基于大脑血红蛋白信息的大脑功能状态评价装置
技术领域
本发明涉及大脑功能状态评价,特别是涉及大脑功能状态评价装置。
背景技术
脑血管疾病是影响中老年身心健康的主要疾病之一,而在脑血管疾病中最突出的正是脑卒中,又称“中风”。目前,脑卒中在我国的发展态势比较严重,每年新发脑卒中患者数量约150万人以上。此外脑卒中有着较高的致残率,根据最新报告显示,这些新发病的脑卒中患者,有75%丧失了劳动能力。这对患者和社会均带来了巨大影响。因此,为协助医师进行针对性的训练治疗,帮助患者康复,对患者运动功能的恢复进行客观评估成为一项重大而又紧迫的任务。
为了能够评估脑卒中评估患者运动功能的恢复情况,临床医学通常会通过评估量表例如Fugl-Meyer,Berg平衡量表以及Brunnstrom_6阶段评价法等对病人的恢复进行评分,其中以Fugl-Meyer评分最为常用和最为可靠。但是这些评分方法,包括Fugl-Meyer,仍然存在明显的缺点。例如要求患者积极配合,忽略躯干部位的运动评价,这些都需要花费医护人员大量的时间和精力,并且这些评分由工作人员评定,主观性较大。因此,亟待于提出一种科学客观的简单方法来评估患者运动功能的康复情况。
通过脑成像技术可以客观地记录患者的大脑活动。目前,应用最广的脑成像技术有Fmri,eeg,fnirs等。其中fMRI和PET等脑成像技术尽管有着很强的空间分辨率,但不支持肢体大幅度运动测试,对运动功能评价具有局限性;EEG技术尽管在时间分辨率上有很好的优势,但存在溯源问题,不利于定位严重受影响的脑功能区域。而fnirs近红外技术能够支持运动测试,对测试环境不敏感,而且便携灵活,有着相对于其他技术所没有的优势。因此应用先进的脑成像技术是科学客观地评估患者运动功能康复水平的关键一步。
通过对脑成像信号构建脑功能网络,可以科学地分析患者的康复水平。目前脑信号的分析方法多种多样,有通过分析脑区的正负激活来监测大脑活动和状态,有通过计算大脑功能性连接来监测脑区的联系,但是这些方法不能反应大脑的更深层次的内在运行机制,而通过构建脑功能网络的方法,其构建的模型,可以极大地逼近大脑活动的真实状态,从而能够有效严谨地分析大脑的受损及恢复程度,以此来评估患者运动能力的康复程度。因此,采用拓扑理论,对大脑构建功能网络,分析大脑活动状况,是科学客观评估患者运动功能康复水平的至关重要的一步。
发明内容
基于此,为解决上述技术问题,本发明提出了基于大脑血红蛋白信息的脑卒中患者运动功能康复水平的评估装置,以达到对处于不同康复水平的脑卒中患者进行评估,为实现更加现代化的智能康复医疗辅助手段奠定基础的目的。
一种大脑功能状态评价装置,包括:
大脑含氧血红蛋白浓度变化获取部,所述大脑含氧血红蛋白浓度变化获取部获取任务阶段中的脑卒中患者的大脑含氧血红蛋白浓度,其中,在所述任务阶段中,脑卒中患者按照指令完成指鼻和跟膝胫任务,所述大脑含氧血红蛋白浓度变化数据通过应用近红外光谱脑成像技术获取;
脑功能网络构建部,所述脑功能网络构建部针对所述大脑含氧血红蛋白浓度变化获取部获取的脑皮层血红蛋白浓度,以含氧血红蛋白作为分析参数估计大脑功能性连接,并以此构建脑功能网络;
典型特征获取部,所述典型特征获取部计算所述脑功能网络构建部构建的脑功能网络的网络拓扑参数,结合各脑区间的小波相干系数作为原始特征空间,采用过滤式和协同包裹式的特征选择方法,对原始特征空间进行筛选,获取最终典型特征;以及
评估模型建立部,所述评估模型建立部采用支持向量回归机的机器学习算法,对所述典型特征获取部获取的最终典型特征进行拟合,建立脑卒中患者康复水平的评估模型。
上述基于大脑血红蛋白信息的大脑功能状态评价装置,基于大脑信息评估患者运动能力,装置具有创新性,基于提出的评估方法患者仅需要做几次相应的动作即可给出评估结果,操作简便,避免量表评分过程中的主观因素。
在另外的一个实施例中,在“脑卒中患者按照指令完成指鼻和跟膝胫任务”中,上肢执行指鼻动作任务,下肢执行跟膝胫动作任务,无论上下肢,健患侧各执行相应任务4遍,两次任务之间的休息时间为30秒。
在另外的一个实施例中,在“所述脑功能网络构建部针对所述大脑含氧血红蛋白浓度变化获取部获取的脑皮层血红蛋白浓度,以含氧血红蛋白作为分析参数估计大脑功能性连接,并以此构建脑功能网络”中,评估大脑功能连接时,采用小波相干一致性的分析方法,计算各大脑功能区间的相干性,以相干系数评估大脑功能性连接。
在另外的一个实施例中,在“所述脑功能网络构建部针对所述大脑含氧血红蛋白浓度变化获取部获取的脑皮层血红蛋白浓度,以含氧血红蛋白作为分析参数估计大脑功能性连接,并以此构建脑功能网络”中,构建脑功能网络时,计算功能网络的网络参数,所述网络参数包括平均节点度、网络密度和集群系数。
在另外的一个实施例中,在“典型特征获取部,所述典型特征获取部计算所述脑功能网络构建部构建的脑功能网络的网络拓扑参数,结合各脑区间的小波相干系数作为原始特征空间,采用过滤式和协同包裹式的特征选择方法,对原始特征空间进行筛选,获取最终典型特征;”中,分别对比不同脑区间的网络参数,计算各个脑区间网络参数的数字特征值,所述数字特征值包括协方差、均方误差和均值;基于“在“所述脑功能网络构建部针对所述大脑含氧血红蛋白浓度变化获取部获取的脑皮层血红蛋白浓度,以含氧血红蛋白作为分析参数估计大脑功能性连接,并以此构建脑功能网络”中,评估大脑功能连接时,采用小波相干一致性的分析方法,计算各大脑功能区间的相干性,以相干系数评估大脑功能性连接。”中计算所得的各个脑区间相干系数,计算相应的均值、方差和变异系数;将网络参数和相干系数结合作为特征空间。
在另外的一个实施例中,在“典型特征获取部,所述典型特征获取部计算所述脑功能网络构建部构建的脑功能网络的网络拓扑参数,结合各脑区间的小波相干系数作为原始特征空间,采用过滤式和协同包裹式的特征选择方法,对原始特征空间进行筛选,获取最终典型特征;”中,在采用特征选择方法对原始特征空间进行筛选时,首先采用过滤式的特征选择方法,对特征空间进行初步筛选;其次,进一步采用包裹式的特征选择方法,从初步特征中挑选出典型特征作为最终特征。
在另外的一个实施例中,所述过滤式的特征选择方法是相关系数法。
在另外的一个实施例中,所述包裹式的特征选择方法是遗传算法。
附图说明
图1为本申请实施例提供的一种大脑功能状态评价装置的结构示意图。
图2为本申请实施例提供的一种大脑功能状态评价装置中的遗传算法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参阅图1,一种大脑功能状态评价装置,包括:
大脑含氧血红蛋白浓度变化获取部100,所述大脑含氧血红蛋白浓度变化获取部获取任务阶段中的脑卒中患者的大脑含氧血红蛋白浓度,其中,在所述任务阶段中,脑卒中患者按照指令完成指鼻和跟膝胫任务,所述大脑含氧血红蛋白浓度变化数据通过应用近红外光谱脑成像技术获取;
脑功能网络构建部200,所述脑功能网络构建部针对所述大脑含氧血红蛋白浓度变化获取部获取的脑皮层血红蛋白浓度,以含氧血红蛋白作为分析参数估计大脑功能性连接,并以此构建脑功能网络;
典型特征获取部300,所述典型特征获取部计算所述脑功能网络构建部构建的脑功能网络的网络拓扑参数,结合各脑区间的小波相干系数作为原始特征空间,采用过滤式和协同包裹式的特征选择方法,对原始特征空间进行筛选,获取最终典型特征;以及
评估模型建立部400,所述评估模型建立部采用支持向量回归机的机器学习算法,对所述典型特征获取部获取的最终典型特征进行拟合,建立脑卒中患者康复水平的评估模型。
采用机器学习算法时,采用支持向量回归机的机器学习方法,对典型特征获取部)所得的特征,进行学习拟合,并建立评估模型。
具体地,支持向量回归机,对于给定训练样本D={(x1,y1),(x2,y2),...,(xm,ym)}希望得到以下的式子来对样本进行拟合:
f(x)=ωTx+b
可以将上述问题转化为以下问题:
引入拉格朗日乘子,可得到其对偶问题为:
求解拉格朗日乘子,就可以求出偏置
则最终拟合曲线为:
可以理解,大脑含氧血红蛋白浓度变化获取部、脑功能网络构建部和典型特征获取部、评估模型建立部等部件可以以硬件方式实现。本领域技术人员应理解如何通过硬件(例如分立硬件元件、集成电路、基于门器件的数字电路、模拟电路元器件、可编程硬件器件(例如单片机、FPGA等)以及以上的任意组合构成的电路系统等)来实现上述各部件。
上述基于大脑血红蛋白信息的大脑功能状态评价装置,基于大脑信息评估患者运动能力,装置具有创新性,基于提出的评估装置患者仅需要做几次相应的动作即可给出评估结果,操作简便,避免量表评分过程中的主观因素。
在另外的一个实施例中,在“脑卒中患者按照指令完成指鼻和跟膝胫任务”中,上肢执行指鼻动作任务,下肢执行跟膝胫动作任务,无论上下肢,健患侧各执行相应任务4遍,两次任务之间的休息时间为30秒。
在另外的一个实施例中,在“所述脑功能网络构建部针对所述大脑含氧血红蛋白浓度变化获取部获取的脑皮层血红蛋白浓度,以含氧血红蛋白作为分析参数估计大脑功能性连接,并以此构建脑功能网络”中,评估大脑功能连接时,采用小波相干一致性的分析方法,计算各大脑功能区间的相干性,以相干系数评估大脑功能性连接。
具体地,预处理时,采用数学形态学滤波的方法,进行原始信号的基线校正,再采用滑动平均平滑法,去除信号中的高频成分;
定义输入序列f(n)和结构元素k(m)。
定义腐蚀运算:
定义膨胀运算:
定义形态开运算:
定义形态闭运算:
基线校正后信号f校:
f校=f0-(f0οk+f0·k)/2
其中f0为原始信号。
再对f校信号进行平滑,得到预处理后的信号fpreprocess:
fpreprocess=smooth(f校)
其中smooth(·)是滑动平均算子。
评估大脑功能链接时,采用小波相干一致性的方法,计算中心频率0.04Hz处的各大脑功能区间的相干性,以相干性值来评估大脑功能性连接;
定义Morlet小波:
定义连续小波变换:
对xn做离散傅里叶变换,根据卷积理论,可得:
其中角频率定义如下:
定义在时间上的平滑操作Stime:
定义在尺度上的平滑操作Sscale:
定义平滑器:
S(W)=Sscale(Stime(Wn(s)))
定义交叉谱:
小波相干系数:
在另外的一个实施例中,在“所述脑功能网络构建部针对所述大脑含氧血红蛋白浓度变化获取部获取的脑皮层血红蛋白浓度,以含氧血红蛋白作为分析参数估计大脑功能性连接,并以此构建脑功能网络”中,构建脑功能网络时,计算功能网络的网络参数,所述网络参数包括平均节点度、网络密度和集群系数。
具体地,构建脑功能网络时,根据大脑功能性连接强弱,设立阈值,基于阈值获得邻接矩阵,基于邻接矩阵的数值计算功能网络的网络参数,如平均节点度、网络密度和集群系数等;
计算邻接矩阵:
其中R(i,j)由步骤(2-2)中计算出的通道i与通道j的小波相干值,T设定的阈值。
根据邻接矩阵即构建脑功能网络,从而计算以下三种脑功能网络参数:定义N为网络中节点的个数,当T值一定时,他们的计算公式如下。平均节点度:
Ki表示在每个节点i的度值。
网络密度:
集群系数:
节点i的集群系数:
ei表示节点i的相邻节点的个数
网络的集群系数
在另外的一个实施例中,在“典型特征获取部,所述典型特征获取部计算所述脑功能网络构建部构建的脑功能网络的网络拓扑参数,结合各脑区间的小波相干系数作为原始特征空间,采用过滤式和协同包裹式的特征选择方法,对原始特征空间进行筛选,获取最终典型特征;”中,分别对比不同脑区间的网络参数,计算各个脑区间网络参数的数字特征值,所述数字特征值包括协方差、均方误差和均值;基于“在“所述脑功能网络构建部针对所述大脑含氧血红蛋白浓度变化获取部获取的脑皮层血红蛋白浓度,以含氧血红蛋白作为分析参数估计大脑功能性连接,并以此构建脑功能网络”中,评估大脑功能连接时,采用小波相干一致性的分析方法,计算各大脑功能区间的相干性,以相干系数评估大脑功能性连接。”中计算所得的各个脑区间相干系数,计算相应的均值、方差和变异系数;将网络参数和相干系数结合作为特征空间。
计算参数变化曲线间的数字特征以及各脑区间的小波相干值时,分别对比不同脑区间的网络参数变化曲线和健侧任务和患侧任务间的网络参数变化曲线,计算变化曲线间的协方差,均方误差,波动程度,均值等数字特征值,作为特征空间。除此以外,将(2-1)计算所得的各脑区间的相干值,以及这些相干值的均值,方差和变异系数,也加入特征空间中;
计算以下曲线间参数
协方差:
均方根误差:
均值:
波动程度:
在另外的一个实施例中,在“典型特征获取部,所述典型特征获取部计算所述脑功能网络构建部构建的脑功能网络的网络拓扑参数,结合各脑区间的小波相干系数作为原始特征空间,采用过滤式和协同包裹式的特征选择方法,对原始特征空间进行筛选,获取最终典型特征;”中,在采用特征选择方法对原始特征空间进行筛选时,首先采用过滤式的特征选择方法,对特征空间进行初步筛选;其次,进一步采用包裹式的特征选择方法,从初步特征中挑选出典型特征作为最终特征。
在另外的一个实施例中,所述过滤式的特征选择方法是相关系数法。
具体地,假设,样本集D={(x1,y1),(x2,y2),...,(xm,ym)},其中为xi特征空间,yi为真实值
定义皮尔森相关系数算子Peason(·),计算特征空中的每一列特征与真实值的皮尔森想相关系数的平方r2:
r2(i)=Peason(xi,y)2
对r2进行排序,取最大的25个r2对应的特征作为初步特征。
在另外的一个实施例中,所述包裹式的特征选择方法是遗传算法。
遗传算法的具体步骤,可以参考图2。
本发明采用小波相干一致性的分析方法,可以分中心频段分析节点之间的相关性,有利于关注各个神经活动频段以及生理活跃频段下的脑区关联程度。
本发明采用复杂网络的分析方法,从节点之间数据传输能力以及工作效率的角度分析大脑各个部位之间的协作效应,有利于找出反应大脑工作状态的参数指标。
本发明采用支持向量回归机的算法,可以根据特征参数的信息建立最优的回归模型,从而提高判别大脑状态的精度。
本发明基于大脑信息评估患者运动能力,装置具有创新性,基于提出的评估装置患者仅需要做几次相应的动作即可给出评估结果,操作简便,避免量表评分过程中的主观因素。
本发明应用近红外光谱脑成像技术进行测试实验,其操作简便,对外部环境的要求不高,对环境噪音的敏感度低,而且不会对受试者产生任何负作用。整个测试过程中患者在自然环境下完成指鼻和跟膝胫动作任务,由此得出的分析结果更有利于评估患者的康复水平。
以上所述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。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。