CN105054927A - 一种下肢康复系统中主动参与度的生物量化评估方法 - Google Patents
一种下肢康复系统中主动参与度的生物量化评估方法 Download PDFInfo
- Publication number
- CN105054927A CN105054927A CN201510419976.7A CN201510419976A CN105054927A CN 105054927 A CN105054927 A CN 105054927A CN 201510419976 A CN201510419976 A CN 201510419976A CN 105054927 A CN105054927 A CN 105054927A
- Authority
- CN
- China
- Prior art keywords
- patient
- degree
- lower limb
- active participate
- biological
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种下肢康复系统中主动参与度的生物量化评估方法,用在患者下肢康复训练过程中,实时检测患者的EEG信号和EMG信号来计算在下肢康复系统中的主动参与度,并及时把评估结果反馈给患者。本发明主要包括以下步骤:实时对EEG信号和EMG信号同步采集、数据预处理、小波变换,得到EEG信号各个频段的功率谱和EMG信号,计算出患者的注意度、参与度和激活度等生物量化子指标,并结合理疗师在步态康复训练中给出评价分数和多元线性回归模型综合评定出主动参与度的生物量化总指标。该指标能给理疗师指导康复提供一个有效的参考依据,也能激发患者的主动参与性,从而促进和维护患者在训练中主动性,大大提高下肢康复训练的效果。
Description
【技术领域】
本发明属于康复医学、心理学和信息学科交叉技术领域,涉及一种下肢康复系统中主动参与度的生物量化评估方法。
【背景技术】
脑损伤(脑卒中、脑外伤、脑肿瘤、脊髓损伤)常常造成肢体的功能性损伤,特别是下肢的功能性障碍给患者的日常生活带来极大的不便。目前传统的运动康复训练是在理疗师的帮助下对患者“手把手”的步行康复训练,但是这样的康复训练需要患者大量的时间且效率低下,而且也存在理疗师不足,无法保证充分训练时间和强度,训练过程缺乏吸引力、难以得到客观的康复指标等问题,因此机器人康复的智能化、有效化以及人机交互显得越来越重要。机器人康复训练中的主动康复的康复效果比被动康复的要显著,能让患者能主动的意愿参与到康复训练中,是提高康复训练的一个重要手段。然而机器人康复虽然能提供精确的辅助运动和重复性好,但是不能及时客观的量化的评估康复效果,缺少了康复训练中吸引患者主动参与训练的能力,从一定程度上影响康复训练的效果。
目前,评估康复效果主要是靠理疗师根据Brunnstrom运动功能恢复、Holden步行功能和PRPS康复参与量表对患者进行下肢康复评价。根据患者在步态康复训练中主动参与的表现给出评级分数,但是人为的评价存在评分主观,评分标准不易统一,受记忆等多种个人因素的影响,增加了评估的不确定因素,很难做到客观和定量化,也耗费理疗师大量的时间去观察,记录并进行相应的统计,然后进行相应的统计学分析,获得相关的下肢康复训练评价指标,才能把康复效果反馈给患者。这样的评价机制不能让患者自己实时掌握自己的康复状况,在一定程度上降低了患者主动参与康复训练的积极性。基于人体自身的电信号的生物反馈技术已经广泛的应用到肢体的功能性损伤主动康复治疗中,能实时的给出客观的生物量化指标。在康复临床上也表明患者的主动参与性能够显著的影响其运动功能的康复,因此把患者的运动意愿及训练效果能实时的反馈给患者,才能调动患者的康复训练的主动参与性,恢复患者进行康复训练的自信心。生理学指标是借助人体的生理信号来间接评估,根据人的任何心理状态和生理状态都是有直接关系的。从人的大脑发的控制信号不仅控制肢体的运动,而且还能传递脑电信号(EEG信号)和肌电信号(EMG信号),这些信号中含有节律和幅值等丰富的信息。下肢康复系统中主动参与度也是一种特定的心理感觉,可通过采集EEG信号和表面EMG信号,能客观准确地计算出下肢康复训练中主动参与度的生物量化指标,能大大的提高患者在康复训练中的主动参与性。
因此,亟待需要开发出一种利用生物电的方法来测量患者在下肢康复系统中主动参与度的量化评估方法,以解决现有在康复机器人中过度依赖康复理疗师对患者下肢康复训练评估,存在耗费理疗师大量的时间且工作强度大,同时存在评分主观并且评分标准不易统一,理疗师不可能一直伴随患者的整个康复训练过程,也不能实时反应出评估结果等问题,使康复训练中的评估系统能把康复训练的主动参与度指标实时、客观、准确、稳定的反馈给患者。
【发明内容】
本发明的目的在于克服上述现有技术的缺点,提供一种下肢康复系统中主动参与度的生物量化评估方法,该方法具有应用性强、操作简单方便、可随时随地客观准确的反应患者的主动参与度。
为达到上述目的,本发明所采用的技术方案包括以下步骤:
1)患者在进行康复训练前,头部连接6导脑电电极,下肢连接4导肌电电极;6导脑电电极和4导肌电电极分别与脑电仪和肌电仪相连,并利用在Windows平台下设计的基于VC++的可视化接口程序,实现EEG信号和EMG信号的同步采集;
2)患者在康复训练行走时,基于采集到的EMG信号,以十步为一个步态事件,当患者行走一个步态事件后,接口程序自动运行并在显示器上输出一个平均后的主动参与度的生物量化指标;
3)基于Morlet小波变换来对一步时间段内的EEG信号进行分解,提取EEG信号的基本波中的Alpha频段、Beta频段和Theta频段,同时提供在时间和频率的二维面的EEG信号的能量的分布,计算时频域的各个频段的能量分布;
4)根据步骤3)的结果计算注意度R和参与度P,再根据一步时间内的EMG信号进行预处理并归一化处理,由其结果计算激活度D;
5)根据步骤4)得到的R、P和D,结合理疗师根据在步态康复训练中主动参与度的评价标准给出评级分数和多元线性回归模型综合评定出主动参与度的生物量化指标:
AP″=K′0+K′1R+K′2P+K′3D(1)
式(1)中,AP″为主动参与度的生物量化指标,K'1、K'2、K'3为回归系数,K'0为常数项,最后检验并评价回归方程及各自变量的大小,调整参数K'0、K'1、K'2以及K'3,得到新的主动参与度的生物量化公式为:
AP′=K0+K1R+K2P+K3D(2)
式(2)中,K1、K2、K3为回归系数,K0为常数项,经过调整的主动参与度的生物量化指标符合患者训练的真实康复状况;对主动参与度的生物量化指标AP′进行归一化处理,得到主动参与度:
AP=100×(AP′-AP′min)/(AP′max-AP′min)(3)
式(3)中AP′、AP分别为转换前、后主动参与度的值,AP′max、AP′min分别为主动参与度的最大值和最小值,归一化后的下肢康复训练中主动参与度AP的取值范围为0~100;患者在步态康复训练一个步态事件后,康复系统会自动的通过一个显示器实时显示主动参与度AP,能及时自动的反馈给患者,更有利于患者积极且主动参与到下肢康复训练中。
本发明进一步的改进在于:
所述步骤2)中,基于采集到的EMG信号计算步态事件的具体方法如下:
选择干扰最少的通道中EMG信号来计算步态事件,该EMG信号会在步态行走中处于强烈的激活状态下,此时EMG信号经过预处理、滤波之后能够看到脚尖离地时有一个波峰,在脚尖着地时有一个波峰,从一个波谷经过两个波峰到达下一个波谷为完整的一步,最终以十步为一个步态事件。
所述步骤3)中,在EEG信号中提取基本波的三个主要成分为Alpha频段、Beta频段和Theta频段。
所述步骤4)中,注意度的计算方法如下:
根据步骤3)得到的Alpha和Beta频段的功率谱计算出两个频带的能量比值作为患者在下肢康复训练中的注意度,则患者注意度为:
R'=KA(Eα/Eβ)(4)
式(4)中,Pfrep为EEG的frep频带下的能量值,KA为放大比例系数;
对一个步态事件的十步的R'求均值,得到平均后的然后对进行归一化处理:
式(5)中R分别为转换前、后注意度的值,Rmax、Rmin分别为注意度的最大值和最小值,归一化后的注意度R值的取值范围为:0~100。
所述步骤4)中,参与度的计算方法如下:
根据3)得到的Alpha、Beta和Theta频段的功率谱计算出Beta功率谱与Alpha、Theta的功率谱之和之间的比值作为患者在下肢康复训练中的参与度,则患者参与度为:
P′=Ke[Eβ/(Eα+Eθ)](6)
式(6)中, Pfrep为EEG的frep频带下的能量值,Ke为放大比例系数;Eα、Eβ和Eθ均为从EEG信号源中得到Alpha、Beta、Theta的EEG频段下的功能谱;
对一个步态事件的十步的P′求均值,得到平均后的然后对参与度进行归一化处理:
式(7)中P分别为转换前、后注意度的值,Pmax、Pmin分别为参与度的最大值和最小值,归一化后的参与度P值的取值范围为:0~100。
所述步骤4)中,激活度的计算方法如下:
通过测量肌肉最大收缩(MVC)时的EMG信号幅值进行归一化处理后作为患者在下肢康复训练中的激活度,则患者激活度为:
D'=100×(VEMG-Vmin)/(Vmax-Vmin)(8)
式(8)中,VEMG为在一步时间段内EMG信号的幅值,Vmax和Vmin分别为EMG信号幅值的最大值和最小值,归一化后的激活度D'值的取值范围为:0~100;
对一个步态事件的十步的D′求均值,得到平均后的D,此时激活度D的取值范围仍然为:0~100。
与现有技术相比,本发明具有以下有益效果:
本发明是一种对下肢康复系统中主动参与度的生物量化评估方法,患者在进行康复过程中根据自身的情况可随时随地进行步态康复训练,无需理疗师的介入即可实时的在显示器上显示主动参与度的生物量化指标,从而客观实时地评估出患者的康复效果,在一定程度上能激励患者的主动参与性,达到最佳下肢康复训练效果。该方法可用于脑损伤致瘫或因意外事故等造成的下肢体损伤患者做下肢体康复训练时,能及时给出主动参与度的生物量化指标,也给理疗师提供了一定的参考依据,从而丰富了现有康复训练的评估方法。
【附图说明】
图1是本发明是基于EEG和EMG主动参与度的生物量化流程图;
图2是本发明EEG电极和EMG电极连接图;其中,(a)为脑电电极布置图,(b)为肌电电极布置图;
图3是基于EMG信号划分步态事件示意图;
图4是EEG信号和EMG信号预处理流程图;其中,(a)为EEG信号预处理流程图,(b)为EMG信号预处理流程图;
图5是本发明计算主动参与度的生物量化指标流程图。
【具体实施方式】
下面结合附图对本发明做进一步详细描述:
参见图1至图4,本发明通过同时采集患者在下肢康复训练中的大脑皮层的EEG信号和下肢的EMG信号,经过EEG信号预处理,小波分解后,得到各个频段的EEG信号以及相应的功率,同时经过对原始EMG信号ICA去噪等预处理,得到无干扰的EMG信号。根据EMG信号波峰和波谷划分为一步,每十步为一个步态事件。根据患者的注意度、参与度、激活度等生物量化评估子指标和相应的公式计算出各个子指标,并结合理疗师的评价分数以及多元线性回归模型综合评估出患者在下肢康复系统中主动参与度的生物量化指标。
本发明通过分析在下肢康复过程中同时采集的EEG信号和EMG信号,由EEG信号计算出注意度和参与度的量化子指标,由EMG信号得到激活度的量化子指标。最后基于理疗师对现有主动参与度的评估体系给出评级分数和多元线性回归模型,计算出初步的主动参与度的生物量化指标公式,最后检验并评价回归方程及各自变量的大小,适当调整K'0、K'1、K'2、K'3等参数,对主动参与度的生物量化指标AP'进行归一化处理,得到主动参与度的生物量化指标AP,并通过康复训练系统及时反馈给患者。
下面结合附图对本发明示例做进一步全面叙述:
本发明是一种下肢康复系统中主动参与度的生物量化评估方法,参考图1详细的描述了一种基于EEG信号和EMG信号的下肢康复系统中主动参与度的生物量化指标流程。先根据患者在地上进行步态康复训练时,同步采集患者的EEG信号和EMG信号并保存数据。然后对EEG信号进行相应预处理和小波变换,分解出Alpha,Beta,Theta等信号频带及相应频带的功率谱,同时也对EMG信号进行相应的预处理,ICA去噪,得到无干扰的EMG信号。根据生物指标的量化公式能自动的计算出患者的注意度、参与度和激活度等子指标。理疗师根据在步态康复训练中主动参与度的评价标准给出评级分数,然后结合多元线性回归模型综合评定出每一个步态事件的初步主动参与度的生物量化指标AP”。最后检验并评价回归方程及各自变量的大小,适当调整K'0、K'1、K'2、K'3等参数,综合评定出在下肢康复训练中每一个步态事件主动参与度的生物量化指标的主动参与度量化指标AP'并进行归一化处理,得到主动参与度的生物量化指标AP,实时的反馈在显示器上,形成一个完整的闭环脑机接口系统,从而客观实时的评估出患者的康复效果,在一定程度上能激励患者的主动参与下肢康复训练。
本发明要检测患者在康复训练中的主动参与度的是一个动机问题,计算出一个评估指标作为奖赏给患者。该奖励机制与大脑皮层相关主要区域有大脑的前庭以及边缘、皮层下组织、前扣带皮质等,在后续分析EEG信号的注意度和参与度时,主要考虑这几个大脑区域所对应的电极位置的EEG信号。
按照图2(a)所示,患者的头部连接6导脑电电极,各个脑电电极在大脑上的分布分别是:FP1、FP2是位于大脑运动前区,C3、C4是位于大脑运动区域,O1、O2中位于大脑枕区,接地电极GND是位于前额,参考电极是左耳乳凸A1和右耳乳凸A2,脑电电极与大脑皮层接触良好之后,开始采集EEG信号。按照图2(b)所示,连接胫骨前肌3的两个电极和比目鱼肌2的两个电极,同时连接右腿盖骨处一个参考电极1,对采集到的4导EMG信号需要经过肌电放大器4进行放大及数模转换。当完成脑电电极和肌电电极连接之后,可实现硬件方面的实时同步采集EEG信号和EMG信号。
在Windows平台下设计了基于VC++的可视化接口程序,实现软件方面的脑电电极和肌电电极的同步采集,最终保证了EEG和EMG数据的同步性,并把计算的主动参与度的生物量化的指标实时的显示在显示器上。
在患者进行康复行走训练时,选择1个通道中EMG信号中干扰最少的一个计算步态事件。如图2(b)中胫骨前肌3的EMG信号会处于强烈的激活状态下,此时EMG信号经过预处理、滤波之后能明显的看到脚尖离地时有一个波峰,在脚尖着地时有一个波峰。根据这一现象,检测出患者每一步会出现两个波峰和两个波谷,检测并标出完整的一步,如图3所示步态的第一步、第二步…第十步,其中第一步作为开始时刻,第十步作为结束时刻,整个十步定义为一个步态事件,即每十步作为一个步态事件来平均计算每一步的主动参与度的生物量化指标。
在患者进行步态康复训练时,对采集到的EEG信号进行相应的放大及数模转换。需要进一步说明的是,通过6个脑电电极采集EEG信号,所用的电极均为银/氯化银(Ag/AgCl)合金电极。所有的脑电电极的阻抗均小于5kΩ。通过NeuroScan,Inc公司的NuAmps信号放大器对EEG信号进行放大,配套上位机系统为scan4.5,并且通过16位数模转换器对EEG信号进行数模转换,输出脑电的数字信号。
如图4(a)所示,对EEG信号进行预处理的具体步骤为:去除DC直流分量、去除基线漂移、共平均参考、去除眼电干扰、去除肌电伪迹、带通滤波(0.5-45Hz)、ICA去噪、小波变换等,可获得Alpha、Beta和Theta等频带无干扰的EEG信号。
基于Alpha、Beta和Theta的EEG信号频带计算生物量化指标的过程为:首先对患者当前的EEG小波变换的结果进行分别储存Alpha、Beta和Theta的EEG频带,然后计算出Alpha、Beta和Theta的EEG频带功率谱并保存,最后根据注意度的计算公式R'=K(Eα/Eβ)和参与度的计算公式P'=K[Eβ/(Eα+Eθ)],对一个步态事件的十步R'和P'求均值,得到平均后的和然后对注意度进行归一化处理使得参与度值的取值范围为0~100;同样对参与度进行归一化处理使得参与度P值的取值范围为0~100。
在患者在行走过程中,用AMT-8(Bortec,加拿大)4个肌电电极的肌电仪来采集患者的EMG信号,测量肌电电极贴在患者的胫骨前肌和比目鱼肌,连接方法如步骤2所述,采样频率是的1kHz。通过肌电仪的信号放大器对EMG信号进行放大和数模转换,输出EMG信号是数字信号。
如图4(b)所示,对EMG信号进行预处理的主要步骤为:首先对EMG信号去除工频干扰,去除运动伪迹,其次用10Hz的高通四阶巴特沃斯双向滤波,再进行全波整流,以3Hz的频率进行低通四阶巴特沃斯双向滤波,通带截止频率是fp=10Hz处衰减为3dB,阻带截止频率是fp=5Hz处衰减为20dB,最后根据最大自主收缩下的EMG信号的幅值做归一化处理,所得到的归一化的值就是肌肉激活度,其值的范围是从0到1。
根据肌群有一个正确的收缩和放松的节律,而EMG信号幅值的大小和肌肉的收缩程度密切相关,所以患者在下肢康复训练中激活度的计算公式为:D'=100×(VEMG-Vmin)/(Vmax-Vmin),K为放大比例系数,对一个步态事件的十步的D′求均值,得到平均后的D,此时激活度D的取值范围仍然为:0~100。
如图5所示,详细的描述了本发明主动参与度生物量化指标计算流程。EEG信号的处理步骤是在NeuroScan中进行,根据原始的EEG信号进行预处理、小波变换,得到Alpha、Beta、Theta频带并计算相应的功率,再结合下肢康复训练中的步态事件,由注意度和参与度的公式计算出相应的一个步态事件的注意度和参与度,对注意度和参与度的值进行归一化处理,得到取值范围为0~100的注意度的值和参与度的值。EMG信号的处理步骤是根据原始EMG信号在Matlab中进行预处理、ICA去噪等,得到无干扰的EMG信号并检测出康复训练中的步态事件,并根据激活度公式计算出相应的值,得到激活度的取值范围为0~100。根据注意度R、参与度P、激活度D等主动参与的生物量化子指标,并结合理疗师在步态康复训练中主动参与度的评价标准给出患者的评级分数和多元线性回归模型综合评定出每一个步态事件的初步主动参与度的生物量化指标,该主动参与度公式为:AP″=K′0+K′1R+K′2P+K′3D。
患者在下肢康复训练过程中进行主动参与度评估时,对注意度、参与度和激活度的不同侧面的重要程度来定量分配,对各个评估因子在总体评估中的贡献区别对待,更加客观、准确量化出主动参与度。首先根据多元线性回归分析法,初步计算出主动参与度的生物量化指标,然后再检验并评价回归方程,根据多元线性回归方程中注意度R、参与度P和激活度D等自变量的作用大小,适当调整主动参与度公式中的K'0、K'1、K'2、K'3等参数,调整后主动参与度的公式为:AP′=K0+K1R+K2P+K3D,该公式能避免由多元线性回归得到权重不能体现指标在系统评估过程中的实际情况,又能结合理疗师在工作的经验,使主动参与度达到一种客观的评估指标,使得到的主动参与度更加符合患者康复状况。
根据患者当前的注意度R、参与度P和激活度D的计算结果,结合理疗师根据在步态康复训练中主动参与度的评价标准给出评级分数C,基于多元线性回归分析将评级分数C、注意度R、参与度P、激活度D等一共四项因素代入多元线性回归方程模型,则所得多元线性回归方程为:AP″=K′0+K′1R+K′2P+K′3D。其中AP″主动参与度的生物量化指标,多元回归方程的自变量K'1、K'2、K'3为回归系数,K'0为常数项。
根据多元回归方程的决定系数来判定模型拟和优度,则多元回归方程的决定系数为:
式(9)中SSA为回归平方和,即SST为总离差平方和,即n-p-1、n-1分别是SSA和SST的自由度。R2越接近1,说明回归方程对样本的数据点拟合度越高。
多元线性回归方程的显著性检验的零假设是各个回归系数同时为零,检验采用F统计量,其公式为:
式(10)中MSA和MST分别为SSA和SSE的平均值。
由检验统计量的观测值F以及对应的概率P值来检测回归方程AP″与R、P和D线性关系是否显著。
根据显著性检验并评价回归方程及各自变量的大小,结合理疗师的经验判断和注意度R,参与度P,激活度D在主动参与度权重的大小,适当调整回归系数K'1、K'2、K'3,K'0为常数项,得到调整后的主动参与度的生理量化指标公式更能客观的反应患者的下肢康复评估指标。
调整后的主动参与度的生理量化指标公式为:AP′=K0+K1R+K2P+K3D,所得到主动参与度的值并不一定是在0~100范围的值,因此需要对主动参与度的值进行归一化处理AP=100×(AP′-AP′min)/(AP′max-AP′min),使得主动参与度AP的取值范围为0~100。
每一个步态事件都可计算出在下肢康复训练中主动参与度的生理量化指标公式,此时主动参与量化指标AP反应患者在康复训练中主动参与的水平,是经过统计大多数患者得到的公式,在实际使用过程中,会根据患者的实际情况来调整主动参与度的生物量化指标公式的各个参数,使主动参与度AP的公式在康复训练中更具有应用价值。
将理疗师根据在步态康复训练中主动参与度的评价标准给出评级分数与主动参与量化指标AP进行相关性研究,结果表明理疗师的评级分数与主动参与度指标AP具有很高的相关性,说明主动参与度指标AP和理疗师的评级分数同样能反应患者在康复训练中的主动参与性,是一个稳定有效的康复训练的评估指标。
通过一种下肢康复系统中主动参与度的生物量化评估方法所得到的主动参与度,能快速的给理疗师提供一个有效的生理量化指标的参考依据,从而更有针对性对患者指导相应的康复训练。同时也能让患者实时地者掌握自身的主动参与度和康复状况,更好的激发患者主动参与康复训练的积极性,以促进和维护患者在下肢康复训练中主动性。下肢康复系统中主动参与度的生物量化评估方法基于生物电信号来客观、实时的计算出主动参与度并及时把评估结果通过显示器反馈给患者,大大提高了下肢康复训练的效果。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (6)
1.一种下肢康复系统中主动参与度的生物量化评估方法,其特征在于,包括以下步骤:
1)患者在进行康复训练前,头部连接6导脑电电极,下肢连接4导肌电电极;6导脑电电极和4导肌电电极分别与脑电仪和肌电仪相连,并利用在Windows平台下设计的基于VC++的可视化接口程序,实现EEG信号和EMG信号的同步采集;
2)患者在康复训练行走时,基于采集到的EMG信号,以十步为一个步态事件,当患者行走一个步态事件后,接口程序自动运行并在显示器上输出一个平均后的主动参与度的生物量化指标;
3)基于Morlet小波变换来对一步时间段内的EEG信号进行分解,提取EEG信号的基本波中的Alpha频段、Beta频段和Theta频段,同时提供在时间和频率的二维面的EEG信号的能量的分布,计算时频域的各个频段的能量分布;
4)根据步骤3)的结果计算注意度R和参与度P,再根据一步时间内的EMG信号进行预处理并归一化处理,由其结果计算激活度D;
5)根据步骤4)得到的R、P和D,结合理疗师根据在步态康复训练中主动参与度的评价标准给出评级分数和多元线性回归模型综合评定出主动参与度的生物量化指标:
AP″=K′0+K′1R+K′2P+K′3D(1)
式(1)中,AP″为主动参与度的生物量化指标,K'1、K'2、K'3为回归系数,K'0为常数项,最后检验并评价回归方程及各自变量的大小,调整参数K'0、K'1、K'2以及K'3,得到新的主动参与度的生物量化公式为:
AP′=K0+K1R+K2P+K3D(2)
式(2)中,K1、K2、K3为回归系数,K0为常数项,经过调整的主动参与度的生物量化指标符合患者训练的真实康复状况;对主动参与度的生物量化指标AP′进行归一化处理,得到主动参与度:
AP=100×(AP′-AP′min)/(AP′max-AP′min)(3)
式(3)中AP′、AP分别为转换前、后主动参与度的值,AP′max、AP′min分别为主动参与度的最大值和最小值,归一化后的下肢康复训练中主动参与度AP的取值范围为0~100;患者在步态康复训练一个步态事件后,康复系统会自动的通过一个显示器实时显示主动参与度AP,能及时自动的反馈给患者,更有利于患者积极且主动参与到下肢康复训练中。
2.根据权利要求1所述的下肢康复系统中主动参与度的生物量化评估方法,其特征在于,所述步骤2)中,基于采集到的EMG信号计算步态事件的具体方法如下:
选择干扰最少的通道中EMG信号来计算步态事件,该EMG信号会在步态行走中处于强烈的激活状态下,此时EMG信号经过预处理、滤波之后能够看到脚尖离地时有一个波峰,在脚尖着地时有一个波峰,从一个波谷经过两个波峰到达下一个波谷为完整的一步,最终以十步为一个步态事件。
3.根据权利要求1所述的下肢康复系统中主动参与度的生物量化评估方法,其特征在于,所述步骤3)中,在EEG信号中提取基本波的三个主要成分为Alpha频段、Beta频段和Theta频段。
4.根据权利要求1所述的下肢康复系统中主动参与度的生物量化评估方法,其特征在于,所述步骤4)中,注意度的计算方法如下:
根据步骤3)得到的Alpha和Beta频段的功率谱计算出两个频带的能量比值作为患者在下肢康复训练中的注意度,则患者注意度为:
R'=KA(Eα/Eβ)(4)
式(4)中,Pfrep为EEG的frep频带下的能量值,KA为放大比例系数;
对一个步态事件的十步的R'求均值,得到平均后的然后对进行归一化处理:
式(5)中R分别为转换前、后注意度的值,Rmax、Rmin分别为注意度的最大值和最小值,归一化后的注意度R值的取值范围为:0~100。
5.根据权利要求1所述的下肢康复系统中主动参与度的生物量化评估方法,其特征在于,所述步骤4)中,参与度的计算方法如下:
根据3)得到的Alpha、Beta和Theta频段的功率谱计算出Beta功率谱与Alpha、Theta的功率谱之和之间的比值作为患者在下肢康复训练中的参与度,则患者参与度为:
P′=Ke[Eβ/(Eα+Eθ)](6)
式(6)中, Pfrep为EEG的frep频带下的能量值,Ke为放大比例系数;Eα、Eβ和Eθ均为从EEG信号源中得到Alpha、Beta、Theta的EEG频段下的功能谱;
对一个步态事件的十步的P′求均值,得到平均后的然后对参与度进行归一化处理:
式(7)中P分别为转换前、后注意度的值,Pmax、Pmin分别为参与度的最大值和最小值,归一化后的参与度P值的取值范围为:0~100。
6.根据权利要求1所述的下肢康复系统中主动参与度的生物量化评估方法,其特征在于,所述步骤4)中,激活度的计算方法如下:
通过测量肌肉最大收缩(MVC)时的EMG信号幅值进行归一化处理后作为患者在下肢康复训练中的激活度,则患者激活度为:
D'=100×(VEMG-Vmin)/(Vmax-Vmin)(8)
式(8)中,VEMG为在一步时间段内EMG信号的幅值,Vmax和Vmin分别为EMG信号幅值的最大值和最小值,归一化后的激活度D'值的取值范围为:0~100;
对一个步态事件的十步的D′求均值,得到平均后的D,此时激活度D的取值范围仍然为:0~100。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510419976.7A CN105054927B (zh) | 2015-07-16 | 2015-07-16 | 一种下肢康复系统中主动参与度的生物量化评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510419976.7A CN105054927B (zh) | 2015-07-16 | 2015-07-16 | 一种下肢康复系统中主动参与度的生物量化评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105054927A true CN105054927A (zh) | 2015-11-18 |
CN105054927B CN105054927B (zh) | 2017-08-15 |
Family
ID=54484631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510419976.7A Active CN105054927B (zh) | 2015-07-16 | 2015-07-16 | 一种下肢康复系统中主动参与度的生物量化评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105054927B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105769186A (zh) * | 2016-03-23 | 2016-07-20 | 河北工业大学 | 基于复杂网络的肌电信号采集位置选取方法 |
CN106108842A (zh) * | 2016-04-13 | 2016-11-16 | 中山大学 | 一种基于熵的康复训练和评估方法、系统和装置 |
WO2017101621A1 (zh) * | 2015-12-16 | 2017-06-22 | 深圳先进技术研究院 | 闭环的脑控功能性电刺激系统 |
CN106983639A (zh) * | 2017-05-16 | 2017-07-28 | 重庆博创声远科技有限公司 | 一种辅助偏瘫患者行走装置 |
CN109446972A (zh) * | 2018-10-24 | 2019-03-08 | 电子科技大学中山学院 | 基于肌电信号的步态识别模型建立方法、识别方法及装置 |
CN109670479A (zh) * | 2018-12-29 | 2019-04-23 | 天津理工大学 | 一种智能监控方法及系统 |
CN110013251A (zh) * | 2018-01-04 | 2019-07-16 | 韩国电子通信研究院 | 用于自主意愿下肌电图信号检测的系统和方法 |
CN110464343A (zh) * | 2019-08-16 | 2019-11-19 | 杭州电子科技大学 | 一种基于自主手部动作的增强型脑肌相干方法 |
CN110772262A (zh) * | 2019-12-05 | 2020-02-11 | 广东电网有限责任公司 | 一种人体登塔姿势的舒适度评估方法 |
CN110974232A (zh) * | 2019-12-26 | 2020-04-10 | 上海交通大学 | 穿戴式负重监测与康复训练智能辅助装置 |
CN111161835A (zh) * | 2019-12-27 | 2020-05-15 | 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 | 一种机器人辅助康复训练中患者主动参与度估算方法 |
CN111816309A (zh) * | 2020-07-13 | 2020-10-23 | 国家康复辅具研究中心 | 基于深度强化学习的康复训练处方自适应推荐方法及系统 |
CN111820901A (zh) * | 2020-06-29 | 2020-10-27 | 西安交通大学 | 一种基于脑肌电信号的步态识别方法 |
CN111904428A (zh) * | 2020-06-29 | 2020-11-10 | 西安交通大学 | 一种精细步态相位的脑肌电相关性分析方法 |
CN112137833A (zh) * | 2019-06-27 | 2020-12-29 | 丰田自动车株式会社 | 学习系统、复健辅助系统、方法、程序及学习完毕模型 |
CN112656430A (zh) * | 2021-01-08 | 2021-04-16 | 天津大学 | 基于站立位失衡诱发脑电的卒中平衡康复评估方法 |
CN112932898A (zh) * | 2021-01-28 | 2021-06-11 | 东南大学 | 一种基于贝叶斯优化的按需辅助康复机器人训练方法 |
CN113077866A (zh) * | 2021-03-19 | 2021-07-06 | 国家康复辅具研究中心 | 肢体运动训练方案自动推荐方法和系统 |
CN113081671A (zh) * | 2021-03-31 | 2021-07-09 | 东南大学 | 一种基于贝叶斯优化提高按需辅助康复训练参与度的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080139975A1 (en) * | 2004-02-05 | 2008-06-12 | Motorika, Inc. | Rehabilitation With Music |
CN101961527A (zh) * | 2009-07-21 | 2011-02-02 | 香港理工大学 | 一种结合功能性电刺激和机器人的康复训练系统和训练方法 |
CN102906752A (zh) * | 2010-01-18 | 2013-01-30 | 艾欧敏达有限公司 | 用于神经生理学数据的加权分析的方法和系统 |
CN103431976A (zh) * | 2013-07-19 | 2013-12-11 | 燕山大学 | 基于肌电信号反馈的下肢康复机器人系统及其控制方法 |
-
2015
- 2015-07-16 CN CN201510419976.7A patent/CN105054927B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080139975A1 (en) * | 2004-02-05 | 2008-06-12 | Motorika, Inc. | Rehabilitation With Music |
CN101961527A (zh) * | 2009-07-21 | 2011-02-02 | 香港理工大学 | 一种结合功能性电刺激和机器人的康复训练系统和训练方法 |
CN102906752A (zh) * | 2010-01-18 | 2013-01-30 | 艾欧敏达有限公司 | 用于神经生理学数据的加权分析的方法和系统 |
CN103431976A (zh) * | 2013-07-19 | 2013-12-11 | 燕山大学 | 基于肌电信号反馈的下肢康复机器人系统及其控制方法 |
Non-Patent Citations (2)
Title |
---|
JOHANNA WAGNER等: "Level of participation in robotic-assisted treadmill walking modulates midline", 《NEUROIMAGE》 * |
胡进: "下肢康复机器人及其交互控制方法", 《下肢康复机器人及其交互控制方法》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017101621A1 (zh) * | 2015-12-16 | 2017-06-22 | 深圳先进技术研究院 | 闭环的脑控功能性电刺激系统 |
CN105769186A (zh) * | 2016-03-23 | 2016-07-20 | 河北工业大学 | 基于复杂网络的肌电信号采集位置选取方法 |
CN106108842A (zh) * | 2016-04-13 | 2016-11-16 | 中山大学 | 一种基于熵的康复训练和评估方法、系统和装置 |
CN106983639A (zh) * | 2017-05-16 | 2017-07-28 | 重庆博创声远科技有限公司 | 一种辅助偏瘫患者行走装置 |
CN110013251A (zh) * | 2018-01-04 | 2019-07-16 | 韩国电子通信研究院 | 用于自主意愿下肌电图信号检测的系统和方法 |
US11369304B2 (en) | 2018-01-04 | 2022-06-28 | Electronics And Telecommunications Research Institute | System and method for volitional electromyography signal detection |
CN110013251B (zh) * | 2018-01-04 | 2022-04-15 | 韩国电子通信研究院 | 用于自主意愿下肌电图信号检测的系统和方法 |
CN109446972A (zh) * | 2018-10-24 | 2019-03-08 | 电子科技大学中山学院 | 基于肌电信号的步态识别模型建立方法、识别方法及装置 |
CN109446972B (zh) * | 2018-10-24 | 2021-08-31 | 电子科技大学中山学院 | 基于肌电信号的步态识别模型建立方法、识别方法及装置 |
CN109670479A (zh) * | 2018-12-29 | 2019-04-23 | 天津理工大学 | 一种智能监控方法及系统 |
CN112137833A (zh) * | 2019-06-27 | 2020-12-29 | 丰田自动车株式会社 | 学习系统、复健辅助系统、方法、程序及学习完毕模型 |
CN110464343A (zh) * | 2019-08-16 | 2019-11-19 | 杭州电子科技大学 | 一种基于自主手部动作的增强型脑肌相干方法 |
CN110772262A (zh) * | 2019-12-05 | 2020-02-11 | 广东电网有限责任公司 | 一种人体登塔姿势的舒适度评估方法 |
CN110974232A (zh) * | 2019-12-26 | 2020-04-10 | 上海交通大学 | 穿戴式负重监测与康复训练智能辅助装置 |
CN111161835A (zh) * | 2019-12-27 | 2020-05-15 | 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 | 一种机器人辅助康复训练中患者主动参与度估算方法 |
CN111904428A (zh) * | 2020-06-29 | 2020-11-10 | 西安交通大学 | 一种精细步态相位的脑肌电相关性分析方法 |
CN111820901B (zh) * | 2020-06-29 | 2021-11-19 | 西安交通大学 | 一种基于脑肌电信号的步态识别方法 |
CN111820901A (zh) * | 2020-06-29 | 2020-10-27 | 西安交通大学 | 一种基于脑肌电信号的步态识别方法 |
CN111816309A (zh) * | 2020-07-13 | 2020-10-23 | 国家康复辅具研究中心 | 基于深度强化学习的康复训练处方自适应推荐方法及系统 |
CN112656430A (zh) * | 2021-01-08 | 2021-04-16 | 天津大学 | 基于站立位失衡诱发脑电的卒中平衡康复评估方法 |
CN112932898A (zh) * | 2021-01-28 | 2021-06-11 | 东南大学 | 一种基于贝叶斯优化的按需辅助康复机器人训练方法 |
CN113077866A (zh) * | 2021-03-19 | 2021-07-06 | 国家康复辅具研究中心 | 肢体运动训练方案自动推荐方法和系统 |
CN113081671A (zh) * | 2021-03-31 | 2021-07-09 | 东南大学 | 一种基于贝叶斯优化提高按需辅助康复训练参与度的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105054927B (zh) | 2017-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105054927B (zh) | 一种下肢康复系统中主动参与度的生物量化评估方法 | |
CN110495880B (zh) | 基于经颅电刺激脑肌耦合的运动障碍皮层可塑性管理方法 | |
CN114748080B (zh) | 一种感觉运动功能的检测量化方法和系统 | |
CN204931634U (zh) | 基于生理信息的抑郁症评估系统 | |
CN104000586A (zh) | 基于脑肌电和虚拟场景的脑卒中患者康复训练系统及方法 | |
CN112494054B (zh) | 基于多导肌电与脑电相干的卒中下肢运动康复评估方法 | |
Doheny et al. | Feature-based evaluation of a wearable surface EMG sensor against laboratory standard EMG during force-varying and fatiguing contractions | |
Aschero et al. | Denoising of surface EMG with a modified Wiener filtering approach | |
CN105771087A (zh) | 基于音乐和肌电反馈刺激的康复训练系统 | |
CN111708978B (zh) | 多尺度时频肌间耦合分析方法 | |
CN201701199U (zh) | 疼痛监测仪 | |
CN104887198A (zh) | 基于人体生理信号多参数融合的疼痛定量分析系统及方法 | |
CN105125186B (zh) | 一种确定干预治疗方式的方法及系统 | |
CN116312951B (zh) | 一种基于多模态耦合分析的运动功能评估方法及其系统 | |
Wu et al. | Age-related differences in complexity during handgrip control using multiscale entropy | |
CN115486820A (zh) | 一种针灸疗效及生理效应检测量化的方法、系统和装置 | |
Sun et al. | Optimization of surface electromyography-based neurofeedback rehabilitation intervention system | |
CN112656430A (zh) | 基于站立位失衡诱发脑电的卒中平衡康复评估方法 | |
Alcan et al. | Current developments in surface electromyography | |
Oliveira et al. | On the use of evoked potentials for quantification of pain | |
Majid et al. | Performance assessment of the optimum feature extraction for upper-limb stroke rehabilitation using angular separation method | |
Osipov et al. | Method of time-frequency analysis of compound electromyogram in estimation of neurogenic control efficiency in human skeletal muscles | |
CN201701309U (zh) | 疼痛刺激装置 | |
Retortillo et al. | Functional networks of muscle fibers facilitate inter-muscular coordination | |
Yu et al. | Analysis of stable semg features for bilateral upper limb motion |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |