CN116510254A - 一种上呼吸道康复系统、装置和介质 - Google Patents

Abstract

本说明书实施例提供一种上呼吸道康复系统、装置和介质，该系统包括：训练识别传感器、反馈数据采集设备、康复训练设备和处理器，处理器用于：通过训练识别传感器获取传感信息，并基于传感信息确定用户是否使用康复训练设备进行康复训练；响应于是，通过反馈数据采集设备获取训练反馈数据，训练反馈数据包括呼吸流速特征和呼吸声音特征中至少一种；基于训练反馈数据，调节康复训练设备的设备参数，设备参数包括呼吸阻力。

Description

一种上呼吸道康复系统、装置和介质

技术领域

本说明书涉及医疗设备技术领域，特别涉及一种上呼吸道康复系统、装置和介质。

背景技术

具有呼吸道疾病或其他呼吸功能障碍的用户为了避免呼吸功能持续下降、呼吸困难加剧，通常需要持续进行康复训练。用户在自行康复训练或者使用康复训练仪器训练的过程中，很难得知训练手段对身体产生的反应以及训练方法是否合理和有效，缺乏专业的监督和反馈，可能导致训练效果不理想，影响康复进程。

针对如何加强监督和反馈，改善呼吸训练设备训练效果的问题，CN104939815B提出了一种综合反馈式肺康复评估治疗仪，采用各类传感器监测各项指标，对用户进行电流刺激，通过语音或其他声光形式提示进行呼或吸的动作，但是由于不同用户存在个体差异性，该治疗仪对呼吸度康复训练方式的调整作用仍然非常有限。

因此，有必要提出一种上呼吸道康复系统、装置和介质，可以更好地适应不同的用户，监测用户对康复训练的身体反应，自动调整训练参数，改善训练效果。

发明内容

本说明书一个或多个实施例提供一种上呼吸道康复系统。所述系统包括：训练识别传感器、反馈数据采集设备、康复训练设备和处理器，所述处理器用于：

通过所述训练识别传感器获取传感信息，并基于所述传感信息确定用户是否使用所述康复训练设备进行康复训练；响应于是，通过所述反馈数据采集设备获取训练反馈数据，所述训练反馈数据包括呼吸流速特征和呼吸声音特征中至少一种；基于所述训练反馈数据，调节所述康复训练设备的设备参数，所述设备参数包括呼吸阻力。

本说明书实施例之一提供一种上呼吸道康复装置，所述装置包括至少一个处理器以及至少一个存储器；所述至少一个存储器用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现：通过训练识别传感器获取传感信息，并基于所述传感信息确定用户是否使用康复训练设备进行康复训练；响应于是，通过反馈数据采集设备获取训练反馈数据，所述训练反馈数据包括呼吸流速特征和呼吸声音特征中至少一种；基于所述训练反馈数据，调节所述康复训练设备的设备参数，所述设备参数包括呼吸阻力。

本说明书一个或多个实施例提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行：通过训练识别传感器获取传感信息，并基于所述传感信息确定用户是否使用康复训练设备进行康复训练；响应于是，通过反馈数据采集设备获取训练反馈数据，所述训练反馈数据包括呼吸流速特征和呼吸声音特征中至少一种；基于所述训练反馈数据，调节所述康复训练设备的设备参数，所述设备参数包括呼吸阻力。

附图说明

本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

图1是根据本说明书一些实施例所示的上呼吸道康复系统的示例性示意图；

图2是根据本说明书一些实施例所示的上呼吸道康复的示例性流程图；

图3是根据本说明书一些实施例所示的基于训练反馈数据调节设备参数的示例性流程图；

图4是根据本说明书一些实施例所示的分段调节设备参数的示例性流程图；

图5是根据本说明书一些实施例所示的确定调节梯度特征的示例性示意图。

具体实施方式

为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。

本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

用户个体情况各异，且对康复训练的了解程度、专业程度也不一样，因此康复训练的方式也就不同。CN104939815B仅通过各类传感器监测各项指标，对用户进行电流刺激，或者通过语音等形式提示进行呼或吸的动作，不能得知用户对呼吸训练的身体反应，更不能适应性的自动调整呼吸的训练方式(例如调整与训练方式有关的参数)。

因此，本说明书一些实施例通过训练识别传感器获取传感信息并确定用户正在使用所述康复训练设备进行康复训练后，通过反馈数据采集设备获取包括呼吸流速特征和呼吸声音特征的训练反馈数据，基于训练反馈数据，调节康复训练设备的设备参数，能够更好地适应用户在整个训练过程中的身体状态变化，并自动做出调整，使得呼吸锻炼的有效性提高，协助用户更好地康复。

图1是根据本说明书一些实施例所示的上呼吸道康复系统的示例性示意图。如图1所示，上呼吸道康复系统100包括训练识别传感器110、反馈数据采集设备120、康复训练设备130和处理器140。

训练识别传感器110可以用于获取传感信息，并基于传感信息确定用户150是否使用康复训练设备进行康复训练。

在一些实施例中，传感信息可以包括用户150的动作信息、声音信息等。用户的动作信息可以包括用户按下康复训练设备的开始按钮。关于传感信息的更多内容可以参见图2的相关描述。

在一些实施例中，训练识别传感器可以包括至少一个摄像头和麦克风。

反馈数据采集设备120可以用于持续获取用户150在康复训练过程中的训练反馈数据。

在一些实施例中，反馈数据采集设备是一个由多个传感器组成的联合体。例如，包括气体流速传感器、声音传感器、图像传感器(即摄像头)、表面肌电传感器等。多个传感器可以采集用户150在康复训练过程中的不同的训练反馈数据。在一些实施例中，反馈数据采集设备可以包括图像识别设备，用于确定用户的皮肤特征。关于通过反馈数据采集设备获取训练反馈数据的更多说明可以参见图2的相关描述。

康复训练设备130可以指用户进行康复训练的设备。康复训练设备的参数可以基于训练反馈数据进行调节。

在一些实施例中，处理器140可以处理从其他设备或系统各个组件中获得的数据和/或信息，以基于这些数据、信息和/或处理结果执行程序指令，以执行本申请中描述的一个或多个功能。例如，处理器140可以用于通过训练识别传感器110获取传感信息，并基于传感信息确定用户150是否使用康复训练设备130进行康复训练。又例如，响应于是，处理器140可以通过反馈数据采集设备120获取训练反馈数据。处理器140可以基于训练反馈数据，调节康复训练设备130的设备参数，设备参数可以包括呼吸阻力。

在一些实施例中，处理器可以包括存储设备等。在一些实施例中，上呼吸道康复系统100可以包括网络和/或其他连接系统与外部资源的组成部分。上呼吸道康复系统100还可以包括用户终端。关于处理器的更多说明可以参见图2及其相关描述。

用户150是指使用康复训练设备进行训练的人员。例如，用户可以是患有上呼吸道疾病的人员等。

上述各个部分(如，训练识别传感器110、反馈数据采集设备120、康复训练设备130和处理器140等)之间可以通过有线或无线的方式建立数据连接。

需要注意的是，以上对于上呼吸道康复系统100的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。对于本领域技术人员来说，在本说明书的指导下可以对上呼吸道康复系统进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。

图2是根据本说明书一些实施例所示的上呼吸道康复的示例性流程图。在一些实施例中，流程200可以由处理器140执行。如图2所示，流程200包括以下步骤。

步骤210，通过训练识别传感器获取传感信息，并基于传感信息确定用户是否使用康复训练设备进行康复训练。

关于训练识别传感器的更多内容，参见图1及其相关描述。

传感信息是指训练识别传感器产生的可以反映训练状态的信息。关于传感信息的更多内容参见图1的相关描述。

用户可以使用康复训练设备的部分功能或者多种功能同时使用。在一些实施例中，康复训练设备呈启动状态可以表示用户正在使用康复训练设备进行康复训练。

康复训练可以包括呼吸康复训练，例如，腹式呼吸训练、吸气阻力器呼吸训练，增加腹式、胸式呼吸幅度，撅嘴呼吸、缩唇呼吸，或者减慢呼气流速等。

在一些实施例中，处理器140可以基于传感信息，根据预设条件确定用户是否使用康复训练设备进行康复训练。例如，预设条件可以包括：检测到按下按键时产生的电信号、识别到表示进行训练的语音信息、识别到表示进行训练的动作图像信息等。当满足上述预设条件时，处理器140可以确定用户正在使用康复训练设备进行康复训练。

步骤220，响应于是，通过反馈数据采集设备获取训练反馈数据。

关于反馈数据采集设备的更多内容，参见图1及其相关描述。

训练反馈数据是指用户使用康复训练设备进行康复训练时产生的相关数据。在一些实施例中，训练反馈数据可以包括呼吸流速特征和呼吸声音特征中的至少一种。

呼吸流速特征可以通过向量表示。向量中的元素可以分别表示用户呼吸的流速、方向和持续时间等。流速可以包括呼气峰流速或者吸气峰流速等。

在一些实施例中，呼吸声音特征可以包括用户指令、呼吸声音等。呼吸声音特征可以通过向量表示。向量中的元素可以分别表示用户指令(例如“增加一组训练”等通过语音发出的用户指令)的声波数据、呼吸声音的声波数据等。在一些实施例中，呼吸声音的声波数据可以体现呼吸声音的连贯性。

在一些实施例中，处理器140可以通过各种可行的方法通过反馈数据采集设备获取训练反馈数据。例如，处理器140可以通过反馈数据采集设备中的气体流速传感器获取用户呼吸的流速、方向和持续时间等，处理并生成呼吸流速特征。又例如，处理器140可以通过反馈数据采集设备中的声音传感器获取用户指令的声波数据和呼吸声音的声波数据，处理并生成呼吸声音特征。

步骤230，基于训练反馈数据，调节康复训练设备的设备参数。

关于康复训练设备的更多内容，参见图1及其相关描述。

设备参数是指康复训练设备中与训练计划相关的参数。例如，设备参数可以包括训练的时长、训练的组数等。在一些实施例中，设备参数可以包括呼吸阻力。

呼吸阻力是指呼吸时克服的阻力。处理器140可以对康复训练设备的呼吸阻力进行设置或调节。例如，呼吸阻力为65mmH₂O等。

在一些实施例中，康复训练设备的设备参数可以包括预设值。处理器140可以基于用户的用户基本特征、当前病况和恢复情况，确定预设值。

预设值是指预先设定的康复训练设备的设备参数的默认值。预设值可以由用户预先设置或由处理器140默认设置。预设值可以包括训练的时长、训练的组数和呼吸阻力等的预设值。

在一些实施例中，用户基本特征可以包括性别、年龄、体重等。在一些实施例中，处理器可以基于用户的输入获取用户基本特征。

在一些实施例中，当前病况可以包括疾病类型、持续时间、发作频率、诊疗和护理手段等。在一些实施例中，处理器可以基于用户的输入获取当前病况。

在一些实施例中，恢复情况可以通过等级来表示。在一些实施例中，恢复情况可以通过相关的医学设备来定量评估。

处理器140可以基于用户的用户基本特征、当前病况和恢复情况，通过各种可行的方法确定预设值。例如，处理器140可以基于用户的用户基本特征、当前病况和恢复情况，通过第一向量数据库确定预设值。

在一些实施例中，处理器140可以基于用户的用户基本特征、当前病况和恢复情况等构建第一目标向量，根据第一预设匹配规则在第一向量数据库中进行检索，将该组第一目标向量对应的参考预设值作为预设值。第一向量数据库包括多个第一模板数据向量。第一模板数据向量通过模板用户基本特征、模板当前病况和模板恢复情况等进行构建。第一向量数据库中的多个第一模板数据向量中的每个第一模板数据向量均对应一组参考预设值。

第一预设匹配规则可以包括与第一目标向量的相似度最高的第一模板数据向量。处理器可以将用户基本特征、当前病况、恢复情况的相似度按权重相加，确定相似度。例如，相似度＝w1*用户基本特征的相似度+w2*当前病况的相似度+w3*恢复情况的相似度，其中，w1、w2、w3分别为用户基本特征、当前病况、恢复情况的相似度权重。第一预设匹配规则还可以包括第一模板数据向量与和第一目标向量的相似度在预设相似度(如80％等)范围内。

在一些实施例中，处理器140可以基于用户的用户基本特征、当前病况和恢复情况，通过预设值确定模型确定预设值。预设值确定模型可以为机器学习模型。预设值确定模型的输入可以包括用户的用户基本特征、当前病况和恢复情况等。预设值确定模型的输出可以包括预设值。处理器140可以基于多个第一训练样本及第一标签训练得到预设值确定模型。第一训练样本的每组第一训练样本可以包括样本用户基本特征、样本当前病况、样本恢复情况。每组第一训练样本的第一标签为该组对应的实际设备参数值。第一训练样本可以基于历史数据获取，第一训练样本的第一标签可以通过人工标注或自动标注的方式确定。

基于用户的用户基本特征、当前病况和恢复情况等确定预设值，用户可以按照预设值设置设备参数的康复训练设备进行呼吸训练，用户对呼吸训练能够有一个较平缓的适应过程。

在一些实施例中，预设值相关于用户的历史运动序列。

历史运动序列是指用户的其他运动形式的相关记录。例如，历史运动序列可以包括慢跑、深蹲等其他运动形式的相关记录。历史运动序列可以包括序号、运动项目、运动发生时间、运动时长等。

在一些实施例中，处理器140可以基于用户的用户基本特征、当前病况、恢复情况和历史运动序列等构建第二目标向量，根据第二预设匹配规则通过第二向量数据库确定预设值。

第二向量数据库包括多个第二模板数据向量。第二模板数据向量通过模板用户基本特征、模板当前病况、模板恢复情况和模板历史运动序列等进行构建。第二向量数据库中的多个第二模板数据向量中的每个第二模板数据向量均对应一组参考预设值。

第二预设匹配规则可以包括与第二目标向量的相似度最高的第二模板数据向量。在一些实施例中，处理器可以将用户基本特征、当前病况、恢复情况、历史运动序列的相似度按权重相加，确定相似度。在一些实施例中，处理器140可以将用户基本特征、当前病况、恢复情况、历史运动序列的相似度权重预先设定为默认值。

关于呼吸特征的更多内容，参见图4及其相关描述。

在一些实施例中，处理器140还可以基于用户的用户基本特征、当前病况、恢复情况和历史运动序列，通过预设值确定模型确定预设值。在一些实施例中，预设值确定模型的输入还可以包括历史运动序列等。在一些实施例中，当预设值确定模型的输入包括历史运动序列时，第一训练样本还可以包括样本历史运动序列。

考虑到历史运动对用户身体肌肉或其他部分可能产生的影响，将预设值的设置与用户全身(也包括呼吸系统)的疲劳度相关联，使预设值的设置更为合理。

在一些实施例中，预设值还相关于呼吸特征和历史运动序列中的至少一种运动的耗氧特征。

耗氧特征是指可以表征运动的耗氧情况。在一些实施例中，耗氧特征可以包括耗氧量等。

在一些实施例中，历史运动序列的相似度可以是历史运动序列中各种运动的相似度按照该运动所占的权重相加之和。例如，历史运动序列的相似度＝w41*A类(如慢跑)历史运动的相似度+w42*B类(如深蹲)历史运动的相似度等，其中，w41为A类历史运动所占的权重，w42为B类历史运动所占的权重。处理器140可以基于历史运动序列中各种运动的发生时间间隔、每次运动时长、累计运动时长/次数的相似程度来确定该种运动的相似度。例如，历史运动序列A类(如慢跑)历史运动的相似度等于历史运动序列中A类(如慢跑)历史运动的发生时间间隔、每次运动时长、累计运动时长/次数与第二向量数据库中的第二模板数据向量中的模板历史运动序列中A类(如慢跑)历史运动的发生时间间隔、每次运动时长、累计运动时长/次数的相似度(如，计算两者之间的向量距离，向量距离越小，相似度越大)。

在一些实施例中，各种运动所占的权重可以相关于运动的发生时间、运动的耗氧特征以及用户的呼吸特征等。运动的耗氧特征中的耗氧量越少，则该历史运动的权重可以减小，其中，权重减小的幅度可以相关于用户的呼吸特征。例如，历史运动序列中某个历史运动a1的权重可以按照系数乘以历史运动a1的耗氧量来确定，其中，系数可以基于用户的呼吸特征确定(例如可以基于包括系数与呼吸特征的对应关系的预设表确定)。

在一些实施例中，处理器140还可以基于用户的用户基本特征、当前病况、恢复情况、呼吸特征、历史运动序列中各个运动的耗氧特征，通过预设值确定模型确定预设值。更多关于预设值确定模型的内容，可以参见上述基于用户的用户基本特征、当前病况和恢复情况，通过预设值确定模型确定预设值的相关步骤。在一些实施例中，预设值确定模型的输入还可以包括呼吸特征、历史运动序列中各个运动的耗氧特征等。在一些实施例中，当预设值确定模型的输入包括呼吸特征、历史运动序列中各个运动的耗氧特征时，第一训练样本还可以包括样本呼吸特征、样本历史运动序列中各个运动的样本耗氧特征。

将预设值的设置与用户的呼吸特征以及历史运动序列中运动的耗氧特征联系起来，从而可以更准确的确定较为合理的预设值。

在一些实施例中，处理器140可以通过预设调节关系表，基于训练反馈数据，调节康复训练设备的设备参数。预设调节关系表可以包括预先设置的训练反馈数据与康复训练设备的设备参数的对应关系，例如，预先设置的训练反馈数据的变化趋势与康复训练设备的设备参数的调节方向的对应关系，当呼吸流速特征偏小时，则相应减小呼吸阻力；反之，则相应增大呼吸阻力；又例如，呼吸声音特征的连贯性较差时，则相应减小呼吸阻力等。

在一些实施例中，处理器可以基于训练反馈数据，确定用户的呼吸顺畅度；基于呼吸顺畅度，确定康复训练设备的参数调节量；基于参数调节量，调节康复训练设备的设备参数。关于基于训练反馈数据，调节康复训练设备的设备参数的更多内容，参见图3及其相关描述。

通过获取训练反馈数据，并基于训练反馈数据，调节康复训练设备的设备参数，可以将用户本身的情况与训练设备参数的调节相结合，使训练过程更好地适应不同的用户，并监测用户对康复训练的身体反应，改善训练效果，且调整设备参数的过程自动化，易用性较好。

图3是根据本说明书一些实施例所示的基于训练反馈数据调节设备参数的示例性流程图。在一些实施例中，流程300可以由处理器140执行。如图3所示，流程300包括以下步骤。

步骤310，基于训练反馈数据，确定用户的呼吸顺畅度。

关于训练反馈数据的更多内容，参见图2及其相关描述。

在一些实施例中，通过呼吸阻力可以度量呼吸顺畅度。例如，呼吸阻力越大，则呼吸顺畅度越低。

在一些实施例中，处理器140可以基于呼吸流速特征和呼吸声音特征，通过第三向量数据库确定呼吸顺畅度。

在一些实施例中，处理器140可以基于呼吸流速特征和呼吸声音特征构建第三目标向量(例如通过拼接或嵌入层等)，根据第三预设匹配规则在第三向量数据库中进行检索，将该组第三目标向量对应的参考呼吸顺畅度作为呼吸顺畅度。第三向量数据库包括多个第三模板数据向量。

第三预设匹配规则可以包括与第三目标向量的相似度最高的第三模板数据向量。

在一些实施例中，处理器140可以基于呼吸流速特征和呼吸声音特征，通过呼吸顺畅度确定模型确定呼吸顺畅度。

在一些实施例中，呼吸顺畅度确定模型的输入可以包括呼吸流速特征和呼吸声音特征。呼吸顺畅度确定模型的输出可以包括呼吸顺畅度。在一些实施例中，处理器140可以基于多个第二训练样本和第二标签训练，得到呼吸顺畅度确定模型。第二训练样本为样本呼吸流速特征和样本呼吸声音特征，第二标签为该组第二训练样本对应的样本呼吸顺畅度。

步骤320，基于呼吸顺畅度，确定康复训练设备的参数调节量。

关于康复训练设备的更多内容，参见图1及其相关描述。

参数调节量是指调节康复训练设备的训练强度的参数值。参数调节量可以包括呼吸阻力调节量等。

在一些实施例中，处理器140可以通过呼吸顺畅度与参数调节量之间的数学关系确定康复训练设备的参数调节量。例如，当呼吸顺畅度大于第一预设阈值时，有y＝k₁*(x-a)，其中，x为呼吸顺畅度，y为参数调节量(如，呼吸阻力调节量)，a为第一预设阈值，k₁为预设增强系数。当呼吸顺畅度大于第一预设阈值时，呼吸顺畅度越大，可以适当增加康复训练设备的呼吸阻力，使康复训练设备的参数调节量向增强训练强度的方向调节。又例如，当呼吸顺畅度小于第二预设阈值是，有y＝k₂*(x-b)，b为第二预设阈值，k₂为预设减弱系数。当呼吸顺畅度小于第二预设阈值时，呼吸顺畅度越小，可以适当减小康复训练设备的呼吸阻力，使康复训练设备的参数调节量向减弱训练强度的方向调整。在一些实施例中，关于第一预设阈值、第二预设阈值、预设增强系数和预设减弱系数等可以基于历史经验或预设获取。

在一些实施例中，训练反馈数据还包括用户的生理特征。生理特征包括皮肤特征。皮肤特征可以通过反馈数据采集设备中的图像识别设备确定。处理器可以基于呼吸顺畅度和生理特征，确定康复训练设备的参数调节量。

生理特征是指用户生理方面的外在表征。例如，用户呼吸相关腔体的起伏状况、呼吸相关肌肉的肌电信号等。

在一些实施例中，用户呼吸相关腔体的起伏状况通过反馈数据采集设备中的图像识别设备获取，用户呼吸相关肌肉的肌电信号可通过反馈数据采集设备的表面肌电传感器获取。

在一些实施例中，皮肤特征可以包括皮肤颜色(例如可能出现紫绀现象)、皮肤紧绷度、出汗情况等。

图像识别设备可以是反馈数据采集设备中可以对图像进行预处理并提取图像特征的设备。

在一些实施例中，处理器140可以基于图像识别设备的拍摄图像，通过图像识别模型确实皮肤特征。

在一些实施例中，图像识别模型可以为机器学习模型。图像识别模型的输入可以是拍摄图像。图像识别模型的输出可以是皮肤特征。在一些实施例中，处理器140可以基于多个第三训练样本及第三标签训练得到图像识别模型。第三训练样本为样本拍摄图像，第三标签为该第三训练样本对应的样本皮肤特征。

在一些实施例中，生理特征还包括面部表情特征。处理器可以基于反馈数据采集设备采集到的面部图像，通过表情识别模型确定面部表情特征，其中，表情识别模型为机器学习模型。

面部表情特征可以是用户通过眼部肌肉、颜面肌肉和口部肌肉的变化等表现的情绪状态，从而呈现出来的面部生理特征。

面部图像可以是含有一张或以上用户人脸面部图像的图片。

表情识别模型是指经过训练可以识别用户面部表情特征的机器学习模型。在一些实施例中，可以通过表情识别模型，获得用户的面部表情特征。表情识别模型的输入可以是面部图像，输出可以是面部表情特征。在一些实施例中，处理器140可以基于多个第四训练样本及第四标签训练得到表情识别模型。第四训练样本为样本面部图像，第四标签为该组对应的样本面部表情特征。

将面部表情特征也作为生理特征之一来确定康复训练设备的参数调节量，综合考虑呼吸顺畅度与生理特征，使康复训练设备的参数调节量更为准确。

在一些实施例中，基于呼吸顺畅度与参数调节量的相关性，处理器可以基于生理特征确定参数调节量的调整幅度。当呼吸顺畅度大于第一预设阈值时，处理器140可以根据用户的生理特征确定用户呼吸情况。若用户出现出汗、皮肤颜色异常、面部表情狰狞等，可判定用户呼吸有一定困难，处理器将减小呼吸阻力的增加量或不增加呼吸阻力。若用户无出汗、皮肤颜色正常、面部表情平缓等，可判定用户呼吸正常，处理器将增大呼吸阻力的增加量。当呼吸顺畅度小于第二预设阈值时，处理器140可以根据用户生理特征确定用户呼吸情况。若用户出现出汗、皮肤颜色异常、面部表情狰狞等，可判定用户呼吸有一定困难，处理器将增大呼吸阻力的减少量；若用户无出汗、皮肤颜色正常、面部表情平缓等，处理器将减小呼吸阻力的减少量或不减少呼吸阻力等。

在一些实施例中，参数调节量相关于预设调节系数，预设调节系数相关于生理特征。

预设调节系数是指与调节参数调节量相关的系数。预设调节系数可以包括预设增强系数k₁和预设减弱系数k₂。关于预设增强系数k₁和预设减弱系数k₂的更多内容可以参见图3上述的相关描述。

在一些实施例中，用户的生理特征的异常程度越大，预设增强系数k₁越小，预设减弱系数k₂越大。

在一些实施例中，处理器140可以基于用户的生理特征，通过第四向量数据库确定生理特征的异常程度。处理器140可以基于用户的生理特征构建第四目标向量，根据第四预设匹配规则在第四向量数据库中进行检索，将该组第四目标向量对应的参考生理特征异常程度作为生理特征异常程度。第四向量数据库包括多个第四模板数据向量。

第四预设匹配规则可以包括与第四目标向量的相似度最高的第四模板数据向量。

在一些实施例中，处理器140还可以通过生理特征异常程度确定模型确定用户的生理特征异常程度。生理特征异常程度确定模型的输入可以是生理特征，输出可以是生理特征异常程度。处理器140可以基于多个第五训练样本及第五标签训练得到生理特征异常程度确定模型。第五训练样本为样本生理特征，第五标签为该组第五训练样本对应的生理特征异常程度。

考虑通过用户生理特征的异常程度来确定预设调节系数，使预设调节系数的确定更加合理。

步骤330，基于参数调节量，调节康复训练设备的设备参数。

在一些实施例中，处理器140可以基于参数调节量，对康复训练设备中对应的各项参数进行调节。关于调节设备参数的更多内容，参见图4及其相关描述。

基于训练反馈数据，确定呼吸顺畅度，基于呼吸顺畅度，确定康复训练设备的参数调节量，基于参数调节量，调节康复训练设备的参数，实现康复训练设备的参数的实时和精准调节，有利于用户更好的使用康复训练设备进行康复训练。

图4是根据本说明书一些实施例所示的分段调节设备参数的示例性流程图。在一些实施例中，流程400可以由处理器140执行。如图4所示，流程400包括以下步骤。

步骤410，基于呼吸特征、呼吸顺畅度和参数调节量，确定调节梯度特征。

更多关于呼吸顺畅度和参数调节量的内容，参见图3及其相关描述。

呼吸特征是指一段时间以内用户呼吸相关的特征。在一些实施例中，呼吸特征可以包括一段时间以内的呼气吸气特征序列。呼气吸气特征序列可以包括气体量、持续时间、序号、速率、标记(例如用于标记本次是呼气还是吸气)等中的一种或多种构成的序列。其中，速率可以包括多个瞬时值。

在一些实施例中，处理器140可以根据训练反馈数据中的呼吸流速特征，统计气体流速的快慢、方向、持续时间等，依次得到用户的呼气、吸气的交替序列，从而得到用户的呼吸特征。

在一些实施例中，呼吸特征可以包括呼吸稳定度。

呼吸稳定度是指一段时间内的呼吸的稳定程度。例如，呼吸稳定度可以包括不稳定、较稳定、稳定等。呼吸稳定度可以用于体现呼吸系统的稳定性，例如，呼吸越稳定，则可以认为在当前的设备参数的呼吸阻力下呼吸系统的稳定性越好，呼吸系统的适应力越好。

在一些实施例中，处理器140可以通过呼吸特征包含的呼气吸气特征序列确定呼吸稳定度。例如，处理器140可以通过呼吸特征包含的呼气吸气特征序列，计算呼气量、呼气时间差、吸气量、吸气时间等的方差、每个呼气阶段的呼气速率平均值和不同呼气阶段的该呼气速率平均值的方差，以及每个吸气阶段的吸气速率平均值和不同吸气阶段的该吸气速率平均值的方差等中的一种或多种，确定呼吸稳定度。示例性的，处理器140可以计算呼气量、呼气时间、吸气量、吸气时间、不同呼气阶段的呼气速率平均值，以及不同吸气阶段的吸气速率平均值等的方差之和，基于方差之和确定呼吸稳定度。例如，方差之和越小时，呼吸稳定度越高。

呼吸稳定度体现呼吸系统的稳定性，基于包括呼吸稳定度的呼吸特征等确定调节梯度特征，能够使调节梯度特征的确定符合用户的呼吸系统的适应力，当呼吸稳定度较好时，适当上升调节梯度特征，能够使用户呼吸系统受到更大的即时刺激，增加对呼吸系统的锻炼程度。

调节梯度特征是指调节设备参数时的调节梯度的相关特征。例如，调节梯度特征可以包括调节阶段、调节单位、调节步长、调节速度等。

在一些实施例中，调节梯度特征包括至少一个调节阶段。

调节阶段是指调节设备参数的阶段。例如，调节阶段可以包括阶段一、阶段二、阶段三。处理器140按照调节阶段的排列顺序调节设备参数，在每个调节阶段中，按照该阶段的设置调节设备参数。至少一个调节阶段中的任意一个调节阶段可以包括当前调节阶段的初始参数值、目标参数值和调节方式。

初始参数值是指调节阶段内设备参数的初始值。例如，阶段一、阶段二、阶段三的设备参数中呼吸阻力的初始参数值可以分别为5、7、9。

目标参数值是指调节阶段内设备参数需要达到的值。例如，阶段一、阶段二、阶段三的设备参数中呼吸阻力的目标参数值可以分别为7、9、11。

调节方式是指调节阶段内调节设备参数的方式。在一些实施例中，调节方式包括至少匀速调节的所需的时间段(例如5秒、10秒、15秒等)。例如，阶段一的调节方式为5秒，则处理器140在5秒以内将设备参数中的呼吸阻力从初始参数值匀速调节到阶段一的目标参数值。

在一些实施例中，处理器140可以基于呼吸特征、呼吸顺畅度和参数调节量，通过第五向量数据库确定调节梯度特征。

在一些实施例中，处理器140可以基于呼吸特征、呼吸顺畅度和参数调节量等构建第五目标向量，在第五向量数据库中进行检索，将该组第五目标向量对应的历史调节梯度特征作为调节梯度特征。第五向量数据库包括多个通过历史呼吸特征、历史呼吸顺畅度和历史参数调节量等进行构建的第五历史数据向量，每个第五历史数据向量均对应一组历史调节梯度特征。

在一些实施例中，调节梯度特征相关于用户的历史运动序列，所述相关包括：呼吸感官敏感度相关于历史运动序列。

呼吸感官敏感度是指呼吸器官对外界刺激或变化的敏感度。

在一些实施例中，处理器140可以基于用户基本特征、呼吸顺畅度、呼吸特征和历史运动序列等确定呼吸感官敏感度。基于呼吸感官敏感度和参数调节量确定至少一个候选调节梯度特征。基于用户基本特征、呼吸特征、呼吸顺畅度和至少一个候选调节梯度特征中的每一个候选调节梯度特征，通过舒适度确定模型确定每一个候选调节梯度特征的预估舒适度；基于至少一个候选调节梯度特征对应的至少一个预估舒适度，确定调节梯度特征。

在一些实施例中，处理器140可以基于用户基本特征、呼吸顺畅度、呼吸特征和历史运动序列，根据预设映射关系表确定用户的呼吸感官敏感度。例如，预设映射关系表可以包括用户基本特征、呼吸顺畅度、呼吸特征、历史运动序列为各种可能的数据的情况，以及每种情况下对应的呼吸感官敏感度。

关于确定至少一个候选调节梯度特征、确定每一个候选调节梯度特征的预估舒适度、确定调节梯度特征的相关内容，参见图5及其相关描述。

在一些实施例中，调节梯度特征相关于用户的历史运动序列，所述相关包括：舒适度确定模型的输入还包括历史运动序列。关于舒适度确定模型的更多内容，参见图5及其相关描述。

关于历史运动序列的更多内容，参见图2及其相关描述。

通过发掘用户的历史运动序列与用户的呼吸系统的健壮性、疲劳度的关系，将调节梯度特征与历史运动序列相关联，能够更合理地确定调节梯度特征，使设备参数的调节更能适应用户的个体状态。

步骤420，基于调节梯度特征中的至少一个调节阶段，分段调节康复训练设备的设备参数。

在一些实施例中，处理器140可以基于调节梯度特征中的至少一个调节阶段，按照至少一个调节阶段的排列顺序，以及调节阶段的初始参数值、目标参数值和调节方式，分段调节康复训练设备的设备参数。例如，阶段一、阶段二的设备参数中呼吸阻力的初始参数值分别为5、7和目标参数值分别为7、9时，处理器140先按照阶段一的调节方式(例如5秒内匀速调节)将设备参数中呼吸阻力的值从5调节到7，再按照阶段二的初始参数值、目标参数值和调节方式调节设备参数。

通过确定调节梯度特征，基于调节梯度特征中的至少一个调节阶段，分段调节康复训练设备的设备参数，能够将调节梯度特征的确定与用户的身体情况相结合，并且将一个调节过程细化为多个分段的调节过程，能够使设备参数的调节过程更为平缓，有利于用户更好地适应训练过程中的变化，使调节过程更为合理。

图5是根据本说明书一些实施例所示的确定调节梯度特征的示例性示意图。

在一些实施例中，处理器可以基于用户基本特征511、呼吸特征512、呼吸顺畅度513和参数调节量514，确定至少一个候选调节梯度特征515；基于用户基本特征511、呼吸特征512、呼吸顺畅度513和至少一个候选调节梯度特征515中的每一个候选调节梯度特征，通过舒适度确定模型520确定每一个候选调节梯度特征的预估舒适度530，舒适度确定模型520为机器学习模型；基于至少一个候选调节梯度特征515对应的至少一个预估舒适度530，确定调节梯度特征540。

候选调节梯度特征515是指待确定为调节梯度特征的调节梯度特征。

在一些实施例中，处理器140可以基于用户基本特征511、呼吸特征512、呼吸顺畅度513、参数调节量514和历史运动序列516，确定至少一个候选调节梯度特征515。

在一些实施例中，处理器140可以基于用户基本特征511、呼吸特征512、呼吸顺畅度513，通过呼吸感官敏感度预设表，确定用户的呼吸感官敏感度。在一些实施例中，可以基于历史用户的用户基本信息、呼吸顺畅度、呼吸特征，通过痛觉测试、肺活量测试等确定与历史用户的用户基本信息、呼吸顺畅度、呼吸特征相对应的呼吸感官敏感度，并通过大量历史用户的医学测试结果，构建呼吸感官敏感度预设表。在一些实施例中，呼吸感官敏感度预设表中还包括与用户的历史运动序列对应的呼吸感官敏感度。

在一些实施例中，处理器140可以通过基于历史经验构建的可选数量范围预设表，基于呼吸感官敏感度和参数调节量，确定调节阶段的可选数量范围。可选数量范围预设表可以包括预先设置的呼吸感官敏感度和参数调节量与调节阶段的可选数量范围的对应关系。例如，呼吸感官敏感度越高、参数调节量越大，调节阶段的可选数量范围可以越大。又例如，根据呼吸感官敏感度和参数调节量，调节阶段的可选数量范围是1-5。

在一些实施例中，处理器140还可以基于调节阶段的可选数量范围，随机生成多个满足调节的候选调节梯度特征515。具体地，在调节阶段的可选数量范围内，选择一个数值，例如3，然后生成一个包含三个调节阶段的候选调节梯度特征，其中，每个调节阶段的初始参数值就是上一调节阶段的目标参数值，每个调节阶段的目标参数值、调节方式可以随机生成。

预估舒适度530是指通过舒适度确定模型确定的用户在使用康复训练设备训练时的舒适程度。

舒适度确定模型520是指评估使用康复训练设备进行训练的用户的舒适度的模型。

在一些实施例中，舒适度确定模型520为机器学习模型。

机器学习模型是一种监督学习模型。例如，神经网络模型(NeuralNetworks，NN)、深度神经网络模型(DeepNeuralNetworks，DNN)等或其任意组合。

在一些实施例中，舒适度确定模型520的输入可以包括用户基本特征511、呼吸特征512、呼吸顺畅度513和候选调节梯度特征515，输出可以包括预估舒适度530。

在一些实施例中，舒适度确定模型520可以基于大量带有第六标签的第六训练样本训练得到。

在一些实施例中，第六训练样本的每组第六训练样本可以包括历史用户的样本用户基本特征、样本呼吸特征、样本呼吸顺畅度和样本候选调节梯度特征。每组第六训练样本的第六标签为该组历史用户的实际舒适度。第六训练样本可以基于历史数据获取，对于一组第六训练样本，以用户在该样本的情况下使用康复训练设备进行训练时，用户的生理特征来评估舒适度，若用户未出现异常的生理特征现象，则认为用户的舒适度较高，为该组样本赋予一个较高的舒适度作为第六标签。

可以将带有第一标签的第一训练样本输入初始舒适度确定模型，通过第一标签和初始舒适度确定模型的预测结果构建损失函数，基于损失函数迭代更新模型的参数，直至损失函数收敛、迭代的次数达到阈值等，训练结束，得到训练好的舒适度确定模型。

在一些实施例中，舒适度确定模型520的输入还包括历史运动序列。

在一些实施例中，当舒适度确定模型520的输入还包括历史运动序列时，第六训练样本为用户的历史运动序列。

在一些实施例中，处理器140可以将预估舒适度最大值对应的候选调节梯度特征确定为调节梯度特征。

在一些实施例中，处理器140还可以从预估舒适度530大于预设阈值时的候选调节梯度特征515中，选取调节阶段数量最小的候选调节梯度特征，确定为调节梯度特征540。

更多关于用户基本特征的内容，参见图2及其相关描述。更多关于呼吸顺畅度和参数调节量的内容，参见图3及其相关描述。更多关于呼吸特征、调节梯度特征的内容，参见图4及其相关描述。

基于患者基本特征、呼吸顺畅度、呼吸特征以及参数调节量，通过舒适度确定模型确定用户的预估舒适度，基于预估舒适度，确定调节梯度特征，实现调节梯度特征的精准调控，有益于基于用户训练情况实时调节康复训练设备的参数。

本说明书一些实施例提供了一种上呼吸道康复装置，所述装置包括至少一个处理器以及至少一个存储器；所述至少一个存储器用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现：通过训练识别传感器获取传感信息，并基于所述传感信息确定用户是否使用康复训练设备进行康复训练；响应于是，通过反馈数据采集设备获取训练反馈数据，所述训练反馈数据包括呼吸流速特征和呼吸声音特征中至少一种；基于所述训练反馈数据，调节所述康复训练设备的设备参数，所述设备参数包括呼吸阻力。本说明书一些实施例提供了一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行：通过训练识别传感器获取传感信息，并基于所述传感信息确定用户是否使用康复训练设备进行康复训练；响应于是，通过反馈数据采集设备获取训练反馈数据，所述训练反馈数据包括呼吸流速特征和呼吸声音特征中至少一种；基于所述训练反馈数据，调节所述康复训练设备的设备参数，所述设备参数包括呼吸阻力。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。

同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (10)

1.一种上呼吸道康复系统，其特征在于，所述系统包括：训练识别传感器、反馈数据采集设备、康复训练设备和处理器，所述处理器用于：

通过所述训练识别传感器获取传感信息，并基于所述传感信息确定用户是否使用所述康复训练设备进行康复训练；

响应于是，通过所述反馈数据采集设备获取训练反馈数据，所述训练反馈数据包括呼吸流速特征和呼吸声音特征中至少一种；

基于所述训练反馈数据，调节所述康复训练设备的设备参数，所述设备参数包括呼吸阻力。

2.根据权利要求1所述的系统，其特征在于，所述处理器进一步用于：

基于所述训练反馈数据，确定所述用户的呼吸顺畅度；

基于所述呼吸顺畅度，确定所述康复训练设备的参数调节量；

基于所述参数调节量，调节所述康复训练设备的所述设备参数。

3.根据权利要求2所述的系统，其特征在于，所述训练反馈数据还包括所述用户的生理特征，所述生理特征包括皮肤特征，所述皮肤特征通过所述反馈数据采集设备中的图像识别设备确定，所述处理器进一步用于：

基于所述呼吸顺畅度和所述生理特征，确定所述康复训练设备的所述参数调节量。

4.根据权利要求3所述的系统，其特征在于，所述生理特征还包括面部表情特征，所述处理器进一步用于：

基于所述反馈数据采集设备采集到的面部图像，通过表情识别模型确定所述面部表情特征，其中，所述表情识别模型为机器学习模型。

5.根据权利要求2所述的系统，其特征在于，所述处理器进一步用于：

基于呼吸特征、所述呼吸顺畅度和所述参数调节量，确定调节梯度特征，所述调节梯度特征包括至少一个调节阶段，所述至少一个调节阶段中的任意一个调节阶段包括当前调节阶段的初始参数值、目标参数值和调节方式；

基于所述调节梯度特征中的所述至少一个调节阶段，分段调节所述康复训练设备的所述设备参数。

6.根据权利要求5所述的系统，其特征在于，所述呼吸特征包括呼吸稳定度。

7.根据权利要求1所述的系统，其特征在于，所述康复训练设备的所述设备参数包括预设值，所述处理器进一步用于：

基于所述用户的用户基本特征、当前病况和恢复情况，确定所述预设值。

8.根据权利要求7所述的系统，其特征在于，所述预设值相关于所述用户的历史运动序列。

9.一种上呼吸道康复装置，其特征在于，所述装置包括至少一个处理器以及至少一个存储器；

所述至少一个存储器用于存储计算机指令；

所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现：

通过训练识别传感器获取传感信息，并基于所述传感信息确定用户是否使用康复训练设备进行康复训练；

响应于是，通过反馈数据采集设备获取训练反馈数据，所述训练反馈数据包括呼吸流速特征和呼吸声音特征中至少一种；

基于所述训练反馈数据，调节所述康复训练设备的设备参数，所述设备参数包括呼吸阻力。

10.一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行：

通过训练识别传感器获取传感信息，并基于所述传感信息确定用户是否使用康复训练设备进行康复训练；

响应于是，通过反馈数据采集设备获取训练反馈数据，所述训练反馈数据包括呼吸流速特征和呼吸声音特征中至少一种；

基于所述训练反馈数据，调节所述康复训练设备的设备参数，所述设备参数包括呼吸阻力。