具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本申请实施例通过提供一种监测颈椎曲度的方法和装置，解决了颈椎曲度监测不便捷成本高的问题。

本申请实施例中的技术方案为解决上述技术问题，总体思路如下：

本发明实施例中，通过对监测对象的颈椎关键部位进行监测，采集静态和动态数据，再由医生判断监测对象的颈椎是否健康，对数据进行标注，数据与标注聚合得到静态矩阵和动态矩阵，训练模型得到静态模型和动态模型，通过两个模型，用户能够随时随地监测自己的颈椎健康情况，无需去医院挂号拍片检查，节约了大量的时间成本和经济成本，并且能够在病症早期就得到注意，便于医治康复。

另外，所述装置能够实时提醒用户，以免用户持续进行对颈椎有伤害的动作，该装置还能够通过所连接的APP和云服务器将监测对象的数据上传，并由专业的医生进行诊断，出具AI和医生共同制作的诊断报告。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

实施例：

如图1所示，本发明提供了一种监测颈椎曲度的方法，所述方法包括步骤如下：

S1、采集静态数据：

将监测颈椎曲度的装置佩戴在监测对象颈椎处，通过所述装置读取并计算颈椎静态数据

D＝[静态右侧面,静态左侧面,静态下截面]；

S2、采集动态数据：

监测对象佩戴装置，进行如下动作：左转头、右转头、左偏头、右偏头、抬头、低头；通过所述装置读取并计算颈椎动态数据

E＝[左转头右侧面,左转头左侧面,左转头下截面,

右转头右侧面,右转头左侧面,右转头下截面,

左偏头右侧面,左偏头左侧面,左偏头下截面,

右偏头右侧面,右偏头左侧面,右偏头下截面,

抬头右侧面,抬头左侧面,抬头下截面,

低头右侧面,低头左侧面,低头下截面]；

S3、数据标注：

对监测对象进行X光成像，由医生判断其颈椎曲度是否健康，用判断结果对静态数据和动态数据进行标注；

S4、聚合矩阵：

将静态数据和标注直接连接聚合为静态矩阵；所述静态矩阵

D’＝[静态右侧面,静态左侧面,静态下截面,健康OR患病]；

将静态数据、动态数据和标注聚合为动态矩阵；所述动态矩阵

E’＝[左转头右侧面-静态右侧面,左转头左侧面-静态左侧面,左转头下截面-静态下截面,

右转头右侧面-静态右侧面,右转头左侧面-静态左侧面,右转头下截面-静态下截面,

左偏头右侧面-静态右侧面,左偏头左侧面-静态左侧面,左偏头下截面-静态下截面,

右偏头右侧面-静态右侧面,右偏头左侧面-静态左侧面,右偏头下截面-静态下截面,

抬头右侧面-静态右侧面,抬头左侧面-静态左侧面,抬头下截面-静态下截面,

低头右侧面-静态右侧面,低头左侧面-静态左侧面,低头下截面-静态下截面,健康OR患病]；

该处符号“-”代表对应各边的差值；

S5、多组采集：

对若干不同的监测对象进行监测，重复S1～S4步骤，得到若干组静态矩阵和动态矩阵；

S6、训练模型：

将若干组静态矩阵和动态矩阵分别输入机器学习算法训练模型得到静态模型和动态模型；

S7、用户监测：

对用户进行监测，重复S1～S2步骤，并将用户的静态数据和动态数据分别输入模型，获取监测结果；监测结果判断标准为：两模型都认为患病为患病；两模型中仅一个认为患病为有患病风险；两模型都认为健康为健康。

如图2所示，所述装置包括：

支架，所述支架包括：第一支架A1、第二支架A2、第三支架A3、第四支架A4、第五支架A5、第六支架A6；

弯曲度传感器，所述弯曲度传感器包括：第一弯曲度传感器B1、第二弯曲度传感器B2、第三弯曲度传感器B3、第四弯曲度传感器B4、第五弯曲度传感器B5；相邻的支架通过对应的弯曲度传感器连接。

其中，所述第一支架A1和第六支架A6分别紧贴监测对象的双耳根顶部，第三弯曲度传感器B3紧贴颈后突起处，第三支架A3和第四支架A4的前端分别紧贴两锁骨最末端突起处。

如图1所示，所述装置还包括：数据存储模块、算法模块、智能提醒模块和通信模块；

所述弯曲度传感器产生数据并传输至数据存储模块，算法模块从数据存储模块中提取数据并进行计算，算法模块将计算结果传输至智能提醒模块，智能提醒模块根据计算结果使用声音或震动对用户进行提醒；通信模块从数据存储模块中提取数据，并传输至手机APP或云服务器上，手机APP能够继续将数据传输至云服务器上，云服务器使用大数据、AI技术及医生评审对现有算法进行改进，并可结合医生建议，生成用户颈椎监测报告，手机APP能够下载监测报告，云服务器一旦根据更多的数据训练出更合适的模型，即可对设备中的算法模块进行更新。

所述数据存储模块包括SD和/或EMMC；所述算法模块包括FPGA和/或AI；所述智能提醒模块包括扬声器和/或蜂鸣器和/或震动马达；所述通信模块包括wifi和/或蓝牙和/或LTE。

L1、L2、L3、L4、L5、L6分别为第一支架A1、第二支架A2、第三支架A3、第四支架A4、第五支架A5、第六支架A6两端点之间的直线距离，即支架两端的弯曲度传感器之间的直线距离，由于支架均为固定造型的刚体，因此L1～L6均为常数。

b1、b2、b3、b4、b5分别为第一弯曲度传感器B1、第二弯曲度传感器B2、第三弯曲度传感器B3、第四弯曲度传感器B4、第五弯曲度传感器B5的数值。

f(x)为弯曲度传感器数值与该数值代表的角度之间的关系，该函数由弯曲度传感器厂家提供，因此f(b1)即为第一支架A1与第二支架A2之间的夹角。

所述静态数据和动态数据中的面数据均由其对应的三边长度组成；

根据正弦定理，已知两角及其夹边长度可确定此三角形并计算出剩余两边长度；

根据余弦定理，已知两边长度及其夹角可确定此三角形并计算出剩余一边长度；

因此静态右侧面为第二支架A2、第一弯曲度传感器B1和第二弯曲度传感器B2构成的三角面，其三边分别为：

L2，

静态左侧面为第五支架A5、第四弯曲度传感器B4和第五弯曲度传感器B5构成的三角面，其三边分别为：

L5，

静态下截面为第三支架A3、第四支架A4和第三弯曲度传感器B3构成的三角面，其三边分别为：

L3，L4，

所述静态矩阵

L5，L3，L4，健康OR患病]。

所述S6中，静态模型和动态模型的机器学习算法包括但不限于：线性回归、Logistic回归、支持向量机、K均值临近、随机森林、朴素贝叶斯、决策树。

所述S3中，医生判断监测对象的颈椎是否健康的依据包括：监测对象的静止体态和X光成像是否有明显扭曲、监测对象是否存在脖颈移动受限；所述S6中，所述机器学习算法模仿医生决策过程，对监测对象的静态矩阵和动态矩阵分别建模。

所述方法还包括步骤如下：

S8、日常监测：

所述S7中，用户监测得到结果后，持续测量用户的数据，获得用户的日常行为数据，并在日常行为数据尾部加盖时间戳及所述S7中监测的结果；所述日常行为数据的格式为：

[日常静态右侧面,日常静态左侧面,日常静态下截面,时间,健康or有患病风险or患病]；

S9、日常行为训练模型：

将若干用户的日常行为数据上传至云服务器，云服务器将其输入神经网络算法，进一步训练模型，得到日常模型，所述日常模型通过用户的日常行为就能判断其颈椎的健康情况，并可以对用户的不正常姿态进行提醒，一旦用户持续出现会导致颈椎病的动作，智能提醒模块即会通过声音或震动对监测对象进行实时提醒。

综上所述，与现有技术相比，本发明具备以下有益效果：

1、本发明实施例中，通过对监测对象的颈椎关键部位进行监测，采集静态和动态数据，再由医生判断监测对象的颈椎是否健康，对数据进行标注，数据与标注聚合得到静态矩阵和动态矩阵，训练模型得到静态模型和动态模型，通过两个模型，用户能够随时随地监测自己的颈椎健康情况，无需去医院挂号拍片检查，节约了大量的时间成本和经济成本，并且能够在病症早期就得到注意，便于医治康复。

2、本发明实施例中，所述装置能够实时提醒用户，以免用户持续进行对颈椎有伤害的动作，该装置还能够通过所连接的APP和云服务器将监测对象的数据上传，并由专业的医生进行诊断，出具AI和医生共同制作的诊断报告。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。