CN117679025B - 用于检测神经肌肉的血氧信息的检测方法、系统和介质 - Google Patents

Abstract

本申请提供了用于检测神经肌肉的血氧信息的检测方法、系统和介质。检测方法包括处理器基于关注肌肉区域的生理结构创建第一网格模型，并获取第一网格模型的参考光强值变化量与参考光学参数变化量的线性关系；为各个网格赋予第一预测光学参数，基于第一迭代运算确定预计光学参数，根据预计光学参数的大小，确定出关注网格，并对关注网格进行细化后进行第二迭代运算以确定出各个细化网格的目标光学参数；基于目标光学参数以及预计光学参数，得到近红外图像的血氧血流信息和层析图像的血氧信息；将重建后的近红外图像和层析图像进行图像融合，以用于检测关注肌肉区域的血氧信息。如此，解决神经肌肉血氧检测分辨率低、信息不全面等缺陷。

Description

用于检测神经肌肉的血氧信息的检测方法、系统和介质

技术领域

本申请涉及检测技术领域，具体涉及用于检测神经肌肉的血氧信息的检测方法、系统和介质。

背景技术

近红外光谱检测技术采用近红外光来探测肌肉组织中含氧血红蛋白（HbO）和脱氧血红蛋白（HbR）的含量，由于含氧血红蛋白（HbO）和脱氧血红蛋白（HbR）在不同的波长下有不同的吸收率，可以通过吸收率来反推肌肉组织中HbO、HbR的含量，得到血氧水平的变化图像。然而，由于生物组织的复杂性和多样性，在神经肌肉的血氧信息的检测过程中，面临着空间分辨率较低的局限。由于空间分辨率较低，导致无法全面的呈现神经肌肉的血氧信息，医生无法准确地获取关于神经肌肉的血氧信息状况。

发明内容

针对现有技术中存在的上述技术问题，提出了本申请。本申请旨在提供用于检测神经肌肉的血氧信息的检测方法、系统和介质，其能够提高检测神经肌肉的血氧信息的分辨率，全面地获取到神经肌肉的血氧信息。

根据本申请的第一方案，提供一种用于检测神经肌肉的血氧信息的检测方法，所述检测方法包括：分别基于近红外数据采集设备和层析成像设备，获取受检者在执行完目标任务前后的关注肌肉区域的探测光强变化量；处理器基于所述关注肌肉区域的生理结构，创建第一网格模型，以分别重建近红外图像和层析图像，包括：获取第一网格模型的参考光强值变化量与参考光学参数变化量的线性关系，以及第一网格模型中各个网格的初始光学参数；为各个网格赋予第一预测光学参数，基于所述第一预测光学参数和初始光学参数，按照所述线性关系，对各个网格进行第一迭代运算，以基于第一迭代运算的结果确定出各个网格的预计光学参数；根据各个网格的预计光学参数的大小，确定出关注网格，并对所述关注网格进行细化后，进行第二迭代运算，以基于第二迭代运算的结果确定出各个细化网格的目标光学参数；基于各个细化网格的目标光学参数以及未被细化的原始网格的预计光学参数，以得到近红外图像的血氧血流信息和层析图像的血氧信息；将重建后的近红外图像和层析图像进行图像融合，以用于检测关注肌肉区域的血氧信息。

根据本申请的第二方案，提供一种用于检测神经肌肉的血氧信息的系统，所述系统包括接口和处理器，所述接口配置为：分别基于近红外数据采集设备和层析成像设备，获取受检者在执行完目标任务前后的关注肌肉区域的探测光强变化量；所述处理器配置为：基于所述关注肌肉区域的生理结构，创建第一网格模型，以分别重建近红外图像和层析图像，包括：获取第一网格模型的参考光强值变化量与参考光学参数变化量的线性关系，以及第一网格模型中各个网格的初始光学参数；为各个网格赋予第一预测光学参数，基于所述第一预测光学参数和初始光学参数，按照所述线性关系，对各个网格进行第一迭代运算，以基于第一迭代运算的结果确定出各个网格的预计光学参数；根据各个网格的预计光学参数的大小，确定出关注网格，并对所述关注网格进行细化后，进行第二迭代运算，以基于第二迭代运算的结果确定出各个细化网格的目标光学参数；基于各个细化网格的目标光学参数以及未被细化的原始网格的预计光学参数，以得到近红外图像的血氧血流信息和层析图像的血氧信息；将重建后的近红外图像和层析图像进行图像融合，以用于检测关注肌肉区域的血氧信息。

根据本申请的第三方案，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行根据本申请各个实施例所述的用于检测神经肌肉的血氧信息的检测方法。

与现有技术相比，本申请实施例的有益效果在于：

本申请实施例提供的用于检测神经肌肉的血氧信息的检测方法，在受检者执行目标任务的过程中，神经肌肉的血氧信息发生变化，对于光的吸收率产生影响。基于近红外数据采集设备和层析成像设备，能够分别获取受检者在执行完目标任务前后的关注肌肉区域的探测光强变化量，能够获取到关注肌肉区域的不同深度的组织信息。然后，基于关注肌肉区域的生理结构，创建第一网格模型，并基于第一网格模型进行第一迭代运算，以确定出需要重点进行图像重建的关注网格，并对关注网格进行第二迭代运算，以得到目标光学参数。

在受检者执行目标任务的过程中，关注肌肉区域的光学参数会伴随目标任务的进行发生变化，比如，关注肌肉区域中靠近神经的区域光学参数变化较大，远离神经的区域光学参数变化相对较小。通过确定出关注网格，将重建过程集中于光学参数变化较大的关注网格，并针对关注网格进行第二迭代运算，能够提高重建的目标光学参数的准确度。如此，通过分别重建近红外图像和层析图像，再将两者进行图像融合，得到血氧信息全面的融合图像。该融合图像能够从宏观、介观角度来反映出神经肌肉的血氧信息，能够提供更多血氧信息的细节信息，有助于医生根据神经肌肉的血氧信息对受检者的神经肌肉的生理状况进行分析。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述说明和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

在不一定按比例绘制的附图中，相同的附图标记可以在不同的视图中描述相似的部件。具有字母后缀或不同字母后缀的类似附图标记可以表示相似组件的不同示例。附图通过举例而不是以限制的方式大体上示出各种实施例，并且与说明书以及权利要求书一起用于对所公开的实施例进行说明。这样的实施例是说明性和示例性的，而并非旨在作为本方法、系统或具有用于实现该方法的指令的非暂时性计算机可读介质的穷尽或排他的实施例。

图1示出根据本申请实施例所述的用于检测神经肌肉的血氧信息的检测方法的流程图。

图2示出根据本申请实施例所述的用于检测神经肌肉的血氧信息的检测方法的又一流程图。

图3示出根据本申请实施例所述的用于检测神经肌肉的血氧信息的系统的结构示意图。

具体实施方式

为使本领域技术人员更好的理解本申请的技术方案，下面结合附图和具体实施方式对本申请作详细说明。下面结合附图和具体实施例对本申请的实施例作进一步详细描述，但不作为对本申请的限定。

本申请中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分。本申请中使用的“包括”或者“包含”等类似的词语意指在该词前的要素涵盖在该词后列举的要素，并不排除也涵盖其他要素的可能。在本申请中，各个步骤在图中所示的箭头仅仅作为执行顺序的示例，而不是限制，本申请的技术方案并不限于实施例中描述的执行顺序，执行顺序中的各个步骤可以合并执行，可以分解执行，可以调换顺序，只要不影响执行内容的逻辑关系即可。

本申请使用的所有术语（包括技术术语或者科学术语）与本申请所属领域的普通技术人员理解的含义相同，除非另外特别定义。还应当理解，在诸如通用字典中定义的术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

图1示出根据本申请实施例所述的用于检测神经肌肉的血氧信息的检测方法的流程图。在步骤S101，分别基于近红外数据采集设备和层析成像设备，获取受检者在执行完目标任务前后的关注肌肉区域的探测光强变化量。具体地，以检测手臂的神经肌肉的血氧信息为实例，可以将微型的近红外数据采集设备的探头和层析成像设备的探头集成在同一个肌肉绑带上，绑带采用柔软、舒适、透气的材料，包括但不限于弹性织物、泡沫材料，以保证受检者手臂的舒适度和安全性。

其中，目标任务可以是抓握任务、摆动手臂、拍掌、轻度的搬运任务等，仅以此为示例，不排除其他任务。在执行目标任务的过程中，神经肌肉的组织信息会发生变化，例如血氧信息伴随目标任务的进行出现升高或下降，或者神经肌肉的光的吸收系数等光学参数相应的发生变化。比如，执行目标任务导致血氧在神经肌肉组织中更快地流动，或者增加肌纤维数量、增强肌肉纤维之间的连接等引起肌肉组织的结构变化，这都会可能会提高光的吸收系数。

受检者在执行目标任务的过程中，近红外数据采集设备和层析成像设备中的探头分别探测到的出射光的光强度值相比于执行目标任务之前探测到的光的光强度值变化较大，其中，所述探测光强度变化量可以是受检者执行目标任务过程中，探测到的光的强度值的代表值（例如最大值或者平均值）与执行目标任务之前的探测到的光的强度值的代表值（例如最大值或者平均值）或预设的光的强度值的偏离。

基于近红外数据采集设备可以获取较深的生理结构层的组织信息，基于层析成像设备可以获取浅层的生理结构层的组织信息，其中，所述组织信息至少包括光学参数、血氧信息。

在步骤S102，处理器基于所述关注肌肉区域的生理结构，创建第一网格模型，以分别重建近红外图像和层析图像。其中，所述关注肌肉区域的生理结构可以包括关注肌肉区域从表皮向内部依次为表皮层、真皮层、皮下脂肪层、肌肉组织层。处理器可以在创建第一网格模型的过程中，按照各个生理结构层进行网格划分，例如，在每一层生理结构层划分一层或多层网格，对此不做限定，可以由用户自行设定网格划分的方式。

在构建第一网格模型的过程中，设定各个生理结构层中的网格的数量、网格的大小以及各个网格设置初始光学参数（例如设置初始光吸收系数）。可以利用蒙特卡洛光传播模型进行光传播仿真，以模拟光在第一网格模型中传播过程，来获取第一网格模型的参考光强度值变化量与参考光学参数变化量的线性关系，其中，参考光强度值变化量和参考光学参数变化量均可以在仿真的过程中自行设置。也就是说，获取第一网格模型的参考光强值变化量与参考光学参数变化量的线性关系，以及第一网格模型中各个网格的初始光学参数。

在步骤S103，为各个网格赋予第一预测光学参数，基于所述第一预测光学参数和初始光学参数，按照所述线性关系，对各个网格进行第一迭代运算，以基于第一迭代运算的结果确定出各个网格的预计光学参数。具体地，各个网格的光强值变化量与光学参数变化量之间的线性关系均遵循上述参考光强值变化量与参考光学参数变化量的线性关系。

例如，对于某个网格，基于第一预测光学参数和初始光学参数之间的偏离，可以得到第一预测光学参数变化量。基于第一预测光学参数变化量和所述线性关系，可以得到第一预测光强变化量，然后，判断第一预测光强变化量是否接近探头实际探测到的光强变化量。如果与探头实际探测到的光强变化量相差较多，则说明为该网格赋予的第一预测光学参数与实际光学参数偏差较大，则再为该网格赋予新的第一预测光学参数，继续基于新的第一预测光学参数进行第一迭代运算，直到第一迭代运算的结果中的第一预测光强变化量接近探头实际探测到的光强变化量，则停止第一迭代运算并将该网格的新的第一预测光学参数作为预计光学参数。其中，所述第一迭代运算可以是共轭梯度算法，以快速对第一网格模型中的各个网格进行粗略地估计。

在步骤S104，根据各个网格的预计光学参数的大小，确定出关注网格，并对所述关注网格进行细化后，进行第二迭代运算，以基于第二迭代运算的结果确定出各个细化网格的目标光学参数。具体地，可以将各个网格的预计光学参数与预设光学参数进行比较，其中，预设光学参数可以是用户自行设定的。比如，认为预计光学参数大于预设光学参数的网格为关注网格，仅以此作为示例，不排除其他确定关注网格的方法。

在确定出关注网格之后，进一步对关注网格进行细化处理，如此，将更多的细化操作集中在重要的区域，从而提高图像重建的准确性和精度。将各个关注网格进行更细化的网格划分，而除关注网格之外的其他原始网格可以合并为一个或多个原始网格，或者不对其他原始网格进行处理而保持原始网格的状态即可，对此不做限定。对于细化的方法也不做限定，例如可以在每个网格上均匀地增加新的节点，来进行均匀细化处理。

在对关注网格进行细化之后，可以得到各个细化网格，并基于各个细化网格进行第二迭代运算。其中，采用Landweber算法进行第二迭代运算，以提高图像重建的精度和准确度。具体地，第二迭代运算也可以是先为各个细化网格配置可变光学参数，然后得到可变光学参数和初始光学参数之间的偏离值，按照所述线性关系，得到可变光强变化量，并将可变光强变化量接近探头实际探测到的光强变化量时，该细化网格的可变光学参数作为目标光学参数。仅以此作为示例，不构成对具体方案的限定。

在步骤S105，基于各个细化网格的目标光学参数以及未被细化的原始网格的预计光学参数，以得到近红外图像的血氧信息和层析图像的血氧信息，从而得到重建后的近红外图像和层析图像。例如，在光学参数为吸收系数的情况下，所述目标光学参数可以是目标吸收系数，预计光学参数可以是预计吸收系数。血氧信息可以包括含氧血红蛋白浓度（HbO）和脱氧血红蛋白浓度（HbR）信息，具体地，可以根据朗伯比尔定律，基于各个细化网格的目标吸收系数和未被细化的原始网格的预计吸收系数，以及近红外数据采集设备和层析成像设备中的光源同时发出的不同波长的光，得到各个细化网格和未被细化的原始网格的含氧血红蛋白浓度（HbO）和脱氧血红蛋白浓度（HbR）信息。将各个细化网格和未被细化的原始网格的含氧血红蛋白浓度（HbO）相加，将各个细化网格和未被细化的原始网格的脱氧血红蛋白浓度（HbR）相加，即可以得到重建后的近红外图像的血氧信息和层析图像的血氧信息。

仅以此作为示例，不构成对具体方案的限定。

在步骤S106，将重建后的近红外图像和层析图像进行图像融合，以用于检测关注肌肉区域的血氧信息。具体地，可以将层析图像和近红外图像进行配准，并将层析图像和近红外图像转换为同一坐标系下的图像，再利用图像叠加算法将层析图像和近红外图像进行图像融合。

在本申请中，各个步骤在图中所示的箭头仅仅作为执行顺序的示例，而不是限制，本申请的技术方案并不限于实施例中描述的执行顺序，执行顺序中的各个步骤可以合并执行，可以分解执行，可以调换顺序，只要不影响执行内容的逻辑关系即可。

其中，将层析图像和近红外图像进行配准可以包括：确定参考坐标系，并基于层析图像和近红外图像中的共同特征计算变换矩阵；将变换矩阵应用于近红外图像以得到变换近红外图像；将变换近红外图像转换到层析图像相同的坐标系中，再利用图像融合算法进行图像融合。在利用图像融合算法进行图像融合的过程中，采用插值处理方法分别对层析图像和近红外图像进行插值处理，以使得层析图像和近红外图像的分辨率一致，可以得到融合后的融合图像，该融合图像可以直观地显示出高分辨率的三维的血氧信息。

如此，基于近红外光谱检测技术实现神经肌肉组织生理活动血氧信息在宏观尺度上的精确检测，获取肌肉组织在的大范围、深层次的血液微循环信息，并基于层状光学层析成像，实现肌肉组织微循环信息在介观尺度上的高精度检测，获取局部浅表层肌肉组织血液微循环的高空间分辨率信息。通过两种信息融合，可以获得大范围与局部相结合、深层次与浅表层相结合的多维血氧检测数据分析。

在本申请中的一些实施例中，基于第一迭代运算的结果确定出各个网格的预计光学参数具体包括基于所述第一迭代运算，以得到各个网格的第一预测光强变化量；将所述第一预测光强变化量与探测光强变化量的偏离小于第一阈值时，对应的第一预测光学参数作为预计光学参数。具体地，所述偏离可以是偏差，例如，可以基于第一预测光学参数和初始光学参数来得到第一预测光学参数相对于初始光学参数的偏差，按照参考光强值变化量和参考光学参数变化量的线性关系，进行第一迭代运算得到第一预测光强变化量。如果第一预测光强变化量与探测光强变化量的偏差小于第一阈值，则说明第一预测光强变化量接近探测光强变化量，则可以进一步说明此时的第一预测光学参数接近该网格真实的光学参数，即可将第一预测光学参数作为预计光学参数。

此外，如果所述偏差大于或等于第一阈值，则说明该网格的第一预测光学参数与真实的光学参数相差较大，则对该网格的第一预测光学参数进行更新，并继续基于更新后的第一预测光学参数进行第一迭代运算，直到基于更新后的第一预测光学参数得到的更新后的第一预测光强变化量与探测光强变化量的偏差小于第一阈值。

在本申请中的一些实施例中，根据各个网格的预计光学参数的大小，确定出关注网格具体包括对各个网格的预计光学参数进行比较，将预计光学参数大于或等于预设光学参数的网格作为关注网格，将预计光学参数小于预计光学参数的网格作为粗网格。其中，对于预计光学参数不做具体限定，可以由用户自行设置。在预计光学参数大于或等于预设光学参数的情况下，可以认为该网格的光学参数变化较明显，以此将该网格确定为关注网格，将关注网格用于后续模拟、运算等能够提高重建图像的精度和准确度。

进一步地，确定关注网格的方法进一步具体包括获取各个网格与其各个相邻网格的预计光学参数的平均值；将所述平均值与各个相邻网格中的最大预计光学参数进行比较，在所述平均值大于或等于最大预计光学参数的预设百分比的情况下，确定所述网格为关注网格。比如，选择A网格，其中，与A网格相邻的各个相邻网格有六个，则将A网格与相邻的六个相邻网格的预计光学参数加和之后取平均值。然后，在相邻的六个相邻网格中，选择出最大预计光学参数。将平均值与最大预计光学参数进行比较，其中，预设百分比处于60%-100%之间。以预设百分比为60%为示例，如果平均值大于或等于最大预计光学参数的60%，则可以将A网格作为关注网格。仅以此作为示例性说明，不构成对具体方案的限定。

在本申请的一些实施例中，基于第二迭代运算的结果确定出各个细化网格的目标光学参数具体包括：对各个所述关注网格进行细化，并为细化后的各个细化网格赋予第二预测光学参数，基于所述第二预测光学参数和预计光学参数，按照所述线性关系，对细化网格进行第二迭代运算，以得到各个细化网格的第二预测光强变化量；将所述第二预测光强变化量与探测光强变化量的偏离小于第二阈值时，对应的第二预测光学参数作为目标光学参数。也就是说，在第二预测光强变化量与探测光强变化量的偏差小于第二阈值时，说明第二预测光强变化量与探测光强变化量较为接近，则将第二预测光学参数作为目标光学参数。如果第二预测光强变化量大于或等于第二阈值，则继续更新所述第二预测光学参数，并基于更新后的第二预测光学参数进行第二迭代运算。

示例性地，如图2，在步骤S201，基于关注肌肉区域的生理结构，将关注肌肉区域离散化成均匀粗糙的第一网格模型，并在创建第一网格模型的过程中得到参考光强值变化量和参考光学参数变化量的线性关系。在步骤S202，采用共轭梯度算法进行第一迭代运算，基于第一迭代运算结果确定出各个网格的预计光学参数。在步骤S203，对各个网格的预计光学参数进行比较，将光学参数变化较大的网格作为关注网格，并对关注网格进行进一步细化。在步骤S204，采用Landweber算法对细化后的各个细化网格进行第二迭代运算，得到各个细化网格的第二预测光强变化量。在步骤S205，判断第二预测光强变化量与探测光强变化量的偏离程度是否小于第二阈值，如果判断结果为是，则结束第二迭代运算，如果判断结果为否，则继续执行步骤S204。

在本申请的一些实施例中，所述检测方法包括：分别基于近红外数据采集设备和层析成像设备，获取受检者在执行静息态任务时关注肌肉区域的初始光强值，以及在执行目标任务后的关注肌肉区域的探测光强值，其中，受检者在执行目标任务之前执行静息态任务；将所述探测光强值的代表值相对于初始光强值的代表值的偏离作为探测光强变化量。其中，静息态任务可以是保持放松状态，比如受检者保持手臂垂直于身体两侧3分钟。分别基于近红外数据采集装置和层析成像设备来获取受检者保持放松状态时的初始光强值，具体地，可以将执行静息态任务时获取到的初始光强值的平均值或者最大值作为初始光强值的代表值。同时，也可以将受检者执行目标任务时的探测光强值的平均值或最大值作为探测光强值的代表值。

在本申请的一些实施例中，所述近红外数据采集设备中的光源和光探测器之间的间距大于第一预设距离，以获取关注肌肉区域深层的探测光强值，其中，所述深层至少包括表皮层、真皮层、皮下脂肪层和肌肉组织层。进一步地，所述近红外数据采集设备中的光源和光探测器之间的间距处于1-3cm之间，如此，以获取到关注肌肉区域的大范围的组织信息。

所述层析成像设备中的光源与光探测器之间的间距小于第二预设距离，以获取关注肌肉区域浅层的探测光强值，其中，所述浅层至少包括表皮层、真皮层。进一步地，所述层析成像设备中的光源与光探测器之间的间距处于0.2-1.2mm之间，如此，以获得关注肌肉区域的小范围的组织信息，从而提高光源发出的光对关注肌肉区域进行扫描的精度。

近红外数据采集设备中的光探测器对大范围的组织区域进行扫描和成像，可能会导致光在组织区域中扩散，从而降低成像分辨率，无法得到精细化的血氧信息。而层析成像设备中的光探测器对小范围的组织区域进行扫描和成像，有助于重建得到高分辨率的图像，从而提供更丰富、更细致的血氧信息。

如此，基于近红外数据采集设备和层析成像设备各自得到的探测光强度变化量，分别重建近红外图像和层析图像，并将重建后的近红外图像和层析图像进行图像融合，得到融合图像，使得该融合图像具有更富且全面的血氧信息，有助于医生准确地基于该融合图像对受检者的神经肌肉的生理状况进行分析。

在本申请的一些实施例中，光学参数为吸收系数，或光学参数为吸收系数和散射系数。

图3示出了根据本申请实施例所述的用于检测神经肌肉的血氧信息的系统的结构示意图。所述系统300包括接口301和处理器302，所述接口301配置为分别基于近红外数据采集设备和层析成像设备，获取受检者在执行完目标任务前后的关注肌肉区域的探测光强变化量。所述处理器302配置为：基于所述关注肌肉区域的生理结构，创建第一网格模型，以分别重建近红外图像和层析图像，包括：获取第一网格模型的参考光强值变化量与参考光学参数变化量的线性关系，以及第一网格模型中各个网格的初始光学参数；为各个网格赋予第一预测光学参数，基于所述第一预测光学参数和初始光学参数，按照所述线性关系，对各个网格进行第一迭代运算，以基于第一迭代运算的结果确定出各个网格的预计光学参数；根据各个网格的预计光学参数的大小，确定出关注网格，并对所述关注网格进行细化后，进行第二迭代运算，以基于第二迭代运算的结果确定出各个细化网格的目标光学参数；基于各个细化网格的目标光学参数以及未被细化的原始网格的预计光学参数，以得到近红外图像的血氧血流信息和层析图像的血氧信息；将重建后的近红外图像和层析图像进行图像融合，以用于检测关注肌肉区域的血氧信息。如此，能够提高检测神经肌肉的血氧信息的分辨率，全面地获取到神经肌肉的血氧信息。

本申请各个实施例中用于检测神经肌肉的血氧信息的检测方法均可结合于此，在此不再赘述。

所述接口301可以传输信息，可以包括但不限于网络适配器、电缆连接器、串行连接器、USB连接器、并行连接器、高速数据传输适配器等，例如光纤、USB 3.0、雷电接口（Thunderbolt）等，无线网络适配器，诸如WiFi适配器、电信(3G、4G/LTE等)适配器等。在一些实施例中，所述接口301可以为网络接口，系统300可以通过接口301连接到网络，例如但不限于局域网或因特网。

所述处理器302可以是包括一个以上通用处理设备的处理设备，诸如微处理器、中央处理单元（CPU）、图形处理单元（GPU）等。更具体地，该处理器302可以是复杂指令集计算（CISC）微处理器、精简指令集计算（RISC）微处理器、超长指令字（VLIW）微处理器、运行其他指令集的处理器或运行指令集的组合的处理器。该处理器302还可以是一个以上专用处理设备，诸如专用集成电路（ASIC）、现场可编程门阵列（FPGA）、数字信号处理器（DSP）、片上系统（SoC）等。

此外，用于检测神经肌肉的血氧信息的检测方法的方法还可以以计算机程序指令的方式存储在计算机可读存储介质中，所述计算机程序指令在被处理器运行时使得所述处理器执行根据本申请各个实施例所述的用于检测神经肌肉的血氧信息的检测方法，以执行本申请各个实施例的用于检测神经肌肉的血氧信息的检测方法的各个步骤。存储介质可以包括只读存储器(ROM)、闪存、随机存取存储器(RAM)、诸如同步DRAM(SDRAM)或Rambus DRAM的动态随机存取存储器(DRAM)、静态存储器(例如，闪存、静态随机存取存储器)等，其上可以以任何格式存储计算机可执行指令。

此外，尽管已经在本文中描述了示例性实施例，其范围包括任何和所有基于本申请的具有等同元件、修改、省略、组合（例如，各种实施例交叉的方案）、改编或改变的实施例。权利要求书中的元件将被基于权利要求中采用的语言宽泛地解释，并不限于在本说明书中或本申请的实施期间所描述的示例，其示例将被解释为非排他性的。因此，本说明书和示例旨在仅被认为是示例，真正的范围和精神由权利要求以及其等同物的全部范围所指示。

以上描述旨在是说明性的而不是限制性的。例如，上述示例（或其一个或更多方案）可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外，在上述具体实施方式中，各种特征可以被分组在一起以简单化本申请。这不应解释为一种不要求保护的公开的特征对于任一权利要求是必要的意图。相反，本申请的主题可以少于特定的公开的实施例的全部特征。从而，权利要求书作为示例或实施例在此并入具体实施方式中，其中每个权利要求独立地作为单独的实施例，并且考虑这些实施例可以以各种组合或排列彼此组合。本申请的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。

以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。

Claims (10)

1.一种用于检测神经肌肉的血氧信息的检测方法，其特征在于，所述检测方法包括：

分别基于近红外数据采集设备和层析成像设备，获取受检者在执行完目标任务前后的关注肌肉区域的探测光强变化量；

处理器基于所述关注肌肉区域的生理结构，创建第一网格模型，以分别重建近红外图像和层析图像，包括：

获取第一网格模型的参考光强值变化量与参考光学参数变化量的线性关系，以及第一网格模型中各个网格的初始光学参数；

为各个网格赋予第一预测光学参数，基于所述第一预测光学参数和初始光学参数，按照所述线性关系，对各个网格进行第一迭代运算；

基于所述第一迭代运算，以得到各个网格的第一预测光强变化量；

将所述第一预测光强变化量与探测光强变化量的偏离小于第一阈值时，对应的第一预测光学参数作为预计光学参数；

根据各个网格的预计光学参数的大小，确定出关注网格；

对各个所述关注网格进行细化，并为细化后的各个细化网格赋予第二预测光学参数，基于所述第二预测光学参数和预计光学参数，按照所述线性关系，对细化网格进行第二迭代运算，以得到各个细化网格的第二预测光强变化量；

将所述第二预测光强变化量与探测光强变化量的偏离小于第二阈值时，对应的第二预测光学参数作为目标光学参数；

基于各个细化网格的目标光学参数以及未被细化的原始网格的预计光学参数，以得到近红外图像的血氧信息和层析图像的血氧信息；

将重建后的近红外图像和层析图像进行图像融合，以用于检测关注肌肉区域的血氧信息。

2.根据权利要求1所述的检测方法，其特征在于，根据各个网格的预计光学参数的大小，确定出关注网格具体包括：

对各个网格的预计光学参数进行比较，将预计光学参数大于或等于预设光学参数的网格作为关注网格，将预计光学参数小于预计光学参数的网格作为粗网格。

3.根据权利要求2所述的检测方法，其特征在于，确定关注网格的方法进一步具体包括：

获取各个网格与其各个相邻网格的预计光学参数的平均值；

将所述平均值与各个相邻网格中的最大预计光学参数进行比较，在所述平均值大于或等于最大预计光学参数的预设百分比的情况下，确定所述网格为关注网格。

4.根据权利要求1所述的检测方法，其特征在于，所述检测方法包括：

分别基于近红外数据采集设备和层析成像设备，获取受检者在执行静息态任务时关注肌肉区域的初始光强值，以及在执行目标任务后的关注肌肉区域的探测光强值，其中，受检者在执行目标任务之前执行静息态任务；

将所述探测光强值的代表值相对于初始光强值的代表值的偏离作为探测光强变化量。

5.根据权利要求1所述的检测方法，其特征在于，所述近红外数据采集设备中的光源和光探测器之间的间距大于第一预设距离；所述层析成像设备中的光源与光探测器之间的间距小于第二预设距离。

6.根据权利要求5所述的检测方法，其特征在于，所述近红外数据采集设备中的光源和光探测器之间的间距处于1-3cm之间；所述层析成像设备中的光源与光探测器之间的间距处于0.2-1.2mm之间。

7.根据权利要求1所述的检测方法，其特征在于，光学参数为吸收系数，或光学参数为吸收系数和散射系数。

8.根据权利要求1所述的检测方法，其特征在于，采用共轭梯度算法进行第一迭代运算，采用Landweber算法进行第二迭代运算。

9.一种用于检测神经肌肉的血氧信息的系统，其特征在于，所述系统包括接口和处理器，所述接口配置为：

分别基于近红外数据采集设备和层析成像设备，获取受检者在执行完目标任务前后的关注肌肉区域的探测光强变化量；

所述处理器配置为：

基于所述关注肌肉区域的生理结构，创建第一网格模型，以分别重建近红外图像和层析图像，包括：

获取第一网格模型的参考光强值变化量与参考光学参数变化量的线性关系，以及第一网格模型中各个网格的初始光学参数；

为各个网格赋予第一预测光学参数，基于所述第一预测光学参数和初始光学参数，按照所述线性关系，对各个网格进行第一迭代运算；

基于所述第一迭代运算，以得到各个网格的第一预测光强变化量；

将所述第一预测光强变化量与探测光强变化量的偏离小于第一阈值时，对应的第一预测光学参数作为预计光学参数；根据各个网格的预计光学参数的大小，确定出关注网格；

对各个所述关注网格进行细化，并为细化后的各个细化网格赋予第二预测光学参数，基于所述第二预测光学参数和预计光学参数，按照所述线性关系，对细化网格进行第二迭代运算，以得到各个细化网格的第二预测光强变化量；

将所述第二预测光强变化量与探测光强变化量的偏离小于第二阈值时，对应的第二预测光学参数作为目标光学参数；

基于各个细化网格的目标光学参数以及未被细化的原始网格的预计光学参数，以得到近红外图像的血氧血流信息和层析图像的血氧信息；

将重建后的近红外图像和层析图像进行图像融合，以用于检测关注肌肉区域的血氧信息。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行根据权利要求1-8任一项所述的用于检测神经肌肉的血氧信息的检测方法。