申请/专利权人：郑州大学;河南省科技创新促进中心

申请日：2024-01-15

公开（公告）日：2024-04-16

公开（公告）号：CN117883074A

主分类号：A61B5/11

分类号：A61B5/11;A61B5/00;G06V20/40;G06V10/774;G06V10/82

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.03#实质审查的生效;2024.04.16#公开

摘要：本发明公开了一种基于人体姿态视频的帕金森病步态量化分析方法，包括如下步骤：A：构建人体姿态数据集；B：构建HRNet深度神经网络模型；C：利用训练后的HRNet深度神经网络模型获得人体姿态视频中PD患者的人体17个关键点组成的关键点序列；D：对步骤C中得到的17个人体关键点序列进行运动特征信号提取；E：获得表征人体姿态视频中PD患者的周期性动作变化的波峰序列和波谷序列；F：对六种步态运动特征参数进行量化；G：基于六种步态运动特征参数，使用训练好的分类器按照MDS‑UPDRS进行评分。本发明能够以人体姿态视频片段为载体，实现灵活、可解释的步态量化，以辅助帕金森疾病的早期检测、常规监测和治疗评估。

主权项：1.一种基于人体姿态视频的帕金森病步态量化分析方法，其特征在于：依次包括以下步骤：A：构建用于PD临床视频人体姿态估计的人体姿态数据集；B：构建HRNet深度神经网络模型，HRNet深度神经网络模型包含多分辨率输入模块、多分辨率特征提取模块、多分辨率特征融合模块、特征金字塔模块和关键点预测模块；多分辨率输入模块，用于将输入的原始图像转化为不同分辨率的输入图像；多分辨率特征提取模块，用于对不同分辨率的输入图像，在不同分辨率上进行特征提取；多分辨率特征融合模块，用于对多分辨率特征提取模块提取到的不同分辨率的特征进行融合，得到融合后的特征图；特征金字塔模块，用于通过不同大小的卷积核，对所得到的融合后的特征图进行卷积操作，并形成由不同尺度的特征图堆叠而成的特征金字塔；关键点预测模块，用于根据特征金字塔中不同尺度的特征图，通过输出关键点热图进行关键点预测；C：利用步骤A中构建的人体姿态数据集中的训练集，对步骤B中的HRNet深度神经网络模型进行训练，并通过训练后的HRNet深度神经网络模型对待检测人体姿态视频进行分析，获得人体姿态视频中PD患者的人体17个关键点组成的关键点序列；D：对步骤C中得到的17个人体关键点序列进行运动特征信号提取，得到对应的七种运动特征信号；七种运动特征信号包括腿比差异、身体的垂直角度、踝关节的水平角度、手腕的水平角度、脚踝之间的水平距离、左踝关节速度和右踝关节速度；E：对步骤D中得到的腿比差异、身体的垂直角度和踝关节的水平角度三种运动特征信号分别进行Savitzky-Golay平滑滤波和AMPD峰值检测处理，获得表征人体姿态视频中PD患者的周期性动作变化的波峰序列和波谷序列；F：基于步骤E中得到的波峰序列和波谷序列，对六种步态运动特征参数进行量化，六种步态运动特征参数分别为步频、手臂摆动速度、手臂摆动峰值、姿势控制、行走粗糙度最小值和行走粗糙度最大值；其中，步频指单位时间内行走的步数；手臂摆动速度指单位时间内手臂摆动的速度；手臂摆动峰值指单位时间内手臂摆动峰值处的中值幅度；姿势控制指患者步幅宽度的可变性；行走粗糙度最小值指设定时间内患者行走的粗糙程度的最小值；行走粗糙度最大值指设定时间内患者行走的粗糙程度的最大值；G：基于步骤F的得到的六种步态运动特征参数，使用训练好的分类器按照MDS-UPDRS进行评分。

全文数据：

权利要求：

百度查询： 郑州大学;河南省科技创新促进中心 一种基于人体姿态视频的帕金森病步态量化分析方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD