【技术实现步骤摘要】
【国外来华专利技术】用于机器学习以从图像分析肌肉骨骼康复的方法和设备
[0001]相关申请
[0002]本申请涉及2020年9月11日提交的题为“从单目图像重建身体姿势以进行风险缓解的工效学评估的无标志物系统和方法(Marker
‑
Less System and Method to Reconstruct Body
‑
Posture from Monocular Images to Perform Ergonomic Assessment for Risk Mitigation)”的专利申请第63/077,335号和2021年6月4日提交的题为“使用非侵入性数据采集进行肌肉骨骼康复的系统和方法(System and Method to Access Musculo
‑
Skeletal Rehabilitation Using Non
‑
intrusive Data Gathering)”的专利申请第63/202,298号。出于所有目的,上述申请的公开内容通过引用并入本文。
[0003]本公开涉及人工智能和/或机器学习领域,尤其涉及用于基于从摄像头收集的图像和/或视频来分析肌肉骨骼康复的机器学习方法和设备。
技术介绍
[0004]肌肉骨骼病影响着美国二分之一的成年人,估计涉及1.266亿美国人,其年度治疗费用为2130亿美元。最普遍的肌肉骨骼病状是关节炎,每年影响超过5000万美国人,其中一半是65岁以上的成年人。预计到2030年,关节炎的流行将影响2 ...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种方法,其包括:接收(1)至少一个对象的多个图像和(2)所述至少一个对象的至少一个总质量值,执行第一机器学习模型,以从所述多个图像标识所述至少一个对象的多个关节;执行第二机器学习模型,以基于所述多个关节和所述多个图像来确定所述至少一个对象的多个肢;基于所述多个关节和所述多个肢来生成骨骼的多个三维(3D)表示;基于所述至少一个对象的所述至少一个总质量值和所述骨骼的所述3D表示来确定来自所述多个肢的每个肢的质量值和扭矩惯性值;对所述骨骼的所述多个3D表示进行数值微分,以产生来自所述多个肢的每个肢的线性加速度值和角加速度值;基于所述质量值和所述线性加速度值或所述扭矩惯性和所述角加速度值中的至少一者来确定来自所述多个肢的每个肢的扭矩值,以生成多个扭矩值;以及基于来自所述多个扭矩值的至少一个扭矩值高于预定阈值来生成风险评估报告。2.根据权利要求1所述的方法,其进一步包括:在执行所述第一机器学习模型之前,执行第三机器学习模型,以基于所述多个图像来生成围绕所述至少一个对象的多个边界框,所述多个图像按时间序列排序;将多个跟踪器放置在所述多个图像中的所述时间序列的第一图像的边界框中,所述第一图像在时间上早于来自所述多个图像的每个其余图像;以及执行卡尔曼滤波器来跟踪所述多个跟踪器,以跨所述多个图像标识所述至少一个对象。3.根据权利要求1所述的方法,其进一步包括:执行匈牙利最大匹配算法,以确定来自所述多个图像的每个图像处的所述多个关节之间的多个关系;对于来自所述多个图像的每个图像,基于所述多个关节和所述多个关系来产生所述至少一个对象的至少一个骨骼;以及执行所述第二机器学习模型,以生成所述骨骼的所述多个3D表示。4.根据权利要求1所述的方法,其进一步包括:将至少一个滤波器应用于所述骨骼的所述多个3D表示,以至少一个姿态,所述至少一个滤波器是基于用于记录所述多个图像的帧率来确定的;以及基于所述至少一个姿态对所述骨骼的所述多个3D表示进行去噪,以产生所述骨骼的多个细化3D表示。5.根据权利要求4所述的方法,其中所述至少一个滤波器包含巴特沃斯滤波器、最终中值滤波器或萨戈尔滤波器中的至少一种。6.根据权利要求1所述的方法,其中所述多个图像由具有焦点的摄像头记录,所述方法进一步包括:在执行所述第二机器学习模型之后,执行第三机器学习模型,以基于所述多个图像来生成所述至少一个对象相对于所述焦点的至少一个距离;基于所述至少一个距离和所述骨骼的所述多个3D表示来生成所述至少一个姿态;以及基于所述至少一个姿态对所述骨骼的所述多个3D表示进行去噪,以产生所述骨骼的多
个细化3D表示。7.根据权利要求6所述的方法,其中所述第三机器学习模型是自动编码器神经网络模型。8.根据权利要求A1所述的方法,其中所述骨骼的所述3D表示是所述骨骼的第一多个3D表示,来自所述骨骼的所述第一多个3D表示的每个骨骼3D表示是笛卡尔坐标矩阵,所述方法进一步包括:使用至少一个欧几里德矩阵变换所述骨骼的所述第一多个3D表示,以产生所述骨骼的第二多个3D表示,来自所述骨骼的所述第二多个3D表示的每个3D表示是欧拉角表示;以及对所述骨骼的所述第二多个3D表示进行数值微分,以产生关节运动速度值的多个时间序列。9.根据权利要求8所述的方法,其进一步包括:基于所述骨骼的所述第一多个3D表示中的所述多个关节来确定多个关节角度;以及基于关节运动速度值的所述多个时间序列和所述多个关节角度来确定多个最大扭矩值。10.根据权利要求9所述的方法,其进一步包括:基于关节运动速度值的所述多个时间序列来确定所述多个关节的多个活动的多个持续时间;以及基于所述多个最大扭矩值和所述多个活动的所述多个持续时间来确定来自所述多个关节的每个关节的多个总极限值。11.根据权利要求1所述的方法,其中所述至少一个对象没有佩戴任何运动传感器。12.根据权利要求1所述的方法,其进一步包括:基于所述骨骼的所述多个3D表示来为来自所述至少一个对象的所述多个肢的每个肢从多个质心位置确定质心位置。13.根据权利要求1所述的方法,其进一步包括:基于重量值、扭矩臂值、所述质量值、所述线性加速度值、所述扭矩惯性和所述角加速度值来确定来自所述多个肢的每个肢的所述扭矩值。14.一种非暂时性处理器可读介质,其存储表示待由处理器执行的指令的代码,所述代码包括使所述处理器进行以下操作的代码:执行第一机器学习模型,以针对来自进行多个活动的至少一个对象的多个图像的每个图像标识所述至少一个对象的多个关节;执行第二机器学习模型,以确定所述至少一个对...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。