【技术实现步骤摘要】
本专利技术涉及骨折术后负重康复，具体是一种基于多模态数据融合的骨折术后负重康复方案规划方法。
技术介绍
1、基于多模态数据融合的骨折术后负重康复方案规划是一种综合利用多种数据源和融合多个信息来源的方法，以提供更准确、个性化的康复训练方案。在传统的骨折术后康复中，通常仅依靠医案和病历数据来制定康复方案。
2、经检索，中国专利申请号202310659102.3的专利，公开了一种用于患者康复方案生成的方法、系统及设备，通过获取患者数据包括患者的个人数据、病历数据、伤病评估数据和训练数据；对所述患者数据进行处理，得到多模态特征数据，将多模态特征数据输入基于mmgt神经网络训练得到的康复方案生成模型，获得患者的康复方案，通过该方法，可根据患者康复过程中的数据自动获得患者的康复方案，并可实现根据患者康复进度自动调整患者的康复方案，避免人为因素影响，可提升患者康复方案生成的效率和准确性。
3、但是上述装置在使用时还存在问题，该方法是基于大模型预训练方法，需要大量的临床数据，小样本数据预测效果差。
4、经检索，中国专利申请号202310540621.8的专利，公开了一种基于用户特征的脊柱康复方案筛选方法及系统，涉及数据处理
，方法包括：采集多项特征信息，获得用户特征信息集合，对多个测试指标进行测试，获得肌力强度数据集合，将用户特征信息集合输入脊柱康复方案数据库获得多个初选脊柱康复方案，分析多个训练指标获得多个重要性参数，将肌力强度数据集合和多个初选脊柱康复方案分别输入训练效果分析模型，获得多个训练分值集
5、但是上述装置在使用时还存在问题，该方法仅有分类，不能预测个性化康复方案。
6、经检索，中国专利申请号202211236839.6的专利，公开了一种利用多源信息和案例推理的下肢康复方案设计方法和装置，采集待康复患者的多源数据，基于多源数据生成目标特征属性向量和属性权重向量，多源数据包括肢体运动信息、与康复机器人的接触力和患者运动过程中的生物电信息；基于目标特征属性向量和属性权重向量，确定康复患者案例库中与待康复患者相匹配的目标案例，康复患者案例库中包括多个康复患者的特征属性向量和康复方案属性向量；基于匹配康复患者的特征属性向量、待康复患者的目标特征属性向量和属性权重向量对匹配康复患者的康复方案属性向量进行修正，得到待康复患者的目标康复方案，达到了减轻医生工作强度的目的，且康复处方的适配度更高。
7、但是上述装置在使用时还存在问题，该方法属于相似度匹配方法，分类效果较好，但是预测差。
8、为此，提供一种基于多模态数据融合的骨折术后负重康复方案规划方法，解决上述问题。
技术实现思路
1、有鉴于此，本专利技术实施例希望提供一种基于多模态数据融合的骨折术后负重康复方案规划方法，以解决或缓解现有技术中存在的技术问题，为上述技术问题至少提供一种有益的选择。
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种基于多模态数据融合的骨折术后负重康复方案规划方法，该方法包括以下步骤：
4、s1、医案或病历数据预处理。从医案中整理100个保守型康复训练方案(c1)样本，100个激进型康复训练方案(c2)样本；
5、从200个病历数据提取出三类模态数据，所述三类模态数据包括体征数据、医疗数据和传感器数据；
6、所述体征数据包括身高(x1)、体重(x2)、年龄(x3)、性别(x4)；
7、所述医疗数据包括疾病类型(x5)、手术名称(x6)、x光片(x7)等；
8、所述传感器数据包括智能康复鞋采集的负重训练数据(x8)、负重评估数据(x9)；
9、s2、采用lagrange乘子法，构建svm超平面，把病历分出c1和c2；
10、s3、运用svm方法，把预测样本x0(x1，…，x9)代入超平面，计算y0；若y0≥1，则预测样本属于保守型康复训练方案(c1)；若y0≤-1，则预测样本属于激进型康复训练方案(c2)；
11、s4、在确定的康复训练方案曲线样本内，运用knn算法，预测个性化负重康复训练值；
12、s5、计算预测样本与样本集的距离di；
13、s6、找出k个最小的距离，本专利k＝10；
14、s7、计算k个样本的负重平均值a0，即预测样本的负重值。
15、作为本专利技术进一步的方案：s3中所述运用svm方法，具体如下：
16、对于给定的训练数据集d，d＝{(x1，y1)，…，(xn，yn)}；xi＝(x1，…，x9)；yi＝{c1，c2}，i＝1，2，…，n；
17、支持向量机在训练数据特征空间划分如下超平面，即wtxi+b＝0，其中w为超平面的法向量；b为位移项；
18、若超平面能够对训练数据集正确分类，即yi(wtxi+b)≥1；
19、当训练数据使上式等号成立时，它们被称为支持向量。
20、作为本专利技术再进一步的方案：s3中所述运用knn算法，具体如下：
21、对于给定样本xi(x1，…，x9)；预测样本x0(x1，…，x9)与已知样本的欧式距离
22、按照从小到大的顺序排序，得出d1,d2,d3,d4,d5…dk,k是根据交叉验证得出；前k个最小距离d对应的负重为a1,a2,a3,a4,a5，…，ak，由此得到预测样本负重值
23、本专利技术实施例由于采用以上技术方案，其具有以下至少一种优点：
24、一、相比大规模预训练模型，本专利在小样本训练数据情况下，也能获得较好的负重康复方案效果。
25、二、相比传统的专家系统或相似度匹配方法，本专利技术不仅具有专家系统的方案分类功能，还能预测个性化负重康复方案。
26、三、多模态数据融合：该方法通过整合多种类型的数据，包括体征数据、医疗数据和传感器数据，实现了对骨折术后康复方案的全面评估，不仅考虑了患者的基本信息，如身高、体重、年龄、性别等，还包括了疾病类型、手术名称、x光片等医疗数据，以及智能康复鞋采集的负重训练数据和负重评估数据等传感器数据，通过综合分析这些多模态数据，可以更准确地制定个性化的康复方案。
27、四、svm和knn算法的应用：该方法采用了支持向量机(svm)和最近邻算法(knn)进行数据分类和预测，使用lagrange乘子法构建svm超平面，可以将病历数据分为保守型和激进型康复训练方案，而通过knn算法，可以在确定的康复训练方案样本内预测个性化的负重康复训练值，这些机器学习算法的应用，提高了康复方案规划的准确性和效率。
28、本方案通过融合患者的多模态数据，包括患者体本文档来自技高网...
【技术保护点】
1.一种基于多模态数据融合的骨折术后负重康复方案规划方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的一种基于多模态数据融合的骨折术后负重康复方案规划方法，其特征在于，S3中所述运用SVM方法，具体如下：
3.根据权利要求2所述的一种基于多模态数据融合的骨折术后负重康复方案规划方法，其特征在于，S3中所述运用KNN算法，具体如下：
【技术特征摘要】
1.一种基于多模态数据融合的骨折术后负重康复方案规划方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的一种基于多模态数据融合的骨折术后负重康复方案规划方法，其特...
【专利技术属性】
技术研发人员：陆耀刚，徐兆红，严上钦，
申请(专利权)人：上海泉涟维康智能科技有限公司，
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。