CN120581142A - 一种康复训练系统及康复训练信息处理方法 - Google Patents

Abstract

本申请提供一种康复训练系统及康复训练信息处理方法，确定康复影像数据中每个图像帧中所有像素点的局部张量，通过所有局部张量从所有像素点中提取得到多个结构特征点；确定所有相邻图像帧中各个结构特征点的结构变化信息，根据结构变化信息结合生物力学分析模型进行功效映射模拟，得到进行下肢功能护理训练时对目标肌群的有效干预强度；根据目标肌群的生理信号信息确定生理激活指标，基于所有有效干预强度和所有生理激活指标确定患者进行下肢功能护理训练时不同训练周期的肌肉激活度；通过所有肌肉激活度生成患者进行下肢功能护理训练后的康复进度信息。本申请的方案可将康复影像中肌群组织的微观结构动态变化，定量转化为训练干预效果的评估。

Description

一种康复训练系统及康复训练信息处理方法

技术领域

本申请涉及康复护理训练技术领域，更具体地说，本申请涉及一种康复训练系统及康复训练信息处理方法。

背景技术

康复护理训练是针对患者的伤病、术后或功能障碍者，通过运动疗法、作业疗法、物理因子治疗等手段，结合个性化护理计划，帮助患者恢复肢体功能、提升生活自理能力的干预措施。通过护理人员与患者协作，依据病情制定训练方案，可减轻患者的残障影响，促进患者身体机能恢复，助力患者回归家庭与社会。

而康复训练信息处理方法则是对康复训练过程中采集的康复训练信息进行处理，以针对患者的具体病情和功能缺损，制定个性化的训练方案，包括肌力训练、关节活动度训练、协调性训练和平衡训练等多种内容，其中，在患者进行下肢功能护理训练后，传统的康复训练信息处理方法依赖单一模态数据（如静态影像或生理信号），往往难以全面反映训练中肌肉的“结构变化-力学传导-生理响应”耦合关系；且由于其通常采用静态分析与通用化模型，无法动态量化不同训练周期的干预效果，进而导致对患者的康复进度评估效果较差，因此，如何将康复影像中肌群组织的微观结构动态变化，定量转化为训练干预效果的评估，以提高患者的康复进度评估效果成为了业界面临的难题。

发明内容

本申请提供一种康复训练系统及康复训练信息处理方法，可将康复影像中肌群组织的微观结构动态变化，定量转化为训练干预效果的评估。

第一方面，本申请提供一种康复训练信息处理方法，包括如下步骤：

获取患者进行下肢功能护理训练时目标肌群的康复影像数据；

确定所述康复影像数据的每个图像帧中所有像素点的局部张量，进而通过所有局部张量从所有像素点中提取得到目标肌群组织纤维走向的多个结构特征点；

确定所述康复影像数据的所有相邻图像帧中各个结构特征点的结构变化信息，根据所述结构变化信息结合生物力学分析模型对肌群运动进行功效映射模拟，得到进行下肢功能护理训练时不同训练周期内对目标肌群的有效干预强度；

根据目标肌群的生理信号信息确定患者在下肢功能护理训练时不同训练周期的生理激活指标，基于下肢功能护理训练的临床约束条件结合所有有效干预强度和所有生理激活指标对目标肌群进行多维约束仿真，得到患者进行下肢功能护理训练时不同训练周期的肌肉激活度；

通过所有肌肉激活度生成患者进行下肢功能护理训练后的康复进度信息。

在一些实施例中，确定所述康复影像数据的每个图像帧中所有像素点的局部张量具体包括：

获取所述康复影像数据中每个图像帧的灰度图像信息；

通过所有灰度图像信息确定每个图像帧中所有像素点在预设邻域中的图像梯度值；

根据所有图像梯度值构建每个图像帧中所有像素点的局部张量。

在一些实施例中，通过所有局部张量从所有像素点中提取得到目标肌群组织纤维走向的多个结构特征点具体包括：

通过所有局部张量确定各个像素点在预设邻域中的主方向分布特征；

根据所有主方向分布特征从所有像素点中提取得到目标肌群组织纤维走向的多个结构特征点。

在一些实施例中，确定所述康复影像数据的所有相邻图像帧中各个结构特征点的结构变化信息具体包括：

确定所述康复影像数据在不同相邻图像帧中各个结构特征点的局部位移场；

通过所有局部位移场构建所述康复影像数据的所有相邻图像帧中各个结构特征点的结构变化信息。

在一些实施例中，根据所述结构变化信息结合生物力学分析模型对肌群运动进行功效映射模拟，得到进行下肢功能护理训练时不同训练周期内对目标肌群的有效干预强度具体包括：

根据所述结构变化信息构建目标肌群在不同训练周期中的肌肉应变场矩阵；

对各个肌肉应变场矩阵进行空间分块处理，得到各个训练周期中的分区应变强度图；

通过所有分区应变强度图输入生物力学分析模型得到下肢功能护理训练的不同训练周期对目标肌群的有效干预强度。

在一些实施例中，根据目标肌群的生理信号信息确定患者在下肢功能护理训练时不同训练周期的生理激活指标具体包括：

获取目标肌群的生理信号信息；

通过所述生理信号信息确定不同训练周期的肌电总体活性；

基于所有肌电总体活性生成患者在下肢功能护理训练时不同训练周期的生理激活指标。

在一些实施例中，根据目标肌群的生理信号信息确定患者在下肢功能护理训练时不同训练周期的生理激活指标具体包括：

获取目标肌群的生理信号信息；

通过所述生理信号信息确定不同训练周期的肌电总体活性；

基于所有肌电总体活性生成患者在下肢功能护理训练时不同训练周期的生理激活指标。

在一些实施例中，通过所有肌肉激活度生成患者进行下肢功能护理训练后的康复进度信息具体包括：

通过所有肌肉激活度提取目标肌群激活趋势的时序变化特征；

基于所述时序变化特征结合预设的康复进度判定规则生成患者进行下肢功能护理训练后的康复进度信息。

在一些实施例中，所述生理信号信息为目标肌群的表面肌电信号。

第二方面，本申请提供一种康复训练系统，其包括有康复训练信息处理单元，所述康复训练信息处理单元包括：

获取模块，用于获取患者进行下肢功能护理训练时目标肌群的康复影像数据；

处理模块，用于确定所述康复影像数据的每个图像帧中所有像素点的局部张量，进而通过所有局部张量从所有像素点中提取得到目标肌群组织纤维走向的多个结构特征点；

所述处理模块，还用于确定所述康复影像数据的所有相邻图像帧中各个结构特征点的结构变化信息，根据所述结构变化信息结合生物力学分析模型对肌群运动进行功效映射模拟，得到进行下肢功能护理训练时不同训练周期内对目标肌群的有效干预强度；

所述处理模块，还用于根据目标肌群的生理信号信息确定患者在下肢功能护理训练时不同训练周期的生理激活指标，基于下肢功能护理训练的临床约束条件结合所有有效干预强度和所有生理激活指标对目标肌群进行多维约束仿真，得到患者进行下肢功能护理训练时不同训练周期的肌肉激活度；

执行模块，用于通过所有肌肉激活度生成患者进行下肢功能护理训练后的康复进度信息。

本申请公开的实施例提供的技术方案具有以下有益效果：

本申请提供的康复训练系统及康复训练信息处理方法中，通过获取患者进行下肢功能护理训练时目标肌群的康复影像数据；确定所述康复影像数据的每个图像帧中所有像素点的局部张量，进而通过所有局部张量从所有像素点中提取得到目标肌群组织纤维走向的多个结构特征点；确定所述康复影像数据的所有相邻图像帧中各个结构特征点的结构变化信息，根据所述结构变化信息结合生物力学分析模型对肌群运动进行功效映射模拟，得到进行下肢功能护理训练时不同训练周期内对目标肌群的有效干预强度；根据目标肌群的生理信号信息确定患者在下肢功能护理训练时不同训练周期的生理激活指标，基于下肢功能护理训练的临床约束条件结合所有有效干预强度和所有生理激活指标对目标肌群进行多维约束仿真，得到患者进行下肢功能护理训练时不同训练周期的肌肉激活度；通过所有肌肉激活度生成患者进行下肢功能护理训练后的康复进度信息。

由此可见，本申请中，通过对医学影像中连续帧的结构变化信息（即应变场）结合生物力学分析模型来确定有效干预强度，实现了将肌群纤维在训练过程中发生的微观形变—包括拉伸、压缩和剪切应变—转化为可量化的干预强度指标；从而在每个训练周期内通过模拟肌肉-骨骼系统响应所得的干预强度能够与患者个体解剖参数及生理特性相匹配，实现对不同患者、不同训练动作下力学刺激的个性化评估，使得系统可将不同训练周期的干预强度进行横向比较和纵向跟踪，可以直观揭示训练方案的累积效果及每阶段的刺激强度变化，为康复进度评估提供了客观、量化且高度敏感的参考依据；随后，本申请通过将仿真模型输出的肌力估计值与最大理论肌力进行比值计算得到肌肉激活度，即：将肌电总体活性与力学干预强度协同映射后得到的归一化肌力输出比率，用以精准反映肌群对训练负荷的神经—肌肉响应效率；从而克服了因患者体质差异、设备贴附差异或训练强度波动带来的绝对数值偏差，使得评估更加稳定可靠；再次，激活率的时序变化直接反映了肌肉功能恢复进程：当干预强度适中且激活率持续上升时，说明训练方案既能充分刺激肌肉又不会过度疲劳；反之，激活率下降或停滞则提示需要调整训练参数或休息；最终，将肌肉激活度序列与康复进度判定规则结合，可实现对训练效果的动态监测与预测，为个性化康复方案优化和临床决策提供了强有力的量化支撑；综上所述，该方案可将康复影像中肌群组织的微观结构动态变化，定量转化为训练干预效果的评估。

附图说明

图1是根据本申请一些实施例所示的一种康复训练信息处理方法的流程示意图；

图2是根据本申请一些实施例所示的确定局部张量的流程示意图；

图3是根据本申请一些实施例所示的实现趋势分析的流程示意图；

图4是根据本申请一些实施例所示的康复训练信息处理单元的结构示意图；

图5是根据本申请一些实施例所示的实现康复训练信息处理方法的计算机设备的内部结构图。

具体实施方式

为了更好的理解本实施例中的技术方案，下面将结合说明书附图以及具体的实施方式对本实施例中的技术方案进行详细的说明。

参考图1，该图是根据本申请一些实施例所示的一种康复训练信息处理方法的流程示意图，该方法是用于康复训练系统对下肢功能护理训练的康复训练信息进行处理，具体实现时，该康复训练信息处理方法主要包括如下步骤：

在步骤101中，获取患者进行下肢功能护理训练所有训练周期中目标肌群的康复影像数据。

具体实现时，可通过将可穿戴式超声成像设备固定于患者下肢目标肌群对应的皮肤表面，依照训练方案的各个训练周期进行连续成像采集后，将连续成像得到的多个图像帧组成的集合作为本申请中目标肌群的康复影像数据。

需要说明的是，本申请中所述目标肌群的康复影像数据，是指在患者进行下肢功能护理训练过程中，通过可穿戴式超声成像设备在目标肌群区域内连续采集获得的图像帧集合，所述图像帧按时间顺序排列，能够反映目标肌群在训练过程中不同时间点下的组织形态状态与运动变化趋势，另外，所述可穿戴式超声成像设备，是指具备实时成像能力并适用于康复运动状态下使用的轻便式超声系统，具体包括：微型线阵超声探头、柔性固定绑带、便携式图像处理主机以及与其连接的图像缓存模块；进一步地，本申请中所述训练周期，是指患者按照康复训练方案执行的一组有组织的重复训练单元，每个训练周期包括准备阶段、动作执行阶段与放松恢复阶段；其中，动作执行阶段可对应具体训练任务，如抗阻屈膝、负重站立或主动伸展等，放松阶段用于肌肉张力回落与应变缓解。

在步骤102中，确定所述康复影像数据的每个图像帧中所有像素点的局部张量，进而通过所有局部张量从所有像素点中提取得到目标肌群组织纤维走向的多个结构特征点。

在一些实施例中，参考图2所示，该图是本申请的一些实施例所示的确定局部张量的流程示意图，确定所述康复影像数据的每个图像帧中所有像素点的局部张量可采用下述步骤实现：

首先，在步骤1021中，获取所述康复影像数据中每个图像帧的灰度图像信息；

然后，在步骤1022中，通过所有灰度图像信息确定每个图像帧中所有像素点在预设邻域中的图像梯度值；

最后，在步骤1023中，根据所有图像梯度值构建每个图像帧中所有像素点的局部张量。

具体实现时，通过所有灰度图像信息确定每个图像帧中所有像素点在预设邻域中的图像梯度值可采用下述方式实现，即：首先，选取一个图像帧，获取该个图像帧的灰度图像信息，随后，对于该个图像帧的每个像素点，通过现有技术中的梯度算子结合所述灰度图像信息，确定各个像素点在水平方向与垂直方向的灰度变化率，即：水平方向梯度值和垂直方向梯度值，最后，将所述水平方向梯度值和所述垂直方向梯度值作为对应像素点在预设邻域中的图像梯度值，重复上述步骤，确定剩余图像帧中所有像素点在预设邻域中的图像梯度值。

需要说明的是，所述图像梯度值是指用于表征图像帧中各像素点局部区域灰度变化强度与方向的响应指标，其通过在预设邻域内计算像素点在水平方向与垂直方向上的灰度变化率获得，主要作用在于刻画图像中边缘轮廓、纹理结构及区域过渡特征，用以支撑后续的图像结构识别、特征点筛选及局部模式分析等关键处理过程。

具体实现时，根据所有图像梯度值构建每个图像帧中所有像素点的局部张量可采用下述方式实现，即：选取一个图像帧，获取该个图像帧中一个像素点作为选定像素点，获取选定像素点在预设领域中的图像梯度值；随后，基于该预设邻域中各方向上的图像梯度分布情况，构建描述该选定像素点局部结构变化特征的张量矩阵；具体地，所述图像梯度值通过边缘增强算子提取得到，具备稳定的方向响应特征；进一步地，可通过将水平梯度的乘积累加结果设定为张量第一对角元素，垂直梯度的乘积结果设定为第二对角元素，水平方向与垂直方向梯度乘积的累加结果设定为非对角元素，最终形成描述选定像素点在局部区域内结构变化特性的二维对称正定结构张量作为选定像素点的结构张量；需要说明的是，所述结构张量中，第一对角元素用于表征选定像素点在水平方向上的局部变化强度，第二对角元素表征垂直方向的变化强度，非对角元素用于反映水平与垂直梯度之间的相关性或耦合程度。

需要说明的是，本申请中所述局部张量是指用于刻画图像帧中各像素点在其所在预设邻域内灰度变化方向性与结构分布特征的二维对称正定矩阵，其通过融合该像素点在水平方向与垂直方向上的图像梯度信息构建，主要用于反映该像素点局部区域内的边缘结构强度。

在一些实施例中，通过所有局部张量从所有像素点中提取得到目标肌群组织纤维走向的多个结构特征点可采用下述步骤实现：

通过所有局部张量确定各个像素点在预设邻域中的主方向分布特征；

根据所有主方向分布特征从所有像素点中提取得到目标肌群组织纤维走向的多个结构特征点。

具体实现时，通过所有局部张量确定各个像素点在预设邻域中的主方向分布特征可采用下述方式实现，即：首先，对于每个像素点，获取其对应的局部张量，并基于所述局部张量中各元素的方向性分布特征，确定对应像素点在预设邻域内的主导响应方向；具体地，可采用特征值分解方法对所述局部张量进行方向性分析，获得所述局部张量对应的两个特征值及其对应的特征向量；随后，从所述两个特征值中选取较大值所对应的特征向量，并将其方向作为该像素点在预设邻域中的主方向分布特征；其中，该最大特征值表示该区域内最显著的结构变化强度，其所对应的特征向量方向可用于表征局部图像中纤维结构的主导排列趋势；最后，将该主方向作为对应像素点在预设邻域中的主方向分布特征从而得到各个像素点在预设邻域中的主方向分布特征。

需要说明的是，所述主方向分布特征是指基于每个像素点对应的局部张量，通过特征值分解所提取出的最大特征值对应特征向量的方向信息，用以表征该像素点在其预设邻域内的主要结构响应方向。

具体实现时，根据所有主方向分布特征从所有像素点中提取得到目标肌群组织纤维走向的多个结构特征点可采用下述方式实现，即：首先，对于每个图像帧，根据所有像素点所对应的主方向分布特征构建主方向场，随后，对该主方向场进行局部一致性分析，具体可采用方向一致性量化算法（如主方向聚合度或局部方向协方差指标）评估每个像素点在邻域内的主方向集中程度，从而筛选出在局部区域内主方向分布高度一致的像素点作为目标肌群组织纤维走向的多个结构特征点；优选地，所述主方向场可构建为二维向量场，每个像素点以其主方向作为方向向量，该向量场可引入局部窗口平滑策略（如加权平均或高斯滤波）以降低梯度方向波动对特征提取结果的干扰，在其它实施例中还可以采用另外的方法，这里不做限定。

需要说明的是，所述结构特征点是指在图像主方向场中具备高方向一致性区域内提取得到的像素点集合，其用于准确表征目标肌群组织纤维在图像中的主导排列趋势。

在步骤103中，确定所述康复影像数据的所有相邻图像帧中各个结构特征点的结构变化信息，根据所述结构变化信息结合生物力学分析模型对肌群运动进行功效映射模拟，得到下肢功能护理训练的不同训练周期对目标肌群的有效干预强度。

在一些实施例中，确定所述康复影像数据的所有相邻图像帧中各个结构特征点的结构变化信息可采用下述步骤实现：

确定所述康复影像数据在不同相邻图像帧中各个结构特征点的局部位移场；

通过所有局部位移场构建所述康复影像数据的所有相邻图像帧中各个结构特征点的结构变化信息。

具体实现时，确定所述康复影像数据在不同相邻图像帧中各个结构特征点的局部位移场可采用下述方式实现，即：首先，获取所述康复影像数据的一个相邻图像帧，获取前一帧图像中所有结构特征点的空间位置，并基于每个结构特征点的位置，结合目标区域的运动特征及图像分辨率，构建具有自适应大小的搜索区域；随后，采用基于图像块匹配的方式，在所述搜索区域内确定与前一帧中特征点邻域图像块最相似的匹配区域；优选地，所述图像块匹配可基于灰度相似性、纹理相关性或结构一致性等指标进行度量，具体可包括归一化互相关、结构相似度或互信息准则等相似性度量方式；接着根据所述前一帧中结构特征点的原始位置与匹配后的位置之间的坐标差异，计算对应的二维位移向量；最后，将所有结构特征点对应的二维位移向量作为该个相邻图像帧中各个结构特征点的局部位移场，重复上述步骤，确定剩余相邻图像帧中各个结构特征点的局部位移场。

需要说明的是，所述局部位移场是指在任意一对相邻医学影像图像帧之间，基于各个结构特征点的图像块匹配结果所构建的、用于描述目标肌群在局部区域内组织运动变化情况的二维向量集合，其用于刻画相邻时刻结构特征点的位移行为。

具体实现时，通过所有局部位移场构建所述康复影像数据的所有相邻图像帧中各个结构特征点的结构变化信息可采用下述方式实现，即：首先，选取一对相邻图像帧，对于该对相邻图像帧中的每一个结构特征点，选取以对应结构特征点为中心、边长为固定像素数的正方形邻域区域内的多个邻域特征点，获取各个邻域特征点在前一帧与后一帧中的空间位置，并基于前后帧图像中对应特征点的位置坐标差计算其二维位移向量，得到该邻域内所有结构特征点的二维位移集合；随后，基于所述二维位移集合，提取其中各对相邻特征点在水平方向和垂直方向上的位移分量，计算各对邻域特征点之间的水平方向位移差值与垂直方向位移差值；其次，依据预设的有限差分模板（包括但不限于向前差分或中心差分方式），将所述水平方向与垂直方向的位移差代入计算，构建该结构特征点对应的局部变形梯度矩阵，所述变形梯度矩阵中各元素分别表征该结构特征点在水平和垂直方向的变形率；接着，根据该局部变形梯度矩阵，进一步提取该结构特征点在当前相邻图像帧中的主应变、剪切应变或横向应变等应变量；最后，将所有结构特征点在相邻图像帧中所对应的应变量按照其空间坐标顺序进行有序排列，得到该对相邻图像帧中各个结构特征点的结构变化信息；重复上述步骤，确定剩余相邻图像帧中各个结构特征点的结构变化信息。

需要说明的是，所述结构变化信息是指在康复影像数据的所有相邻图像帧之间，通过各结构特征点的局部变形梯度计算所得到的一组用于量化目标肌群在训练过程中的组织形变特征的时序应变数据集合，可通过所述结构变化信息反映目标区域在不同时间点下的微观力学响应与组织结构动态演化趋势。

在一些实施例中，根据所述结构变化信息结合生物力学分析模型对肌群运动进行功效映射模拟，得到下肢功能护理训练的不同训练周期对目标肌群的有效干预强度可采用下述步骤实现：

根据所述结构变化信息构建目标肌群在不同训练周期中的肌肉应变场矩阵；

对各个肌肉应变场矩阵进行空间分块处理，得到各个训练周期中的分区应变强度图；

通过所有分区应变强度图输入生物力学分析模型得到下肢功能护理训练的不同训练周期对目标肌群的有效干预强度。

具体实现时，根据所述结构变化信息构建目标肌群在不同训练周期中的肌肉应变场矩阵可采用下述方式实现，即：依据训练方案中各训练周期的时间边界，将所述结构变化信息按时间顺序划分为多个训练周期对应的结构变化片段，其中，所述结构变化片段分别对应一个训练周期内获取的连续图像帧中所有结构特征点的应变值分布；随后，对于每个结构变化片段，获取该片段中所有结构特征点的空间坐标与对应的应变值，并在图像坐标系下构建二维规则网格，以所述结构特征点在图像帧中的位置作为网格节点，将其应变值填入对应网格单元，形成初始应变矩阵；进一步地，针对网格中未被结构特征点覆盖的空白区域，采用插值算法进行补全，所述插值算法可包括基于空间邻域的加权平均插值、双线性插值、样条函数插值或其他局部连续性插值方法，以恢复空间连续的应变分布图，最后，将每个结构变化片段对应的二维应变矩阵输出，作为目标肌群在对应训练周期中的肌肉应变场矩阵，从而得到目标肌群在不同训练周期中的肌肉应变场矩阵。

需要说明的是，本申请中所述肌肉应变场矩阵是指在图像坐标系下，以目标肌群区域内所有结构特征点在图像帧中的空间位置为索引，依据其对应的应变值进行网格化重构后形成的二维矩阵，用于表达目标肌群在特定训练周期内的组织形变强度分布，可通过所述全肌肉应变场矩阵量化并可视化肌肉在训练过程中不同空间位置上的应变变化，反映肌群在局部与整体维度上的应力响应状态。

具体实现时，对各个肌肉应变场矩阵进行空间分块处理，得到各个训练周期中的分区应变强度图可采用下述方式实现，即：首先，选取目标肌群对应的每个训练周期的肌肉应变场矩阵，进而沿水平方向与垂直方向分别以固定像素间隔（例如10个像素点）划分网格，将原始矩阵划分为多个大小一致的二维子区域，形成空间分块结构，随后，对于每个空间分块结构，获取所述空间分块结构内所有网格节点对应的应变值集合，进而计算空间分块结构内所有应变值的算术平均作为对应空间分块结构中的应变强度指标，从而得到各个空间分块结构中的应变强度指标，最后，将每个空间分块结构对应的应变强度指标值，按其在矩阵中对应的空间位置填入至一个二维分区图矩阵的结果作为对应训练周期中的分区应变强度图。

需要说明的是，所述分区应变强度图是指在图像坐标系下，依据肌肉应变场矩阵的空间位置划分结果，将每个空间分块结构中的应变值进行统计平均后，按其对应空间位置重建生成的二维矩阵，用于量化目标肌群在特定训练周期内不同空间区块上的平均应变响应程度。

需要说明的是，所述生物力学分析模型为预先建立的干预强度预测模型，所述模型基于实际肌肉响应与应变数据之间的历史对应关系，通过统计建模、规则映射或监督学习训练构建，用于将应变空间特征映射为有效干预强度指标，因此，具体实现时，通过所有分区应变强度图输入生物力学分析模型得到下肢功能护理训练的不同训练周期对目标肌群的有效干预强度可采用下述方式实现，即：首先，通过所有分区应变强度图确定各个训练周期的应变特征向量，随后将每个训练周期所对应的应变特征向量作为输入，输入至所述生物力学分析模型中，模型对输入的应变特征向量进行量化解析，输出该训练周期下目标肌群所受的有效干预强度，优选地，所述应变特征向量具体包括所有子区域的平均应变值、最大应变值对应区域的位置坐标、区域间应变差值标准差、主应变方向的一致性指标及高强度应变区域所占比例，在其它实施例中还可以采用另外的方法实现，这里不做限定。

需要说明的是，所述有效干预强度是指通过生物力学分析模型，基于目标肌群在不同训练周期内的分区应变特征量化得出的肌肉受力与形变响应的综合指标，用于反映下肢功能护理训练过程中肌肉所承受的实际机械负荷及训练刺激效果。

在步骤104中，根据目标肌群的生理信号信息确定患者在下肢功能护理训练时不同训练周期的生理激活指标，基于下肢功能护理训练的临床约束条件结合所有有效干预强度和所有生理激活指标对目标肌群进行多维约束仿真，得到患者进行下肢功能护理训练时不同训练周期的肌肉激活度。

在一些实施例中，根据目标肌群的生理信号信息确定患者在下肢功能护理训练时不同训练周期的生理激活指标可采用下述步骤实现：

获取目标肌群的生理信号信息；

通过所述生理信号信息确定不同训练周期的肌电总体活性；

基于所有肌电总体活性生成患者在下肢功能护理训练时不同训练周期的生理激活指标。

需要说明的是，本申请中所述生理信号信息为目标肌群的表面肌电信号，作为一个优选地实施例，可在患者进行下肢功能护理训练过程中，于目标肌群对应的皮肤表面布设表面肌电电极，所述电极通过柔性固定结构贴合设置于皮肤表面，优选地，所述电极可为预贴式湿电极或干电极阵列，数量与位置可依据目标肌群的肌肉走向和肌腹分布特性确定，随后，基于表面肌电信号采集装置，以固定采样频率对目标肌群区域内所有电极通道采集训练全过程中的原始肌电信号数据，进而将所述原始肌电信号数据作为目标肌群的生理信号信息，在其它实施例中还可以采用另外的方法获取，这里不做限定。

具体实现时，通过所述生理信号信息确定不同训练周期的肌电总体活性可采用下述方式实现，即：首先，基于训练方案中预设的各训练周期时间边界，将所述生理信号信息按时间轴划分为多个对应训练周期的肌电信号片段；每个肌电信号片段对应一个训练周期内从目标肌群获取的表面肌电信号；随后，对于每个训练周期内的肌电信号片段，依次提取各通道的有效肌电区段，并采用现有技术中的包络能量法对每个通道的肌电信号进行能量计算，得到各通道对应的肌电活性指标，最后，将各通道的肌电活性指标进行加权处理，得到当前训练周期内的目标肌群的肌电总体活性；其中，所述通道权重可依据电极布设位置与目标肌群主功能区的相关性设定。

需要说明的是，所述肌电总体活性是指基于目标肌群在特定训练周期内多通道表面肌电信号的能量特征加权综合计算所得的量化指标，用以反映该训练周期中目标肌群的整体电生理激活水平和肌肉收缩强度。

具体实现时，基于所有肌电总体活性生成患者在下肢功能护理训练时不同训练周期的生理激活指标可采用下述方式实现，即：首先，获取所有肌电总体活性中的最大值和最小值，然后以所述最大值和最小值作为输入，采用现有技术中的最大-最小归一化算法，将各个肌电总体活性在[0，1]之间映射，进而将每个肌电总体活性的归一化值作为对应训练周期的生理激活指标，从而得到患者在下肢功能护理训练时不同训练周期的生理激活指标。

需要说明的是，所述生理激活指标是指通过对目标肌群在各训练周期内计算得到的肌电总体活性进行归一化处理后所得的无量纲量化指标，用于反映患者在不同训练周期中肌肉电生理激活水平的相对强度。

在一些实施例中，基于下肢功能护理训练的临床约束条件结合所有有效干预强度和所有生理激活指标对目标肌群进行多维约束仿真，得到患者进行下肢功能护理训练时不同训练周期的肌肉激活度可采用下述步骤实现：

基于下肢功能护理训练的临床约束条件构建肌力响应约束变量；

获取下肢功能护理训练的肌力估计仿真模型；

将所有肌力响应约束变量、所有有效干预强度和所有生理激活指标作为所述肌力估计仿真模型的模型输入，进而得到患者进行下肢功能护理训练时不同训练周期的肌肉激活度。

优选地，基于下肢功能护理训练的临床约束条件构建肌力响应约束变量具体包括：首先，确定目标肌群所对应的主控关节，所述主控关节为该目标肌群解剖路径上主要控制或跨越的关节结构；例如，目标肌群为股四头肌时，对应的主控关节为膝关节；随后，通过角度传感器、运动捕捉设备或可穿戴惯性模块，获取该主控关节在每个训练周期内的实际开合角度范围；进一步地，基于训练阶段所对应的标准临床评估值，设定目标角度范围作为参考约束区间，将实际角度区间与参考角度区间进行比较，计算其相对误差值作为角度匹配度；最后，将所述角度匹配度作为指定训练周期下目标肌群的肌力响应约束变量，在其它实施例中还可以采用另外的方法实现，这里不做限定。

需要说明的是，所述肌力响应约束变量是指基于目标肌群所对应主控关节的实际开合角度与预设参考角度范围之间的匹配程度计算得到的量化指标，用于反映训练周期内关节运动状态对肌力生成的约束影响。

需要说明的是，所述肌力估计仿真模型是指基于下肢目标肌群的解剖结构参数、关节运动学信息及对应训练周期中的肌电信号输入，通过生理驱动建模、力学仿真计算与模型参数拟合构建的肌力预测模型，用于输出目标肌群在不同训练状态下的肌力估计值，反映其在特定训练周期中所承受的肌肉收缩力与力学响应能力，作为评估患者肌肉功能恢复程度与训练负荷适应性的关键分析工具；因此，作为一个优选地实施例，获取下肢功能护理训练的肌力估计仿真模型可采用下述方式实现，即：首先，获取目标肌群的三维结构模型与骨骼附着点信息，并构建包括骨骼、关节、肌腱路径的运动骨架模型；随后，采集与每个训练周期对应的关节开合角度序列与肌电信号数据，作为模型驱动输入的肌电激活模式；接着，基于肌肉-骨骼耦合关系，基于有限元的力学建模方法，计算肌肉在不同时序下的主动收缩力和被动弹性力；进一步地，将仿真计算所得的肌力输出与实际训练中的观测指标（如地面反作用力、运动轨迹）进行误差拟合，优化肌肉模型参数以提升估计精度；最后，构建完成的模型作为下肢功能护理训练的肌力估计仿真模型，在其它实施例中还可以采用另外的方法确定，这里不做限定。

具体实现时，将所有肌力响应约束变量、所有有效干预强度和所有生理激活指标作为所述肌力估计仿真模型的模型输入，进而得到患者进行下肢功能护理训练时不同训练周期的肌肉激活度可采用下述方式实现，即：首先，选取一个训练周期作为选定训练周期，获取选定训练周期的对应的肌力响应约束变量、有效干预强度和生理激活指标进行配对整合，构建每个训练周期对应的联合输入向量；然后，将所述联合输入向量输入所述肌力估计仿真模型，进而依据模型内部生理驱动与肌肉力学响应机制，结合肌电激活与机械负载对肌力生成的协同作用，计算输出当前训练周期下的肌力估计值，进而基于所述肌力估计值与最大理论肌力相比的结果作为选定训练周期的肌肉激活度，重复上述步骤，确定剩余训练周期的肌肉激活度，从而得到患者进行下肢功能护理训练时不同训练周期的肌肉激活度；其中，所述最大理论肌力是指在目标肌群在理想激活状态下所能产生的理论最大肌肉收缩力。

需要说明的是，所述肌肉激活度是指目标肌群在预定训练周期内的实际肌力输出与该肌群最大理论肌力的比值，用以量化患者肌肉在训练过程中的激活程度。

在步骤105中，通过所有肌肉激活度生成患者进行下肢功能护理训练后的康复进度信息。

在一些实施例中，通过所有肌肉激活度生成患者进行下肢功能护理训练后的康复进度信息可采用下述步骤实现：

通过所有肌肉激活度提取目标肌群激活趋势的时序变化特征；

基于所述时序变化特征结合预设的康复进度判定规则生成患者进行下肢功能护理训练后的康复进度信息。

具体实现时，通过所有肌肉激活度提取目标肌群激活趋势的时序变化特征可采用下述方式实现，即：首先，依据训练方案中各训练周期的时间顺序，对所有训练周期对应的肌肉激活度进行时间对齐，构建按时间排列的激活率序列；然后，对所有肌肉激活度采用现有技术中的一阶差分法提取连续训练周期之间的激活率变化速率，进而将所有激活率变化速率作为目标肌群激活趋势的时序变化特征。

需要说明的是，所述时序变化特征是指基于连续训练周期内目标肌群肌肉激活度的变化速率序列，用于描述肌肉激活水平随时间的动态变化趋势。

需要说明的是，所述预设的康复进度判定规则是指基于目标肌群激活趋势的时序变化特征，结合临床康复经验和功能恢复标准设定的一组用于划分不同康复阶段的判定条件，可用于定量评估患者在下肢功能护理训练过程中的康复状态和进展水平，其中，所述预设的康复进度判定规则的阈值包括激活率变化速率的正阈值和负阈值；所述正阈值和所述负阈值可基于大量康复患者的历史激活率变化数据统计分析获取，在其它实施例中还可以采用另外的方法，这里不做限定；因此，具体实现时，基于所述时序变化特征结合预设的康复进度判定规则生成患者进行下肢功能护理训练后的康复进度信息可采用下述方式实现，即：获取目标肌群肌肉激活度的时序变化特征，进而结合预设的康复进度判定规则，对所述时序变化特征进行趋势分析，参考图3所示，该图是本申请的一些实施例所示的实现趋势分析的流程示意图，即：当所述时序变化特征中所有激活率变化速率的均值大于等于所述正阈值时，判定患者康复进度良好；当所述时序变化特征中所有激活率变化速率的均值小于所述正阈值且大于等所述负阈值，表明激活率波动频繁，判定患者康复不稳定；当所述时序变化特征中所有激活率变化速率的均值小于等于所述负阈值，判定为患者康复进度滞后；最后，根据判定结果，生成包含康复进度等级、具体数值指标及对应时间戳的结构化数据作为患者进行下肢功能护理训练后的康复进度信息。

另外，本申请的另一方面，在一些实施例中，本申请提供一种康复训练系统，包括有康复训练信息处理单元，参考图4，该图是根据本申请一些实施例所示的康复训练信息处理单元的结构示意图，该康复训练信息处理单元200包括：获取模块201、处理模块202和执行模块203分别说明如下：

获取模块201，本申请中获取模块201主要用于获取患者进行下肢功能护理训练时目标肌群的康复影像数据；

处理模块202，本申请中处理模块202主要用于确定所述康复影像数据的每个图像帧中所有像素点的局部张量，进而通过所有局部张量从所有像素点中提取得到目标肌群组织纤维走向的多个结构特征点；

另外，本申请中处理模块202还用于确定所述康复影像数据的所有相邻图像帧中各个结构特征点的结构变化信息，根据所述结构变化信息结合生物力学分析模型对肌群运动进行功效映射模拟，得到进行下肢功能护理训练时不同训练周期内对目标肌群的有效干预强度；

另外，本申请中处理模块202还用于根据目标肌群的生理信号信息确定患者在下肢功能护理训练时不同训练周期的生理激活指标，基于下肢功能护理训练的临床约束条件结合所有有效干预强度和所有生理激活指标对目标肌群进行多维约束仿真，得到患者进行下肢功能护理训练时不同训练周期的肌肉激活度；

执行模块203，本申请中执行模块203主要用于通过所有肌肉激活度生成患者进行下肢功能护理训练后的康复进度信息。

另外，本申请还提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有代码，所述处理器被配置为获取所述代码，并执行上述的康复训练信息处理方法。

在一些实施例中，参考图5，该图是根据本申请一些实施例所示的实现康复训练信息处理方法的计算机设备的内部结构图。上述实施例中的康复训练信息处理方法可通过图5所示的计算机设备来实现，该计算机设备300包括至少一个处理器301、通信总线302、存储器303以及至少一个通信接口304。

处理器301可是一个通用中央处理器(central processing unit，CPU)，也可以是特定应用集成电路(application-specific integrated circuit，ASIC)或一个或多个用于控制本申请中的康复训练信息处理方法的执行。

通信总线302用于在上述组件之间传送信息。

存储器303可是只读存储器（read-only memory，ROM）或可存储静态信息和指令的其它类型的静态存储设备、随机存取存储器（random access memory，RAM）或者可存储信息和指令的其它类型的动态存储设备，也可是电可擦可编程只读存储器（electricallyerasable programmable read-only memory，EEPROM）、只读光盘（compact disc read-only Memory，CD-ROM）或其它光盘存储、光碟存储（包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等）、磁盘或者其它磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其它介质，但不限于此。存储器303可是独立存在，通过通信总线302与处理器301相连接。存储器303也可和处理器301集成在一起。

其中，存储器303用于存储执行本申请方案的程序代码，并由处理器301来控制执行。处理器301用于执行存储器303中存储的程序代码。程序代码中可包括一个或多个软件模块。上述实施例中康复训练信息处理方法可通过处理器301以及存储器303中的程序代码中的一个或多个软件模块实现。

通信接口304，使用任何收发器一类的装置，用于与其它设备或通信网络通信，如以太网、无线接入网（radio access network，RAN）、无线局域网（wireless local areanetworks，WLAN）等。

在具体实现中，作为一种实施例，计算机设备可包括多个处理器，这些处理器中的每一个可是一个单核（single-CPU）处理器，也可是一个多核（multi-CPU）处理器。这里的处理器可指一个或多个设备、电路、和/或用于处理数据（例如计算机程序指令）的处理核。

上述的计算机设备可是一个通用计算机设备或者是一个专用计算机设备。在具体实现中，计算机设备可是台式机、便携式电脑、网络服务器、掌上电脑（personal digitalassistant，PDA）、移动手机、平板电脑、无线终端设备、通信设备或者嵌入式设备。本申请实施例不限定计算机设备的类型。

另外，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的康复训练信息处理方法。

综上，本申请实施例公开的康复训练系统及康复训练信息处理方法中，通过获取患者进行下肢功能护理训练时目标肌群的康复影像数据；确定所述康复影像数据的每个图像帧中所有像素点的局部张量，进而通过所有局部张量从所有像素点中提取得到目标肌群组织纤维走向的多个结构特征点；确定所述康复影像数据的所有相邻图像帧中各个结构特征点的结构变化信息，根据所述结构变化信息结合生物力学分析模型对肌群运动进行功效映射模拟，得到进行下肢功能护理训练时不同训练周期内对目标肌群的有效干预强度；根据目标肌群的生理信号信息确定患者在下肢功能护理训练时不同训练周期的生理激活指标，基于下肢功能护理训练的临床约束条件结合所有有效干预强度和所有生理激活指标对目标肌群进行多维约束仿真，得到患者进行下肢功能护理训练时不同训练周期的肌肉激活度；通过所有肌肉激活度生成患者进行下肢功能护理训练后的康复进度信息；可将康复影像中肌群组织的微观结构动态变化，定量转化为训练干预效果的评估。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种康复训练信息处理方法，用于康复训练系统对下肢功能护理训练的康复训练信息进行处理，其特征在于，该方法包括如下步骤：

获取患者进行下肢功能护理训练时目标肌群的康复影像数据；

确定所述康复影像数据的每个图像帧中所有像素点的局部张量，进而通过所有局部张量从所有像素点中提取得到目标肌群组织纤维走向的多个结构特征点；

确定所述康复影像数据的所有相邻图像帧中各个结构特征点的结构变化信息，根据所述结构变化信息结合生物力学分析模型对肌群运动进行功效映射模拟，得到进行下肢功能护理训练时不同训练周期内对目标肌群的有效干预强度；

根据目标肌群的生理信号信息确定患者在下肢功能护理训练时不同训练周期的生理激活指标，基于下肢功能护理训练的临床约束条件结合所有有效干预强度和所有生理激活指标对目标肌群进行多维约束仿真，得到患者进行下肢功能护理训练时不同训练周期的肌肉激活度；

通过所有肌肉激活度生成患者进行下肢功能护理训练后的康复进度信息。

2.如权利要求1所述的方法，其特征在于，确定所述康复影像数据的每个图像帧中所有像素点的局部张量具体包括：

获取所述康复影像数据中每个图像帧的灰度图像信息；

通过所有灰度图像信息确定每个图像帧中所有像素点在预设邻域中的图像梯度值；

根据所有图像梯度值构建每个图像帧中所有像素点的局部张量。

3.如权利要求1所述的方法，其特征在于，通过所有局部张量从所有像素点中提取得到目标肌群组织纤维走向的多个结构特征点具体包括：

通过所有局部张量确定各个像素点在预设邻域中的主方向分布特征；

根据所有主方向分布特征从所有像素点中提取得到目标肌群组织纤维走向的多个结构特征点。

4.如权利要求1所述的方法，其特征在于，确定所述康复影像数据的所有相邻图像帧中各个结构特征点的结构变化信息具体包括：

确定所述康复影像数据在不同相邻图像帧中各个结构特征点的局部位移场；

通过所有局部位移场构建所述康复影像数据的所有相邻图像帧中各个结构特征点的结构变化信息。

5.如权利要求1所述的方法，其特征在于，根据所述结构变化信息结合生物力学分析模型对肌群运动进行功效映射模拟，得到进行下肢功能护理训练时不同训练周期内对目标肌群的有效干预强度具体包括：

根据所述结构变化信息构建目标肌群在不同训练周期中的肌肉应变场矩阵；

对各个肌肉应变场矩阵进行空间分块处理，得到各个训练周期中的分区应变强度图；

通过所有分区应变强度图输入生物力学分析模型得到下肢功能护理训练的不同训练周期对目标肌群的有效干预强度。

6.如权利要求1所述的方法，其特征在于，根据目标肌群的生理信号信息确定患者在下肢功能护理训练时不同训练周期的生理激活指标具体包括：

获取目标肌群的生理信号信息；

通过所述生理信号信息确定不同训练周期的肌电总体活性；

基于所有肌电总体活性生成患者在下肢功能护理训练时不同训练周期的生理激活指标。

7.如权利要求1所述的方法，其特征在于，基于下肢功能护理训练的临床约束条件结合所有有效干预强度和所有生理激活指标对目标肌群进行多维约束仿真，得到患者进行下肢功能护理训练时不同训练周期的肌肉激活度具体包括：

基于下肢功能护理训练的临床约束条件构建肌力响应约束变量；

获取下肢功能护理训练的肌力估计仿真模型；

将所有肌力响应约束变量、所有有效干预强度和所有生理激活指标作为所述肌力估计仿真模型的模型输入，进而得到患者进行下肢功能护理训练时不同训练周期的肌肉激活度。

8.如权利要求1所述的方法，其特征在于，通过所有肌肉激活度生成患者进行下肢功能护理训练后的康复进度信息具体包括：

通过所有肌肉激活度提取目标肌群激活趋势的时序变化特征；

基于所述时序变化特征结合预设的康复进度判定规则生成患者进行下肢功能护理训练后的康复进度信息。

9.如权利要求1所述的方法，其特征在于，所述生理信号信息为目标肌群的表面肌电信号。

10.一种康复训练系统，该系统包括有康复训练信息处理单元，其特征在于，所述康复训练信息处理单元包括：

获取模块，用于获取患者进行下肢功能护理训练时目标肌群的康复影像数据；

处理模块，用于确定所述康复影像数据的每个图像帧中所有像素点的局部张量，进而通过所有局部张量从所有像素点中提取得到目标肌群组织纤维走向的多个结构特征点；

所述处理模块，还用于确定所述康复影像数据的所有相邻图像帧中各个结构特征点的结构变化信息，根据所述结构变化信息结合生物力学分析模型对肌群运动进行功效映射模拟，得到进行下肢功能护理训练时不同训练周期内对目标肌群的有效干预强度；

所述处理模块，还用于根据目标肌群的生理信号信息确定患者在下肢功能护理训练时不同训练周期的生理激活指标，基于下肢功能护理训练的临床约束条件结合所有有效干预强度和所有生理激活指标对目标肌群进行多维约束仿真，得到患者进行下肢功能护理训练时不同训练周期的肌肉激活度；

执行模块，用于通过所有肌肉激活度生成患者进行下肢功能护理训练后的康复进度信息。