CN118172325A - 基于超声图像的腹式呼吸监测方法、系统、设备及介质 - Google Patents
基于超声图像的腹式呼吸监测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN118172325A CN118172325A CN202410273532.6A CN202410273532A CN118172325A CN 118172325 A CN118172325 A CN 118172325A CN 202410273532 A CN202410273532 A CN 202410273532A CN 118172325 A CN118172325 A CN 118172325A
- Authority
- CN
- China
- Prior art keywords
- abdominal
- muscle
- fascia
- thickness
- oblique muscle
- 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.)
- Pending
Links
- 230000003187 abdominal effect Effects 0.000 title claims abstract description 335
- 230000029058 respiratory gaseous exchange Effects 0.000 title claims abstract description 99
- 238000012544 monitoring process Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 32
- 210000003205 muscle Anatomy 0.000 claims abstract description 410
- 210000003489 abdominal muscle Anatomy 0.000 claims abstract description 216
- 230000007115 recruitment Effects 0.000 claims abstract description 157
- 210000001015 abdomen Anatomy 0.000 claims abstract description 12
- 210000003195 fascia Anatomy 0.000 claims description 355
- 238000002604 ultrasonography Methods 0.000 claims description 60
- 238000004364 calculation method Methods 0.000 claims description 33
- 238000007781 pre-processing Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 abstract description 9
- 238000004891 communication Methods 0.000 description 24
- 239000000523 sample Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000007822 coupling agent Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000004118 muscle contraction Effects 0.000 description 1
- 230000004220 muscle function Effects 0.000 description 1
- 238000007488 musculoskeletal ultrasound Methods 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004202 respiratory function Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 210000002460 smooth muscle Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种基于超声图像的腹式呼吸监测方法、系统、设备及存储介质，包括获取用户在平静呼气末和腹式呼吸情况下的腹部超声图像；根据腹部超声图像识别出对应的腹外斜肌、腹内斜肌和腹横肌；计算腹外斜肌、腹内斜肌、腹横肌、腹外斜肌、腹内斜肌和腹横肌的厚度；根据腹外斜肌、腹内斜肌、腹横肌、腹外斜肌、腹内斜肌和腹横肌的厚度计算腹外斜肌募集强度、腹内斜肌募集强度和腹横肌募集强度；将腹外斜肌募集强度、腹内斜肌募集强度和腹横肌募集强度与对应的预设目标值进行比较得到监测结果。本发明能够实现对腹式呼吸的实时监测，便于自身监测腹式呼吸的训练情况，满足用户居家康复需求。
Description
技术领域
本发明属于图像处理技术领域，具体涉及一种基于超声图像的腹式呼吸监测方法、系统、设备及介质。
背景技术
腹式呼吸是锻炼人体呼吸功能、激活内核心肌群的最好的锻炼方式。高质量的腹式呼吸需要深层腹肌的参与，如何无创、实时的监测深层腹肌活动，有效的激活深层腹肌是保证高质量腹式呼吸的关键，通过肌骨超声获取的超声图像，能够反映肌肉厚度，从而反映肌肉收缩能力，可将其作为一种非侵入性肌肉功能评估方法。
但是，现有的超声监测方法通常需医生手持超声探头，并全程指导用户呼吸，且用于腹式呼吸训练时监测的图像均为专业超声图像，必须在医护的全程监护下完成训练，人力成本较高，且肌肉募集强度的计算方法，需专业医生手动测量，操作复杂，用户难以自测。
发明内容
本发明的目的在于提供一种基于超声图像的腹式呼吸监测方法、系统、设备及介质，能够实现对腹式呼吸的实时监测，便于自身监测腹式呼吸的训练情况。
本发明第一方面提供了一种基于超声图像的腹式呼吸监测方法，包括：
获取用户在平静呼气末的第一腹部超声图像、在腹式呼吸情况下的多个第二腹部超声图像；
对所述第一腹部超声图像进行图像识别，识别出第一腹外斜肌、第一腹内斜肌和第一腹横肌，对各个所述第二腹部超声图像进行图像识别，识别出第二腹外斜肌、第二腹内斜肌和第二腹横肌；
计算所述第一腹外斜肌、第一腹内斜肌、第一腹横肌、第二腹外斜肌、第二腹内斜肌和第二腹横肌的厚度，得到第一腹外斜肌厚度、第一腹内斜肌厚度、第一腹横肌厚度、第二腹外斜肌厚度、第二腹内斜肌厚度和第二腹横肌厚度；
根据所述第一腹外斜肌厚度和第二腹外斜肌厚度计算腹外斜肌募集强度，根据所述第一腹内斜肌厚度和第二腹内斜肌厚度计算腹内斜肌募集强度，根据所述第一腹横肌厚度和第二腹横肌厚度计算腹横肌募集强度；
将各个所述第二腹部超声图像对应的腹外斜肌募集强度、腹内斜肌募集强度和腹横肌募集强度与对应的预设目标值进行比较，得到监测结果。
在其中一些实施例中，所述对所述第一腹部超声图像进行图像识别，识别出第一腹外斜肌、第一腹内斜肌和第一腹横肌，包括：
对所述第一腹部超声图像进行预处理，得到第一预处理图像；
根据所述第一预处理图像的像素值识别出依次排列的平静呼气第一层筋膜、平静呼气第二层筋膜、平静呼气第三层筋膜和平静呼气第四层筋膜，所述平静呼气第一层筋膜和平静呼气第二层筋膜之间的腹肌为第一腹外斜肌，所述平静呼气第二层筋膜和平静呼气第三层筋膜之间的腹肌为第一腹内斜肌，所述平静呼气第三层筋膜和平静呼气第四层筋膜的腹肌之间为第一腹横肌。
在其中一些实施例中，所述计算所述第一腹外斜肌、第一腹内斜肌和第一腹横肌的厚度，得到第一腹外斜肌厚度、第一腹内斜肌厚度和第一腹横肌厚度，包括：
构建所述平静呼气第一层筋膜、平静呼气第二层筋膜、平静呼气第三层筋膜和平静呼气第四层筋膜对应的线段；
将所述平静呼气第一层筋膜、平静呼气第二层筋膜、平静呼气第三层筋膜和平静呼气第四层筋膜对应的线段分割为多条子线段；
选取所述平静呼气第一层筋膜、平静呼气第二层筋膜、平静呼气第三层筋膜和平静呼气第四层筋膜对应的各个子线段中斜率最大和最小的点作为关键点；
在所述平静呼气第二层筋膜上的关键点中选取出与平静呼气第一层筋膜上的各个关键点绝对距离最短的关键点，组成对应的第一关键点对，计算所述第一关键点对的距离的平均值，得到第一腹外斜肌厚度；
在所述平静呼气第三层筋膜上的关键点中选取出与平静呼气第二层筋膜上的各个关键点绝对距离最短的关键点，组成对应的第二关键点对，计算所述第二关键点对的距离的平均值，得到第一腹内斜肌厚度；
在所述平静呼气第四层筋膜上的关键点中选取出与平静呼气第三层筋膜上的各个关键点绝对距离最短的关键点，组成对应的第三关键点对，计算所述第三关键点对的距离的平均值，得到第一腹横肌厚度。
在其中一些实施例中，所述对各个所述第二腹部超声图像进行图像识别，识别出第二腹外斜肌、第二腹内斜肌和第二腹横肌，包括：
对所述第二腹部超声图像进行预处理，得到第二预处理图像；
根据所述第二预处理图像的像素值识别出依次排列的腹式呼吸第一层筋膜、腹式呼吸第二层筋膜、腹式呼吸第三层筋膜和腹式呼吸第四层筋膜，所述腹式呼吸第一层筋膜和腹式呼吸第二层筋膜之间为第二腹外斜肌，所述腹式呼吸第二层筋膜和腹式呼吸第三层筋膜之间为第二腹内斜肌，所述腹式呼吸第三层筋膜和腹式呼吸第四层筋膜之间为第二腹横肌。
在其中一些实施例中，所述计算所述第二腹外斜肌、第二腹内斜肌和第二腹横肌的厚度，得到第二腹外斜肌厚度、第二腹内斜肌厚度和第二腹横肌厚度，包括：
构建所述腹式呼吸第一层筋膜、腹式呼吸第二层筋膜、腹式呼吸第三层筋膜和腹式呼吸第四层筋膜对应的线段模型，得到对应的线段；
将所述腹式呼吸第一层筋膜、腹式呼吸第二层筋膜、腹式呼吸第三层筋膜和腹式呼吸第四层筋膜对应的线段分割为多条子线段；
选取所述腹式呼吸第一层筋膜、腹式呼吸第二层筋膜、腹式呼吸第三层筋膜和腹式呼吸第四层筋膜对应的各个子线段中斜率最大和最小的点作为关键点；
在所述腹式呼吸第二层筋膜上的关键点中选取出与腹式呼吸第一层筋膜上的各个关键点绝对距离最短的关键点，组成对应的第四关键点对，计算所述第四关键点对的距离的平均值，得到第二腹外斜肌厚度；
在所述腹式呼吸第三层筋膜上的关键点中选取出与腹式呼吸第二层筋膜上的各个关键点绝对距离最短的关键点，组成对应的第五关键点对，计算所述第五关键点对的距离的平均值，得到第二腹内斜肌厚度；
在所述腹式呼吸第四层筋膜上的关键点中选取出与腹式呼吸第三层筋膜上的各个关键点绝对距离最短的关键点，组成对应的第六关键点对，计算所述第六关键点对的距离的平均值，得到第二腹横肌厚度。
在其中一些实施例中，所述根据所述第一腹外斜肌厚度和第二腹外斜肌厚度计算腹外斜肌募集强度，根据所述第一腹内斜肌厚度和第二腹内斜肌厚度计算腹内斜肌募集强度，根据所述第一腹横肌厚度和第二腹横肌厚度计算腹横肌募集强度，包括：
采用募集强度计算公式计算腹外斜肌募集强度、腹内斜肌募集强度和腹横肌募集强度，其中，所述募集强度计算公式为：
其中，所述Q表示募集强度，h2表示腹式呼吸末的肌肉厚度，h1表示平静呼气末的肌肉厚度；
将所述第一腹外斜肌厚度作为h1、第二腹外斜肌厚度作为h2代入募集强度计算公式得到腹外斜肌募集强度，将所述第一腹内斜肌厚度作为h1、第二腹内斜肌厚度作为h2代入募集强度计算公式得到腹内斜肌募集强度，将所述第一腹横肌厚度作为h1、第二腹横肌厚度作为h2代入募集强度计算公式得到腹横肌募集强度。
本发明第二方面提供了一种基于超声图像的腹式呼吸监测系统，包括：
超声图像获取模块，用于获取用户在平静呼气末的第一腹部超声图像、在腹式呼吸情况下的多个第二腹部超声图像；
腹肌识别模块，用于对所述第一腹部超声图像进行图像识别，识别出第一腹外斜肌、第一腹内斜肌和第一腹横肌，对各个所述第二腹部超声图像进行图像识别，识别出第二腹外斜肌、第二腹内斜肌和第二腹横肌；
腹肌厚度计算模块，用于计算所述第一腹外斜肌、第一腹内斜肌、第一腹横肌、第二腹外斜肌、第二腹内斜肌和第二腹横肌的厚度，得到第一腹外斜肌厚度、第一腹内斜肌厚度、第一腹横肌厚度、第二腹外斜肌厚度、第二腹内斜肌厚度和第二腹横肌厚度；
募集强度计算模块，用于根据所述第一腹外斜肌厚度和第二腹外斜肌厚度计算腹外斜肌募集强度，根据所述第一腹内斜肌厚度和第二腹内斜肌厚度计算腹内斜肌募集强度，根据所述第一腹横肌厚度和第二腹横肌厚度计算腹横肌募集强度；
比较模块，用于将各个所述第二腹部超声图像对应的腹外斜肌募集强度、腹内斜肌募集强度和腹横肌募集强度与对应的预设目标值进行比较，得到监测结果。
在其中一些实施例中，所述腹肌识别模块，包括：
预处理单元，用于对所述第一腹部超声图像进行预处理，得到第一预处理图像；
识别单元，用于根据所述第一预处理图像的像素值识别出依次排列的平静呼气第一层筋膜、平静呼气第二层筋膜、平静呼气第三层筋膜和平静呼气第四层筋膜，所述平静呼气第一层筋膜和平静呼气第二层筋膜之间的腹肌为第一腹外斜肌，所述平静呼气第二层筋膜和平静呼气第三层筋膜之间的腹肌为第一腹内斜肌，所述平静呼气第三层筋膜和平静呼气第四层筋膜的腹肌之间为第一腹横肌。
本发明第三方面提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。
本发明第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
本发明所提供的技术方案具有以下的优点及效果：通过获取第一腹部超声图像和多个第二腹部超声图像，实现对腹式呼吸的实时监测，计算腹肌厚度和募集强度，并将募集强度与预设目标值进行比较，得到监测结果，使得用户自身能够监测腹式呼吸的训练情况，满足用户居家康复需求。
附图说明
图1是本发明提供的基于超声图像的腹式呼吸监测方法的流程示意图；
图2是本发明提供的用户平静呼气末的第一腹部超声图像示意图；
图3是本发明提供的用户平静呼气末的第一腹部超声图像对应的线段示意图；
图4是本发明提供的用户平静呼气末的第一腹部超声图像对应的关键点示意图；
图5是本发明提供的用户腹式呼气时的第二腹部超声图像示意图；
图6是本发明提供的用户腹式呼气时的第二腹部超声图像对应的线段示意图；
图7是本发明提供的用户腹式呼气时的第二腹部超声图像对应的关键点示意图；
图8是本发明提供的基于超声图像的腹式呼吸监测系统的结构框图；
图9是本发明实施例提供的计算机设备的内部结构图。
附图标记说明：
100、平静呼气第一层筋膜；200、平静呼气第二层筋膜；300、平静呼气第三层筋膜；400、平静呼气第四层筋膜；500、腹式呼吸第一层筋膜；600、腹式呼吸第二层筋膜；700、腹式呼吸第三层筋膜；800、腹式呼吸第四层筋膜。
具体实施方式
为了便于理解本发明，下面将参照说明书附图对本发明的具体实施例进行更详细的描述。
除非特别说明或另有定义，本文所使用的“第一、第二…”仅仅是用于对名称的区分，不代表具体的数量或顺序。
除非特别说明或另有定义，本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
需要说明的是，本文中“固定于”、“连接于”，可以是直接固定或连接于一个元件，也可以是间接固定或连接于一个元件。
如图1所示，本实施例中提供了一种基于超声图像的腹式呼吸监测方法，包括：
步骤1、获取用户在平静呼气末的第一腹部超声图像、在腹式呼吸情况下的多个第二腹部超声图像。
在实际应用中，用户可手持无线超声探头，进行腹肌测量，无线超声探头和终端通过蓝牙连接，所述终端可为移动终端，如手机、平板电脑等。
具体地，在用户平静呼气末时采用无线超声探头采集用户的的腹部超声图像，得到第一腹部超声图像，在用户腹式呼吸时连续采集用户的腹部超声图像，得到多个第二腹部超声图像，在通过采用无线超声探头采集腹部超声图像时，将无线超声探头放置在腋前线与脐连线的交点处，无线超声探头与腋前线平行，测量时使得无线超声探头可随呼吸起伏在交点处微微移动，保证采集的腹部超声图像能够采集到腹外斜肌、腹内斜肌和腹横肌，且各层腹肌的筋膜之间尽量保持平行，同时需涂抹足量耦合剂，无线超声探头与皮肤间不留空隙，无线超声探头需轻轻贴紧皮肤，不可过度挤压腹部造成腹肌被压扁的情况。
步骤2、对所述第一腹部超声图像进行图像识别，识别出第一腹外斜肌、第一腹内斜肌和第一腹横肌，对各个所述第二腹部超声图像进行图像识别，识别出第二腹外斜肌、第二腹内斜肌和第二腹横肌。
具体地，所述对所述第一腹部超声图像进行图像识别，识别出第一腹外斜肌、第一腹内斜肌和第一腹横肌，包括：
对所述第一腹部超声图像进行预处理，得到第一预处理图像；
根据所述第一预处理图像的像素值识别出依次排列的平静呼气第一层筋膜、平静呼气第二层筋膜、平静呼气第三层筋膜和平静呼气第四层筋膜，所述平静呼气第一层筋膜和平静呼气第二层筋膜之间的腹肌为第一腹外斜肌，所述平静呼气第二层筋膜和平静呼气第三层筋膜之间的腹肌为第一腹内斜肌，所述平静呼气第三层筋膜和平静呼气第四层筋膜的腹肌之间为第一腹横肌。
在实际应用中，对第一腹部超声图像进行预处理，包括：对所述第一腹部超声图像进行灰度化和归一化处理，得到第一预处理图像，所述第一预处理图像的像素值为第一预处理图像的灰度值，在本实施例中将第一预处理图像中像素值大于第一预设阈值的像素点记为第一筋膜点，得到多个第一筋膜区域，将间距在预设间距内的相邻第一筋膜区域相连，得到依次排列的第一连通区域、第二连通区域、第三连通区域、第四连通区域，计算第一连通区域、第二连通区域、第三连通区域、第四连通区域的平均像素值，将平均像素值大于第二预设阈值的连通区域作为平静呼气第一层筋膜，如图2所示，如第一连通区域为平静呼气第一层筋膜100，则第二连通区域为平静呼气第二层筋膜200，第三连通区域为平静呼气第三层筋膜300，第四连通区域为平静呼气第四层筋膜400，如第四连通区域为平静呼气第一层筋膜，则第三连通区域为平静呼气第二层筋膜，第二连通区域为平静呼气第三层筋膜，第一连通区域为平静呼气第四层筋膜，根据生理学知识，将所述平静呼气第一层筋膜和平静呼气第二层筋膜之间的腹肌作为第一腹外斜肌，所述平静呼气第二层筋膜和平静呼气第三层筋膜之间的腹肌作为第一腹内斜肌，所述平静呼气第三层筋膜和平静呼气第四层筋膜之间的腹肌作为第一腹横肌，在其他实施例中，还能够基于深度学习建立腹肌识别模型，将第一预处理图像输入该模型中，识别出第一腹外斜肌、第一腹内斜肌和第一腹横肌。
具体地，所述对各个所述第二腹部超声图像进行图像识别，识别出第二腹外斜肌、第二腹内斜肌和第二腹横肌，包括：
对所述第二腹部超声图像进行预处理，得到第二预处理图像；
根据所述第二预处理图像的像素值识别出依次排列的腹式呼吸第一层筋膜、腹式呼吸第二层筋膜、腹式呼吸第三层筋膜和腹式呼吸第四层筋膜，所述腹式呼吸第一层筋膜和腹式呼吸第二层筋膜之间为第二腹外斜肌，所述腹式呼吸第二层筋膜和腹式呼吸第三层筋膜之间为第二腹内斜肌，所述腹式呼吸第三层筋膜和腹式呼吸第四层筋膜之间为第二腹横肌。
在实际应用中，对第二腹部超声图像的预处理与对第一腹部超声图像的预处理相同，也是对第二腹部超声图像进行灰度化和归一化处理得到第二预处理图像，对第二预处理图像进行与第一预处理图像相同的处理，以识别出第二腹外斜肌、第二腹内斜肌和第二腹横肌，具体地，将第二预处理图像中像素值大于第一预设阈值的像素点记为第二筋膜点，得到多个第二筋膜区域，将间距在预设间距内的相邻第二筋膜区域相连，得到依次排列的第五连通区域、第六连通区域、第七连通区域、第八连通区域，计算第五连通区域、第六连通区域、第七连通区域、第八连通区域的平均像素值，将平均像素值大于第二预设阈值的连通区域作为腹式呼吸第一层筋膜，如图5所示，第五连通区域为腹式呼吸第一层筋膜500，则第六连通区域为腹式呼吸第二层筋膜600，第七连通区域为腹式呼吸第三层筋膜700，第八连通区域为腹式呼吸第四层筋膜800，如第八连通区域为腹式呼吸第一层筋膜，则第七连通区域为腹式呼吸第二层筋膜，第六连通区域为腹式呼吸第三层筋膜，第五连通区域为腹式呼吸第四层筋膜，根据生理学知识，将所述腹式呼吸第一层筋膜和腹式呼吸第二层筋膜之间的腹肌作为第二腹外斜肌，所述腹式呼吸第二层筋膜和腹式呼吸第三层筋膜之间的腹肌作为第二腹内斜肌，所述腹式呼吸第三层筋膜和腹式呼吸第四层筋膜之间的腹肌作为第二腹横肌，同样地，也能够基于深度学习建立腹肌识别模型，将第二预处理图像输入该模型中，识别出第二腹外斜肌、第二腹内斜肌和第二腹横肌。
步骤3、计算所述第一腹外斜肌、第一腹内斜肌、第一腹横肌、第二腹外斜肌、第二腹内斜肌和第二腹横肌的厚度，得到第一腹外斜肌厚度、第一腹内斜肌厚度、第一腹横肌厚度、第二腹外斜肌厚度、第二腹内斜肌厚度和第二腹横肌厚度。
具体地，所述计算所述第一腹外斜肌、第一腹内斜肌和第一腹横肌的厚度，得到第一腹外斜肌厚度、第一腹内斜肌厚度和第一腹横肌厚度，包括：
构建所述平静呼气第一层筋膜、平静呼气第二层筋膜、平静呼气第三层筋膜和平静呼气第四层筋膜对应的线段模型，得到对应的线段；
将所述平静呼气第一层筋膜、平静呼气第二层筋膜、平静呼气第三层筋膜和平静呼气第四层筋膜对应的线段分割为多条子线段；
选取所述平静呼气第一层筋膜、平静呼气第二层筋膜、平静呼气第三层筋膜和平静呼气第四层筋膜对应的各个子线段中斜率最大和最小的点作为关键点；
在所述平静呼气第二层筋膜上的关键点中选取出与平静呼气第一层筋膜上的各个关键点绝对距离最短的关键点，组成对应的第一关键点对，计算所述第一关键点对的距离的平均值，得到第一腹外斜肌厚度；
在所述平静呼气第三层筋膜上的关键点中选取出与平静呼气第二层筋膜上的各个关键点绝对距离最短的关键点，组成对应的第二关键点对，计算所述第二关键点对的距离的平均值，得到第一腹内斜肌厚度；
在所述平静呼气第四层筋膜上的关键点中选取出与平静呼气第三层筋膜上的各个关键点绝对距离最短的关键点，组成对应的第三关键点对，计算所述第三关键点对的距离的平均值，得到第一腹横肌厚度。
在实际应用中，在得到平静呼气第一层筋膜、平静呼气第二层筋膜、平静呼气第三层筋膜和平静呼气第四层筋膜对应的第一连通区域、第二连通区域、第三连通区域和第四连通区域后，利用现有技术中的曲线拟合模型对第一连通区域、第二连通区域、第三连通区域和第四连通区域内的各个像素点进行拟合，如图3所示，得到平静呼气第一层筋膜、平静呼气第二层筋膜、平静呼气第三层筋膜和平静呼气第四层筋膜对应的线段，根据各个线段的起始点和终止点确定各个线段的方向，根据预设子线段数量沿各个线段的方向对其进行平均分割，得到对应的多条子线段，预设子线段数量根据实际情况进行设置，预设子线段数量越多，测量的精度越高。
本实施例中，如图4所示，选取平静呼气第一层筋膜对应的各个子线段中斜率最大和最小的点作为关键点，得到平静呼气第一层筋膜对应的所有关键点，采用与平静呼气第一层筋膜同样的方法，得到平静呼气第二层筋膜对应的所有关键点、平静呼气第三层筋膜对应的所有关键点和平静呼气第四层筋膜对应的所有关键点，以便于后续得到所有第一关键点对、所有第二关键点对和所有第三关键点对，计算所有第一关键点对对应的关键点之间的欧式距离、所有第二关键点对对应的关键点之间的欧式距离和所有第三关键点对对应的关键点之间的欧式距离，并计算出所有第一关键点对的欧式距离的平均值得到第一腹外斜肌厚度，计算出所有第二关键点对的欧式距离的平均值得到第一腹内斜肌厚度，计算出所有第三关键点对的欧式距离的平均值得到第一腹横肌厚度，有助于平滑局部波动，本发明中使用局部平均(LocalAveraging)的方法对数据进行平滑化，以减少突变或不必要的细节，使数据更具可读性。
具体地，所述计算所述第二腹外斜肌、第二腹内斜肌和第二腹横肌的厚度，得到第二腹外斜肌厚度、第二腹内斜肌厚度和第二腹横肌厚度，包括：
构建所述腹式呼吸第一层筋膜、腹式呼吸第二层筋膜、腹式呼吸第三层筋膜和腹式呼吸第四层筋膜对应的线段模型，得到对应的线段；
将所述腹式呼吸第一层筋膜、腹式呼吸第二层筋膜、腹式呼吸第三层筋膜和腹式呼吸第四层筋膜对应的线段分割为多条子线段；
选取所述腹式呼吸第一层筋膜、腹式呼吸第二层筋膜、腹式呼吸第三层筋膜和腹式呼吸第四层筋膜对应的各个子线段中斜率最大和最小的点作为关键点；
在所述腹式呼吸第二层筋膜上的关键点中选取出与腹式呼吸第一层筋膜上的各个关键点绝对距离最短的关键点，组成对应的第四关键点对，计算所述第四关键点对的距离的平均值，得到第二腹外斜肌厚度；
在所述腹式呼吸第三层筋膜上的关键点中选取出与腹式呼吸第二层筋膜上的各个关键点绝对距离最短的关键点，组成对应的第五关键点对，计算所述第五关键点对的距离的平均值，得到第二腹内斜肌厚度；
在所述腹式呼吸第四层筋膜上的关键点中选取出与腹式呼吸第三层筋膜上的各个关键点绝对距离最短的关键点，组成对应的第六关键点对，计算所述第六关键点对的距离的平均值，得到第二腹横肌厚度。
在实际应用中，在得到腹式呼吸第一层筋膜、腹式呼吸第二层筋膜、腹式呼吸第三层筋膜和腹式呼吸第四层筋膜对应的第五连通区域、第六连通区域、第七连通区域、第八连通区域后，利用现有技术中的曲线拟合模型对第五连通区域、第六连通区域、第七连通区域、第八连通区域内的各个像素点进行拟合，如图6所示，得到腹式呼吸第一层筋膜、腹式呼吸第二层筋膜、腹式呼吸第三层筋膜和腹式呼吸第四层筋膜对应的线段，根据各个线段的起始点和终止点确定各个线段的方向，根据预设子线段数量沿各个线段的方向对其进行平均分割，得到对应的多条子线段，预设子线段数量根据实际情况进行设置，预设子线段数量越多，测量的精度越高。
本实施例中，选取腹式呼吸第一层筋膜对应的各个子线段中斜率最大和最小的点作为关键点，得到腹式呼吸第一层筋膜对应的所有关键点，如图7所示，采用与腹式呼吸第一层筋膜同样的方法，得到腹式呼吸第二层筋膜对应的所有关键点、腹式呼吸第三层筋膜对应的所有关键点和腹式呼吸第四层筋膜对应的所有关键点，以便于后续得到所有第四关键点对、所有第五关键点对和所有第六关键点对，计算所有第四关键点对对应的关键点之间的欧式距离、所有第五关键点对对应的关键点之间的欧式距离和所有第六关键点对对应的关键点之间的欧式距离，并计算出所有第四关键点对的欧式距离的平均值得到第二腹外斜肌厚度，计算出所有第五关键点对的欧式距离的平均值得到第二腹内斜肌厚度，计算出所有第六关键点对的欧式距离的平均值得到第二腹横肌厚度，有助于平滑局部波动。
步骤4、根据所述第一腹外斜肌厚度和第二腹外斜肌厚度计算腹外斜肌募集强度，根据所述第一腹内斜肌厚度和第二腹内斜肌厚度计算腹内斜肌募集强度，根据所述第一腹横肌厚度和第二腹横肌厚度计算腹横肌募集强度。
具体地，所述根据所述第一腹外斜肌厚度和第二腹外斜肌厚度计算腹外斜肌募集强度，根据所述第一腹内斜肌厚度和第二腹内斜肌厚度计算腹内斜肌募集强度，根据所述第一腹横肌厚度和第二腹横肌厚度计算腹横肌募集强度，包括：
采用募集强度计算公式计算腹外斜肌募集强度、腹内斜肌募集强度和腹横肌募集强度，其中，所述募集强度计算公式为：
其中，所述Q表示募集强度，h2表示腹式呼吸末的肌肉厚度，h1表示平静呼气末的肌肉厚度；
将所述第一腹外斜肌厚度作为h1、第二腹外斜肌厚度作为h2代入募集强度计算公式得到腹外斜肌募集强度，将所述第一腹内斜肌厚度作为h1、第二腹内斜肌厚度作为h2代入募集强度计算公式得到腹内斜肌募集强度，将所述第一腹横肌厚度作为h1、第二腹横肌厚度作为h2代入募集强度计算公式得到腹横肌募集强度。
在实际应用中，根据所述募集强度计算公式计算用户腹式呼吸时的腹外斜肌募集强度、腹内斜肌募集强度和腹横肌募集强度，通过本方法能够实时测量用户腹式呼吸时的腹横肌、腹内斜肌和腹外斜肌的厚度，并计算对应的募集强度，并将腹外斜肌募集强度、腹内斜肌募集强度和腹横肌募集强度转化为直方图，且直方图高度可根据腹肌活动实时变化，给用户提供视觉反馈。
步骤5、将各个所述第二腹部超声图像对应的腹外斜肌募集强度、腹内斜肌募集强度和腹横肌募集强度与对应的预设目标值进行比较，得到监测结果。
在实际应用中，预设目标值包括：预设腹外斜肌目标值、预设腹内斜肌目标值和预设腹横肌目标值，所述预设腹外斜肌目标值、预设腹内斜肌目标值和预设腹横肌目标值可为医生根据用户自身身体情况给出的腹外斜肌募集强度参考值、腹内斜肌募集强度参考值和腹横肌募集强度参考值，所述预设目标值为用户预先输入的，将各个所述第二腹部超声图像对应的腹外斜肌募集强度、腹内斜肌募集强度和腹横肌募集强度与对应的预设目标值进行比较，在腹外斜肌募集强度、腹内斜肌募集强度和腹横肌募集强度达到对应的预设目标值时，才判定用户的腹式呼吸正确，从而实现对用户腹式呼吸过程中的监测，提高训练质量，医生也可根据测量到的腹外斜肌募集强度、腹内斜肌募集强度和腹横肌募集强度，提供呼吸训练指导或更改呼吸训练处方，保证腹式呼吸训练的有效性。
本发明的基于超声图像的腹式呼吸监测方法，实现对腹式呼吸的实时监测，计算腹肌厚度和募集强度，并将募集强度与预设目标值进行比较，得到监测结果，使得用户自身能够监测腹式呼吸的训练情况，满足用户居家康复需求。
如图4所示，本发明实施例还提供了一种基于超声图像的腹式呼吸监测系统，包括：
超声图像获取模块10，用于获取用户在平静呼气末的第一腹部超声图像、在腹式呼吸情况下的多个第二腹部超声图像；
腹肌识别模块20，用于对所述第一腹部超声图像进行图像识别，识别出第一腹外斜肌、第一腹内斜肌和第一腹横肌，对各个所述第二腹部超声图像进行图像识别，识别出第二腹外斜肌、第二腹内斜肌和第二腹横肌；
腹肌厚度计算模块30，用于计算所述第一腹外斜肌、第一腹内斜肌、第一腹横肌、第二腹外斜肌、第二腹内斜肌和第二腹横肌的厚度，得到第一腹外斜肌厚度、第一腹内斜肌厚度、第一腹横肌厚度、第二腹外斜肌厚度、第二腹内斜肌厚度和第二腹横肌厚度；
募集强度计算模块40，用于根据所述第一腹外斜肌厚度和第二腹外斜肌厚度计算腹外斜肌募集强度，根据所述第一腹内斜肌厚度和第二腹内斜肌厚度计算腹内斜肌募集强度，根据所述第一腹横肌厚度和第二腹横肌厚度计算腹横肌募集强度；
比较模块50，用于将各个所述第二腹部超声图像对应的腹外斜肌募集强度、腹内斜肌募集强度和腹横肌募集强度与对应的预设目标值进行比较，得到监测结果。
在一个实施例中，所述腹肌识别模块，包括：
预处理单元，用于对所述第一腹部超声图像进行预处理，得到第一预处理图像；
识别单元，用于根据所述第一预处理图像的像素值识别出依次排列的平静呼气第一层筋膜、平静呼气第二层筋膜、平静呼气第三层筋膜和平静呼气第四层筋膜，所述平静呼气第一层筋膜和平静呼气第二层筋膜之间的腹肌为第一腹外斜肌，所述平静呼气第二层筋膜和平静呼气第三层筋膜之间的腹肌为第一腹内斜肌，所述平静呼气第三层筋膜和平静呼气第四层筋膜的腹肌之间为第一腹横肌。
关于基于超声图像的腹式呼吸监测系统的具体构成可以参见上文中对于基于超声图像的腹式呼吸监测方法的构成，在此不再赘述。上述基于超声图像的腹式呼吸监测系统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服务器，其内部结构图可以如图5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、网络接口和数据库。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、计算机程序和数据库。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。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于超声图像的腹式呼吸监测方法。
本领域技术人员可以理解，图5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。
在一个实施例中，提供了一种计算机设备,包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行计算机程序时实现以下步骤：
获取用户在平静呼气末的第一腹部超声图像、在腹式呼吸情况下的多个第二腹部超声图像；
对所述第一腹部超声图像进行图像识别，识别出第一腹外斜肌、第一腹内斜肌和第一腹横肌，对各个所述第二腹部超声图像进行图像识别，识别出第二腹外斜肌、第二腹内斜肌和第二腹横肌；
计算所述第一腹外斜肌、第一腹内斜肌、第一腹横肌、第二腹外斜肌、第二腹内斜肌和第二腹横肌的厚度，得到第一腹外斜肌厚度、第一腹内斜肌厚度、第一腹横肌厚度、第二腹外斜肌厚度、第二腹内斜肌厚度和第二腹横肌厚度；
根据所述第一腹外斜肌厚度和第二腹外斜肌厚度计算腹外斜肌募集强度，根据所述第一腹内斜肌厚度和第二腹内斜肌厚度计算腹内斜肌募集强度，根据所述第一腹横肌厚度和第二腹横肌厚度计算腹横肌募集强度；
将各个所述第二腹部超声图像对应的腹外斜肌募集强度、腹内斜肌募集强度和腹横肌募集强度与对应的预设目标值进行比较，得到监测结果。
在一个实施例中，所述对所述第一腹部超声图像进行图像识别，识别出第一腹外斜肌、第一腹内斜肌和第一腹横肌，包括：
对所述第一腹部超声图像进行预处理，得到第一预处理图像；
根据所述第一预处理图像的像素值识别出依次排列的平静呼气第一层筋膜、平静呼气第二层筋膜、平静呼气第三层筋膜和平静呼气第四层筋膜，所述平静呼气第一层筋膜和平静呼气第二层筋膜之间的腹肌为第一腹外斜肌，所述平静呼气第二层筋膜和平静呼气第三层筋膜之间的腹肌为第一腹内斜肌，所述平静呼气第三层筋膜和平静呼气第四层筋膜的腹肌之间为第一腹横肌。
在一个实施例中，所述计算所述第一腹外斜肌、第一腹内斜肌和第一腹横肌的厚度，得到第一腹外斜肌厚度、第一腹内斜肌厚度和第一腹横肌厚度，包括：
构建所述平静呼气第一层筋膜、平静呼气第二层筋膜、平静呼气第三层筋膜和平静呼气第四层筋膜对应的线段；
将所述平静呼气第一层筋膜、平静呼气第二层筋膜、平静呼气第三层筋膜和平静呼气第四层筋膜对应的线段分割为多条子线段；
选取所述平静呼气第一层筋膜、平静呼气第二层筋膜、平静呼气第三层筋膜和平静呼气第四层筋膜对应的各个子线段中斜率最大和最小的点作为关键点；
在所述平静呼气第二层筋膜上的关键点中选取出与平静呼气第一层筋膜上的各个关键点绝对距离最短的关键点，组成对应的第一关键点对，计算所述第一关键点对的距离的平均值，得到第一腹外斜肌厚度；
在所述平静呼气第三层筋膜上的关键点中选取出与平静呼气第二层筋膜上的各个关键点绝对距离最短的关键点，组成对应的第二关键点对，计算所述第二关键点对的距离的平均值，得到第一腹内斜肌厚度；
在所述平静呼气第四层筋膜上的关键点中选取出与平静呼气第三层筋膜上的各个关键点绝对距离最短的关键点，组成对应的第三关键点对，计算所述第三关键点对的距离的平均值，得到第一腹横肌厚度。
在一个实施例中，所述对各个所述第二腹部超声图像进行图像识别，识别出第二腹外斜肌、第二腹内斜肌和第二腹横肌，包括：
对所述第二腹部超声图像进行预处理，得到第二预处理图像；
根据所述第二预处理图像的像素值识别出依次排列的腹式呼吸第一层筋膜、腹式呼吸第二层筋膜、腹式呼吸第三层筋膜和腹式呼吸第四层筋膜，所述腹式呼吸第一层筋膜和腹式呼吸第二层筋膜之间为第二腹外斜肌，所述腹式呼吸第二层筋膜和腹式呼吸第三层筋膜之间为第二腹内斜肌，所述腹式呼吸第三层筋膜和腹式呼吸第四层筋膜之间为第二腹横肌。
在一个实施例中，所述计算所述第二腹外斜肌、第二腹内斜肌和第二腹横肌的厚度，得到第二腹外斜肌厚度、第二腹内斜肌厚度和第二腹横肌厚度，包括：
构建所述腹式呼吸第一层筋膜、腹式呼吸第二层筋膜、腹式呼吸第三层筋膜和腹式呼吸第四层筋膜对应的线段模型，得到对应的线段；
将所述腹式呼吸第一层筋膜、腹式呼吸第二层筋膜、腹式呼吸第三层筋膜和腹式呼吸第四层筋膜对应的线段分割为多条子线段；
选取所述腹式呼吸第一层筋膜、腹式呼吸第二层筋膜、腹式呼吸第三层筋膜和腹式呼吸第四层筋膜对应的各个子线段中斜率最大和最小的点作为关键点；
在所述腹式呼吸第二层筋膜上的关键点中选取出与腹式呼吸第一层筋膜上的各个关键点绝对距离最短的关键点，组成对应的第四关键点对，计算所述第四关键点对的距离的平均值，得到第二腹外斜肌厚度；
在所述腹式呼吸第三层筋膜上的关键点中选取出与腹式呼吸第二层筋膜上的各个关键点绝对距离最短的关键点，组成对应的第五关键点对，计算所述第五关键点对的距离的平均值，得到第二腹内斜肌厚度；
在所述腹式呼吸第四层筋膜上的关键点中选取出与腹式呼吸第三层筋膜上的各个关键点绝对距离最短的关键点，组成对应的第六关键点对，计算所述第六关键点对的距离的平均值，得到第二腹横肌厚度。
在一个实施例中，所述根据所述第一腹外斜肌厚度和第二腹外斜肌厚度计算腹外斜肌募集强度，根据所述第一腹内斜肌厚度和第二腹内斜肌厚度计算腹内斜肌募集强度，根据所述第一腹横肌厚度和第二腹横肌厚度计算腹横肌募集强度，包括：
采用募集强度计算公式计算腹外斜肌募集强度、腹内斜肌募集强度和腹横肌募集强度，其中，所述募集强度计算公式为：
/>
其中，所述Q表示募集强度，h2表示腹式呼吸末的肌肉厚度，h1表示平静呼气末的肌肉厚度；
将所述第一腹外斜肌厚度作为h1、第二腹外斜肌厚度作为h2代入募集强度计算公式得到腹外斜肌募集强度，将所述第一腹内斜肌厚度作为h1、第二腹内斜肌厚度作为h2代入募集强度计算公式得到腹内斜肌募集强度，将所述第一腹横肌厚度作为h1、第二腹横肌厚度作为h2代入募集强度计算公式得到腹横肌募集强度。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取用户在平静呼气末的第一腹部超声图像、在腹式呼吸情况下的多个第二腹部超声图像；
对所述第一腹部超声图像进行图像识别，识别出第一腹外斜肌、第一腹内斜肌和第一腹横肌，对各个所述第二腹部超声图像进行图像识别，识别出第二腹外斜肌、第二腹内斜肌和第二腹横肌；
计算所述第一腹外斜肌、第一腹内斜肌、第一腹横肌、第二腹外斜肌、第二腹内斜肌和第二腹横肌的厚度，得到第一腹外斜肌厚度、第一腹内斜肌厚度、第一腹横肌厚度、第二腹外斜肌厚度、第二腹内斜肌厚度和第二腹横肌厚度；
根据所述第一腹外斜肌厚度和第二腹外斜肌厚度计算腹外斜肌募集强度，根据所述第一腹内斜肌厚度和第二腹内斜肌厚度计算腹内斜肌募集强度，根据所述第一腹横肌厚度和第二腹横肌厚度计算腹横肌募集强度；
将各个所述第二腹部超声图像对应的腹外斜肌募集强度、腹内斜肌募集强度和腹横肌募集强度与对应的预设目标值进行比较，得到监测结果。
在一个实施例中，所述对所述第一腹部超声图像进行图像识别，识别出第一腹外斜肌、第一腹内斜肌和第一腹横肌，包括：
对所述第一腹部超声图像进行预处理，得到第一预处理图像；
根据所述第一预处理图像的像素值识别出依次排列的平静呼气第一层筋膜、平静呼气第二层筋膜、平静呼气第三层筋膜和平静呼气第四层筋膜，所述平静呼气第一层筋膜和平静呼气第二层筋膜之间的腹肌为第一腹外斜肌，所述平静呼气第二层筋膜和平静呼气第三层筋膜之间的腹肌为第一腹内斜肌，所述平静呼气第三层筋膜和平静呼气第四层筋膜的腹肌之间为第一腹横肌。
在一个实施例中，所述计算所述第一腹外斜肌、第一腹内斜肌和第一腹横肌的厚度，得到第一腹外斜肌厚度、第一腹内斜肌厚度和第一腹横肌厚度，包括：
构建所述平静呼气第一层筋膜、平静呼气第二层筋膜、平静呼气第三层筋膜和平静呼气第四层筋膜对应的线段；
将所述平静呼气第一层筋膜、平静呼气第二层筋膜、平静呼气第三层筋膜和平静呼气第四层筋膜对应的线段分割为多条子线段；
选取所述平静呼气第一层筋膜、平静呼气第二层筋膜、平静呼气第三层筋膜和平静呼气第四层筋膜对应的各个子线段中斜率最大和最小的点作为关键点；
在所述平静呼气第二层筋膜上的关键点中选取出与平静呼气第一层筋膜上的各个关键点绝对距离最短的关键点，组成对应的第一关键点对，计算所述第一关键点对的距离的平均值，得到第一腹外斜肌厚度；
在所述平静呼气第三层筋膜上的关键点中选取出与平静呼气第二层筋膜上的各个关键点绝对距离最短的关键点，组成对应的第二关键点对，计算所述第二关键点对的距离的平均值，得到第一腹内斜肌厚度；
在所述平静呼气第四层筋膜上的关键点中选取出与平静呼气第三层筋膜上的各个关键点绝对距离最短的关键点，组成对应的第三关键点对，计算所述第三关键点对的距离的平均值，得到第一腹横肌厚度。
在一个实施例中，所述对各个所述第二腹部超声图像进行图像识别，识别出第二腹外斜肌、第二腹内斜肌和第二腹横肌，包括：
对所述第二腹部超声图像进行预处理，得到第二预处理图像；
根据所述第二预处理图像的像素值识别出依次排列的腹式呼吸第一层筋膜、腹式呼吸第二层筋膜、腹式呼吸第三层筋膜和腹式呼吸第四层筋膜，所述腹式呼吸第一层筋膜和腹式呼吸第二层筋膜之间为第二腹外斜肌，所述腹式呼吸第二层筋膜和腹式呼吸第三层筋膜之间为第二腹内斜肌，所述腹式呼吸第三层筋膜和腹式呼吸第四层筋膜之间为第二腹横肌。
在一个实施例中，所述计算所述第二腹外斜肌、第二腹内斜肌和第二腹横肌的厚度，得到第二腹外斜肌厚度、第二腹内斜肌厚度和第二腹横肌厚度，包括：
构建所述腹式呼吸第一层筋膜、腹式呼吸第二层筋膜、腹式呼吸第三层筋膜和腹式呼吸第四层筋膜对应的线段模型，得到对应的线段；
将所述腹式呼吸第一层筋膜、腹式呼吸第二层筋膜、腹式呼吸第三层筋膜和腹式呼吸第四层筋膜对应的线段分割为多条子线段；
选取所述腹式呼吸第一层筋膜、腹式呼吸第二层筋膜、腹式呼吸第三层筋膜和腹式呼吸第四层筋膜对应的各个子线段中斜率最大和最小的点作为关键点；
在所述腹式呼吸第二层筋膜上的关键点中选取出与腹式呼吸第一层筋膜上的各个关键点绝对距离最短的关键点，组成对应的第四关键点对，计算所述第四关键点对的距离的平均值，得到第二腹外斜肌厚度；
在所述腹式呼吸第三层筋膜上的关键点中选取出与腹式呼吸第二层筋膜上的各个关键点绝对距离最短的关键点，组成对应的第五关键点对，计算所述第五关键点对的距离的平均值，得到第二腹内斜肌厚度；
在所述腹式呼吸第四层筋膜上的关键点中选取出与腹式呼吸第三层筋膜上的各个关键点绝对距离最短的关键点，组成对应的第六关键点对，计算所述第六关键点对的距离的平均值，得到第二腹横肌厚度。
在一个实施例中，所述根据所述第一腹外斜肌厚度和第二腹外斜肌厚度计算腹外斜肌募集强度，根据所述第一腹内斜肌厚度和第二腹内斜肌厚度计算腹内斜肌募集强度，根据所述第一腹横肌厚度和第二腹横肌厚度计算腹横肌募集强度，包括：
采用募集强度计算公式计算腹外斜肌募集强度、腹内斜肌募集强度和腹横肌募集强度，其中，所述募集强度计算公式为：
/>
其中，所述Q表示募集强度，h2表示腹式呼吸末的肌肉厚度，h1表示平静呼气末的肌肉厚度；
将所述第一腹外斜肌厚度作为h1、第二腹外斜肌厚度作为h2代入募集强度计算公式得到腹外斜肌募集强度，将所述第一腹内斜肌厚度作为h1、第二腹内斜肌厚度作为h2代入募集强度计算公式得到腹内斜肌募集强度，将所述第一腹横肌厚度作为h1、第二腹横肌厚度作为h2代入募集强度计算公式得到腹横肌募集强度。
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、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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。
Claims (10)
1.基于超声图像的腹式呼吸监测方法，其特征在于，包括：
获取用户在平静呼气末的第一腹部超声图像、在腹式呼吸情况下的多个第二腹部超声图像；
对所述第一腹部超声图像进行图像识别，识别出第一腹外斜肌、第一腹内斜肌和第一腹横肌，对各个所述第二腹部超声图像进行图像识别，识别出第二腹外斜肌、第二腹内斜肌和第二腹横肌；
计算所述第一腹外斜肌、第一腹内斜肌、第一腹横肌、第二腹外斜肌、第二腹内斜肌和第二腹横肌的厚度，得到第一腹外斜肌厚度、第一腹内斜肌厚度、第一腹横肌厚度、第二腹外斜肌厚度、第二腹内斜肌厚度和第二腹横肌厚度；
根据所述第一腹外斜肌厚度和第二腹外斜肌厚度计算腹外斜肌募集强度，根据所述第一腹内斜肌厚度和第二腹内斜肌厚度计算腹内斜肌募集强度，根据所述第一腹横肌厚度和第二腹横肌厚度计算腹横肌募集强度；
将各个所述第二腹部超声图像对应的腹外斜肌募集强度、腹内斜肌募集强度和腹横肌募集强度与对应的预设目标值进行比较，得到监测结果。
2.如权利要求1所述基于超声图像的腹式呼吸监测方法，其特征在于，所述对所述第一腹部超声图像进行图像识别，识别出第一腹外斜肌、第一腹内斜肌和第一腹横肌，包括：
对所述第一腹部超声图像进行预处理，得到第一预处理图像；
根据所述第一预处理图像的像素值识别出依次排列的平静呼气第一层筋膜、平静呼气第二层筋膜、平静呼气第三层筋膜和平静呼气第四层筋膜，所述平静呼气第一层筋膜和平静呼气第二层筋膜之间的腹肌为第一腹外斜肌，所述平静呼气第二层筋膜和平静呼气第三层筋膜之间的腹肌为第一腹内斜肌，所述平静呼气第三层筋膜和平静呼气第四层筋膜的腹肌之间为第一腹横肌。
3.如权利要求2所述基于超声图像的腹式呼吸监测方法，其特征在于，所述计算所述第一腹外斜肌、第一腹内斜肌和第一腹横肌的厚度，得到第一腹外斜肌厚度、第一腹内斜肌厚度和第一腹横肌厚度，包括：
构建所述平静呼气第一层筋膜、平静呼气第二层筋膜、平静呼气第三层筋膜和平静呼气第四层筋膜对应的线段；
将所述平静呼气第一层筋膜、平静呼气第二层筋膜、平静呼气第三层筋膜和平静呼气第四层筋膜对应的线段分割为多条子线段；
选取所述平静呼气第一层筋膜、平静呼气第二层筋膜、平静呼气第三层筋膜和平静呼气第四层筋膜对应的各个子线段中斜率最大和最小的点作为关键点；
在所述平静呼气第二层筋膜上的关键点中选取出与平静呼气第一层筋膜上的各个关键点绝对距离最短的关键点，组成对应的第一关键点对，计算所述第一关键点对的距离的平均值，得到第一腹外斜肌厚度；
在所述平静呼气第三层筋膜上的关键点中选取出与平静呼气第二层筋膜上的各个关键点绝对距离最短的关键点，组成对应的第二关键点对，计算所述第二关键点对的距离的平均值，得到第一腹内斜肌厚度；
在所述平静呼气第四层筋膜上的关键点中选取出与平静呼气第三层筋膜上的各个关键点绝对距离最短的关键点，组成对应的第三关键点对，计算所述第三关键点对的距离的平均值，得到第一腹横肌厚度。
4.如权利要求1所述基于超声图像的腹式呼吸监测方法，其特征在于，所述对各个所述第二腹部超声图像进行图像识别，识别出第二腹外斜肌、第二腹内斜肌和第二腹横肌，包括：
对所述第二腹部超声图像进行预处理，得到第二预处理图像；
根据所述第二预处理图像的像素值识别出依次排列的腹式呼吸第一层筋膜、腹式呼吸第二层筋膜、腹式呼吸第三层筋膜和腹式呼吸第四层筋膜，所述腹式呼吸第一层筋膜和腹式呼吸第二层筋膜之间为第二腹外斜肌，所述腹式呼吸第二层筋膜和腹式呼吸第三层筋膜之间为第二腹内斜肌，所述腹式呼吸第三层筋膜和腹式呼吸第四层筋膜之间为第二腹横肌。
5.如权利要求4所述基于超声图像的腹式呼吸监测方法，其特征在于，所述计算所述第二腹外斜肌、第二腹内斜肌和第二腹横肌的厚度，得到第二腹外斜肌厚度、第二腹内斜肌厚度和第二腹横肌厚度，包括：
构建所述腹式呼吸第一层筋膜、腹式呼吸第二层筋膜、腹式呼吸第三层筋膜和腹式呼吸第四层筋膜对应的线段模型，得到对应的线段；
将所述腹式呼吸第一层筋膜、腹式呼吸第二层筋膜、腹式呼吸第三层筋膜和腹式呼吸第四层筋膜对应的线段分割为多条子线段；
选取所述腹式呼吸第一层筋膜、腹式呼吸第二层筋膜、腹式呼吸第三层筋膜和腹式呼吸第四层筋膜对应的各个子线段中斜率最大和最小的点作为关键点；
在所述腹式呼吸第二层筋膜上的关键点中选取出与腹式呼吸第一层筋膜上的各个关键点绝对距离最短的关键点，组成对应的第四关键点对，计算所述第四关键点对的距离的平均值，得到第二腹外斜肌厚度；
在所述腹式呼吸第三层筋膜上的关键点中选取出与腹式呼吸第二层筋膜上的各个关键点绝对距离最短的关键点，组成对应的第五关键点对，计算所述第五关键点对的距离的平均值，得到第二腹内斜肌厚度；
在所述腹式呼吸第四层筋膜上的关键点中选取出与腹式呼吸第三层筋膜上的各个关键点绝对距离最短的关键点，组成对应的第六关键点对，计算所述第六关键点对的距离的平均值，得到第二腹横肌厚度。
6.如权利要求1所述基于超声图像的腹式呼吸监测方法，其特征在于，所述根据所述第一腹外斜肌厚度和第二腹外斜肌厚度计算腹外斜肌募集强度，根据所述第一腹内斜肌厚度和第二腹内斜肌厚度计算腹内斜肌募集强度，根据所述第一腹横肌厚度和第二腹横肌厚度计算腹横肌募集强度，包括：
采用募集强度计算公式计算腹外斜肌募集强度、腹内斜肌募集强度和腹横肌募集强度，其中，所述募集强度计算公式为：
其中，所述Q表示募集强度，h2表示腹式呼吸末的肌肉厚度，h1表示平静呼气末的肌肉厚度；
将所述第一腹外斜肌厚度作为h1、第二腹外斜肌厚度作为h2代入募集强度计算公式得到腹外斜肌募集强度，将所述第一腹内斜肌厚度作为h1、第二腹内斜肌厚度作为h2代入募集强度计算公式得到腹内斜肌募集强度，将所述第一腹横肌厚度作为h1、第二腹横肌厚度作为h2代入募集强度计算公式得到腹横肌募集强度。
7.基于超声图像的腹式呼吸监测系统，其特征在于，包括：
超声图像获取模块，用于获取用户在平静呼气末的第一腹部超声图像、在腹式呼吸情况下的多个第二腹部超声图像；
腹肌识别模块，用于对所述第一腹部超声图像进行图像识别，识别出第一腹外斜肌、第一腹内斜肌和第一腹横肌，对各个所述第二腹部超声图像进行图像识别，识别出第二腹外斜肌、第二腹内斜肌和第二腹横肌；
腹肌厚度计算模块，用于计算所述第一腹外斜肌、第一腹内斜肌、第一腹横肌、第二腹外斜肌、第二腹内斜肌和第二腹横肌的厚度，得到第一腹外斜肌厚度、第一腹内斜肌厚度、第一腹横肌厚度、第二腹外斜肌厚度、第二腹内斜肌厚度和第二腹横肌厚度；
募集强度计算模块，用于根据所述第一腹外斜肌厚度和第二腹外斜肌厚度计算腹外斜肌募集强度，根据所述第一腹内斜肌厚度和第二腹内斜肌厚度计算腹内斜肌募集强度，根据所述第一腹横肌厚度和第二腹横肌厚度计算腹横肌募集强度；
比较模块，用于将各个所述第二腹部超声图像对应的腹外斜肌募集强度、腹内斜肌募集强度和腹横肌募集强度与对应的预设目标值进行比较，得到监测结果。
8.如权利要求7所述基于超声图像的腹式呼吸监测系统，其特征在于，所述腹肌识别模块，包括：
预处理单元，用于对所述第一腹部超声图像进行预处理，得到第一预处理图像；
识别单元，用于根据所述第一预处理图像的像素值识别出依次排列的平静呼气第一层筋膜、平静呼气第二层筋膜、平静呼气第三层筋膜和平静呼气第四层筋膜，所述平静呼气第一层筋膜和平静呼气第二层筋膜之间的腹肌为第一腹外斜肌，所述平静呼气第二层筋膜和平静呼气第三层筋膜之间的腹肌为第一腹内斜肌，所述平静呼气第三层筋膜和平静呼气第四层筋膜的腹肌之间为第一腹横肌。
9.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1-6中任一项所述的方法的步骤。
10.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1-6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410273532.6A CN118172325A (zh) | 2024-03-11 | 2024-03-11 | 基于超声图像的腹式呼吸监测方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410273532.6A CN118172325A (zh) | 2024-03-11 | 2024-03-11 | 基于超声图像的腹式呼吸监测方法、系统、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118172325A true CN118172325A (zh) | 2024-06-11 |
Family
ID=91352149
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410273532.6A Pending CN118172325A (zh) | 2024-03-11 | 2024-03-11 | 基于超声图像的腹式呼吸监测方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118172325A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120016254A1 (en) * | 2010-07-15 | 2012-01-19 | Tanita Corporation | Respiration characteristic analysis apparatus and respiration characteristic analysis system |
| CN109289118A (zh) * | 2018-09-16 | 2019-02-01 | 华北理工大学 | 一种用于脊柱康复系统中的呼吸指示装置 |
| CN114983469A (zh) * | 2022-06-21 | 2022-09-02 | 四川大学华西医院 | 利用超声进行呼吸驱动评估的方法及装置 |
| EP4176796A1 (en) * | 2021-11-05 | 2023-05-10 | Koninklijke Philips N.V. | Multi-session breathing guidance |
-
2024
- 2024-03-11 CN CN202410273532.6A patent/CN118172325A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120016254A1 (en) * | 2010-07-15 | 2012-01-19 | Tanita Corporation | Respiration characteristic analysis apparatus and respiration characteristic analysis system |
| CN109289118A (zh) * | 2018-09-16 | 2019-02-01 | 华北理工大学 | 一种用于脊柱康复系统中的呼吸指示装置 |
| EP4176796A1 (en) * | 2021-11-05 | 2023-05-10 | Koninklijke Philips N.V. | Multi-session breathing guidance |
| CN114983469A (zh) * | 2022-06-21 | 2022-09-02 | 四川大学华西医院 | 利用超声进行呼吸驱动评估的方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| JUNG WON KWON等: "Breathing Exercise Called the Maximal Abdominal Contraction Maneuver", 《MEDICINA 2021》, vol. 57, no. 129, 2 February 2021 (2021-02-02), pages 2 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10898755B2 (en) | Method for providing posture guide and apparatus thereof | |
| US8992227B2 (en) | Methods and apparatus for analysing the behaviour of a subject | |
| WO2018045623A1 (zh) | 一种基于脉搏波时间序列分析的情绪分类方法及装置 | |
| JP2021040882A (ja) | 心肺機能状態変化推定システム、心肺機能状態変化推定装置、心肺機能状態変化推定方法及び心肺機能状態変化推定プログラム | |
| CN109830280A (zh) | 心理辅助分析方法、装置、计算机设备和存储介质 | |
| EP4167129A1 (en) | Method and system for recognizing user actions | |
| CN109793526B (zh) | 测谎方法、装置、计算机设备和存储介质 | |
| US20220036058A1 (en) | Method and Apparatus for Privacy Protected Assessment of Movement Disorder Video Recordings | |
| CN109460749A (zh) | 患者监护方法、装置、计算机设备和存储介质 | |
| CN113822164A (zh) | 动态情绪识别方法、装置、计算机设备和存储介质 | |
| CN118172325A (zh) | 基于超声图像的腹式呼吸监测方法、系统、设备及介质 | |
| CN112957018A (zh) | 基于人工智能的心脏状态检测方法和装置 | |
| CN110179451B (zh) | 心电信号质量检测方法、装置、计算机设备和存储介质 | |
| CN117409454A (zh) | 一种基于面部肌肉运动监测的情绪动态识别方法和装置 | |
| US11515043B1 (en) | Method and device for hair loss prediction and personalized scalp care | |
| CN110909566A (zh) | 健康分析方法、移动终端和计算机可读存储介质 | |
| US20220280121A1 (en) | Non-invasive non-contact system and method for evaluating primary and secondary hypertension conditions using thermal imaging | |
| CN110755084B (zh) | 基于主被动、分阶段动作的运动功能评估方法及设备 | |
| Kwaśniewska et al. | The motion influence on respiration rate estimation from low-resolution thermal sequences during attention focusing tasks | |
| US20160228067A1 (en) | System and method for intelligent monitoring of patient vital signs | |
| CN112043251A (zh) | 动静态切换下的心肺功能评估方法、装置、设备、存储介质及系统 | |
| CN117558457B (zh) | 一种客户关系管理系统中客户画像分析方法 | |
| RU2813471C1 (ru) | Способы и системы идентификации действия пользователя | |
| JP7101880B2 (ja) | 呼吸状態検出装置、呼吸状態検出方法および呼吸状態検出プログラム | |
| WO2024040547A1 (zh) | 一种运动监控系统、设备和方法 |
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 |