CN114388100A - 肌肉映射模型的建立方法、装置和计算机设备 - Google Patents

肌肉映射模型的建立方法、装置和计算机设备 Download PDF

Info

Publication number
CN114388100A
CN114388100A CN202210041466.0A CN202210041466A CN114388100A CN 114388100 A CN114388100 A CN 114388100A CN 202210041466 A CN202210041466 A CN 202210041466A CN 114388100 A CN114388100 A CN 114388100A
Authority
CN
China
Prior art keywords
muscle
node information
target
influence factor
mapping
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210041466.0A
Other languages
English (en)
Other versions
CN114388100B (zh
Inventor
聂冰冰
裴希哲
甘顺
李泉
周青
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202210041466.0A priority Critical patent/CN114388100B/zh
Publication of CN114388100A publication Critical patent/CN114388100A/zh
Application granted granted Critical
Publication of CN114388100B publication Critical patent/CN114388100B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种肌肉映射网络的建立方法、装置和计算机设备。方法包括：获取目标地区的各目标样本对象的肌肉影响因素数据、各所述目标样本对象的肌肉外节点信息、以及标准对象的肌肉外节点信息；所述肌肉外节点信息为肌肉与骨骼的连接点信息；针对每个类型的肌肉影响因素，根据所述类型的肌肉影响因素对应的肌肉映射策略、各所述目标样本对象的肌肉影响因素数据、各所述目标样本对象的肌肉外节点信息、以及所述标准对象的肌肉外节点信息，确定所述类型的肌肉影响因素对应的肌肉映射函数关系式；根据各类型的肌肉影响因素的肌肉映射函数关系式，建立肌肉映射网络。采用本方法能够有效的提升获取的主动肌肉模型的精确度。

Description

肌肉映射模型的建立方法、装置和计算机设备
技术领域
本申请涉及计算机技术领域，特别是涉及一种肌肉映射模型的建立方法、装置和计算机设备。
背景技术
随着计算机技术领域的发展，提出了一种主动人体模型的模拟技术，其中主动人体模型包括主动肌肉模型，为深入研究约束系统对各地区乘员的保护效果提供了新的模型支持。
传统模拟技术只能得到特定地区的样本对象的主动肌肉模型，而不同地区的样本对象的人体肌肉情况相差较大，因此，在通过传统模拟技术模拟不同地区的对象的主动肌肉模型时，会导致获取的主动肌肉模型的准确度较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够肌肉映射网络的建立方法、装置和计算机设备。
第一方面，本申请提供了一种肌肉映射网络的建立方法。所述方法包括：
获取目标地区的各目标样本对象的肌肉影响因素数据、各所述目标样本对象的肌肉外节点信息、以及标准对象的肌肉外节点信息；所述肌肉外节点信息为肌肉与骨骼的连接点信息；
针对每个类型的肌肉影响因素，根据所述类型的肌肉影响因素对应的肌肉映射策略、各所述目标样本对象的肌肉影响因素数据、各所述目标样本对象的肌肉外节点信息、以及所述标准对象的肌肉外节点信息，确定所述类型的肌肉影响因素对应的肌肉映射函数关系式；
根据各类型的肌肉影响因素的肌肉映射函数关系式，建立肌肉映射网络。
可选的，所述获取目标地区的各目标样本对象的肌肉影响因素数据之前，还包括：
获取所述目标地区的各样本对象的肌肉影响因素数据，确定各对象群包含的样本对象；
将目标对象群包含的样本对象作为目标样本对象。
可选的，所述根据所述类型的肌肉影响因素对应的肌肉映射策略、各所述目标样本对象的肌肉影响因素数据、各所述目标样本对象的肌肉外节点信息、以及所述标准对象的肌肉外节点信息，确定所述类型的肌肉影响因素对应的肌肉映射函数关系式，包括：
根据除所述类型以外的其他类型的肌肉影响因素数据，选取各所述其他类型的肌肉影响因素数据相同的目标样本对象，作为映射样本对象；
根据各所述映射样本对象的肌肉影响因素数据、各所述映射样本对象的肌肉外节点信息、以及所述标准对象的肌肉外节点信息，通过所述类型的肌肉影响因素对应的肌肉映射策略，确定所述类型的肌肉影响因素对应的肌肉映射函数关系式。
第二方面，本申请提供了一种肌肉映射方法。所述方法包括：
获取目标对象的肌肉影响因素数据、标准对象的标准肌肉节点信息；所述标准肌肉节点信息包括标准肌肉外节点信息和标准肌肉内节点信息；
将所述标准对象的标准肌肉节点信息、所述目标对象的肌肉影响因素数据输入肌肉映射网络，得到所述目标对象的目标肌肉节点信息；
根据所述目标对象的目标肌肉节点信息，确定所述目标对象的主动肌肉模型；
其中，所述肌肉映射网络通过第一方面中任一项所述的肌肉映射网络的建立方法建立得到。
可选的，所述肌肉映射网络包括各类型的肌肉影响因素对应的肌肉映射函数关系式；所述将所述标准对象的标准肌肉节点信息、所述目标对象的肌肉影响因素数据输入肌肉映射网络，得到所述目标对象的目标肌肉节点信息，包括：
针对目标对象的每个类型的肌肉影响因素数据，将所述类型的肌肉影响因素数据、所述标准对象的标准肌肉节点信息输入所述肌肉映射网络中所述类型的肌肉影响因素对应的肌肉映射函数关系式，得到所述类型的肌肉影响因素数据对应的肌肉节点信息；
根据所有类型的肌肉影响因素数据对应的肌肉节点信息，确定所述目标对象的目标肌肉节点信息。
第三方面，本申请还提供了一种肌肉映射网络的建立装置。所述装置包括：
获取模块，用于获取目标地区的各目标样本对象的肌肉影响因素数据、各所述目标样本对象的肌肉外节点信息、以及标准对象的肌肉外节点信息；所述肌肉外节点信息为肌肉与骨骼的连接点信息；
确定模块，用于针对每个类型的肌肉影响因素，根据所述类型的肌肉影响因素对应的肌肉映射策略、各所述目标样本对象的肌肉影响因素数据、各所述目标样本对象的肌肉外节点信息、以及所述标准对象的肌肉外节点信息，确定所述类型的肌肉影响因素对应的肌肉映射函数关系式；
建立模块，用于根据各类型的肌肉影响因素的肌肉映射函数关系式，建立肌肉映射网络。
可选的，所述装置还包括：
分类模块，用于获取所述目标地区的各样本对象的肌肉影响因素数据，确定各对象群包含的样本对象；
筛选模块，用于将目标对象群包含的样本对象作为目标样本对象。
可选的，所述确定模块，具体用于：
根据除所述类型以外的其他类型的肌肉影响因素数据，选取各所述其他类型的肌肉影响因素数据相同的目标样本对象，作为映射样本对象；
根据各所述映射样本对象的肌肉影响因素数据、各所述映射样本对象的肌肉外节点信息、以及所述标准对象的肌肉外节点信息，通过所述类型的肌肉影响因素对应的肌肉映射策略，确定所述类型的肌肉影响因素对应的肌肉映射函数关系式。
第四方面，本申请还提供了一种肌肉映射装置。所述装置包括：
获取模块，用于获取目标对象的肌肉影响因素数据、标准对象的标准肌肉节点信息；所述标准肌肉节点信息包括标准肌肉外节点信息和标准肌肉内节点信息；
输入模块，用于将所述标准对象的标准肌肉节点信息、所述目标对象的肌肉影响因素数据输入肌肉映射网络，得到所述目标对象的目标肌肉节点信息；
确定模块，用于根据所述目标对象的目标肌肉节点信息，确定所述目标对象的主动肌肉模型；
其中，所述肌肉映射网络通过第一方面中任一项所述的肌肉映射网络的建立方法建立得到。
可选的，所述输入模块，具体用于：
针对目标对象的每个类型的肌肉影响因素数据，将所述类型的肌肉影响因素数据、所述标准对象的标准肌肉节点信息输入所述肌肉映射网络中所述类型的肌肉影响因素对应的肌肉映射函数关系式，得到所述类型的肌肉影响因素数据对应的肌肉节点信息；
根据所有类型的肌肉影响因素数据对应的肌肉节点信息，确定所述目标对象的目标肌肉节点信息。
第三方面，本申请提供了一种计算机设备。所述计算机设备：包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现第一方面或第二方面中任一项所述的方法的步骤。
第四方面，本申请提供了一种计算机可读存储介质。所述存储介质包括：其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现第一方面或第二方面中任一项所述的方法的步骤。
第五方面，本申请提供了一种计算机程序产品。所述计算机程序产品包括：计算机程序，其特征在于，该计算机程序被处理器执行时实现第一方面或第二方面中任一项所述的方法的步骤。
上述肌肉映射模型的建立方法、装置和计算机设备，通过获取目标地区的各目标样本对象的肌肉影响因素数据、各所述目标样本对象的肌肉外节点信息、以及标准对象的肌肉外节点信息；所述肌肉外节点信息为肌肉与骨骼的连接点信息；针对每个类型的肌肉影响因素，根据所述类型的肌肉影响因素对应的肌肉映射策略、各所述目标样本对象的肌肉影响因素数据、各所述目标样本对象的肌肉外节点信息、以及所述标准对象的肌肉外节点信息，确定所述类型的肌肉影响因素对应的肌肉映射函数关系式；根据各类型的肌肉影响因素的肌肉映射函数关系式，建立肌肉映射网络。通过确定目标地区的目标样本对象的各肌肉影响因素对标准对象的肌肉外节点信息到目标样本对象的肌肉外节点信息的肌肉映射函数关系式，建立肌肉映射网络，从而提升了获取的主动肌肉模型的精确度。
附图说明
图1为一个实施例中肌肉映射网络的建立方法的流程示意图；
图2为一个实施例中建立肌肉映射函数关系式的流程示意图；
图3为一个实施例中影响因素值与映射值的示例图；
图4为一个实施例中确定主动肌肉模型的流程示意图；
图5为一个实施例中确定目标肌肉节点信息的流程示意图；
图6为另一个实施例中肌肉映射网络的建立方法的流程示意图；
图7为一个实施例中肌肉映射网络的建立装置的结构框图；
图8为一个实施例中肌肉映射装置的结构框图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的肌肉映射网络的建立方法，可以应用于终端中，也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。其中，终端可以包括但不限于是各种个人计算机、笔记本电脑、平板电脑等。该终端用于获取目标地区的各目标样本对象的肌肉影响因素数据、各目标样本对象的肌肉外节点信息、以及标准对象的肌肉外节点信息；并根据各类型的肌肉影响因素对应的肌肉映射策略、各目标样本对象的肌肉影响因素数据、各目标样本对象的肌肉外节点信息、以及标准对象的肌肉外节点信息，确定各类型的肌肉影响因素对应的肌肉映射函数关系式；从而建立肌肉映射网络。
在一个实施例中，如图1所示，提供了一种肌肉映射网络的建立方法，以该方法应用于终端为例进行说明，包括以下步骤：
步骤S101，获取目标地区的各目标样本对象的肌肉影响因素数据、各目标样本对象的肌肉外节点信息、以及标准对象的肌肉外节点信息。
其中，肌肉外节点信息为肌肉与骨骼的连接点信息。
本实施例中，终端在目标地区中通过目标样本对象授权或目标样本对象输入的方式，获取各目标样本对象的影响因素数据；终端在目标地区中通过技术手段，获取各目标样本对象的肌肉外节点信息；终端通过模拟主动人体模型技术，获取标准对象的肌肉外节点信息。目标地区为需要建立肌肉映射模型的目标范围之内的区域，该区域可以但不限于是地理划分区域，例如亚洲地区、非洲地区等。目标样本对象为能代表目标地区人体肌肉特点的对象。任意两个目标样本对象之间至少有一个类型的影响因素数据不同。标准对象为终端通过模拟主动肌肉模型技术获取的标准体型的主动肌肉模型，标准体型的主动肌肉模型可以但不限于是50百分位男性人体肌肉模型、50百分位女性人体肌肉模型，百分位为等于某一标准人体尺寸的人体肌肉模型和小于该标准人体尺寸的人体肌肉模型的数量占总标准人体尺寸的人体肌肉模型的数量的百分比，50百分位的人体肌肉模型相当于中等标准身材的人体肌肉模型。模拟主动人体模型技术可以是多刚体动力学分析软件(MathematicalDynamic Model，MADYMO)。
肌肉外节点信息为肌肉外节点的空间三维坐标信息，肌肉外节点为肌肉与骨骼的连接点，目标样本对象的肌肉外节点的空间三维坐标信息和标准对象的肌肉外节点的空间三维坐标信息建立在同一大地坐标系或其他特定坐标系中。
影响因素为目标样本对象的特征，该特征可以包括但不限于目标样本对象的性别、身高、年龄、体重、坐高、运动强度等会影响肌肉空间位置的人体特征，其中，运动强度因素数据可以按照单位时段的平均运动时间来确定，例如，每周运动75min定义为低强度运动，75min到150min定义为中等强度运动，150min以上定义为高强度运动。
技术手段可以但不限于是人体全身影像扫描、电子计算机断层扫描(ComputedTomography，CT)，等技术。在一个示例中，终端通过人体全身影像扫描、CT扫描等技术，获取目标样本对象的立体几何图像，并通过数值计算和量纲分析等方法对目标样本对象的肌肉的立体几何图像进行测量，得到目标样本对象的肌肉尺寸信息，并在大地坐标系或其他特定坐标系中，确定目标样本对象的立体几何图像的三维坐标信息；终端根据目标样本对象的立体几何图像的三维坐标信息、以及目标样本对象的肌肉尺寸信息，确定目标样本对象的肌肉外节点三维坐标信息。终端将目标样本对象的肌肉外节点三维坐标信息作为样本对象的各肌肉外节点信息。以目标对象的肱二头肌为例，通过CT扫描对象A，得到对象A的立体几何图像，并通过测量对象A的立体几何图像中的肱二头肌所在位置的肌肉两段与骨骼的连接点间的直线距离，得到对象A的肱二头肌的长度信息，并将对象A的立体几何图像、肱二头肌的长度信息等比例建立在大地坐标系中，得到对象A的肱二头肌外节点的空间三维坐标信息。
步骤S102，针对每个类型的肌肉影响因素，根据该类型的肌肉影响因素对应的肌肉映射策略、各目标样本对象的肌肉影响因素数据、各目标样本对象的肌肉外节点信息、以及标准对象的肌肉外节点信息，确定该类型的肌肉影响因素对应的肌肉映射函数关系式。
本实施例中，终端将各目标样本对象的肌肉影响因素数据，按照肌肉影响因素的类型进行归一化处理。终端针对每个类型的肌肉影响因素，根据该类型的肌肉影响因素对应的肌肉映射策略、各目标样本对象的肌肉影响因素数据、各目标样本对象的肌肉外节点信息、以及标准对象的肌肉外节点信息，确定该类型的肌肉影响因素对应的肌肉映射函数关系式。
各类型的肌肉影响因素数据进行归一化处理公式如下：
Figure BDA0003470419910000071
上式中，
Figure BDA0003470419910000072
为某一目标样本对象的某一类型的肌肉影响因素数据的归一化值，
Figure BDA0003470419910000073
为某一样本对象的某一类型的肌肉影响因素的数据，
Figure BDA0003470419910000074
为各样本对象的同一类型的肌肉影响因素的数据的集合，n为各类型的肌肉影响因素的虚拟编号，m为各目标样本对象的虚拟编号，k为所有目标样本对象的数量。
性别因素和运动强度因素可直接获得无需归一化处理公式，例如，性别因素本身具有二值性(非0即1)；运动强度因素可以对不用强度分别归类赋值，低强度运动为0，中等强度运动为0.5，高强度运动为1。
步骤S103，根据各类型的肌肉影响因素的肌肉映射函数关系式，建立肌肉映射网络。
本实施例中，终端根据各类型的肌肉影响因素对应的肌肉映射函数关系式的平均斜率，确定各类型的肌肉影响因素的权重。各类型的肌肉影响因素对应的肌肉映射函数关系式的平均斜率、与各类型的肌肉影响因素的配比权重呈正相关关系。终端通过将各类型的肌肉影响因素对应的肌肉映射函数关系式加权平均，得到初始肌肉映射网络。终端通过各目标样本对象的肌肉外节点信息、以及标准对象的肌肉外节点信息对初始肌肉映射网络进行训练，得到肌肉映射网络。
肌肉映射网络的具体公式如下：
D＝(a1H1+a2H2+a3H3+…+anHn)/n
(a1+a2+a3+…+an)＝1
上式中，a1、a2、a3、...、an为各类型的肌肉影响因素对应的肌肉映射函数关系式的权值，H1、H2、H3、...、Hn为各类型的肌肉影响因素对应的肌肉映射函数关系式，n为各类型的肌肉影响因素的数量。
基于上述方案，通过确定目标地区的目标样本对象的各肌肉影响因素对标准对象的肌肉外节点信息到目标样本对象的肌肉外节点信息的肌肉映射函数关系式，建立肌肉映射网络，从而提升了获取的主动肌肉模型的精确度。
可选的，获取目标地区的各目标样本对象的肌肉影响因素数据之前，还包括：获取目标地区的各样本对象的肌肉影响因素数据，确定各对象群包含的样本对象；将目标对象群包含的样本对象作为目标样本对象。
本实施例中，终端在目标地区中通过目标样本对象授权或目标样本对象输入的方式获取各样本对象的影响因素数据，终端通过聚类算法确定各对象群包含的样本对象。终端在各对象群中选取目标对象群，并将目标对象群包含的样本对象作为目标样本对象，并执行步骤S101。
在执行完步骤S103后，终端在除已确定肌肉映射网络的对象群之外的其他对象群中重新选取目标对象群，并返回执行步骤S101，直到确定了各对象群对应的肌肉映射网络。任一种聚类算法均可以应用于本申请实施例中，本申请实施例对聚类算法不做限定。
基于上述方案，通过将样本对象划分为不同对象群，并确定各对象群对应的肌肉映射网络，从而得到了同一地区中的各类人群对应的肌肉映射模型。
可选的，如图2所示，根据该类型的肌肉影响因素对应的肌肉映射策略、各目标样本对象的肌肉影响因素数据、各目标样本对象的肌肉外节点信息、以及标准对象的肌肉外节点信息，确定该类型的肌肉影响因素对应的肌肉映射函数关系式，包括：
步骤S201，根据除该类型以外的其他类型的肌肉影响因素数据，选取各其他类型的肌肉影响因素数据相同的目标样本对象，作为映射样本对象。
本实施例中，终端在各目标样本对象中，选取除该类型以外的其他类型的肌肉影响因素数据相同的目标样本对象，作为映射样本对象。例如，该类型为身高，其他类型分别为性别、体重、运动情况；终端选取性别均为1(归一化后的值)，体重均为0.6(归一化后的值)，运动情况均为0.5(归一化后的值)的目标样本对象，并将各满足上述步骤要求的目标样本对象作为映射样本对象。
步骤S202，根据各映射样本对象的肌肉影响因素数据、各映射样本对象的肌肉外节点信息、以及标准对象的肌肉外节点信息，通过该类型的肌肉影响因素对应的肌肉映射策略，确定该类型的肌肉影响因素对应的肌肉映射函数关系式。
本实施例中，终端根据各映射样本对象的该类型的肌肉影响因素数据，以及映射样本对象的各其他类型的肌肉影响因素数据、各目标样本对象的肌肉外节点信息、以及标准对象的肌肉外节点信息，通过该类型的肌肉影响因素对应的肌肉映射策略，确定各映射样本对象的该类型的肌肉影响因素数据、与各映射样本对象的肌肉外节点信息的映射值之间的三维映射变化趋势。终端根据该三维映射变化趋势，分别拟合三维映射变化趋势线，并根据该三维映射变化趋势线，确定该类型的肌肉影响因素对应的肌肉映射函数关系式。
映射值具体为标准对象的各肌肉外节点空间三维坐标信息、与样本对象的各肌肉外节点空间三维坐标信息的三维坐标差值的平均值。映射值为三维映射值，即映射值包含为X轴的映射值、Y轴映射值、以及Z轴映射值。
映射值的表示公式如下：
L＝(lx、ly、lz)
Figure BDA0003470419910000101
上式中，L为映射值，lM为各轴的映射值，M包含(X轴、Y轴、Z轴)Mai为标准对象在M轴上的第i个肌肉外节点的坐标值，Mi为映射对象在M轴上的第i个肌肉外节点的坐标值，n为所有肌肉外节点的数量，i为各肌肉外节点的虚拟编号。
该类型的肌肉影响因素对应的肌肉映射策略为，控制除该类型以外的其他类型的肌肉影响因素数据不变，获取各映射样本对象的该类型的肌肉影响因素数据与各映射样本对象的肌肉外节点信息的三维映射变化趋势。
三维映射变化趋势包含各维度的映射变化趋势，各维度的映射变化趋势可以通过在终端中预设各维度的坐标轴获取。终端针对每个维度，分别建立该维度的坐标轴，如图3所示，横轴为归一化后的各映射样本对象的该类型的肌肉影响因素数据，纵轴为各映射样本对象的肌肉外节点信息的该维度的映射值，在坐标轴中每个点表示一个映射样本对象，该维度的映射变化趋势可以通过各映射样本对象在坐标中的分布情况得到。
三维映射变化趋势线包含各维度的变化趋势线。针对每个维度，终端将该维度的坐标轴中的各离散的点，输入曲线拟合算法，得到该维度的拟合变化趋势线。该曲线拟合算法可以但不限于通过matlab或python实现。终端根据该维度的映射变化趋势线得到该维度的映射函数关系式，同样的，通过上述步骤，可以得到各维度的映射函数关系式，通过各维度的映射函数关系式，确定该类型的肌肉影响因素对应的肌肉映射函数关系式。
该类型的肌肉影响因素对应的肌肉映射函数关系式H为：
H(x，y，z)＝(H(x)，H(y)，H(z))
上式中，H(x)为X轴的肌肉映射函数关系式，H(y)为Y轴的肌肉映射函数关系式，H(z)为Z轴的肌肉映射函数关系式，其中函数关系式可以但不限于是线性函数、二次函数、指数函数等。例如，当X轴的变化趋势线近似直线时，X轴的肌肉映射函数关系式为线性函数，通过将X轴的变化趋势线上的点代入该线性函数，得到X轴的肌肉映射函数关系式为：
H(x)＝kxh+b
上式中，k为X轴的肌肉映射函数关系式的斜率，b为X轴的肌肉映射函数关系式的常数参数，xh为该类型的肌肉影响因素数据值(归一化后)。
基于上述方案，通过控制变量法确定各类型的肌肉影响因素的函数关系式，从而为建立肌肉映射模型提供基础。
在一个实施例中，如图4所示，提供了一种肌肉映射方法，该方法包括以下步骤：
步骤S401，获取目标对象的肌肉影响因素数据、标准对象的标准肌肉节点信息。
其中，标准肌肉节点信息包括标准肌肉外节点信息和标准肌肉内节点信息。
本实施例中，终端在目标地区中通过目标对象授权或目标对象输入的方式获取各目标对象的影响因素数据，终端通过模拟主动人体模型技术获取标准对象的。该步骤的具体处理过程可以参照上述步骤S101的相关解释，此处不再赘述。
步骤S402，将标准对象的标准肌肉节点信息、目标对象的肌肉影响因素数据输入肌肉映射网络，得到目标对象的目标肌肉节点信息。
本实施例中，终端将标准对象的标准肌肉外节点信息、目标对象的肌肉影响因素数据输入肌肉映射网络，得到目标对象的目标肌肉外节点信息；终端将标准对象的标准肌肉内节点信息、目标对象的肌肉影响因素数据输入肌肉映射网络，得到目标对象的目标肌肉内节点信息。在另一个实施例中，终端先确定目标对象所属的对象群，并根据目标对象的对象群，确定目标对象对应的肌肉映射网络。终端将标准对象的标准肌肉外节点信息、目标对象的肌肉影响因素数据输入目标对象对应的肌肉映射网络，得到目标对象的目标肌肉外节点信息；终端将标准对象的标准肌肉内节点信息、目标对象的肌肉影响因素数据输入目标对象对应的肌肉映射网络，得到目标对象的目标肌肉内节点信息。
步骤S403，根据目标对象的目标肌肉节点信息，确定目标对象的主动肌肉模型。
其中，肌肉映射网络通过上述肌肉映射网络的建立方法建立得到。
本实施例中，终端根据目标对象的各目标肌肉外节点信息和各目标肌肉内节点信息，确定目标对象的主动肌肉模型。主动肌肉模型为各目标肌肉节点的空间三维坐标信息构成的人体肌肉空间三维坐标信息集合。
基于上述方案，通过将标准对象的肌肉节点信息和目标地区的目标对象的肌肉影响因素数据输入肌肉映射网络，映射得到目标对象的各目标肌肉节点信息，从而根据目标对象的目标肌肉节点信息确定目标对象的主动肌肉模型。从而有效的获取到了不同地区的目标对象的主动肌肉模型。
可选的，如图5所示，肌肉映射网络包括各类型的肌肉影响因素对应的肌肉映射函数关系式；将标准对象的标准肌肉节点信息、目标对象的肌肉影响因素数据输入肌肉映射网络，得到目标对象的目标肌肉节点信息，包括：
步骤S501，针对目标对象的每个类型的肌肉影响因素数据，将该类型的肌肉影响因素数据、标准对象的标准肌肉节点信息输入肌肉映射网络中该类型的肌肉影响因素对应的肌肉映射函数关系式，得到该类型的肌肉影响因素数据对应的肌肉节点信息。
本实施例中，针对目标对象的每个类型的肌肉影响因素数据，终端将该类型的肌肉影响因素数据、标准对象的标准肌肉外节点信息输入肌肉映射网络中该类型的肌肉影响因素对应的肌肉映射函数关系式，得到该类型的肌肉影响因素数据对应的肌肉外节点信息；终端将该类型的肌肉影响因素数据、标准对象的标准肌肉内节点信息输入肌肉映射网络中该类型的肌肉影响因素对应的肌肉映射函数关系式，得到该类型的肌肉影响因素数据对应的肌肉内节点信息。
步骤S502，根据所有类型的肌肉影响因素数据对应的肌肉节点信息，确定目标对象的目标肌肉节点信息。
本实施例中，终端根据所有类型的肌肉影响因素数据对应的肌肉外节点信息和肌肉内节点信息，根据各类型的肌肉影响因素的权重比，计算加权平均后的肌肉外节点信息和肌肉内节点信息，并将加权平均后的肌肉节点信息作为目标对象的目标肌肉外节点信息和目标肌肉内节点信息。
基于上述方案，通过将目标对象的每个类型的肌肉影响因素数据分别和标准对象的标准肌肉节点信息一起输入肌肉映射网络中该类型的肌肉影响因素对应的肌肉映射函数关系式，得到所有类型的肌肉影响因素数据对应的肌肉节点信息，并加权平均得到目标对象的目标肌肉节点信息，提高了获取的目标对象的目标肌肉节点信息精确度。
本申请还提供了一种肌肉映射网络的建立示例，如图6所示，具体处理过程包括以下步骤：
步骤S601，获取目标地区的各样本对象的肌肉影响因素数据，确定各对象群包含的样本对象。
步骤S602，将目标对象群包含的样本对象作为目标样本对象。
步骤S603，获取目标地区的各目标样本对象的肌肉影响因素数据、各目标样本对象的肌肉外节点信息、以及标准对象的肌肉外节点信息；肌肉外节点信息为肌肉与骨骼的连接点信息。
步骤S604，针对每个类型的肌肉影响因素，根据除类型以外的其他类型的肌肉影响因素数据，选取各其他类型的肌肉影响因素数据相同的目标样本对象，作为映射样本对象。
步骤S605，根据各映射样本对象的肌肉影响因素数据、各映射样本对象的肌肉外节点信息、以及标准对象的肌肉外节点信息，通过类型的肌肉影响因素对应的肌肉映射策略，确定类型的肌肉影响因素对应的肌肉映射函数关系式。
步骤S606，根据各类型的肌肉影响因素的肌肉映射函数关系式，建立肌肉映射网络。
步骤S607，判断是否确定了各对象群对应的肌肉映射网络。
如果是，则执行步骤S608；如果否，在除已确定肌肉映射网络的对象群之外的其他对象群中重新选取目标对象群，执行步骤S601。
步骤S608，完成建立各对象群对应的肌肉映射网络。
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的肌肉映射网络的建立方法的肌肉映射网络的建立装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个肌肉映射网络的建立装置实施例中的具体限定可以参见上文中对于肌肉映射网络的建立方法的限定，在此不再赘述。
在一个实施例中，如图7所示，提供了一种肌肉映射网络的建立装置，包括：获取模块710、确定模块720和建立模块730，其中：
获取模块710，用于获取目标地区的各目标样本对象的肌肉影响因素数据、各目标样本对象的肌肉外节点信息、以及标准对象的肌肉外节点信息；肌肉外节点信息为肌肉与骨骼的连接点信息；
确定模块720，用于针对每个类型的肌肉影响因素，根据类型的肌肉影响因素对应的肌肉映射策略、各目标样本对象的肌肉影响因素数据、各目标样本对象的肌肉外节点信息、以及标准对象的肌肉外节点信息，确定类型的肌肉影响因素对应的肌肉映射函数关系式；
建立模块730，用于根据各类型的肌肉影响因素的肌肉映射函数关系式，建立肌肉映射网络。
可选的，装置还包括：
分类模块，用于获取目标地区的各样本对象的肌肉影响因素数据，确定各对象群包含的样本对象；
筛选模块，用于将目标对象群包含的样本对象作为目标样本对象。
可选的，确定模块720，具体用于：
根据除类型以外的其他类型的肌肉影响因素数据，选取各其他类型的肌肉影响因素数据相同的目标样本对象，作为映射样本对象；
根据各映射样本对象的肌肉影响因素数据、各映射样本对象的肌肉外节点信息、以及标准对象的肌肉外节点信息，通过类型的肌肉影响因素对应的肌肉映射策略，确定类型的肌肉影响因素对应的肌肉映射函数关系式。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的肌肉映射方法的肌肉映射装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个肌肉映射装置实施例中的具体限定可以参见上文中对于肌肉映射方法的限定，在此不再赘述。
在一个实施例中，如图8所示，提供了一种肌肉映射装置，包括：获取模块810、输入模块820和确定模块830，其中：
获取模块810，用于获取目标对象的肌肉影响因素数据、标准对象的标准肌肉节点信息；标准肌肉节点信息包括标准肌肉外节点信息和标准肌肉内节点信息；
输入模块820，用于将标准对象的标准肌肉节点信息、目标对象的肌肉影响因素数据输入肌肉映射网络，得到目标对象的目标肌肉节点信息；
确定模块830，用于根据目标对象的目标肌肉节点信息，确定目标对象的主动肌肉模型；
其中，肌肉映射网络通过上述肌肉映射网络的建立方法建立得到。
可选的，输入模块820，具体用于：
针对目标对象的每个类型的肌肉影响因素数据，将类型的肌肉影响因素数据、标准对象的标准肌肉节点信息输入肌肉映射网络中类型的肌肉影响因素对应的肌肉映射函数关系式，得到类型的肌肉影响因素数据对应的肌肉节点信息；
根据所有类型的肌肉影响因素数据对应的肌肉节点信息，确定目标对象的目标肌肉节点信息。
上述肌肉映射网络的建立装置和肌肉映射装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种肌肉映射网络的建立方法或一种肌肉映射方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种肌肉映射网络的建立方法，其特征在于，所述方法包括：
获取目标地区的各目标样本对象的肌肉影响因素数据、各所述目标样本对象的肌肉外节点信息、以及标准对象的肌肉外节点信息；所述肌肉外节点信息为肌肉与骨骼的连接点信息；
针对每个类型的肌肉影响因素，根据所述类型的肌肉影响因素对应的肌肉映射策略、各所述目标样本对象的肌肉影响因素数据、各所述目标样本对象的肌肉外节点信息、以及所述标准对象的肌肉外节点信息，确定所述类型的肌肉影响因素对应的肌肉映射函数关系式；
根据各类型的肌肉影响因素的肌肉映射函数关系式，建立肌肉映射网络。
2.根据权利要求1所述的方法，其特征在于，所述获取目标地区的各目标样本对象的肌肉影响因素数据之前，还包括：
获取所述目标地区的各样本对象的肌肉影响因素数据，确定各对象群包含的样本对象；
将目标对象群包含的样本对象作为目标样本对象。
3.根据权利要求1所述的方法，其特征在于，所述根据所述类型的肌肉影响因素对应的肌肉映射策略、各所述目标样本对象的肌肉影响因素数据、各所述目标样本对象的肌肉外节点信息、以及所述标准对象的肌肉外节点信息，确定所述类型的肌肉影响因素对应的肌肉映射函数关系式，包括：
根据除所述类型以外的其他类型的肌肉影响因素数据，选取各所述其他类型的肌肉影响因素数据相同的目标样本对象，作为映射样本对象；
根据各所述映射样本对象的肌肉影响因素数据、各所述映射样本对象的肌肉外节点信息、以及所述标准对象的肌肉外节点信息，通过所述类型的肌肉影响因素对应的肌肉映射策略，确定所述类型的肌肉影响因素对应的肌肉映射函数关系式。
4.一种肌肉映射方法，其特征在于，所述方法包括：
获取目标对象的肌肉影响因素数据、标准对象的标准肌肉节点信息；所述标准肌肉节点信息包括标准肌肉外节点信息和标准肌肉内节点信息；
将所述标准对象的标准肌肉节点信息、所述目标对象的肌肉影响因素数据输入肌肉映射网络，得到所述目标对象的目标肌肉节点信息；
根据所述目标对象的目标肌肉节点信息，确定所述目标对象的主动肌肉模型；
其中，所述肌肉映射网络通过权利要求1至3中任一项所述的肌肉映射网络的建立方法建立得到。
5.根据权利要求4所述的方法，其特征在于，所述肌肉映射网络包括各类型的肌肉影响因素对应的肌肉映射函数关系式；所述将所述标准对象的标准肌肉节点信息、所述目标对象的肌肉影响因素数据输入肌肉映射网络，得到所述目标对象的目标肌肉节点信息，包括：
针对目标对象的每个类型的肌肉影响因素数据，将所述类型的肌肉影响因素数据、所述标准对象的标准肌肉节点信息输入所述肌肉映射网络中所述类型的肌肉影响因素对应的肌肉映射函数关系式，得到所述类型的肌肉影响因素数据对应的肌肉节点信息；
根据所有类型的肌肉影响因素数据对应的肌肉节点信息，确定所述目标对象的目标肌肉节点信息。
6.一种肌肉映射网络的建立装置，其特征在于，所述装置包括：
获取模块，用于获取目标地区的各目标样本对象的肌肉影响因素数据、各所述目标样本对象的肌肉外节点信息、以及标准对象的肌肉外节点信息；所述肌肉外节点信息为肌肉与骨骼的连接点信息；
确定模块，用于针对每个类型的肌肉影响因素，根据所述类型的肌肉影响因素对应的肌肉映射策略、各所述目标样本对象的肌肉影响因素数据、各所述目标样本对象的肌肉外节点信息、以及所述标准对象的肌肉外节点信息，确定所述类型的肌肉影响因素对应的肌肉映射函数关系式；
建立模块，用于根据各类型的肌肉影响因素的肌肉映射函数关系式，建立肌肉映射网络。
7.一种肌肉映射装置，其特征在于，所述装置包括：
获取模块，用于获取目标对象的肌肉影响因素数据、标准对象的标准肌肉节点信息；所述标准肌肉节点信息包括标准肌肉外节点信息和标准肌肉内节点信息；
输入模块，用于将所述标准对象的标准肌肉节点信息、所述目标对象的肌肉影响因素数据输入肌肉映射网络，得到所述目标对象的目标肌肉节点信息；
确定模块，用于根据所述目标对象的目标肌肉节点信息，确定所述目标对象的主动肌肉模型；
其中，所述肌肉映射网络通过权利要求1至3中任一项所述的肌肉映射网络的建立方法建立得到。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至3或4至5中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至3或4至5中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至3或4至5中任一项所述的方法的步骤。
CN202210041466.0A 2022-01-14 2022-01-14 肌肉映射模型的建立方法、装置和计算机设备 Active CN114388100B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210041466.0A CN114388100B (zh) 2022-01-14 2022-01-14 肌肉映射模型的建立方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210041466.0A CN114388100B (zh) 2022-01-14 2022-01-14 肌肉映射模型的建立方法、装置和计算机设备

Publications (2)

Publication Number Publication Date
CN114388100A true CN114388100A (zh) 2022-04-22
CN114388100B CN114388100B (zh) 2022-09-02

Family

ID=81202225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210041466.0A Active CN114388100B (zh) 2022-01-14 2022-01-14 肌肉映射模型的建立方法、装置和计算机设备

Country Status (1)

Country Link
CN (1) CN114388100B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150006120A1 (en) * 2013-06-26 2015-01-01 Dassault Systémes Simulia Corp. Musculo-Skeletal Modeling Using Finite Element Analysis, Process Integration, and Design Optimization
US20150045699A1 (en) * 2012-04-03 2015-02-12 Camegie Mellon University Musculoskeletal activity recognition system and method
CN106202739A (zh) * 2016-07-14 2016-12-07 哈尔滨理工大学 一种骨骼肌力学行为多尺度建模方法
CN109829971A (zh) * 2019-01-18 2019-05-31 恒信东方文化股份有限公司 一种创建人体虚拟模型的方法及其装置
CN110197016A (zh) * 2019-05-15 2019-09-03 南京星火技术有限公司 等效模型建立方法、装置、计算机可读介质以及使用方法
WO2020017734A1 (ko) * 2018-07-16 2020-01-23 주식회사 인프라웨어테크놀러지 운동 처방 정보를 제공하는 서버 및 컴퓨터 프로그램
CN111176441A (zh) * 2019-11-27 2020-05-19 广州雪利昂生物科技有限公司 基于表面肌电的人机交互训练方法、装置及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150045699A1 (en) * 2012-04-03 2015-02-12 Camegie Mellon University Musculoskeletal activity recognition system and method
US20150006120A1 (en) * 2013-06-26 2015-01-01 Dassault Systémes Simulia Corp. Musculo-Skeletal Modeling Using Finite Element Analysis, Process Integration, and Design Optimization
CN106202739A (zh) * 2016-07-14 2016-12-07 哈尔滨理工大学 一种骨骼肌力学行为多尺度建模方法
WO2020017734A1 (ko) * 2018-07-16 2020-01-23 주식회사 인프라웨어테크놀러지 운동 처방 정보를 제공하는 서버 및 컴퓨터 프로그램
CN109829971A (zh) * 2019-01-18 2019-05-31 恒信东方文化股份有限公司 一种创建人体虚拟模型的方法及其装置
CN110197016A (zh) * 2019-05-15 2019-09-03 南京星火技术有限公司 等效模型建立方法、装置、计算机可读介质以及使用方法
CN111176441A (zh) * 2019-11-27 2020-05-19 广州雪利昂生物科技有限公司 基于表面肌电的人机交互训练方法、装置及存储介质

Also Published As

Publication number Publication date
CN114388100B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN110866909B (zh) 图像生成网络的训练方法、图像预测方法和计算机设备
JP2023551514A (ja) 生成的モデル予測における欠落している共変量からの不確実性を考慮する方法およびシステム
CN116227277A (zh) 电极布局方案的生成方法、装置、设备、介质和程序产品
CN116010226A (zh) 软件系统可靠性仿真评估方法、装置和计算机设备
CN115375876A (zh) 医用螺钉的参数确定方法和医用螺钉的置入规划方法
Liu et al. A multitarget training method for artificial neural network with application to computer‐aided diagnosis
CN114388100B (zh) 肌肉映射模型的建立方法、装置和计算机设备
CN113902848A (zh) 对象重建方法、装置、电子设备及存储介质
CN113780519A (zh) 生成对抗网络训练方法、装置、计算机设备和存储介质
CN116799879A (zh) 交直流混联电网状态估计方法、装置及计算机设备
Valderrama et al. Integrating machine learning with pharmacokinetic models: Benefits of scientific machine learning in adding neural networks components to existing PK models
WO2023283765A1 (zh) 机器学习模型的训练方法、装置、计算机设备和存储介质
CN114363004B (zh) 风险评估方法、装置、计算机设备和存储介质
CN115049429A (zh) 增益预测方法、装置和计算机设备
CN117238454B (zh) 医疗图像的处理方法、装置和计算机设备
CN114358486A (zh) 可靠性分配方法、装置、计算机设备和存储介质
CN117172735A (zh) 资源信息的预测方法、装置、计算机设备和存储介质
CN117113516B (zh) 一种临近边坡条形基础的极限承载力预测方法及相关装置
CN117830754A (zh) 关键点检测方法、装置、设备、存储介质和程序产品
CN115049767B (zh) 动画编辑方法、装置、计算机设备和存储介质
CN116205392A (zh) 车辆路线的确定方法、装置、计算机设备和存储介质
CN116798234B (zh) 车站参数信息的确定方法、装置、计算机设备和存储介质
CN117724680A (zh) 需求评估方法、装置、计算机设备和存储介质
CN116205391A (zh) 车辆路线的距离优化方法、装置、计算机设备和存储介质
CN116775247A (zh) 任务分配方法、装置、计算机设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant