CN116803342B - 用于抗荷训练的阻抗数据处理方法及相关训练系统 - Google Patents

Abstract

本公开描述一种用于抗荷训练的阻抗数据处理方法及相关训练系统，阻抗数据处理方法获取目标对象的EIT数据；基于EIT数据确定单个时刻的EIT图像；基于抗荷训练阶段对应的EIT图像确定抗荷训练阶段的呼吸周期的第一指标集，第一指标集与抗荷训练阶段的呼吸动作相关；基于抗荷训练阶段的呼吸周期的呼气阶段对应的EIT图像和参考呼吸阶段的平静呼吸周期的呼气阶段对应的EIT图像之间的差异确定抗荷训练阶段的呼吸周期的第二指标集，第二指标集针对呼吸肌发力且由肺部气体分布确定并包括与呼吸肌发力的均匀程度相关的第一呼吸肌指标；并且基于第一指标集和第二指标集确定抗荷训练结果。由此，能够降低主观因素对抗荷训练结果的影响。

Description

用于抗荷训练的阻抗数据处理方法及相关训练系统

技术领域

本公开涉及电阻抗成像技术领域，特别涉及一种用于抗荷训练的阻抗数据处理方法及相关训练系统。

背景技术

在一些加速度场景下，常常会使目标对象体内的血液向下身转移，从而致使目标对象的脑部缺血。例如，在战机的机动飞行这个场景中，当飞行员的脑部缺血严重时，可能会导致飞行员的意识丧失，进而威胁飞行安全。通过抗荷训练可以提高目标对象的抗荷能力以减缓血液向目标对象的下肢转移。抗荷训练的其中一种方式是通过抗荷动作提升胸内压，从而提高心水平和眼水平之间的压力差，进而提升目标对象脑部的血流灌注能力。

因此，抗荷动作是否正确地实施至关重要，而抗荷动作具有较强的技巧性，若未正确实施，不但可能无法提高抗荷能力，甚至会降低目标对象的抗荷能力。因此，在抗荷训练中，需要评估目标对象的抗荷动作，以指导目标对象不断地改进抗荷动作。现阶段的抗荷训练中，主要依靠训练员的经验，通过观察目标对象的胸部起伏和口部状态，判断目标对象是否做出正确的抗荷动作。

然而，主观的观察方法过于依赖训练员的经验且仅能够粗略地评估抗荷训练结果，因此，亟需一种能够客观地监测目标对象的抗荷训练结果的方案。

发明内容

本公开有鉴于上述现有技术的状况而完成，其目的在于提供一种能够降低主观因素对抗荷训练结果的影响的用于抗荷训练的阻抗数据处理方法及相关训练系统。

为此，本公开的第一方面提供了一种用于抗荷训练的阻抗数据处理方法，包括：获取目标对象的EIT数据，所述EIT数据包括抗荷训练阶段和参考呼吸阶段的数据；基于所述EIT数据确定单个时刻的EIT图像；基于所述抗荷训练阶段对应的EIT图像确定所述抗荷训练阶段的呼吸周期的第一指标集，所述第一指标集与所述抗荷训练阶段的呼吸动作相关；基于第一呼气阶段对应的EIT图像和第二呼吸阶段对应的EIT图像之间的差异确定所述抗荷训练阶段的呼吸周期的第二指标集，所述第一呼气阶段为所述抗荷训练阶段的呼吸周期的呼气阶段，所述第二呼气阶段为所述参考呼吸阶段的平静呼吸周期的呼气阶段，所述第二指标集针对呼吸肌发力且由目标对象的肺部气体分布确定并包括与所述呼吸肌发力的均匀程度相关的第一呼吸肌指标；并且基于所述第一指标集和所述第二指标集确定抗荷训练结果。

在本公开的第一方面中，通过EIT数据获得的量化的指标能够降低主观因素对抗荷训练结果的影响。另外，第二指标集针对呼吸肌发力且由肺部气体分布确定，相较于基于肺部的整体信息的指标更加精细，综合针对呼吸动作的特有指标以及更加精细的第二指标集能够使抗荷训练结果贴合相应呼吸动作并使抗荷动作判定精细化。另外，参考呼吸阶段的数据属于目标对象，通过相对目标对象自身的差异来确定第二指标集，能够弱化比较对象之间的差异，有利于对比较对象之间的指标进行比较。

另外，在本公开的第一方面所涉及的阻抗数据处理方法中，可选地，所述抗荷训练结果与目标对象的胸内压信息相关，所述胸内压信息包括胸内压的大小、稳定程度、降低时间和维持时间中的至少一种信息。在这种情况下，由于抗荷能力与胸内压相关，能够提高抗荷训练结果的可解释性。

另外，在本公开的第一方面所涉及的阻抗数据处理方法中，可选地，所述第一呼吸肌指标由所述第一呼气阶段的左右通气比例与所述第二呼气阶段的左右通气比例之间的差异程度确定，所述左右通气比例由相应呼气阶段的多张EIT图像中单个像素点的阻抗和图像阻抗之间的关系、以及目标对象的右肺区域的大小和左肺区域的大小确定。在这种情况下，左右通气比例可反映呼吸肌发力的均匀程度且可由EIT数据获取，能够提高判定抗荷动作的便捷性。另外，上述关系能够表示相应呼气阶段的整个过程的呼吸肌用力情况，通过上述关系综合考虑呼气阶段的整个过程的EIT数据，能够降低局部EIT数据的影响，有利于提高左右通气比例的准确性。

另外，在本公开的第一方面所涉及的阻抗数据处理方法中，可选地，所述关系为线性关系，确定所述左右通气比例包括：确定待获取所述左右通气比例的目标呼吸周期；基于所述线性关系的线性回归系数确定所述目标呼吸周期的功能EIT图像，所述功能EIT图像中像素点的像素值为所述线性回归系数；并且基于所述功能EIT图像中所述右肺区域的所有像素值求和的第一结果与所述左肺区域的所有像素值求和的第二结果之间的比值确定所述左右通气比例。由此，基于线性关系能够简化左右通气比例的获取过程。

另外，在本公开的第一方面所涉及的阻抗数据处理方法中，可选地，所述第二指标集还包括与所述呼吸肌发力的强度相关的第二呼吸肌指标，所述第二呼吸肌指标由所述第一呼气阶段的气体分布中心与所述第二呼气阶段的气体分布中心之间的差异程度确定，所述气体分布中心由相应呼气阶段的多张EIT图像中单个像素点的阻抗和图像阻抗之间的关系确定。在这种情况下，气体分布中心可反映呼吸肌发力的强度且可由EIT数据获取，能够提高判定抗荷动作的便捷性。另外，肺部气体分布的形状一般不是固定的，通过气体分布中心能够简化第二呼吸肌指标的获取过程。另外，上述关系能够表示相应呼气阶段的整个过程的呼吸肌用力情况，通过上述关系综合考虑呼气阶段的整个过程的EIT数据，能够降低局部EIT数据的影响，有利于提高气体分布中心的准确性。

另外，在本公开的第一方面所涉及的阻抗数据处理方法中，可选地，所述关系为线性关系，确定所述左右通气比例包括：确定待获取所述气体分布中心的目标呼吸周期；基于所述线性关系的线性回归系数确定所述目标呼吸周期的功能EIT图像，所述功能EIT图像中像素点的像素值为所述线性回归系数；并且基于所述功能EIT图像中所有像素值的加权求和的第三结果与所述所有像素值的求和的第四结果之间的比值确定所述气体分布中心，所述加权求和的加权因子表示所述功能EIT图像中像素点对应的位置距离目标对象的腹侧边界的高度。由此，基于线性关系能够简化气体分布中心的获取过程。另外，加权因子与腹侧位置相关，能够使获得气体分布中心为相对腹侧位置的值，有利于评估肺部气体向腹侧转移的程度。

另外，在本公开的第一方面所涉及的阻抗数据处理方法中，可选地，所述抗荷训练阶段为目标对象在实施抗荷动作的阶段，所述抗荷动作包括M-1动作、L-1动作、HP动作和PHP动作中的至少一种，所述呼吸动作为所述抗荷动作中的子动作。

另外，在本公开的第一方面所涉及的阻抗数据处理方法中，可选地，对于所述抗荷动作为所述HP动作，所述呼吸动作包括吸气动作和呼气动作，在单个呼吸周期中所述吸气动作和所述呼气动作交替且所述吸气动作的持续时间小于所述呼气动作的持续时间，所述第一指标集包括与所述吸气动作的深度相关的第一呼吸指标、与所述吸气动作的速度相关的第二呼吸指标以及与所述呼气动作的速度相关的第三呼吸指标；并且由所述抗荷训练阶段的呼吸周期的吸气容积以及最大吸气容积确定所述第一呼吸指标，所述吸气容积为相应呼吸周期的吸气末阻抗减去吸气始阻抗；和/或基于所述抗荷训练阶段的多个图像阻抗的波动趋势识别单个呼吸周期的吸气阶段以确定所述第二呼吸指标；和/或基于所述波动趋势识别单个呼吸周期的呼气阶段以确定所述第三呼吸指标。在这种情况下，较短的吸气动作的持续时间有利于缩短因吸气所带来的胸内压的降低时间，较大的呼气动作有利于在抗荷训练阶段维持更长时间的较高胸内压。另外，第一指标集覆盖了HP动作中的吸气动作和呼气动作，能够更全面地判定抗荷动作的正确性。另外，第一指标集中的指标可分别反映相应方面的抗荷训练效果且可由EIT数据获取，能够提高判定抗荷动作的便捷性。

另外，在本公开的第一方面所涉及的阻抗数据处理方法中，可选地，还基于第三指标集确定所述抗荷训练结果，所述第三指标集包括与所述抗荷训练阶段的多个呼吸周期之间的呼吸均匀程度相关的第一稳定指标，所述第一稳定指标由所述抗荷训练阶段的多个呼吸周期的呼气末阻抗的变异性确定。在这种情况下，结合针对呼吸均匀程度的指标有利于从整个训练过程上判定抗荷动作的正确性，还能够识别目标对象实施抗荷动作的熟练程度。另外，第一稳定指标由基于EIT数据获得的多个呼吸周期的呼气末阻抗确定，能够提高判定抗荷动作的便捷性。

本公开的第二方面提供了一种用于抗荷训练的训练系统，包括用于采集EIT数据的电阻抗成像装置以及用于执行本公开的第一方面所涉及的阻抗数据处理方法的处理主机。

根据本公开，提供一种能够降低主观因素对抗荷训练结果的影响的用于抗荷训练的阻抗数据处理方法及相关训练系统。

附图说明

现在将仅通过参考附图的例子进一步详细地解释本公开的实施例。

图1是示出了本公开示例所涉及的用于抗荷训练的训练系统的示例性的框图。

图2是示出了本公开示例所涉及的抗荷训练环境的示例性的示意图。

图3是示出了本公开示例所涉及的数据处理方法的示例性的流程图。

图4A是示出了本公开示例所涉及的单个时刻的EIT图像的示意图。

图4B是示出了本公开示例所涉及的呼吸阻抗曲线的示意图。

图5是示出了本公开示例所涉及的基于线性关系确定左右通气比例的示例性的流程图。

图6是示出了本公开示例所涉及的基于线性关系确定左右通气比例的示例性的流程图。

图7A是示出了本公开示例所涉及的第一目标对象的呼吸阻抗曲线的示意图。

图7B是示出了本公开示例所涉及的第二目标对象的呼吸阻抗曲线的示意图。

图8A是示出了图7A中平静呼吸阶段的功能EIT图像的示意图。

图8B是示出了图7A中抗荷训练阶段的功能EIT图像的示意图。

图9A是示出了图7B中平静呼吸阶段的功能EIT图像的示意图。

图9B是示出了图7B中抗荷训练阶段的功能EIT图像的示意图。

具体实施方式

以下，参考附图，详细地说明本公开的优选实施方式。在下面的说明中，对于相同的部件赋予相同的符号，省略重复的说明。另外，附图只是示意性的图，部件相互之间的尺寸的比例或者部件的形状等可以与实际的不同。需要说明的是，本公开中的术语“包括”和“具有”以及它们的任何变形，例如所包括或所具有的一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可以包括或具有没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。本公开所描述的所有方法可以以任何合适的顺序执行，除非在此另有指示或者与上下文明显矛盾。

本公开的术语“吸气始”是指开始吸气，术语“吸气末”是指结束吸气，术语“呼气始”是开始呼气，术语“呼气末”是指结束呼气。

本公开示例涉及一种阻抗数据处理方法，利用电阻抗成像(Electricalimpedance tomography，EIT，也可以称为电阻抗断层成像)技术获取量化的指标来判定加速度场景下训练动作的正确性。由此，通过EIT数据获得的量化的指标能够降低主观因素对抗荷训练结果的影响。也即，能够提高抗荷训练结果的客观性。另外，EIT数据相较于采用一些侵入式方式获取参数来判定训练动作的方式，EIT数据的获取方式是无创的，能够提高判定训练动作的便捷性和安全性，能够使应用场景广泛。另外，EIT设备还具有体积小、无辐射以及动态成像等优势。

另外，训练动作可以至少包括呼吸动作，因此，本公开示例所涉及的阻抗数据处理方法，能够应用于任何通过监测呼吸来改善由于加速度造成目标对象体内的血液向下身转移的场景。另外，本公开示例所涉及的阻抗数据处理方法也可以简称为数据处理方法、处理方法或数据分析方法等。

在一种具体的应用场景中，本公开示例涉及的数据处理方法可以应用于抗荷训练，抗荷训练是一种专项训练，用于提高飞行员的抗荷能力(也即，抗过载能力)。在这种场景下，本公开示例涉及的数据处理方法也可以称为用于抗荷训练的阻抗数据处理方法。

本公开示例涉及的电阻抗成像可以是通过在人体胸部表面贴放的电极，向人体胸部注入安全电流，在注入电流的同时测量体表的电压，最后根据图像重构算法计算出胸腔内部的电阻抗变化图像(也即，EIT图像)。

本公开示例涉及的目标对象可以是具有生命特征的物体。在一些示例中，目标对象可以是飞行员。

以下将结合附图来详细描述本公开的示例。图1是示出了本公开示例所涉及的用于抗荷训练的训练系统100的示例性的框图。图2是示出了本公开示例所涉及的抗荷训练环境的示例性的示意图。

参考图1和图2，训练系统100可以包括电阻抗成像装置110以及处理主机120。电阻抗成像装置110可以用于采集目标对象的EIT数据，并与处理主机120连接进而可以传输EIT数据，处理主机120可以用于接收EIT数据并通过执行本公开示例涉及的数据处理方法确定抗荷训练结果。

另外，电阻抗成像装置110与处理主机120之间的连接可以为通信连接。在这种情况下，通过通信连接的方式能够降低训练系统100的组件之间的耦合度，有利于提高训练系统100的结构调整的灵活性。具体地，电阻抗成像装置110和处理主机120可以相互独立地布置在相应的计算设备中，并通过各自的通信组件进行通信连接。

在一些示例中，通信连接可以为无线通信连接。具体地，电阻抗成像装置110可以具有无线通信单元。例如，无线通信单元可以为蓝牙或WIFI等。由此，能够以无线通信的方式发送或接收数据。在这种情况下，电阻抗成像装置110以无线通信的方式发送或接收数据，能够进一步降低训练系统100的组件之间的耦合度。

另外，在一些示例中，电阻抗成像装置110也可以内置有通过执行本公开示例涉及的数据处理方法确定抗荷训练结果的模块。在这种情况下，一方面能够减少与电阻抗成像装置110的外部进行通信，进而能够提高电阻抗成像装置110的稳定性，另一方面能够使结构设计简化。

在一些示例中，训练系统100还可以包括显示装置。显示装置可以被配置为显示抗荷训练结果以及相应的指导信息中的至少一种信息。在这种情况下，能够便于用户获取抗荷训练结果，有利于提高判定训练动作的便捷性。另外，指导信息可以用于纠正不正确的训练动作。

继续参考图2，在一些示例中，抗荷训练环境可以包括电阻抗成像装置110。电阻抗成像装置110可以包括电极装置111、线缆112和电子装置113，在目标对象的胸部布置电极装置111，电子装置113可以借助于线缆112将交流电流或交流电压馈送到电极装置111，且电子装置113能够接收电极装置111的测量信号以获取测量数据(例如EIT数据)并传输给处理主机120。另外，电极装置111可以包括多个EIT电极。一般而言，EIT电极的数量越多，EIT图像的分辨率越高。在一些示例中，EIT电极的数量可以为16个、32个或64个等。

继续参考图1，抗荷训练环境可以包括处理主机120。处理主机120可以用于实施本公开示例涉及的数据处理方法，该数据处理方法可以基于EIT数据获取抗荷训练结果。

在一些示例中，本公开示例涉及的数据处理方法可以以计算机程序指令的方式存储在计算设备(例如服务器)上，并由计算设备执行。在一些示例中，计算设备可以包括一个或多个处理器和一个或多个存储器。在一些示例中，计算设备可以是云端服务器。

图3是示出了本公开示例所涉及的数据处理方法的示例性的流程图。

如上所述，本公开示例涉及的数据处理方法可以确定抗荷训练结果。抗荷训练结果可以与目标对象的胸内压信息相关。通过提升目标对象的胸内压可以提升目标对象的脑部的血流灌注能力。

具体地，如上所述，加速度可能会造成目标对象体内的血液向下身转移，目标对象通过执行特定的训练动作(例如呼吸动作)可以提升胸内压，进而提高心水平(即心脏的高度)和眼水平(即眼睛的高度)之间的压力差(以下简称为心眼水平压力差)，进而提升脑部的血流灌注能力。在这种情况下，通过EIT数据提高抗荷训练结果的客观性，进而能够提高判定训练动作的客观性，进而有利于降低目标对象脑部缺血的风险。为此本公开示例提供了一种利用EIT数据获取抗荷训练结果的数据处理方法的第一示例性流程。

参考图3，第一示例性流程可以包括获取目标对象的与抗荷训练阶段相关的EIT数据(步骤S101)，基于EIT数据确定单个时刻的EIT图像(步骤S102)，基于EIT数据对应的EIT图像确定抗荷训练阶段的指标集(步骤S103)，基于指标集确定抗荷训练结果(步骤S104)。由此，通过EIT数据获得的量化的指标能够降低主观因素对抗荷训练结果的影响。

继续参考图3，在一些示例中，在步骤S101中，与抗荷训练阶段相关的EIT数据可以包括抗荷训练阶段的数据。

另外，对于抗荷训练阶段，训练动作可以为抗荷动作。也即，抗荷训练阶段可以为目标对象在实施抗荷动作的阶段。一般而言，正确地实施抗荷动作可以提高抗荷能力。

在一些示例中，抗荷动作可以包括M-1动作、L-1动作、HP动作和PHP动作中的至少一种。目标对象可以熟悉这些抗荷动作，进而可以根据自己的体验和飞行实践选择抗荷动作并加强练习以形成肌肉记忆。一般而言，目标对象可以在地面和载人离心机上练习抗荷动作。

另外，各种抗荷动作可以具有子动作。抗荷动作的子动作可以为呼吸动作。以HP动作为例，HP动作的呼吸动作可以包括吸气动作和呼气动作。

具体地，在单个呼吸周期中吸气动作和呼气动作可以交替，且吸气动作的持续时间小于呼气动作的持续时间。例如，在HP动作中，目标对象在全身肌肉用力时可以配合进行吸气(即吸气动作)0.5秒和呼气(即呼气动作)2秒的用力呼吸。在这种情况下，较短的吸气动作的持续时间有利于缩短因吸气所带来的胸内压的降低时间，较大的呼气动作有利于在抗荷训练阶段维持更长时间的较高胸内压。

在一些示例中，与抗荷训练阶段相关的EIT数据还可以包括参考呼吸阶段的数据。也即，EIT数据可以包括抗荷训练阶段和参考呼吸阶段的数据。参考呼吸阶段的数据可以用于与抗荷训练阶段的数据进行对照以获取相应的差值或比值。在一些示例中，参考呼吸阶段可以包括具有深呼吸的呼吸周期、和具有平静呼吸的呼吸周期中的至少一种呼吸周期。也即，参考呼吸阶段可以包括平静呼吸阶段和深呼吸阶段中的至少一种阶段。具体与指标的获取方法相关。

另外，参考呼吸阶段可以是任意可获取用于对照数据的阶段。在一些示例中，参考呼吸阶段与抗荷训练阶段之间可以由具有平静呼吸的呼吸周期过渡。由此，能够降低两个阶段之间互相影响的可能性。

在一些示例中，参考呼吸阶段可以在抗荷训练阶段之前。在这种情况下，能够降低抗荷训练阶段的肺部气体的干扰，进而提高对照数据的正确性，且基于在抗荷训练阶段之前已有的对照数据有利于实时地获取指标集。

另外，EIT数据可以通过EIT技术获得。在一些示例中，EIT数据可以为电压数据或电流数据。优选地，EIT数据可以为电压数据。在一些示例中，电阻抗成像装置110可以以预设采集帧率进行采集以获取EIT数据。由此，能够获得多帧EIT数据。

一个更具体的抗荷训练场景为，在目标对象的胸部第4至5肋间佩戴电极装置111后，将电极装置111与电子装置113相连接，确保电阻抗成像装置110正常运行后，目标对象进入抗荷训练平台，待抗荷训练平台准备就绪后，目标对象平静先呼吸若干个呼吸周期，继而深吸气和深呼气，然后转为平静呼吸，进而实施抗荷动作，最后恢复平静呼吸，全过程记录EIT数据。

图4A是示出了本公开示例所涉及的单个时刻的EIT图像的示意图，图4B是示出了本公开示例所涉及的呼吸阻抗曲线的示意图。

继续参考图3，在一些示例中，在步骤S102中，可以基于EIT数据进行差分成像以获取各个时刻的EIT图像。在这种情况下，能够基于相对的EIT数据重构各个时刻的EIT图像。在一些示例中，可以基于EIT数据并利用参考数据进行差分成像以获取各个时刻的EIT图像。具体地，可以从EIT数据中的多帧EIT数据中选择一帧EIT数据作为参考数据，基于参考数据进行差分成像以获取各个时刻的EIT图像。优选地，参考数据可以为平静呼吸阶段中任意呼气末时刻的EIT数据。在这种情况下，呼气末时刻的EIT数据的值最低，使所有时刻的EIT图像中的像素值为不小于0的数值，基于相同范围的数据能够方便后续的处理。

另外，本公开示例不限定重构各个时刻的EIT图像的算法。例如，重构各个时刻的EIT图像可以包括但不限于是采用GREIT算法(Graze consensus rec-onstructionalgorithm for EIT)或牛顿算法等。

另外，EIT图像可以包括目标对象的右肺区域和左肺区域。也即，目标对象的右肺区域的大小和左肺区域的大小可以从任意一张EIT图像中识别。作为示例，图4A示出了单个时刻的EIT图像，其中，点D11为气体分布中心(稍后描述)，线段L1所指示的区域为右肺区域，线段L2所指示的区域为左肺区域。

另外，上述各个时刻的图像阻抗可以通过对各个时刻的EIT图像中的像素值进行累加以确定各个时刻的图像阻抗。作为示例，图4B示出了多个时刻的图像阻抗组成的呼吸阻抗曲线的示意图。

参考图4B，目标对象依次经过第一个平静呼吸阶段、深呼吸阶段、第二个平静呼吸阶段以及抗荷训练阶段，其中，第一个平静呼吸阶段和深呼吸阶段可以作为参考呼吸阶段。

继续参考图4B，线段L3所指示的图像阻抗变化可以表示最大吸气容积，线段L4所指示的图像阻抗变化可以表示对应呼吸周期的吸气容积。另外，点D21、点D22和点D23可以分别表示吸气始时刻、吸气末时刻(呼气始时刻)和呼气末时刻，相应地，点D31、点D32和点D33可以分别表示吸气始时刻的图像阻抗、吸气末时刻的图像阻抗和呼气末时刻的图像阻抗。

返回参考图3，在一些示例中，在步骤S103中，可以基于实时的EIT数据实时地获取当前呼吸周期的指标集。由此，基于实时的指标集有利于及时纠正抗荷动作。

在一些示例中，指标集可以具有至少一个集合。在一些示例中，指标集可以包括第一指标集、第二指标集和第三指标集中的至少一个。另外，第一指标集可以与抗荷训练阶段的呼吸动作相关，第二指标集可以针对呼吸肌发力且由目标对象的肺部气体分布确定，第三指标集可以与抗荷训练阶段的多个呼吸周期之间的呼吸均匀程度相关。在这种情况下，三个指标集能够从不同的角度判定抗荷动作的正确性。

在一些示例中，指标集可以包括第一指标集和第二指标集。在这种情况下，第二指标集针对呼吸肌发力且由肺部气体分布确定，相较于基于肺部的整体信息(例如，吸气容积)的指标更加精细，综合针对呼吸动作的特有指标以及更加精细的第二指标集能够使抗荷训练结果贴合相应呼吸动作并使抗荷动作判定精细化。

在一些示例中，指标集可以包括第一指标集、第二指标集和第三指标集。在这种情况下，结合针对呼吸均匀程度的指标有利于从整个训练过程上判定抗荷动作的正确性，还能够识别目标对象实施抗荷动作的熟练程度。

如上所述，第一指标集可以与抗荷训练阶段的呼吸动作相关。

以HP动作为例，第一指标集可以包括与吸气动作的深度相关的第一呼吸指标、与吸气动作的速度相关的第二呼吸指标以及与呼气动作的速度相关的第三呼吸指标。在这种情况下，第一指标集覆盖了HP动作中的吸气动作和呼气动作，能够更全面地判定抗荷动作的正确性。

在一些示例中，单个呼吸周期的第一指标集可以由抗荷训练阶段对应的EIT图像确定。为此，本公开提供了基于EIT图像确定第一指标集的一些示例。

如上所述，第一呼吸指标可以与吸气动作的深度相关。发明人发现，吸气量可以用于评估吸气动作的深度，吸气量越大越有利于建立更高的胸内压，从而建立更高的心眼水平压力差，进而越有利于增强脑部供血。

在一些示例中，对于采用吸气量评估吸气动作的深度的情况，可以由抗荷训练阶段的呼吸周期的吸气容积以及最大吸气容积确定第一呼吸指标。在这种情况下，由吸气容积以及最大吸气容积确定的第一呼吸指标可反映吸气动作的深度且可由EIT数据获取，能够提高判定抗荷动作的便捷性。具体地，可以由抗荷训练阶段的呼吸周期的吸气容积与最大吸气容积的比值确定第一呼吸指标。

在一些示例中，单个呼吸周期的第一呼吸指标可以满足公式：

R_ins＝S_ins/S_max-ins×100％，

其中，R_ins表示第一呼吸指标，S_ins表示吸气容积，S_max-ins表示最大吸气容积。

另外，最大吸气容积可以用于对照呼吸周期的吸气动作的深度与目标深度的差距。另外，目标深度可以为吸气动作应当达到的深度。在一些示例中，最大吸气容积可以为参考呼吸阶段中深吸气所在呼吸周期的吸气容积。在这种情况下，利用与抗荷训练阶段不同的参考呼吸阶段来获取最大吸气容积，能够降低抗荷训练阶段的肺部气体的干扰，提高最大吸气容积的正确性。

另外，呼吸周期的吸气容积(例如深吸气所在呼吸周期的吸气容积或抗荷训练阶段的呼吸周期的吸气容积)可以由EIT图像确定。具体地，吸气容积可以为相应呼吸周期的吸气末阻抗减去吸气始阻抗。吸气末阻抗和吸气始阻抗可以分别为相应时刻的EIT图像的图像阻抗。

如上所述，第二呼吸指标可以与吸气动作的速度相关。发明人发现，吸气流速可以用于评估吸气动作的速度，吸气流速越大越有利于缩短因吸气所带来的胸内压的降低时间，有利于在抗荷训练阶段维持更长时间的较高胸内压，更有利于持续提高抗荷能力。

在一些示例中，对于采用吸气流速评估吸气动作的速度的情况，可以基于抗荷训练阶段的多个图像阻抗(即多个时刻的图像阻抗)的波动趋势识别单个呼吸周期的吸气阶段以确定第二呼吸指标。在这种情况下，由多个图像阻抗的波动趋势确定的第一呼吸指标可反映吸气动作的速度且可由EIT数据获取，能够提高判定抗荷动作的便捷性。

在一些示例中，可以采用吸气时间表示吸气流速。由此，能够简化吸气流速的获取过程。具体地，可以通过波动趋势识别吸气阶段，基于吸气阶段的时间跨度确定吸气时间，将吸气时间作为第二呼吸指标。

在一些示例中，单个呼吸周期的第二呼吸指标可以满足公式：

t_ins＝t_end-ins-t_start-ins，

其中，t_ins表示第二呼吸指标，t_end-ins表示吸气末时刻的时间，t_start-ins表示吸气始时刻的时间。

如上所述，第三呼吸指标可以与呼气动作的速度相关。发明人发现，呼气流速可以用于评估呼气动作的速度，特定的呼气流速有利于在抗荷训练阶段维持更长时间的较高胸内压，更有利于持续提高抗荷能力。

在一些示例中，对于采用呼气流速评估呼气动作的速度的情况，可以基于抗荷训练阶段的多个图像阻抗的波动趋势识别单个呼吸周期的呼气阶段以确定第三呼吸指标。在这种情况下，由多个图像阻抗的波动趋势确定的第三呼吸指标可反映呼气动作的速度且可由EIT数据获取，能够提高判定抗荷动作的便捷性。

在一些示例中，可以采用呼气时间表示呼气流速。由此，能够简化呼气流速的获取过程。具体地，可以通过波动趋势识别呼气阶段，基于呼气阶段的时间跨度确定呼气时间，将呼气时间作为第三呼吸指标。

在一些示例中，单个呼吸周期的第三呼吸指标可以满足公式：

t_exp＝t_end-exp-t_start-exp，

其中，t_exp表示第三呼吸指标，t_end-exp表示呼气末时刻的时间，t_start-exp表示呼气始时刻的时间。

如上所述，第二指标集可以针对呼吸肌发力且由肺部气体分布确定。以下为了方便描述，将抗荷训练阶段的呼吸周期的呼气阶段简称为第一呼气阶段，参考呼吸阶段的平静呼吸周期的呼气阶段简称为第二呼气阶段。

在一些示例中，第二指标集可以由抗荷训练阶段对应的EIT图像和参考呼吸阶段对应的EIT图像之间的差异确定。在这种情况下，利于相对参考呼吸阶段的相对指标能够更客观地判定呼吸肌发力的方式。另外，参考呼吸阶段的数据属于目标对象，通过相对目标对象自身的差异来确定第二指标集，能够弱化比较对象(例如不同目标对象或不同呼吸周期)之间的差异，有利于对比较对象之间的指标进行比较。

在一些示例中，可以利用抗荷训练阶段和参考呼吸阶段中平静呼吸周期的呼气阶段来确定第二指标集。具体地，可以基于第一呼气阶段对应的EIT图像和第二呼吸阶段对应的EIT图像之间的差异确定抗荷训练阶段的呼吸周期的第二指标集。

在一些示例中，第二指标集可以包括与呼吸肌发力的均匀程度相关的第一呼吸肌指标。发明人发现，目标对象在用力呼气时，左右侧的呼吸肌用力越均匀，越有利于建立足够高的胸内压。在这种情况下，基于呼吸肌发力的均匀程度能够更精细地评估目标对象的呼气动作。

另外，发明人在研究中发现由EIT数据可以确定第一呼吸肌指标。具体地，如果由EIT数据确定的目标对象的肺部气体分布越均匀，目标对象的左右侧的呼吸肌用力越均匀。

在一些示例中，第一呼吸肌指标可以由第一呼气阶段的左右通气比例与第二呼气阶段的左右通气比例之间的差异程度确定。差异程度越大，表示左右侧的呼吸肌发力越不均匀，抗荷训练效果越差。在这种情况下，左右通气比例可反映呼吸肌发力的均匀程度且可由EIT数据获取，能够提高判定抗荷动作的便捷性。

在一些示例中，单个呼吸周期的第一呼吸肌指标可以满足公式：

其中，ΔR表示第一呼吸肌指标，表示第一呼气阶段的左右通气比例，/>表示第二呼气阶段的左右通气比例。

具体地，对于抗荷训练阶段的呼吸周期中的第一呼气阶段，可以计算该第一呼气阶段的第一左右通气比例，并与参考呼吸阶段中平静呼吸周期的第二呼气阶段的第二左右通气比例进行比较以获取抗荷训练阶段中相应呼吸周期的第一呼吸肌指标。

在一些示例中，可以获取参考呼吸阶段中多个第二呼气阶段的左右通气比例的平均值，由第一呼气阶段的左右通气比例与平均值之间的差异程度确定第一呼吸肌指标。由此，能够提高对照数据的准确性。

另外，左右通气比例可以由目标对象的右肺区域的气体分布和左肺区域的气体分布之间的比值确定。另外，目标对象的肺部气体分布可以由相应呼气阶段的多张EIT图像中单个像素点的阻抗和图像阻抗之间的关系(简称为目标关系)确定。在这种情况下，目标关系能够表示相应呼气阶段的整个过程的呼吸肌用力情况，通过目标关系综合考虑呼气阶段的整个过程的EIT数据，能够降低局部EIT数据的影响，有利于提高相应指标(例如左右通气比例或气体分布中心)的准确性。

在一些示例中，基于像素点的目标关系可以确定功能EIT图像，基于功能EIT图像可以确定与肺部气体分布相关的指标(例如左右通气比例和气体分布中心)。在一些示例中，功能EIT图像中像素点的像素值可以为对应位置的像素点的目标关系的系数。例如，功能EIT图像可以满足公式：

其中，f_EIT表示功能EIT图像，p表示功能EIT图像中像素点的索引，P表示功能EIT图像的总像素数，表示功能EIT图像中第p个像素值，其中，第p个像素值可以为对应位置的像素点的目标关系的系数。

另外，目标关系可以为线性关系。相应地，目标关系的系数可以为线性回归系数。在一些示例中，若目标关系的系数为线性回归系数，功能EIT图像中单个像素点的像素值可以满足公式：

其中，regress()表示计算线性回归系数的函数，t表示EIT图像的时间索引，表示呼气始时刻的EIT图像的第p个像素值，/>表示第t时刻的EIT图像的第p个像素值，/>表示呼气末时刻的EIT图像的第p个像素值，S_start-exp表示呼气始时刻的EIT图像的图像阻抗，S_t表示第t时刻的EIT图像的图像阻抗，S_end-exp表示呼气末时刻的EIT图像的图像阻抗。

在一些示例中，左右通气比例可以由相应呼气阶段的像素点的目标关系、以及目标对象的右肺区域的大小和左肺区域的大小确定。在一些示例中，可以基于功能EIT图像中右肺区域的所有像素值求和的第一结果与左肺区域的所有像素值求和的第二结果之间的比值确定左右通气比例。在一些示例中，左右通气比例可以满足公式：

其中，R^R/L表示左右通气比例，R表示右肺区域，L表示左肺区域。在这种情况下，左右通气比例能够指示目标对象左右侧的呼吸肌用力的均匀程度。若左右侧的呼吸肌用力不均匀，左右侧的胸内压提高的不一致，相当于减小整体的胸内压的增高速度。

图5是示出了本公开示例所涉及的基于线性关系确定左右通气比例的示例性的流程图。

如上所述，在一些示例中，目标关系可以为线性关系。由此，基于线性关系能够简化左右通气比例的获取过程。为此，本公开的示例还提供了一种基于线性关系确定左右通气比例的第二示例性流程。

参考图5，第二示例性流程可以包括：

步骤S201：确定待获取左右通气比例的目标呼吸周期。

另外，目标呼吸周期可以为任意需要获取左右通气比例的呼吸周期。例如，目标呼吸周期可以为抗荷训练阶段的呼吸周期和参考呼吸阶段的平静呼吸周期。

步骤S202：基于线性关系的线性回归系数确定目标呼吸周期的功能EIT图像。具体地，可以将线性回归系数作为功能EIT图像中像素点的像素值。

步骤S203：基于功能EIT图像中右肺区域对应的第一结果与左肺区域对应的第二结果之间的比值确定左右通气比例。

在一些示例中，第二指标集还可以包括与呼吸肌发力的强度相关的第二呼吸肌指标。发明人发现，目标对象的呼吸肌发力的强度越大，越有利于建立足够高的胸内压。在这种情况下，基于呼吸肌发力的强度能够更精细地评估目标对象的呼气动作。

另外，发明人在研究中发现由EIT数据可以确定第二呼吸肌指标。具体地，如果由EIT数据确定的目标对象的肺部气体分布越向腹侧转移，目标对象的呼吸肌发力的强度越大。更具体地，目标对象用力呼气时，调动呼吸肌发力，目标对象的膈肌上抬，如果背侧的呼吸肌发力将目标对象处于含胸状态，此时，目标对象的肺部气体可以向腹侧转移。

在一些示例中，第二呼吸肌指标可以由EIT数据确定的气体分布中心来确定。也即，通过由EIT数据确定的气体分布中心确定肺部气体向腹侧转移的程度。在这种情况下，气体分布中心可反映呼吸肌发力的强度且可由EIT数据获取，能够提高判定抗荷动作的便捷性。另外，肺部气体分布的形状一般不是固定的，通过气体分布中心能够简化第二呼吸肌指标的获取过程。

在一些示例中，第二呼吸肌指标可以由第一呼气阶段的气体分布中心与第二呼气阶段的气体分布中心之间的差异程度确定。差异程度越大，表示呼吸肌发力的强度越大。

在一些示例中，单个呼吸周期的第二呼吸肌指标可以满足公式：

ΔD＝|D_agsm-D_calm|，

其中，ΔD表示第二呼吸肌指标，D_agsm表示第一呼气阶段的气体分布中心，D_calm表示第二呼气阶段的气体分布中心。

具体地，对于抗荷训练阶段的呼吸周期中的第一呼气阶段，可以计算该第一呼气阶段的第一气体分布中心，并与参考呼吸阶段中平静呼吸周期的第二呼气阶段的第二气体分布中心进行比较以获取抗荷训练阶段中相应呼吸周期的第二呼吸肌指标。

在一些示例中，可以获取参考呼吸阶段中多个第二呼气阶段的气体分布中心的平均值，由第一呼气阶段的气体分布中心与平均值之间的差异程度确定第二呼吸肌指标。由此，能够提高对照数据的准确性。

另外，气体分布中心可以为肺部气体分布的中心。在一些示例中，气体分布中心可以由上述的目标关系确定。如上所述，基于像素点的目标关系可以确定功能EIT图像。在一些示例中，气体分布中心可以基于功能EIT图像以及功能EIT图像中像素点对应的位置距离目标对象的腹侧边界的高度确定。例如，假设腹侧的位置在功能EIT图像的上部的情况，对于大小为32×32的功能EIT图像，第二行的像素点距离腹侧边界的高度可以为一个像素。

在一些示例中，可以基于功能EIT图像中所有像素值的加权求和的第三结果与功能EIT图像中所有像素值的求和的第四结果之间的比值确定气体分布中心。在一些示例中，在加权求和中，可以将功能EIT图像中的像素点的像素值乘以像素点所在位置对应的加权因子并相加。

另外，加权求和的加权因子可以表示像素点距离目标对象的腹侧边界的高度。在这种情况下，加权因子与腹侧位置相关，能够使获得气体分布中心为相对腹侧位置的值，有利于评估肺部气体向腹侧转移的程度。

在一些示例中，气体分布中心可以满足公式：

其中，D_agsm表示气体分布中心，h_p表示加权因子。

图6是示出了本公开示例所涉及的基于线性关系确定气体分布中心的示例性的流程图。

如上所述，在一些示例中，目标关系可以为线性关系。由此，基于线性关系能够简化气体分布中心的获取过程。为此，本公开的示例还提供了一种基于线性关系确定气体分布中心的第三示例性流程。

参考图6，第三示例性流程可以包括：

步骤S301：确定待获取气体分布中心的目标呼吸周期。

另外，目标呼吸周期可以为任意需要获取气体分布中心的呼吸周期。例如，目标呼吸周期可以为抗荷训练阶段的呼吸周期和参考呼吸阶段的平静呼吸周期。

步骤S302：基于线性关系的线性回归系数确定目标呼吸周期的功能EIT图像。具体内容参考步骤S202中的相关描述。

步骤S303：基于功能EIT图像对应的第三结果与第四结果之间的比值确定气体分布中心。

如上所述，第三指标集可以与抗荷训练阶段的多个呼吸周期之间的呼吸均匀程度相关。在一些示例中，第三指标集可以包括与抗荷训练阶段的多个呼吸周期之间的呼吸均匀程度相关的第一稳定指标。发明人发现，通气稳定性可以用于评估呼吸均匀程度，通气越稳定，越有利于建立更高且更稳定的胸内压。

在一些示例中，对于采用通气稳定性评估呼吸均匀程度的情况，可以由抗荷训练阶段多个呼吸周期的呼气末阻抗的变异性确定第一稳定指标。在这种情况下，通过变异性能够获得多个呼气末阻抗之间的差异程度以反映多个呼吸周期之间的呼吸均匀程度。另外，第一稳定指标由基于EIT数据获得的多个呼吸周期的呼气末阻抗确定，能够提高判定抗荷动作的便捷性。

在一些示例中，变异性可以由多个呼气末阻抗的极差、标准差和方差中的至少一种值确定。优选地，变异性可以由标准差确定。在这种情况下，第一稳定指标能够反映多个呼气末阻抗偏离平均值的情况，进而能够有效地反映多个呼吸周期之间的呼吸均匀程度。在一些示例中，对于由标准差确定的变异性，第一稳定指标可以满足公式：

其中，C_end-exp表示第一稳定指标，表示抗荷训练阶段多个呼吸周期的呼气末阻抗的标准差，/>表示抗荷训练阶段多个呼吸周期的多个呼气末阻抗的均值。

返回参考图3，在步骤S104中，可以基于第一指标集和第二指标集确定抗荷训练结果。在一些示例中，确定抗荷训练结果可以是实时的。由此，基于实时的抗荷训练结果有利于及时纠正抗荷动作。具体地，每经过一个呼吸周期时，可以获得该呼吸周期对应的指标集并立即基于指标集确定抗荷训练结果。另外，对于由多个呼吸周期确定的指标，可以基于当前呼吸周期以及之前的呼吸周期的EIT数据确定该指标。

在一些示例中，抗荷训练结果可以包括指标集中指标的指标值和指标名称。在一些示例中，抗荷训练结果可以包括指标集中指标的指标值和指标名称以及参考值。另外，参考值可以表示指标值应当满足的值或范围。在一些示例中，参考值可以来源抗荷动作的操作规定。例如，对于HP动作，具有规定的呼气时间，若第三呼吸指标采用呼气时间表示，则第三呼吸指标越接近规定的呼气时间越好。

在一些示例中，抗荷训练结果可以与目标对象的胸内压信息相关。在这种情况下，由于抗荷能力与胸内压相关，能够提高抗荷训练结果的可解释性。在一些示例中，胸内压信息可以包括胸内压的大小、稳定程度、降低时间和维持时间中的至少一种信息。具体可以根据需要选择相应的胸内压信息，相应地，去获取对应的指标。

在一些示例中，胸内压信息可以包括胸内压的大小、稳定程度、降低时间和维持时间。在这种情况下，胸内压信息较全面，能够降低误判抗荷训练结果的可能性。

另外，稳定程度可以表示多个呼吸周期之间胸内压变化的稳定性。

在一些示例中，可以根据指标集中指标与胸内压信息的相关性来获取胸内压信息。例如，相关性可以为正相关或负相关。

以第一呼吸肌指标为例，第一呼吸肌指标所指示的呼吸肌用力越均匀，胸内压越容易提高，越有利于建立足够高的胸内压。在一些示例中，针对第一呼吸肌指标的胸内压信息可以为“呼吸肌用力很均匀，正在建立足够高的胸内压”、“呼吸肌用力不够均匀，胸内压还没上去”或“呼吸肌用力较均匀，但胸内压还不够高”。其他指标类似，此处不展开描述，可以根据情况设计胸内压信息的内容。

在一些示例中，胸内压信息也可以是类别。例如，若胸内压信息针对抗荷训练效果，则类别可以包括差、好和很好。又例如，若胸内压信息针对抗荷动作的正确性，则类别可以包括正确和错误。

在一些示例中，可以基于指标集确定类别。在一些示例中，可以将指标集输入机器学习模型以输出针对该指标集的类别。在另一些示例中，可以将指标集归一化到预设区间，基于归一化之后的指标集获取一个总评分，根据总评分落入的分数区间确定类别。

在一些示例中，胸内压信息可以包括胸内压的大小、稳定程度、降低时间和维持时间中的至少一种信息、以及类别或总评分。在这种情况下，同时基于明细数据和汇总数据来判定抗荷动作的正确性，能够更全面地判定抗荷动作的正确性。

另外，为了验证本公开示例涉及的数据处理方法的有效性，将熟练掌握抗荷动作的第一目标对象与了解抗荷动作的内容但未经过训练的第二目标对象的指标集进行比较。

图7A是示出了本公开示例所涉及的第一目标对象的呼吸阻抗曲线的示意图。图7B是示出了本公开示例所涉及的第二目标对象的呼吸阻抗曲线的示意图。图8A是示出了图7A中平静呼吸阶段的功能EIT图像的示意图。图8B是示出了图7A中抗荷训练阶段的功能EIT图像的示意图。图9A是示出了图7B中平静呼吸阶段的功能EIT图像的示意图。图9B是示出了图7B中抗荷训练阶段的功能EIT图像的示意图。

从图7A和图7B可以看出，抗荷训练阶段，第一目标对象的呼吸阻抗曲线比第二目标对象的呼吸阻抗曲线的波动更稳。经计算，第一目标对象的最大吸气容积为53741，在抗荷训练阶段的第一个呼吸周期的吸气容积为48055，因此第一目标对象的第一呼吸指标为48055/53741×100％＝89.42％；第二目标对象的最大吸气容积为31561，在抗荷训练阶段的第一个呼吸周期的吸气容积为22559，因此第二目标对象的第一呼吸指标为22559/31561×100％＝71.48％。可以看出，第二目标对象在抗荷训练阶段的第一个呼吸周期的吸气量小于第一目标对象。

继续参考图7A和图7B，经计算，第一目标对象的第二呼吸指标为131×0.05-107×0.05＝1.2秒；第二目标对象的第二呼吸指标为227×0.05-199×0.05＝1.35秒。可以看出，第一目标对象的吸气时间小于第二目标对象，说明第一目标对象可以在抗荷训练阶段维持更长时间的较高胸内压。

继续参考图7A和图7B，经计算，第一目标对象的第三呼吸指标为185×0.05-131×0.05＝2.7秒；第二目标对象的第二呼吸指标为266×0.05-227×0.05＝1.95秒。可以看出，第一目标对象的呼气时间长于第二目标对象，更有利于持续提高胸内压。

继续参考图7A和图7B，经计算，第一目标对象在抗荷训练阶段的4个呼吸周期的呼气末阻抗分别为272706、271043、267523和267078，因此第一目标对象的第一稳定指标为2738.1/269595＝0.0102；第二目标对象在抗荷训练阶段的4个呼吸周期的呼气末阻抗分别为284719、284947、288220和292227，因此第二目标对象的第一稳定指标为4612.1/289077＝0.0160，可以看出，第一目标对象在抗荷训练阶段的各呼吸周期的呼气末阻抗的变异性小于第二目标对象，说明第一目标对象的通气更加稳定，越有利于建立更高更稳定的胸内压。

参考图8A、图8B、图9A和图9B，图像P11为第一目标对象的平静呼吸阶段的功能EIT图像，图像P12为第一目标对象的抗荷训练阶段的第一个呼吸周期的功能EIT图像，图像P21为第二目标对象的平静呼吸阶段的功能EIT图像，图像P22为第二目标对象的抗荷训练阶段的第一个呼吸周期的功能EIT图像。经计算抗荷训练阶段和平静呼吸阶段第一目标对象的左右通气比例分别为0.452和0.468，因此第一目标对象的第一呼吸肌指标为|0.452-0.468|＝0.016；抗荷训练阶段和平静呼吸阶段第二目标对象的左右通气比例分别为0.563和0.502，因此第二目标对象的第一呼吸肌指标为|0.563-0.502|＝0.061。可以看出，第一目标对象在抗荷训练阶段的左右肺通气分布变化小于第二目标对象，说明第一目标对象的左右侧的呼吸肌发力更均匀，抗荷训练效果更好。

继续参考图8A、图8B、图9A和图9B，经计算抗荷训练阶段和平静呼吸阶段第一目标对象的气体分布中心分别为0.514和0.305，因此第一目标对象的第二呼吸肌指标为|0.514-0.305|＝0.209；经计算抗荷训练阶段和平静呼吸阶段第二目标对象的气体分布中心分别为0.433和0.494，因此第二目标对象的第二呼吸肌指标为|0.494-0.433|＝0.061。可以看出，第一目标对象在抗荷训练阶段的气体分布中心向腹侧转移程度明显大于第二目标对象，说明第一目标对象的呼吸肌发力的强度更大，抗荷训练效果更好。

从以上6个指标可以看出，相较于第二目标对象，第一目标对象在抗荷训练阶段，呼吸程度更深、吸气更快，呼气更慢、呼吸肌发力强度更大、更均匀，总体抗荷训练效果更好。

本公开的示例还提供一种电子设备，包括至少一个处理电路。至少一个处理电路被配置为执行上述的数据处理方法中的一个或多个步骤。

本公开的示例还提供一种计算机可读存储介质，该计算机可读储存介质可以存储至少一个指令，至少一个指令被处理器执行时实现上述的数据处理方法中的一个或多个步骤。

虽然以上结合附图和实施例对本公开进行了具体说明，但是可以理解，上述说明不以任何形式限制本公开。本领域技术人员在不偏离本公开的实质精神和范围的情况下可以根据需要对本公开进行变形和变化，这些变形和变化均落入本公开的范围内。

Claims (10)

1.一种用于抗荷训练的阻抗数据处理方法，其特征在于，包括：获取目标对象的EIT数据，所述EIT数据包括抗荷训练阶段和参考呼吸阶段的数据；基于所述EIT数据确定单个时刻的EIT图像；基于所述抗荷训练阶段对应的EIT图像确定所述抗荷训练阶段的呼吸周期的第一指标集，所述第一指标集与所述抗荷训练阶段的呼吸动作相关；基于第一呼气阶段对应的EIT图像和第二呼气阶段对应的EIT图像之间的差异确定所述抗荷训练阶段的呼吸周期的第二指标集，所述第一呼气阶段为所述抗荷训练阶段的呼吸周期的呼气阶段，所述第二呼气阶段为所述参考呼吸阶段的平静呼吸周期的呼气阶段，所述第二指标集针对呼吸肌发力且由目标对象的肺部气体分布确定并包括与左右侧的呼吸肌发力的均匀程度相关的第一呼吸肌指标，其中，所述第一呼吸肌指标由所述第一呼气阶段的左右通气比例与所述第二呼气阶段的左右通气比例之间的差异程度确定，所述差异程度越小，表示所述左右侧的呼吸肌发力越均匀，所述左右通气比例由目标对象的右肺区域的气体分布和左肺区域的气体分布之间的比值确定；并且基于所述第一指标集和所述第二指标集确定抗荷训练结果。

2.根据权利要求1所述的阻抗数据处理方法，其特征在于，所述抗荷训练结果与目标对象的胸内压信息相关，所述胸内压信息包括胸内压的大小、稳定程度、降低时间和维持时间中的至少一种信息。

3.根据权利要求1所述的阻抗数据处理方法，其特征在于，所述左右通气比例由相应呼气阶段的多张EIT图像中单个像素点的阻抗和图像阻抗之间的关系、以及目标对象的右肺区域的大小和左肺区域的大小确定。

4.根据权利要求3所述的阻抗数据处理方法，其特征在于，所述关系为线性关系，确定所述左右通气比例包括：确定待获取所述左右通气比例的目标呼吸周期；基于所述线性关系的线性回归系数确定所述目标呼吸周期的功能EIT图像，所述功能EIT图像中像素点的像素值为所述线性回归系数；并且基于所述功能EIT图像中所述右肺区域的所有像素值求和的第一结果与所述左肺区域的所有像素值求和的第二结果之间的比值确定所述左右通气比例。

5.根据权利要求1所述的阻抗数据处理方法，其特征在于，所述第二指标集还包括与所述呼吸肌发力的强度相关的第二呼吸肌指标，所述第二呼吸肌指标由所述第一呼气阶段的气体分布中心与所述第二呼气阶段的气体分布中心之间的差异程度确定，所述气体分布中心由相应呼气阶段的多张EIT图像中单个像素点的阻抗和图像阻抗之间的关系确定。

6.根据权利要求5所述的阻抗数据处理方法，其特征在于，所述关系为线性关系，确定所述气体分布中心包括：确定待获取所述气体分布中心的目标呼吸周期；基于所述线性关系的线性回归系数确定所述目标呼吸周期的功能EIT图像，所述功能EIT图像中像素点的像素值为所述线性回归系数；并且基于所述功能EIT图像中所有像素值的加权求和的第三结果与所述所有像素值的求和的第四结果之间的比值确定所述气体分布中心，所述加权求和的加权因子表示所述功能EIT图像中像素点对应的位置距离目标对象的腹侧边界的高度。

7.根据权利要求1所述的阻抗数据处理方法，其特征在于，所述抗荷训练阶段为目标对象在实施抗荷动作的阶段，所述抗荷动作包括M-1动作、L-1动作、HP动作和PHP动作中的至少一种，所述呼吸动作为所述抗荷动作中的子动作。

8.根据权利要求7所述的阻抗数据处理方法，其特征在于，对于所述抗荷动作为所述HP动作，所述呼吸动作包括吸气动作和呼气动作，在单个呼吸周期中所述吸气动作和所述呼气动作交替且所述吸气动作的持续时间小于所述呼气动作的持续时间，所述第一指标集包括与所述吸气动作的深度相关的第一呼吸指标、与所述吸气动作的速度相关的第二呼吸指标以及与所述呼气动作的速度相关的第三呼吸指标；并且由所述抗荷训练阶段的呼吸周期的吸气容积以及最大吸气容积确定所述第一呼吸指标，所述吸气容积为相应呼吸周期的吸气末阻抗减去吸气始阻抗；和/或基于所述抗荷训练阶段的多个图像阻抗的波动趋势识别单个呼吸周期的吸气阶段以确定所述第二呼吸指标；和/或基于所述波动趋势识别单个呼吸周期的呼气阶段以确定所述第三呼吸指标。

9.根据权利要求1所述的阻抗数据处理方法，其特征在于，还基于第三指标集确定所述抗荷训练结果，所述第三指标集包括与所述抗荷训练阶段的多个呼吸周期之间的呼吸均匀程度相关的第一稳定指标，所述第一稳定指标由所述抗荷训练阶段的多个呼吸周期的呼气末阻抗的变异性确定。

10.一种用于抗荷训练的训练系统，其特征在于，包括用于采集EIT数据的电阻抗成像装置以及用于执行权利要求1至9任一项所述的阻抗数据处理方法的处理主机。