本技术公开了基于视觉识别的患者康复训练数据采集方法及系统,涉及康复训练数据采集技术领域,包括采用深度学习模型对患者康复训练视频进行图像分割,从所述患者康复训练视频中分离出患者运动特征区域;在所述患者运动特征区域中标记关键骨骼节点,并建立所述关键骨骼节点的三维坐标系;根据所述关键骨骼节点的三维坐标,计算相邻骨骼节点间的运动角度和位移数据;将所述运动角度和位移数据与预设康复标准进行匹配度分析,生成康复训练评分。本发明通过采用深度学习模型对康复训练视频进行图像分割,从中精确提取患者的运动特征区域,并结合三维坐标系对关键骨骼节点进行标记与分析,从而实现对患者康复训练数据的精确采集。
背景技术
近年来,随着人工智能和计算机视觉技术的迅速发展,基于视觉识别的医学影像分析已逐渐成为康复医学领域的重要研究方向。尤其是在患者康复训练过程中,利用深度学习模型进行运动分析与评估,已成为提高康复效果的重要手段。视觉识别技术在康复训练中的应用,能够通过捕捉患者运动过程中的姿态变化、运动轨迹和动作细节,精确评估患者的运动功能恢复情况。随着深度学习和图像处理技术的不断进步,基于视频分析的运动评估已逐渐从传统的基于传感器的评估方法转向非侵入式、无接触的视觉评估方法,从而减少了患者的负担,并提高了康复训练的便捷性和精准性。
然而,现有技术在患者康复训练数据采集和评估过程中仍存在一些明显不足。传统的基于传感器的数据采集方法,虽然能够提供较为准确的运动数据,但其依赖于昂贵的硬件设备,且对患者的活动范围和舒适度有较高要求。相对而言,基于视觉识别的技术虽然能够避免这些问题,但现有的视觉识别系统在运动特征提取、动作分析和评分准确度等方面仍存在挑战。当前大多数视觉识别技术主要依赖于二维图像进行姿态识别,难以有效获取患者动作的三维空间信息,从而限制了康复训练过程中的运动角度和位移等数据的精确计算。此外,现有的深度学习模型在复杂背景下的识别精度和实时性也较为欠缺,容易受到环境干扰或背景复杂性的影响,导致分析结果的不稳定性和误差。
实现思路