本技术涉及盆底康复领域,且更为具体地,涉及一种用于盆底康复的评估系统及方法。
背景技术:
1、盆底功能障碍是指盆底肌肉及其周围组织的功能异常,常见于女性产后、更年期以及老年人等,主要表现为尿失禁、盆腔器官脱垂、性功能障碍和慢性盆腔疼痛等问题。盆底功能障碍严重影响了患者的生活质量和心理健康,给社会和医疗系统带来了沉重的负担。
2、盆底康复是一种针对盆底功能障碍的治疗方法,主要包括盆底肌肉训练、生物反馈、电刺激和手法治疗等。为了有效地进行盆底康复,需要对患者的盆底功能进行准确的评估,包括盆底肌肉的力量、耐力、协调性和快速收缩能力等。目前,常用的盆底功能评估方法有数字触诊法、压力传感器法、表面肌电图法和超声成像法等,但这些方法都存在一定的局限性,如主观性强、操作复杂、侵入性大或成本高等。
3、因此,期望一种优化的用于盆底康复的评估系统及方法。
技术实现思路
1、有鉴于此,本技术提出了一种用于盆底康复的评估系统及方法,其可以利用无线传感器网络技术,通过压力传感器实时监测采集患者在不同姿势下的盆底压力信号,并在后端引入数据处理和分析算法来进行这些盆底压力信号的时序协同关联分析,以此来检测患者的盆底功能状况。
2、根据本技术的一方面,提供了一种用于盆底康复的评估方法,其包括:
3、获取被检测患者在不同姿势下的盆底压力信号的序列;
4、将所述被检测患者在不同姿势下的盆底压力信号的序列分别按照样本维度进行排列以得到盆底压力信号输入向量的序列;
5、通过基于深度神经网络模型的盆底压力信号特征提取器分别对所述盆底压力信号输入向量的序列中的各个盆底压力信号输入向量进行特征提取以得到盆底压力信号特征向量的序列;
6、使用联合分析模块对所述盆底压力信号特征向量的序列进行联合分析以得到盆底压力信号特征向量矩阵作为盆底压力信号特征;
7、基于所述盆底压力信号特征,确定盆底功能状况等级标签;
8、其中,使用联合分析模块对所述盆底压力信号特征向量的序列进行联合分析以得到盆底压力信号特征向量矩阵作为盆底压力信号特征,包括:
9、构造所述盆底压力信号特征向量的序列的邻接矩阵和度矩阵;
10、基于所述邻接矩阵和所述度矩阵,计算拉普拉斯矩阵;
11、对所述拉普拉斯矩阵进行标准化处理以得到标准化后拉普拉斯矩阵;
12、将所述标准化后拉普拉斯矩阵的各个特征值从大到小进行排列,并提取前k个特征值计算所述前k个特征值的特征向量;
13、标准化所述前k个特征值的特征向量并将标准化后的前k个特征值的特征向量组成特征向量矩阵以得到所述盆底压力信号特征向量矩阵;
14、其中,构造所述盆底压力信号特征向量的序列的邻接矩阵和度矩阵,包括:
15、以如下权重公式计算所述盆底压力信号特征向量的序列中各个盆底压力信号特征向量之间的关联权重值以得到所述邻接矩阵;其中,所述权重公式为:
16、;
17、其中,和分别为所述盆底压力信号特征向量的序列中第个和第个盆底压力信号特征向量,为所述第个盆底压力信号特征向量和所述第个盆底压力信号特征向量之间的方差,为指数运算,为所述邻接矩阵中第位置的特征值。
18、在上述的用于盆底康复的评估方法中,所述深度神经网络模型为一维卷积神经网络模型。
19、在上述的用于盆底康复的评估方法中,构造所述盆底压力信号特征向量的序列的邻接矩阵和度矩阵,包括:
20、所述度矩阵中的各个位置的特征值为所述盆底压力信号特征向量的序列中每个盆底压力信号特征向量与其相连接的所有其余所述盆底压力信号特征向量的关联权重值之和。
21、在上述的用于盆底康复的评估方法中,基于所述邻接矩阵和所述度矩阵,计算拉普拉斯矩阵,包括:
22、基于所述邻接矩阵和所述度矩阵,以如下普拉斯公式计算所述拉普拉斯矩阵;其中,所述普拉斯公式为:
23、;
24、其中,为所述邻接矩阵,为所述度矩阵,为所述拉普拉斯矩阵。
25、在上述的用于盆底康复的评估方法中,对所述拉普拉斯矩阵进行标准化处理以得到标准化后拉普拉斯矩阵,包括:
26、以如下标准化公式对所述拉普拉斯矩阵进行标准化处理以得到所述标准化后拉普拉斯矩阵;其中,所述标准化公式为:
27、;
28、其中,为所述邻接矩阵,为所述度矩阵,为单位矩阵,为所述标准化后拉普拉斯矩阵。
29、在上述的用于盆底康复的评估方法中,基于所述盆底压力信号特征,确定盆底功能状况等级标签,包括:
30、将所述盆底压力信号特征向量矩阵通过分类器以得到分类结果,所述分类结果用于表示盆底功能状况等级标签。
31、在上述的用于盆底康复的评估方法中,还包括训练步骤:用于对基于一维卷积神经网络模型的盆底压力信号特征提取器、所述联合分析模块和所述分类器进行训练;
32、其中,所述训练步骤,包括:
33、获取训练数据,所述训练数据包括被检测患者在不同姿势下的训练盆底压力信号的序列;
34、将所述被检测患者在不同姿势下的训练盆底压力信号的序列分别按照样本维度进行排列以得到训练盆底压力信号输入向量的序列;
35、通过所述基于一维卷积神经网络模型的盆底压力信号特征提取器分别对所述训练盆底压力信号输入向量的序列中的各个训练盆底压力信号输入向量进行特征提取以得到训练盆底压力信号特征向量的序列;
36、使用所述联合分析模块对所述训练盆底压力信号特征向量的序列进行联合分析以得到训练盆底压力信号特征向量矩阵;
37、对所述训练盆底压力信号特征向量矩阵进行优化以得到优化后训练盆底压力信号特征向量矩阵;
38、将所述优化后训练盆底压力信号特征向量矩阵通过所述分类器以得到分类函数损失值;
39、基于所述分类函数损失值对所述基于一维卷积神经网络模型的盆底压力信号特征提取器、所述联合分析模块和所述分类器进行训练。
40、根据本技术的另一方面,提供了一种用于盆底康复的评估系统,其包括:
41、压力信号获取模块,用于获取被检测患者在不同姿势下的盆底压力信号的序列;
42、向量化模块,用于将所述被检测患者在不同姿势下的盆底压力信号的序列分别按照样本维度进行排列以得到盆底压力信号输入向量的序列;
43、特征提取模块,用于通过基于深度神经网络模型的盆底压力信号特征提取器分别对所述盆底压力信号输入向量的序列中的各个盆底压力信号输入向量进行特征提取以得到盆底压力信号特征向量的序列;
44、联合分析模块,用于使用联合分析模块对所述盆底压力信号特征向量的序列进行联合分析以得到盆底压力信号特征向量矩阵作为盆底压力信号特征;
45、状况分析模块,用于基于所述盆底压力信号特征,确定盆底功能状况等级标签;
46、其中,所述联合分析模块,包括:
47、构造所述盆底压力信号特征向量的序列的邻接矩阵和度矩阵;
48、基于所述邻接矩阵和所述度矩阵,计算拉普拉斯矩阵;
49、对所述拉普拉斯矩阵进行标准化处理以得到标准化后拉普拉斯矩阵;
50、将所述标准化后拉普拉斯矩阵的各个特征值从大到小进行排列,并提取前k个特征值计算所述前k个特征值的特征向量;
51、标准化所述前k个特征值的特征向量并将标准化后的前k个特征值的特征向量组成特征向量矩阵以得到所述盆底压力信号特征向量矩阵;
52、其中,构造所述盆底压力信号特征向量的序列的邻接矩阵和度矩阵,包括:
53、以如下权重公式计算所述盆底压力信号特征向量的序列中各个盆底压力信号特征向量之间的关联权重值以得到所述邻接矩阵;其中,所述权重公式为:
54、;
55、其中,和分别为所述盆底压力信号特征向量的序列中第个和第个盆底压力信号特征向量,为所述第个盆底压力信号特征向量和所述第个盆底压力信号特征向量之间的方差,为指数运算,为所述邻接矩阵中第位置的特征值。
56、在本技术中,其首先获取被检测患者在不同姿势下的盆底压力信号的序列,接着,将所述被检测患者在不同姿势下的盆底压力信号的序列分别按照样本维度进行排列以得到盆底压力信号输入向量的序列,然后,通过基于深度神经网络模型的盆底压力信号特征提取器分别对各个盆底压力信号输入向量进行特征提取以得到盆底压力信号特征向量的序列,接着,使用联合分析模块对所述盆底压力信号特征向量的序列进行联合分析以得到盆底压力信号特征向量矩阵作为盆底压力信号特征,最后,基于所述盆底压力信号特征,确定盆底功能状况等级标签。这样,可以及时反馈患者的盆底功能状况。
57、根据下面参考附图对本技术的详细说明,本技术的其它特征及方面将变得清楚。