一种骨科康复训练数据模型构建方法与流程

本发明涉及骨科康复系统。具体涉及一种骨科康复训练数据模型构建方法。

背景技术：

1、目前骨科手术术后患者康复主要由医院医生指导患者进行，通常采用定期回访或者远程随访的方式进行，而通过这种方式不仅在时效上具有滞后性，使得医生无法及时准确的通过患者的生理数据来掌握患者的恢复状况，其次患者的康复评估也仅仅只能依赖医生进行主管判断，缺少患者的实际客观康复情况做支撑；并且骨科术后的康复周期较长，针对一些年纪较大的患者进行沟通时，对医生的指导也容易出现一定偏差，医生无法针对每一个患者在不同的恢复条件下及时定制不同的康复方案指导，从而延缓患者的康复进程，使得整个康复周期进一步延长。

技术实现思路

1、发明目的：为了克服现有技术中存在的不足，本发明提供一种骨科康复训练数据模型构建方法，该方法可以通过对ai模型动态训练，不断提升其为患者提供对应康复训练方案的准确性，使得医生无需对每个患者花费大量精力去判断和研究，仅需后期对模型推荐的方案进行修改和筛选，实现远程智能康复，并且节省大量的医疗资源。

2、技术方案：为实现上述目的，本发明采用的技术方案为：

3、一种骨科康复训练数据模型构建方法，包括以下步骤：

4、步骤1，建立样本数据库，初始阶段输入患者生理数据特征，通过设定初始规则，将符合简单参数特征的数据进行后得到对应推荐方案，将推荐方案发送至医生端进行审核修改，形成该次样本的最终方案，并将最终方案发送患者后与患者信息一并进入ai模型进行反向训练后记录至样本数据库中；

5、其中，生理数据特征包括年龄、身高、体重、患病类型、患病部位、严重程度、基础病，简单参数特征仅包括患病类型和患病部位，推荐方案包括活动关节，起始角度，活动角度；

6、步骤2，重复步骤1直至样本数据库中的样本数量达到100条时，满足样本数据库容量要求，在每个一段时间t后，取样本数据库中的n组方案，包括医生所选择的最终方案、与最终方案对应的患者信息，根据该患者信息通过ai模型网络推理得到的推荐方案与医生所给的最终方案进行推理计算得到当前样本的得分准确率p；

7、步骤3，当准确率p小于80%时，患者数据通过初始规则，筛选得到符合要求的推荐方案，

8、当准确率p大于等于80%时，患者数据通过ai（神经网络）模型进行正向推理，得到对应的推荐方案；

9、步骤4，将步骤3的推荐方案传输至医生端进行筛选，并确定最终方案，将最终方案推送至用户端的患者，并将最终方案与患者数据一同输入至ai模型中根据医生的等级权重对此次的结果进行反向传播梯度训练，动态调整提升ai模型计算的准确率；

10、作为本发明的一种优选实施方式：所述ai模型包括分别独立的a网络、b网络和c网络，其中，a网络为通过交叉熵损失函数解决关节的分类问题；b网络通过均方误差作为损失函数，推导出活动开始的角度；c网络也通过使用均方误差作为损失函数，推导出活动结束的角度。

11、作为本发明的一种优选实施方式：所述a网络、b网络和c网络在推导时做级联推理。

12、作为本发明的一种优选实施方式：所述a网络、b网络和c网络结构相同，均包括两层隐藏层，且第一层隐藏层的节点数量为特征数量*2+偏置单元，第二层隐藏层的节点数量为特征数量+1+偏置单元，在a网络中输出活动部位特征x1，b网络中输出起始角度特征x2，在c网络中输出需要活动的角度特征x3。

13、5.根据权利要求4所述的一种骨科康复训练数据模型构建方法，其特征在于，a网络中，患者生理数据作为输入层，通过交叉熵损失函数得到根据数据中包含的患病部位得到具体需要的活动关节，并且得到活动关节的one-hot向量，

14、此时通过设置采集阈值z0来对具体活动的关节进行筛选提取,判断需要提取作为下一层输出的部位one-hot向量，n个关节可供选择，关节向量y=（z1，z2，z3，z4，…，zn），将其中大于z0的m个向量提取为one-hot向量（0，0，…，zm，…，0）并将m个该one-hot向量分别与x0拼接，拼接后的向量作为b网络的输入层；

15、b网络根据上述输入层得到m个起始角度x2，x2为360度的归一化值；

16、c网络的输入层为x0+x1+x2拼接，并得到对应m个需要活动的角度x3，最终方案为（x1，x2，x3），分别对应（活动关节、起始角度、需要活动的角度）。

17、作为本发明的一种优选实施方式：模型的准确率判断方法具体为：

18、从样本数据库中提取医生所选取的最终方案样例：活动关节gx，起始角度gy，需要活动的角度gz，并去除该最终方案样例对应的患者信息，通过模型中的网络推理得到对应的推荐方案：活动关节hx，起始角度hy，需要活动的角度hz，当hx=gx时，通过cnn下的iou算法计算当前样本的得分p0，否则在数据库中删除该样本；

19、故该样本的得分p0的计算方法为：

20、

21、将所有选出样本的得分值p0累加后，除以样本数量，得出该步骤所筛出的准确率p。

22、本发明相比现有技术，具有以下有益效果：

23、该模型训练方法会动态训练调整模型，能够有效提高方案输出的准确程度，并且在后期准确率稳定在较高水平时，可以无需医生进行修改，根据患者输入的生理信息特征，直接通过该模型推送对应的康复方案，通过医生核对之后直接选择对应的推荐方案，极大的减少了医生的工作任务，避免长时间出现医疗资源占用严重的情况。

24、用于通过对关节骨科手术后的患者康复过程中提供生理特征信息，对应其需要在医生的指导下完成的操作特征在神经网络中进行不断学习与训练，得到仅通过输入患者生理特征能够得到几乎与医生给出建议的操作特征一致，最后替代医生给出康复方案，减少医生的工作量，同时减缓目前医疗资源紧缺的现状。

技术特征：

1.一种骨科康复训练数据模型构建方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种骨科康复训练数据模型构建方法，其特征在于，所述ai模型包括分别独立的a网络、b网络和c网络，其中，a网络为通过交叉熵损失函数解决关节的分类问题；b网络通过均方误差作为损失函数，推导出活动开始的角度；c网络也通过使用均方误差作为损失函数，推导出活动结束的角度。

3.根据权利要求2所述的一种骨科康复训练数据模型构建方法，其特征在于，所述a网络、b网络和c网络在推导时做级联推理。

4.根据权利要求3所述的一种骨科康复训练数据模型构建方法，其特征在于，所述a网络、b网络和c网络结构相同，均包括两层隐藏层，且第一层隐藏层的节点数量为特征数量*2+偏置单元，第二层隐藏层的节点数量为特征数量+1+偏置单元，在a网络中输出活动部位特征x1，b网络中输出起始角度特征x2，在c网络中输出需要活动的角度特征x3。

5.根据权利要求4所述的一种骨科康复训练数据模型构建方法，其特征在于，a网络中，患者生理数据作为输入层，通过交叉熵损失函数得到根据数据中包含的患病部位得到具体需要的活动关节，并且得到活动关节的one-hot向量，

6.根据权利要求1所述的一种骨科康复训练数据模型构建方法，其特征在于，模型的准确率判断方法具体为：

技术总结
一种骨科康复训练数据模型构建方法，通过不断收集患者生理信息特征，模型提供的推荐方案以及医生给出的最终方案，对AI模型动态训练迭代，使得不断提升其为患者提供对应康复训练方案的准确性，使得后期给出准确的推荐方案使得医生无需对每个患者花费大量精力去判断和研究，仅需后期对模型推荐的方案进行修改和筛选，实现远程智能康复，并且节省大量的医疗资源，避免长时间出现医疗资源占用严重的情况。

技术研发人员：夏猛,喻翀,张春桃,唐贵文,郑惠
受保护的技术使用者：江苏鹰视星健康医疗科技有限公司
技术研发日：
技术公布日：2024/1/15