【技術實現步驟摘要】
本專利技術涉及術后康復管理，具體是指基于深度學習的乳腺癌術后康復姿勢管理系統。
技術介紹
1、基于深度學習的乳腺癌術后康復姿勢管理系統是利用深度學習技術和數據處理技術來對乳腺癌患者術后執行康復姿勢時的圖像數據進行處理和分析，建立乳腺癌術后康復姿勢監測模型，對患者的乳腺癌術后康復姿勢進行實時監測。但傳統乳腺癌術后康復姿勢管理系統在圖像處理方面存在的精度不足、邊緣檢測易受噪聲干擾導致的系統整體性能和實用性低的問題；傳統乳腺癌術后康復姿勢監測模型存在的模型結構單一、激活函數適應性差、特征提取不充分、學習率調節不靈活導致的模型的監測精度和泛化能力低的問題；傳統模型超參數優化方法存在搜索效率低、易陷入局部最優解和無法有效平衡全局搜索與局部搜索的問題。
技術實現思路
1、針對上述情況，為克服現有技術的缺陷，本專利技術提供了基于深度學習的乳腺癌術后康復姿勢管理系統，針對傳統乳腺癌術后康復姿勢管理系統在圖像處理方面存在的精度不足、邊緣檢測易受噪聲干擾導致的系統整體性能和實用性低的問題，本方案通過確定平滑卷積核、定義梯度分量矩陣、梯度重構、設定閾值和邊緣檢測來對圖像進行處理，改善了圖像處理的精度，提高了系統的整體性能和實用性；針對傳統乳腺癌術后康復姿勢監測模型存在的模型結構單一、激活函數適應性差、特征提取不充分、學習率調節不靈活導致的模型的監測精度和泛化能力低的問題，本方案通過設計模型結構、設計激活函數、引入通道注意力、設計損失函數、計算梯度動量和偏差校正來建立模型，提高了模型的監測精度、泛化能力、
2、本專利技術采取的技術方案如下：本專利技術提供的基于深度學習的乳腺癌術后康復姿勢管理系統，包括數據采集模塊、圖像處理模塊、建立乳腺癌術后康復姿勢監測模型模塊、模型超參數優化模塊、乳腺癌術后康復姿勢管理模塊；
3、所述數據采集模塊采集乳腺癌患者術后執行康復姿勢時的圖像數據以及姿勢的標準程度數據，所述動作的標準程度數據包括標準姿勢、欠佳姿勢、不標準姿勢和危險姿勢。
4、進一步地，所述圖像處理模塊，通過確定平滑卷積核、定義梯度分量矩陣、梯度重構、設定閾值、邊緣檢測和圖像標注來對圖像進行處理，具體包括以下步驟：
5、確定平滑卷積核，對圖像進行平滑卷積，表示如下：
6、；
7、其中，表示進行平滑卷積的卷積核，x和y分別表示圖像的像素的橫坐標索引和縱坐標索引，表示圓周率，表示平滑標準差，e表示自然常數；
8、定義梯度分量矩陣，定義出圖像在橫坐標方向和縱坐標方向的梯度分量，表示如下：
9、；
10、；
11、其中，和分別表示圖像在橫坐標方向和縱坐標方向的梯度的分量矩陣，表示開根號；
12、梯度重構，對梯度幅度和梯度方向進行重構，表示如下：
13、；
14、；
15、其中，表示重構后的梯度幅度，表示重構后的梯度方向，表示反正切函數；
16、設定閾值，首先計算出圖像梯度幅度的均值以及圖像梯度幅度的標準差，利用均值和標準差來設定閾值，表示如下：
17、；
18、；
19、其中，和分別表示高閾值和低閾值，表示圖像梯度幅度的均值，表示圖像梯度幅度的標準差；
20、邊緣檢測，將梯度幅度大于高閾值的像素點標記為強邊緣，檢查梯度幅度在低閾值和高閾值之間的像素點，如果這些弱邊緣像素點與已標記的強邊緣像素點相連，將這些弱邊緣像素點也標記為邊緣的一部分，從已標記的強邊緣像素點開始，通過檢查其鄰域內的弱邊緣像素點，將它們連接到強邊緣上，構建完整的邊緣結構；
21、圖像標注，通過乳腺癌患者術后執行康復姿勢時的標準程度數據來對執行康復姿勢時的圖像數據進行標注，并將標準程度數據設置為標簽數據。
22、進一步地，所述建立乳腺癌術后康復姿勢監測模型模塊通過設計模型結構、設計激活函數、設計卷積層、引入通道注意力、設計損失函數、設計動態衰減率、計算梯度動量、偏差校正和模型參數學習來建立模型，具體包括以下內容：
23、設計模型結構，乳腺癌術后康復姿勢監測模型由一下部位按順序連接而成，首先是輸入層連接到第一卷積模塊，第一卷積模塊有32個3乘3的卷積核，接著是第一池化模塊，它緊隨第一卷積模塊之后，采用最大池化，池化窗口為2乘2；再連接到第二和第三卷積模塊，第二卷積模塊有64個3乘3的卷積核，第三卷積模塊有128個3乘3的卷積核，隨后連接到第二池化層，采用最大池化，池化窗口為2乘2，接著進行特征展平處理，再到兩層全連接層，第一層全連接層有512個神經元，第二層全連接層有256個神經元，最后連接到輸出層，輸出乳腺癌術后康復姿勢的監測結果；
24、設計激活函數，表示如下：
25、；
26、其中，表示激活函數，表示激活函數的輸入，表示開關權重，log(·)表示取對數，表示非線性因子，表示斜率控制參數；
27、設計卷積層，表示如下：
28、；
29、其中，i和j表示特征圖的位置索引，n表示卷積層的層數索引，表示第n層卷積層的輸出特征圖在位置處的值，k和p分別表示卷積核的行索引和列索引，k和p分別表示卷積核的行數和列數，是n-1層輸出特征圖在位置處的值，表示第n層卷積層的卷積核在位置處的值，表示第n層卷積層的偏置；
30、引入通道注意力，引入通道注意力，對輸入特征依次進行全局平均池化和全局最大池化操作，再經過激活函數處理獲得通道權重；
31、設計損失函數，表示如下：
32、；
33、其中，表示損失函數，d表示數據樣本的索引，表示第d個樣本實際的姿勢的標準程度，表示模型輸出的第d個樣本預測的姿勢的標準程度，表示調節權重，表示通道注意力權重，表示期望通道注意力權重，表示l2范數的平方；
34、設計動態衰減率，表示如下：
35、；
36、其中，表示模型的參數學習次數，表示第iter次模型參數學習時的衰減率，表示初始衰減率，iterm表示最大參數學習次數，表示取最大值，表示衰減下限；
37、計算梯度動量，表示如下：
38、；
39、；
40、其中，和分別表示第iter次模型參數學習時損失函數對于模型參數的梯度第一動量和梯度第二動量，和分別表示第iter-1次模型參數學習時損失函數對于模型參數的梯度第一動量和梯度第二動量，表示第iter次模型參數學習時損失函數對于模型參數的梯度，表示第二衰減率，表示動量變化因子；
41、偏差校正，表示如下：
42、；
43、；
44、本文檔來自技高網...
【技術保護點】
1.基于深度學習的乳腺癌術后康復姿勢管理系統，其特征在于：包括數據采集模塊、圖像處理模塊、建立乳腺癌術后康復姿勢監測模型模塊、模型超參數優化模塊、乳腺癌術后康復姿勢管理模塊；
2.根據權利要求1所述的基于深度學習的乳腺癌術后康復姿勢管理系統，其特征在于：所述建立乳腺癌術后康復姿勢監測模型模塊通過設計模型結構、設計激活函數、設計卷積層、引入通道注意力、設計損失函數、設計動態衰減率、計算梯度動量、偏差校正和模型參數學習來建立模型，具體包括以下內容：
3.根據權利要求1所述的基于深度學習的乳腺癌術后康復姿勢管理系統，其特征在于：所述模型超參數優化模塊通過搜索準備、設計搜索靈敏度、設計混沌因子、設計混沌搜索函數和設計局部細化搜索函數來對模型超參數進行搜索，具體包括以下內容：
【技術特征摘要】
1.基于深度學習的乳腺癌術后康復姿勢管理系統，其特征在于：包括數據采集模塊、圖像處理模塊、建立乳腺癌術后康復姿勢監測模型模塊、模型超參數優化模塊、乳腺癌術后康復姿勢管理模塊；
2.根據權利要求1所述的基于深度學習的乳腺癌術后康復姿勢管理系統，其特征在于：所述建立乳腺癌術后康復姿勢監測模型模塊通過設計模型結構、設計激活函數、設計卷積層、引...
【專利技術屬性】
技術研發人員：張惠婷，和文豪，劉莉，黃中英，夏樂，蔣夢笑，
申請(專利權)人：中山大學腫瘤防治中心中山大學附屬腫瘤醫院，中山大學腫瘤研究所，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。