[发明专利]基于深度学习的肌腱状况评估方法、装置及存储介质

说明书

本发明涉及智能决策技术领域，公开了一种基于深度学习的肌腱状况评估方法，包括：获取目标用户的第一动作视频；从该视频中提取第一图像；基于第一图像提取第二图像；将第一图像和第二图像输入至卷积神经网络模型；若该模型识别结果为目标用户的目标部位的肌腱受损，获取第一动作视频中相邻帧图像；计算相邻帧图像的第一相似度，获取预设非受损肌腱动作姿态的相邻帧的第二相似度；根据第一相似度与第二相似度的差值确定目标用户的肌腱受损程度及与肌腱受损程度对应的推荐康复训练信息为目标用户的康复计划。本发明还提出一种基于深度学习的肌腱状况评估装置以及一种存储介质。本发明可以对用户肌腱状况是否受损进行准确评估并在肌腱受损后提供更加准确的康复训练意见。

技术领域

本发明涉及涉及智能决策技术领域，尤其涉及一种基于深度学习的肌腱状况评估方法、装置及计算机可读存储介质。

背景技术

目前，当用户存在肌腱受损的可能时往往需要医生检查，并且在确定肌腱受损之后，需要通过通过康复训练使用户恢复正常，用户适用何种康复训练以及康复训练的时间也通过医生进行判断。若医生判断不准确，会影响用户恢复健康，而通过医生进行判断时存在经验不足导致的判断失误以及人眼受到背景变换、光照变化等影响造成的判断失误的状况。

发明内容

本发明提供一种基于深度学习的肌腱状况评估方法、装置及计算机可读存储介质，其主要目的在于能够对用户肌腱状况是否受损进行准确评估以及在肌腱受损后提供更加准确的康复训练意见。

为实现上述目的，本发明还提供一种基于深度学习的肌腱状况评估方法，该方法包括：

获取目标用户的第一动作视频；

从所述第一动作视频中提取包含所述目标用户的目标部位的肌腱动作姿态的第一图像，其中，所述第一图像为单帧图像；

基于所述第一图像从所述第一动作视频中提取包含所述目标用户的目标部位的肌腱动作姿态的第二图像，其中，所述第二图像为连续多帧图像；

将所述第一图像和所述第二图像输入至训练的卷积神经网络模型，获取所述卷积神经网络模型输出的所述目标用户的所述目标部位的肌腱是否受损的识别结果；

若所述识别结果为所述目标用户的所述目标部位的肌腱受损，获取所述第一动作视频中的多组相邻帧图像；

计算所述多组相邻帧图像中任意相邻帧图像的第一相似度，以及获取预设非受损肌腱动作姿态的相邻帧的第二相似度；

根据所述第一相似度以及所述第二相似度的差值确定所述目标用户的肌腱受损程度；

确定与所述肌腱受损程度对应的推荐康复训练信息为所述目标用户的康复计划。

可选地，所述推荐康复训练信息包括康复训练时间，所述获取与所述受损程度对应的推荐康复训练信息之后，所述方法还包括：

获取第一预设时间之后拍摄到的所述目标用户的第二动作视频以及第二预设时间之后拍摄到的所述目标用户的第三动作视频；

获取所述第二动作视频中相邻帧图像，计算所述第二动作视频中相邻帧图像的第三相似度；

获取所述第三动作视频中相邻帧图像，计算所述第三动作视频中相邻帧图像的第四相似度；

根据所述第一相似度、第三相似度、第四相似度的变化状况调整所述康复训练时间或保持所述康复训练时间。

可选地，所述方法还包括：

获取目标卷积神经网络模型，所述目标卷积神经网络模型由第一卷积神经网络模型和第二卷积神经网络模型组成，所述目标卷积神经网络模型的输出值为所述第一卷积神经网络模型的第一输出值和所述第二卷积神经网络模型的输出值进行均值计算得到；