通过前臂皮肤数据来预警骨筋膜室综合症的数据处理系统的制作方法

1.本发明涉及医疗数据处理领域，且更为具体地，涉及一种用于前臂骨筋膜综合征预警的通过前臂皮肤数据来预警骨筋膜室综合症的数据处理系统。


背景技术：

2.骨筋膜间隙综合症，是骨折创伤后严重的并发症之一，常发生于四肢骨折后4～12h内，由于筋膜间隔内容物增加、压力增高，而导致血管供血终端、神经干与肌肉发生性坏死。
3.由于该综合征多继发于损伤、骨折。医护人员对骨筋膜综合征室内神经受压和缺血的早期症状——持续性剧烈疼痛，误认为是骨折的一般表现，没有引起高度重视，而未做及时处理。这样就会造成恶性循环，进而给患者的身体带来严重的损伤。
4.因此，需要一种技术手段来支持骨筋膜间隙综合症的预警。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种通过前臂皮肤数据来预警骨筋膜室综合症的数据处理系统，其采用卷积神经网络模型与包含一维卷积层和全连接层的编码器模型来对前臂的皮肤的表面图像、皮肤张力数据和皮肤硬度数据进行隐含特征提取，并利用高斯密度图与高斯响应性分布融合所述张力特征向量、所述硬度特征向量和所述表面特征图，以有效地将所述张力特征和所述硬度特征在所述表面图像特征的高维特征分布的基础上进行了统一，以通过对医疗数据的处理来对患者的前臂是否存在骨筋膜间隙综合症进行及时地预警。
6.根据本技术的一个方面，提供了一种通过前臂皮肤数据来预警骨筋膜室综合症的数据处理系统，其包括：
7.第一前臂数据获取单元，用于获取预定时间段内的一系列时间点的前臂的皮肤张力数据和皮肤硬度数据；
8.第一特征编码单元，用于将所述一系列时间点的皮肤张力数据和皮肤硬度数据排列为张力向量和硬度向量后通过包含一维卷积层和全连接层的编码器以获得张力特征向量和硬度特征向量；
9.第二前臂数据获取单元，用于获取所述预定时间段内的一系列时间点的前臂的皮肤的表面图像；
10.第二特征编码单元，用于将所述皮肤的表面图像输入卷积神经网络以获得表面特征图；
11.高斯密度图融合单元，用于构造所述张力特征向量和所述硬度特征向量的高斯密度图，其中，所述高斯密度图的均值为所述张力特征向量和所述硬度特征向量中各个位置的特征值间的均值，所述高斯密度图的方差为所述张力特征向量和所述硬度特征向量中各个位置的特征值间的方差；
12.高斯响应单元，用于计算所述高斯密度图对于所述表面特征图的高斯响应性分布以获得由多个高斯响应性分布特征值组成的分类特征向量，其中，所述高斯响应性分布与所述表面特征图在高度方向上的每个特征矩阵的全局平均池化值、所述高斯密度图的均值和所述高斯分布图的方差有关；
13.分类单元，用于将所述分类特征向量通过分类器以获得分类结果，所述分类结果为患者的前臂是否存在骨筋膜间隙综合症；以及
14.警示单元，用于基于所述分类结果，生成警示信号。
15.在上述通过前臂皮肤数据来预警骨筋膜室综合症的数据处理系统中，所述第一特征编码单元，进一步用于：使用所述编码器的一维卷积层分别对所述张力向量和所述硬度向量进行编码以提取出所述张力向量和所述硬度向量中各个位置的特征值之间的关联的高维隐含关联特征；以及，使用所述编码器的全连接层对所述张力向量和所述硬度向量进行编码以提取出所述张力向量和所述硬度向量中各个位置的特征值的高维隐含特征。
16.在上述通过前臂皮肤数据来预警骨筋膜室综合症的数据处理系统中，所述第一特征编码单元，进一步用于：使用所述编码器的最后一层以sigmoid激活函数将所述张力特征向量和所述硬度特征向量中各个位置的特征值转化到0到1的概率区间内。
17.在上述通过前臂皮肤数据来预警骨筋膜室综合症的数据处理系统中，所述卷积神经网络以如下公式对所述表面图像进行显式空间编码以获得所述表面特征图；其中，所述公式为：
18.fi＝sigmoid(ni×fi-1
+bi)
19.其中，f
i-1
为第i层卷积神经网络的输入，fi为第i层卷积神经网络的输出，ni为第i层卷积神经网络的过滤器，且bi为第i层卷积神经网络的偏置矩阵，sigmoid表示非线性激活函数。
20.在上述通过前臂皮肤数据来预警骨筋膜室综合症的数据处理系统中，所述高斯密度图融合单元，进一步用于：计算所述张力特征向量和所述硬度特征向量中各个位置的特征值间的均值；计算所述张力特征向量和所述硬度特征向量中各个位置的特征值间的方差；以及，以所述均值作为高斯分布的均值和所述方差为高斯分布的方差以构建由多个高斯分布组成的所述高斯密度图。其中，所述高斯密度图为x表示合成后的高斯分布向量，μi表示所述张力特征向量和所述硬度特征向量的每个位置的特征值的均值，且σi表示所述张力特征向量和所述硬度特征向量的每个位置的特征值的方差。
21.在上述通过前臂皮肤数据来预警骨筋膜室综合症的数据处理系统中，所述高斯响应单元，进一步用于：以如下公式计算所述高斯密度图对于所述表面特征图的高斯响应性分布；
22.其中，所述公式为：
[0023][0024]
[0025]
其中，yi是所述表面特征图在高度方向上的每个特征矩阵的全局平均池化值。
[0026]
在上述通过前臂皮肤数据来预警骨筋膜室综合症的数据处理系统中，所述分类单元，进一步用于：将所述分类特征向量输入所述分类器的softmax分类函数以获得所述分类特征向量归属于患者的前臂存在骨筋膜间隙综合症的第一概率和所述分类特征向量归属于患者的前臂不存在骨筋膜间隙综合症的第二概率；以及，基于所述第一概率和所述第二概率之间的比较，确定所述分类结果。
[0027]
在上述通过前臂皮肤数据来预警骨筋膜室综合症的数据处理系统中，所述警示单元，进一步用于：响应于所述分类结果为患者的前臂存在骨筋膜间隙综合症，生成所述警示信号。
[0028]
与现有技术相比，本技术提供的通过前臂皮肤数据来预警骨筋膜室综合症的数据处理系统，其采用卷积神经网络模型与包含一维卷积层和全连接层的编码器模型来对前臂的皮肤的表面图像、皮肤张力数据和皮肤硬度数据进行隐含特征提取，并利用高斯密度图与高斯响应性分布融合所述张力特征向量、所述硬度特征向量和所述表面特征图，以有效地将所述张力特征和所述硬度特征在所述表面图像特征的高维特征分布的基础上进行了统一，以通过对医疗数据的处理来对患者的前臂是否存在骨筋膜间隙综合症进行及时地预警。
附图说明
[0029]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0030]
图1为根据本技术实施例的通过前臂皮肤数据来预警骨筋膜室综合症的数据处理系统的框图。
[0031]
图2为根据本技术实施例的通过前臂皮肤数据来预警骨筋膜室综合症的数据处理系统的处理方法的流程图。
[0032]
图3为根据本技术实施例的通过前臂皮肤数据来预警骨筋膜室综合症的数据处理系统的处理方法的架构示意图。
具体实施方式
[0033]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0034]
场景概述
[0035]
如前所述，骨筋膜间隙综合症，是骨折创伤后严重的并发症之一，常发生于四肢骨折后4～12h内，由于筋膜间隔内容物增加、压力增高，而导致血管供血终端、神经干与肌肉发生性坏死。
[0036]
由于该综合征多继发于损伤、骨折。医护人员对骨筋膜综合征室内神经受压和缺血的早期症状——持续性剧烈疼痛，误认为是骨折的一般表现，没有引起高度重视，而未做
及时处理，这样就会造成恶性循环，进而给患者的身体带来严重的损伤，因此，为了对患者的患处是否存在骨筋膜间隙综合症进行及时且准确地判断，期望一种通过前臂皮肤数据来预警骨筋膜室综合症的数据处理系统。
[0037]
在本技术的技术方案中，可通过对患者皮肤张力和硬度的测量来进行数据诊断分析。具体地，皮肤张力增大和触摸肌肉部位时硬度增加，也就是，肿胀为进行性张力性肿胀。并且，不同于一般外伤肿胀和水肿，皮肤变紫色发亮，有的呈暗红色，触之坚硬，缺乏弹性，大部分会出现张力性水疱和瘀斑。
[0038]
相应地，可通过传感器来获得皮肤张力和硬度数据。并通过摄像头来获得皮肤的表面图像。在高维特征空间中，皮肤张力和硬度数据的内在变换模式与张力性水疱和瘀斑的内在变换模式(例如，水疱变大或者颜色变深的过滤)存在关联性和内在一致性。
[0039]
具体地，在本技术的技术方案中，获取预定时间段内的一系列时间点的皮肤张力数据和皮肤硬度数据，得到张力向量和硬度向量，并输入包含一维卷积层和全连接层的编码器，且该编码器的最后一层以sigmoid激活函数激活，得到张力特征向量和硬度特征向量。
[0040]
获取所述预定时间段内的皮肤的表面图像，并输入卷积神经网络以得到表面特征图，该卷积神经网络的最后一层也以sigmoid激活函数激活。
[0041]
要对张力特征向量、硬度特征向量和表面特征图进行融合，基于高斯密度图通常作为卷积神经网络的学习目标，首先基于张力特征向量、硬度特征向量构造高斯密度图x表示合成后的高斯向量，μi表示张力特征向量和硬度特征向量的每个位置的特征值的均值，且σi表示张力特征向量和硬度特征向量的每个位置的特征值的方差。
[0042]
然后，由于皮肤的张力特征和硬度特征在高维特征空间中都可以看作为针对皮肤的表面特征的响应特征，计算高斯密度图对于表面特征图的高斯响应性分布，即
[0043][0044][0045]
也就是，yi是表面特征图在高度方向上的每个特征矩阵的全局平均池化值。
[0046]
这样，就得到了由沿高度方向的ri组成的分类向量，用于表示在高维特征空间中，皮肤的张力特征和硬度特征相对于表面图像特征的响应性，有效地将张力特征和硬度特征在表面图像特征的高维特征分布的基础上进行了统一，从而提高了后续回归分类的准确性。
[0047]
最后，分类向量输入分类器得到分类结果。
[0048]
基于此，本技术提出了一种通过前臂皮肤数据来预警骨筋膜室综合症的数据处理系统，其包括：第一前臂数据获取单元，用于获取预定时间段内的一系列时间点的前臂的皮肤张力数据和皮肤硬度数据；第一特征编码单元，用于将所述一系列时间点的皮肤张力数据和皮肤硬度数据排列为张力向量和硬度向量后通过包含一维卷积层和全连接层的编码
器以获得张力特征向量和硬度特征向量；第二前臂数据获取单元，用于获取所述预定时间段内的一系列时间点的前臂的皮肤的表面图像；第二特征编码单元，用于将所述皮肤的表面图像输入卷积神经网络以获得表面特征图；高斯密度图融合单元，用于构造所述张力特征向量和所述硬度特征向量的高斯密度图，其中，所述高斯密度图的均值为所述张力特征向量和所述硬度特征向量中各个位置的特征值间的均值，所述高斯密度图的方差为所述张力特征向量和所述硬度特征向量中各个位置的特征值间的方差；高斯响应单元，用于计算所述高斯密度图对于所述表面特征图的高斯响应性分布以获得由多个高斯响应性分布特征值组成的分类特征向量，其中，所述高斯响应性分布与所述表面特征图在高度方向上的每个特征矩阵的全局平均池化值、所述高斯密度图的均值和所述高斯分布图的方差有关；分类单元，用于将所述分类特征向量通过分类器以获得分类结果，所述分类结果为患者的前臂是否存在骨筋膜间隙综合症；以及，警示单元，用于基于所述分类结果，生成警示信号。
[0049]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0050]
示例性系统
[0051]
图1图示了根据本技术实施例的通过前臂皮肤数据来预警骨筋膜室综合症的数据处理系统的框图。如图1所示，根据本技术实施例的通过前臂皮肤数据来预警骨筋膜室综合症的数据处理系统200，包括：第一前臂数据获取单元210，用于获取预定时间段内的一系列时间点的前臂的皮肤张力数据和皮肤硬度数据；第一特征编码单元220，用于将所述一系列时间点的皮肤张力数据和皮肤硬度数据排列为张力向量和硬度向量后通过包含一维卷积层和全连接层的编码器以获得张力特征向量和硬度特征向量；第二前臂数据获取单元230，用于获取所述预定时间段内的一系列时间点的前臂的皮肤的表面图像；第二特征编码单元240，用于将所述皮肤的表面图像输入卷积神经网络以获得表面特征图；高斯密度图融合单元250，用于构造所述张力特征向量和所述硬度特征向量的高斯密度图，其中，所述高斯密度图的均值为所述张力特征向量和所述硬度特征向量中各个位置的特征值间的均值，所述高斯密度图的方差为所述张力特征向量和所述硬度特征向量中各个位置的特征值间的方差；高斯响应单元260，用于计算所述高斯密度图对于所述表面特征图的高斯响应性分布以获得由多个高斯响应性分布特征值组成的分类特征向量，其中，所述高斯响应性分布与所述表面特征图在高度方向上的每个特征矩阵的全局平均池化值、所述高斯密度图的均值和所述高斯分布图的方差有关；分类单元270，用于将所述分类特征向量通过分类器以获得分类结果，所述分类结果为患者的前臂是否存在骨筋膜间隙综合症；以及，警示单元280，用于基于所述分类结果，生成警示信号。
[0052]
具体地，在本技术实施例中，所述第一前臂数据获取单元210和所述第一特征编码单元220，用于获取预定时间段内的一系列时间点的前臂的皮肤张力数据和皮肤硬度数据，并将所述一系列时间点的皮肤张力数据和皮肤硬度数据排列为张力向量和硬度向量后通过包含一维卷积层和全连接层的编码器以获得张力特征向量和硬度特征向量。如前所述，当患者的前臂发生骨筋膜室综合征时，皮肤张力会增大且触摸肌肉部位时硬度会增加，也就是，肿胀为进行性张力性肿胀。并且，不同于一般外伤肿胀和水肿，皮肤变紫色发亮，有的呈暗红色，触之坚硬，缺乏弹性，大部分会出现张力性水疱和瘀斑。因此，在本技术的技术方案中，期望在高维特征空间中，通过皮肤张力和硬度数据的内在变换模式与张力性水疱和
瘀斑的内在变换模式，例如，水疱变大或者颜色变深的过滤，存在关联性和内在一致性对前臂骨筋膜室综合征进行准确地判断。
[0053]
也就是，在一个具体示例中，首先，需要通过传感器来获取预定时间段内的一系列时间点的前臂的皮肤张力数据和皮肤硬度数据；接着，将所述一系列时间点的皮肤张力数据和皮肤硬度数据排列为张力向量和硬度向量；然后，将所述张力向量和所述硬度向量通过包含一维卷积层和全连接层的编码器中进行编码，以提取出所述张力向量和所述硬度向量的高维隐含关联特征，从而获得张力特征向量和硬度特征向量。值得一提的是，所述编码器的最后一层以sigmoid激活函数激活。
[0054]
更具体地，在本技术实施例中，所述第一特征编码单元，包括：首先，使用所述编码器的一维卷积层分别对所述张力向量和所述硬度向量进行编码以提取出所述张力向量和所述硬度向量中各个位置的特征值之间的关联的高维隐含关联特征。然后，使用所述编码器的全连接层对所述张力向量和所述硬度向量进行编码以提取出所述张力向量和所述硬度向量中各个位置的特征值的高维隐含特征。最后，使用所述编码器的最后一层以sigmoid激活函数将所述张力特征向量和所述硬度特征向量中各个位置的特征值转化到0到1的概率区间内，以便于度量和后续的计算。
[0055]
具体地，在本技术实施例中，所述第二前臂数据获取单元230和所述第二特征编码单元240，用于获取所述预定时间段内的一系列时间点的前臂的皮肤的表面图像，并将所述皮肤的表面图像输入卷积神经网络以获得表面特征图。也就是，为了获取所述前臂的皮肤张力数据和皮肤硬度数据与所述前臂的皮肤的表面图像之间的关联性特征，以提高分类的准确性。在本技术的技术方案中，还需要通过摄像头获取所述预定时间段内的一系列时间点的前臂的皮肤的表面图像，进一步再将所述皮肤的表面图像输入卷积神经网络中进行处理，以提取出所述皮肤的表面图像中的局部特征在高维空间中的特征分布表示，从而获得表面特征图。值得一提的是，所述卷积神经网络的最后一层也以sigmoid激活函数激活，这样，可以使得单位的统一，进而便于度量和后续的融合计算。
[0056]
更具体地，在本技术实施例中，所述卷积神经网络以如下公式对所述表面图像进行显式空间编码以获得所述表面特征图；
[0057]
其中，所述公式为：
[0058]fi
＝sigmoid(ni×fi-1
+bi)
[0059]
其中，f
i-1
为第i层卷积神经网络的输入，fi为第i层卷积神经网络的输出，ni为第i层卷积神经网络的过滤器，且bi为第i层卷积神经网络的偏置矩阵，sigmoid表示非线性激活函数。
[0060]
具体地，在本技术实施例中，所述高斯密度图融合单元250，用于构造所述张力特征向量和所述硬度特征向量的高斯密度图，其中，所述高斯密度图的均值为所述张力特征向量和所述硬度特征向量中各个位置的特征值间的均值，所述高斯密度图的方差为所述张力特征向量和所述硬度特征向量中各个位置的特征值间的方差。应可以理解，为了对所述张力特征向量、所述硬度特征向量和所述表面特征图进行融合，考虑到基于高斯密度图通常作为卷积神经网络的学习目标，其实现了特征在卷积神经网络映射下的高维特征空间中的有效融合。因此，在本技术的技术方案中，首先，基于所述张力特征向量和所述硬度特征向量构造高斯密度图x表示合成后的高斯向量，μi表示所述张力特征向量和
所述硬度特征向量的每个位置的特征值的均值，且σi表示张力特征向量和硬度特征向量的每个位置的特征值的方差。
[0061]
更具体地，在本技术实施例中，所述高斯密度图融合单元，包括：首先，计算所述张力特征向量和所述硬度特征向量中各个位置的特征值间的均值。然后，计算所述张力特征向量和所述硬度特征向量中各个位置的特征值间的方差。最后，以所述均值作为高斯分布的均值和所述方差为高斯分布的方差以构建由多个高斯分布组成的所述高斯密度图。其中，所述高斯密度图为x表示合成后的高斯分布向量，μi表示所述张力特征向量和所述硬度特征向量的每个位置的特征值的均值，且σi表示所述张力特征向量和所述硬度特征向量的每个位置的特征值的方差。
[0062]
具体地，在本技术实施例中，所述高斯响应单元260，用于计算所述高斯密度图对于所述表面特征图的高斯响应性分布以获得由多个高斯响应性分布特征值组成的分类特征向量，其中，所述高斯响应性分布与所述表面特征图在高度方向上的每个特征矩阵的全局平均池化值、所述高斯密度图的均值和所述高斯分布图的方差有关。应可以理解，由于所述皮肤的张力特征和硬度特征在高维特征空间中都可以看作为针对所述皮肤的表面特征的响应特征，因此，在本技术的技术方案中，在构造所述张力特征向量和所述硬度特征向量的所述高斯密度图后，进一步计算所述高斯密度图对于所述表面特征图的高斯响应性分布，从而获得由所述多个高斯响应性分布特征值组成的分类特征向量，以提高后续分类的准确性。
[0063]
更具体地，在本技术实施例中，所述高斯响应单元，进一步用于：以如下公式计算所述高斯密度图对于所述表面特征图的高斯响应性分布；
[0064]
其中，所述公式为：
[0065][0066][0067]
其中，yi是所述表面特征图在高度方向上的每个特征矩阵的全局平均池化值。应可以理解，这样就得到了由沿高度方向的ri组成的分类向量，用于表示在高维特征空间中，所述皮肤的张力特征和所述硬度特征相对于所述表面图像特征的响应性，有效地将所述张力特征和所述硬度特征在所述表面图像特征的高维特征分布的基础上进行了统一，从而提高了后续回归分类的准确性。
[0068]
具体地，在本技术实施例中，所述分类单元270和所述警示单元280，用于将所述分类特征向量通过分类器以获得分类结果，所述分类结果为患者的前臂是否存在骨筋膜间隙综合症，并基于所述分类结果，生成警示信号。也就是，在一个具体示例中，首先，将所述分类特征向量输入所述分类器的softmax分类函数以获得所述分类特征向量归属于患者的前臂存在骨筋膜间隙综合症的第一概率和所述分类特征向量归属于患者的前臂不存在骨筋膜间隙综合症的第二概率。然后，基于所述第一概率和所述第二概率之间的比较，确定所述分类结果。具体地，当所述第一概率大于所述第二概率时，所述分类结果为患者的前臂存在
骨筋膜间隙综合症，这样响应于所述分类结果为患者的前臂存在骨筋膜间隙综合症，进一步生成所述警示信号；当所述第一概率小于所述第二概率时，所述分类结果为患者的前臂不存在骨筋膜间隙综合症。
[0069]
综上，基于本技术实施例的所述通过前臂皮肤数据来预警骨筋膜室综合症的数据处理系统200被阐明，其采用卷积神经网络模型与包含一维卷积层和全连接层的编码器模型来对皮肤的表面图像、皮肤张力数据和皮肤硬度数据进行隐含特征提取，并利用高斯密度图与高斯响应性分布融合所述张力特征向量、所述硬度特征向量和所述表面特征图，以有效地将所述张力特征和所述硬度特征在所述表面图像特征的高维特征分布的基础上进行了统一，从而提高了回归分类的准确性。这样，可以对患者的患处是否存在骨筋膜间隙综合症进行及时且准确地判断，进而避免了患者前臂患处的严重恶化。
[0070]
如上所述，根据本技术实施例的通过前臂皮肤数据来预警骨筋膜室综合症的数据处理系统200可以实现在各种终端设备中，例如数据处理算法的服务器等。在一个示例中，根据本技术实施例的通过前臂皮肤数据来预警骨筋膜室综合症的数据处理系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该通过前臂皮肤数据来预警骨筋膜室综合症的数据处理系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该通过前臂皮肤数据来预警骨筋膜室综合症的数据处理系统200同样可以是该终端设备的众多硬件模块之一。
[0071]
替换地，在另一示例中，该通过前臂皮肤数据来预警骨筋膜室综合症的数据处理系统200与该终端设备也可以是分立的设备，并且该通过前臂皮肤数据来预警骨筋膜室综合症的数据处理系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0072]
示例性方法
[0073]
图2图示了通过前臂皮肤数据来预警骨筋膜室综合症的数据处理系统的处理方法的流程图。如图2所示，根据本技术实施例的通过前臂皮肤数据来预警骨筋膜室综合症的数据处理系统的处理方法，包括步骤：s110，获取预定时间段内的一系列时间点的前臂的皮肤张力数据和皮肤硬度数据；s120，将所述一系列时间点的皮肤张力数据和皮肤硬度数据排列为张力向量和硬度向量后通过包含一维卷积层和全连接层的编码器以获得张力特征向量和硬度特征向量；s130，获取所述预定时间段内的一系列时间点的前臂的皮肤的表面图像；s140，将所述皮肤的表面图像输入卷积神经网络以获得表面特征图；s150，构造所述张力特征向量和所述硬度特征向量的高斯密度图，其中，所述高斯密度图的均值为所述张力特征向量和所述硬度特征向量中各个位置的特征值间的均值，所述高斯密度图的方差为所述张力特征向量和所述硬度特征向量中各个位置的特征值间的方差；s160，计算所述高斯密度图对于所述表面特征图的高斯响应性分布以获得由多个高斯响应性分布特征值组成的分类特征向量，其中，所述高斯响应性分布与所述表面特征图在高度方向上的每个特征矩阵的全局平均池化值、所述高斯密度图的均值和所述高斯分布图的方差有关；s170，将所述分类特征向量通过分类器以获得分类结果，所述分类结果为患者的前臂是否存在骨筋膜间隙综合症；以及，s180，基于所述分类结果，生成警示信号。
[0074]
图3图示了根据本技术实施例的通过前臂皮肤数据来预警骨筋膜室综合症的数据处理系统的处理方法的架构示意图。如图3所示，在所述通过前臂皮肤数据来预警骨筋膜室
综合症的数据处理系统的处理方法的网络架构中，首先，将获得的所述一系列时间点的皮肤张力数据(例如，如图3中所示意的p1)和皮肤硬度数据(例如，如图3中所示意的p2)排列为张力向量(例如，如图3中所示意的v1)和硬度向量(例如，如图3中所示意的v2)后通过包含一维卷积层和全连接层的编码器(例如，如图3中所示意的e)以获得张力特征向量(例如，如图3中所示意的vf1)和硬度特征向量(例如，如图3中所示意的vf2)；接着，将获得的所述皮肤的表面图像(例如，如图3中所示意的q)输入卷积神经网络(例如，如图3中所示意的cnn)以获得表面特征图(例如，如图3中所示意的f)；然后，构造所述张力特征向量和所述硬度特征向量的高斯密度图(例如，如图3中所示意的gd)，其中，所述高斯密度图的均值为所述张力特征向量和所述硬度特征向量中各个位置的特征值间的均值，所述高斯密度图的方差为所述张力特征向量和所述硬度特征向量中各个位置的特征值间的方差；接着，计算所述高斯密度图对于所述表面特征图的高斯响应性分布以获得由多个高斯响应性分布特征值组成的分类特征向量(例如，如图3中所示意的vfc)；然后，将所述分类特征向量通过分类器(例如，如图3中所示意的圈s)以获得分类结果，所述分类结果为患者的前臂是否存在骨筋膜间隙综合症；以及，最后，基于所述分类结果，生成警示信号。
[0075]
更具体地，在步骤s110和s120中，获取预定时间段内的一系列时间点的前臂的皮肤张力数据和皮肤硬度数据，并将所述一系列时间点的皮肤张力数据和皮肤硬度数据排列为张力向量和硬度向量后通过包含一维卷积层和全连接层的编码器以获得张力特征向量和硬度特征向量。也就是，在一个具体示例中，首先，需要通过传感器来获取预定时间段内的一系列时间点的前臂的皮肤张力数据和皮肤硬度数据；接着，将所述一系列时间点的皮肤张力数据和皮肤硬度数据排列为张力向量和硬度向量；然后，将所述张力向量和所述硬度向量通过包含一维卷积层和全连接层的编码器中进行编码，以提取出所述张力向量和所述硬度向量的高维隐含关联特征，从而获得张力特征向量和硬度特征向量。值得一提的是，所述编码器的最后一层以sigmoid激活函数激活。
[0076]
具体地，在本技术实施例中，将所述一系列时间点的皮肤张力数据和皮肤硬度数据排列为张力向量和硬度向量后通过包含一维卷积层和全连接层的编码器以获得张力特征向量和硬度特征向量的过程，包括：首先，使用所述编码器的一维卷积层分别对所述张力向量和所述硬度向量进行编码以提取出所述张力向量和所述硬度向量中各个位置的特征值之间的关联的高维隐含关联特征。然后，使用所述编码器的全连接层对所述张力向量和所述硬度向量进行编码以提取出所述张力向量和所述硬度向量中各个位置的特征值的高维隐含特征。最后，使用所述编码器的最后一层以sigmoid激活函数将所述张力特征向量和所述硬度特征向量中各个位置的特征值转化到0到1的概率区间内，以便于度量和后续的计算。
[0077]
更具体地，在步骤s130和步骤s140中，获取所述预定时间段内的一系列时间点的前臂的皮肤的表面图像，并将所述皮肤的表面图像输入卷积神经网络以获得表面特征图。也就是，为了获取所述前臂的皮肤张力数据和皮肤硬度数据与所述前臂的皮肤的表面图像之间的关联性特征，以提高分类的准确性。在本技术的技术方案中，还需要通过摄像头获取所述预定时间段内的一系列时间点的前臂的皮肤的表面图像，进一步再将所述皮肤的表面图像输入卷积神经网络中进行处理，以提取出所述皮肤的表面图像中的局部特征在高维空间中的特征分布表示，从而获得表面特征图。值得一提的是，所述卷积神经网络的最后一层
也以sigmoid激活函数激活，这样，可以使得单位的统一，进而便于度量和后续的融合计算。
[0078]
更具体地，在步骤s150中，构造所述张力特征向量和所述硬度特征向量的高斯密度图，其中，所述高斯密度图的均值为所述张力特征向量和所述硬度特征向量中各个位置的特征值间的均值，所述高斯密度图的方差为所述张力特征向量和所述硬度特征向量中各个位置的特征值间的方差。应可以理解，为了对所述张力特征向量、所述硬度特征向量和所述表面特征图进行融合，考虑到基于高斯密度图通常作为卷积神经网络的学习目标，其实现了特征在卷积神经网络映射下的高维特征空间中的有效融合。因此，在本技术的技术方案中，首先，基于所述张力特征向量和所述硬度特征向量构造高斯密度图x表示合成后的高斯向量，μi表示所述张力特征向量和所述硬度特征向量的每个位置的特征值的均值，且σi表示张力特征向量和硬度特征向量的每个位置的特征值的方差。
[0079]
具体地，在本技术实施例中，构造所述张力特征向量和所述硬度特征向量的高斯密度图的过程，包括：首先，计算所述张力特征向量和所述硬度特征向量中各个位置的特征值间的均值。然后，计算所述张力特征向量和所述硬度特征向量中各个位置的特征值间的方差。最后，以所述均值作为高斯分布的均值和所述方差为高斯分布的方差以构建由多个高斯分布组成的所述高斯密度图。其中，所述高斯密度图为x表示合成后的高斯分布向量，μi表示所述张力特征向量和所述硬度特征向量的每个位置的特征值的均值，且σi表示所述张力特征向量和所述硬度特征向量的每个位置的特征值的方差。
[0080]
更具体地，在步骤s160中，计算所述高斯密度图对于所述表面特征图的高斯响应性分布以获得由多个高斯响应性分布特征值组成的分类特征向量，其中，所述高斯响应性分布与所述表面特征图在高度方向上的每个特征矩阵的全局平均池化值、所述高斯密度图的均值和所述高斯分布图的方差有关。应可以理解，由于所述皮肤的张力特征和硬度特征在高维特征空间中都可以看作为针对所述皮肤的表面特征的响应特征，因此，在本技术的技术方案中，在构造所述张力特征向量和所述硬度特征向量的所述高斯密度图后，进一步计算所述高斯密度图对于所述表面特征图的高斯响应性分布，从而获得由所述多个高斯响应性分布特征值组成的分类特征向量，以提高后续分类的准确性。
[0081]
相应地，在一个具体示例中，以如下公式计算所述高斯密度图对于所述表面特征图的高斯响应性分布；
[0082]
其中，所述公式为：
[0083][0084][0085]
其中，yi是所述表面特征图在高度方向上的每个特征矩阵的全局平均池化值。应可以理解，这样就得到了由沿高度方向的ri组成的分类向量，用于表示在高维特征空间中，所述皮肤的张力特征和所述硬度特征相对于所述表面图像特征的响应性，有效地将所述张力特征和所述硬度特征在所述表面图像特征的高维特征分布的基础上进行了统一，从而提
高了后续回归分类的准确性。
[0086]
更具体地，在步骤s170和步骤s180中，将所述分类特征向量通过分类器以获得分类结果，所述分类结果为患者的前臂是否存在骨筋膜间隙综合症，并基于所述分类结果，生成警示信号。也就是，在一个具体示例中，首先，将所述分类特征向量输入所述分类器的softmax分类函数以获得所述分类特征向量归属于患者的前臂存在骨筋膜间隙综合症的第一概率和所述分类特征向量归属于患者的前臂不存在骨筋膜间隙综合症的第二概率。然后，基于所述第一概率和所述第二概率之间的比较，确定所述分类结果。具体地，当所述第一概率大于所述第二概率时，所述分类结果为患者的前臂存在骨筋膜间隙综合症，这样响应于所述分类结果为患者的前臂存在骨筋膜间隙综合症，进一步生成所述警示信号；当所述第一概率小于所述第二概率时，所述分类结果为患者的前臂不存在骨筋膜间隙综合症。
[0087]
综上，基于本技术实施例的所述通过前臂皮肤数据来预警骨筋膜室综合症的数据处理系统的处理方法被阐明，其采用卷积神经网络模型与包含一维卷积层和全连接层的编码器模型来对皮肤的表面图像、皮肤张力数据和皮肤硬度数据进行隐含特征提取，并利用高斯密度图与高斯响应性分布融合所述张力特征向量、所述硬度特征向量和所述表面特征图，以有效地将所述张力特征和所述硬度特征在所述表面图像特征的高维特征分布的基础上进行了统一，从而提高了回归分类的准确性。这样，可以对患者的患处是否存在骨筋膜间隙综合症进行及时且准确地判断，进而避免了患者前臂患处的严重恶化。
[0088]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0089]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0090]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0091]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0092]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。