CN112353407B - 一种基于神经功能康复主动训练的评估系统及方法 - Google Patents

一种基于神经功能康复主动训练的评估系统及方法 Download PDF

Info

Publication number
CN112353407B
CN112353407B CN202011166895.8A CN202011166895A CN112353407B CN 112353407 B CN112353407 B CN 112353407B CN 202011166895 A CN202011166895 A CN 202011166895A CN 112353407 B CN112353407 B CN 112353407B
Authority
CN
China
Prior art keywords
evaluation
module
myoelectricity
brain
muscle
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.)
Active
Application number
CN202011166895.8A
Other languages
English (en)
Other versions
CN112353407A (zh
Inventor
谢平
王颖
房华蕾
王子豪
杜义浩
陈晓玲
蔚建
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yanshan University
Original Assignee
Yanshan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yanshan University filed Critical Yanshan University
Priority to CN202011166895.8A priority Critical patent/CN112353407B/zh
Publication of CN112353407A publication Critical patent/CN112353407A/zh
Application granted granted Critical
Publication of CN112353407B publication Critical patent/CN112353407B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Physiology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Power Engineering (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种基于神经功能康复主动训练的评估系统及方法，属于康复训练技术领域，该系统中，定性评估模块基于肢体动作处理模块对肢体动作采集模块采集的肢体动作进行分类识别，并与Brunnstrom量表比对，得到Brunnstrom分期结果；肌电评估模块基于肌电数据处理模块对肌电信号采集模块采集的肌电信号进行处理得到的肌肉能力图进行肌电评估；脑电评估模块基于脑电数据处理模块对脑电信号采集模块采集的脑电信号进行处理得到的脑地形图和脑区能量变换图进行脑区评估；康复评估模块将Brunnstrom分期结果、肌电评估结果以及脑区评估结果相结合进行康复评估，得到康复评估报告。本发明通过脑电、肌电、姿态多信息融合的评估方法能够较为准确、科学地对患者康复状态进行评估。

Description

一种基于神经功能康复主动训练的评估系统及方法
技术领域
本发明涉及康复训练技术领域，特别是涉及一种基于神经功能康复主动训练的评估系统及方法。
背景技术
国际权威杂志《circulation》概述性报告指出，中国的脑卒中发病率呈逐年上升趋势，且势头迅猛。脑卒中仍为我国成年人致死和致残的首位原因，现有脑卒中患者1494万人，每年新发病例330万人。合理有效的康复评估策略对脑卒中患者功能恢复至关重要。研究表明，脑卒中致残的根本原因不是因为肢体本身受伤导致骨骼肌肉功能丧失，而是因为运动神经中枢系统受损伤没有得到有效治疗留下的肢体行为功能丧失，形成偏瘫症状。每年脑血管病死亡154万人，存活者中80％左右留有不同程度的功能障碍。
现有临床康复训练过程中缺乏对患者运动功能恢复及改善的个性化实时动态监测及状态评估，存在场地受限、形式单一、缺乏及时评价机制等问题，使得诸如虚拟康复、康复机器人等新型康复手段的应用普及受到严重制约和限制。当前市场的评估系统主要从生理或运动信息的某一个层面进行运动功能评估，缺少对脑卒中患者运动功能状态进行客观全面的可视化数字评估，不能够满足日益增长的康复需求。
发明内容
本发明公开了一种基于神经功能康复主动训练的评估系统及方法，目的在于实现脑卒中后运动功能康复的社区化、普适化、个性化，实现对脑卒中后患者运动功能状态的有效评估。
为实现上述目的，本发明提供如下方案：
一方面，本发明提供了一种基于神经功能康复主动训练的评估系统，所述系统包括：脑电信号采集模块、肌电信号采集模块、肢体动作采集模块、脑电数据处理模块、肌电数据处理模块、肢体动作数据处理模块、定性评估模块、定量评估模块和康复评估模块；
所述脑电信号采集模块用于对患者的脑电信号进行采集；
所述肌电信号采集模块用于对患者肢体表面肌电信号进行采集；
所述肢体动作采集模块用于对患者肢体动作进行采集；
所述脑电数据处理模块用于对所述脑电信号采集模块采集的脑电信号进行处理和特征提取，通过同步化分析和计算频带功率谱密度得到患者的脑地形图、脑区能量变换图；
所述肌电数据处理模块用于对所述肌电信号采集模块采集的肌电信号进行处理和特征提取，将提取到的肌电积分值、均方根值、小波包能量进行分析处理得到肌肉能力图；
所述肢体动作处理模块用于对所述肢体动作采集模块采集的肢体动作进行分类识别，并与Brunnstrom量表比对；
所述定性评估模块用于基于所述肢体动作处理模块的处理结果，判断患者对场景动作完成的程度，实现阶段分期，得到Brunnstrom分期结果；
所述定量评估模块包含肌电评估模块和脑电评估模块；
所述肌电评估模块基于所述肌电数据处理模块得到的肌肉能力图进行肌电评估，得到肌电评估结果；
所述脑电评估模块基于所述脑电数据处理模块得到的脑地形图和脑区能量变换图对脑区神经激活程度进行评估，得到脑区评估结果；同时将参数传递到场景中，对动作指示场景进行控制；
所述康复评估模块将所述定性评估模块得到的Brunnstrom分期结果和所述定量评估模块得到的肌电评估结果以及脑区评估结果相结合进行康复评估，得到康复评估报告。
进一步地，所述康复评估模块具体用于通过模糊多层次综合评判模型法进行建模，模糊综合评判法结合层次分析法的多层次指标权重来决定评价结果。。
进一步地，还包括：动作指示场景模块，所述动作指示场景模块通过Unity3D游戏开发引擎，利用C#编程创建完全虚拟环境，根据Brunnstrom量表设计对应的动作，患者根据指示完成指定动作，完成后系统将跳到下一场景中。
进一步地，所述肌肉能力图是指通过从肌力、肌张力、关节活动度、平衡功能、协调功能五个方面表现肌肉的指标，通过对肌电积分值进行分段统计，对应不同的肌肉和肌张力的能力值，得到相应的肌肉能力图；
其中，肌电积分值与肌力和肌张力之间的关系是：肌肉随静力收缩时用表面电极测定的肌电积分值与肌肉强力之间呈正相关；肌电积分值与肌张力呈正相关。
进一步地，肌力r1的大小通过实测的积分肌电值iEMGa和标准最大积分肌电值iEMGmax的比值来反映，即
Figure GDA0003340025950000031
肌张力r2的大小通过实测的肌电信号均方根RMSα和标准最大均方根比值RMSmax来表示，即
Figure GDA0003340025950000032
关节活动度r3的大小通过运动过程中的最大角度ROMα和标准角度ROMmax的比值来表示，即
Figure GDA0003340025950000033
平衡功能r4通过用实测的小波包熵WPESα和标准最大小波包熵WPESmax的比值来表示，即
Figure GDA0003340025950000041
协调功能r5通过实测的积分肌电值的协同收缩率iEMG_CRα和标准最大积分肌电值的协同收缩率iEMG_CRmax的比值来表示，即
Figure GDA0003340025950000042
进一步地，对肌电信号进行处理，包括：信号预处理、肌电积分值计算、均方根值计算、信号小波包能量计算、肌肉平均做功百分比以及肌肉痉挛程度。
进一步地，对脑电信号进行处理，包括：信号预处理、特征频段提取、计算μ/β频段能量值、平均功率谱密度、通过空间插值得到彩色脑地形图以及通过功率值计算得到脑区能量变换图。
进一步地，所述信号预处理包括降采样、高通去基线、自适应陷波去工频以及6层小波包分解进行特定频段提取。
另一方面，本发明还提供了一种基于神经功能康复主动训练的评估系统，所述方法包括如下步骤：
对患者的脑电信号进行采集；
对所述脑电信号进行处理和特征提取，通过同步化分析和计算频带功率谱密度得到患者的脑地形图、脑区能量变换图；基于所述脑地形图和脑区能量变换图对脑区神经激活程度进行评估，得到脑区评估结果；同时将参数传递到场景中，对动作指示场景进行控制；
对患者肢体表面肌电信号进行采集；
对所述肌电信号进行处理和特征提取，将提取到的肌电积分值、均方根值、小波包能量进行分析处理得到肌肉能力图；基于所述肌电数据处理模块得到的肌肉能力图进行肌电评估，得到肌电评估结果；
对患者肢体动作进行采集；
对所述肢体动作进行分类识别，并与Brunnstrom量表比对；判断患者对场景动作完成的程度，实现阶段分期，得到Brunnstrom分期结果；
将所述Brunnstrom分期结果和所述肌电评估结果以及脑区评估结果相结合进行康复评估，得到康复评估报告。
本发明从多个方面进行了生理信号的采集，通过同步化分析处理，使得到的数据更科学准确，通过不同的特征指标分析处理，最终能够得到更加科学有效的评估结果。本发明技术方案产生的积极效果如下：
1.本发明能够实现康复评估的家庭化、社区化，通过将医生指导数字化，实现患者自主评估，降低了医生主观判断失误带来的评估结果差异。
2.本发明通过从脑电、肌电、姿态三方面采集到的信息进行处理，从定性和定量综合得到患者的神经功能恢复程度，更加科学、全面地对患者的康复效果进行评估，运用训练场景实现患者的神经功能主动评估。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种基于神经功能康复主动训练的评估系统的结构示意图；
图2为本发明实施例中一种基于神经功能康复主动训练的评估方法的流程图；
图3为本发明实施例中信号耦合特征指标模型示意图；
图4为本发明实施例中采集动作示意图；
图5为本发明实施例中基于神经功能康复主动训练的评估系统界面图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
参见图1，其示出了一种基于神经功能康复主动训练的评估系统的结构框图，该评估系统包括数据采集部分101、数据处理部分102和报告部分103；
所述数据采集部分101包括脑电信号采集模块、肌电信号采集模块和肢体动作采集模块；
为保证脑肌电信息同步采集节点硬件端的实现。生理信号(包括脑电信号和肌电信号)采集电路设计了前端差分放大电路、带通滤波电路、电压匹配电路、电源电路设计，最终实现硬件采集端高输入阻抗、高共模抑制比、低噪声、低漂移等性能指标，并且将脑电、肌电与惯性信号通过WIFI模块发送至上位机，可供上位机数据处理与分析。并在此基础上保持嵌入式采集设备便携性。参见图4，肢体动作采集模块利用Kinect体感设备的三维扫描技术，进行非接触式动作捕获，结合动作指示场景模块通过Unity3D游戏开发引擎，利用C#编程创建的完全虚拟环境下，根据Brunnstrom量表设计的对应动作，进行靶向性的肢体动作训练；其中Kinect体感设备包括左、中、右三个镜头，中间镜头是RGB彩色摄像头；左侧镜头是红外线发射器，用于发射红外线；右侧镜头是红外线3D深度感应器，用于对动作的识别和实时追踪检测。
数据处理部分102包括脑电数据处理模块、肌电数据处理模块和肢体动作数据处理模块；
脑电数据处理包括对采集的脑电信号的处理、同步化分析以及频带功率谱密度计算，对采集的脑电信号的处理，包括：信号预处理、特征频段提取、计算μ/β频段能量值、平均功率谱密度、通过空间插值得到彩色脑地形图以及通过功率值计算得到脑区能量变换图。信号预处理包括降采样、高通去基线、自适应陷波去工频以及6层小波包分解进行特定频段提取。通过功率谱密度计算得到报告103中的脑地形图和脑区能量变化曲线；脑地形图是指通过不同的颜色来区分该频段内的能量值大小，多个通道最终形成不同颜色的布局可以直观的显示大脑皮层的能量激活分布情况。本发明通过提取运动区各个通道小波包频段能量作为获得的反映脑区神经活跃度的特征值，并将其绘制成动态的可视化脑地形图(脑地形图中左右半球颜色的不同，两侧颜色差异越大，颜色越深，则表示想象效果越好)直观的反馈给受试者。在统计评价结果时，脑区特征值s1通过脑区小波包能量的平均值与标准小波包能量平均值的比值表示。
肌电处理部分包括信号预处理、肌电积分值计算、均方根值计算、信号小波包能量计算、肌肉平均做功百分比以及肌肉痉挛程度，信号预处理包括降采样、高通去基线、自适应陷波去工频以及6层小波包分解进行特定频段提取；配合脑电处理得到的结果，通过与正常人的数值进行对比划分等级得到肌肉能力图的直观图；
肌电积分值(iEMG)是指所得肌电信号(EMG)经整流滤波后单位时间内曲线下面积的总和，它可反映EMG信号随时间进行的强弱变化。均方根值(RMS)和iEMG一样也可在时间维度上反映表面肌电信号(sEMG)信号振幅的变化特征，它直接与EMG信号的电功率相关，具有更加直接的物理意义。肌电积分值与肌力和肌张力之间的关系是：肌肉随静力收缩时用表面电极测定的肌电积分值与肌肉强力之间呈正相关；肌电积分值与肌张力呈正相关。通过对肌电积分值进行分段，对应不同的肌肉和肌张力的能力值，得到相应的肌肉能力图。
实验表明，在等长收缩的条件下iEMG与肌力大小为线性关系并呈正相关。它表征肌电信号振幅即能量在时间维度上的变化特征，对于iEMG计算公式如下：
Figure GDA0003340025950000081
且肌电信号的积分肌电值与肌肉能量相关，故可用实测的积分肌电值iEMGa和标准最大积分肌电值iEMGmax的比值来反映肌力的大小程度，即
Figure GDA0003340025950000082
上式中，α表示实测的积分肌电值，max表示标准最大积分肌电值，i表示时间序列的值，N表示时间的长度。
协同收缩率，研究人员实验发现，痉挛性肌张力常与协同收缩相关。拮抗肌的协同收缩率反映的是拮抗肌在主动肌的收缩过程中所占的比例。拮抗肌协同收缩率的计算方法可以有如下几种方式：
积分肌电值协同收缩率(iEMG_CR)为：
Figure GDA0003340025950000083
均方根协同收缩率(RMS_CR)为：
Figure GDA0003340025950000084
平均功率频率协同收缩率(MPF_CR)为：
Figure GDA0003340025950000091
中值频率协同收缩率(MF_CR)为：
Figure GDA0003340025950000092
其中，iEMG和RMS为肌电时域指标，MPF和MF为肌电频域指标；下标antagonist代表拮抗肌，agonist代表主动肌。
肌肉能力图是指通过从肌力、肌张力、关节活动度、平衡功能、协调功能五个方面表现肌肉的指标。
肌力r1的大小通过实测的积分肌电值iEMGa和标准最大积分肌电值iEMGmax的比值来反映，即
Figure GDA0003340025950000093
肌张力r2的大小通过实测的肌电信号均方根RMSα和标准最大均方根比值RMSmax来表示，即
Figure GDA0003340025950000094
关节活动度r3的大小通过运动过程中的最大角度ROMα和标准角度ROMmax的比值来表示，即
Figure GDA0003340025950000095
平衡功能r4通过用实测的小波包熵WPESα和标准最大小波包熵WPESmax的比值来表示，即
Figure GDA0003340025950000096
协调功能r5通过实测的积分肌电值的协同收缩率iEMG_CRα和标准最大积分肌电值的协同收缩率iEMG_CRmax的比值来表示，即
Figure GDA0003340025950000101
肢体动作数据处理部分主要是通过将Brunnstrom表的分期指标量化得到分类器指标，再与采集到的数据进行对比，对采集到的数据进行分类得到患者的Brunnstrom分期。
Brunnstrom技术是由70年代的瑞典物理治疗师Signe Brunnstrom创立的一套中枢神经系统损伤后针对运动障碍的治疗方法。主要依据患者运动功能恢复的各个不同阶段，提出了“恢复六阶段”理论：即肌张力由低逐渐增高，联合反应、共同运动、痉挛状态逐渐显著，随着共同运动的完成，出现分离运动、精细运动等，直至完全恢复正常。此疗法利用各种运动模式诱发运动反应，再从异常运动模式中引导、分离出正常运动的成分，达到恢复患者运动功能的目的。
计算各节点角速度的变化率，反映完成动作任务的动作平滑程度，各时刻瞬时平滑度的均值平滑度表达式为：
Figure GDA0003340025950000102
式中，jerki为相应轴上的角速度变化率；下标x表示x轴，对应x轴的角速度变化率；下标y表示y轴，对应y轴的角速度变化率；下标z表示z轴，对应z轴的角速度变化率；K是为了方便参数比较而添加的放大系数，由硬件系统的精确度所决定。基于上述对运动中所涉及多关节角度、角速度和平滑度分析，能够实现对患者运动能力及患者肢体控制能力的刻画和评估。
报告部分103包括定量评估指标和定性评估指标；如图3所示，其示出了发明实施例中信号耦合特征指标模型示意图。本发明实施例中根据AHP-FCE(模糊多层次综合评判模型)法进行建模，对评估指标进行整合。
AHP-FCE法是一种定性和定量结合的评价方法，AHP法确定指标权重，模糊综合评判法(Fuzzy Comprehensive Evaluation，简称FCE)法结合层次分析法(AnalyticHierarchy Process,简称AHP)的多层次指标权重来决定评价结果，能全面准确地评价目标问题实际状况，能够解决传统临床评价方法受医师主观因素影响、评价精准度不高等缺点。
AHP-FCE算法中，确定因素集U为定量评估指标，即肌电特征值和脑电特征值满足U＝{u1,u2}T；确定权重集W为定性评估指标，即根据Brunnstrom量表得到的阶段值，满足W＝{w1,w2,w3,w4,w5,w6}。其中，u1表示肌电特征值矩阵，u2表示脑电特征值矩阵。
综合评价结果表示为
S＝WU
肌电特征值矩阵u1可表示为：
Figure GDA0003340025950000111
脑电特征值矩阵u2可表示为：
u2＝[r6]；
定量评估指标由脑区评估结果和肌电评估结果组成；定性评估指标为Brunnstrom分期结果。
在所有评估结束后，系统将自动生成康复评估报表，用户可自行选择下载电子版或打印。
对应于上述实施例中基于神经功能康复主动训练的评估系统，本发明还提供了一种基于神经功能康复主动训练的评估方法，参见图2，该方法包括如下步骤：
对患者的脑电信号进行采集；
对所述脑电信号进行处理和特征提取，通过同步化分析和计算频带功率谱密度得到患者的脑地形图、脑区能量变换图；基于所述脑地形图和脑区能量变换图对脑区神经激活程度进行评估，得到脑区评估结果；同时将参数传递到场景中，对动作指示场景进行控制；
对患者肢体表面肌电信号进行采集；
对所述肌电信号进行处理和特征提取，将提取到的肌电积分值、均方根值、小波包能量进行分析处理得到肌肉能力图；基于所述肌电数据处理模块得到的肌肉能力图进行肌电评估，得到肌电评估结果；
对患者肢体动作进行采集；
对所述肢体动作进行分类识别，并与Brunnstrom量表比对；判断患者对场景动作完成的程度，实现阶段分期，得到Brunnstrom分期结果；
将所述Brunnstrom分期结果和所述肌电评估结果以及脑区评估结果相结合进行康复评估，得到康复评估报告。
本发明实施例中的基于神经功能康复主动训练的评估系统能够实现根据脑电、肌电、姿态多信息融合的方法进行评估，减少医生主观意识带来的误差，使评估更加准确、科学。参见图5，其示出了本发明实施例中的基于神经功能康复主动训练的评估系统的界面。该评估系统的使用方法如下：
步骤一：协助患者进行采集设备佩戴和调试，患者正对Kinect设备，进行参数设置；
步骤二：点击开始评估按钮后，选择评估动作后屏幕上出现指定动作，在患者完成该动作后显示动作的完成率并进入下一动作；系统动作共包含三部分，分别是上肢动作、下肢及足部动作、手部动作，每次评估仅能对一种动作进行识别，若需评估其他动作需重新放置肌电采集模块并重新进入系统；
步骤三：在完成全部动作后，系统显示评估报告，所述评估报告中包含脑地形图、脑区能量变化图、肌肉能力图和根据动作完成情况进行的Brunnstrom分期；
步骤四：打印评估报告。
本发明实施例中的技术方案产生的积极效果如下：
1.本发明能够实现康复评估的家庭化、社区化，通过将医生指导数字化，实现患者自主评估，降低了医生主观判断失误带来的评估结果差异。
2.本发明通过从脑电、肌电、姿态三方面采集到的信息进行处理，从定性和定量综合得到患者的神经功能恢复程度，更加科学、全面地对患者的康复效果进行评估，运用训练场景实现患者的神经功能主动评估。
应该理解到，在本申请所提供的几个实施例中，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (8)

1.一种基于神经功能康复主动训练的评估系统，其特征在于，所述系统包括：脑电信号采集模块、肌电信号采集模块、肢体动作采集模块、脑电数据处理模块、肌电数据处理模块、肢体动作数据处理模块、定性评估模块、定量评估模块和康复评估模块；
所述脑电信号采集模块用于对患者的脑电信号进行采集；
所述肌电信号采集模块用于对患者肢体表面肌电信号进行采集；
所述肢体动作采集模块用于对患者肢体动作进行采集；
所述脑电数据处理模块用于对所述脑电信号采集模块采集的脑电信号进行处理和特征提取，通过同步化分析和计算频带功率谱密度得到患者的脑地形图、脑区能量变换图；
所述肌电数据处理模块用于对所述肌电信号采集模块采集的肌电信号进行处理和特征提取，将提取到的肌电积分值、均方根值、小波包能量进行分析处理得到肌肉能力图；
所述肢体动作处理模块用于对所述肢体动作采集模块采集的肢体动作进行分类识别，并与Brunnstrom量表比对；
所述定性评估模块用于基于所述肢体动作处理模块的处理结果，判断患者对场景动作完成的程度，实现阶段分期，得到Brunnstrom分期结果；
所述定量评估模块包含肌电评估模块和脑电评估模块；
所述肌电评估模块基于所述肌电数据处理模块得到的肌肉能力图进行肌电评估，得到肌电评估结果；
所述脑电评估模块基于所述脑电数据处理模块得到的脑地形图和脑区能量变换图对脑区神经激活程度进行评估，得到脑区评估结果；同时将参数传递到场景中，对动作指示场景进行控制；
所述康复评估模块将所述定性评估模块得到的Brunnstrom分期结果和所述定量评估模块得到的肌电评估结果以及脑区评估结果相结合进行脑卒中后患者运动功能状态康复评估，得到康复评估报告。
2.根据权利要求1所述的系统，其特征在于，所述康复评估模块具体用于通过模糊多层次综合评判模型法进行建模，模糊综合评判法结合层次分析法的多层次指标权重来决定评价结果。
3.根据权利要求1所述的系统，其特征在于，还包括：动作指示场景模块，所述动作指示场景模块通过Unity3D游戏开发引擎，利用C#编程创建完全虚拟环境，根据Brunnstrom量表设计对应的动作，患者根据指示完成指定动作，完成后系统将跳到下一场景中。
4.根据权利要求1所述的系统，其特征在于，所述肌肉能力图是指通过从肌力、肌张力、关节活动度、平衡功能、协调功能五个方面表现肌肉的指标，通过对肌电积分值进行分段统计，对应不同的肌肉和肌张力的能力值，得到相应的肌肉能力图；
其中，肌电积分值与肌力和肌张力之间的关系是：肌肉随静力收缩时用表面电极测定的肌电积分值与肌肉强力之间呈正相关；肌电积分值与肌张力呈正相关。
5.根据权利要求4所述的系统，其特征在于，肌力r1的大小通过实测的积分肌电值iEMGa和标准最大积分肌电值iEMGmax的比值来反映，即
Figure FDA0003340025940000021
肌张力r2的大小通过实测的肌电信号均方根RMSα和标准最大均方根比值RMSmax来表示，即
Figure FDA0003340025940000022
关节活动度r3的大小通过运动过程中的最大角度ROMα和标准角度ROMmax的比值来表示，即
Figure FDA0003340025940000031
平衡功能r4通过用实测的小波包熵WPESα和标准最大小波包熵WPESmax的比值来表示，即
Figure FDA0003340025940000032
协调功能r5通过实测的积分肌电值的协同收缩率iEMG_CRα和标准最大积分肌电值的协同收缩率iEMG_CRmax的比值来表示，即
Figure FDA0003340025940000033
6.根据权利要求1所述的系统，其特征在于，对肌电信号进行处理，包括：信号预处理、肌电积分值计算、均方根值计算、信号小波包能量计算、肌肉平均做功百分比以及肌肉痉挛程度。
7.根据权利要求1所述的系统，其特征在于，对脑电信号进行处理，包括：信号预处理、特征频段提取、计算μ/β频段能量值、平均功率谱密度、通过空间插值得到彩色脑地形图以及通过功率值计算得到脑区能量变换图。
8.根据权利要求6或7所述的系统，其特征在于，所述信号预处理包括降采样、高通去基线、自适应陷波去工频以及6层小波包分解进行特定频段提取。
CN202011166895.8A 2020-10-27 2020-10-27 一种基于神经功能康复主动训练的评估系统及方法 Active CN112353407B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011166895.8A CN112353407B (zh) 2020-10-27 2020-10-27 一种基于神经功能康复主动训练的评估系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011166895.8A CN112353407B (zh) 2020-10-27 2020-10-27 一种基于神经功能康复主动训练的评估系统及方法

Publications (2)

Publication Number Publication Date
CN112353407A CN112353407A (zh) 2021-02-12
CN112353407B true CN112353407B (zh) 2022-02-11

Family

ID=74510965

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011166895.8A Active CN112353407B (zh) 2020-10-27 2020-10-27 一种基于神经功能康复主动训练的评估系统及方法

Country Status (1)

Country Link
CN (1) CN112353407B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113261981A (zh) * 2021-05-21 2021-08-17 华南理工大学 一种基于表面肌电信号的上肢痉挛量化评估方法及系统
CN113576403A (zh) * 2021-07-07 2021-11-02 南方科技大学 一种人体双向耦合信息传导通路定量评估方法及传感系统
CN113499084B (zh) * 2021-07-09 2023-02-24 燕山大学 脑卒中运动功能评价模型建立方法、评价方法及系统
CN113558640A (zh) * 2021-07-13 2021-10-29 杭州电子科技大学 基于脑电特征的最小意识状态程度的评估方法
CN113926160B (zh) * 2021-10-08 2022-07-12 重庆邮电大学 一种用于居家人员的上肢曲肌抗阻训练辅助系统
CN114403858B (zh) * 2021-12-29 2023-10-03 杭州程天科技发展有限公司 一种人体运动功能评估方法、设备及系统
CN114343648A (zh) * 2022-01-07 2022-04-15 中山大学附属第一医院 肌力评定方法、系统和计算机可读存储介质
CN114469672B (zh) * 2022-01-24 2023-07-04 国家康复辅具研究中心 基于多信号耦合导向的气动压缩康复系统
CN114578963B (zh) * 2022-02-23 2024-04-05 华东理工大学 一种基于特征可视化和多模态融合的脑电身份识别方法
CN114983419A (zh) * 2022-06-14 2022-09-02 天津大学 一种基于脑电信号提升运动技能的康复装置
CN116312951B (zh) * 2023-04-27 2023-08-04 华南理工大学 一种基于多模态耦合分析的运动功能评估方法及其系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5785653A (en) * 1994-07-22 1998-07-28 Nec Corporation System and method for predicting internal condition of live body
CN104000586A (zh) * 2014-05-12 2014-08-27 燕山大学 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
CN109331453A (zh) * 2018-08-07 2019-02-15 燕山大学 基于肌电反馈与Kinect交互的虚拟康复系统及训练方法
CN110251088A (zh) * 2019-07-03 2019-09-20 博睿康科技（常州）股份有限公司 一种联合肌电脑电的功能性电刺激康复设备
CN110570946A (zh) * 2019-09-05 2019-12-13 东北大学 一种下肢康复机器人康复训练运动功能康复评价方法
CN111544854A (zh) * 2020-04-30 2020-08-18 天津大学 基于脑肌电信号深度学习融合的脑卒中运动康复方法
CN111708983A (zh) * 2020-07-23 2020-09-25 杭州电子科技大学 一种卒中后上肢肌间协同耦合分析方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109568083B (zh) * 2018-12-15 2024-01-05 华南理工大学 一种多模态交互的上肢康复机器人训练系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5785653A (en) * 1994-07-22 1998-07-28 Nec Corporation System and method for predicting internal condition of live body
CN104000586A (zh) * 2014-05-12 2014-08-27 燕山大学 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
CN109331453A (zh) * 2018-08-07 2019-02-15 燕山大学 基于肌电反馈与Kinect交互的虚拟康复系统及训练方法
CN110251088A (zh) * 2019-07-03 2019-09-20 博睿康科技（常州）股份有限公司 一种联合肌电脑电的功能性电刺激康复设备
CN110570946A (zh) * 2019-09-05 2019-12-13 东北大学 一种下肢康复机器人康复训练运动功能康复评价方法
CN111544854A (zh) * 2020-04-30 2020-08-18 天津大学 基于脑肌电信号深度学习融合的脑卒中运动康复方法
CN111708983A (zh) * 2020-07-23 2020-09-25 杭州电子科技大学 一种卒中后上肢肌间协同耦合分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
前臂伸肌运动点针刺对脑卒中偏瘫患者上肢功能的影响;刘月秋等;《中国卫生工程学》;20170420(第02期);第251-256页 *
基于个性化导联选择策略的脑机交互康复训练临床初步研究;贾天宇等;《清华大学学报(自然科学版)》;20200522(第11期);全文 *

Also Published As

Publication number Publication date
CN112353407A (zh) 2021-02-12

Similar Documents

Publication Publication Date Title
CN112353407B (zh) 一种基于神经功能康复主动训练的评估系统及方法
Zou et al. Automatic identification of artifact-related independent components for artifact removal in EEG recordings
Lee et al. Using a low-cost electroencephalograph for task classification in HCI research
CN111544015B (zh) 基于认知力的操控工效分析方法、设备及系统
CN111598451B (zh) 基于任务执行能力的操控工效分析方法、设备及系统
CN111598453B (zh) 基于虚拟场景中执行力的操控工效分析方法、设备及系统
CA2747631A1 (en) Device and method for generating a representation of a subject's attention level
CN111553618B (zh) 操控工效分析方法、设备及系统
CN102184415A (zh) 一种基于脑电信号的疲劳状态识别方法
CN111091074A (zh) 最优区域共空间模式的运动想象脑电信号分类方法
CN113499084B (zh) 脑卒中运动功能评价模型建立方法、评价方法及系统
CN111553617A (zh) 基于虚拟场景中认知力的操控工效分析方法、设备及系统
US20220051586A1 (en) System and method of generating control commands based on operator's bioelectrical data
Pancholi et al. Intelligent upper-limb prosthetic control (iULP) with novel feature extraction method for pattern recognition using EMG
CN114533086A (zh) 一种基于空域特征时频变换的运动想象脑电解码方法
Wang et al. Classification of EEG signal using convolutional neural networks
CN115568866A (zh) 一种神经损伤的评价系统及其方法
CN108523883A (zh) 一种基于实际动作建模的左右食指连续运动想象识别系统
CN112541415A (zh) 基于符号传递熵和图论的脑肌功能网络运动疲劳检测方法
CN114027857B (zh) 一种基于脑电信号测量运动能力的方法
CN106073767B (zh) Eeg信号的相位同步度量、耦合特征提取及信号识别方法
EP3948694A1 (en) Identifying and extracting electroencephalogram signals
Ahmed et al. Effective hybrid method for the detection and rejection of electrooculogram (EOG) and power line noise artefacts from electroencephalogram (EEG) mixtures
Dai et al. Electrode channel selection based on backtracking search optimization in motor imagery brain–computer interfaces
CN110705656A (zh) 一种基于eeg传感器的面部动作识别方法

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
GR01 Patent grant
GR01 Patent grant