CN119446542A 用于骨科护理的智能分析系统及方法 （吉林大学）

号本发明公开了用于骨科护理的智能分析系行实时监测和预警，同时基于康复进度评估指2采集医学影像数据并进行预处理，结合患者日常运动状态数据基于所述数字化特征模型，通过正交投影矩阵分析关节受力，并根据评估指标体系，构建多级风险预警对异常状况进行实时监测包括X光影像数据I、CT影像数据和核磁所述CT影像数据I.用于获取骨骼的断层特征；所述核磁共振影像数据In用于获取骨骼周围软组织特征；将三种影像数据输入到预设的医学图像处理模型中用于图像增强和所述图像预处理是对输入的医学影像数据进行归一化处理，根据归一;;为增强后的特征图；;3i层特征金字塔特征，c,为对应的骨干网络特征，coma表示1x1卷积操;其中K,V分别表示通过线性变换得到的Query、key、value矩阵，月为输入特通过反卷积网络将融合特征还原至原始图像分辨率，并采用残差连接保留细节信息，;;处理模型对影像数据进行小波变换增强和Canny边缘检测，其中小波变换能够在不同尺度;其中，WT(a,b)表示小波变换系数，a为尺度参数；b为平移参数；y()为小波基函数；将包含三轴加速度传感器、三轴陀螺仪和角度传感器的穿戴式传速度数据a(t)和步态特征数据g(t)；对获取的运动数据进行标准化处理和Kalman滤波，标准化处理采用Z_score方法消除;;4将骨骼轮廓特征数据输入到预设的深度卷积神经网络中进行特征提取，网络包含5;网络用对运动状态特征进行时序建模，最终网络将时序运动特征处理为运动特征向量;;;;;i层组织的应变值，为第i层组织的弹性模量，R为2m维组织应所述组织应力耦合程度用于评估不同组织层间的相互作用，则进行5;;i层与第j层间的应力耦合系数；o,和o,分别为相邻层的应力值，表示;;为第i层与第i+1层之间的关联系数，Cs为第i层耦合临界参;;t时刻相对于前一时刻的状态改善量，s,为第t时刻的损失值，sa为第t-1;;6;;;;;和r为平衡系数；;设定健康评估指标的阈值，包括健康评估的第一级阈值sa和健康评估的第二级阈值若第一级阈值san≤健康评估指标S≤第二级阈值sn，且，e为预设容差值，则按照优化参数0"调整训练强度至中等水平，基于耦合特征向量优化训练动作角7若康复进度风险度y;>康复进度风险度的阈值，且健康状态风险度＜健9.用于骨科护理的智能分析系统，基于权利要求1~8任一所述的用于骨科护理的智能8所述CT影像数据I.用于获取骨骼的断层特征；所述核磁共振影像数据In用于获取骨骼周围软组织特征；将三种影像数据输入到预设的医学图像处理模型中用于图像增强和9图像处理模型通过构建三分支并行处理的医学图像增强网络，第一分支处理X光影像数据数据采用自适应直方图均衡化方法提升图像对比度，其中对比度限制参数进行动态调;;W2为全连接层权重，dvgpool为全局平均池化，H为注意力权重图，c()表示sigmoid激活;积操作，Ups(B)表示对上一层特征图进行上采样，M,为最终输出的多尺度特征，comss;K;;医学图像处理模型对影像数据进行小波变换增强和Canny边缘检测，其中小波变换能够在;动加速度数据a(t)和步态特征数据g(t)；对获取的运动数据进行标准化处理和Kalman滤波，标准化处理采用Z_score方法;;其中，x(k)为k时刻的系统状态向量，x(k-1)为k-1时刻的系统状态向量；为状;项；ReLU为修正线性单元激活函数，用于引入非线性特性；通过多层卷积运算和池化操将骨骼形态特征向量和所述运动特征向量通过注意力机制进行自适应融;受力特征的计算是通过正交投影矩阵将所述特征向量映射到关节受力空间，计算公式;;;其中，o,为第i层组织的应力值，为第i层组织的应力传递系数，A;;i层与第j层间的应力耦合系数；o,和o,分别为相邻层的应力值，;;i层应变临界参考值，ciurn为第i层与第i+1层之间的关联系数，Cs;;t时刻相对于前一时刻的状态改善量，s,为第t时刻的损失值，Su为;其中，sia和Ba分别为第i级健康状态和康复进度预警阈值，iE;;;;其中，J()表示优化的目标函数，o为康复参数向量，o"为优化后的康复参数，和r为平衡系数；;评估指标的阈值，包括健康评估的第一级阈值san和健康评估的第二级阈值sn，并设定预基于康复进度风险度设定康复进度风险度的阈值为Ba，设定健康状态风险度警态风险度警戒阈值，则依据应力应变向量制定递进式训练方案，通过耦合特立包含静态形态特征和动态运动特征的数字化特征[0021]采集患者的X光影像数据I、CT影像数据和核磁共振影像数据I主要用于获取骨骼的二维投影特征，CT影像数据;;W2为全连接层权重，dvgpool为全局平均池化，H为注意力权重图，c()表示sigmoid激活;积操作，Ups(B)表示对上一层特征图进行上采样，M,为最终输出的多尺度特征，comss;eKAtt为X光分支的注意力输出，Atty为CT分支的注意力输出，At为核磁共振分支的注意力;;[0028]通过医学图像处理模型对影像数据进行小波变换增强和Canny边缘检测，其中小;参数，用于控制小波的平移；y()为小波基函数，选用Daubechies小波；f(t)为输入图像信运动加速度数据a(t)和步态特征数据g(t)，采样频率设置为100Hz以保证数据的时间分辨[0030]对获取的运动数据进行标准化处理和Kalman滤波，标准化处理采用Z_score方法;;项；ReLU为修正线性单元激活函数，用于引入非线性特性；通过多层卷积运算和池化操入门和输出门o,)来控制信息流。[0032]将骨骼形态特征向量和所述运动特征向量通过注意力机制进行自适应融;;;;;;;[0040]耦合系数通过应力的点积归一化计算，反映相邻组织层;;i层应变临界参考值，为第i层与第i+1层;;t时刻相对于前一时刻的状态改善量，s,为第t时刻的损失值，Su为;i级健康状态和康复进度预警阈值，i表示风险等级(i=1,;;;;其中，J()表示优化的目标函数，o为康复参数向量，o"为优化后的康复参数，和r为平衡系数。;[0050]基于健康评估指标和康复进度指标，自适应的生成个性设定健康评估指标的阈值，包括健康评估的第一级阈值san和健康评估的第二级基于康复进度风险度设定康复进度风险度的阈值为Ba，设定健康状态风险度警若第一级阈值san≤健康评估指标S≤第二级阈值sn，且，e为预设态风险度警戒阈值，则依据应力应变向量制定递进式训练方案，通过耦合特[0053]本实施例还提供一种计算机设备，适用于用于骨科护理[