CN102488965B - 一种功能性电刺激控制方法 - Google Patents

Abstract

本发明公开了一种功能性电刺激控制方法，采集功能性电刺激下的膝关节角度以及目标肌肉的超声肌肉图像；将膝关节角度作为反馈，采集相同角度下的自主收缩的肌肉图像；对自主收缩的肌肉图像进行频域滤波，利用交叉相关方法提取第一组肌肉厚度参数；对功能性电刺激诱发收缩下的肌肉图像进行频域滤波，利用交叉相关方法提取第二组肌肉厚度参数；根据第二组肌肉厚度参数和第一组肌肉厚度参数获取受试者的九个比值厚度特征参数；采用逐步筛选的多元线性回归方法对受试者的九个比值厚度特征参数进行分析，提取主要影响因素；将主要影响因素作为自变量，建立与比值厚度特征参数的回归方程，通过调节主要影响因素的取值从而对比值厚度特征参数进行调整。

Description

一种功能性电刺激控制方法

技术领域

本发明涉及残疾人康复治疗指导控制领域，特别涉及一种功能性电刺激控制方法。

背景技术

近年来，脊髓损伤以及中风等脑血管病导致瘫痪的发病率呈显著上升趋势，不但给个人和家庭都带来较大的负担，也成为日益沉重的社会问题。2011年我国召开的国务院常务会议指出，力争到2015年，使我国残疾人生活总体达到小康，参与和发展状况显著改善，初步实现残疾人人人享有康复服务目标。

肢体功能重建是对截瘫患者进行康复治疗时关注的一个重点与难点，这关系到其日常生活活动能力和生活质量的提高问题。目前在截瘫患者行走能力恢复方面，FES(Functional electrical stimulation，功能性电刺激)被普遍认为是一种比较有效的临床工具。FES是利用某种特定的电流(电压)信号刺激易兴奋的肌肉、组织或器官，以改善其肌肉性能、恢复或重建由神经损伤而丧失的肢体活动功能的技术。20世纪60年代，Liberson首次成功地利用电刺激腓神经矫正了偏瘫患者足下垂的步态，开创了功能性电刺激用于运动和感觉功能康复治疗的新途径。

在FES中，利用神经细胞对电刺激的响应来传递外加的人工控制信号，通过外电流的作用，神经细胞能产生一个与自然激发引起的动作电位相似的神经冲动，使其支配的肌肉纤维产生收缩，从而获得运动的效果。

发明人在实现本发明的过程中发现现有技术中至少存在以下的缺点和不足：

随着了解的不断深入，FES已被应用到康复的许多领域，但是与其广阔的应用前景相比，很多新的FES技术还只局限于实验室阶段，临床应用的FES刺激模式以及达到的效果都非常有限，其原因之一就是对于FES作用的机理方面的研究还有所欠缺。细胞水平的解释只能说明FES刺激肌肉收缩产生运动的原因，却不能在宏观上说明在FES刺激下目标肌肉的功能活动和状态，不能直观地反映肌肉状态的缺点，严重限制了它的应用。

发明内容

本发明提供了一种功能性电刺激控制方法，该方法直观的反映出肌肉的状态，扩大了应用的范围，详见下文描述：

一种功能性电刺激控制方法，所述方法包括以下步骤：

(1)采集功能性电刺激下的膝关节角度以及目标肌肉的超声肌肉图像；

(2)将所述膝关节角度作为反馈，采集相同角度下的自主收缩的肌肉图像；

(3)对所述自主收缩的肌肉图像进行频域滤波，利用交叉相关方法提取第一组肌肉厚度参数；

(4)对所述目标肌肉的超声肌肉图像进行频域滤波，利用所述交叉相关方法提取第二组肌肉厚度参数；

(5)根据所述第二组肌肉厚度参数和所述第一组肌肉厚度参数获取受试者的九个比值厚度特征参数；

(6)采用逐步筛选的多元线性回归方法对所述受试者的九个比值厚度特征参数进行分析，提取主要影响因素；

(7)将所述主要影响因素作为自变量，建立与所述九个比值厚度特征参数的回归方程，通过调节所述主要影响因素的比值从而对所述九个比值厚度特征参数进行调整。

所述对所述自主收缩的肌肉图像进行频域滤波，利用交叉相关方法提取第一组肌肉厚度参数具体为：

1)对所得的所有所述自主收缩的肌肉图像进行频域滤波处理，获取多幅处理后自主收缩的肌肉图像；

2)在所述多幅处理后自主收缩的肌肉图像中手动选择第一幅肌肉图像的三个像素矩阵；

3)通过所述交叉相关方法对第t(t＞1)幅肌肉图像的三个像素矩阵与第一幅肌肉图像的三个像素矩阵做相关，获取第t幅与第一幅的三个边界的最大相关区域；

4)根据三个最大相关区域获得第一组的九个肌肉厚度参数。

所述对所述目标肌肉的超声肌肉图像进行频域滤波，利用所述交叉相关方法提取第二组肌肉厚度参数具体为：

1)对所述目标肌肉的超声肌肉图像进行频域滤波处理，获取多幅处理后目标肌肉的超声肌肉图像；

2)在所述多幅处理后目标肌肉的超声肌肉图像中手动选择预设第一幅肌肉图像的三个像素矩阵；

3)通过所述交叉相关方法对第t(t＞1)幅肌肉图像的三个像素矩阵与第一幅肌肉图像的三个像素矩阵做相关，获取第t幅与第一幅的三个边界的最大相关区域；

4)根据三个最大相关区域获得第二组的九个肌肉厚度参数。

所述根据所述第二组肌肉厚度参数和所述第一组肌肉厚度参数获取受试者的九个比值厚度特征参数具体为：

1)计算基值部分刺激强度下的肌肉厚度的均值为1个周期内的基值；计算峰值部分偏离基值的最大距离记为1个周期内的峰值；计算峰值部分偏离基值的平方和的根值记为1个周期内的能量值；

2)将所述第二组肌肉厚度参数和所述第一组肌肉厚度参数相对的逐个做比值，获取每个周期下肌肉厚度的基值、峰值和能量的变化，并对8个周期的结果求均值，获取所述受试者的九个比值厚度特征参数。

所述影响因素具体包括：

性别、刺激强度、自主状态下股直肌和股中间肌肌肉厚度比例、第一个下临界强度下股直肌厚度与自主收缩对应角度下的厚度比、第一个下临界强度下股中间肌厚度与自主收缩对应角度下的厚度比、股直肌在8个刺激周期下肌肉厚度的斜率、股中间肌在8个刺激周期下肌肉厚度的斜率。

本发明提供的技术方案的有益效果是：

本发明提供了一种功能性电刺激控制方法，本发明同时采集功能性电刺激下目标肌肉的超声图像和关节角度，将关节角度作为反馈，采集相同角度下自主收缩的肌肉图像，对比相同角度下功能性电刺激诱发与自主运动产生的肌肉厚度信息的不同，采用逐步筛选的多元线性回归方法提取产生这种不同的主要影响因素，从而为截瘫等瘫痪患者的功能性电刺激下肌肉的功能状态向自主运动的正常状态回归提供一定的指导和控制；本发明具有较高的精度，图像信息与肌电信号及其干扰没有直接的联系，所以图像信息的干扰和噪声相对而言，远小于脑电肌电等电信号；该项发明可有效地提高FES系统准确性和稳定性，并获得可观的社会效益和经济效益。

附图说明

图1为本发明提供的实验的结构示意图；

图2为本发明提供的一种功能性电刺激控制方法的流程图；

图3为本发明提供的第一幅图像上3个10×40像素矩阵的示意图；

图4为本发明提供的第t幅图像交叉相关结果的示意图；

图5为本发明提供的影响因素的示意图；

图6为本发明提供的等角收缩比值厚度特征参数主因素分析结果图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

为了直观的反映出肌肉的状态，扩大应用的范围，参见图1和图2，本发明实施例提供了一种功能性电刺激控制方法，详见下文描述：

骨骼肌的收缩、舒张活动和状态是人体各种运动的基础，肢体运动主要是由骨骼肌产生舒张和长度缩短的机械性反应即动力来完成的，骨骼肌的结构是其功能活动的首要决定因素。所以，要想利用FES达成骨骼肌功能重建以完成特定动作甚至运动的目的，并使其得到快速发展和广泛应用，就必然需要对FES作用下骨骼肌的结构及其功能活动与状态的机理进行更深入的探究。

sEMG(surface electromyography，表面肌电信号)是反应肌肉活动的电生理参数，是当前用来评价肌肉活动信息的最常用的方法，已经广泛的应用于假肢的开关控制，尽管sEMG具有简单、无损、实时性好等优点，但是其难分析、易受干扰，尤其是很难区分目标肌肉的周边及深层肌肉影响的缺点严重限制了sEMG的进一步发展及应用。由肌肉收缩产生的机械力学信息也能在一定水平上反应肌肉的收缩状态，如关节角度、角加速度、力矩等，并可作为控制信号控制假肢或FES系统。近年来，超声功能成像逐渐引起了医学康复领域的极大兴趣，并且在研究肌肉功能和状态方面获得了成功的应用。

101：采集功能性电刺激下的膝关节角度以及目标肌肉的超声肌肉图像；

其中，该步骤具体为：角度探测器固定于膝关节，FES电极固定于股直肌两段肌腱处。在股直肌肌腹处涂抹超声耦合剂，将超声探头固定于股直肌肌腹处，保持探头平面与下肢径向垂直。FES下肌肉形态及活动研究的实验步骤为：刺激强度从1级逐渐增加，每个强度持续4s，直至膝关节伸直为止。将膝关节开始运动的强度记为下临界强度，将膝关节伸直时的强度记为上临界强度，将下-上-下临界强度的变化作为一个FES周期。从第1级开始记录每个等级的膝关节角度，并在第一个下临界强度开始采集肌肉图像。在每个强度的第3s采集超声肌肉图像，持续8个周期。由于股四头肌系统中股直肌和股中间肌具有一定的交叠性，所以实验可以同时采集RF(rectus femoris，股直肌)和VI(vastus intermedius，股中间肌)的图像信息。

102：将膝关节角度作为反馈，采集相同角度下的自主收缩的肌肉图像；

103：对自主收缩的肌肉图像进行频域滤波，利用交叉相关方法提取第一组肌肉厚度参数；

其中，由于肌肉的边界轮廓属于低频成分，而噪声和细节属于高频成分，所以对自主收缩的肌肉图像进行频域滤波，只保留自主收缩的肌肉图像的低频轮廓信息，为后续提取第一组肌肉厚度参数提供保证和前提。

其中，第一组肌肉厚度参数提取方法为交叉相关方法。在自然界或人类社会中，如果变量之间具有相随变动的关系，则称变量之间相关(correlation)。对于一维信号，交叉相关方法是用于评价两列数的相关性的标准方法。假设存在两列数x和y，i＝0，1，2…N-1，N的取值为正整数，则两列数关于延迟为d的相关系数r(d)如下公式所示：

$r\left(d\right)=\frac{{\mathrm{\Σ}}_{i=0}^{N-1}\left[(x\left(i\right)-\mathrm{mx})(y(i-d)-\mathrm{my})\right]}{\sqrt{{\mathrm{\Σ}}_{i=0}^{N-1}{(x\left(i\right)-\mathrm{mx})}^2}\sqrt{{\mathrm{\Σ}}_{i=0}^N{(y(i-d)-\mathrm{my})}^2}}$

其中，mx，my分别为两列数的均值，r(d)的取值范围为[-1，1]。r(d)＝0，表示两列数不相关；r(d)＝-1，表示两列数呈最大负相关；r(d)＝1，表示两列数呈最大正相关。

一维信号的交叉相关方法在二维图像中拓展，可以用于图像中边界特征的识别和提取。先取第一幅图像的一个边界区域像素矩阵mark1，大小为m×n。先按照第一幅图像里边界区域矩阵mark1的位置在第二幅图像里找到边界区域矩阵mark2，然后按照向量(m，n)对边界区域矩阵mark2进行移动，然后对mark1和mark2做交叉相关，如下公式所示：

$r(m,n)=\frac{{\mathrm{\Σ}}_{i=0}^{M-1}{\mathrm{\Σ}}_{j=0}^{N-1}\left[(x(i,j)-\mathrm{mx})(y(i-m,j-n)-\mathrm{my})\right]}{\sqrt{{\mathrm{\Σ}}_{i=0}^{M-1}{\mathrm{\Σ}}_{j=0}^{N-1}{(x(i,j)-\mathrm{mx})}^2}\sqrt{{\mathrm{\Σ}}_{i=0}^{M-1}{\mathrm{\Σ}}_{i=0}^{N-1}{(y(i-d)-\mathrm{my})}^2}}$

得到的r(m，n)即为交叉相关结果，当交叉相关结果最大时mark2所在的位置即为mark1移动后的位置，M和N的取值为正整数。

其中，对自主收缩的肌肉图像进行频域滤波，利用交叉相关方法提取第一组肌肉厚度参数具体为：

1)对所得的所有自主收缩的肌肉图像进行频域滤波处理，获取多幅处理后自主收缩的肌肉图像；

2)在多幅处理后自主收缩的肌肉图像中手动选择第一幅肌肉图像的三个像素矩阵；

其中，参见图3和图4，该步骤具体为：受试者对一次实验所得的所有肌肉超声图像经过频域滤波预处理后，在第一图像中手动选择3个10×40像素矩阵，分别位于皮肤与股直肌边界、股直肌与股中间肌边界和股中间肌与股骨边界。

3)通过交叉相关方法对第t(t＞1)幅肌肉图像的三个像素矩阵与第一幅肌肉图像的三个像素矩阵做相关，获取第t幅与第一幅的三个边界的最大相关区域；

该步骤具体为：第t幅处理后自主收缩的肌肉图像的第1个像素矩阵在图像上按照向量(m₁，n₁)移动，其中m₁∈[-10，9]，n₁∈[-10，9]，计算第1幅第1个像素矩阵与第t幅图像第1个像素矩阵的400个交叉相关值，寻找最大相关值r_max1对应的移动向量(m_max1，n_max1)，则m_max1即为第t幅图像相对于第1幅图像的厚度移动量；第2个像素矩阵在图像上按照向量(m₂，n₂)移动，其中m₂∈[-30，19]，n₂∈[-40，39]；第3个像素矩阵在图像上按照向量(m₃，n₃)移动，其中m₃∈[-20，39]，n₃∈[-10，19]，其中，第2个像素矩阵和第3个像素矩阵计算肌肉厚度的方法与第1个像素矩阵相同。按交叉相关方法寻找第t幅图像与第1幅的最大相关区域，得到结果如图4所示。

4)根据三个最大相关区域获得第一组的九个肌肉厚度参数。

其中，根据三个最大相关区域可以两两计算得到三个肌肉厚度，每个肌肉厚度可以按照说明得到三个特征，所以可以获得第一组的九个肌肉厚度参数。最终在第t幅图像上得到三个新的10×40像素矩阵，提取每个矩阵的左上角点的横坐标值，记为x1，x2和x3，x2-x1-10即为股直肌厚度RF，x3-x2-10为股中间肌厚度VI，x3-x1-10即为总厚度RFVI。

104：对目标肌肉的超声肌肉图像进行频域滤波，利用交叉相关方法提取第二组肌肉厚度参数；

其中，该步骤具体为：

1)对所得的所有目标肌肉的超声肌肉图像进行频域滤波处理，获取多幅处理后目标肌肉的超声肌肉图像；

2)在多幅处理后目标肌肉的超声肌肉图像中手动选择第一幅肌肉图像的三个像素矩阵；

3)通过交叉相关方法对第t(t＞1)幅肌肉图像的三个像素矩阵与第一幅肌肉图像的三个像素矩阵做相关，获取第t幅与第一幅的三个边界的最大相关区域；

4)根据三个最大相关区域获得第二组的九个肌肉厚度参数。

其中，根据三个最大相关区域可以两两计算得到三个肌肉厚度，每个肌肉厚度可以按照说明得到三个特征，所以可以获得第二组的九个肌肉厚度参数。

在此对步骤104不做详细介绍，参见步骤103。

105：根据第二组肌肉厚度参数和第一组肌肉厚度参数获取受试者的九个比值厚度特征参数；

每位受试者等角收缩实验有8个周期。先分析1个周期内FES诱发的和自主运动的股直肌、股中间肌厚度和总厚度的变化。FES强度从下临界强度开始上升初期，股直肌、股中间肌厚度和总厚度并没有明显的变化；随后刺激强度的上升，肌肉厚度出现明显的变化，到达上临界强度后，刺激强度开始下降；当下降到一定强度后，肌肉厚度再次趋向平稳，最后到下临界等级，一个刺激周期结束。

以股直肌为例，计算1个周期内股直肌肌肉厚度的最小值d_rf min和最大值d_rf max，计算两者的差d_rfe＝d_rf max-d_rf min，取阈值d_rfthr＝d_rfe×10％。随着刺激强度的增强，至下一个刺激强度产生的股直肌厚度d_i+1对上一厚度d_i的变化大于阈值，刺激强度到达上临界强度后开始下降，至下一个刺激强度产生的股直肌厚度d_t+1对上一厚度d_t的变化大于阈值。记[1，i-1]∪[t+2，8]为基值部分，记[i，t+1]为峰值部分。

其中，该步骤具体包括：

1)计算基值部分刺激强度下的肌肉厚度的均值为1个周期内的基值，记为m；计算峰值部分偏离基值的最大距离记为1个周期内的峰值，记为p；计算峰值部分偏离基值的平方和的根值记为1个周期内的能量值，记为e；

基值的意义在于每个电刺激诱发的收缩周期或自主收缩周期起始时肌肉的准备状态及结束状态，是平稳状态和未活动状态；峰值的意义在于每个电刺激周期或自主收缩周期中肌肉最剧烈的活动状态；能量值的意义在于每个电刺激周期或自主收缩周期内肌肉活动相对于未活动状态的能量。

2)将第二组肌肉厚度参数和第一组肌肉厚度参数相对的逐个做比值，获取每个周期下肌肉厚度的基值、峰值和能量的变化，并对8个周期的结果求均值，获取受试者的九个比值厚度特征参数。

将得到的均值记为该受试者的比值厚度特征参数，该特征参数是基于等角收缩状态下FES诱发与自主运动肌肉厚度参数比值的。如果数值的绝对值大于1，则FES相对于自主运动肌肉厚度增加，反之减小；如果数值为正，则FES相对于自主运动肌肉厚度变动趋势相同，反之相反。如果数值t∈(-∞，-1)，则数值所表示的肌肉特征呈反向增加趋势；如果数值t∈(-1，0)，则表示肌肉特征呈反向减小趋势；如果数值t∈(0，1)，则表示肌肉特征呈同向减小趋势；如果数值t∈(1，+∞)，则表示肌肉特征呈同向增强趋势。依照上述方法，可以计算出8名受试者的比值厚度特征参数。

106：采用逐步筛选的多元线性回归方法对受试者的九个比值厚度特征参数进行分析，提取主要影响因素；

其中，与自主运动相比，FES下的不同受试者的股直肌、股中间肌及总厚度的肌肉特征出现了明显的个体差异性。考虑造成这种现象的原因，本发明实施例从受试者的性别、达到上临界等级的刺激强度以及股直肌和股中间肌的构成情况加以分析，如图5所示，下面对影响因素进行说明：

(a)性别(gender，G)：定义男性受试者为1，女性受试者为0；

(b)刺激强度(stimulate intensity，SI)：以每位受试者的最高刺激强度定义；

(c)RF、VI初始肌肉厚度比例(initial ratio，IR)：自主状态下股直肌和股中间肌肌肉厚度比例；

(d)RF激活度(RF activation，RFA)：第一个下临界强度下股直肌厚度与自主收缩对应角度下的厚度比；VIA定义为第一个下临界强度下股中间肌厚度与自主收缩对应角度下的厚度比；

(e)RF易疲劳度(RF fatigue，RFF)：股直肌在8个刺激周期下肌肉厚度的斜率，斜率越大，易疲劳度越大；VIF定义为股中间肌在8个刺激周期下肌肉厚度的斜率，斜率越大，易疲劳度越大。

其中性别和RF、VI初始肌肉厚度比例属于受试者的内在因素，刺激强度属于外在因素，RF、VI关于FES的激活度和疲劳度属于内、外在因素共同作用的因素。

在实际生活中，某种现象的发生与某种结果的得出往往与其他某个或某些因素有关，但这种关系又不是确定的，只是从数据上可以看出有“有关”的趋势。回归分析(regression analysis)就是用来研究两种或两种以上变数间相互依赖的定量关系的一种统计分析方法，运用十分广泛。

当所研究的问题涉及较多的自变量时，很难想象事先选定的全部自变量对因变量的影响都有显著性意义；也不敢保证全部自变量之间是相互独立的。回归分析可以进行因素分析，从影响变量变化的因素变量中寻找哪些因素对因变量的影响最为显著，哪些不显著，以区别主要因素和次要因素。换句话说，在建立多元线性回归方程时，需要根据各自变量对因变量的贡献大小进行变量筛选，剔除那些贡献小和与其他自变量有密切关系的自变量、发现那些对回归方程有很坏影响的观测点，从而求出精练的、稳定的回归方程。对于多元线性模型而言，可以有如下3中变量优化的方法：向前选择法、向后消去法和逐步筛选法。

本发明实施例选取逐步筛选法，此法是向前选择法和向后消去法的结合。模型中的变量从无到有像向前选择法那样，根据F统计量按进入模型的显著性水平决定该变量是否入选；当模型选入变量后，又像向后消去法那样，根据F统计量按显著性水平剔除各不显著的变量，依次类推。这样直到没有变量可入选，也没有变量可剔除或入选变量就是刚剔除的变量，则停止逐步筛选过程。逐步筛选法比向前选择法和向后消去法都能更好地在模型中选出变量。

依照逐步筛选的多元线性主因素分析方法，对9个比值厚度特征参数进行主因素分析，得到结果如表1和图6所示，其中，R是相关系数，表征回归方程的优度系数，R方表征筛选后输入对特征参数的决定系数，Sig是回归方程的显著性水平，F是回归方程中的效果值。

表1等角收缩比值厚度特征参数主因素分析结果

由结果可以看出：在达到相同膝关节角度的效果下，FES诱发运动与自主收缩运动所产生的肌肉形态是有所不同的，利用逐步筛选的多元线性回归方法可以得到影响这种不同的主要因素，还可以建立比值特征与主因素的线性模型关系。尤其是活动准备阶段的肌肉厚度以及整个过程能量的线性回归模型效果非常显著(Sig＜0.01)。肌肉活动阶段的肌肉厚度与主因素建立线性模型回归效果也比较显著(Sig＜0.05)。在实际截瘫患者康复中，可以调节影响比值厚度特征的主因素，使得FES下的肌肉形态及活动向着产生相同效果自主收缩的肌肉形态活动回归。

107：将主要影响因素作为自变量，建立与九个比值厚度特征参数的回归方程，通过调节主要影响因素的比值从而对九个比值厚度特征参数进行调整。

例如：以股直肌基值RFm为例，经过主因素分析，得到其主要影响因素为RFA，且建立回归方程的显著性水平为0，表明回归方程非常显著，通过统计分析软件SPSS得到回归系数B＝1.075，以建立RFm关于RFA的回归方程：RFm＝1.075RFA。则在临床康复中，如果RFm＞1，则应调低RFA，临床建议是提高两次FES刺激的时间间隔；如果RFm＜1，则应调高RFA，临床建议是对患者采用低强度的FES加以辅助。

综上所述，本发明实施例提供了一种功能性电刺激控制方法，本发明实施例同时采集功能性电刺激下目标肌肉的超声图像和关节角度，将关节角度作为反馈，采集相同角度下自主收缩的肌肉图像，对比相同角度下功能性电刺激诱发与自主运动产生的肌肉厚度信息的不同，采用逐步筛选的多元线性回归方法提取产生这种不同的主要影响因素，从而为截瘫等瘫痪患者的功能性电刺激下肌肉的功能状态向自主运动的正常状态回归提供一定的指导和控制；本发明实施例具有较高的精度，图像信息与肌电信号及其干扰没有直接的联系，所以图像信息的干扰和噪声相对而言，远小于脑电肌电等电信号；可有效地提高FES系统准确性和稳定性，并获得可观的社会效益和经济效益。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种功能性电刺激控制方法，其特征在于，所述方法包括以下步骤：

(1)采集功能性电刺激下的膝关节角度以及目标肌肉的超声肌肉图像；

(2)将所述膝关节角度作为反馈，采集相同角度下的自主收缩的肌肉图像；

(3)对所述自主收缩的肌肉图像进行频域滤波，利用交叉相关方法提取第一组肌肉厚度参数；

(4)对所述目标肌肉的超声肌肉图像进行频域滤波，利用所述交叉相关方法提取第二组肌肉厚度参数；

(5)根据所述第二组肌肉厚度参数和所述第一组肌肉厚度参数获取受试者的九个比值厚度特征参数；

(6)采用逐步筛选的多元线性回归方法对所述受试者的九个比值厚度特征参数进行分析，提取主要影响因素；

(7)将所述主要影响因素作为自变量，建立与所述九个比值厚度特征参数的回归方程，通过调节所述主要影响因素的比值从而对所述九个比值厚度特征参数进行调整；

其中，九个比值厚度特征参数是指：对股直肌厚度、股中间肌厚度，以及总厚度分别计算基值部分刺激强度下的肌肉厚度的均值为1个周期内的基值；计算峰值部分偏离基值的最大距离记为1个周期内的峰值；计算峰值部分偏离基值的平方和的根值记为1个周期内的能量值。

2.根据权利要求1所述的一种功能性电刺激控制方法，其特征在于，所述对所述自主收缩的肌肉图像进行频域滤波，利用交叉相关方法提取第一组肌肉厚度参数具体为：

1）对所得的所有所述自主收缩的肌肉图像进行频域滤波处理，获取多幅处理后自主收缩的肌肉图像；

2）在所述多幅处理后自主收缩的肌肉图像中手动选择第一幅肌肉图像的三个像素矩阵；

3）通过所述交叉相关方法对第t(t>1)幅肌肉图像的三个像素矩阵与第一幅肌肉图像的三个像素矩阵做相关，获取第t幅与第一幅的三个边界的最大相关区域；

4）根据三个最大相关区域获得第一组的九个肌肉厚度参数。

3.根据权利要求1所述的一种功能性电刺激控制方法，其特征在于，所述对所述目标肌肉的超声肌肉图像进行频域滤波，利用所述交叉相关方法提取第二组肌肉厚度参数具体为：

1）对所述目标肌肉的超声肌肉图像进行频域滤波处理，获取多幅处理后目标肌肉的超声肌肉图像；

2）在所述多幅处理后目标肌肉的超声肌肉图像中手动选择预设第一幅肌肉图像的三个像素矩阵；

3）通过所述交叉相关方法对第t(t>1)幅肌肉图像的三个像素矩阵与第一幅肌肉图像的三个像素矩阵做相关，获取第t幅与第一幅的三个边界的最大相关区域；

4）根据三个最大相关区域获得第二组的九个肌肉厚度参数。

4.根据权利要求1所述的一种功能性电刺激控制方法，其特征在于，所述根据所述第二组肌肉厚度参数和所述第一组肌肉厚度参数获取受试者的九个比值厚度特征参数具体为：

将所述第二组肌肉厚度参数和所述第一组肌肉厚度参数相对的逐个做比值，获取每个周期下肌肉厚度的基值、峰值和能量的变化，并对8个周期的结果求均值，获取所述受试者的九个比值厚度特征参数。

5.根据权利要求1所述的一种功能性电刺激控制方法，其特征在于，所述主要影响因素具体包括：

性别、刺激强度、自主状态下股直肌和股中间肌肌肉厚度比例、第一个下临界强度下股直肌厚度与自主收缩对应角度下的厚度比、第一个下临界强度下股中间肌厚度与自主收缩对应角度下的厚度比、股直肌在8个刺激周期下肌肉厚度的斜率、股中间肌在8个刺激周期下肌肉厚度的斜率。

Images