CN111544004A - 脑卒中患者运动功能检测系统、方法、装置 - Google Patents
脑卒中患者运动功能检测系统、方法、装置 Download PDFInfo
- Publication number
- CN111544004A CN111544004A CN202010411781.9A CN202010411781A CN111544004A CN 111544004 A CN111544004 A CN 111544004A CN 202010411781 A CN202010411781 A CN 202010411781A CN 111544004 A CN111544004 A CN 111544004A
- Authority
- CN
- China
- Prior art keywords
- motion
- data
- damv
- motion segment
- psi
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 208000006011 Stroke Diseases 0.000 title claims abstract description 37
- 230000006870 function Effects 0.000 claims abstract description 26
- 230000004927 fusion Effects 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 210000003205 muscle Anatomy 0.000 claims description 30
- 210000000707 wrist Anatomy 0.000 claims description 27
- 230000007659 motor function Effects 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 22
- 230000000694 effects Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000036461 convulsion Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000036541 health Effects 0.000 claims description 6
- 210000002758 humerus Anatomy 0.000 claims description 6
- 210000000623 ulna Anatomy 0.000 claims description 6
- 230000002490 cerebral effect Effects 0.000 claims description 4
- 206010008190 Cerebrovascular accident Diseases 0.000 claims description 3
- 206010010947 Coordination abnormal Diseases 0.000 claims description 3
- 210000002659 acromion Anatomy 0.000 claims description 3
- 210000000245 forearm Anatomy 0.000 claims description 3
- 210000002221 olecranon process Anatomy 0.000 claims description 3
- 210000000062 pectoralis major Anatomy 0.000 claims description 3
- 210000001991 scapula Anatomy 0.000 claims description 3
- 206010019468 Hemiplegia Diseases 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000007405 data analysis Methods 0.000 abstract description 2
- 230000000750 progressive effect Effects 0.000 abstract 1
- 210000001513 elbow Anatomy 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 9
- 238000012706 support-vector machine Methods 0.000 description 9
- 210000001364 upper extremity Anatomy 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000005452 bending Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011158 quantitative evaluation Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 206010061296 Motor dysfunction Diseases 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 208000026106 cerebrovascular disease Diseases 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 210000003414 extremity Anatomy 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 210000001037 metacarpus Anatomy 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 1
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 208000005392 Spasm Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 239000002390 adhesive tape Substances 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 208000029028 brain injury Diseases 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 206010008118 cerebral infarction Diseases 0.000 description 1
- 210000004720 cerebrum Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 210000004247 hand Anatomy 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1118—Determining activity level
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/389—Electromyography [EMG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明属于数据分析领域，具体涉及一种脑卒中患者运动功能检测系统、方法、装置。本发明系统基于被测对象手臂的多个运动片段的运动学和生理学模态的数据，利用运动协同分析方法和多模态数据融合技术，通过三个分类器进行递进分类，实现了对脑卒中偏瘫患者的运动功能进行全面的分析检测，提高了脑卒中患者运动功能检测的准确度。
Description
技术领域
本发明属于数据分析领域，具体涉及一种脑卒中患者运动功能检测系统、方法、装置。
背景技术
脑卒中是一种由于脑部血管的阻塞或破裂而引起的持续性脑组织的功能结构受损的急性脑血管疾病，大多数患者会产生不同程度的运动功能障碍，其中上肢运动功能障碍的发生率最高，严重影响其生活自理能力，给家庭和社会带来沉重的负担。研究表明，脑卒中患者需要通过长期的运动康复训练促进脑部损伤中枢神经与肢体之间的联系，从而实现对肢体行为的有效控制。运动功能评价作为康复训练流程中的基础环节，客观准确的评估结果可以为制定合理有效的康复训练计划提供有效依据，因此对脑卒中患者的运动功能进行全面的评定具有重要的意义。
目前临床上常用的脑卒中运动功能评价方法有Brunnstrom运动功能恢复6级分期法、Fugl-Meyer运动功能评价法和改良Ashworth痉挛评定量表等。这些传统的康复评价方法以医生观察为主，辅助一些定性或宏观的测量数据，结合量表打分完成，所得到的半定量评估结果易受医生主观经验的影响且难免存在偏差。因此急需开发出功能强大的自动化评价系统，实现对患者运动功能的客观的量化评价，从而使患者的康复训练计划更具有针对性并且更有助于恢复。
近年来，国内外大多数关于运动功能评价的研究都基于数据驱动的机器学习方法，可以准确识别异常的运动模式，而且对于未知的运动学数据也具有一定的泛化能力，但是这类方法从本质上属于定性的分析方法，无法准确描述不同运动模式之间差异性的定量信息。针对运动功能定量评估的问题，一些文献中利用单一模态的传感器数据信息从某一特定的方面来反映受试者的上肢运动模式，得到的量化评估结果不够全面。
本发明为克服上述存在的问题，将定性分析方法和定量分析方法的优势结合起来，从运动层面分析了单关节的空间够取轨迹和多关节之间的协同信息，从肌肉活动层面分析了单块肌肉的收缩模式以及多肌肉之间的协同信息，最后将不同模态的数据有效地融合在一起，实现对脑卒中患者运动功能的全面分析，同时生成一种基于概率的自定义得分用于定量评价患者的上肢运动能力。
发明内容
为了解决现有技术中的上述问题，即为了解决现有脑卒中患者运动功能检测方法无法得到全面的量化结果的问题，本发明的第一方面，提出了一种脑卒中患者运动功能检测系统，包括第一分类模块、第二分类模块、第三分类器；
所述第一分类模块，配置为基于每个运动片段的输入向量
和
通过第一分类器分别得到对应每个运动片段运动学和肌肉活动层面的属于设定类别的第一预测概率
和
其中
包含对应运动片段的腕部轨迹与预设的标准最小急动度轨迹之间的偏差的均值MVd和标准差SDd、肘部、腕部及手部的运动特征DAMVe,DAMVw和DAMVh，
包含每个运动片段中对应肌电信号的信号幅值的平均绝对值MAVm和标准差SDm；
所述第二分类模块，配置为基于输入向量
和
通过第二分类器分别得到每个运动片段运动学和肌肉活动层面的属于设定类别的第二预测概率
和
其中
包含
及ψk，
包含
及ψm；ψk和ψm分别为按照设定的规则计算各运动片段中运动协同异常程度与肌肉协同的异常程度；
所述第三分类器，配置为利用SVM融合算法来对第二决策
和
进行融合，得到属于设定类别的第三预测概率，并作为最终的预测结果。
在一些优选的实施方式中，该系统还包括数据获取单元；
所述数据获取单元，配置为获取执行设定检测任务过程中，被测对象手臂的多个运动片段的运动学模态数据和生理学模态数据，作为第一数据。
在一些优选的实施方式中，该系统还包括第一计算单元、第二计算单元、第三计算单元、第四计算单元；
所述第一计算单元，配置为基于所述第一数据，获取每个运动片段中腕部轨迹Xa与预设的标准最小急动度轨迹Xs之间的偏差
并计算每个运动片段中偏差
的均值MVd和标准差SDd；
所述第二计算单元，配置为基于所述第一数据，分别获取每个运动片段中肘部、腕部及手部的运动特征DAMVe,DAMVw和DAMVh；
所述第三计算单元，配置为基于所述第一数据，分别提取每个运动片段中对应肌电信号的信号幅值的平均绝对值MAVm和标准差SDm；
所述第四计算单元，配置为基于所述第一数据及预设的健康数据，按照设定的规则计算各运动片段中运动协同异常程度ψk与肌肉协同的异常程度ψm。
在一些优选的实施方式中，运动协同异常程度ψk和/或肌肉协同的异常程度ψm的计算方法为：
其中，S1和S2分别代表了被测对象和预设的健康人数据中提取的运动协同，σi和λi分别是两个相关矩阵的第i个特征向量ui和vi对应的特征值。
在一些优选的实施方式中，所述运动学模态数据的采集位置包括：第二掌骨根部、第五掌骨根部、桡骨茎突、尺骨茎突、前臂外侧中部、桡骨头、尺骨鹰嘴、肱骨中部外侧、肱骨头、肩峰、肩胛骨上角。
在一些优选的实施方式中，所述生理学模态数据的采集部位包括：旋前圆肌、肱二头肌、肱三头肌、三角肌前中后部、胸大肌、上斜方肌、肱桡肌、指伸肌。
在一些优选的实施方式中，所述运动片段为，被测对象执行设定检测任务过程中，每次抓取或够取动作。
在一些优选的实施方式中，所述运动片段中，每次抓取或够取动作的起始点为手部运动速度初次超过设定值的位置，结束标志为手部返回所述起始点。
本发明的第二方面，提出了一种脑卒中患者运动功能检测方法，括以下步骤：
步骤S100，获取执行设定检测任务过程中，被测对象手臂的多个运动片段的运动学和生理学模态的数据，作为第一数据；
步骤S200，基于所述第一数据，获取每个运动片段中腕部轨迹Xa与预设的标准最小急动度轨迹Xs之间的偏差
并计算每个运动片段中偏差
的均值MVd和标准差SDd；
步骤S300，基于所述第一数据，分别获取每个运动片段中肘部、腕部及手部的运动特征DAMVe,DAMVw和DAMVh；
步骤S400，基于所述第一数据，分别提取每个运动片段中对应肌电信号的信号幅值的平均绝对值MAVm和标准差SDm；
步骤S500，基于所述第一数据及预设的健康数据，按照设定的规则计算各运动片段中运动协同异常程度ψk与肌肉协同的异常程度ψm；
步骤S600，基于输入向量
和
通过第一分类器分别得到每个运动片段运动学和肌肉活动层面的第一预测概率
和
其中
包含MVd、SDd、DAMVe、DAMVw和DAMVh特征，
包含10个通道肌电信号的MAVm和SDm特征；
步骤S700，基于输入向量
和
通过第二分类器分别得到每个运动片段运动学和肌肉活动层面的第二预测概率
和
其中
包含
及ψk特征，
包含
及ψm特征；
步骤S800，利用SVM融合算法来对第二决策
和
进行融合，得到第三预测概率，并作为最终的预测结果。
本发明的第三方面，提出了一种存储装置，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的一种脑卒中患者运动功能检测方法。
本发明的第四方面，提出了一种处理装置，包括处理器、存储装置；处理器，适于执行各条程序；存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的一种脑卒中患者运动功能检测方法。
本发明的有益效果：
本发明利用运动协同分析方法和多模态数据融合技术对脑卒中偏瘫患者的运动功能进行全面的分析，同时生成一种基于概率的自定义得分用于定量评估患者的上肢运动能力，可以准确的对脑卒中患者运动功能进行检测。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本发明一种实施例的脑卒中患者运动功能检测方法流程示意图。
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例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
为了更清晰地对本发明进行说明，下面基于一个具体示例对本方发明进行展开详述。按步骤展开可以使本发明技术方案更明了，以下描述先从方法步骤的角度对本发明技术方案进行说明，然后再从系统的角度进行详述。
本实施例适用于满足以下标准的脑卒中患者：
a.一侧脑梗死或脑出血，首次发病，病程大于1个月，经颅脑CT或MRI证实为大脑半球病变；
b.经Brunnstrom(布伦斯特伦)功能恢复6级分期法评定达到3级及以上
c.听觉理解能力基本正常，能配合检查和完成试验；
d.无其他已确诊的影响上肢功能的疾病。
本实施例的一种脑卒中患者运动功能检测方法，包括以下步骤S100-S800。
步骤S100，获取执行设定检测任务过程中，被测对象手臂的多个运动片段的运动学和生理学模态的数据，作为第一数据。
(1)利用能够支持不同位置以及不同方向的够取和抓取任务的实验平台，指导患者完成以下4中任务：够取运动、0°抓取运动、45°抓取运动、90°抓取运动。其中，够取任务要求患者用食指依次触碰9个目标点，抓取任务要求患者以舒适的姿势依次抓取9个目标，不同抓取任务中目标的方向不同，分别为相对于重力方向的0°、45°、90°倾角。在患者完成任务的过程中，利用Qualisys运动捕捉系统(Qualisys公司，瑞典)和ME6000系统(MegaElectronics公司，芬兰)同步采集患侧上肢的运动学数据和电生理数据。
对于运动学数据的采集，依据人体解剖系统标定技术中所规定的位置，利用双面胶在患者患侧手臂粘贴11个标记球，分别位于第二掌骨根部、第五掌骨根部、桡骨茎突、尺骨茎突、前臂外侧中部、桡骨头、尺骨鹰嘴、肱骨中部外侧、肱骨头、肩峰、肩胛骨上角。
对于电生理数据的采集，分别采集以下10块肌肉上的肌电信号：旋前圆肌、肱二头肌、肱三头肌、三角肌前中后部、胸大肌、上斜方肌、肱桡肌、指伸肌。
在数据采集过程中，不同采集设备之间的控制与同步是通过Qualisys TrackManager(Qualisys公司，瑞典)来实现的。
(2)分别对所采集到的运动学和电生理数据进行的处理，具体方法为：
对于运动学数据，首先利用Visual 3D软件(C-Motion公司，美国)将采集到的标记球运动轨迹转换为工作空间的三维坐标，并利用4阶的巴特沃斯滤波器进行低通滤波，然后通过计算得到患侧上肢运动过程中的7个主要的关节角，分别是肩部内/外旋转，肩部弯曲/伸展，肩部内收/外展，肘部弯曲/伸展，腕部旋前/旋后，腕部弯曲/伸展，腕部尺/桡偏移。
对于电生理数据，对10个通道的肌电信号进行带通滤波去除直流偏置和高频噪声，然后进行全波整流和低通滤波以获得肌电信号的包络线，最后对其进行归一化处理。
最后，根据运动速度对四种任务中针对每个目标的运动进行分割，手部运动速度超过0.05m/s的时刻作为该目标运动的开始(以开始的位置为起始点)，手部返回起始点作为该目标运动的结束，因此可以获得4*9＝36个运动片段，每个运动片段包含两种运动学和生理学两个模态的数据。
步骤S200，基于所述第一数据，获取每个运动片段中腕部轨迹Xa与预设的标准最小急动度轨迹Xs之间的偏差
并计算每个运动片段中偏差
的均值MVd和标准差SDd。
根据每个运动片段中腕部运动轨迹的起始点及运动时间规划标准最小急动度轨迹：
x(t)＝xi+(xd-xi)(10τ3-15τ4+6τ5)
y(t)＝yi+(yd-yi)(10τ3-15τ4+6τ5)
z(t)＝zi+(zd-zi)(10τ3-15τ4+6τ5)
其中，x(t)、y(t)、z(t)分别为t时刻三维坐标系下的坐标，xi、yi、zi分别为腕部运动起点的三维坐标，xd、yd、zd分别为腕部运动终点的三维坐标，τ为总的运动时间。
计算腕部实际运动轨迹Xa与标准最小急动度轨迹Xs之间的偏差
其中X＝[x,y,z]T是三维笛卡尔坐标。
在此基础上，通过计算可以得到该运动片段中轨迹偏差X的均值MVd和标准差SDd：
其中，
代表第k个采样点的偏差值，N1为样本数量。
步骤S300，基于所述第一数据，分别获取每个运动片段中肘部、腕部及手部的运动特征DAMVe、DAMVw、DAMVh。
对于肘部、腕部及手部的运动行为，利用运动位移的差分绝对均值(DifferenceAbsolutely Mean Value,DAMV)描述运动振幅，计算公式为：
其中，Xi为第i时刻肘部、腕部、手部的三维坐标，N2为该片段的样本数量。
基于上述公式，可以得到DAMVe、DAMVw、DAMVh分别描述肘部、腕部及手部的运动特征。
步骤S400，基于所述第一数据，分别提取每个运动片段中对应肌电信号的信号幅值的平均绝对值MAVm和标准差SDm。
对于10个通道的肌电信号，分别提取信号幅值的平均绝对值MAVm和标准差SDm：
其中，uk表示肌电信号序列的第k个数据点，N3是数据序列的长度。
步骤S500，基于所述第一数据及预设的健康数据，按照设定的规则计算各运动片段中运动协同异常程度ψk与肌肉协同的异常程度ψm。
对于每个运动片段，将步骤S100中得到的关节角数据组成一个Nm×7的矩阵，其中Nm是该片段的样本数量，利用PCA算法求出其相关矩阵的特征向量和特征值，然后根据特征值的大小对特征向量进行排序，再利用kWAS算法与已有健康被试者数据库中的特征向量进行比较：
其中，σi和λi分别是两个相关矩阵的第i个特征向量ui和vi对应的特征值，S1和S2分别代表了患者和健康人数据中提取的运动协同，此处n的取值为7。
对步骤S100中得到的肌电数据(Nm×10的矩阵)进行同样的处理以完成对病态肌肉协同的量化，其中n的取值为10。因此可以得到ψk和ψm两个值分别代表该运动片段中运动协同异常程度与肌肉协同的异常程度，二者的值在[0,1]之间变化且随着患者运动功能的恢复而减小。
步骤S600，基于输入向量
和
通过第一分类器分别得到每个运动片段运动学和肌肉活动层面的第一预测概率
和
其中
包含MVd、SDd、DAMVe、DAMVw和DAMVh特征，为三维轨迹特征提取的内容；
包含10个通道肌电信号的MAVm和SDm特征，为肌肉活动特征提取的内容。
对于运动学以及肌肉活动层面分别构造单模态的初级分类器(第一分类器)的输入向量
和
其中，
和
分别表示该运动片段中基于运动学数据和肌电信号的输入向量，
包含MVd、SDd、DAMVe、DAMVw和DAMVh特征，
包含10个通道肌电信号的MAVm和SDm特征。
通过支持向量机(Support Vector Machine,SVM)分类器得到的输出为
和
其中，
和
分别表示运动学和肌肉活动层面的初级决策，即描述了该患者的第i个运动片段的运动模式属于某个类别的可能性的初级预测概率。
步骤S700，基于输入向量
和
通过第二分类器分别得到每个运动片段运动学和肌肉活动层面的第二预测概率
和
其中
包含
及ψk特征，
包含
及ψm特征。
利用初级分类器的输出和运动协同的量化结果共同构成单模态的集成分类器(第二分类器)的输入向量
和
其中，
和
表示该运动片段中基于运动学数据和肌电信号的输入向量，
包含
及ψk特征，
包含
及ψm特征。
通过支持向量机(Support Vector Machine,SVM)分类器得到的输出为
和
其中，
和
表示运动学和肌肉活动层面的最终决策，即描述了该患者的第i个运动片段的运动模式属于某个类别的可能性的最终预测概率。
步骤S800，利用SVM融合算法来对第二决策
和
进行融合，得到第三预测概率，并作为最终的预测结果。
利用两种模态集成分类器的输出
和
构成融合分类器的输入，利用SVM融合分类算法来对不同模态的语义信息进行进一步的融合的预测概率Ri：
其中，Gsvm()表示融合分类算法。
对属于该患者的36个运动片段的融合分类器输出的预测概率计算均值，作为上肢运动功能得分，可以实现对患者运动障碍程度的进一步的量化分析。由于将患者的上肢运动能力表示为一个0-36之间的实数，且该数值越接近于0时表明该患者的运动功能障碍程度越轻，因此结合了运动层面的单关节的空间够取轨迹和多关节之间的协同信息，以及肌肉活动层面的单块肌肉的收缩模式以及多肌肉之间的协同信息，实现了对脑卒中偏瘫患者的运动功能的全面的定量评价。
本发明第二实施例的一种脑卒中患者运动功能检测系统，包括第一分类模块、第二分类模块、第三分类器；在一些优选实施例中还可以进一步包括数据获取单元、第一计算单元、第二计算单元、第三计算单元、第四计算单元。
所述数据获取单元，配置为获取执行设定检测任务过程中，被测对象手臂的多个运动片段的运动学模态数据和生理学模态数据，作为第一数据。
所述第一计算单元，配置为基于所述第一数据，获取每个运动片段中腕部轨迹Xa与预设的标准最小急动度轨迹Xs之间的偏差
并计算每个运动片段中偏差
的均值MVd和标准差SDd；
所述第二计算单元，配置为基于所述第一数据，分别获取每个运动片段中肘部、腕部及手部的运动特征DAMVe,DAMVw和DAMVh；
所述第三计算单元，配置为基于所述第一数据，分别提取每个运动片段中对应肌电信号的信号幅值的平均绝对值MAVm和标准差SDm；
所述第四计算单元，配置为基于所述第一数据及预设的健康数据，按照设定的规则计算各运动片段中运动协同异常程度ψk与肌肉协同的异常程度ψm。
所述第一分类模块，配置为基于每个运动片段的输入向量
和
通过第一分类器分别得到对应每个运动片段运动学和肌肉活动层面的属于设定类别的第一预测概率
和
其中
包含对应运动片段的腕部轨迹与预设的标准最小急动度轨迹之间的偏差的均值MVd和标准差SDd、肘部、腕部及手部的运动特征DAMVe,DAMVw和DAMVh，
包含每个运动片段中对应肌电信号的信号幅值的平均绝对值MAVm和标准差SDm；
所述第二分类模块，配置为基于输入向量
和
通过第二分类器分别得到每个运动片段运动学和肌肉活动层面的属于设定类别的第二预测概率
和
其中
包含
及ψk，
包含
及ψm；ψk和ψm分别为按照设定的规则计算各运动片段中运动协同异常程度与肌肉协同的异常程度；
所述第三分类器，配置为利用SVM融合算法来对第二决策
和
进行融合，得到属于设定类别的第三预测概率，并作为最终的预测结果。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的脑卒中患者运动功能检测系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第三实施例的一种存储装置，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的一种脑卒中患者运动功能检测方法。
本发明第四实施例的一种处理装置，包括处理器、存储装置；处理器，适于执行各条程序；存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的一种脑卒中患者运动功能检测方法。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (11)
1.一种脑卒中患者运动功能检测系统，其特征在于，包括第一分类模块、第二分类模块、第三分类器；
所述第一分类模块，配置为基于每个运动片段的输入向量
和
通过第一分类器分别得到对应每个运动片段运动学和肌肉活动层面的属于设定类别的第一预测概率
和
其中
包含对应运动片段的腕部轨迹与预设的标准最小急动度轨迹之间的偏差的均值MVd和标准差SDd、肘部、腕部及手部的运动特征DAMVe,DAMVw和DAMVh，
包含每个运动片段中对应肌电信号的信号幅值的平均绝对值MAVm和标准差SDm；
所述第二分类模块，配置为基于输入向量
和
通过第二分类器分别得到每个运动片段运动学和肌肉活动层面的属于设定类别的第二预测概率
和
其中
包含
及ψk，
包含
及ψm；ψk和ψm分别为按照设定的规则计算各运动片段中运动协同异常程度与肌肉协同的异常程度；
所述第三分类器，配置为利用SVM融合算法来对第二决策
和
进行融合，得到属于设定类别的第三预测概率，并作为最终的预测结果。
2.根据权利要求1所述的脑卒中患者运动功能检测系统，其特征在于，该系统还包括数据获取单元；
所述数据获取单元，配置为获取执行设定检测任务过程中，被测对象手臂的多个运动片段的运动学模态数据和生理学模态数据，作为第一数据。
3.根据权利要求2所述的脑卒中患者运动功能检测系统，其特征在于，该系统还包括第一计算单元、第二计算单元、第三计算单元、第四计算单元；
所述第一计算单元，配置为基于所述第一数据，获取每个运动片段中腕部轨迹Xa与预设的标准最小急动度轨迹Xs之间的偏差
并计算每个运动片段中偏差
的均值MVd和标准差SDd；
所述第二计算单元，配置为基于所述第一数据，分别获取每个运动片段中肘部、腕部及手部的运动特征DAMVe,DAMVw和DAMVh；
所述第三计算单元，配置为基于所述第一数据，分别提取每个运动片段中对应肌电信号的信号幅值的平均绝对值MAVm和标准差SDm；
所述第四计算单元，配置为基于所述第一数据及预设的健康数据，按照设定的规则计算各运动片段中运动协同异常程度ψk与肌肉协同的异常程度ψm。
4.根据权利要求3所述的脑卒中患者运动功能检测系统，其特征在于，运动协同异常程度ψk和/或肌肉协同的异常程度ψm的计算方法为：
其中，S1和S2分别代表了被测对象和预设的健康人数据中提取的运动协同，σi和λi分别是两个相关矩阵的第i个特征向量ui和vi对应的特征值。
5.根据权利要求2-4任一项所述的脑卒中患者运动功能检测系统，其特征在于，所述运动学模态数据的采集位置包括：第二掌骨根部、第五掌骨根部、桡骨茎突、尺骨茎突、前臂外侧中部、桡骨头、尺骨鹰嘴、肱骨中部外侧、肱骨头、肩峰、肩胛骨上角。
6.根据权利要求2-4任一项所述的脑卒中患者运动功能检测系统，其特征在于，所述生理学模态数据的采集部位包括：旋前圆肌、肱二头肌、肱三头肌、三角肌前中后部、胸大肌、上斜方肌、肱桡肌、指伸肌。
7.根据权利要求1-4任一项所述的脑卒中患者运动功能检测系统，其特征在于，所述运动片段为，被测对象执行设定检测任务过程中，每次抓取或够取动作。
8.根据权利要求7所述的脑卒中患者运动功能检测系统，其特征在于，所述运动片段中，每次抓取或够取动作的起始点为手部运动速度初次超过设定值的位置，结束标志为手部返回所述起始点。
9.一种脑卒中患者运动功能检测方法，其特征在于，包括以下步骤：
步骤S100，获取执行设定检测任务过程中，被测对象手臂的多个运动片段的运动学和生理学模态的数据，作为第一数据；
步骤S200，基于所述第一数据，获取每个运动片段中腕部轨迹Xa与预设的标准最小急动度轨迹Xs之间的偏差
并计算每个运动片段中偏差
的均值MVd和标准差SDd；
步骤S300，基于所述第一数据，分别获取每个运动片段中肘部、腕部及手部的运动特征DAMVe、DAMVw和DAMVh；
步骤S400，基于所述第一数据，分别提取每个运动片段中对应肌电信号的信号幅值的平均绝对值MAVm和标准差SDm；
步骤S500，基于所述第一数据及预设的健康数据，按照设定的规则计算各运动片段中运动协同异常程度ψk与肌肉协同的异常程度ψm；
步骤S600，基于输入向量
和
通过第一分类器分别得到每个运动片段运动学和肌肉活动层面的第一预测概率
和
其中
包含MVd,SDd、DAMVe、DAMVw和DAMVh特征，
包含10个通道肌电信号的MAVm和SDm特征；
步骤S700，基于输入向量
和
通过第二分类器分别得到每个运动片段运动学和肌肉活动层面的第二预测概率
和
其中
包含
及ψk特征，
包含
及ψm特征；
步骤S800，利用SVM融合算法来对第二决策
和
进行融合，得到第三预测概率，并作为最终的预测结果。
10.一种存储装置，其中存储有多条程序，其特征在于，所述程序适于由处理器加载并执行以实现权利要求9所述的一种脑卒中患者运动功能检测方法。
11.一种处理装置，包括处理器、存储装置；处理器，适于执行各条程序；存储装置，适于存储多条程序；其特征在于，所述程序适于由处理器加载并执行以实现权利要求9所述的一种脑卒中患者运动功能检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010411781.9A CN111544004A (zh) | 2020-05-15 | 2020-05-15 | 脑卒中患者运动功能检测系统、方法、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010411781.9A CN111544004A (zh) | 2020-05-15 | 2020-05-15 | 脑卒中患者运动功能检测系统、方法、装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111544004A true CN111544004A (zh) | 2020-08-18 |
Family
ID=72004747
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010411781.9A Pending CN111544004A (zh) | 2020-05-15 | 2020-05-15 | 脑卒中患者运动功能检测系统、方法、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111544004A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114391828A (zh) * | 2022-03-01 | 2022-04-26 | 郑州大学 | 一种用于脑卒中患者的积极心理护理干预系统 |
| CN114648514A (zh) * | 2022-03-30 | 2022-06-21 | 中国人民解放军总医院第二医学中心 | 一种脑动脉定位提取方法、装置、电子设备及存储介质 |
| CN115089196A (zh) * | 2022-08-22 | 2022-09-23 | 博睿康科技（常州）股份有限公司 | 在线信号的时相检测方法、时相检测单元、闭环调控系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103417218A (zh) * | 2013-08-27 | 2013-12-04 | 中山大学附属第一医院 | 一种上肢运动的参数采集评估系统及方法 |
| WO2015006235A1 (en) * | 2013-07-12 | 2015-01-15 | The State Of Oregon Acting By And Through The State Board Of Higher Education On Behalf Of The University Of Oregon | Powered prosthetic devices using emg-based locomotion state classifier |
| CN106067178A (zh) * | 2016-05-30 | 2016-11-02 | 杭州电子科技大学 | 一种基于肌肉协同激活模型的手部关节运动连续估计方法 |
| CN108958474A (zh) * | 2018-05-29 | 2018-12-07 | 西北工业大学 | 一种基于误差权重的动作识别多传感信息融合方法 |
| CN109620651A (zh) * | 2018-11-16 | 2019-04-16 | 中国科学技术大学 | 基于同步脑肌电的智能辅助康复设备 |
| CN109833040A (zh) * | 2019-01-31 | 2019-06-04 | 中国医学科学院生物医学工程研究所 | 基于光电联合检测的人体运动能力评估装置及其评估方法 |
| CN109875565A (zh) * | 2019-01-25 | 2019-06-14 | 电子科技大学 | 一种基于深度学习的脑卒中上肢运动功能自动评定方法 |
| EP3498169A1 (en) * | 2017-12-13 | 2019-06-19 | Tata Consultancy Services Limited | System and method for classification and quantitative estimation of cognitive stress |
| CN110755085A (zh) * | 2019-10-29 | 2020-02-07 | 南京茂森电子技术有限公司 | 基于关节活动度与运动协调性的运动功能评估方法及设备 |
-
2020
- 2020-05-15 CN CN202010411781.9A patent/CN111544004A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015006235A1 (en) * | 2013-07-12 | 2015-01-15 | The State Of Oregon Acting By And Through The State Board Of Higher Education On Behalf Of The University Of Oregon | Powered prosthetic devices using emg-based locomotion state classifier |
| CN103417218A (zh) * | 2013-08-27 | 2013-12-04 | 中山大学附属第一医院 | 一种上肢运动的参数采集评估系统及方法 |
| CN106067178A (zh) * | 2016-05-30 | 2016-11-02 | 杭州电子科技大学 | 一种基于肌肉协同激活模型的手部关节运动连续估计方法 |
| EP3498169A1 (en) * | 2017-12-13 | 2019-06-19 | Tata Consultancy Services Limited | System and method for classification and quantitative estimation of cognitive stress |
| CN108958474A (zh) * | 2018-05-29 | 2018-12-07 | 西北工业大学 | 一种基于误差权重的动作识别多传感信息融合方法 |
| CN109620651A (zh) * | 2018-11-16 | 2019-04-16 | 中国科学技术大学 | 基于同步脑肌电的智能辅助康复设备 |
| CN109875565A (zh) * | 2019-01-25 | 2019-06-14 | 电子科技大学 | 一种基于深度学习的脑卒中上肢运动功能自动评定方法 |
| CN109833040A (zh) * | 2019-01-31 | 2019-06-04 | 中国医学科学院生物医学工程研究所 | 基于光电联合检测的人体运动能力评估装置及其评估方法 |
| CN110755085A (zh) * | 2019-10-29 | 2020-02-07 | 南京茂森电子技术有限公司 | 基于关节活动度与运动协调性的运动功能评估方法及设备 |
Non-Patent Citations (2)
| Title |
|---|
| WANG, CHEN: "Quantitative Assessment of Upper-Limb Motor Function for Post-Stroke Rehabilitation Based on Motor Synergy Analysis and Multi-Modality Fusion", 《IEEE TRANSACTIONS ON NEURAL SYSTEMS AND REHABILITATION ENGINEERING》 * |
| 黄美兰: "基于肌肉机械功的异常步态分析", 《北京生物医学工程》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114391828A (zh) * | 2022-03-01 | 2022-04-26 | 郑州大学 | 一种用于脑卒中患者的积极心理护理干预系统 |
| CN114648514A (zh) * | 2022-03-30 | 2022-06-21 | 中国人民解放军总医院第二医学中心 | 一种脑动脉定位提取方法、装置、电子设备及存储介质 |
| CN115089196A (zh) * | 2022-08-22 | 2022-09-23 | 博睿康科技（常州）股份有限公司 | 在线信号的时相检测方法、时相检测单元、闭环调控系统 |
| CN115089196B (zh) * | 2022-08-22 | 2022-11-11 | 博睿康科技（常州）股份有限公司 | 在线信号的时相检测方法、时相检测单元、闭环调控系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hingtgen et al. | An upper extremity kinematic model for evaluation of hemiparetic stroke | |
| CN111544004A (zh) | 脑卒中患者运动功能检测系统、方法、装置 | |
| Wang et al. | Quantitative assessment of upper-limb motor function for post-stroke rehabilitation based on motor synergy analysis and multi-modality fusion | |
| CN109875565A (zh) | 一种基于深度学习的脑卒中上肢运动功能自动评定方法 | |
| De Brabandere et al. | A machine learning approach to estimate hip and knee joint loading using a mobile phone-embedded IMU | |
| Ershad et al. | Meaningful assessment of robotic surgical style using the wisdom of crowds | |
| Zhang et al. | Fuzzy inference system based automatic Brunnstrom stage classification for upper-extremity rehabilitation | |
| CN110755085B (zh) | 基于关节活动度与运动协调性的运动功能评估方法及设备 | |
| CN116507276A (zh) | 用于机器学习以从图像分析肌肉骨骼康复的方法和设备 | |
| CN110570946A (zh) | 一种下肢康复机器人康复训练运动功能康复评价方法 | |
| Sancho-Bru et al. | Validity of a simple videogrammetric method to measure the movement of all hand segments for clinical purposes | |
| CN116597940A (zh) | 一种运动障碍症状量化评估模型的建模方法 | |
| Formstone et al. | Quantification of motor function post-stroke using novel combination of wearable inertial and mechanomyographic sensors | |
| Li et al. | Quantitative assessment of hand motor function for post-stroke rehabilitation based on HAGCN and multimodality fusion | |
| CN107256390B (zh) | 基于手各个部位在三维空间位置变化的手功能评价装置及方法 | |
| CN113974612A (zh) | 一种卒中患者上肢运动功能自动化评估方法与系统 | |
| Nasr et al. | InverseMuscleNET: alternative machine learning solution to static optimization and inverse muscle modeling | |
| Jiang et al. | Real-time forecasting of exercise-induced fatigue from wearable sensors | |
| Ma et al. | Objective quantification of the severity of postural tremor based on kinematic parameters: A multi-sensory fusion study | |
| Dominguez-Vega et al. | Instrumented classification of patients with early onset ataxia or developmental coordination disorder and healthy control children combining information from three upper limb SARA tests | |
| Tang et al. | An artificial neural network algorithm for the evaluation of postoperative rehabilitation of patients | |
| Blanco-Diaz et al. | Estimation of limbs angles amplitudes during the use of the five minute shaper device using artificial neural networks | |
| Pillai et al. | Personalized step counting using wearable sensors: A domain adapted LSTM network approach | |
| CN116028843A (zh) | 一种评估手功能的装置、方法、设备、系统及介质 | |
| Wang et al. | Optimization system for training efficiency and load balance based on the fusion of heart rate and inertial sensors |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200818 |
|
| RJ01 | Rejection of invention patent application after publication |