文摘
为了有效地防止受伤在舞蹈学习和体育训练,提出了一种基于运动医学图像的建模方法。这种方法解决的问题伤害预防在舞蹈学习协会通过研究分析算法,医学影像信息系统,和CT技术和角色的分析数据挖掘技术在医学影像信息系统。实验结果表明,CT和美国的平均预测误差约为5%,可以认为该模型可以预测准确。先生的误差高达28.2%,并预测相对准确。结论。模型可以有效地防止在训练中受伤。
1。介绍
为了解释舞蹈完美在培训过程中,舞者经常需要做一些高难度的动作,这将导致舞蹈运动损伤。舞蹈培训造成的运动损伤通常是复杂的;这样的运动损伤通常是与舞蹈训练。舞蹈运动损伤可能需要康复至少或可能导致舞蹈运动生涯的结束1]。许多优秀的舞者和舞蹈演员必须告别他们的舞蹈事业,放弃自己喜欢的舞蹈生涯,因为运动损伤。可以说,舞蹈运动损伤已经成为许多舞者必须面对的问题。因此,它是非常重要的,以防止损伤的过程中学习跳舞。
医学影像是一个equipment-dependent纪律。医学成像设备,特别是CT和MR设备,是由自然科学中最迅速发展的前沿技术和发展的速度也是一个名副其实的2- - - - - -4]。在每个阶段的医学影像的发展,它将有一个重要的和有时划时代的影响其他临床学科密切相关。目前,医学影像的发展由CT,技术的发展是在这样一个舞台。其中,数据挖掘技术在医学成像中起着重要的作用[5]。数据挖掘技术是一个过程提取隐藏的,未知的,但从大量的潜在有用的信息和知识不完整,嘈杂的、模糊的、随机的实际应用数据。这个过程通常由数据准备阶段,数据挖掘阶段,阶段(参见图和结果表达和解释1)。数据准备阶段可以进一步划分为数据集成、数据选择、数据预处理;采矿作业阶段包括确定数据挖掘的目的,选择适当的工具,挖掘知识,并验证所发现的知识。结果表达和解释的任务阶段不仅需要表达结果还过滤信息。如果结果不能满足决策者,应该重复上面的数据挖掘过程。
在此基础上,通过分析损伤的舞蹈训练,通过预防医学成像技术,我们可以有效地防止受伤的舞者在训练过程中。
2。文献综述
舞蹈运动损伤是指紧急变化和生理生化指标的变化舞蹈者的身体组织器官或身体结构和多种因素造成的性能或舞蹈训练的过程。这些变化主要发生在舞者的基本运动系统和神经系统和血管也会有负面影响的系统。为了将最完美的一面呈现给观众,舞者经常进行艰苦训练“日复一日,年复一年。”这样的培训往往超出极限,长期高强度训练会导致运动损伤的舞者。根据研究和分析,舞蹈演员的训练损伤通常是由以下三个原因:(1)准备活动不足(2)当两人合作缺乏配合默契(3)较低的身体和心理素质
的原因,它可以有效地防止严重伤害由舞者在训练过程中造成的。
1998年是另一个划时代的标志在CT技术的发展6]。在今年,几个主要的CT设备制造商同时推出四层收购螺旋CT(多层螺旋CT),及其原理引入了其他文献[7]。这是一个起点,8-layer螺旋CT于2000年推出。介绍了16-slice螺旋CT, 2001年,2-slice 6-slice, 10-slice螺旋CT具有类似原理也发达。介绍了改进的电子束CT(2002年8]。
多层螺旋CT的关键突破是使用一个多行的宽体探测器而不是单列单片螺旋CT的探测器(9]。通过控制开关的每个探测器列的信息通道,重建图像以4为基数,可以获得不同的层厚度。探测器多列探测器中的薄的列的宽度决定收购最薄层厚度,即, - - - - - -轴分辨率。例如,在目前的探测器设计,最薄的列探测器是0.5毫米的宽度(东芝),0.625毫米(GE),和0.75毫米(西门子和飞利浦),这是薄层厚度,可以收集到每个设备。薄层厚度的设置并不是随机的。是密切相关的几个主要性能参数,即锥形x射线利用重建数学、扫描速度、x射线剂量,计算机的性能,和体素各向同性,高度重视在临床应用10- - - - - -12]。
数据挖掘技术是一个过程提取隐藏的,未知的,但从大量的潜在有用的信息和知识不完整,嘈杂的、模糊的、随机的实际应用数据。这个过程通常由数据准备阶段,数据挖掘阶段,阶段和结果表达和解释。数据准备阶段可以进一步划分为数据集成、数据选择、数据预处理。采矿作业阶段包括确定数据挖掘的目的,选择适当的工具,挖掘知识,并验证所发现的知识。结果表达和解释的任务阶段不仅需要表达结果还过滤信息。如果结果不能满足决策者,应该重复上面的数据挖掘过程。数据挖掘通常依赖于专业工具。常见的数据挖掘技术主要包括关联规则分析、人工神经网络、决策树分析、时间序列分析、聚类分析等。13]。专注于关联规则分析和时间序列分析的应用在医学图像信息系统。随着医疗信息化的发展,越来越多的医院开始普及医学图像的应用信息系统,它主要由医学图像信息系统(RIS)和医学图像存档与传输系统(PACS) [14]。RIS主要负责检查登记,检查摄影、报告编辑、评审和跟进,部门管理,和其他功能,而政治行动委员会主要负责采集、传输、存储、显示、和医学图像管理。多年以来实现RIS / pac的第三类医院,检查记录已达到100万多个,和图像记录已经达到了超过500万人。数据库中积累的大量数据为数据挖掘和利用提供了一个良好的基础。
基于上述研究,本文深入讨论和研究运动伤害预防医学影响建模在舞蹈学习和体育训练。通过研究协会的分析算法,医疗信息系统的影响,和CT技术,数据挖掘技术应用于医学影像技术,最后,舞蹈培训的有效预防受伤。
3所示。研究方法
3.1。相关分析检验项目
3.1.1。关联规则算法
关联规则是用来滤除的频率关系事务数据库中数据项集从一个给定的一组数据项和事务数据库(每笔交易的数据项的集合),找到有价值的数据项集之间的相关性在大量数据。挖掘关联规则时,必须采取各种事件数据库中的数据作为数据项,和多个数据项形式itemset的具体的事情(15]。例如,在医学图像数据库中,患者就诊时,每个检查项在访问的过程中构成它的数据项集。微软关联规则算法属于先天规则算法系列,可分为两个步骤:一是找出所有的频繁项集的支持是大于或等于预定义的最小支持度阈值;另一种是产生强烈的关联规则,满足最小频繁项集的信心。
3.1.2。数据准备
由于缺乏必要的数据验证期间使用,维护,和迁移的数据多年,加上逐渐推出的图像信息系统的软件功能模块,和员工的人为错误输入数据时,数据可能会重复,失踪,不完整的,错误的。因此,为了确保数据的质量,有必要处理数据。
EISStudies(检查信息表)和EISService(项目信息表)在医院的RIS数据库记录信息考试项目的病人在医院自2005年以来,从病人的基本属性(数量、姓名、性别、出生日期、等)、病人类型(体检、门诊、应急、住院),和检查项目(数量、名称、类型等)提取建立一个新表。因为检验物品的原始条目不是标准化的,相同的检验项目有不同的数字和名字(16]。例如,(x射线(数字)胸片(正值)CR)和电影(x射线(数字)胸部CR(正值))检验项目都是相同的。为了不影响分析结果,检验项目需要统一标准化。
3.1.3。频繁项集和关联规则
关联规则算法的首要任务是我的频繁项集。由于大量的病人检查项目,以获得有用的项集和规则,减少模型处理时间,最小支持参数设置为0.03;也就是说,只有项集的频率不少于3%选择生成关联规则(17,18]。图2显示了频繁项集的生成过程。
根据上面的频繁项集的生成过程,模型生成关联规则(见表1),信心是指发生的概率结果B的情况发生时,重要性是指发生的概率之比的对数结果当条件为真时结果的发生概率条件是不正确的,和重要性分数大于零,表明规则是有意义的,分数越大,规则是更重要。从表可以看出1在体检项目,彩色超声B的概率(肾、输尿管、膀胱、前列腺癌)和彩色超声(肝脏、胆囊、脾脏、胰腺)是98.2%,和规则的重要性得分是1.157。在住院病人中,概率的胸部博士同时我们项目的左和右下肢深静脉为73.1%,和这条规则的重要性得分为2.867。它可以发现病人的类型是体检有很高的信心,这是符合事实体检病人会做一些检查项目组合包。因为考试项目的不确定性的门诊和急诊病人的信心规则通常是不一样高的体检。
通过关联规则分析,我们可以发现的关联程度检验项目在病人的访问。如果我们进一步结合病人的疾病类型,它可以提供一个医院的临床路径管理的基础。
3.2。预测设备的检验数量
3.2.1之上。时间的算法
微软的时间序列算法封装了两个不同的计算机学习算法。第一个算法是自动使用cross-prediction回归树(ARTxp),第二个算法自动回归与移动平均(ARIMA)集成。微软的时间序列算法结合了两种算法的优点在默认情况下实现最优预测结果(19]。
3.2.2。时间序列模型的建立和验证
现代成像部门拥有大量的数码影像设备,如CT、MR, CR、DR,和DF。它提取并收集每个设备类型的月度检查数量从原来的eisservice RIS / pac数据库和设计设备的月度检查数量建立时间序列模型。自从新表中的数据处理,没有缺失值,数据每月总结和记录,和序列周期设置为12。图3是时间模型的流程图。
3.2.3。综合预测
在统计学中,多个索引系统通常用于综合预测提高预测精度检验量(20.]。考试2021年是全面预测根据病人的两个指数系统类型和设备类型。自检验体积预测两个指标系统采用时间序列算法,现在假设指标体系的重要性是相同的,相同重量平均法可以用来确定重量是0.5。
在哪里是目标检查总量预测,预测考试总额由病人类型,和预计的总检查测量设备类型。后获得的总检查数量是根据方程(3),每个设备类型的检验数量可根据以下方程:
后综合确定预测模型,时间序列模型用来预测2021年的月度检查体积成像部门根据病人类型和设备类型指标体系。由于2020年先生检查量的突变,直接根据时间序列预测误差很大。现在,根据历史数据,先生近年来的平均增长率约为3.5%,计算增长率有逐年增加的趋势。经过综合考虑,4%添加到实际价值在2020年的预测结果,2021年考试类型。
每个设备类型检查总额后,检查总额在2021年可以获得根据方程(3),然后检查每种设备检查的数量可以根据计算方程(4)。表2显示每个设备的检验量的预测价值类型在2021年,历史数据从2018年到2020年,2021年和各种检验量的增长。在此基础上预测结果,决策者可以知道部门设备检查卷2021年提前,提前使设备和人员的分配,并提高决策管理水平。例如,针对CT的高增长率2021年,新的CT设备已被认为是积极应对考试业务的增长提高医疗服务的质量(21]。
3.3。CT探测器
CT探测器的设计可以指定像素的大小和矩阵。当最早的层采集和显示方法,层厚度仅涉及“部分体积效应引起的失真。“当使用多层螺旋CT显示重建的图像,它涉及不仅像素和矩阵的概念,而且体素的概念。像素的概念是“地区”是二维的。“体素”是“体积”,这是三维的概念,也就是说,长度,宽度和高度。“长度”和“宽”的二维参数“像素”,“高度”是由采集层厚度决定。当收购层厚度是一样的“长度”和“宽度”,体素“各向同性”;否则,它是“各向异性。“当使用各向同性体元数据重建,重建的图像将不会被扭曲。如果各向异性体元数据,重建的图像将会不同程度的扭曲。
事实上,为了实现各向同性体元收购,有必要选择一个合适的视野(FOV)。当收集到的数据与512年的二次矩阵,一个公司的设计需要使用32厘米FOV获得0.625立方毫米各向同性体素。公司需要的设计采用38厘米FOV获得0.75立方毫米各向同性体素。的设计公司需要选择25厘米FOV获得0.5立方毫米各向同性体素。
除了采集方法,这种类型的设计还涉及高扫描剂量等问题,需要新的重建算法,需要大大提高计算机能力由于大的数据量的增加,和平板探测器本身的成本和设计(例如,平板探测器只能放置水平,不是在一个弧),需要进一步解决。
4所示。结果与讨论
表3列出了实际价值,预测价值,2020年每个设备类型的相对误差。从表中可以看出,CT和美国的平均预测误差约为5%,因此可以认为模型可以更准确地预测。先生的错误是高达28.2%。原因是有一个突然的变化检测的先生从2020年2月至3月,比往年要大得多。深入了解后,新添加的检查项先生在医院房间后外部训练而导致显著增加业务数量和一个大错误在时间序列的预测结果。因此,适当的使用这个时间序列预测CT和美国的体积,而其他方法必须被用来预测卷先生。图4的折线图显示每个设备的相对误差。
从表可以看出3CT和美国的平均预测误差约为5%,因此可以认为模型可以更准确地预测。先生的误差高达28.2%,并使用数据挖掘技术处理大量的数据积累在医学成像的应用信息系统(RIS / pac)在医院数年(22]。关联规则算法主要用于进行关联分析病人的检查项目,它提供了一个参考医院临床路径管理,提供一定的技术依据损伤预测在舞蹈训练,有效地提高了预测率。
5。结论
本文研究运动损伤预防医学图像建模的研究在舞蹈学习和体育训练,通过关联分析算法的研究,医学影像信息系统,和CT技术。本文还分析了数据挖掘技术在医学影像信息系统来解决这个问题伤害预防的舞蹈学习。实验结果表明,CT和美国的平均预测误差约为5%,可以认为该模型可以预测准确。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。