用于机器学习以从图像分析肌肉骨骼康复的方法和设备

本公开涉及人工智能和/或机器学习领域，尤其涉及用于基于从摄像头收集的图像和/或视频来分析肌肉骨骼康复的机器学习方法和设备。

背景技术：

1、肌肉骨骼病影响着美国二分之一的成年人，估计涉及1.266亿美国人，其年度治疗费用为2130亿美元。最普遍的肌肉骨骼病状是关节炎，每年影响超过5000万美国人，其中一半是65岁以上的成年人。预计到2030年，关节炎的流行将影响25％的成年人口，涉及约6700万人。2011年，据估计，肌肉骨骼病的年度治疗费用和工资损失超过2130亿美元，占国内生产总值(gdp)的1.4％。考虑到患有肌肉骨骼疾病(包含其它并发症)的人的所有费用，治疗这些个体的总费用加上以工资减少或损失形式出现的社会费用(间接费用)，其2011年估值为每年8738亿美元。

2、因此，肌肉骨骼病的负担是显著的，并且以如此多的方式影响着如此多的人的生活。为了控制与肌肉骨骼病状相关联的巨大社会和经济影响，美国骨与关节计划(unitedstates bone and joint initiative)建议，除了促进和资助研究之外，受影响的人群应获得循证治疗、医生和包含理疗师在内的其它保健提供者之间的更好的护理协调以及预防未来损伤的行之有效的策略。

3、物理疗法治疗预防/减少肌肉骨骼病状，有效治疗肌肉骨骼疼痛并且改善健康。但是，当人们停止锻炼时，便失去了物理疗法治疗的益处，这通常因疗程短且随访受限而发生。因此，理疗师的工作范围应扩大到家庭环境，并且理疗师和患者应更密切且更频繁地监控患者的进展(运动范围、强度、力量、耐力)、关节功能障碍和改善(疼痛、关节功能障碍、虚弱、疲劳、僵硬)。

4、尽管包含约27400个康复治疗实践中心的美国物理治疗行业估计在2020年有383亿美元的收入，并且预计在接下来的五年中每年增长约3％，但是以可承受的成本向大量人群提供物理疗法护理的障碍之一仍然是相对于人口需求的理疗师的缺乏、患者的成本以及不能持续跟踪患者的进展。因此，需要用于物理疗法的经改善的方法和设备。

技术实现思路

1、在一些实施例中，一种方法包含接收(1)至少一个对象的图像和(2)所述至少一个对象的至少一个总质量值。所述方法进一步包含执行第一机器学习模型以标识所述至少一个对象的关节。所述方法进一步包含执行第二机器学习模型以基于所述关节和所述图像来确定所述至少一个对象的肢。所述方法进一步包含基于所述关节和所述肢来生成骨骼的三维(3d)表示。所述方法可以进一步包含基于质量值和线性加速度值或扭矩惯性和角加速度值中的至少一者来确定每个肢的扭矩值。所述方法进一步包含基于至少一个扭矩值高于预定阈值来生成风险评估报告。

技术特征：

1.一种方法，其包括：

2.根据权利要求1所述的方法，其进一步包括：

3.根据权利要求1所述的方法，其进一步包括：

4.根据权利要求1所述的方法，其进一步包括：

5.根据权利要求4所述的方法，其中所述至少一个滤波器包含巴特沃斯滤波器、最终中值滤波器或萨戈尔滤波器中的至少一种。

6.根据权利要求1所述的方法，其中所述多个图像由具有焦点的摄像头记录，所述方法进一步包括：

7.根据权利要求6所述的方法，其中所述第三机器学习模型是自动编码器神经网络模型。

8.根据权利要求a1所述的方法，其中所述骨骼的所述3d表示是所述骨骼的第一多个3d表示，来自所述骨骼的所述第一多个3d表示的每个骨骼3d表示是笛卡尔坐标矩阵，所述方法进一步包括：

9.根据权利要求8所述的方法，其进一步包括：

10.根据权利要求9所述的方法，其进一步包括：

11.根据权利要求1所述的方法，其中所述至少一个对象没有佩戴任何运动传感器。

12.根据权利要求1所述的方法，其进一步包括：

13.根据权利要求1所述的方法，其进一步包括：

14.一种非暂时性处理器可读介质，其存储表示待由处理器执行的指令的代码，所述代码包括使所述处理器进行以下操作的代码：

15.根据权利要求14所述的非暂时性处理器可读介质，其中所述第一多个3d表示由欧拉角表示进行变换，以生成所述第二多个3d表示。

16.根据权利要求14所述的非暂时性处理器可读介质，所述代码进一步包括使所述处理器进行以下操作的代码：

17.根据权利要求14所述的非暂时性处理器可读介质，所述代码进一步包括使所述处理器进行以下操作的代码：

18.根据权利要求14所述的非暂时性处理器可读介质，所述代码进一步包括使所述处理器进行以下操作的代码：

19.一种设备，其包括：

20.根据权利要求19所述的设备，其中所述统计数据包含多个关节角度平均值、多个关节角度方差值、多个平均姿态或多个方差姿态中的至少一种。

21.根据权利要求19所述的设备，其中所述处理器进一步被配置成：

22.根据权利要求19所述的设备，其中所述摄像头具有焦点，所述处理器进一步被配置成：

23.根据权利要求19所述的设备，其中所述第三机器学习模型是极端梯度提升(xgboost)模型。

24.根据权利要求19所述的设备，其中

技术总结
一种方法可以包含接收(1)至少一个对象的图像和(2)所述至少一个对象的至少一个总质量值。所述方法可以进一步包含执行第一机器学习模型以标识所述至少一个对象的关节。所述方法可以进一步包含执行第二机器学习模型以基于所述关节和所述图像来确定所述至少一个对象的肢。所述方法可以进一步包含基于所述关节和所述肢来生成骨骼的三维(3D)表示。所述方法可以进一步包含基于质量值和线性加速度值或扭矩惯性和角加速度值中的至少一者来确定每个肢的扭矩值。所述方法可以进一步包含基于至少一个扭矩值高于预定阈值来生成风险评估报告。

技术研发人员：J·罗毕拉德,A·迪亚兹-阿里亚斯,M·梅斯莫尔,D·辛,J·拉希德,S·白
受保护的技术使用者：爱荷华大学研究基金会
技术研发日：
技术公布日：2024/1/13