CN116126151B - 舌骨上肌群运动皮质区绘制方法、系统、存储介质及设备 - Google Patents

舌骨上肌群运动皮质区绘制方法、系统、存储介质及设备 Download PDF

Info

Publication number
CN116126151B
CN116126151B CN202310396997.6A CN202310396997A CN116126151B CN 116126151 B CN116126151 B CN 116126151B CN 202310396997 A CN202310396997 A CN 202310396997A CN 116126151 B CN116126151 B CN 116126151B
Authority
CN
China
Prior art keywords
hyoid
motion
muscle group
model
control information
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.)
Active
Application number
CN202310396997.6A
Other languages
English (en)
Other versions
CN116126151A (zh
Inventor
兰月
李婉萁
林拓
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.)
Guangzhou First Peoples Hospital
Original Assignee
Guangzhou First Peoples Hospital
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 Guangzhou First Peoples Hospital filed Critical Guangzhou First Peoples Hospital
Priority to CN202310396997.6A priority Critical patent/CN116126151B/zh
Publication of CN116126151A publication Critical patent/CN116126151A/zh
Application granted granted Critical
Publication of CN116126151B publication Critical patent/CN116126151B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/016—Input arrangements with force or tactile feedback as computer generated output to the user
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2203/00—Indexing scheme relating to G06F3/00 - G06F3/048
    • G06F2203/01—Indexing scheme relating to G06F3/01
    • G06F2203/011—Emotion or mood input determined on the basis of sensed human body parameters such as pulse, heart rate or beat, temperature of skin, facial expressions, iris, voice pitch, brain activity patterns
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Human Computer Interaction (AREA)
  • Animal Behavior & Ethology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Fuzzy Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Processing Or Creating Images (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

本申请涉及一种舌骨上肌群运动皮质区绘制方法，所述方法包括：创建舌骨上肌群模型，并通过输入的训练样本数据对舌骨上肌群模型进行训练，得到舌骨运动模型；向舌骨运动模型内输入用于控制舌骨上肌群运动的控制信息，并获取舌骨运动模型所反馈的运动数据，得到运动反馈数据；根据运动反馈数据确定当前控制信息的有效性，并根据创建的控制路径选择模型、以及运动反馈数据，确定下一控制点的控制信息；当用于控制舌骨上肌群进行运动的所有有效控制信息都确定后，根据有效控制信息绘制所述舌骨运动模型所对应的舌骨上肌群的运动皮质区。相比现有技术，本发明无需人工操作，且能够提高舌骨上肌群运动皮质区绘制完整度，满足了实际应用需求。

Description

舌骨上肌群运动皮质区绘制方法、系统、存储介质及设备
技术领域
本申请涉及肌群绘制技术领域，特别是涉及一种舌骨上肌群运动皮质区绘制方法、系统、存储介质及医疗设备。
背景技术
现有舌骨上肌群运动皮质区绘制，通常局限于有限范围的且中心不一致的皮质代表区绘制，同时还需要人工手动操作，不仅无法保证完整地绘制运动皮质代表区，还因需要人工操作耗费巨大的人力、物力而导致人工成本高、检测效率低。
发明内容
基于此，有必要针对上述技术问题，提供一种无需人工操作，且能提高舌骨上肌群运动皮质区绘制完整度的舌骨上肌群运动皮质区绘制方法、系统、存储介质及医疗设备。
本发明实施例提供了一种舌骨上肌群运动皮质区绘制方法，所述方法包括以下步骤：
创建舌骨上肌群模型，并通过输入的训练样本数据对所述舌骨上肌群模型进行训练，得到舌骨运动模型；
向所述舌骨运动模型内输入用于控制所述舌骨上肌群运动的控制信息，并获取所述舌骨运动模型针对所述控制信息所反馈的运动数据，得到运动反馈数据；
根据所述运动反馈数据确定当前控制信息的有效性，并根据创建的控制路径选择模型、以及所述运动反馈数据，确定下一控制的控制信息；
当用于控制所述舌骨上肌群进行运动的所有有效控制信息都确定后，根据所述有效控制信息绘制所述舌骨运动模型所对应的舌骨上肌群的运动皮质区。
进一步地，通过输入的训练样本数据对所述舌骨上肌群模型进行训练，得到舌骨运动模型之前，所述方法还包括：
获取待处理样本数据，并将所述待处理样本数据输入特征提取网络，进行特征提取，得到特征提取数据；
根据所述特征提取数据的特征信息量，筛选出用于对所述舌骨上肌群模型进行训练的训练样本数据。
进一步地，所述特征提取数据的特征信息量的计算方法包括：
计算当前特征提取数据中各数据在当前待处理样本数据中的重要程度，得到特征重要度；
将所述当前特征提取数据中各数据的特征重要度，乘以所述当前特征提取数据中各数据的特征重要度倒数的对数，并进行求和运算后得到所述特征提取数据的特征信息量。
进一步地，创建舌骨上肌群模型，具体包括：
根据反馈式神经元网络及所述反馈式神经元网络所对应的激活函数，对分批次输入所述反馈式神经元网络的舌骨肌群数据集中的数据进行正向传播，得到舌骨肌群结构信息；
通过指数损失函数计算所述舌骨肌群结构信息与标准舌骨肌群结构信息的差值，将所述差值进行反向传播，并通过预设周期的迭代训练得到所述舌骨上肌群模型。
进一步地，通过输入的训练样本数据对所述舌骨上肌群模型进行训练，得到舌骨运动模型，具体包括：
将所述训练样本数据输入所述舌骨上肌群模型；
根据所述舌骨上肌群模型在上一次训练中的模型参数，与所述舌骨上肌群模型学习率和上一次训练中所述舌骨上肌群模型的损失函数的倒数之差，对所述舌骨上肌群模型进行不断更新；
当所述舌骨上肌群模型对应的损失函数的损失值趋向于收敛时，完成训练，得到所述舌骨运动模型。
进一步地，所述控制路径选择模型的创建，具体包括：
获取用于控制所述舌骨上肌群运动的所有控制信息所产生的控制路径数据；
将所述舌骨上肌群运动的所有控制信息所产生的控制路径数据匹配至候选控制路径集，并获得所述候选控制路径集中每个控制路径之间的舌骨运动关联性；
从所述候选控制路径集中，获取与当前控制路径所对应的舌骨运动关联性大于预设值的关联路径，得到关联路径集；
根据所述关联路径集中各关联路径与当前控制路径之间的关联性、以及当前控制路径中当前控制信息所对应的舌骨运动的有效性，标定所述控制路径选择模型。
进一步地，根据创建的控制路径选择模型、以及所述运动反馈数据，确定下一控制点的控制信息，具体包括：
将当前控制信息、以及当前控制信息所对应的运动反馈数据，输入所述控制路径选择模型；
当所述当前控制信息所对应的运动反馈数据有效时，按照当前控制路径的控制信息确定下一控制点，并在当前控制路径的所有控制点操作完后，从所述关联路径集中选取关联度最大的路径作为下一控制路径；
当所述当前控制点所对应的运动反馈数据无效时，以当前控制点为中心，以目标值为半径，从所述关联路径集中选取关联度最小的路径作为下一控制路径。
进一步地，确定下一控制点的控制信息的步骤中，所述方法还包括：
当当前控制点为有效控制点时，以当前控制点为中心点，将所述中心点预设范围内的点作为下一控制点；其中，相邻两个控制点之间的间隔范围为0.2~0.7cm；
在当前中心点预设范围内的控制点操作完成后，确定下一中心点的控制信息，直至所有的有效控制点均确定。
进一步地，确定下一控制点的控制信息的步骤中，所述方法还包括：
所述控制路径选择模型将确定好的控制路径信息发送给用于对当前控制点进行操作的控制装置；其中，所述控制路径信息用于指示控制所述舌骨上肌群进行运动的运动路径信息；
所述控制装置根据所述控制路径信息，确定下一控制的控制信息。
进一步地，根据所述运动反馈数据确定当前控制信息的有效性，具体包括：
将所述舌骨运动模型针对所述控制信息所反馈的运动反馈数据，与标准舌骨运动模型针对所述控制信息所反馈的标准运动反馈数据进行比对；
当所述运动反馈数据与所述标准运动反馈数据的差值大于预设差值范围时，所述当前控制点所对应的控制信息有效。
进一步地，根据所述有效控制信息绘制所述舌骨运动模型所对应的舌骨上肌群的运动皮质区，具体包括：
获取所有有效控制信息中对应的位置信息，并对所述有效控制信息中的位置信息进行边缘勾勒，得到舌骨上肌群的运动皮质区轮廓；
对所述有效控制信息对应的控制点进行标定，根据各控制点之间的有效度，将所述舌骨上肌群的运动皮质区轮廓划分为多个填充区域；
计算各个填充区域之间的有效度差值，并根据各个填充区域之间的有效度差值、各填充区域的重要程度、以及各填充区域的亮度值，对所述舌骨上肌群的运动皮质区轮廓进行填充，得到所述舌骨运动模型所对应的舌骨上肌群的运动皮质区。
进一步地，根据所述有效控制信息绘制所述舌骨运动模型所对应的舌骨上肌群的运动皮质区之前，所述方法还包括：
获取用于控制所述舌骨上肌群进行运动的无效控制信息；
将所述无效控制信息的位置信息，与标准用于控制所述舌骨上肌群进行运动的控制信息的位置进行比对；
并根据比对结果，在所述舌骨上肌群的运动皮质区上标注出存在问题的舌骨上肌群的运动皮质区。
本发明的另一实施例提出一种舌骨上肌群运动皮质区绘制系统，所述系统包括：
运动模型构建模块，用于创建舌骨上肌群模型，并通过输入的训练样本数据对所述舌骨上肌群模型进行训练，得到舌骨运动模型；
反馈数据获取模块，用于向所述舌骨运动模型内输入用于控制所述舌骨上肌群运动的控制信息，并获取所述舌骨运动模型针对所述控制信息所反馈的运动数据，得到运动反馈数据；
控制信息确定模块，用于根据所述运动反馈数据确定当前控制信息的有效性，并根据创建的控制路径选择模型、以及所述运动反馈数据，确定下一控制点的控制信息；
运动皮质区绘制模块，用于当用于控制所述舌骨上肌群进行运动的所有有效控制信息都确定后，根据所述有效控制信息绘制所述舌骨运动模型所对应的舌骨上肌群的运动皮质区。
本发明的另一个实施例还提出一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上所述的舌骨上肌群运动皮质区绘制方法。
本发明的另一个实施例还提出一种医疗设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上所述的舌骨上肌群运动皮质区绘制方法。
上述舌骨上肌群运动皮质区绘制方法，首先创建舌骨上肌群模型，并通过输入的训练样本数据对所述舌骨上肌群模型进行训练，得到舌骨运动模型；向所述舌骨运动模型内输入用于控制所述舌骨上肌群运动的控制信息，并获取所述舌骨运动模型针对所述控制信息所反馈的运动数据，得到运动反馈数据；根据所述运动反馈数据确定当前控制信息的有效性，并根据创建的控制路径选择模型、以及所述运动反馈数据，确定下一控制点的控制信息；当用于控制所述舌骨上肌群进行运动的所有有效控制信息都确定后，根据所述有效控制信息绘制所述舌骨运动模型所对应的舌骨上肌群的运动皮质区。相比现有技术，本发明无需人工操作，且能够提高舌骨上肌群运动皮质区绘制完整度，满足了实际应用需求。
附图说明
图1为本发明实施例提供的舌骨上肌群运动皮质区绘制方法的一种流程示意图；
图2为本发明实施例提供的舌骨上肌群运动皮质区绘制系统的结构框图；
图3为本发明实施例提供的医疗设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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，本技术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。
需要说明的是，文中的步骤编号，仅为了方便具体实施例的解释，不作为限定步骤执行先后顺序的作用。本实施例提供的方法可以由相关的服务器执行，且下文均以服务器作为执行主体为例进行说明。
如图1所示，本发明实施例提供的舌骨上肌群运动皮质区绘制方法，所述方法包括步骤S11至步骤S14：
步骤S11，创建舌骨上肌群模型，并通过输入的训练样本数据对所述舌骨上肌群模型进行训练，得到舌骨运动模型。
如上所述，通过创建舌骨上肌群模型，以便于通过训练样本数据对所述舌骨上肌群模型进行训练，从而得到舌骨运动模型。其中，所述训练样本数据包括用于对所述舌骨上肌群运动进行控制的数据及图像。所述舌骨上肌群模型为表征舌骨上肌群特征及性能的模型。所述舌骨运动模型为表征舌骨运动性能及能力的模型。
进一步地，通过输入的训练样本数据对所述舌骨上肌群模型进行训练，得到舌骨运动模型之前，所述方法还包括：
获取待处理样本数据，并将所述待处理样本数据输入特征提取网络，进行特征提取，得到特征提取数据；根据所述特征提取数据的特征信息量，筛选出用于对所述舌骨上肌群模型进行训练的训练样本数据。
其中，所述待处理样本数据为未进行特征提取的用于对所述舌骨上肌群模型进行训练的训练样本数据。所述特征提取网络为RepVGG网络。可以理解的，本实施例中，通过将待处理样本数据输入特征提取网络，以提取出满足模型训练需求的特征样本，提高模型训练的效率及可靠性。同时通过根据特征提取数据的特征信息量，筛选出用于对所述舌骨上肌群模型进行训练的训练样本数据，以便于得到更符合实际情况的舌骨运动模型。
所述特征提取数据的特征信息量的计算方法包括：
计算当前特征提取数据中各数据在当前待处理样本数据中的重要程度，得到特征重要度；将所述当前特征提取数据中各数据的特征重要度，乘以所述当前特征提取数据中各数据的特征重要度倒数的对数，并进行求和运算后得到所述特征提取数据的特征信息量。其中，所述当前特征提取数据中各数据在当前待处理样本数据中的重要程度，可通过当前特征提取数据的一阶导数，除以当前待处理样本数据中各数据一阶导数的求和运算得到。
可以理解的，由于对不同类型的舌骨运动模型的训练需要不同类型的特征提取数据，且各个特征之间的重要程度、关联程度也对最终训练的舌骨运动模型有着决定的影响。因此，本发明通过对特征提取数据的特征信息量的计算，筛选出最终用于对所述舌骨上肌群模型进行训练的训练样本数据，从而得到符合实际需求，且能够反映舌骨上肌群实际情况的舌骨上肌群运动模型。
进一步地，创建舌骨上肌群模型，具体包括：
根据反馈式神经元网络及所述反馈式神经元网络所对应的激活函数，对分批次输入所述反馈式神经元网络的舌骨肌群数据集中的数据进行正向传播，得到舌骨肌群结构信息；通过指数损失函数计算所述舌骨肌群结构信息与标准舌骨肌群结构信息的差值，将所述差值进行反向传播，并通过预设周期的迭代训练得到所述舌骨上肌群模型。其中，所述反馈式神经元网络为多层前向型神经网络，所述激活函数为sigmoid激活函数。
具体的，所述多层前向型神经网络，包括三层神经元，每层有多个神经元且每个神经元自身相互独立。当三层网络模型构建成功后向网络输入舌骨肌群数据集中的样本数据，该样本数据对应的样本向量由输入层神经元开始传输至隐含层单元，并通sigmoid激活函数运算后，经过中间层逐层处理后又顺序输出到输出层单元，通过传递到输出层单元得出一个实际的舌骨肌群结构信息，且该过程是逐层向前的传播修改状态。通过指数损失函数计算所述舌骨肌群结构信息与标准舌骨肌群结构信息的差值，将所述差值进行反向传播，并通过预设周期的迭代训练得到所述舌骨上肌群模型，以便于提高对舌骨运动模型生成的可靠性。
进一步地，通过输入的训练样本数据对所述舌骨上肌群模型进行训练，得到舌骨运动模型，具体包括：
将所述训练样本数据输入所述舌骨上肌群模型；根据所述舌骨上肌群模型在上一次训练中的模型参数，与所述舌骨上肌群模型学习率和上一次训练中所述舌骨上肌群模型的损失函数的倒数之差，对所述舌骨上肌群模型进行不断更新；当所述舌骨上肌群模型对应的损失函数的损失值趋向于收敛时，完成训练，得到所述舌骨运动模型。其中，所述舌骨上肌群模型学习率为0.85，所述损失函数为交叉熵损失函数和对应权重的乘积，加上dice损失函数和对应权重的乘积。可以理解的，通过所述舌骨运动模型的生成，为后续舌骨运行状态的反馈提供必要条件。
步骤S12，向所述舌骨运动模型内输入用于控制所述舌骨上肌群运动的控制信息，并获取所述舌骨运动模型针对所述控制信息所反馈的运动数据，得到运动反馈数据。
其中，所述控制信息包括舌骨运动轨迹、舌骨向上向前的位移、舌骨启动速度以及移动速度等。可以理解的，通过控制所述舌骨上肌群运动的控制信息的输入，以便于得到所述舌骨运动模型针对所述控制信息所反馈的运动数据，从而为后续舌骨上肌群运动皮质区的绘制提供数据基础。
步骤S13，根据所述运动反馈数据确定当前控制信息的有效性，并根据创建的控制路径选择模型、以及所述运动反馈数据，确定下一控制点的控制信息。
如上所述，通过所述运动反馈数据确定当前控制信息的有效性，并根据创建的控制路径选择模型、以及所述运动反馈数据，确定下一控制点的控制信息，从而提高了控制的效率与可靠性。其中下一控制的控制信息包括控制的位置、脉冲序列的类型、脉冲强度。
进一步地，所述控制路径选择模型的创建，具体包括：
获取用于控制所述舌骨上肌群运动的所有控制信息所产生的控制路径数据；将所述舌骨上肌群运动的所有控制信息所产生的控制路径数据匹配至候选控制路径集，并获得所述候选控制路径集中每个控制路径之间的舌骨运动关联性；从所述候选控制路径集中，获取与当前控制路径所对应的舌骨运动关联性大于预设值的关联路径，得到关联路径集；根据所述关联路径集中各关联路径与当前控制路径之间的关联性、以及当前控制路径中当前控制信息所对应的舌骨运动的有效性，标定所述控制路径选择模型。
具体的，对现实中舌骨上肌群的运动神经元网络进行抽象，并基于该网络确定所有控制信息所能够产生的控制路径数据。将所述舌骨上肌群运动的所有控制信息的所能够产生的控制路径数据匹配至候选控制路径集，可确定当前控制路径在候选路控制径集中的编号，并确定候选控制路径集中每个控制路径之间的舌骨运动关联性。然后从所述候选控制路径集中，获取与当前控制路径所对应的舌骨运动关联性大于预设值的关联路径，得到关联路径集。可以理解的，候选控制路径集，可由每个控制起点与控制终点的所有路径组成，也可由每个控制起点与控制终点中关联性最大的N个路径组成（N≥2）。同时，为建立控制路径选择模型，首先需要明确有关联路径集，即有可能被选择的关联路径集合。
应当理解的，为保证控制路径选择模型标定样本的真实性、常规性（符合通常情况），从所述舌骨上肌群运动的所有控制信息中，确定所能够产生的控制路径数据。因为路径分配是基于常规情况的分配，然而有些控制在舌骨运动模型的运动中存在较大的关联性，因此，通过从候选控制路径集中筛选出与当前控制路径所对应的舌骨运动关联性大于预设值的关联路径，作为关联路径集。为提高路径标定的可靠性，根据所述关联路径集中各关联路径与当前控制路径之间的关联性、以及当前控制路径中当前控制信息所对应的舌骨运动的有效性，标定所述控制路径选择模型。其中，控制路径选择模型可基于Logit模型构建。其标定用数据包括控制起点、控制终点、运动反馈数据、路径编号、控制点之间的关联性、运动效果。最终可通过标定数据对控制路径选择模型进行标定。
进一步地，根据创建的控制路径选择模型、以及所述运动反馈数据，确定下一控制点的控制信息，具体包括：
将当前控制信息、以及当前控制信息所对应的运动反馈数据，输入所述控制路径选择模型；当所述当前控制信息所对应的运动反馈数据有效时，按照当前控制路径的控制信息确定下一控制点，并在当前控制路径的所有控制点执行完控制后，从所述关联路径集中选取关联度最大的路径作为下一控制路径；当所述当前控制点所对应的运动反馈数据无效时，以当前控制点为中心，以目标值为半径，从所述关联路径集中选取关联度最小的路径作为下一控制路径。
可以理解的，通过在所述当前控制信息所对应的运动反馈数据有效时，按照当前控制路径的控制信息确定下一控制点，并在当前控制路径的所有控制点操作完后，从所述关联路径集中选取关联度最大的路径作为下一控制路径，从而提升了控制之间运动反馈的关联性，也进一步提升了运动皮质区绘制数据来源的准确性与可靠性，同时也提升了运动皮质区绘制的效率。通过在当前控制点所对应的运动反馈数据无效时，以当前控制点为中心，以目标值为半径，从所述关联路径集中选取关联度最小的路径作为下一控制路径，从而进一步提升了控制路径选择的可靠性，提升关联运动之间控制路径确定效率与可靠性。
进一步地，确定下一控制点的控制信息的步骤中，所述方法还包括：
当所述当前控制点为有效控制点时，以当前控制点为中心点，依次操作所述中心点预设范围的点；其中，相邻两个控制点之间的间隔范围为0.2~0.7cm；在当前中心点预设范围内的控制点操作完成后，确定下一中心点的控制信息，直至所有的有效控制点均确定。其中，下一中心点控制信息的确定可以根据当前控制中心点的位置和控制信息确定，如当前控制中心点的半径、以及控制的强度和频率。可以理解的，通过以当前的有效控制点为中心，进行中心点预设范围点的控制，以及根据当前操作的中心点进行下一中心点控制信息的确定，进一步提升了下一控制信息确定的效率及可靠性，为舌骨上肌群运动皮质区的绘制提供数据基础。
进一步地，确定下一控制点的控制信息的步骤中，所述方法还包括：
所述控制路径选择模型将确定好的控制路径信息发送给用于对当前控制点进行操作的控制装置，其中，所述控制路径信息用于指示控制所述舌骨上肌群进行运动的运动路径信息；所述控制装置根据所述控制路径信息，确定下一控制点的控制信息，直至所述控制路径信息所指向的控制点目的地。可以理解的，通直接根据控制路径信息进行操作，从而进一步提升了控制的效率。此外，确定下一控制点的控制信息的步骤之间可以替换以及交叉使用，在此不作限制。
进一步地，根据所述运动反馈数据确定当前控制信息的有效性，具体包括：
将所述舌骨运动模型针对所述控制信息所反馈的运动反馈数据，与标准舌骨运动模型针对所述控制信息所反馈的标准运动反馈数据进行比对；当所述运动反馈数据与所述标准运动反馈数据的差值大于预设差值范围时，所述当前控制点所对应的控制信息有效。如位点1刺激5次每次诱发出的波幅分别为96、95、97、98、99（符合条件诱发5次有3次或以上≥20μV），则将所有波幅平均，得到最后平均波幅97，则当前位点有效。可以理解的，通过根据所述运动反馈数据确定当前控制信息的有效性，为舌骨上肌群运动皮质区的绘制提供可靠基础。
步骤S14，当用于控制所述舌骨上肌群进行运动的所有有效控制信息都确定后，根据所述有效控制信息绘制所述舌骨运动模型所对应的舌骨上肌群的运动皮质区。
如上所述，根据控制所述舌骨上肌群进行运动的所有有效控制信息，绘制所述舌骨运动模型所对应的舌骨上肌群的运动皮质区，不仅可以有效降低不同人操作带来的误差，还省去了对绘制皮质代表区技术人员的培训，且绘制的舌骨上肌群的运动皮质区更准确。此外，需要明确的是，绘制的舌骨上肌群的运动皮质区图所能够得到的信息仅为中间信息，不能直接得出诊断结果。即该图只能反应用户当前运动皮质区所对应的脑功能，如还剩百分之多少的脑功能，具体造成该脑功能减少的原因是无法直接确定的。
进一步地，根据所述有效控制信息绘制所述舌骨运动模型所对应的舌骨上肌群的运动皮质区，具体包括：
获取所有有效控制信息中对应的位置信息，并对所述有效控制信息中的位置信息进行边缘勾勒，得到舌骨上肌群的运动皮质区轮廓；对所述有效控制信息对应的控制点进行标定，根据各控制点之间的有效度，将所述舌骨上肌群的运动皮质区轮廓划分为多个填充区域；计算各个填充区域之间的有效度差值，并根据各个填充区域之间的有效度差值、各填充区域的重要程度、以及各填充区域的亮度值，对所述舌骨上肌群的运动皮质区轮廓进行填充，得到所述舌骨运动模型所对应的舌骨上肌群的运动皮质区。各个控制点之间的有效度，为当前控制点所对应的舌骨运动模型的状态的有效程度及合格程度。
其中，根据有效控制信息中的位置信息进行边缘勾勒时，可通过对各位置坐标的顺序进行勾勒。通过对所述有效控制信息对应的控制点进行标定，以便于根据各控制点之间的有效度，将所述舌骨上肌群的运动皮质区轮廓划分为多个填充区域。通过计算各个填充区域之间的有效度差值，并根据各个填充区域之间的有效度差值、各填充区域的重要程度、以及各填充区域的亮度值，对所述舌骨上肌群的运动皮质区轮廓进行填充，从而得到能够反映舌骨上肌群运动皮质区中各区性能的图像，但该图像仅能作为中间结果，并不能直接进行疾病的诊断。
进一步地，根据所述有效控制信息绘制所述舌骨运动模型所对应的舌骨上肌群的运动皮质区之前，所述方法还包括：
获取用于控制所述舌骨上肌群进行运动的无效控制信息；将所述无效控制信息的位置信息，与标准用于控制所述舌骨上肌群进行运动的控制信息的位置进行比对；并根据比对结果，在所述舌骨上肌群的运动皮质区上标注出存在问题的舌骨上肌群的运动皮质区，提高了舌骨上肌群运动皮质区绘制完整度。此外，应当明确的，该结果仅为中间结果，无法直接根据该结果进行疾病的诊断，但却可以为医护人员的判断提供数据基础。
上述舌骨上肌群运动皮质区绘制方法，首先创建舌骨上肌群模型，并通过输入的训练样本数据对所述舌骨上肌群模型进行训练，得到舌骨运动模型；向所述舌骨运动模型内输入用于控制所述舌骨上肌群运动的控制信息，并获取所述舌骨运动模型针对所述控制信息所反馈的运动数据，得到运动反馈数据；根据所述运动反馈数据确定当前控制信息的有效性，并根据创建的控制路径选择模型、以及所述运动反馈数据，确定下一控制点的控制信息；当用于控制所述舌骨上肌群进行运动的所有有效控制信息都确定后，根据所述有效控制信息绘制所述舌骨运动模型所对应的舌骨上肌群的运动皮质区。相比现有技术，本发明无需人工操作，且能够提高舌骨上肌群运动皮质区绘制完整度，满足了实际应用需求。
应该理解的是，虽然上述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，上述流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。
请参阅图2，本发明提供还提供了一种舌骨上肌群运动皮质区绘制系统，所述系统包括：
运动模型构建模块21，用于创建舌骨上肌群模型，并通过输入的训练样本数据对所述舌骨上肌群模型进行训练，得到舌骨运动模型。
进一步地，通过输入的训练样本数据对所述舌骨上肌群模型进行训练，得到舌骨运动模型之前，运动模型构建模块21还用于：
获取待处理样本数据，并将所述待处理样本数据输入特征提取网络，进行特征提取，得到特征提取数据；
根据所述特征提取数据的特征信息量，筛选出用于对所述舌骨上肌群模型进行训练的训练样本数据。
其中，所述待处理样本数据为未进行特征提取的用于对所述舌骨上肌群模型进行训练的训练样本数据。所述特征提取网络为RepVGG网络。可以理解的，本实施例中，通过将待处理样本数据输入特征提取网络，以提取出满足模型训练需求的特征样本，提高模型训练的效率及可靠性。同时通过根据特征提取数据的特征信息量，筛选出用于对所述舌骨上肌群模型进行训练的训练样本数据，以便于得到更符合实际情况的舌骨运动模型。
所述特征提取数据的特征信息量的计算，具体包括：
计算当前特征提取数据中各数据在当前待处理样本数据中的重要程度，得到特征重要度；
将所述当前特征提取数据中各数据的特征重要度，乘以所述当前特征提取数据中各数据的特征重要度倒数的对数，并进行求和运算后得到所述特征提取数据的特征信息量。其中，所述当前特征提取数据中各数据在当前待处理样本数据中的重要程度，可通过当前特征提取数据的一阶导数，除以当前待处理样本数据中各数据一阶导数的求和运算得到。
可以理解的，由于对不同类型的舌骨运动模型的训练需要不同类型的特征提取数据，且各个特征之间的重要程度、关联程度也对最终训练的舌骨运动模型有着决定的影响。因此，本发明通过对特征提取数据的特征信息量的计算，从而筛选出最终用于对所述舌骨上肌群模型进行训练的训练样本数据，从而得到符合实际需求，且能够反映舌骨上肌群实际情况的舌骨上肌群运动模型。
进一步地，创建舌骨上肌群模型，具体包括：
根据反馈式神经元网络及所述反馈式神经元网络所对应的激活函数，对分批次输入所述反馈式神经元网络的舌骨肌群数据集中的数据进行正向传播，得到舌骨肌群结构信息；
通过指数损失函数计算所述舌骨肌群结构信息与标准舌骨肌群结构信息的差值，将所述差值进行反向传播，并通过预设周期的迭代训练得到所述舌骨上肌群模型。其中，所述反馈式神经元网络为多层前向型神经网络，所述激活函数为sigmoid激活函数。
具体的，所述多层前向型神经网络，包括三层神经元，每层有多个神经元且每个神经元自身相互独立。当三层网络模型构建成功后向网络输入舌骨肌群数据集中的样本数据，该样本数据对应的样本向量由输入层神经元开始传输至隐含层单元，并通sigmoid激活函数运算后，经过中间层逐层处理后又顺序输出到输出层单元，通过传递到输出层单元得出一个实际的舌骨肌群结构信息，且该过程是逐层向前的传播修改状态。通过指数损失函数计算所述舌骨肌群结构信息与标准舌骨肌群结构信息的差值，将所述差值进行反向传播，并通过预设周期的迭代训练得到所述舌骨上肌群模型，以便于提高对舌骨运动模型生成的可靠性。
进一步地，通过输入的训练样本数据对所述舌骨上肌群模型进行训练，得到舌骨运动模型，具体包括：
将所述训练样本数据输入所述舌骨上肌群模型；
根据所述舌骨上肌群模型在上一次训练中的模型参数，与所述舌骨上肌群模型学习率和上一次训练中所述舌骨上肌群模型的损失函数的倒数之差，对所述舌骨上肌群模型进行不断更新；
当所述舌骨上肌群模型对应的损失函数的损失值趋向于收敛时，完成训练，得到所述舌骨运动模型。其中，所述舌骨上肌群模型学习率为0.85，所述损失函数为交叉熵损失函数和对应权重的乘积，加上dice损失函数和对应权重的乘积。可以理解的，通过所述舌骨运动模型的生成，为后续舌骨运行状态的反馈提供必要条件。
反馈数据获取模块22，用于向所述舌骨运动模型内输入用于控制所述舌骨上肌群运动的控制信息，并获取所述舌骨运动模型针对所述控制信息所反馈的运动数据，得到运动反馈数据。
其中，所述控制信息包括舌骨运动轨迹、舌骨向上向前的位移、舌骨启动速度以及移动速度等。可以理解的，通过控制所述舌骨上肌群运动的控制信息的输入，以便于得到所述舌骨运动模型针对所述控制信息所反馈的运动数据，从而为后续舌骨上肌群运动皮质区的绘制提供数据基础。
控制信息确定模块23，用于根据所述运动反馈数据确定当前控制信息的有效性，并根据创建的控制路径选择模型、以及所述运动反馈数据，确定下一控制点的控制信息。
如上所述，通过所述运动反馈数据确定当前控制信息的有效性，并根据创建的控制路径选择模型、以及所述运动反馈数据，确定下一控制点的控制信息，从而提高了控制的效率与可靠性。其中下一控制的控制信息包括控制的位置、脉冲序列的类型、脉冲强度。
进一步地，所述控制路径选择模型的创建，具体包括：
获取用于控制所述舌骨上肌群运动的所有控制信息所产生的控制路径数据；
将所述舌骨上肌群运动的所有控制信息所产生的控制路径数据匹配至候选控制路径集，并获得所述候选控制路径集中每个控制路径之间的舌骨运动关联性；
从所述候选控制路径集中，获取与当前控制路径所对应的舌骨运动关联性大于预设值的关联路径，得到关联路径集；
根据所述关联路径集中各关联路径与当前控制路径之间的关联性、以及当前控制路径中当前控制信息所对应的舌骨运动的有效性，标定所述控制路径选择模型。
具体的，对现实中舌骨上肌群的运动神经元网络进行抽象，并基于该网络确定所有控制信息所能够产生的控制路径数据。将所述舌骨上肌群运动的所有控制信息的所能够产生的控制路径数据匹配至候选控制路径集，可确定当前控制路径在候选路控制径集中的编号，并确定候选控制路径集中每个控制路径之间的舌骨运动关联性。然后从所述候选控制路径集中，获取与当前控制路径所对应的舌骨运动关联性大于预设值的关联路径，得到关联路径集。可以理解的，候选控制路径集，可由每个控制起点与控制终点的所有路径组成，也可由每个控制起点与控制终点中关联性最大的N个路径组成（N≥2）。同时，为建立控制路径选择模型，首先需要明确有关联路径集，即有可能被选择的关联路径集合。
应当理解的，为保证控制路径选择模型标定样本的真实性、常规性（符合通常情况），从所述舌骨上肌群运动的所有控制信息中，确定的所能够产生的控制路径数据。因为路径分配是基于常规情况的分配，然而有些控制在舌骨运动模型的运动中存在较大的关联性，因此，通过从候选控制路径集中筛选出与当前控制路径所对应的舌骨运动关联性大于预设值的关联路径，作为关联路径集。为提高路径标定的可靠性，根据所述关联路径集中各关联路径与当前控制路径之间的关联性、以及当前控制路径中当前控制信息所对应的舌骨运动的有效性，标定所述控制路径选择模型。其中，控制路径选择模型可基于Logit模型构建。其标定用数据包括控制起点、控制终点、运动反馈数据、路径编号、控制点之间的关联性、运动效果。最终可通过标定数据对控制路径选择模型进行标定。
进一步地，根据创建的控制路径选择模型、以及所述运动反馈数据，确定下一控制点的控制信息，具体包括：
将当前控制信息、以及当前控制信息所对应的运动反馈数据，输入所述控制路径选择模型；
当所述当前控制信息所对应的运动反馈数据有效时，按照当前控制路径的控制信息确定下一控制点，并在当前控制路径的所有控制点执行完控制后，从所述关联路径集中选取关联度最大的路径作为下一控制路径；
当所述当前控制点所对应的运动反馈数据无效时，以当前控制点为中心，以目标值为半径，从所述关联路径集中选取关联度最小的路径作为下一控制路径。
可以理解的，通过在所述当前控制信息所对应的运动反馈数据有效时，按照当前控制路径的控制信息确定下一控制点，并在当前控制路径的所有控制点操作完后，从所述关联路径集中选取关联度最大的路径作为下一控制路径，从而提升了控制之间运动反馈的关联性，也进一步提升了运动皮质区绘制数据来源的准确性与可靠性，同时也提升了运动皮质区绘制的效率。通过在当前控制点所对应的运动反馈数据无效时，以当前控制点为中心，以目标值为半径，从所述关联路径集中选取关联度最小的路径作为下一控制路径，从而进一步提升了控制路径选择的可靠性，提升关联运动之间控制路径确定效率与可靠性。
进一步地，确定下一控制点的控制信息的步骤中，所述控制信息确定模块23，还用于
当所述当前控制点为有效控制点时，以当前控制点为中心点，依次操作所述中心点预设范围内的点作为下一控制点；其中，相邻两个控制点之间的间隔范围为0.2~0.7cm；在当前中心点预设范围内的控制点操作完成后，确定下一中心点的控制信息，直至所有的有效控制点均确定。其中，下一中心点控制信息的确定可以根据当前控制中心点的位置和控制信息确定，如当前控制中心点的半径、以及控制的强度和频率。可以理解的，通过以当前的有效控制点为中心，进行中心点预设范围点的控制，以及根据当前操作的中心点进行下一中心点控制信息的确定，进一步提升了下一控制信息确定的效率及可靠性，为舌骨上肌群运动皮质区的绘制提供数据基础。
进一步地，确定下一控制点的控制信息的步骤中，所述控制信息确定模块23，还用于，
所述控制路径选择模型将确定好的控制路径信息发送给用于对当前控制点进行操作的控制装置，其中，所述控制路径信息用于指示控制所述舌骨上肌群进行运动的运动路径信息；所述控制装置根据所述控制路径信息，确定下一控制点的控制信息，直至所述控制路径信息所指向的控制点目的地。可以理解的，通直接根据控制路径信息进行操作，从而进一步提升了控制的效率。此外，确定下一控制点的控制信息的步骤之间可以替换以及交叉使用，在此不作限制。
进一步地，根据所述运动反馈数据确定当前控制信息的有效性，具体包括：
将所述舌骨运动模型针对所述控制信息所反馈的运动反馈数据，与标准舌骨运动模型针对所述控制信息所反馈的标准运动反馈数据进行比对；当所述运动反馈数据与所述标准运动反馈数据的差值大于预设差值范围时，所述当前控制点所对应的控制信息有效。如位点1刺激5次每次诱发出的波幅分别为96、95、97、98、99（符合条件诱发5次有3次或以上≥20μV），则将所有波幅平均，得到最后平均波幅97，则当前位点有效。可以理解的，通过根据所述运动反馈数据确定当前控制信息的有效性，为舌骨上肌群运动皮质区的绘制提供可靠基础。
运动皮质区绘制模块24，用于当用于控制所述舌骨上肌群进行运动的所有有效控制信息都确定后，根据所述有效控制信息绘制所述舌骨运动模型所对应的舌骨上肌群的运动皮质区。
如上所述，根据控制所述舌骨上肌群进行运动的所有有效控制信息，绘制所述舌骨运动模型所对应的舌骨上肌群的运动皮质区，不仅可以有效降低不同人操作带来的误差，还省去了对绘制皮质代表区技术人员的培训，且绘制的舌骨上肌群的运动皮质区更准确。此外，需要明确的是，绘制的舌骨上肌群的运动皮质区图所能够得到的信息仅为中间信息，不能直接得出诊断结果。即该图只能反应用户当前运动皮质区所对应的脑功能，如还剩百分之多少的脑功能，具体造成该脑功能减少的原因是无法直接确定的。
进一步地，根据所述有效控制信息绘制所述舌骨运动模型所对应的舌骨上肌群的运动皮质区，具体包括：
获取所有有效控制信息中对应的位置信息，并对所述有效控制信息中的位置信息进行边缘勾勒，得到舌骨上肌群的运动皮质区轮廓；
对所述有效控制信息对应的控制点进行标定，根据各控制点之间的有效度，将所述舌骨上肌群的运动皮质区轮廓划分为多个填充区域；
计算各个填充区域之间的有效度差值，并根据各个填充区域之间的有效度差值、各填充区域的重要程度、以及各填充区域的亮度值，对所述舌骨上肌群的运动皮质区轮廓进行填充，得到所述舌骨运动模型所对应的舌骨上肌群的运动皮质区。各个控制点之间的有效度，为当前控制点所对应的舌骨运动模型的状态的有效程度及合格程度。
其中，根据有效控制信息中的位置信息进行边缘勾勒时，可通过对各位置坐标的顺序进行勾勒。通过对所述有效控制信息对应的控制点进行标定，以便于根据各控制点之间的有效度，将所述舌骨上肌群的运动皮质区轮廓划分为多个填充区域。通过计算各个填充区域之间的有效度差值，并根据各个填充区域之间的有效度差值、各填充区域的重要程度、以及各填充区域的亮度值，对所述舌骨上肌群的运动皮质区轮廓进行填充，从而得到能够反映舌骨上肌群运动皮质区中各区性能的图像，但该图像仅能作为中间结果，并不能直接进行疾病的诊断。
进一步地，根据所述有效控制信息绘制所述舌骨运动模型所对应的舌骨上肌群的运动皮质区之前，所述运动皮质区绘制模块24还用于，
获取所述用于控制所述舌骨上肌群进行运动的无效控制信息；将所述无效控制信息的位置信息，与标准用于控制所述舌骨上肌群进行运动的控制信息的位置进行比对；并根据比对结果，在所述舌骨上肌群的运动皮质区上标注出存在问题的舌骨上肌群的运动皮质区，提高了舌骨上肌群运动皮质区绘制完整度。此外，应当明确的，该结果仅为中间结果，无法直接根据该结果进行疾病的诊断，但却可以为医护人员的判断提供数据基础。
本发明实施例所提供的舌骨上肌群运动皮质区绘制系统，首先创建舌骨上肌群模型，并通过输入的训练样本数据对所述舌骨上肌群模型进行训练，得到舌骨运动模型；向所述舌骨运动模型内输入用于控制所述舌骨上肌群运动的控制信息，并获取所述舌骨运动模型针对所述控制信息所反馈的运动数据，得到运动反馈数据；根据所述运动反馈数据确定当前控制信息的有效性，并根据创建的控制路径选择模型、以及所述运动反馈数据，确定下一控制点的控制信息；当用于控制所述舌骨上肌群进行运动的所有有效控制信息都确定后，根据所述有效控制信息绘制所述舌骨运动模型所对应的舌骨上肌群的运动皮质区。相比现有技术，本发明无需人工操作，且能够提高舌骨上肌群运动皮质区绘制完整度，满足了实际应用需求。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上所述的舌骨上肌群运动皮质区绘制方法。
本发明实施例还提供了一种医疗设备，参见图3所示，是本发明提供的一种医疗设备的一个优选实施例的结构框图，所述医疗设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上所述的舌骨上肌群运动皮质区绘制方法。
优选地，所述计算机程序可以被分割成一个或多个模块/单元（如计算机程序1、计算机程序2、······），所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述医疗设备中的执行过程。
所述处理器可以是中央处理单元（Central Processing Unit，CPU），还可以是其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现成可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器也可以是任何常规的处理器，所述处理器是所述医疗设备的控制中心，利用各种接口和线路连接所述医疗设备的各个部分。
所述存储器主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡（SmartMedia Card，SMC）、安全数字（Secure Digital，SD）卡和闪存卡（Flash Card）等，或所述存储器20也可以是其他易失性固态存储器件。
需要说明的是，上述医疗设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，图3结构框图仅仅是医疗设备的示例，并不构成对医疗设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。
综上，本发明提供的舌骨上肌群运动皮质区绘制方法、系统、存储介质及医疗设备，首先创建舌骨上肌群模型，并通过输入的训练样本数据对所述舌骨上肌群模型进行训练，得到舌骨运动模型；向所述舌骨运动模型内输入用于控制所述舌骨上肌群运动的控制信息，并获取所述舌骨运动模型针对所述控制信息所反馈的运动数据，得到运动反馈数据；根据所述运动反馈数据确定当前控制信息的有效性，并根据创建的控制路径选择模型、以及所述运动反馈数据，确定下一控制点的控制信息；当用于控制所述舌骨上肌群进行运动的所有有效控制信息都确定后，根据所述有效控制信息绘制所述舌骨运动模型所对应的舌骨上肌群的运动皮质区。相比现有技术，本发明无需人工操作，且能够提高舌骨上肌群运动皮质区绘制完整度，满足了实际应用需求。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (15)

1.一种舌骨上肌群运动皮质区绘制方法，其特征在于，所述方法包括以下步骤：
创建舌骨上肌群模型，并通过输入的训练样本数据对所述舌骨上肌群模型进行训练，得到舌骨运动模型；
向所述舌骨运动模型内输入用于控制所述舌骨上肌群运动的控制信息，并获取所述舌骨运动模型针对所述控制信息所反馈的运动数据，得到运动反馈数据；
根据所述运动反馈数据确定当前控制信息的有效性，并根据创建的控制路径选择模型、以及所述运动反馈数据，确定下一控制点的控制信息；
当用于控制所述舌骨上肌群进行运动的所有有效控制信息都确定后，根据所述有效控制信息绘制所述舌骨运动模型所对应的舌骨上肌群的运动皮质区。
2.根据权利要求1所述的舌骨上肌群运动皮质区绘制方法，其特征在于，通过输入的训练样本数据对所述舌骨上肌群模型进行训练，得到舌骨运动模型之前，所述方法还包括：
获取待处理样本数据，并将所述待处理样本数据输入特征提取网络，进行特征提取，得到特征提取数据；
根据所述特征提取数据的特征信息量，筛选出用于对所述舌骨上肌群模型进行训练的训练样本数据。
3.根据权利要求2所述的舌骨上肌群运动皮质区绘制方法，其特征在于，所述特征提取数据的特征信息量的计算方法包括：
计算当前特征提取数据中各数据在当前待处理样本数据中的重要程度，得到特征重要度；
将所述当前特征提取数据中各数据的特征重要度，乘以所述当前特征提取数据中各数据的特征重要度倒数的对数，并进行求和运算后得到所述特征提取数据的特征信息量。
4.根据权利要求1所述的舌骨上肌群运动皮质区绘制方法，其特征在于，创建舌骨上肌群模型，具体包括：
根据反馈式神经元网络及所述反馈式神经元网络所对应的激活函数，对分批次输入所述反馈式神经元网络的舌骨肌群数据集中的数据进行正向传播，得到舌骨肌群结构信息；
通过指数损失函数计算所述舌骨肌群结构信息与标准舌骨肌群结构信息的差值，将所述差值进行反向传播，并通过预设周期的迭代训练得到所述舌骨上肌群模型。
5.根据权利要求1所述的舌骨上肌群运动皮质区绘制方法，其特征在于，通过输入的训练样本数据对所述舌骨上肌群模型进行训练，得到舌骨运动模型，具体包括：
将所述训练样本数据输入所述舌骨上肌群模型；
根据所述舌骨上肌群模型在上一次训练中的模型参数，与所述舌骨上肌群模型学习率和上一次训练中所述舌骨上肌群模型的损失函数的倒数之差，对所述舌骨上肌群模型进行不断更新；
当所述舌骨上肌群模型对应的损失函数的损失值趋向于收敛时，完成训练，得到所述舌骨运动模型。
6.根据权利要求1所述的舌骨上肌群运动皮质区绘制方法，其特征在于，所述控制路径选择模型的创建，具体包括：
获取用于控制所述舌骨上肌群运动的所有控制信息所产生的控制路径数据；
将控制所述舌骨上肌群运动的所有控制信息所产生的控制路径数据匹配至候选控制路径集，并获得所述候选控制路径集中每个控制路径之间的舌骨运动关联性；
从所述候选控制路径集中，获取与当前控制路径所对应的舌骨运动关联性大于预设值的关联路径，得到关联路径集；
根据所述关联路径集中各关联路径与当前控制路径之间的关联性、以及当前控制路径中当前控制信息所对应的舌骨运动的有效性，标定所述控制路径选择模型。
7.根据权利要求6所述的舌骨上肌群运动皮质区绘制方法，其特征在于，根据创建的控制路径选择模型、以及所述运动反馈数据，确定下一控制点的控制信息，具体包括：
将当前控制信息、以及当前控制信息所对应的运动反馈数据，输入所述控制路径选择模型；
当所述当前控制信息所对应的运动反馈数据有效时，按照当前控制路径的控制信息确定下一控制点，并在当前控制路径的所有控制点执行完控制后，从所述关联路径集中选取关联度最大的路径作为下一控制路径；
当当前控制点所对应的运动反馈数据无效时，以当前控制点为中心，以目标值为半径，从所述关联路径集中选取关联度最小的路径作为下一控制路径。
8.根据权利要求1所述的舌骨上肌群运动皮质区绘制方法，其特征在于，确定下一控制点的控制信息的步骤中，所述方法还包括：
当当前控制点为有效控制点时，以当前控制点为中心点，将所述中心点预设范围内的点作为下一控制点；其中，相邻两个控制点之间的间隔范围为0.2~0.7cm；
在当前中心点预设范围内的控制点完成操作后，确定下一中心点的控制信息，直至所有的有效控制点均确定。
9.根据权利要求1所述的舌骨上肌群运动皮质区绘制方法，其特征在于，确定下一控制点的控制信息的步骤中，所述方法还包括：
所述控制路径选择模型将确定好的控制路径信息发送给用于对当前控制点进行操作的控制装置；其中，所述控制路径信息用于指示控制所述舌骨上肌群进行运动的运动路径信息；
所述控制装置根据所述控制路径信息，确定下一控制点的控制信息。
10.根据权利要求1所述的舌骨上肌群运动皮质区绘制方法，其特征在于，根据所述运动反馈数据确定当前控制信息的有效性，具体包括：
将所述舌骨运动模型针对所述控制信息所反馈的运动反馈数据，与标准舌骨运动模型针对所述控制信息所反馈的标准运动反馈数据进行比对；
当所述运动反馈数据与所述标准运动反馈数据的差值大于预设差值范围时，当前控制点所对应的控制信息有效。
11.根据权利要求1所述的舌骨上肌群运动皮质区绘制方法，其特征在于，根据所述有效控制信息绘制所述舌骨运动模型所对应的舌骨上肌群的运动皮质区，具体包括：
获取所有有效控制信息中对应的位置信息，并对所述有效控制信息中的位置信息进行边缘勾勒，得到舌骨上肌群的运动皮质区轮廓；
对所述有效控制信息对应的控制点进行标定，根据各控制点之间的有效度，将所述舌骨上肌群的运动皮质区轮廓划分为多个填充区域；
计算各个填充区域之间的有效度差值，并根据各个填充区域之间的有效度差值、各填充区域的重要程度、以及各填充区域的亮度值，对所述舌骨上肌群的运动皮质区轮廓进行填充，得到所述舌骨运动模型所对应的舌骨上肌群的运动皮质区。
12.根据权利要求1所述的舌骨上肌群运动皮质区绘制方法，其特征在于，根据所述有效控制信息绘制所述舌骨运动模型所对应的舌骨上肌群的运动皮质区之前，所述方法还包括：
获取用于控制所述舌骨上肌群进行运动的无效控制信息；
将所述无效控制信息的位置信息，与标准用于控制所述舌骨上肌群进行运动的控制信息的位置进行比对；
并根据比对结果，在所述舌骨上肌群的运动皮质区上标注出存在问题的舌骨上肌群的运动皮质区。
13.一种舌骨上肌群运动皮质区绘制系统，其特征在于，所述系统包括：
运动模型构建模块，用于创建舌骨上肌群模型，并通过输入的训练样本数据对所述舌骨上肌群模型进行训练，得到舌骨运动模型；
反馈数据获取模块，用于向所述舌骨运动模型内输入用于控制所述舌骨上肌群运动的控制信息，并获取所述舌骨运动模型针对所述控制信息所反馈的运动数据，得到运动反馈数据；
控制信息确定模块，用于根据所述运动反馈数据确定当前控制信息的有效性，并根据创建的控制路径选择模型、以及所述运动反馈数据，确定下一控制点的控制信息；
运动皮质区绘制模块，用于当用于控制所述舌骨上肌群进行运动的所有有效控制信息都确定后，根据所述有效控制信息绘制所述舌骨运动模型所对应的舌骨上肌群的运动皮质区。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1至12中任一项所述的舌骨上肌群运动皮质区绘制方法。
15.一种医疗设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如权利要求1至12中任一项所述的舌骨上肌群运动皮质区绘制方法。
CN202310396997.6A 2023-04-14 2023-04-14 舌骨上肌群运动皮质区绘制方法、系统、存储介质及设备 Active CN116126151B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310396997.6A CN116126151B (zh) 2023-04-14 2023-04-14 舌骨上肌群运动皮质区绘制方法、系统、存储介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310396997.6A CN116126151B (zh) 2023-04-14 2023-04-14 舌骨上肌群运动皮质区绘制方法、系统、存储介质及设备

Publications (2)

Publication Number Publication Date
CN116126151A CN116126151A (zh) 2023-05-16
CN116126151B true CN116126151B (zh) 2023-08-08

Family

ID=86304915

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310396997.6A Active CN116126151B (zh) 2023-04-14 2023-04-14 舌骨上肌群运动皮质区绘制方法、系统、存储介质及设备

Country Status (1)

Country Link
CN (1) CN116126151B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109620222A (zh) * 2018-11-30 2019-04-16 广州市第人民医院（广州消化疾病中心、广州医科大学附属市人民医院、华南理工大学附属第二医院） 一种咽部运动皮质区mep地形图的绘制方法
CN112469469A (zh) * 2018-05-25 2021-03-09 脸谱科技有限责任公司 用于提供肌肉下控制的方法和装置
CN113724237A (zh) * 2021-09-03 2021-11-30 平安科技（深圳）有限公司 齿痕识别方法、装置、计算机设备及存储介质
JP2022027304A (ja) * 2020-07-31 2022-02-10 国立大学法人岩手大学 時系列データ予測を用いた嚥下機能評価・訓練方法及びそのシステム
CN114952791A (zh) * 2022-05-19 2022-08-30 中国科学院自动化研究所 肌肉骨骼机器人控制方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112469469A (zh) * 2018-05-25 2021-03-09 脸谱科技有限责任公司 用于提供肌肉下控制的方法和装置
CN109620222A (zh) * 2018-11-30 2019-04-16 广州市第人民医院（广州消化疾病中心、广州医科大学附属市人民医院、华南理工大学附属第二医院） 一种咽部运动皮质区mep地形图的绘制方法
JP2022027304A (ja) * 2020-07-31 2022-02-10 国立大学法人岩手大学 時系列データ予測を用いた嚥下機能評価・訓練方法及びそのシステム
CN113724237A (zh) * 2021-09-03 2021-11-30 平安科技（深圳）有限公司 齿痕识别方法、装置、计算机设备及存储介质
CN114952791A (zh) * 2022-05-19 2022-08-30 中国科学院自动化研究所 肌肉骨骼机器人控制方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于发音运动特征的舌部肌肉建模及仿真;陈志翔;信琴琴;朱月秀;林姿琼;;计算机工程与应用(第20期);全文 *

Also Published As

Publication number Publication date
CN116126151A (zh) 2023-05-16

Similar Documents

Publication Publication Date Title
US10810735B2 (en) Method and apparatus for analyzing medical image
Petsiuk et al. Rise: Randomized input sampling for explanation of black-box models
WO2020215984A1 (zh) 基于深度学习的医学图像检测方法及相关设备
JP7208408B2 (ja) 検出モデルのトレーニング方法、装置、コンピュータデバイス及びコンピュータプログラム
CN108509411B (zh) 语义分析方法和装置
CN108921851B (zh) 一种基于3d对抗网络的医学ct图像分割方法
CN110391014A (zh) 利用使用深度学习的序列预测的医学图像采集
US20190125298A1 (en) Echocardiographic image analysis
CN109671076A (zh) 血管分割方法、装置、电子设备及存储介质
CN105389589B (zh) 一种基于随机森林回归的胸腔x光片肋骨检测方法
CN110889450B (zh) 超参数调优、模型构建方法和装置
CN105596021A (zh) 图像分析装置和图像分析方法
Urschler et al. What automated age estimation of hand and wrist MRI data tells us about skeletal maturation in male adolescents
CN113240661B (zh) 基于深度学习的腰椎骨分析方法、装置、设备及存储介质
CN106651887A (zh) 一种基于卷积神经网络的图像像素分类方法
CN113164142B (zh) 相似度确定装置、方法及程序
US20230011053A1 (en) Learning data generating system and learning data generating method
CN112580807A (zh) 一种基于效能评估的神经网络改进需求自动生成方法及装置
WO2020234349A1 (en) Sampling latent variables to generate multiple segmentations of an image
CN116126151B (zh) 舌骨上肌群运动皮质区绘制方法、系统、存储介质及设备
KR20230056004A (ko) 가상 현실 기반의 수술 환경을 제공하는 장치 및 방법
CN115393336A (zh) 一种骨龄评估方法、系统及计算机可读存储介质
CN109830300A (zh) 甲状腺结节分析方法、装置、计算机设备及可读存储介质
CN115222773A (zh) 单点运动学习方法及装置
CN114372970A (zh) 一种手术参考信息生成方法及装置

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