本发明涉及医疗信息决策技术领域，尤其涉及一种膝关节疾病预测装置及系统。
背景技术：
膝关节是全身最大的关节之一，由股骨、胫骨和髌骨构成，它是人体的承重关节，也是最易损伤的关节之一。膝关节是全身发病率最高的关节，中国人群膝关节疾病患病率高达1.5亿。膝关节疾病主要包括：骨性关节炎、半月板损伤、十字韧带损伤、滑膜炎、髌骨软化等。其主要症状是膝关节疼痛及关节功能紊乱，不仅涉及到关节内的各种病损，也常因各种关节外因素引起。而且膝关节产生的症状往往不具有特异性。如疼痛、打软腿、关节交锁等症状，既可以因为交叉韧带、半月板损伤引起，也可以因为髌股关节异常、关节软骨病变引起，甚至可能仅因为异常增生滑膜的嵌顿而引起。疾病发生的预警预测往往涉及传统的放射影像学方法，而传统的影像学预测膝关节疾病的方法也存在不足。
现有技术在依赖于传统影像学预测方式中存在以下问题：
1、依赖于传统影像学设备预警预测的方法存在一定量的放射辐射，目前传统影像学设备主要包括x线、ct、mri以及超声等，在检测病人膝关节过程中存在一定的辐射，会潜在的损害身体或者加重膝关节病情；
2、依赖于传统影像学设备预测的方法只能检测膝关节的静态状态，无法反映膝关节的功能状态以及运动状况。膝关节疾病是以膝关节运动功能紊乱以及异常为特征的关节疾病。传统影像学设备无法动态的检测该类疾病，从而无法从运动功能角度预警预测该疾病，忽视了病人的运动功能异常，同时也可导致错误预测或者漏侧膝关节疾病；
3、依赖于传统影像学设备预警预测的方法无法快速的预警预测膝关节疾病，所耗时限30分钟以上，而且通常需要专业培训的影像学人员去分析检查结果。
技术实现要素：
为了解决上述技术问题，本发明的目的是提供一种快速高效的膝关节疾病预测装置及系统。
本发明所采取的技术方案是：
一种膝关节疾病预测装置，包括：
采集单元，用于采集步态数据，并建立得到步态数据库；
预处理单元，用于对步态数据库中的步态数据进行预处理，得到标准步态数据；
模型训练单元，用于构建多层神经网络模型，并根据标准步态数据对多层神经网络模型进行训练，得到训练后的神经网络模型；
预测单元，用于对需要检测用户的步态数据进行采集，并输入至训练后的神经网络模型中，得到预测结果。
作为所述的一种膝关节疾病预测装置的进一步改进，所述的预处理单元具体包括：
剔除单元，用于根据步态数据库中的步态数据，对步态数据中的无效数据进行剔除处理，得到有效数据；
标准化单元，用于对有效数据进行标准化处理，得到标准步态数据。
作为所述的一种膝关节疾病预测装置的进一步改进，所述的模型训练单元具体包括：
模型构建单元，用于构建按照反向传播算法训练的n个多层神经网络模型，其中n为膝关节疾病总数；
根据标准步态数据，得到每个多层神经网络模型中输出层的预测值，进而对多层神经网络模型进行训练，得到训练后的神经网络模型。
作为所述的一种膝关节疾病预测装置的进一步改进，所述的步态数据包括膝关节角度自由度和膝关节位移自由度。
作为所述的一种膝关节疾病预测装置的进一步改进，所述膝关节角度自由度包括膝关节内外翻角度、内外旋角度和屈伸角度。
作为所述的一种膝关节疾病预测装置的进一步改进，所述膝关节位移自由度包括膝关节的前后位移、上下位移和内外位移。
本发明所采用的另一技术方案是：
一种膝关节疾病预测系统，包括所述的膝关节疾病预测装置。
本发明的有益效果是：
本发明一种膝关节疾病预测装置及系统通过步态数据并建立多个多层神经网络模型进行训练，进而预测出膝关节疾病，这样能在不含辐射的同时，还能快速精准地预测各类膝关节疾病，大大提高预测效率。
附图说明
图1是本发明一种膝关节疾病预测装置的原理方框图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明：
参考图1，本发明一种膝关节疾病预测装置，包括：
采集单元，用于采集步态数据，并建立得到步态数据库；
预处理单元，用于对步态数据库中的步态数据进行预处理，得到标准步态数据；
模型训练单元，用于构建多层神经网络模型，并根据标准步态数据对多层神经网络模型进行训练，得到训练后的神经网络模型；
预测单元，用于对需要检测用户的步态数据进行采集，并输入至训练后的神经网络模型中，得到预测结果。
进一步作为优选的实施方式，所述的预处理单元具体包括：
剔除单元，用于根据步态数据库中的步态数据，对步态数据中的无效数据进行剔除处理，得到有效数据；
标准化单元，用于对有效数据进行标准化处理，得到标准步态数据。
进一步作为优选的实施方式，所述的模型训练单元具体包括：
模型构建单元，用于构建按照反向传播算法训练的n个多层神经网络模型，其中n为膝关节疾病总数；
根据标准步态数据，得到每个多层神经网络模型中输出层的预测值，进而对多层神经网络模型进行训练，得到训练后的神经网络模型。
进一步作为优选的实施方式，所述的步态数据包括膝关节角度自由度和膝关节位移自由度。
进一步作为优选的实施方式，所述膝关节角度自由度包括膝关节内外翻角度、内外旋角度和屈伸角度。
进一步作为优选的实施方式，所述膝关节位移自由度包括膝关节的前后位移、上下位移和内外位移。
本发明一种膝关节疾病预测系统，包括所述的膝关节疾病预测装置。
本发明实施例中，在采集步态数据时，首先选取步态周期关键事件点的步态数据和6个自由度的步态数据取值范围作为可能预测膝关节疾的步态特征，本实施例中共有48个数据特征，提取所述的步态周期数据的关键事件点和自由度范围的步态特征数据，所述的关键事件点包括足跟着地期ic、对侧足尖离地期ot、足跟离地期hr、对侧足跟着地期oi、足跟离地期to，足相邻期fa、胫骨垂直期tv等7个关键事件点，结果一共提取48个步态特征包括(7个关键事件点+自由度范围)*6个自由度的步态特征，即ic膝屈伸角度、ic膝内外翻角度，ic膝内外旋角度、ic膝前后位移、ic膝上下位移和ic膝内外位移；ot膝屈伸角度、ot膝内外翻角度，ot内膝外旋角度、ot膝前后位移、ot膝上下位移和ot膝内外位移；hr膝屈伸角度、hr膝内外翻角度，hr膝内外旋角度、hr膝前后位移、hr膝上下位移和hr膝内外位移；oi膝屈伸角度、oi膝内外翻角度，oi膝内外旋角度、oi膝前后位移、oi膝上下位移和oi膝内外位移；to膝屈伸角度、to膝内外翻角度，to膝内外旋角度、to膝前后位移、to膝上下位移和to膝内外位移；fa膝屈伸角度、fa膝内外翻角度，fa膝内外旋角度、fa膝前后位移、fa膝上下位移和fa膝内外位移；tv膝屈伸角度、tv膝内外翻角度，tv膝内外旋角度、tv膝前后位移、tv膝上下位移和tv膝内外位移；屈伸范围，内外旋范围，内外翻范围，前后位移范围，上下位移范围和内外位移范围。
根据步态数据库(包括健康人和膝关节各类疾病患者)中的步态数据，取出以上相关特征的数据储存在后台数据库，如果数据填写未完整，视为无效数据，并进行剔除；去除无效数据后，对有效数据进行标准化处理，削弱数值大小对结果可靠性的影响，此处将数值标准化处理在[0，1]之间，得到标准步态数据。
建立按反向传播算法训练的多层前馈网络的多层神经网络模型，依据上述数据进行膝关节各类疾病预测建模，共有n个神经网络模型，n为膝关节疾病总数，如数据库包含前交叉韧带撕裂，半月板损伤，则n＝2；每个模型分为输入层、隐含层、输出层，所述神经网络模型参数设置为：隐藏层incode＝48，即为48个步态特征(x1、x2、x3…)，隐藏层个数为hidecode＝2*incode+1＝49，输出层个数为outcode＝1(y)，学习速率为study_efficient＝0.01，运行次数echo_num＝250，判别精度precision＝0.5；训练样本与测试样本比例rate＝7：3；最终得到n个模型，每个模型的最终输出层的预测值为r_n作为判断，根据r_n>0.5为患有该模型预测的膝关节疾病，r_n<0.5为不患该模型预测的膝关节疾病。将r_n值另存为excel格式，利用medcalc进行神经网络模型性能评估，采用roc曲线，可获得神经网络模型的优化的判别标准m、准确率、youden指数、敏感度、特异度等评价指标。
当采集一个用户的步态数据，选取其48个步态特征值，进行数据标准化后，输入上述所构建的n种神经网络模型，分别得到n个r_n值，若有r_n>m，则该用户患有该模型预测的膝关节疾病，r_n<m为不患该模型预测的膝关节疾病，最终输出报告结果。
从上述内容可知，本发明一种膝关节疾病预测装置及系统通过步态数据并建立多个多层神经网络模型进行训练，进而预测出膝关节疾病，这样能在不含辐射的同时，还能快速精准地预测各类膝关节疾病，大大提高预测效率。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。