智能識(shí)別方法，其包括：構(gòu)建數(shù)據(jù)采集模塊，分別從動(dòng)作捕捉、肌電信號(hào)和醫(yī)學(xué)影像的方式收集肩袖運(yùn)動(dòng)數(shù)據(jù)，使用卡爾曼濾波器對(duì)收集的數(shù)據(jù)進(jìn)行時(shí)空對(duì)齊和融合處理；基于所述融合處理后的數(shù)據(jù)進(jìn)行生物力學(xué)建模，并采用改進(jìn)卷積操作，對(duì)生物力學(xué)模型進(jìn)行智能識(shí)別分析，引入多尺度卷積操作，結(jié)合圖卷積網(wǎng)絡(luò)進(jìn)行空間信息融合，自適應(yīng)膨脹卷積輸出全局運(yùn)動(dòng)狀態(tài)表示；基于所述全局運(yùn)動(dòng)狀態(tài)表示，劃分風(fēng)險(xiǎn)等級(jí)，實(shí)時(shí)預(yù)測(cè)損傷風(fēng)險(xiǎn)，提供預(yù)警信號(hào)。

5、作為本發(fā)明所述肩袖損傷智能識(shí)別方法的一種優(yōu)選方案，其中：所述數(shù)據(jù)采集模塊包括動(dòng)作捕捉子模塊、肌電信號(hào)采集子模塊和醫(yī)學(xué)影像采集子模塊；所述動(dòng)作捕捉子模塊采用微型慣性傳感器陣列，在肩峰、肱骨、肩胛骨關(guān)鍵解剖位布置傳感器，采集三維加速度、角速度、歐拉角參數(shù)；所述肌電信號(hào)采集子模塊采用表面肌電電極陣列，監(jiān)測(cè)三角肌、岡上肌、岡下肌、小圓肌肌群；所述醫(yī)學(xué)影像采集子模塊采用mri或超聲實(shí)時(shí)成像，掃描t1wi、t2wi、質(zhì)子密度加權(quán)序列。

6、作為本發(fā)明所述肩袖損傷智能識(shí)別方法的一種優(yōu)選方案，其中：基于所述卡爾曼濾波器結(jié)合硬件同步觸發(fā)機(jī)制實(shí)現(xiàn)數(shù)據(jù)的時(shí)空對(duì)齊和融合處理；所述卡爾曼濾波器的狀態(tài)轉(zhuǎn)移方程表示為：

7、；

8、其中，是時(shí)刻的狀態(tài)變量向量，是狀態(tài)轉(zhuǎn)移矩陣，是時(shí)刻的狀態(tài)變量向量，是控制輸入矩陣，是控制向量，是過(guò)程噪聲；觀測(cè)方程表示為：

9、；

10、其中，是測(cè)量值向量，是觀測(cè)矩陣，是測(cè)量噪聲；卡爾曼濾波器在每一步更新兩個(gè)變量：預(yù)測(cè)狀態(tài)和更新狀態(tài)，表示為：

11、；

12、；

13、其中，是預(yù)測(cè)的狀態(tài)估計(jì)，表示在時(shí)刻時(shí)的更新狀態(tài)估計(jì)，是預(yù)測(cè)協(xié)方差矩陣，是更新的協(xié)方差矩陣，是過(guò)程噪聲協(xié)方差矩陣，表示轉(zhuǎn)置操作；更新步驟表示為：

14、；

15、；

16、；

17、其中：是更新的狀態(tài)估計(jì)，表示在引入當(dāng)前觀測(cè)值后，調(diào)整得到的狀態(tài)估計(jì)；是更新的協(xié)方差矩陣，是卡爾曼增益，是測(cè)量噪聲協(xié)方差矩陣，是單位矩陣。

18、作為本發(fā)明所述肩袖損傷智能識(shí)別方法的一種優(yōu)選方案，其中：基于所述時(shí)空對(duì)齊的多模態(tài)數(shù)據(jù)，通過(guò)特征提取分析肩關(guān)節(jié)運(yùn)動(dòng)的運(yùn)動(dòng)學(xué)特征、動(dòng)力學(xué)特征和影像學(xué)特征；所述運(yùn)動(dòng)學(xué)特征是通過(guò)imu傳感器數(shù)據(jù)，計(jì)算關(guān)節(jié)的角度、角速度和加速度；所述動(dòng)力學(xué)特征是基于肌電信號(hào)估算肌肉力矩和關(guān)節(jié)受力；所述影像學(xué)特征是從mri或超聲圖像中提取關(guān)節(jié)周圍組織的形態(tài)特征、信號(hào)強(qiáng)度和紋理特征，紋理特征通過(guò)灰度共生矩陣提取，包括對(duì)比度、熵和相關(guān)性指標(biāo)，用于描述組織結(jié)構(gòu)的復(fù)雜性。

19、作為本發(fā)明所述肩袖損傷智能識(shí)別方法的一種優(yōu)選方案，其中：所述改進(jìn)卷積操作是通過(guò)采用時(shí)序卷積網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)結(jié)合注意力機(jī)制的深度學(xué)習(xí)框架，且引入多尺度卷積操作，結(jié)合圖卷積網(wǎng)絡(luò)進(jìn)行空間信息融合，自適應(yīng)膨脹卷積以及動(dòng)態(tài)卷積核設(shè)計(jì)增強(qiáng)模型在處理多模態(tài)時(shí)序數(shù)據(jù)上的表達(dá)能力；改進(jìn)后的網(wǎng)絡(luò)架構(gòu)表示為：輸入層：多模態(tài)數(shù)據(jù)輸入，包括imu傳感器數(shù)據(jù)、肌電信號(hào)和影像數(shù)據(jù)；多尺度自適應(yīng)卷積層：在不同的時(shí)間尺度上進(jìn)行卷積操作，結(jié)合自適應(yīng)膨脹卷積和動(dòng)態(tài)卷積核；圖卷積層：處理關(guān)節(jié)之間的空間關(guān)系，學(xué)習(xí)關(guān)節(jié)運(yùn)動(dòng)的空間特征；時(shí)空融合層：將多尺度時(shí)序卷積的輸出與圖卷積的輸出進(jìn)行融合，提取時(shí)空聯(lián)合特征；分類層：通過(guò)全連接層或rnn層進(jìn)行最終的動(dòng)作模式和損傷模式分類。

20、作為本發(fā)明所述肩袖損傷智能識(shí)別方法的一種優(yōu)選方案，其中：所述結(jié)合圖卷積網(wǎng)絡(luò)進(jìn)行空間信息融合，包括：設(shè)定肩關(guān)節(jié)的運(yùn)動(dòng)數(shù)據(jù)表示為一個(gè)圖，其中v是節(jié)點(diǎn)集，e是邊集，表示不同關(guān)節(jié)之間的相互連接，則圖卷積的操作表示為：

21、；

22、其中，是節(jié)點(diǎn)在第層的特征向量，是鄰居節(jié)點(diǎn)在第層的特征向量；是節(jié)點(diǎn)的鄰居節(jié)點(diǎn)集合；是第層的可學(xué)習(xí)權(quán)重矩陣；是歸一化系數(shù)；是非線性激活函數(shù)，表示節(jié)點(diǎn)的鄰居節(jié)點(diǎn)。

23、作為本發(fā)明所述肩袖損傷智能識(shí)別方法的一種優(yōu)選方案，其中：所述多尺度卷積操作是在每一層網(wǎng)絡(luò)中引入多個(gè)卷積核，分別處理不同尺度的時(shí)序數(shù)據(jù)；假設(shè)時(shí)間序列數(shù)據(jù)為，其中是序列長(zhǎng)度，卷積運(yùn)算的標(biāo)準(zhǔn)公式為：

24、；

25、其中，為第個(gè)時(shí)間步的輸入數(shù)據(jù)；為卷積核的權(quán)重；為卷積核的大小，表示時(shí)間步下的輸出；

26、為了在不同的時(shí)間尺度上同時(shí)捕捉短期和長(zhǎng)期的信息，定義多個(gè)卷積核，每個(gè)卷積核的大小分別為；因此，改進(jìn)后的多尺度卷積運(yùn)算為：

27、；

28、其中，是第個(gè)卷積核在時(shí)間步上的輸出；?是第個(gè)卷積核的權(quán)重；是第個(gè)卷積核的大小，表示卷積核的數(shù)量；

29、將所有尺度的卷積輸出拼接起來(lái)，得到多尺度卷積的最終輸出：

30、；

31、所述自適應(yīng)膨脹卷積是引入一個(gè)自適應(yīng)函數(shù)，根據(jù)當(dāng)前時(shí)間步的數(shù)據(jù)來(lái)動(dòng)態(tài)調(diào)整膨脹因子，表示為：

32、；

33、自適應(yīng)膨脹卷積公式表示為：

34、；

35、其中，是通過(guò)自適應(yīng)函數(shù)動(dòng)態(tài)調(diào)整得到的膨脹因子；是卷積核的權(quán)重；

36、所述動(dòng)態(tài)卷積核是通過(guò)定義一個(gè)生成函數(shù)，根據(jù)輸入數(shù)據(jù)的特征生成卷積核的權(quán)重，表示為：

37、；

38、其中，是根據(jù)時(shí)間步的輸入數(shù)據(jù)動(dòng)態(tài)生成的權(quán)重；

39、卷積操作表示為：

40、；

41、其中，是根據(jù)時(shí)間步的輸入數(shù)據(jù)動(dòng)態(tài)生成的第個(gè)卷積核權(quán)重；為線性變換或非線性網(wǎng)絡(luò)，用于根據(jù)輸入數(shù)據(jù)生成卷積核的權(quán)重。

42、第二方面，本發(fā)明提供了肩袖損傷智能識(shí)別系統(tǒng)，其包括：采集模塊，用于收集肩袖運(yùn)動(dòng)數(shù)據(jù)，并使用卡爾曼濾波器對(duì)數(shù)據(jù)進(jìn)行時(shí)空對(duì)齊和融合處理；識(shí)別模塊，用于根據(jù)融合處理后的數(shù)據(jù)進(jìn)行生物力學(xué)建模，采用改進(jìn)卷積操作，進(jìn)行智能識(shí)別分析，結(jié)合圖卷積網(wǎng)絡(luò)輸出全局運(yùn)動(dòng)狀態(tài)表示；預(yù)警模塊，用于根據(jù)全局運(yùn)動(dòng)狀態(tài)表示，劃分風(fēng)險(xiǎn)等級(jí)，實(shí)時(shí)預(yù)測(cè)損傷風(fēng)險(xiǎn)，提供預(yù)警信號(hào)。

43、第三方面，本發(fā)明提供了一種計(jì)算機(jī)裝置，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，其中：所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)上述的肩袖損傷智能識(shí)別方法的任一步驟。

44、第四方面，本發(fā)明提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其中：所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述的肩袖損傷智能識(shí)別方法的任一步驟。

45、本發(fā)明有益效果為：本發(fā)明通過(guò)建立多維度傳感器數(shù)據(jù)與風(fēng)險(xiǎn)等級(jí)的關(guān)聯(lián)機(jī)制，能夠?qū)崿F(xiàn)對(duì)肩關(guān)節(jié)運(yùn)動(dòng)風(fēng)險(xiǎn)的實(shí)時(shí)、精準(zhǔn)評(píng)估。不僅可以及時(shí)發(fā)現(xiàn)潛在的損傷風(fēng)險(xiǎn)，還能根據(jù)用戶的實(shí)際情況動(dòng)態(tài)調(diào)整預(yù)警閾值。能夠不斷提升預(yù)警的準(zhǔn)確性和個(gè)性化程度。顯著提高了肩關(guān)節(jié)損傷預(yù)防的效果，為用戶提供了更為精準(zhǔn)和個(gè)性化的保護(hù)方案，有效降低了運(yùn)動(dòng)損傷風(fēng)險(xiǎn)。