【技术实现步骤摘要】
术后弯腿训练监控系统及其方法
[0001]本申请涉及智能监控领域，且更为具体地，涉及一种术后弯腿训练监控系统及其方法。
技术介绍
[0002]功能锻炼是保证关节功能,恢复肌肉力量,加快康复进程的必要手段。对于术后弯腿锻炼的患者来说，适当的活动能够促进血液循环，减轻血栓形成的风险。但是，术后弯腿患者可能在行走时出现膝关节屈曲，导致步态异常，影响患者的术后康复。
[0003]因此，期望一种优化的术后弯腿训练监控系统，其能够对于患者的步态进行评估，及时发现异常情况，以便进行相应处理。
技术实现思路
[0004]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种术后弯腿训练监控系统及其方法。其首先从待监控对象的弯腿训练监控视频提取一个步态周期内的多个弯腿训练监控关键帧，接着，对所述多个弯腿训练监控关键帧进行处理以得到步态能量图，然后，将所述步态能量图分别通过卷积神经网络模型和ViT模型以得到第一尺度步态能量特征图和第二尺度步态能量特征图，接着，融合所述第一尺度步态能量特征图和所述第二尺度步态能量特征...
【技术保护点】
【技术特征摘要】
1.一种术后弯腿训练监控系统，其特征在于，包括：视频数据采集模块，用于获取待监控对象的弯腿训练监控视频；关键帧提取模块，用于从所述待监控对象的弯腿训练监控视频提取一个步态周期内的多个弯腿训练监控关键帧；步态能量图生成模块，用于对所述多个弯腿训练监控关键帧进行处理以得到步态能量图；第一尺度图像特征提取模块，用于将所述步态能量图通过作为特征提取器的卷积神经网络模型以得到第一尺度步态能量特征图；第二尺度图像特征提取模块，用于将所述步态能量图通过ViT模型以得到第二尺度步态能量特征图；多尺度图像特征关联模块，用于融合所述第一尺度步态能量特征图和所述第二尺度步态能量特征图以得到分类特征图；以及步态检测模块，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待监控对象的步态是否正常。2.根据权利要求1所述的术后弯腿训练监控系统，其特征在于，所述第一尺度图像特征提取模块，用于：所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到第一尺度卷积特征图；对所述第一尺度卷积特征图进行均值池化处理以得到第一尺度池化特征图；以及对所述第一尺度池化特征图进行非线性激活以得到第一尺度激活特征图；其中，所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述第一尺度步态能量特征图，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述步态能量图。3.根据权利要求2所述的术后弯腿训练监控系统，其特征在于，所述第二尺度图像特征提取模块，包括：图像分块单元，用于对所述步态能量图进行图像分块处理以得到图像块的序列；嵌入编码单元，用于使用所述ViT模型的嵌入层分别对所述图像块的序列中的各个图像块进行嵌入编码以得到图像块嵌入向量的序列；图像上下文语义关联单元，用于将所述图像块嵌入向量的序列输入所述ViT模型的转换器结构以得到图像块上下文语义特征向量的序列；以及维度重构单元，用于将所述图像块上下文语义特征向量的序列按照所述图像分块处理时对应的空间位置进行排列以得到所述第二尺度步态能量特征图。4.根据权利要求3所述的术后弯腿训练监控系统，其特征在于，所述嵌入编码单元，用于：将所述图像块的序列中的各个图像块中所有像素位置的像素值排列为一维向量；以及使用所述ViT模型的全连接层以如下全连接编码公式对所述一维向量进行全连接编码以提取出所述一维向量中各个位置的特征值的高维隐含特征，其中，所述全连接编码公式为：其中，X是所述一维向量，Y是输出向量，W是权重矩阵，B是偏置向量，表示矩阵乘。
5.根据权利要求4所述的术后弯腿训练监控系统，其特征在于，所述多尺度图像特征关联模块，用于：以如下优化公式对所述第一尺度步态能量特征图和所述第二尺度步态能量特征图进行基于尺度认知的高斯联合密度融合以得到所述分类特征图；其中，所述优化公式为：其中，所述优化公式为：f1∈F1and f2∈F2其中，F1表示所述第一尺度步态能量特征图，F2表示所述第二尺度步态能量特征图，f1是所述第一尺度步态能量特征图中各个位置的特征值，f2是所述第二尺度步态能量特征图中各个位置的特征值，μ和σ分别是...
【专利技术属性】
技术研发人员：彭亚文，柴伟，白杨，
申请(专利权)人：中国人民解放军总医院第一医学中心，
类型：发明
国别省市：
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。