[发明专利]基于阻抗谱信号的智能骨骼及关节信息处理系统及方法

权利要求书

1.一种基于阻抗谱信号的智能骨骼及关节信息处理方法，其特征在于，所述基于阻抗谱信号的智能骨骼及关节信息处理方法包括以下步骤：

步骤一，收集骨骼及关节不同部位的历史阻抗谱数据；

步骤二，对历史阻抗谱数据进行标准化处理，并将标准化后的历史阻抗谱数据随机划分成不同的数据集；

步骤三，构建Softmax分类模型、K-Nearest Neighbor分类模型、随机森林分类模型，将获得的标准化历史阻抗谱数据分别输入到各分类模型中进行训练，并根据训练结果，构建最优组合分类模型；

步骤四，收集骨骼及关节不同部位的实时阻抗谱数据；

步骤五，对实时阻抗谱数据进行标准化处理；

步骤六，将获得的标准化实时阻抗谱数据输入到最优组合分类模型中进行识别，得到最终识别结果；

所述步骤一具体包括以下步骤：

步骤1-1：收集骨骼及关节不同部位的历史阻抗谱数据；

步骤1-2：对收集的历史阻抗谱数据进行预处理，包括异常数据去除和缺失数据处理；

步骤1-3：对预处理后的历史阻抗谱数据进行特征提取，包括电压、电流、电阻、电容、时延信号、电导率、介电常数、弛豫时间分布和FFT时域谱特征；

所述步骤二具体包括以下步骤：

步骤2-1：计算历史阻抗谱数据的平均值和方差，并做标准化处理；

步骤2-2：将步骤2-1中获得的标准化历史阻抗谱数据随机分成60%的训练集、20%的验证集和20%的测试集；

所述步骤三具体包括以下步骤：

步骤3-1：建立Softmax分类模型，将步骤2-2中获得的训练集数据输入Softmax分类模型中进行训练；

步骤3-2：建立K-Nearest Neighbor分类模型，将步骤2-2中获得的训练集数据输入K-Nearest Neighbor分类模型中进行训练；K-Nearest Neighbor分类模型通过计算待分类样品与训练集中所有样品之间的距离，筛选出与待分类样品距离最近的K个训练集样例，统计获得的K个训练集样例中对应各类别的样例个数，哪个类别的训练样例个数最多，则将待分类样品划分为该类别；

步骤3-3：建立随机森林分类模型，将步骤2-2中获得的训练集数据输入随机森林分类模型中进行训练；随机森林分类模型通过将多个决策树分类模型进行随机组合，并将各决策树的分类结果进行投票，最终获得待分类样品的类别；

步骤3-4：将步骤2-2中获得的验证集数据分别输入到步骤3-1、步骤3-2和步骤3-3中构建的Softmax分类模型、K-Nearest Neighbor分类模型、随机森林分类模型中进行识别，同时综合评估各分类模型的性能；

步骤3-5：评估各分类模型性能的指标包括精度、准确率、召回率和F1值，以实现对分类模型性能的综合评估；

步骤3-6：根据步骤3-4中获得的Softmax分类模型、K-Nearest Neighbor分类模型、随机森林分类模型的综合评估结果，对各模型的分类量化概率结果分别设置权重系数，权重系数之和为1，并将各分类模型输出的分类量化概率结果进行加权平均，将输出概率最高的分类结果作为系统的最终识别结果，以此获得组合分类模型；

步骤3-7：将步骤2-2中获得的测试集数据输入到根据步骤3-6获得的组合分类模型进行识别，同时评估组合分类模型的识别性能；

步骤3-8：根据步骤3-7获得的组合分类模型的识别性能，重复步骤3-1至步骤3-8，进一步优化各分类模型的参数和权重系数，直至获得识别性能最优的组合分类模型。

2.如权利要求1所述的基于阻抗谱信号的智能骨骼及关节信息处理方法，其特征在于，所述步骤四具体包括以下步骤：

步骤4-1：收集骨骼及关节不同部位的实时阻抗谱数据；

步骤4-2：对收集的实时阻抗谱数据进行数据预处理，包括异常数据去除和缺失数据处理；

步骤4-3：对预处理后的实时阻抗谱数据进行特征提取，包括电压、电流、电阻、电容、时延信号、电导率、介电常数、弛豫时间分布和FFT时域谱特征。