[發明專利]基于阻抗譜信號的智能骨骼及關節信息處理系統及方法

有效

• 申請號: 201910955112.5
• 申請日: 2019-10-09
• 公開（公告）號: CN110755073B
• 公開（公告）日: 2020-11-17
• 發明（設計）人: 陸晨;石富坤;熊紫蘭
• 申請（專利權）人: 華中科技大學
• 主分類號: A61B5/053
• 分類號: A61B5/053
• 代理公司: 北京金智普華知識產權代理有限公司 11401
• 代理人: 楊采良

1.一種基于阻抗譜信號的智能骨骼及關節信息處理方法，其特征在于，所述基于阻抗譜信號的智能骨骼及關節信息處理方法包括以下步驟：

步驟一，收集骨骼及關節不同部位的歷史阻抗譜數據；

步驟二，對歷史阻抗譜數據進行標準化處理，并將標準化后的歷史阻抗譜數據隨機劃分成不同的數據集；

步驟三，構建Softmax分類模型、K-Nearest Neighbor分類模型、隨機森林分類模型，將獲得的標準化歷史阻抗譜數據分別輸入到各分類模型中進行訓練，并根據訓練結果，構建最優組合分類模型；

步驟四，收集骨骼及關節不同部位的實時阻抗譜數據；

步驟五，對實時阻抗譜數據進行標準化處理；

步驟六，將獲得的標準化實時阻抗譜數據輸入到最優組合分類模型中進行識別，得到最終識別結果；

所述步驟一具體包括以下步驟：

步驟1-1：收集骨骼及關節不同部位的歷史阻抗譜數據；

步驟1-2：對收集的歷史阻抗譜數據進行預處理，包括異常數據去除和缺失數據處理；

步驟1-3：對預處理后的歷史阻抗譜數據進行特征提取，包括電壓、電流、電阻、電容、時延信號、電導率、介電常數、弛豫時間分布和FFT時域譜特征；

所述步驟二具體包括以下步驟：

步驟2-1：計算歷史阻抗譜數據的平均值和方差，并做標準化處理；

步驟2-2：將步驟2-1中獲得的標準化歷史阻抗譜數據隨機分成60%的訓練集、20%的驗證集和20%的測試集；

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中獲得的訓練集數據輸入Softmax分類模型中進行訓練；

步驟3-2：建立K-Nearest Neighbor分類模型，將步驟2-2中獲得的訓練集數據輸入K-Nearest Neighbor分類模型中進行訓練；K-Nearest Neighbor分類模型通過計算待分類樣品與訓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個訓練集樣例，統計獲得的K個訓練集樣例中對應各類別的樣例個數，哪個類別的訓練樣例個數最多，則將待分類樣品劃分為該類別；

步驟3-3：建立隨機森林分類模型，將步驟2-2中獲得的訓練集數據輸入隨機森林分類模型中進行訓練；隨機森林分類模型通過將多個決策樹分類模型進行隨機組合，并將各決策樹的分類結果進行投票，最終獲得待分類樣品的類別；

步驟3-4：將步驟2-2中獲得的驗證集數據分別輸入到步驟3-1、步驟3-2和步驟3-3中構建的Softmax分類模型、K-Nearest Neighbor分類模型、隨機森林分類模型中進行識別，同時綜合評估各分類模型的性能；

步驟3-5：評估各分類模型性能的指標包括精度、準確率、召回率和F1值，以實現對分類模型性能的綜合評估；

步驟3-6：根據步驟3-4中獲得的Softmax分類模型、K-Nearest Neighbor分類模型、隨機森林分類模型的綜合評估結果，對各模型的分類量化概率結果分別設置權重系數，權重系數之和為1，并將各分類模型輸出的分類量化概率結果進行加權平均，將輸出概率最高的分類結果作為系統的最終識別結果，以此獲得組合分類模型；

步驟3-7：將步驟2-2中獲得的測試集數據輸入到根據步驟3-6獲得的組合分類模型進行識別，同時評估組合分類模型的識別性能；

步驟3-8：根據步驟3-7獲得的組合分類模型的識別性能，重復步驟3-1至步驟3-8，進一步優化各分類模型的參數和權重系數，直至獲得識別性能最優的組合分類模型。

2.如權利要求1所述的基于阻抗譜信號的智能骨骼及關節信息處理方法，其特征在于，所述步驟四具體包括以下步驟：

步驟4-1：收集骨骼及關節不同部位的實時阻抗譜數據；

步驟4-2：對收集的實時阻抗譜數據進行數據預處理，包括異常數據去除和缺失數據處理；

步驟4-3：對預處理后的實時阻抗譜數據進行特征提取，包括電壓、電流、電阻、電容、時延信號、電導率、介電常數、弛豫時間分布和FFT時域譜特征。