一种运动阻碍型疾病诊断装置制造方法及图纸

本发明专利技术提供一种运动阻碍型疾病诊断装置，其包括数据采集模块，用于采集测试人的深度信息和足底压力信息；数据分析模块，用于对所述深度信息和足底压力信息进行步态分析，得到测试人的步态相关特征；神经网络模块，用于根据所述步态相关特征进行深度学习，在深度学习后对测试人的深度信息和足底压力信息进行卷积、分类处理，实现测试人的运动阻碍型疾病诊断。本实施例通过将步态相关特征输入神经网络模块中，通过深度学习后使得运动阻碍型疾病检测成为可行；本实施例由于所需要的设备简单，所以成本低且有较高的便携度，适合普及，并且采取深度学习的方式进行诊断，准确度更高。准确度更高。准确度更高。

【技术实现步骤摘要】
一种运动阻碍型疾病诊断装置


[0001]本专利技术涉及电子医疗领域，尤其涉及一种运动阻碍型疾病诊断装置。

技术介绍

[0002]很多疾病都会有运动机能受阻的临床表现，而这种临床表现通常发生在患者患病早期，也为治疗最佳时期，但是这种临床表现通常难以及时被发现。以帕金森病(Parkinson's disease)举例，帕金森病是一种多发于老年人的神经系统退行性疾病，由于选择性中脑黑质多巴胺神经元的进行性变性死亡，路易小体在参与神经元内形成，纹状体多巴胺因此含量降低，从而导致患者产生震颤，肌强直，运动迟缓等外在表现，同时可能伴有神经功能阻碍或精神阻碍。帕金森症晚期难以得到有效的治疗，而帕金森症早期症状多表现为一种灵活性降低的亚临床状态而难以被察觉。其他脑神经性疾病如脑卒中、多发性硬化、脑外伤也有对应特定的病态步态。而对于周围神经病变引起的疾病，周围神经损伤，也会由于其不同的损伤神经状况产生不同的步态。如臀大肌神经损伤的患者由于其臀大肌无力，呈现特有的鹅步步态，其水平前后方向的位移大于垂直面内的位移，其行走速度与稳定性将与健康人有所差异；而臀上神经损伤或是髋关节骨性关节炎由于其髋关节内旋或外旋受限，行走时呈现鸭步步态，又称
‘
trendelenburg
’
步态。
[0003]现有神经性疾病，如帕金森病，诊断手段主要通过检测血脑脊液特定化学物质(如多巴胺，羟吲哚乙酸等)含量；分子生物学检查(采取HPLC、HVA检测)；脑CT、MRI检查；放射性核素检测等方法进行诊断，其成本较高，检测时间较长，诊断工序较为繁琐。而骨骼肌肉引发的疾病诊断主要依靠医生的接触式体外测量或者借助X射线成像，总体对医生需求量大，设备成本较高。
[0004]因此，现有技术还有待于改进和发展。

技术实现思路

[0005]鉴于上述现有技术的不足，本专利技术的目的在于提供一种运动阻碍型疾病诊断装置，旨在解决现有运动阻碍型疾病诊断设备成本高，对医生的依赖程度较高，智能化程度较低的问题。
[0006]本专利技术为解决上述技术问题所采用的技术方案如下：
[0007]一种运动阻碍型疾病诊断装置，其中，包括：
[0008]数据采集模块，用于采集测试人的深度信息和足底压力信息；
[0009]数据分析模块，用于对所述深度信息和足底压力信息进行步态分析，得到测试人的步态相关特征；
[0010]神经网络模块，用于根据所述步态相关特征进行深度学习，在深度学习后对测试人的深度信息和足底压力信息进行卷积、分类处理，实现测试人的运动阻碍型疾病诊断。
[0011]所述的运动阻碍型疾病诊断装置，其中，所述数据采集模块包括：
[0012]深度传感相机，用于获取测试人在运动过程中的关节点空间信息；
[0013]足底压力传感器，用于获取测试人在运动过程中的足底压力分布信息；
[0014]显示屏，用于显示测试人在运动过程中的实时图像信息。
[0015]所述的运动阻碍型疾病诊断装置，其中，所述足底压力传感器为可穿戴式压力传感装置或道路型压力传感器。
[0016]所述的运动阻碍型疾病诊断装置，其中，所述关节点空间信息包括髋关节坐标信息、膝关节坐标信息、踝关节坐标信息、脊椎坐标信息。
[0017]所述的运动阻碍型疾病诊断装置，其中，所述数据分析模块包括：
[0018]人体检测单元，用于对测试人的深度信息进行ROI区域提取并删除两侧无关区域，再通过边缘梯度检测以及深度学习方法检测出测试人的人体轮廓；
[0019]特征提取单元，用于对人体轮廓内的深度信息以及足底压力信息进行乘加计算，获得人体轮廓内的步态相关特征。
[0020]所述的运动阻碍型疾病诊断装置，其中，所述特征提取单元包括：
[0021]腿长特征提取子单元，用于根据每一帧得到的髋关节坐标信息，膝关节坐标信息和踝关节坐标信息，由空间距离公式：计算得出每一帧髋关节到膝关节的距离，以及膝关节到踝关节的距离，将所述髋关节到膝关节的距离，以及膝关节到踝关节的距离进行求和，可得到腿长，其中，n表示空间坐标的维度，X，Y分别表示两个关节点，xi，yi分别表示两个关节点对应的第i个维度的坐标；
[0022]步幅特征提取子单元，用于取两足压力相等的帧作为前一步结束帧和后一步开始帧，通过计算两帧之间脊椎坐标信息的位移距离得到步幅；
[0023]步频特征提取子单元，用于取两足压力相等的帧作为前一步结束帧和后一步开始帧，得到每一步得到的帧数，通过帧数除帧率得到步频；
[0024]关节角度提取子单元，用于选择预定关节以及与其相邻的两个关节的坐标信息，计算出两两关节之间的距离，在这三个关节构成的空间三角形使用余弦定理公式：计算得出关节角度，其中，a、b、c分别表示三角形的三条边的长度，cosC表示以a与b为两条边的角的余弦值；
[0025]运动轨迹获取子单元，用于获取测试人的运动重心位置并记录测试人在行进过程中的移动曲线。
[0026]所述的运动阻碍型疾病诊断装置，其中，所述深度信息包括步态深度图像，所述足底压力信息包括足底压力力学分布的色彩图像，所述神经网络模块包括：
[0027]卷积层，用于对所述步态深度图像以及足底压力力学分布的色彩图像进行卷积处理，得到步态相关特征；
[0028]隐藏层，用于根据所述步态相关特征进行疾病分类，每类疾病包括一种或多种步态相关特征；
[0029]输出层，用于输出疾病分类结果。
[0030]所述的运动阻碍型疾病诊断装置，其中，所述神经网络模块为长短时间记忆网络。
[0031]有益效果：本专利技术提供了一种运动阻碍型疾病诊断装置，通过将步态相关特征输入神经网络模块中，通过深度学习后使得运动阻碍型疾病检测成为可行。本专利技术根据病态步态提取出特定的可以体现出这种步态与正常步态的区别的特征，并将这些特征输入算力足够的神经网络模块中，由于动态行进信息量大，配合深度学习，使得在早期诊断对运动产生障碍的疾病变得更加轻松，也可以减轻医生的负担。本专利技术由于所需要的设备简单，所以成本低且有较高的便携度，适合普及，并且采取深度学习的方式进行诊断，准确度更高。
附图说明
[0032]图1为本专利技术一种运动阻碍型疾病诊断装置较佳实施例的结构框图。
[0033]图2为关节点显示效果图。
[0034]图3为足底压力分布信息显示效果图。
具体实施方式
[0035]本专利技术提供一种运动阻碍型疾病诊断装置，为使本专利技术的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本专利技术进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
[0036]本
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本专利技术的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种运动阻碍型疾病诊断装置，其特征在于，包括：数据采集模块，用于采集测试人的深度信息和足底压力信息；数据分析模块，用于对所述深度信息和足底压力信息进行步态分析，得到测试人的步态相关特征；神经网络模块，用于根据所述步态相关特征进行深度学习，在深度学习后对测试人的深度信息和足底压力信息进行卷积、分类处理，实现测试人的运动阻碍型疾病诊断。2.根据权利要求1所述的运动阻碍型疾病诊断装置，其特征在于，所述数据采集模块包括：深度传感相机，用于获取测试人在运动过程中的关节点空间信息；足底压力传感器，用于获取测试人在运动过程中的足底压力分布信息；显示屏，用于显示测试人在运动过程中的实时图像信息。3.根据权利要求2所述的运动阻碍型疾病诊断装置，其特征在于，所述足底压力传感器为可穿戴式压力传感装置或道路型压力传感器。4.根据权利要求2所述的运动阻碍型疾病诊断装置，其特征在于，所述关节点空间信息包括髋关节坐标信息、膝关节坐标信息、踝关节坐标信息、脊椎坐标信息。5.根据权利要求1所述的运动阻碍型疾病诊断装置，其特征在于，所述数据分析模块包括：人体检测单元，用于对测试人的深度信息进行ROI区域提取并删除两侧无关区域，再通过边缘梯度检测以及深度学习方法检测出测试人的人体轮廓；特征提取单元，用于对人体轮廓内的深度信息以及足底压力信息进行乘加计算，获得人体轮廓内的步态相关特征。6.根据权利要求5所述的运动阻碍型疾病诊断装置，其特征在于，所述特征提取单元包括：腿长特征提取子单元，用于根据每一帧得到的髋关节坐标信息，膝关节坐标信息和踝关节...

【专利技术属性】
技术研发人员：安丰伟，刘展志，彭睿杰，
申请(专利权)人：南方科技大学，
类型：发明
国别省市：