CN104887241A - 基于Shimmer的脑血栓患者运动功能康复程度评估方法 - Google Patents

Abstract

本发明是一种基于Shimmer的脑血栓患者运动功能康复程度评估方法，其特点是，包括的步骤有：分别采集脑血栓患者运动数据和医生诊断意见数据，对采集得到的高维运动数据进行降维预处理以提取主特征，将降维后得到的含有主特征的数据与医生意见输入神经网络进行分类建模，实现康复程度等级评估，并通过LabVIEW软件搭建一个可实时显示患者运动数据的显示平台。能够客观准确的评估脑血栓患者的运动功能状况,具有方法科学合理，实用价值高，诊断准确，效果佳等优点。

Description

基于Shimmer的脑血栓患者运动功能康复程度评估方法

技术领域

本发明涉及脑血栓患者运动功能康复治疗领域，具体地说，是一种基于Shimmer的脑血栓患者运动功能康复程度评估方法。

背景技术

脑血栓是脑动脉主干或皮质支动脉粥样硬化导致血管增厚、管腔狭窄闭塞和血栓形成，引起脑局部血流减少或供血中断，脑组织缺血缺氧导致软化坏死出现局灶性神经系统症状。具有高发病率、高致残率的特点。全面、系统的康复训练治疗对患者有重要意义，正确有效的康复治疗的前提是康复程度评估。肢体运动功能康复程度评估是检查、判断患者运动功能障碍的部位、范围、程度；确定尚存的代偿能力情况；估计功能障碍的发展、转归、和预后；找出康复目标；制定康复措施；判定康复效果；决定患者去向的过程。但现有运动功能康复程度评估是由医生凭经验对患者康复训练效果进行评定，容易因为医师经验不足或其他原因造成误判，不能对康复程度进行客观评定，正确指导后续康复训练。

发明内容

本发明的目的是，解决现有因人为评定时的经验不足、患者个体差异等问题而造成的误诊误判，无法客观准确评定患者运动功能情况，进而不能正确指导后续康复治疗训练等问题，提供一种基于Shimmer的脑血栓患者运动功能康复程度评估方法。

本发明的目的是由以下技术方案来实现的：一种基于Shimmer的脑血栓患者运动功能康复程度评估方法，其特征是，它包括以下步骤：

1)人体运动信号采集：采用shimmer可穿戴无线传感器作为数据采集平台，将其佩戴在医生认为需要数据采集的部位，患者根据医生指导做指定动作，将采集得到脑血栓患者运动时运动部位产生的三维加速度数据A_x，A_y，A_z和三维角速度数据W_x，W_y，W_z作为患者运动数据，记为S，同时医生根据患者完成动作情况给出运动功能康复程度评定，采集医生对该名患者的评定意见，作为评定数据，记为P；

2)人体运动信号预处理：对步骤1)中采集得到的患者运动数据S采用KPCA算法进行降维预处理，得到特征明显并易于分类处理的降维后的特征数据S'；

3)建立康复程度评估模型：将步骤2)降维后得到的特征数据S'和医生的评定数据P输入BP神经网络进行训练得到康复程度评定能力，构建脑血栓患者运动功能康复程度模型；

4)实现运动功能康复程度智能评估：通过步骤3)对脑血栓患者运动功能康复程度建模后，将该评估模型嵌入到利用LabVIEW软件构建的可视化平台中，搭建脑血栓患者运动功能康复程度评估系统，利用友好的人机交互界面实现患者运动数据的实时显示和运动功能康复程度智能评估。

所述的KPCA核主成分分析算法是主成分分析PCA的改进，与PCA不同的是，它采用非线性方法来提取主成分，即KPCA是通过一个非线性函数Φ将原始向量X(X∈R^N)映射到一个高维特征空间F,F＝{Φ(X):X∈R^N}在F上进行PCA分析,对于输入空间中的M个样本x_k(k＝1,2,...,M),x_k∈R^N，使假设

$\underset{k=1}{\overset{M}{\Σ}}\mathrm{\Φ}\left(x_k\right)=0\text{---}\left(1\right)$

则在特征空间F中的协方差矩阵为

$\stackrel{\‾}{C}=\frac{1}{M}\underset{j=1}{\overset{M}{\Σ}}\mathrm{\Φ}\left(x_j\right)\mathrm{\Φ}{\left(x_j\right)}^T\text{---}\left(2\right)$

因此，特征空间中的PCA即求解特征值问题

${\mathrm{\λ}}_i{v}_i=\stackrel{\‾}{C}{v}_i,i=1,2,...,M\text{---}\left(3\right)$

(3)式可以转换为如下特征值问题

${\widetilde{\mathrm{\λ}}}_i{\mathrm{\α}}_i={\mathrm{K\α}}_i,i=1,2,...,M\text{---}\left(4\right)$

其中K_ij≡Φ(x_i)·Φ(x_j)是M×M的核矩阵，是K的一个非零特征值,α_i为所对应的特征向量，且(3)式与(4)式中的特征值与特征向量有如下关系：

${\widetilde{\mathrm{\λ}}}_i={\mathrm{M\λ}}_i,v_i=\underset{j=1}{\overset{M}{\Σ}}{\mathrm{\α}}_i\left(j\right)\mathrm{\Φ}\left(x_j\right)\text{---}\left(5\right).$

本发明的有益效果：本发明以脑血栓后遗症患者为研究对象，应用国际领先的可穿戴式综合无线运动传感器Shimmer直接采集人体运动数据，结合康复医学、现代生物信号处理技术、数据融合技术等多学科理论方法，找到影响患者运动功能的主要参数，给出详细分级标准，建立脑血栓后遗症患者肢体运动功能障碍等级评估模型；根据实测数据和理论分析，给出患者康复程度评价，突破人为评定可能由于经验欠缺和患者个体差异而造成误判的难题，提高了评估的精度和准确度。为我国脑血栓后遗症患者的康复治疗提供可靠的数据资料和技术支持。这些问题的解决对促进我国脑血栓后遗症患者的康复治疗手段的进步、提高后遗症患者的治愈率、推动我国康复医学的发展具有重要的现实意义。具有方法科学合理，实用价值高，诊断准确，效果佳等优点。

附图说明

图1为本发明的基于Shimmer的脑血栓患者运动功能康复程度评估方法的流程图；

图2为建立康复程度评估模型流程图。

具体实施方式

下面利用附图和实施例对本发明作进一步具体说明。

参照图1和图2，本发明的基于Shimmer的脑血栓患者运动功能康复程度评估方法，具体步骤为：

1)人体运动信号采集：采用shimmer可穿戴无线传感器作为数据采集平台，将其佩戴在医生指定的数据采集的部位，患者根据医生指导做指定动作，采集得到脑血栓患者运动时运动部位产生的三维加速度数据A_x，A_y，A_z和三维角速度数据W_x，W_y，W_z作为患者运动数据，记为S，同时医生根据患者完成动作情况给出运动功能康复程度评定，采集医生对该名患者的评定意见，作为评定数据，记为P；

2)人体运动信号预处理：对步骤1)中采集得到的患者运动数据S采用KPCA算法进行降维预处理，得到特征明显并易于分类处理的降维后的特征数据S'；

KPCA算法是PCA的改进算法，与PCA不同的是，它采用非线性方法来提取主成分，即KPCA是通过一个非线性函数Φ将原始向量X(X∈R^N)映射到一个高维特征空间F,F＝{Φ(X):X∈R^N}在F上进行PCA分析，对于输入空间中的M个样本x_k(k＝1,2,...,M),x_k∈R^N，使假设

$\underset{k=1}{\overset{M}{\Σ}}\mathrm{\Φ}\left(x_k\right)=0\text{---}\left(1\right)$

则在特征空间F中的协方差矩阵为

$\stackrel{\‾}{C}=\frac{1}{M}\underset{j=1}{\overset{M}{\Σ}}\mathrm{\Φ}\left(x_j\right)\mathrm{\Φ}{\left(x_j\right)}^T\text{---}\left(2\right)$

因此，特征空间中的PCA即求解特征值问题

${\mathrm{\λ}}_i{v}_i=\stackrel{\‾}{C}{v}_i,i=1,2,...,M\text{---}\left(3\right)$

其中λ_i是的一个非零特征值，v_i是λ_i所对应的特征向量。

(3)式可以转换为如下特征值问题

$\widetilde{\mathrm{\λ}}{\mathrm{\α}}_i={\mathrm{K\α}}_{i}i=1,2,...,M\text{---}\left(4\right)$

其中：KPCA英文缩写为核主成分分析，PCA英文缩写为主成分分析,K_ij≡Φ(x_i)·Φ(x_j)是M×M的核矩阵，是K的一个非零特征值,α_i为所对应的特征向量，且(3)式与(4)式中的特征值与特征向量有如下关系：

${\widetilde{\mathrm{\λ}}}_i={\mathrm{M\λ}}_i,v_i=\underset{j=1}{\overset{M}{\Σ}}{\mathrm{\α}}_i\left(j\right)\mathrm{\Φ}\left(x_j\right)\text{---}\left(5\right)$

3)建立康复程度评估模型：如图2所示，对步骤2)中降维后得到的数据S'结合医生的诊断意见，输入BP神经网络，经过神经网络训练后得到康复程度评测能力，并进行分类建模，构建脑血栓患者运动功能康复程度模型；

4)搭建脑血栓患者运动功能康复程度评定系统：利用LabVIEW软件构建一个可视化的显示界面，将步骤3)所构建的脑血栓患者运动功能康复程度建模嵌入到可视化平台中，搭建脑血栓患者运动功能康复程度评估系统，利用友好的人机交互界面实现患者运动数据的实时显示和运动功能康复程度智能评估。

shimmer可穿戴无线传感器为Intel公司生产的市售产品。LabVIEW的程序开发环境为美国国家仪器(NI)公司的市售软件。MATLAB是美国MathWorks公司出品的商业数学软件。

Claims (2)

1.一种基于Shimmer的脑血栓患者运动功能康复程度评估方法，其特征是，它包括以下步骤：

1)人体运动信号采集：采用shimmer可穿戴无线传感器作为数据采集平台，将其佩戴在医生认为需要数据采集的部位，患者根据医生指导做指定动作，将采集得到脑血栓患者运动时运动部位产生的三维加速度数据A_x，A_y，A_z和三维角速度数据W_x，W_y，W_z作为患者运动数据，记为S，同时医生根据患者完成动作情况给出运动功能康复程度评定，采集医生对该名患者的评定意见，作为评定数据，记为P；

2)人体运动信号预处理：对步骤1)中采集得到的患者运动数据S采用KPCA算法进行降维预处理，得到特征明显并易于分类处理的降维后的特征数据S'；

3)建立康复程度评估模型：将步骤2)降维后得到的特征数据S'和医生的评定数据P输入BP神经网络进行训练得到康复程度评定能力，构建脑血栓患者运动功能康复程度模型；

4)实现运动功能康复程度智能评估：通过步骤3)对脑血栓患者运动功能康复程度建模后，将该评估模型嵌入到利用LabVIEW软件构建的可视化平台中，搭建脑血栓患者运动功能康复程度评估系统，利用友好的人机交互界面实现患者运动数据的实时显示和运动功能康复程度智能评估。

2.根据权利要求1所述的基于Shimmer的脑血栓患者运动功能康复程度评估方法，其特征是，所述的KPCA算法为核主成分分析算法，是主成分分析PCA算法的改进，与PCA不同的是，它采用非线性方法来提取主成分，即KPCA是通过一个非线性函数Φ将原始向量X(X∈R^N)映射到一个高维特征空间F,F＝{Φ(X):X∈R^N}在F上进行PCA分析，对于输入空间中的M个样本x_k(k＝1,2,...,M),x_k∈R^N，使假设

$\underset{k=1}{\overset{M}{\Σ}}\mathrm{\Φ}\left(x_k\right)=0---\left(1\right)$

则在特征空间F中的协方差矩阵为

$\stackrel{\‾}{C}=\frac{1}{M}\underset{j=1}{\overset{M}{\Σ}}\mathrm{\Φ}\left(x_j\right)\mathrm{\Φ}{\left(x_j\right)}^T---\left(2\right)$

因此，特征空间中的PCA即求解特征值问题

${\mathrm{\λ}}_i{v}_i=\stackrel{\‾}{C}{v}_i,i=1,2,\mathrm{...},M---\left(3\right)$

其中λ_i是的一个非零特征值，v_i是λ_i所对应的特征向量。

(3)式可以转换为如下特征值问题

${\widetilde{\mathrm{\λ}}}_i{\mathrm{\α}}_i={\mathrm{K\α}}_i,i=1,2,\mathrm{...},M---\left(4\right)$

其中K_ij≡Φ(x_i)·Φ(x_j)是M×M的核矩阵，是K的一个非零特征值,α_i为所对应的特征向量，且(3)式与(4)式中的特征值与特征向量有如下关系：

${\widetilde{\mathrm{\λ}}}_i={\mathrm{M\λ}}_i,v_i=\underset{j=1}{\overset{M}{\Σ}}{\mathrm{\α}}_i\left(j\right)\mathrm{\Φ}\left(x_j\right)---\left(5\right).$