买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西南交通大学

摘要：本发明公开了一种基于Lite‑HRNet的自定义康复训练监测与评估方法，具体为：采用相机拍摄预训练的康复训练动作图片，新建或更新康复训练动作图像数据集；构建Lite‑HRnet网络模型，分别采用开源COCO数据集和自定义数据集对网络模型进行训练与微调；通过Kmeans算法进行聚类分组、贴标签，构建个性化数据集；提取关键帧到Lite‑HRnet网络进行训练，得到关键点信息后进行KNN分类，进而完成相似度计算和阈值检测。本发明解决了由于数据复杂带来的人力损失，在一定程度上实现了数据的全自动化处理；采用的算法模型在维持高分辨率性能的基础上兼顾运行效率，能够给后续工作提供强有力保障，保证了康复训练标准评估的可靠性与便捷性。

主权项：1.一种基于Lite-HRNet的自定义康复训练监测与评估方法，其特征在于，包括以下步骤：步骤1：采用相机拍摄预训练的康复训练动作图片，新建或更新动作图像数据集；步骤2：构建Lite-HRnet网络模型，分别采用两种数据集对网络模型进行训练和微调；S21：加载COCO数据集到Lite-HRnet网络模型中，对构建的网络进行预训练，将全图中初步感兴趣的人体全身区域进行定位，得到第一次训练集；S22：将自定义图片数据集加载到Lite-HRnet网络模型中；对构建的数据集进行微调，将初步感兴趣区域从全图上裁剪下来，并且在这个初步感兴趣区域内定位各个待检测的关键点，得到第二次训练集；步骤3：通过Kmeans算法进行聚类分组贴标签，构建个性化数据集；S31：对关键点信息提取特征值；S32：将数据集与特征指标加载到Kmeans算法模型中，选择欧式距离进行样本数据计算得出距离矩阵进行聚类，距离公式： 其中，D表示数据对象的属个数；S33：继续迭代，对应的类族中心需要重新计算或更新： 其中，K表示类簇个数；当两次迭代的差值小于某一阈值时，即ΔJ＜δ时，则终止迭代，此时所得类簇即为最终聚类结果；步骤4：提取关键帧到Lite-HRnet网络进行训练，得到关键点信息先进行KNN分类，进而完成相似度计算；S41：读取待检测视频图像，并将读取到的视频帧图像利用帧差算法得到平均帧间差分强度；然后对其序列进行卷积平滑运算获取关键视频关键帧；S42：将提取的关键帧图像加载到Lite-HRNet网络进行姿态估计，获取关键点坐标信息；S43：当进行对待测视频评估时，首先借助KNN算法对其进行分类，以确定所属数据集类别，其中二维空间两个像素点x1,y1，x2,y2之间的距离公式： 利用KNN算法将预测点和所有点距离进行计算，然后保存并排序，选出前面K个值看看哪个类别比较多，从而判断出康复训练模式类别；S44：定义肢体向量：首先以躯干为中心，去除无关关键点定义四肢的延伸方向为人体骨骼向量方向，然后根据骨骼向量方向定义肢体段向量；S45：计算向量夹角余弦值；利用骨骼关节点坐标对模板动作姿态与待检测动作姿态相同肢体段向量的夹角进行余弦值计算，通过夹角的余弦值间接判断2个对比姿态相同肢体间的夹角大小，从而得到模板姿态与待测姿态的相似度，即： 其中，为模板图片动作姿态的肢体向量；为使用者待检测视频动作姿态的肢体向量；确定每个关节点的权重Wi后，加权计算所提取人体骨骼14个骨节夹角余弦相似度的平均值，即： 其中，n的值为14；i的取值范围为[1,14]；S46：计算肢体段向量夹角的余弦值并得到关键帧图像人体姿态的余弦相似度，将余弦相似度换算成百分制表示并输出，即： 其中，score表示衡量动作标准的得分值；S47：设置一个阈值检测环节，即当得分低于70时，发出报警，此时我们认为动作差异性过大将有损身体健康； 将计算数据作为标准评估的量化值通过网络上传发送至护理人员处。

全文数据：

权利要求：

百度查询： 西南交通大学 一种基于Lite-HRNet的自定义康复训练监测与评估方法