本发明涉及关节运动数据处理技术领域，具体涉及一种关节运动智能评分方法及膝关节运动智能分级评分方法。
背景技术：
自从人体三维运动分析出现以来，对患者三维运动数据进行量化评价一直是运动医学研究的重点以及难点。国外，受到认可的量化步态指标主要有正常指标(normalcyindex,ni)，这一指标现在又被称为吉列步态指标(gillettegaitindex,ggi)。步态偏差指数(gaitdeviationindex,gdi)是从ggi进一步发展而来的新的评价指标，另外还有mdp等量化指标用于评价患者的步态数据。
以上这些量化指标需要结合髋关节、膝关节、踝关节等多关节步态数据才能获取比较以上所述的步态指数，且这些量化指标仅仅对整体功能进行评价，针对具体关节的具体参数很难有比较准确的评价。而且获取多关节的步态数据，需要大型的测试环境，多人的协助测试，耗时耗力，不适用于临床使用。
技术实现要素：
如何直观的对关节运动进行全面评价，本申请提供一种关节运动智能评分方法，并基于该评分方法提出一种膝关节运动智能分级评分方法。
根据第一方面，一种实施例中提供一种关节运动智能评分方法，包括步骤：
采集测试者关节的三维六自由度运动数据，三维六自由度运动数据包括但不限于关节在空间中的屈伸、内外翻、内外旋、前后位移、内外位移和上下位移；
分别计算六自由度运动数据中的各个自由度运动的相似性分值：
利用dtw算法比较测试者关节的每一自由度运动数据与相似正常人的对应自由度的平均运动数据的相似度，以获取测试者关节所述自由度运动数据的累积距离值；
将累积距离值进行映射计算测试者关节自由度运动的相似性分值；
根据测试者关节中各个自由度运动的相似性分值计算测试者关节六自由度运动总体分值。
一种实施例中，将累积距离值进行映射计算测试者关节自由度运动的相似性分值，具体为：
一种实施例中，还包括对相似性分值进行修正的步骤，具体为：
f修正＝δ×s×f,其中，δ表示基线漂移的修正权值，s表示测试者关节运动速度的修正权值。
一种实施例中，根据各个自由度运动的分值计算测试者关节六自由度运动总体分值，具体为：
score＝βfe×ffe+βadd/abd×fadd/abd+βie×fie+βap×fap+βdp×fdp+βml×fml,
其中，score为六自由度运动总体分值，βfe、βadd/abd、βie、βdp、βml分别为测试者关节在空间中屈伸、内外翻、内外旋、前后位移、上下位移、内外位移自由度的权值系数，ffe、fadd/abd、fie、fap、fdp、fml分别为测试者关节在空间中屈伸、内外翻、内外旋、前后位移、上下位移、内外位移的自由度相似性分值。
根据第二方面，一种实施例中提供一种膝关节运动智能分级评分方法，包括步骤：
建立正常人的膝关节三维六自由度运动的运动数据库，所述数据库至少包括平地步态动作数据、上坡步态动作数据和蹲下起立动作数据；
采集测试者膝关节在平地步态、上坡步态及蹲下起立动作中的三维六自由度运动数据；
根据上述的关节运动智能评分方法对测试者膝关节在平地步态中六自由度运动总体分值、上坡步态中六自由度运动总体分值及蹲下起立动作中六自由度运动总体分值；
根据平地步态运动的总体分值、上坡步态运动的总体分值和蹲下起立运动的总体分值对测试者膝关节的三维运动进行分级评分，其中，以平地步态运动的总体分值作为第一级评分，以上坡步态运动的总体分值作为第二级评分，以蹲下起立运动的总体分值作为第三级评分。
一种实施例中，平地步态、上坡步态及蹲下起立动作中的三维自由度运动数据分别包括左侧腿的三维六自由度运动数据和右侧腿的三维自由度运动数据，所述平地步态、上坡步态及蹲下起立动作中的各六自由度运动总体分值具体计算为：
score＝k1×scorel+k2×scorer+k3×scorea，其中，scorel为左侧腿的自由度运动总体分值，scorer为右侧腿的自由度运动总体分值，scorea为左右腿之间的自由度运动总体分值，k1、k2和k3为临床经验值。
一种实施例中，还包括将测试者膝关节的三维运动的分级及评分结果进行可视化的步骤。
依据上述实施例的关节智能评分方法，由于通过将关节的三维六自由度运动数据转换为对应的相似性分值，基于该相似性分值能对关节的每一自由度运动进行客观、直观且准确的评价，与现有的根据量化指标对整体运动功能进行评价相比，本申请通过各自由度运动的分值能对关节的三维运动由整体具细到各个局部的评价，以实现关节三维运动的全面评价。
附图说明
图1为关节智能评分方法流程图；
图2为关节屈伸角曲线图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。
在本发明实施例中，通过对关节三维六自由度的运动进行评分，以通过各个自由度运动的评分结果，而实现关节三维运动的全面评价。
实施例一：
本例提供一种关节运动智能评分方法，其流程图如图1所示，具体包括如下步骤。
s1：采集测试者关节的三维六自由度运动数据。
需要说明的是，为了能够便携、快速地获取关节的运动数据，本例优选为利用临床便携式运动捕捉系统opti_knee采集关节的三维运动数据，该三维运动数据以六自由度的形式呈现，本例的三维六自由度运动数据包括但不限于关节在空间中的屈伸、内外翻、内外旋、前后位移、内外位移和上下位移。
s2：分别计算六自由度运动数据中的单个自由度运动的相似性分值。
本例中采用dtw算法(动态时间规整)对步骤s1中采集的三维六自由度运动曲线进行相似性分析；在此之前，需要使用临床便携式运动捕捉系统opti_knee采集大批量的关节三维运动数据，并建立不同年龄段、性别、身高、体重的正常人的关节三维运动数据的数据库。
本步骤具体包括如下步骤：
1)利用dtw算法比较测试者关节的每一自由度运动数据与相似正常人的对应自由度的平均运动数据的相似度，以获取测试者关节自由度运动数据的累积距离值。
本例中，将测试者的运动数据与正常人的运动数据进行相似性分析的前提是，根据测试者的基本信息查找与其匹配的正常人，如，根据测试者的年龄、性别、身高、体重等基本信息查找与这些信息匹配的正常人，然后，再将测试者的运动数据与查找到的若干个正常人的对应自由度的平均运动数据进行相似性分析。
具体的，每一个自由度在周期内统一重新规划为100个数据点，可以理解为一维时间序列，以关节在空间中的屈伸自由度为例进行说明，如图2所示，为正常人关节的运动周期内的屈伸自由度曲线示意图。
根据测试者基本信息在数据库中查找并计算与测试者匹配的正常人的平均自由度，然后，比较测试者关节运动数据与相应的正常人的平均自由度的相似性。
假设测试者的自由度曲线的时间序列用x＝x1,x2,x3,…,xi,…,xm表示，对应的正常人平均自由度的时间序列为y＝y1,y2,y3,…,yj,…,yn。一般情况下，两条时间序列之间的差异值可以简单地使用每一点之间的差值总和进行表示。但比较运动周期内的自由度需要考虑运动学特征，因此需要匹配曲线之间的特征点，即让两条曲线的摆动期波峰能够相对应。
构建动态规划矩阵，其大小为m×n；矩阵元素(i,j)表示xi和yj两个点之间的欧式距离d(xi,yj)＝(xi-yj)2。距离越小，表明两条时间序列曲线之间的相似度越高。
为了计算对齐点的相似度，定义w，w的第k个元素定义为wk＝(i,j)k，这相当于定义了序列x和序列y之间的映射。
w＝w1,w2,…,wk；
max(m,n)≤k≤m+n-1；
检索从矩阵的w1＝(1，1)出发至w2＝(m，n)的连续路径，从(t，f)出发，下一个矩阵元素只能为(i+1，j)，(i，j+1)或者(i+1，j+1)。
最终根据下面公式求取达到最小的一条路径：
为了求取最小路径，定义累加距离,
γ(i,j)＝d(xi,yj)+min{γ(i-1,j-1),γ(i-1,j),γ(i,j-1)}；
最终的累加距离γ即可以理解为两条时间序列的相似度。
将γ所代表的两条序列之间的距离用d表示。屈伸角自由度之间的距离用dfe表示，内外翻之间的距离用dadd/abd表示，内外旋之间的距离用die表示，前后位移之间的距离用dap表示，上下位移之间的距离用ddp表示，内外位移之间的距离用dwl表示。
2)将累积距离值进行映射计算测试者关节自由度运动的相似性分值。
具体的，本例定义以下的映射公式，并根据该映射公式计算自由度运动的相似性分值：
根据上述定义的映射公式，屈伸角的自由度相似性分值ffe的计算公式如下：
还需要对上述计算的自由度相似性分值ffe进行修正，具体根据如下公式进行修正：
f修正＝δ×s×f，其中，δ表示基线漂移的修正权值，s表示测试者关节运动速度的修正权值，则，屈伸角的自由度相似性分值ffe的修正过程为：ffe＝δfe×sfe×ffe。
s3：根据测试者关节中各个自由度运动的相似性分值计算测试者关节六自由度运动总体分值。
通过步骤s2可计算到测试者三维六自由度运动中各个自由度运动的相似性分值，然后，根据各个自由度运动的分值计算测试者关节六自由度运动总体分值，具体为：
score＝βfe×ffe+βadd/abd×fadd/abd+βie×fie+βap×fap+βdp×fdp+βml×fml；其中，score为六自由度运动总体分值，βfe、βadd/abd、βie、βdp、βml分别为测试者关节在空间中屈伸、内外翻、内外旋、前后位移、上下位移、内外位移自由度的权值系数，ffe、fadd/abd、fie、fap、fdp、fml分别为根据步骤s2计算的测试者关节在空间中屈伸、内外翻、内外旋、前后位移、上下位移、内外位移的自由度相似性分值。
通过上述步骤s1-s3可以计算出关节三维运动中各自由度相似性分值及六自由度的运动总体分值，通过该相应的分值是直观的对关节相应运动状况进行评价，为了便于查看各个自由度相似性分值，本例还包括将各个自由度相似性分值及运动总体分值进行图形可视化的步骤，如柱形图、饼状图等利用观察的图形。
实施例二：
基于实施例一，本例提供一种膝关节运动智能分级评分方法，具体包括如下步骤。
s100：建立正常人的膝关节三维六自由度运动的运动数据库。
根据膝关节的运动特性，本例的运动数据库至少包括平地步态动作数据、上坡步态动作数据和蹲下起立动作数据。
s200：采集测试者膝关节在平地步态、上坡步态及蹲下起立动作中的三维六自由度运动数据。
s300：利用实施例一中的关节运动智能评分方法计算测试者膝关节在平地步态中六自由度运动总体分值、上坡步态中六自由度运动总体分值及蹲下起立动作中六自由度运动总体分值。
需要说明的是，本例的平地步态、上坡步态及蹲下起立动作中的三维六自由度运动数据分别包括左侧腿的三维自由度运动数据和右侧腿的三维自由度运动数据，则平地步态、上坡步态及蹲下起立动作中的各六自由度运动总体分值具体计算为：
score＝k1×scorel+k2×scorer+k3×scorea，其中，k1、k2和k3是通过专家的临床经验值，后期可以通过实际效果进行修正，如，k1取0.3、k2取0.3、k3取0.4，scorel为左侧腿的自由度运动总体分值，scorer为右侧腿的自由度运动总体分值，scorea为左右腿之间的自由度运动总体分值，其具体计算过程请参考实施例一中的步骤s3。
s400：根据平地步态运动的总体分值、上坡步态运动的总体分值和蹲下起立运动的总体分值对测试者膝关节的三维运动进行分级评分，其中，以平地步态运动的总体分值作为第一级评分，以上坡步态运动的总体分值作为第二级评分，以蹲下起立运动的总体分值作为第三级评分。
通过上述步骤s100-s400，根据测试者膝关节的三维运动数据，能计算出平地步态功能的第一级评分、上坡步态功能的第二级评分和蹲下起立运动功能的第三级评分，通过该三级评分能够对膝关节的三维运动功能有一个比较全面的评价，且该三级评分更为客观有效，从而有助于医生根据该三级评分对膝关节疾病的诊断及相应治疗方案的选择。
另外，为了方便观看评分结果，本例还包括将测试者膝关节的三维运动的分级及评分结果进行图形可视化的步骤，这样，通过可视化的图形能一目了然的看到膝关节三维运动的状况。
以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。