[發(fā)明專利]基于阻抗譜信號(hào)的智能骨骼及關(guān)節(jié)信息處理系統(tǒng)及方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910955112.5
• 申請(qǐng)日: 2019-10-09
• 公開（公告）號(hào): CN110755073B
• 公開（公告）日: 2020-11-17
• 發(fā)明（設(shè)計(jì)）人: 陸晨;石富坤;熊紫蘭
• 申請(qǐng)（專利權(quán)）人: 華中科技大學(xué)
• 主分類號(hào): A61B5/053
• 分類號(hào): A61B5/053
• 代理公司: 北京金智普華知識(shí)產(chǎn)權(quán)代理有限公司 11401
• 代理人: 楊采良

1.一種基于阻抗譜信號(hào)的智能骨骼及關(guān)節(jié)信息處理方法，其特征在于，所述基于阻抗譜信號(hào)的智能骨骼及關(guān)節(jié)信息處理方法包括以下步驟：

步驟一，收集骨骼及關(guān)節(jié)不同部位的歷史阻抗譜數(shù)據(jù)；

步驟二，對(duì)歷史阻抗譜數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，并將標(biāo)準(zhǔn)化后的歷史阻抗譜數(shù)據(jù)隨機(jī)劃分成不同的數(shù)據(jù)集；

步驟三，構(gòu)建Softmax分類模型、K-Nearest Neighbor分類模型、隨機(jī)森林分類模型，將獲得的標(biāo)準(zhǔn)化歷史阻抗譜數(shù)據(jù)分別輸入到各分類模型中進(jìn)行訓(xùn)練，并根據(jù)訓(xùn)練結(jié)果，構(gòu)建最優(yōu)組合分類模型；

步驟四，收集骨骼及關(guān)節(jié)不同部位的實(shí)時(shí)阻抗譜數(shù)據(jù)；

步驟五，對(duì)實(shí)時(shí)阻抗譜數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理；

步驟六，將獲得的標(biāo)準(zhǔn)化實(shí)時(shí)阻抗譜數(shù)據(jù)輸入到最優(yōu)組合分類模型中進(jìn)行識(shí)別，得到最終識(shí)別結(jié)果；

所述步驟一具體包括以下步驟：

步驟1-1：收集骨骼及關(guān)節(jié)不同部位的歷史阻抗譜數(shù)據(jù)；

步驟1-2：對(duì)收集的歷史阻抗譜數(shù)據(jù)進(jìn)行預(yù)處理，包括異常數(shù)據(jù)去除和缺失數(shù)據(jù)處理；

步驟1-3：對(duì)預(yù)處理后的歷史阻抗譜數(shù)據(jù)進(jìn)行特征提取，包括電壓、電流、電阻、電容、時(shí)延信號(hào)、電導(dǎo)率、介電常數(shù)、弛豫時(shí)間分布和FFT時(shí)域譜特征；

所述步驟二具體包括以下步驟：

步驟2-1：計(jì)算歷史阻抗譜數(shù)據(jù)的平均值和方差，并做標(biāo)準(zhǔn)化處理；

步驟2-2：將步驟2-1中獲得的標(biāo)準(zhǔn)化歷史阻抗譜數(shù)據(jù)隨機(jī)分成60%的訓(xùn)練集、20%的驗(yàn)證集和20%的測(cè)試集；

所述步驟三具體包括以下步驟：

步驟3-1：建立Softmax分類模型，將步驟2-2中獲得的訓(xùn)練集數(shù)據(jù)輸入Softmax分類模型中進(jìn)行訓(xùn)練；

步驟3-2：建立K-Nearest Neighbor分類模型，將步驟2-2中獲得的訓(xùn)練集數(shù)據(jù)輸入K-Nearest Neighbor分類模型中進(jìn)行訓(xùn)練；K-Nearest Neighbor分類模型通過計(jì)算待分類樣品與訓(xùn)練集中所有樣品之間的距離，篩選出與待分類樣品距離最近的K個(gè)訓(xùn)練集樣例，統(tǒng)計(jì)獲得的K個(gè)訓(xùn)練集樣例中對(duì)應(yīng)各類別的樣例個(gè)數(shù)，哪個(gè)類別的訓(xùn)練樣例個(gè)數(shù)最多，則將待分類樣品劃分為該類別；

步驟3-3：建立隨機(jī)森林分類模型，將步驟2-2中獲得的訓(xùn)練集數(shù)據(jù)輸入隨機(jī)森林分類模型中進(jìn)行訓(xùn)練；隨機(jī)森林分類模型通過將多個(gè)決策樹分類模型進(jìn)行隨機(jī)組合，并將各決策樹的分類結(jié)果進(jìn)行投票，最終獲得待分類樣品的類別；

步驟3-4：將步驟2-2中獲得的驗(yàn)證集數(shù)據(jù)分別輸入到步驟3-1、步驟3-2和步驟3-3中構(gòu)建的Softmax分類模型、K-Nearest Neighbor分類模型、隨機(jī)森林分類模型中進(jìn)行識(shí)別，同時(shí)綜合評(píng)估各分類模型的性能；

步驟3-5：評(píng)估各分類模型性能的指標(biāo)包括精度、準(zhǔn)確率、召回率和F1值，以實(shí)現(xiàn)對(duì)分類模型性能的綜合評(píng)估；

步驟3-6：根據(jù)步驟3-4中獲得的Softmax分類模型、K-Nearest Neighbor分類模型、隨機(jī)森林分類模型的綜合評(píng)估結(jié)果，對(duì)各模型的分類量化概率結(jié)果分別設(shè)置權(quán)重系數(shù)，權(quán)重系數(shù)之和為1，并將各分類模型輸出的分類量化概率結(jié)果進(jìn)行加權(quán)平均，將輸出概率最高的分類結(jié)果作為系統(tǒng)的最終識(shí)別結(jié)果，以此獲得組合分類模型；

步驟3-7：將步驟2-2中獲得的測(cè)試集數(shù)據(jù)輸入到根據(jù)步驟3-6獲得的組合分類模型進(jìn)行識(shí)別，同時(shí)評(píng)估組合分類模型的識(shí)別性能；

步驟3-8：根據(jù)步驟3-7獲得的組合分類模型的識(shí)別性能，重復(fù)步驟3-1至步驟3-8，進(jìn)一步優(yōu)化各分類模型的參數(shù)和權(quán)重系數(shù)，直至獲得識(shí)別性能最優(yōu)的組合分類模型。

2.如權(quán)利要求1所述的基于阻抗譜信號(hào)的智能骨骼及關(guān)節(jié)信息處理方法，其特征在于，所述步驟四具體包括以下步驟：

步驟4-1：收集骨骼及關(guān)節(jié)不同部位的實(shí)時(shí)阻抗譜數(shù)據(jù)；

步驟4-2：對(duì)收集的實(shí)時(shí)阻抗譜數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，包括異常數(shù)據(jù)去除和缺失數(shù)據(jù)處理；

步驟4-3：對(duì)預(yù)處理后的實(shí)時(shí)阻抗譜數(shù)據(jù)進(jìn)行特征提取，包括電壓、電流、電阻、電容、時(shí)延信號(hào)、電導(dǎo)率、介電常數(shù)、弛豫時(shí)間分布和FFT時(shí)域譜特征。