本发明属于临床医学技术领域，尤其涉及一种骨科内固定物成型系统及方法。
背景技术：
骨科内固定技术已广泛应用于临床，杰出的骨科医生，往往不仅是技艺高超的“鲁班”，还是优秀的发明家。基于杆-螺丝钉、板-螺丝钉等结构解决了骨科植入物的固定、受力和耐久性等力学问题。依靠螺丝钉固定的骨科植入物，由于“螺丝钉与宿主骨破坏性的固定方式”、“工业化的棒、板、带、丝等结构无法与个性化的宿主骨表面契合”以及“植入物弹性模量与活体骨之间的差异”等原因，使得植入物固定后，宿主骨会出现“应力集中”和“应力遮挡”等力学现象，由此引起“骨萎缩”、“骨不连”等并发症发生。现有的骨科内固定物成型系统存在功能单一，无法实现远程控制，成型几率低。
综上所述，现有技术存在的问题是：现有的骨科内固定物成型系统存在功能单一，无法实现远程控制，成型几率低。
技术实现要素：
针对现有技术存在的问题，本发明提供了一种骨科内固定物成型系统及方法。
本发明是这样实现的，一种骨科内固定物成型系统，所述骨科内固定物成型系统包括：
处理器，用于将建立的三维模型、第一计算模块和第五计算模块的计算结果以及姿态定位的结果进行处理，并经过局域网以无线的形式发给移动终端；
所述局域网的无线传感器网络路由方法包括以下步骤：
步骤一，无线传感器网络节点部署；无线传感器网络给定工作区域中包括1个源节点N，1个目的节点Sink和n个中间节点S1,S2,L,Si,L,Sn，每个中间节点有唯一的编号；其中，源节点N负责生成并发送数据，目的节点Sink负责接收从源节点N发送的数据，中间节点S1,S2,L,Si,L,Sn负责将源节点N发送的数据传输到目的节点Sink；
步骤二，生成数据，源节点N自动生成数据序列data＝{data1,data2,L,datai,L,data8}，作为一次发送的原始数据，其中第i个数据项datai是28位二进制序列；
步骤三，嵌入水印，给定水印序列w＝{w1,w2,L,wi,L,w8}，其中wi是4位二进制序列；依次将wi添加到datai后，得到含水印数据序列wdata＝{wdata1,wdata2,L,wdatai,L,wdata8}，作为一次发送的发送数据，其中第i个含水印数据项wdatai是32位二进制序列；
步骤四，发送数据；
步骤五，水印提取和检测；
步骤六，修改节点安全度，在数据传输过程中，记录本次传输路径，即保存转发含水印数据序列wdata所经过的所有中间节点的节点编号，在步骤五中，如果目的节点Sink检测到取出的水印序列rw＝{rw1,rw2,L,rwi,L,rw8}与给定水印序列w＝{w1,w2,L,wi,L,w8}不一致，即数据在传输过程中被篡改，则将本次数据传输路径中所有节点的安全度降低为当前值的二分之一；
所述无线传感器网络中的簇建立包括：
(1)在每一轮中选举PN个簇头节点，其中P为优化簇头比例，也是加权概率；每一个节点由下面的概率门限来决定是否成为簇头节点：
其中，r为当前的轮数，G为在最近轮中没有成为簇头的节点集合；每个节点都有机会轮流成为消耗能量较多的簇头节点；
E0表示普通节点的初始能量，a1,a2,...,an分别表示n种特殊节点所占的比例，b1,b2,...,bn分别表示特殊节点初始能量超过普通节点初始能量的倍数；
a1N,a2N,...,anN个特殊节点的初始能量分别为E0(1+b1),E0(1+b2),...,E0(1+bn)，剩下的(1-a1-a2,...-an)N个普通节点的初始能量为E0(1+bn)；
多级异构网络总的初始能量为：
N个传感器节点随机均匀分布在一个半径为A的圆形区域，sink节点位于区域中间，每一轮向簇头发送数据的过程中所耗的总能量为：
其中，l为簇头数，Eelec表示运行传输电路或者接收电路时每比特数据所消耗的能量，EDA为簇头执行数据融合的代价，为簇头到sink节点的平均距离，为簇成员节点到簇头节点的平均距离，εampd4sink和为放大器消耗的能量：
计算得到
对Eround关于l求偏导，并令该偏导数为0，则最优的簇头数为：
得到网络在每一轮消耗的能量总数Eround；同时，
网络的初始总能量Etotal已知，Rtotal为网络生命周期的估计值，也可得到：
Rtatal＝Etotal/Eround；
对这n+1种节点按照其初始能量取不同的加权概率Pi：
(2)节点i在第r轮的当前能量Ei(r)来选取其簇头轮转周期Ti，表示网络在第r轮的平均能量，以作为参考能量与节点的当前能量Ei(r)作比较，得到：
其中，Popt为优化簇头比例；
第r轮后网络每个节点的平均能量为：
代入计算得到加权概率Hi(r)；
得到各节点的概率门限；
所述处理器对接收的跳频混合信号时频域矩阵进行预处理，具体包括如下两步：
第一步，对进行去低能量预处理，即在每一采样时刻p，将幅值小于门限ε的值置0，得到门限ε的设定可根据接收信号的平均能量来确定；
第二步，找出p时刻(p＝0,1,2,…P-1)非零的时频域数据，用表示，其中表示p时刻时频响应非0时对应的频率索引，对这些非零数据归一化预处理，得到预处理后的向量b(p,q)＝[b1(p,q),b2(p,q),…,bM(p,q)]T，其中
三维模型模块，与处理器有线连接，用于由断层扫描获得活体骨连续的断层影像，在逆向工程软件中对连续断层影像进行堆栈并建立活体骨的三维模型；
第一计算模块，与处理器有线连接，用于计算活体骨的质心和惯量主轴；
姿态定位模块，与处理器有线连接，用于将扫描坐标系的原点移动至活体骨的质心，实现活体骨的姿态定位；
第二计算模块，与处理器有线连接，用于计算出放大活体骨的三维模型，将放大活体骨与活体骨之间做“或”布尔运算，得到活体骨的铠甲；
局域网模块，与处理器有线连接，用于实现处理器信息的发送；
移动终端，与局域网模块无线连接，用于实现处理器信息的显示。
进一步，所述三维模型模块中三维模型最优视图的自动选择方法，其特征在于，包括以下步骤：
步骤一，三维模型集预处理：对输入的三维模型集中的各个三维模型进行预处理，得到所有三维模型的类别，包括姿态校正、尺度归一化以及三维模型类别判断三个步骤，所述三维模型集中每个三维模型设有类别标记；
姿态校正过程调整三维模型的坐标系，将三维模型的姿态校正为直立状态；
尺度归一化过程将三维模型的大小归一化为单位长度；
三维模型类别判断过程根据已有三维模型集来确定不在三维模型集中未分类三维模型的所属类别；
步骤二，候选视图选取：采样三维模型的各个视图，并提取特征和聚类，得到三维模型的一组候选视图：包括三维模型视图采样、视图特征提取和视图聚类三个步骤：
三维模型视图采样过程将连续分布的视点离散化；
视图特征提取过程提取描述每个视图的特征向量；
视图聚类过程将相似度大于阈值的视图聚集在一起，然后生成候选视图子集；
步骤三，视图评价：对三维模型的候选视图排序，选择排序靠前的视图为最优视图，包括距离计算和最优视图学习两个步骤：
距离计算过程计算候选视图与三维模型集中其他三维模型的距离以及不同三维模型对应的视图；
最优视图学习过程中对每个候选视图训练分类器，并进行交叉验证，按错误率升序排列，排序最靠前的为最优视图。
本发明的另一目的在于提供一种所述骨科内固定物成型系统的骨科内固定物成型方法，所述骨科内固定物成型方法包括：
将建立的三维模型、第一计算模块和第五计算模块的计算结果以及姿态定位的结果进行处理，并经过局域网以无线的形式发给移动终端；
由断层扫描获得活体骨连续的断层影像，在逆向工程软件中对连续断层影像进行堆栈并建立活体骨的三维模型；
计算活体骨的质心和惯量主轴。
将扫描坐标系的原点移动至活体骨的质心，实现活体骨的姿态定位；
计算出放大活体骨的三维模型，将放大活体骨与活体骨之间做“或”布尔运算，得到活体骨的铠甲；
实现处理器信息的发送；
实现处理器信息的显示。
本发明的优点及积极效果为：设置有局域网模块，实现了远程对内固定物成型的监视，便于提高临床医疗水平；固定物与宿主骨之间的几何关系来自逆向工程，使得固定物与宿主骨之间实现了高度契合，由此减少了固定物与宿主骨之间应力遮挡；这两项技术从源头上解决了骨萎缩、骨不连等并发症的发生。
附图说明
图1是本发明实施例提供的骨科内固定物成型系统及方法流程图。
图中：1、处理器；2、三维模型模块；3、第一计算模块；4、姿态定位模块；5、第二计算模块；6、局域网模块；7、移动终端。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示，本发明实施例提供的骨科内固定物成型系统包括：处理器1、三维模型模块2、第一计算模块3、姿态定位模块4、第二计算模块5、局域网模块6、移动终端7。
处理器1，用于将建立的三维模型、第一计算模块3和第五计算模块5的计算结果以及姿态定位的结果进行处理，并经过局域网以无线的形式发给移动终端7；
三维模型模块2，与处理器1有线连接，用于由断层扫描获得活体骨连续的断层影像，在逆向工程软件中对连续断层影像进行堆栈并建立活体骨的三维模型；
第一计算模块3，与处理器1有线连接，用于计算活体骨的质心和惯量主轴。
姿态定位模块4，与处理器1有线连接，用于将扫描坐标系的原点移动至活体骨的质心，实现活体骨的姿态定位；
第二计算模块5，与处理器1有线连接，用于计算出放大活体骨的三维模型，将放大活体骨与活体骨之间做“或”布尔运算，得到活体骨的铠甲；
局域网模块6，与处理器1有线连接，用于实现处理器1信息的发送；
移动终端7，与局域网模块6无线连接，用于实现处理器1信息的显示。
处理器1对接收的跳频混合信号时频域矩阵进行预处理，具体包括如下两步：
第一步，对进行去低能量预处理，即在每一采样时刻p，将幅值小于门限ε的值置0，得到门限ε的设定可根据接收信号的平均能量来确定；
第二步，找出p时刻(p＝0,1,2,…P-1)非零的时频域数据，用表示，其中表示p时刻时频响应非0时对应的频率索引，对这些非零数据归一化预处理，得到预处理后的向量b(p,q)＝[b1(p,q),b2(p,q),…,bM(p,q)]T，其中
三维模型模块2中三维模型最优视图的自动选择方法，其特征在于，包括以下步骤：
步骤一，三维模型集预处理：对输入的三维模型集中的各个三维模型进行预处理，得到所有三维模型的类别，包括姿态校正、尺度归一化以及三维模型类别判断三个步骤，所述三维模型集中每个三维模型设有类别标记；
姿态校正过程调整三维模型的坐标系，将三维模型的姿态校正为直立状态；
尺度归一化过程将三维模型的大小归一化为单位长度；
三维模型类别判断过程根据已有三维模型集来确定不在三维模型集中未分类三维模型的所属类别；
步骤二，候选视图选取：采样三维模型的各个视图，并提取特征和聚类，得到三维模型的一组候选视图：包括三维模型视图采样、视图特征提取和视图聚类三个步骤：
三维模型视图采样过程将连续分布的视点离散化；
视图特征提取过程提取描述每个视图的特征向量；
视图聚类过程将相似度大于阈值的视图聚集在一起，然后生成候选视图子集；
步骤三，视图评价：对三维模型的候选视图排序，选择排序靠前的视图为最优视图，包括距离计算和最优视图学习两个步骤：
距离计算过程计算候选视图与三维模型集中其他三维模型的距离以及不同三维模型对应的视图；
最优视图学习过程中对每个候选视图训练分类器，并进行交叉验证，按错误率升序排列，排序最靠前的为最优视图。
所述局域网的无线传感器网络路由方法包括以下步骤：
步骤一，无线传感器网络节点部署；无线传感器网络给定工作区域中包括1个源节点N，1个目的节点Sink和n个中间节点S1,S2,L,Si,L,Sn，每个中间节点有唯一的编号；其中，源节点N负责生成并发送数据，目的节点Sink负责接收从源节点N发送的数据，中间节点S1,S2,L,Si,L,Sn负责将源节点N发送的数据传输到目的节点Sink；
步骤二，生成数据，源节点N自动生成数据序列data＝{data1,data2,L,datai,L,data8}，作为一次发送的原始数据，其中第i个数据项datai是28位二进制序列；
步骤三，嵌入水印，给定水印序列w＝{w1,w2,L,wi,L,w8}，其中wi是4位二进制序列；依次将wi添加到datai后，得到含水印数据序列wdata＝{wdata1,wdata2,L,wdatai,L,wdata8}，作为一次发送的发送数据，其中第i个含水印数据项wdatai是32位二进制序列；
步骤四，发送数据；
步骤五，水印提取和检测；
步骤六，修改节点安全度，在数据传输过程中，记录本次传输路径，即保存转发含水印数据序列wdata所经过的所有中间节点的节点编号，在步骤五中，如果目的节点Sink检测到取出的水印序列rw＝{rw1,rw2,L,rwi,L,rw8}与给定水印序列w＝{w1,w2,L,wi,L,w8}不一致，即数据在传输过程中被篡改，则将本次数据传输路径中所有节点的安全度降低为当前值的二分之一；
所述无线传感器网络中的簇建立包括：
(1)在每一轮中选举PN个簇头节点，其中P为优化簇头比例，也是加权概率；每一个节点由下面的概率门限来决定是否成为簇头节点：
其中，r为当前的轮数，G为在最近轮中没有成为簇头的节点集合；每个节点都有机会轮流成为消耗能量较多的簇头节点；
E0表示普通节点的初始能量，a1,a2,...,an分别表示n种特殊节点所占的比例，b1,b2,...,bn分别表示特殊节点初始能量超过普通节点初始能量的倍数；
a1N,a2N,...,anN个特殊节点的初始能量分别为E0(1+b1),E0(1+b2),...,E0(1+bn)，剩下的(1-a1-a2,...-an)N个普通节点的初始能量为E0(1+bn)；
多级异构网络总的初始能量为：
N个传感器节点随机均匀分布在一个半径为A的圆形区域，sink节点位于区域中间，每一轮向簇头发送数据的过程中所耗的总能量为：
其中，l为簇头数，Eelec表示运行传输电路或者接收电路时每比特数据所消耗的能量，EDA为簇头执行数据融合的代价，为簇头到sink节点的平均距离，为簇成员节点到簇头节点的平均距离，εampd4sink和为放大器消耗的能量：
计算得到
对Eround关于l求偏导，并令该偏导数为0，则最优的簇头数为：
得到网络在每一轮消耗的能量总数Eround；同时，
网络的初始总能量Etotal已知，Rtotal为网络生命周期的估计值，也可得到：
Rtatal＝Etotal/Eround；
对这n+1种节点按照其初始能量取不同的加权概率Pi：
(2)节点i在第r轮的当前能量Ei(r)来选取其簇头轮转周期Ti，表示网络在第r轮的平均能量，以作为参考能量与节点的当前能量Ei(r)作比较，得到：
其中，Popt为优化簇头比例；
第r轮后网络每个节点的平均能量为：
代入计算得到加权概率Hi(r)；
得到各节点的概率门限。
本发明实施例提供的骨科内固定物成型方法包括：
将建立的三维模型、第一计算模块和第五计算模块的计算结果以及姿态定位的结果进行处理，并经过局域网以无线的形式发给移动终端；
由断层扫描获得活体骨连续的断层影像，在逆向工程软件中对连续断层影像进行堆栈并建立活体骨的三维模型；
计算活体骨的质心和惯量主轴。
将扫描坐标系的原点移动至活体骨的质心，实现活体骨的姿态定位；
计算出放大活体骨的三维模型，将放大活体骨与活体骨之间做“或”布尔运算，得到活体骨的铠甲；
实现处理器信息的发送；
实现处理器信息的显示。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。