CN106108842A - 一种基于熵的康复训练和评估方法、系统和装置 - Google Patents

Abstract

本发明公开了一种基于熵的康复训练和评估方法，包括步骤1：初始化参数、规则以及熵值的误差允许范围；步骤2：采集患者在执行训练任务中运动系统输出的生理信号；步骤3：根据步骤2中的输出生理信号获取输出生理信号的熵值；步骤4：判断步骤3中的熵值是否满足熵变化规则和/或熵的误差允许范围；若是，执行步骤5，若否执行步骤6；步骤5：重复步骤2至4直至达到预设的训练任务完成次数；步骤6：调整步骤1中的训练任务的参数，再执行步骤2至4。同时，本发明还提供实现上述方法的系统和装置，本发明在清晰地基于熵量化运动功能基础上，通过调整训练任务，有针对性地控制输出运动信号的复杂度，提升康复效率。

Description

一种基于熵的康复训练和评估方法、系统和装置

技术领域

本发明涉及医疗技术领域，特别是一种基于熵的康复训练和评估方法、系统和装置。

背景技术

脑卒中在很多国家已经成为致残的主要原因之一。约60％的幸存患者存在运动功能缺失的问题。康复训练是一种公认的能够缓解、治疗脑卒中后人体运动功能缺失的有效手段。采取适当的方法对患者进行重复和集中的训练，有助于重塑大脑神经通路，提升患者的肌肉控制能力，进而恢复运动功能。康复评估能够给提供患者的病情和恢复程度的相关信息，进而对康复训练计划的制定以及根据执行效果的修正起到很大的作用。然而传统的评估方法如临床量表等虽然能够在一定程度上反映人体运动功能的状态，但囿于其自身固有的特性，这些方法不能量化特定的功能损伤从而影响康复训练计划制定。

发明内容

熵的概念被应用于生理信号中，并作为一种新型的功能损伤量化方式脑卒中实验中与特定的病理状态相关联。多项研究表明，脑卒中导致的运动功能的缺失会引起患者运动系统输出的各种信号复杂程度(熵)的异常。这些异常往往与特定的神经、肌肉，或者控制机制等的病变相关。因而，将熵引入对脑卒中患者运动功能损伤的评估，能从一个新的角度为康复训练计划的制定提供参考。2008年前后Hong等人发现人在运动适应过程中，运动系统输出的熵、任务熵和环境熵之间存在关联。该结论表明可通过有策略地调整康复训练中训练任务的设置，最终调控运动系统输出信号的复杂度。因此可通过将熵引入康复评估和康复训练用于评价输出运动信号的复杂度，从而使得设计的康复训练更有针对性。

本发明旨在提供一种基于熵的康复训练和评估方法，同时还提供用于实现上述方法的系统和装置，该方法、系统和装置能够在清晰地基于熵量化运动功能基础上，通过调整训练任务，有针对性地控制输出运动信号的复杂度，提升康复效率。

本发明的技术方案为：一方面，本发明公开了一种基于熵的康复训练和评估方法，包括以下步骤：

步骤1：初始化训练任务的参数、运动系统输出生理信号的熵变化规则以及运动系统输出生理信号的熵的误差允许范围；

步骤2：采集患者在执行训练任务中运动系统输出的生理信号；

步骤3：根据步骤2中的输出生理信号获取输出生理信号的熵值；

步骤4：判断步骤3中的熵值是否满足熵变化规则和/或熵的误差允许范围；若是，执行步骤5，若否执行步骤6；

步骤5：判定训练任务设置合理，重复步骤2至4直至达到预设的训练任务完成次数；

步骤6：根据步骤3中的熵值偏离熵变化规则和/或熵的误差允许范围的程度，调整步骤1中的训练任务的参数，再执行步骤2至4。

进一步的，在上述的基于熵的康复训练和评估方法中，由统计正常值和统计患者异常值确定步骤1中的熵变化规则及误差容许范围。

进一步的，熵变化规则可以为保持恒定或者逐渐增大。

进一步的，步骤2中采集的生理信号可以但不限于人体的电生理学、运动学、力学信号。

进一步的，步骤3中输出生理信号的熵值可以通过香农熵或者近似熵或者样本熵或者模糊近似熵或者分布近似熵计算获取。

另一方面，本发明还公开了一种用于实现上述的方法的基于熵的康复训练和评估系统，包括：

参数设置模块，用于初始化训练任务的参数、运动系统输出生理信号的熵变化规则以及运动系统输出生理信号的熵的误差允许范围；

信号采集模块，用于从外设的信号采集装置中采集患者在执行训练任务中运动系统输出的生理信号；

熵值计算模块，用于根据信号采集模块采集的输出生理信号获取输出生理信号的熵值；

误差判断模块，用于判断熵值计算模块得到的熵值是否满足熵变化规则和/或熵的误差允许范围；

训练任务合理性判断和修正模块，用于在误差判断模块的判断结果为是时，判定训练任务设置合理，控制信号采集模块和熵值计算模块在后续训练过程中采集信号和计算熵值直至达到预设的训练次数；或用于在误差判断模块的判断结果为否时，根据熵值偏离熵变化规则和/或熵的误差允许范围的程度，修改训练任务的参数，并控制信号采集模块和熵值计算模块运行。

同时，本发明还公开了一种基于熵的康复训练和评估装置，包括上位机以及与上位机相连的信号采集装置，所述的上位机设有如上述的基于熵的康复训练和评估系统；所述的信号采集装置用于得到患者在执行训练任务中运动系统输出的生理信号。

在本发明中，基于熵的理念改变训练任务，使训练任务中运动系统输出的生理信号在熵的层面上得到优化，针对运动系统控制功能改善脑卒中，本发明能够针对特定的病理状态，定向地评估、科学地制定训练计划，从而使脑卒中患者得以高效、可行地进行运动康复。

附图说明

图1是本发明实施例1的流程方框图；

图2是本发明实施例2的结构方框图；

图3是本发明应用实施例1的实验装置图；

图4a和图4b是本发明应用实施例1的一维和二维视觉反馈界面；

图5是本发明应用实施例2的实验装置图；

图6a和图6b是本发明应用实施例2的视觉增益可变的反馈界面。

具体实施方式

下面结合具体实施方式，对本发明的技术方案作进一步的详细说明，但不构成对本发明的任何限制。

实施例1

参照图1，本实施例示出了一种基于熵的康复训练和评估方法，包括以下步骤：

步骤1：初始化训练任务的参数、运动系统输出生理信号的熵变化规则以及运动系统输出生理信号的熵的误差允许范围；

本步骤中所述的熵变化规则，指的是熵在一段时间内发生变化的规律，例如保持恒定，逐渐增大等。

本步骤中的熵变化规则及熵的误差容许范围由统计正常值和统计患者异常值设定，或者熵变化规则以及熵的误差容许范围的大小和边界由实验及临床经验确定。

步骤2：采集患者在执行训练任务中运动系统输出的生理信号；

患者按照训练任务开始康复训练，在康复训练的过程中，采集患者的运动系统输出的生理信号，该生理信号可以是但不限于人体的电生理学、运动学、力学信号。

步骤3：根据步骤2中的输出生理信号获取输出生理信号的熵值；

输出生理信号的熵值可以通过典型算法如:香农熵、近似熵、样本熵等，或新型算法如模糊近似熵、分布近似熵等等计算获取。

步骤4：判断步骤3中的熵值是否满足熵变化规则和/或熵的误差允许范围；若是，执行步骤5，若否执行步骤6；

步骤5：判定训练任务设置合理，重复步骤2至4直至达到预设的训练任务完成次数；

当输出生理信号的熵值满足熵变化规则和/或熵的误差允许范围，则判定训练任务设置合理，在次回康复训练中，再次采集患者在执行训练任务中运动系统输出的生理信号，根据该输出生理信号获取输出生理信号的熵值，继续判断该熵值是否满足熵变化规则和/或熵的误差允许范围，即循环执行步骤2至4，直至达到预设的训练任务完成次数。

步骤6：根据步骤3中的熵值偏离熵变化规则和/或熵的误差允许范围的程度，调整步骤1中的训练任务的参数，再执行步骤2至4。

在本步骤中，训练任务的参数调整通过统计正常值和统计患者异常值预先设定。

当输出生理信号的熵值不满足熵变化规则和/或熵的误差允许范围，根据步骤3中的熵值偏离熵变化规则和/或熵的误差允许范围的程度，调整步骤1中的训练任务的参数，在次回康复训练中，再次采集患者在执行训练任务中运动系统输出的生理信号，根据该输出生理信号获取输出生理信号的熵值，继续判断该熵值是否满足熵变化规则和/或熵的误差允许范围，即循环执行步骤2至4。

本实施例的优点在于：能够在清晰地基于熵量化运动功能基础上，通过调整训练任务，有针对性地控制输出运动信号的复杂度，提升康复效率。

实施例2

参照图2，示出了本发明的一种用于实现上述的方法的基于熵的康复训练和评估装置，包括上位机1以及与上位机1相连的信号采集装置2，所述的上位机1设有基于熵的康复训练和评估系统3；所述的信号采集装置2用于采集患者在执行训练任务中运动系统输出的生理信号，所述的信号采集装置2可以为电生理学信号采集装置或者运动学信号采集装置或者力学信号采集装置。

具体来说，所述的基于熵的康复训练和评估系统3包括：

参数设置模块31，用于初始化训练任务的参数、运动系统输出生理信号的熵变化规则以及运动系统输出生理信号的熵的误差允许范围；

信号采集模块32，用于从外设的信号采集装置中采集患者在执行训练任务中运动系统输出的生理信号；

熵值计算模块33，用于根据信号采集模块采集的输出生理信号获取输出生理信号的熵值；

误差判断模块34，用于判断熵值计算模块得到的熵值是否满足熵变化规则和/或熵的误差允许范围；

训练任务合理性判断和修正模块35，用于在误差判断模块的判断结果为是时，判定训练任务设置合理，控制信号采集模块和熵值计算模块在后续训练过程中采集信号和计算熵值直至达到预设的训练次数；或用于在误差判断模块的判断结果为否时，根据熵值偏离熵变化规则和/或熵的误差允许范围的程度，修改训练任务的参数，并控制信号采集模块和熵值计算模块运行。

上述的装置能够清晰地熵量化运动功能，依据熵调整训练任务，从而有针对性地控制输出运动信号的复杂度，提升康复效率。

为了更好的对上述的实施例1和2进行详实的说明，通过以下两个具体的应用实施例来说明本发明的具体原理和应用。

应用实施例1：

图3所示的实验装置和图4a、图4b所示的反馈界面共同构成了执行本实施例的康复训练环境。其中，手托1A上的手柄2A连接力矩传感器3A记录在训练任务中受试者手部与手柄2A的接触力。表面肌电电极4A分别采集肱二、肱三头肌肌腹处的肌电信号，其中，5A为DAQ采集卡，6A为显示器，7A为肌电图机，C为服务器即上文的上位机。信号经整流滤波转换成肌电包络，用于控制可移动物块在反馈界面上的坐标。

训练任务为以肩部外展、肘部弯曲、手部抓握手柄的姿式肘关节等张屈曲和等张外展。

步骤1：运动系统输出生理信号的熵变化规则设置为：熵值保持恒定。

当肘关节屈曲时，肱二头肌输出生理信号的熵的误差允许范围为：0.237±35％；

当肘关节外展时，肱三头肌输出生理信号的熵的误差允许范围为：0.306±43％。

等张屈曲及外展任务中肱二、肱三头肌肌电幅值作为控制源，受试者控制可移动物块追踪目标物块。训练任务中，通过设置肌电反馈的维度保证输出熵值的恒定(一维1D是指主动肌肌电反馈的维度；二维2D是指主动肌肌电和拮抗肌肌电反馈的维度)，初始化训练任务的参数，即初始化机电反馈的维度，反馈界面初始化为一维图4a，进行一维界面下的训练。

步骤2：肘关节等张屈曲及外展训练中，表面肌电电极同时采集受试者肱二头肌肌腹、肱三头肌长头肌腹处的表面肌电。

采集的双路肌电信号采用20-450Hz巴特沃斯4阶滤波器进行杂波滤除处理，用于计算肱二头肌、肱三头肌肌电熵。

步骤3：取长度为10秒、代表目标追踪过程的肱二头肌、肱三头肌肌电数据，分别计算肌电模糊近似熵：设数据{u(i):1≤i≤N}长度为N，从中提取N-m+1个m阶的矢量(该例中取m＝2)，矢量表达式为：对两两相异矢量和先取矢量间距离再通过距离取得相似度其中n、r均为相似度函数的参数(该例中取n＝2,r＝0.15)；通过各相异矢量对之间相似度，得到m阶函数

${\mathrm{\φ}}^m=\frac{1}{N-m+1}{\mathrm{\Σ}}_{i=1}^{N-m+1}\ln \left(\frac{1}{N-m+1}{\Σ}_{j=1,i=j,i\≠j}^{N-m+1}{D}_{ij}^m\right);$

同理得m+1阶函数φ^m+1；根据以上两者，得到模糊近似熵

步骤4：取主动肌fApEn(当等张屈曲时取肱二头肌fApEn；当等张外展时取肱三头肌fApEn)，一维界面下(图4a)的训练使fApEn>预置恒定熵值时，调整训练任务，添加维度(图4b)，降低主动肌的熵，执行追踪目标物块任务。其中，二维界面下可移动物块轨迹与一维相同。

在满足fApEn>预置恒定熵值的条件下，重复执行步骤2至4，二维界面下训练次数达20次，则康复训练终止。

应用实施例2

图5所示力性抓握实验装置和图6a、6b的视觉反馈界面构成本例实施的康复训练环境。受试者以肩关节外展，肘关节弯曲的临床训练姿势执行任务，其中，8A为握力装置，9A为力学放大器，10A为DAQ采集卡，11A为个人电脑(包含上文的上位机)。图6a、6b中物块及其轨迹实时反馈握力值，白色线为目标握力(可设置为10％最大握力)，误差带宽度(虚线内区域)作为受试者力性抖动的限制。图6a和图6b是两个不同训练任务参数的视觉反馈界面。

步骤1：初始化图6a和图6b界面，在图6a和图6b反馈界面下分别执行训练任务。如图6a，受试者执行15s的1.25％MVC恒定误差带宽握力控制；如图6b误差带宽自0.625％MVC，以+0.125％MVC/s变化率，经15s。

输出力学信号的熵变化规则及熵的误差允许范围设置为：

在图6a所示的训练任务中，输出力学信号的熵变化规则为熵值恒定，熵的误差允许范围为0.0034±13％；

在图6b所示的训练任务中，输出力学信号的熵变化规则为熵值增加，熵的误差允许范围为0.003-0.006±8％。

步骤2：在执行图6a、图6b所示的训练任务中，采集四路力学信号经求和、20Hz低通滤波等信号预处理得到15s单路握力信号。

步骤3：按照模糊近似熵的计算方法，得到输出力学信号的模糊近似熵fApEn。

对子任务一(图6a)，

步骤4：以5s窗不重叠地取fApEn，并取15s平均。fApEn<0.0034-13％或fApEn>0.0034+13％，则进行训练任务设置调整，训练任务调整如下：

当fApEn<0.0034-13％，则增大误差带宽度(如重置为0.1％MVC)。当fApEn>0.0034+13％，则减小误差带宽度(如重置为0.3125％MVC)。

对子任务二(图6b)，

步骤4：以1s窗不重叠地取fApEn，取15s的曲线。fApEn(15)-fApEn(1)<0.003×8％或fApEn(1～15)<0.003-8％、fApEn(1～15)>0.006+8％，则进行训练任务设置调整，训练任务调整如下：

当fApEn(15)-fApEn(1)<0.003×8％，降低变化率(如+0.03125％MVC/s)，延长训练时间；

当fApEn(1～15)<0.003-8％，则增大始末误差带宽度(如1％MVC～2.5％MVC)。

当fApEn(1～15)>0.006+8％，则减小始末误差带宽度(如0.3125％MVC～0.1％MVC)。

对任务一以及任务二，重复执行步骤2至4，当各自训练次数达30次时，终止该任务训练。

上述2个应用实施例所述的康复训练中基于熵的理念改变训练任务，使受试者的输出(肌电、力学)在熵的层面上(模糊近似熵)得到优化，针对运动系统控制功能改善脑卒中预后。对比其他的训练和评估方法，本方法能够针对某一些特定的病理状态，定向地评估、科学地制定训练计划，从而使脑卒中患者得以高效、可行地进行运动康复。

以上所述的仅为本发明的较佳实施例，凡在本发明的精神和原则范围内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于熵的康复训练和评估方法，其特征在于，包括以下步骤：

步骤1：初始化训练任务的参数、运动系统输出生理信号的熵变化规则以及运动系统输出生理信号的熵的误差允许范围；

步骤2：采集患者在执行训练任务中运动系统输出的生理信号；

步骤3：根据步骤2中的输出生理信号获取输出生理信号的熵值；

步骤4：判断步骤3中的熵值是否满足熵变化规则和/或熵的误差允许范围；若是，执行步骤5，若否执行步骤6；

步骤5：判定训练任务设置合理，重复步骤2至4直至达到预设的训练任务完成次数；

步骤6：根据步骤3中的熵值偏离熵变化规则和/或熵的误差允许范围的程度，调整步骤1中的训练任务的参数，再执行步骤2至4。

2.根据权利要求1所述的基于熵的康复训练和评估方法，其特征在于，

由统计正常值和统计患者异常值确定运动系统输出生理信号的熵变化规则以及运动系统输出生理信号的熵的误差允许范围。

3.根据权利要求1所述的基于熵的康复训练和评估方法，其特征在于，所述的熵变化规则可以为保持恒定或者逐渐增大。

4.根据权利要求3所述的基于熵的康复训练和评估方法，其特征在于，采集的生理信号可以是人体的电生理学或者运动学或者力学信号。

5.根据权利要求1至4任一所述的基于熵的康复训练和评估方法，其特征在于，所述的根据步骤2中的输出生理信号获取输出生理信号的熵值的步骤，具体为：

输出生理信号的熵值可以通过香农熵或者近似熵或者样本熵或者模糊近似熵或者分布近似熵计算获取。

6.一种用于实现权利要求1至5任一所述的方法的基于熵的康复训练和评估系统，其特征在于，包括：

参数设置模块，用于初始化训练任务的参数、运动系统输出生理信号的熵变化规则以及运动系统输出生理信号的熵的误差允许范围；

信号采集模块，用于从外设的信号采集装置中采集患者在执行训练任务中运动系统输出的生理信号；

熵值计算模块，用于根据信号采集模块采集的输出生理信号获取输出生理信号的熵值；

误差判断模块，用于判断熵值计算模块得到的熵值是否满足熵变化规则和/或熵的误差允许范围；

训练任务合理性判断和修正模块，用于在误差判断模块的判断结果为是时，判定训练任务设置合理，控制信号采集模块和熵值计算模块在后续训练过程中采集信号和计算熵值直至达到预设的训练次数；或用于在误差判断模块的判断结果为否时，根据熵值偏离熵变化规则和/或熵的误差允许范围的程度，修改训练任务的参数，并控制信号采集模块和熵值计算模块运行。

7.一种基于熵的康复训练和评估装置，其特征在于，包括上位机以及与上位机相连的信号采集装置，所述的上位机设有如上述的基于熵的康复训练和评估系统；所述的信号采集装置用于得到患者在执行训练任务中运动系统输出的生理信号。