CN113197570B - 一种辅助诊断脑性瘫痪的婴幼儿膝爬运动姿态分析系统 - Google Patents

一种辅助诊断脑性瘫痪的婴幼儿膝爬运动姿态分析系统 Download PDF

Info

Publication number
CN113197570B
CN113197570B CN202110496536.7A CN202110496536A CN113197570B CN 113197570 B CN113197570 B CN 113197570B CN 202110496536 A CN202110496536 A CN 202110496536A CN 113197570 B CN113197570 B CN 113197570B
Authority
CN
China
Prior art keywords
parameter
motion
movement
joint
data
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
CN202110496536.7A
Other languages
English (en)
Other versions
CN113197570A (zh
Inventor
李嘉宇
付子杰
肖鸿浩
吴小鹰
侯文生
张丽
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.)
Taiji Computer Corp Ltd
Original Assignee
Chongqing 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 Chongqing University filed Critical Chongqing University
Priority to CN202110496536.7A priority Critical patent/CN113197570B/zh
Publication of CN113197570A publication Critical patent/CN113197570A/zh
Application granted granted Critical
Publication of CN113197570B publication Critical patent/CN113197570B/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
    • A61B5/112—Gait analysis
    • 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
    • A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
    • A61B5/1114—Tracking parts of the body
    • 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
    • A61B5/1116—Determining posture transitions
    • 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
    • A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Dentistry (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Physiology (AREA)
  • Medical Informatics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Geometry (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及一种辅助诊断脑性瘫痪的婴幼儿膝爬运动姿态分析系统，属于医学测量领域。该系统包括运动姿态子参数计算模块、子参数分析模块和用户图形界面模块；在婴幼儿早期爬行阶段对运动功能进行客观评价，辅助医生做出婴幼儿脑瘫与否的诊断。本发明的优点为：(1)分析系统的数据来源于三维步态分析系统，数据采集过程对婴幼儿负担较小，较为安全有效。(2)系统操作清晰，方便医生调用数据，进行查看、增补、修改、数据对比等操作。(3)系统分析参数采用的算法基于运动学和医学原理，提高诊断的准确性与可靠性。

Description

一种辅助诊断脑性瘫痪的婴幼儿膝爬运动姿态分析系统
技术领域
本发明属于医学测量领域，涉及一种辅助诊断脑性瘫痪的婴幼儿膝爬运动姿态分析系统。
背景技术
脑性瘫痪(CerebralPalsy,CP)是一种由于围产期各种非进行性因素所导致的一种脑功能损伤综合，主要表现为运动障碍及姿势异常，目前尚无根治该病的有效方法，后期的康复疗效在很大程度上取决于对脑瘫性运动功能的早期客观评价，并以此开展的早期干预和早期治疗。
目前对于婴幼儿脑瘫的早期诊断，主要依靠GMFM粗大运动功能评估表、头颅影像学(如核磁共振、CT或B超的异常)、表面肌电信号sEMG、步态运动特征参数分析等，结合医生经验，得出脑瘫的诊断结果。
采用以上方案，一般在幼儿三岁后确诊脑瘫，从而延误脑瘫的早期干预治疗。此外，肌电信号检测信噪比低，干扰排除难；GMFM量表判断精确度不够，且依赖人的主观判断；考虑到辐射等因素，头颅影像学不适宜用于婴幼儿检测。因此，我们设计了基于三维步态分析系统的婴幼儿膝爬运动姿态分析系统，帮助医生辅助诊断脑瘫。
婴儿的爬行运动是所有粗大动作发展的基础，是婴儿的成长过程中必不可少的阶段，一般在婴儿期的7-9月。因此通过分析婴幼儿爬行姿态运动数据，可以较早地客观评价其运动功能，反映其神经发育情况，对运动功能发育迟缓的婴幼儿做到早发现早治疗，有利于促进其运动功能的康复。
发明内容
有鉴于此，本发明的目的在于提供一种辅助诊断脑性瘫痪的婴幼儿膝爬运动姿态分析系统。在婴幼儿早期的爬行阶段对运动功能进行客观评价，辅助医生做出婴儿脑瘫与否的诊断。
为达到上述目的，本发明提供如下技术方案：
一种辅助诊断脑性瘫痪的婴幼儿膝爬运动姿态分析系统，该系统包括运动姿态子参数计算模块、子参数分析模块和用户图形界面模块；
(1)所述运动姿态子参数计算模块从婴儿爬行姿态原始数据中提取8种子参数：对侧肢体运动协调性参数、同侧肢体运动协调性参数、关节抬升保守性参数、关节屈伸保守性参数、运动稳定性参数、运动流畅性参数、运动平滑性参数和运动平衡性参数；
所述对侧肢体运动协调性参数ICoo为：
设n为一份运动数据中运动周期的计数值。
Figure BDA0003054638310000021
其中，k为周期总数；SPn为第n个运动周期中单步运动中某侧上肢运动的速度平方值大于3(m/s)2的时间长度；IDn为第n个运动周期中的特征延迟时间，具体而言是摆动相开始时刻到对侧下肢运动速度平方极大值时刻的时间长度；
同侧肢体运动协调性参数CCoo为：
设n为一份运动数据中运动周期的计数值。
Figure BDA0003054638310000022
其中，k为周期数；SPn为第n个运动周期中单步运动中某侧上肢运动的速度平方值大于3(m/s)2的时间长度；CDn为第n个运动周期中的特征延迟时间，具体而言是摆动相开始时刻到同侧下肢运动速度平方极大值时刻的时间长度；
关节抬升保守性参数LCon定义为：
设A(X1,Y1,Z1)，B(X2,Y2,Z2)，C(X3,Y3,Z3)分别为关节运动中腕关节、肘关节、肩关节的三维坐标点；则某一时刻肩肘腕关节面的法向量
Figure BDA0003054638310000023
如下：
Figure BDA0003054638310000024
Figure BDA0003054638310000025
Figure BDA0003054638310000026
而有法向量夹角
Figure BDA0003054638310000027
在整个运动周期中的t-θ曲线呈倒山峰形状，θ最大值即为关节抬升保守性参数。
设有θm为整个运动记录中，各个时刻的关节面法向量夹角，m为总时刻数。
关节抬升保守性参数LCon定义式为：
LCon＝Max{θ1,θ2,...,θm}
关节屈伸保守性参数FCon定义为：
设A(X1,Y1,Z1)，B(X2,Y2,Z2)，C(X3,Y3,Z3)分别为关节运动中腕关节、肘关节、肩关节的三维坐标点；设某一时刻肩肘腕关节面的夹角大小为θ。
有向量
Figure BDA0003054638310000031
关节屈伸角
Figure BDA0003054638310000032
关节屈伸保守性参数FCon定义式为：
Figure BDA0003054638310000033
其中，k为周期数；为单步运动中某侧上肢运动的速度平方值大于3(m/s)2的时间长度；
FDn为以摆动相开SPn始时刻到关节屈伸角在周期中达到最小值时刻的延迟时间；
运动流畅性参数Flu定义为：
设在第n个周期中，在婴儿爬行腕关节运动速度平方值大于3(m/s)2的时间段里，运动速度平方值曲线极大值点的个数为Mn，则运动流畅性参数为：
设n为一份运动数据中运动周期的计数值。
Figure BDA0003054638310000034
其中，k为运动记录中总周期数；Mn为单个周期中运动速度平方值曲线的极大值点的个数；
运动稳定性参数Sta定义为：
设运动过程中各时刻点腕、膝关节X坐标为X1,X2,...,Xm；则
Sta＝Var(X1,X2,...,Xm)
其中，Sta表示运动稳定性参数，Var表示求方差函数；
运动平衡性参数Bal定义为：
设运动过程中各时刻点骶关节Z坐标为Z1,Z2,...,Zm；则
Bal＝Var(Z1,Z2,...,Zm)；
其中，Bal表示运动平衡性参数，Var表示求方差函数；
运动平滑性参数Smo定义为：
针对骶骨运动曲线，先进行拟合，将原曲线拟合为一条曲线，拟合规则为：
设F为原数据曲线，F(x)为自变量取x时原数据；
拟合曲线
Figure BDA0003054638310000035
Mean为求平均值函数；
有波动值函数ε(x)＝F(x)-F'(x)；
最后，对波动值函数ε(x)求取方差，即为平滑性参数；
Smo＝Var(ε(X1),ε(X2),...,ε(Xn))
其中，Smo表示运动平滑性参数，Var表示求方差函数；
在子参数构建完成后，针对一条有效数据，获得共计8种22个子参数：
对侧肢体运动协调性参数包括左上肢-右下肢、左下肢-右上肢；
同侧肢体运动协调性参数包括左上肢-左下肢、右下肢-右上肢；
关节抬升保守性参数包括左上肢、左下肢、右下肢、右上肢；
关节屈伸保守性参数包括左上肢、左下肢、右下肢、右上肢；
运动流畅性参数包括左上肢、左下肢、右下肢、右上肢；
运动稳定性参数包括左上肢、左下肢、右下肢、右上肢；
运动平衡性参数包括骶骨；
运动平滑性参数包括骶骨；
在以上22个子参数中，均满足：数值越小，说明提供数据的婴儿发育情况越接近正常婴儿；数值越大，说明提供数据的婴儿发育情况越接近脑瘫婴儿；
(2)所述子参数分析模块：对于22个子参数，采用Z-score标准化方法与PCA主成分分析法处理子参数数据；
经过对遍历数据的分析与实验，将系统定义的评估阈值定位；最终评估分数小于该评估阈值的婴儿，将被软件判定为正常儿；反之，如果评估分数大于该评估阈值，则将被判定为脑瘫儿。
2、根据1所述的一种辅助诊断脑性瘫痪的婴幼儿膝爬运动姿态分析系统，其特征在于：所述Z-score标准化方法为：将一组数据的平均值调整为0，标准差调整为1的情况下保留数据间的相对关系；在系统中对22个子参数分别使用Z-score标准化方法，对其中一些子参数进行了加权，加权情况如下：
对侧肢体运动协调性参数的权重为0.5；
同侧肢体运动协调性参数的权重为0.5；
关节抬升保守性参数的权重为0.5；
关节屈伸保守性参数的权重为0.5；
运动流畅性参数的权重为0.5；
运动稳定性参数的权重为0.5；
运动平衡性参数的权重为1；
运动平滑性参数的权重为1。
所述PCA主成分分析法为：使用主成分分析法提取一个主成分向量，用此主成分向量分别点乘全数据集中各条数据以获得最终评估参数；
数学上的主成分分析法表示为：
主成分分析是设法将原来众多具有一定相关性(比如p个)指标，重新组合成一组新的互相无关的综合指标来代替原来的指标。
它作为一种降维的统计方法，借助一个正交变换，将其分量相关的原随机向量转化成其分量不相关的新随机向量，这在代数上表现为将原随机向量的协方差阵变换成对角形阵，在几何上表现为将原坐标系变换成新的正交坐标系，使之指向样本点散布最开的p个正交方向，然后对多维变量系统进行降维处理，使之能以一个较高的精度转换成低维变量系统，再通过构造适当的价值函数，进一步把低维系统转化成一维系统。
最经典的做法就是用F1(选取的第一个线性组合，即第一个综合指标)的方差来表达，即Var(F1)越大，表示F1包含的信息越多。因此在所有的线性组合中选取的F1应该是方差最大的，故称F1为第一主成分。如果第一主成分不足以代表原来p个指标的信息，再考虑选取F2即选第二个线性组合，为了有效地反映原来信息，F1已有的信息就不需要再出现在F2中，用数学语言表达就是要求Cov(F1,F2)＝0，则称F2为第二主成分，依此类推可以构造出第三、第四，……，第p个主成分。
Fp＝a1i*ZX1+a2i*ZX2+……+api*ZXp，其中a1i,a2i,……,api(i＝1,……,m)为X的协方差阵Σ的特征值所对应的特征向量，ZX1,ZX2,……,ZXp是原始变量经过标准化处理的值，因为在实际应用中，往往存在指标的量纲不同，所以在计算之前须先消除量纲的影响，而将原始数据标准化。A＝(aij)p×m＝(a1,a2,…am)，R*ai＝λi*ai，R为相关系数矩阵，λi、ai是相应的特征值和单位特征向量，λ1≥λ2≥…≥λp≥0。
综上可得，所述评估阈值为-0.3。
本发明的有益效果在于：
(1)三维步态分析系统对婴幼儿负担较小，无辐射无损害，采集数据较为安全有效。
(2)系统操作清晰，方便医生调用数据，进行查看、增补、修改、数据对比等操作。
(3)系统分析参数采用的算法基于运动学和医学原理，提高了诊断的准确性与可靠性。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为系统各部分关系示意图。
图2为某病例左上肢爬行运动过程肩肘腕关节平面的法向量随时间变化关系图。
图3为某病例左上肢爬行运动过程肩肘、肘腕关节角随时间变化关系图。
图4为26个病例系统分析结果统计图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
本系统首先对婴儿爬行数据的原始记录进行提炼和计算，从不同角度(如爬行的流畅度、爬行的保守性、运动的平衡性、运动的平滑性等)分别提炼对应的具有说明性的婴儿爬行子参数。获得子参数后，软件将针对子参数进行统计学处理以统一各参数的权重。最后，软件将采用相关的数学算法(PCA主成分分析)综合考量各参数的权重，最终得出一个评估结果。
系统结构：本系统分为三个模块，具体而言分别是：运动姿态子参数计算模块、子参数分析模块和用户图形界面模块；他们将分别完成：子参数提取、子参数处理及评估和人机交互界面实现的功能。
(1)运动姿态子参数计算模块：本模块共能从婴儿爬行姿态原始数据中提取八种子参数，分别是：1、对侧肢体运动协调性参数；2、同侧肢体运动协调性参数；3、关节抬升保守性参数；4、关节屈伸保守性参数；5、运动稳定性参数；6、运动流畅性参数；7、运动平衡性参数；8、运动平滑性参数。
(1-1)肌肉协同理论
肌肉协同模型是一种被学界广泛认可的节律性运动的神经肌肉控制模型。人体完成任何一种运动行为时都需要多个肌肉及其相关关节的共同参与，但是，由于肌肉骨骼的力学结构和神经系统两方面的限制，人体难以实现对每个自由点进行单独控制。由此，肌肉协同控制被认为是神经-肌肉系统降低控制冗余的一种基本控制策略，该模型中假设一种肌肉协同模式可以由数量不等的骨骼肌参与，而单个肌肉又可以参与多种肌肉协同模式。具体来说，肌肉协同是指在完成某个特定运动时激活肌肉种类及量的恒定比例关系，且该关系按照时相规律变换，表现的是中枢神经系统按照特定的比例和时序激活这些肌肉的调控形式。
不难得出，肌肉协同模型可以总结为：中枢神经系统通过线性组合的方式综合各种不同功能的肌肉协同模式，从而形成在时间和空间上调控骨骼肌协同收缩的控制信号，该信号通过相应下行神经传递到运动神经元激活传出神经所支配的肌纤维，产生肌肉收缩，从而带动关节完成相应的运动行为。
(1-2)需要的原始数据：本系统基于的是美国Motion Analysis运动捕捉系统，这类设备获取的数据形态为一张格式为“.xlsx”的EXCEL表格。其中内含有一段爬行运动中左右肩、左右腕、左右肘、左右髋、左右膝、左右踝、骶等关节点的空间坐标数据，数据的空间分辨率为0.01mm，时间分辨率为0.01秒，通常而言，单份数据的时间长度为8-16秒，低于4秒的数据将不适宜进行分析。
(1-3)同侧肢体与对侧肢体运动协调性参数：相关研究论文证明，基于肌肉协同理论(Muscle Synergy)，脑瘫婴儿运动功能发育障碍的一个运动学表征为部分肌肉协同模式的缺省。脑瘫儿的神经系统为了在部分肌肉协同模式缺省的情况下维持正常的肌肉运动，会对一些仍可应用的肌肉协调模式进行高强度调用，致使运动整体上呈现不稳定、不流畅、不和谐的特点。并且，运动的募集时间也会延长，在具体的运动过程中就体现为每一步爬行的间隔时间的延长。
人类爬行方式为：左上肢右下肢摆动的同时右上肢与左下肢支撑，摆动结束后换为右上肢与左下肢摆动同时左上肢与右下肢支撑，如此往复完成爬行。这种爬行，依赖对侧肢体的编组配合。每一组肢体都有摆动相与静止相，两相的交替最后组合为爬行运动。虽然，同一组肢体都是基本同时开始摆动，也基本同时开始支撑的，但上肢与下肢的运动开始时间仍然存在一个较小的时间差，这个时间差在正常婴儿爬行运动中相对较短，而在脑瘫婴儿的爬行运动中则相对较长。这个时间差的量化，对评估婴儿运动功能协调性发育情况有重要意义。
基于上述人类爬行方式设计两个参数，一个用于描述组间肢体运动的协调性，另一个用于描述同组肢体间运动的协调性，即对侧肢体运动协调性参数与同侧肢体运动协调性参数。根据多次实验后所获得的结果显示，以下的定义在反映婴儿发育情况中具有更优的效果。
对侧肢体运动协调性参数(Ipsilateral coordination parametercalculation，ICoo)：定义单步运动中某侧上肢运动的速度平方值大于3(m/s)2的时间长度为此次运动摆动相时长(Swing phase，SP)，以摆动相开始时刻到对侧下肢运动速度平方极大值时刻为对侧延迟时间(Ipsilateral delay，ID)，对侧肢体运动协调性参数即为：
设n为一份运动数据中运动周期的计数值。
Figure BDA0003054638310000081
其中，k为周期总数；SPn为第n个运动周期中单步运动中某侧上肢运动的速度平方值大于3(m/s)2的时间长度；IDn为第n个运动周期中以摆动相开始时刻到对侧下肢运动速度平方极大值时刻的延迟时间；
同侧肢体运动协调性参数(Contralateral coordinationparametercalculation，CCoo)：定义单步运动中某侧上肢运动的速度平方值大于3(m/s)2的时间长度为此次运动摆动相时长(Swingphase，SP)，以摆动相开始时刻到同侧下肢运动速度平方极大值时刻为同侧延迟时间(Contralateraldelay，CD)，同侧肢体运动协调性参数即为：
设n为一份运动数据中运动周期的计数值。
Figure BDA0003054638310000082
其中，k为周期数；SPn为第n个运动周期中单步运动中某侧上肢运动的速度平方值大于3(m/s)2的时间长度；CDn为第n个运动周期中以摆动相开始时刻到同侧下肢运动速度平方极大值时刻的延迟时间；
(1-4)关节抬升保守性参数与关节屈伸保守性参数：脑瘫婴儿在爬行过程中的运动具有不稳定、不流畅和不和谐的特点。其运动相对于正常婴儿，更具保守性，运动幅度相对较小。因此，设计两种参数用于量化这种特点。
在爬行运动过程中，以肩关节、肘关节、腕关节三关节做一个平面，此平面与水平面的法向量夹角在婴儿爬行运动过程中呈周期性变化，单步运动中其极大值范围为40°～80°。该极大值可以描述婴儿爬行运动的保守程度，此值越小，爬行运动越保守，此即为关节抬升保守性参数(Lift conservationparameter calculation，LCon)。
关节抬升保守性参数定义式如下：
设A(X1,Y1,Z1)，B(X2,Y2,Z2)，C(X3,Y3,Z3)分别为关节运动中腕关节、肘关节、肩关节的三维坐标点。则某一时刻肩肘腕关节面的法向量
Figure BDA0003054638310000091
如下：
Figure BDA0003054638310000092
Figure BDA0003054638310000093
Figure BDA0003054638310000094
而有法向量夹角
Figure BDA0003054638310000095
在整个运动周期中的t-θ曲线呈倒山峰形状，如图1所示，θ最大值即为关节抬升保守性参数：
LCon＝Max{θ1,θ2,...,θn}
此外，在爬行过程中，双臂的屈伸也呈周期性的变化，对于神经系统发育正常的婴儿，其肘关节弯曲时的速度较快，运动控制更为激进。而脑瘫婴儿正相反，因此，设计了另一个参数用于表示婴儿爬行的保守性。腕-肘关节向量、肘-肩关节向量形成一个关节夹角(Joint angle，JA)。在同一个爬行周期中，从爬行周期开始到关节夹角为极小值的时间差(Delay，D)，此时间差与此次运动周期比值即为关节屈伸保守性参数(Flexionconservationparameter calculation，FCon)。
关节屈伸保守性参数FCon定义为：
设A(X1,Y1,Z1)，B(X2,Y2,Z2)，C(X3,Y3,Z3)分别为关节运动中腕关节、肘关节、肩关节的三维坐标点；设某一时刻肩肘向量、肘腕向量的夹角大小为θ。
有向量
Figure BDA0003054638310000096
关节屈伸角
Figure BDA0003054638310000101
如图2所示，定义单步运动中某侧上肢运动的速度平方值大于3(m/s)2的时间长度为此次运动摆动相时长(Swingphase，SP)，设爬行周期起始点到关节屈伸角在周期中达到最小值的时间间隔为屈伸延迟(Flexion delay，FD)，则关节屈伸保守性参数定义式如下：
Figure BDA0003054638310000102
其中，k为周期数；SPn为单步运动中某侧上肢运动的速度平方值大于3(m/s)2的时间长度；FDn为以摆动相开始时刻到关节屈伸角在周期中达到最小值时刻的延迟时间；
(1-5)运动流畅性参数：运动流畅性参数的设计目的是描述婴儿单步运动的平均发力次数，对于正常的婴儿，其运动流畅程度相对于脑瘫婴儿更好。
婴儿运动流畅性参数(Fluencyparametercalculation，Flu)的定义如下：
设在第n个周期中，在婴儿爬行腕关节运动速度平方值大于3(m/s)2的时间段里，运动速度平方值曲线的极大值点的个数为Mn，则运动流畅性参数为：
设n为一份运动数据中运动周期的计数值。
Figure BDA0003054638310000103
其中，k为运动记录中总周期数；Mn为单个周期中运动速度平方值曲线的极大值点的个数；
(1-6)运动稳定性参数：人类的运动依赖肌肉系统提供动力，而肌肉系统在自然工作状态下，会有微小的颤动，这种微小的颤动源于拮抗肌之间为稳定身体姿态而长期维持的肌紧张。对于脑瘫婴儿，也就是运动神经发育不正常的婴儿，其肌紧张强度可能大于正常婴儿，进而表现出肢体颤抖的宏观特征。在婴儿爬行过程中，腕关节与膝关节为着地点关节，皮肤组织与地面的摩擦能缓冲部分的肢体颤动，进而使得相对更剧烈的不正常肌颤动得到更好的保留。计划分析腕关节与膝关节数据，并设计一个运动稳定性参数用于量化描述这种颤动。
经过实验，运动稳定性参数(Stabilizationparameter calculation，Sta)定义如下：
设运动过程中各时刻点腕、膝关节X坐标为X1,X2,...,Xn；
Sta＝Var(X1,X2,...,Xn)
其中，Sta表示运动稳定性参数，Var表示求方差函数。
(1-7)运动平衡性参数与运动平滑性参数：人体的爬行运动依赖左右肢体组合的合成运动。在正常的直线爬行姿态中，骶骨关节点应当在垂直于运动方向的矢量上维持一个小幅度的摆动，并在运动方向矢量上维持一个近似的匀速运动。这种近似的匀速运动与小幅度的摆动，是神经系统对于全身性运动的总体调控的结果。设计两个参数用于量化这种身体的全身运动调控能力：
经过实验，运动平衡性参数(Balanceparameter calculation，Bal)定义如下：
设运动过程中各时刻点骶关节Z坐标为Z1,Z2,...,Zm；
Bal＝Var(Z1,Z2,...,Zn)；
其中，Bal表示运动平衡性参数，Var表示求方差函数。
运动平滑性参数(Smoothnessparameter calculation，Smo)定义如下：
针对骶骨运动曲线，先进行拟合，将原曲线拟合为一条曲线，拟合规则为：
设F为原数据曲线，F(x)为自变量取x时原数据；
拟合曲线
Figure BDA0003054638310000111
Mean为求平均值函数；
而波动值ε(x)＝F(x)-F'(x)；
最后，对波动情况ε(x)求取方差，即为平滑性参数；
Smo＝Var(ε(X1),ε(X2),...,ε(Xn))
其中，Smo表示运动平滑性参数，Var表示求方差函数。
(1-8)子参数统计及其数据极性说明：在上述子参数构建完成后，针对一条有效数据，获得共计8种22个子参数，如表1所示。
表1子参数统计表
子参数种类 子参数明细 个数
对侧肢体运动协调性参数 【左上肢-右下肢】【左下肢-右上肢】 2
同侧肢体运动协调性参数 【左上肢-左下肢】【右下肢-右上肢】 2
关节抬升保守性参数 【左上肢】【左下肢】【右下肢】【右上肢】 4
关节屈伸保守性参数 【左上肢】【左下肢】【右下肢】【右上肢】 4
运动流畅性参数 【左上肢】【左下肢】【右下肢】【右上肢】 4
运动稳定性参数 【左上肢】【左下肢】【右下肢】【右上肢】 4
运动平衡性参数 【骶骨】 1
运动平滑性参数 【骶骨】 1
合计 22
在以上22个子参数中，均存在这样一个特性：其数值越小，说明提供数据的婴儿发育情况越接近正常婴儿；其数值越大，说明提供数据的婴儿发育情况越接近脑瘫婴儿。这组子参数具有相同的极性。这种极性的设计，将为之后的子参数分析提供可能。
(2)子参数分析模块：对于22个子参数，为保证其分析具有合理性，采用两种数学方法处理子参数数据，分别是Z-score标准化方法与PCA主成分分析法。
(2-1)Z-score标准化方法应用的原因与细节：以上子参数计算模块所获取的22个子参数，彼此之间有不同的量纲与取值范围，直接对其进行分析将导致某些数值量较大的子参数权重过大，主导了分析结果。经过综合考量，采用Z-score标准化方法，该方法能够实现数据集的平均值归零化与标准差归一化，即将一组数据的平均值调整为0，标准差调整为1的情况下保留数据间的相对关系。在系统中对22个子参数分别使用Z-score标准化方法，针对部分同种类的子参数，为保证不同种类子参数间分析权重的相同，对其中一些子参数进行了加权。如表2所示。
表2加权情况表
Figure BDA0003054638310000121
(2-2)PCA主成分分析法的应用原理及细节：
设计的8种22个子参数具有极性相同的特点，采用主成分分析法(PrincipalComponent Analysis，PCA)进行子参数的分析。主成分分析法是一种分析多个变量间相关性的多元统计方法，研究如何通过少数几个主成分(主向量)来揭示多个变量间的内部关系，即从原始变量中分析出少数几个主成分，使它们尽可能多地保留原始变量的信息，表现在数值上则是全数据集向量点乘这些向量所得到的数据集方差最大。计划使用主成分分析法提取一个主成分向量，用此主成分向量分别点乘全数据集中各条数据以获得最终评估参数。
数学上的主成分分析法表示为：
主成分分析是设法将原来众多具有一定相关性(比如p个)指标，重新组合成一组新的互相无关的综合指标来代替原来的指标。
它作为一种降维的统计方法，借助一个正交变换，将其分量相关的原随机向量转化成其分量不相关的新随机向量，这在代数上表现为将原随机向量的协方差阵变换成对角形阵，在几何上表现为将原坐标系变换成新的正交坐标系，使之指向样本点散布最开的p个正交方向，然后对多维变量系统进行降维处理，使之能以一个较高的精度转换成低维变量系统，再通过构造适当的价值函数，进一步把低维系统转化成一维系统。
最经典的做法就是用F1(选取的第一个线性组合，即第一个综合指标)的方差来表达，即Var(F1)越大，表示F1包含的信息越多。因此在所有的线性组合中选取的F1应该是方差最大的，故称F1为第一主成分。如果第一主成分不足以代表原来p个指标的信息，再考虑选取F2即选第二个线性组合，为了有效地反映原来信息，F1已有的信息就不需要再出现在F2中，用数学语言表达就是要求Cov(F1,F2)＝0，则称F2为第二主成分，依此类推可以构造出第三、第四，……，第p个主成分。
Fp＝a1i*ZX1+a2i*ZX2+……+api*ZXp，其中a1i,a2i,……,api(i＝1,……,m)为X的协方差阵Σ的特征值所对应的特征向量，ZX1,ZX2,……,ZXp是原始变量经过标准化处理的值，因为在实际应用中，往往存在指标的量纲不同，所以在计算之前须先消除量纲的影响，而将原始数据标准化。A＝(aij)p×m＝(a1,a2,…am)，Ri*ai＝λi*ai，R为相关系数矩阵，λi、ai是相应的特征值和单位特征向量，λ1≥λ2≥…≥λp≥0。
(2-3)评估原理：经过对26个病历数据的分析与实验，将系统定义的评估阈值定位：-0.3。最终评估分数小于该值的婴儿，将被软件判定为正常儿。反之，如果分数大于-0.3，则将被判定为脑瘫儿。
如图3的分析结果，虚线为脑瘫儿数据，实线为正常儿数据，纵坐标为PCA分析结果。
(3)人机交互界面
本系统围绕数据集概念构建，已实现用户自行添加数据训练分析模块的功能。
本系统内存在两种数据集：常规集与训练集，常规集被用于存储未经过医学诊断的病例，一个常规集内可储存几十上百的婴儿爬行数据，并链接分析模块进行快速的分析，进而进行病历分析报表的自动生成。而训练集则被用于存储已经过医生医学诊断的病历，相对于常规集，训练集需要额外载入GMFM婴儿爬行粗大量表的评估结果，包括婴儿发育脑瘫与否的评判，以及婴儿爬行功能实际发育月龄。训练集可以被用于训练分析模块，该模块包括一个PCA主成分分析模块以及一个BP神经网络。这一模块的关键数据可以保存为文件，亦可上传互联网并在其他终端载入使用。
用户只需要在一个Excel表格中按照一定的格式写入分析对象的基本信息，包括病历编号、姓名、性别、月龄等(若这批数据希望被用作训练集，则需要再写入婴儿发育脑瘫与否的评判，以及婴儿爬行功能实际发育月龄)。并将该分析对象的爬行数据文件重命名为他的编号后，复制到此Excel表格同一目录下即可。一个Excel表格可以记录几十上百条这样的信息，该表格为记录表，可被快捷的一键载入。
(3-1)软件运行流程演示：
1)数据准备
首先准备好数据目录，并记录好对象信息，如表3所示。
表3记录表文件内容
序号 病例编号 姓名 性别 月龄
1 1 LXL 男 55
2 2 HRX 男 21
3 3 TCX 男 7.5
4 4 RAY 男 35.5
5 5 THY 男 32.5
6 6 TMZ 男 26.5
7 7 THM 男 15
8 8 LSQ 男 25
9 9 CYX 男 27.5
10 10 WZC 男 31
11 11 LHJ 男 43
12 12 HWJ 男 13.5
13 13 WBC 男 8.5
14 14 TZA 男 10
15 15 LTZ 男 8.5
16 16 GYX 女 9.5
17 17 XYZ 女 9.5
18 18 TCH 女 12
19 19 SXY 女 10.5
20 20 LMN 女 10
21 21 MZY 女 11
22 22 PLQ 女 10.5
为保护患者隐私，此数据姓名栏已使用随机生成的缩写代替。
2)数据载入
启动软件，并选择新建数据集。
创建好数据后，选择自动载入，并选择之前准备好的记录表文件即可。
自动载入完成后，记录表文件目录中存在的数据就可被正常的载入数据集中。
3)链接分享模块
载入好数据后，即可进行分析模块的链接，软件内置一个默认的分析模块，用户亦可自行载入训练集，并自行进行分析模块的训练。此功能稍后展示。
链接分析模块后，即可查看各病例的参数报表。
4)查看报表
可查看病历相关参数得分情况，最终评分的阈值为-0.3，高于该值将被判定为脑瘫儿。
分析报表可一键导出，方便用户进行归档记录，如表4所示。
表4报表内容
Figure BDA0003054638310000151
图4中，纵坐标为发育月龄，横坐标为分析系统评分。其中每条病例的图形结构为一条线段，十字标记的端点对应横坐标为实际月龄，无十字标记端点横坐标为GMFM粗大量表诊断的发育月龄，线段长度为该婴儿发育延滞月龄。CP为脑瘫组婴儿数据，Normal为正常组婴儿数据。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (3)

1.一种辅助诊断脑性瘫痪的婴幼儿膝爬运动姿态分析系统，其特征在于：该系统包括运动姿态子参数计算模块、子参数分析模块和用户图形界面模块；运动姿态子参数计算模块向子参数分析模块传送数据；子参数分析模块和用户图形界面模块交互数据；
(1)所述运动姿态子参数计算模块从婴儿爬行姿态原始数据中提取8种子参数：对侧肢体运动协调性参数、同侧肢体运动协调性参数、关节抬升保守性参数、关节屈伸保守性参数、运动稳定性参数、整体运动流畅性参数、运动平滑性参数和运动平衡性参数；
所述对侧肢体运动协调性参数ICoo为：
设n为一份运动数据中运动周期的计数值；
Figure FDA0003820464430000011
其中，k为周期总数；SPn为第n个运动周期中单步运动中某侧上肢运动的速度平方值大于3(m/s)2的时间长度；IDn为第n个运动周期中的特征延迟时间，具体为摆动相开始时刻到对侧下肢运动速度平方极大值时刻的时间长度；
同侧肢体运动协调性参数CCoo为：
设n为一份运动数据中运动周期的计数值；
Figure FDA0003820464430000012
其中，k为周期数；SPn为第n个运动周期中单步运动中某侧上肢运动的速度平方值大于3(m/s)2的时间长度；CDn为第n个运动周期中的特征延迟时间，具体为摆动相开始时刻到同侧下肢运动速度平方极大值时刻的时间长度；
关节抬升保守性参数LCon定义为：
设A(X1,Y1,Z1)，B(X2,Y2,Z2)，C(X3,Y3,Z3)分别为关节运动中腕关节、肘关节、肩关节的三维坐标点；则某一时刻肩肘腕关节面的法向量
Figure FDA0003820464430000013
如下：
Figure FDA0003820464430000014
Figure FDA0003820464430000015
Figure FDA0003820464430000016
而有法向量夹角
Figure FDA0003820464430000017
在整个运动周期中的t-θ曲线呈倒山峰形状，θ最大值即为关节抬升保守性参数；
设有θm为整个运动记录中，各个时刻的关节面法向量夹角，m为总时刻数；
关节抬升保守性参数LCon定义式为：
LCon＝Max{θ1,θ2,...,θm}
关节屈伸保守性参数FCon定义为：
设A(X1,Y1,Z1)，B(X2,Y2,Z2)，C(X3,Y3,Z3)分别为关节运动中腕关节、肘关节、肩关节的三维坐标点；设某一时刻肩肘腕关节面的夹角大小为θ；
有向量
Figure FDA0003820464430000021
关节屈伸角
Figure FDA0003820464430000022
关节屈伸保守性参数FCon定义式为：
Figure FDA0003820464430000023
其中，k为周期数；SPn为第n个运动周期中单步运动中某侧上肢运动的速度平方值大于3(m/s)2的时间长度；FDn为第n个运动周期中，以摆动相开始时刻到关节屈伸角在周期中达到最小值时刻的延迟时间
运动流畅性参数Flu定义为：
设在第n个周期中，在婴儿爬行腕关节运动速度平方值大于3(m/s)2的时间段里，运动速度平方值曲线的极大值点的个数为Mn，则运动流畅性参数为：
设n为一份运动数据中运动周期的计数值；
Figure FDA0003820464430000024
其中，k为运动记录中总周期数；Mn为单个周期中运动速度平方值曲线的极大值点的个数；
运动稳定性参数Sta定义为：
设运动过程中各时刻点腕、膝关节X坐标为X1,X2,...,Xm；则
Sta＝Var(X1,X2,...,Xm)
其中，Sta表示运动稳定性参数，Var表示求方差函数；
运动平衡性参数Bal定义为：
设运动过程中各时刻点骶关节Z坐标为Z1,Z2,...,Zm；则
Bal＝Var(Z1,Z2,...,Zm)；
其中，Bal表示运动平衡性参数，Var表示求方差函数；
运动平滑性参数Smo定义为：
针对骶骨运动曲线，先进行拟合，将原曲线拟合为一条曲线，拟合规则为：
设F为原数据曲线，F(x)为自变量取x时原数据；
拟合曲线
Figure FDA0003820464430000031
Mean为求平均值函数；
有波动值函数ε(x)＝F(x)-F'(x)；
最后，对波动值函数ε(x)求取方差，即为平滑性参数；
Smo＝Var(ε(X1),ε(X2),...,ε(Xn))
其中，Smo表示运动平滑性参数，Var表示求方差函数；
在子参数构建完成后，针对一条有效数据，获得共计8种22个子参数：
对侧肢体运动协调性参数包括左上肢-右下肢、左下肢-右上肢；
同侧肢体运动协调性参数包括左上肢-左下肢、右下肢-右上肢；
关节抬升保守性参数包括左上肢、左下肢、右下肢、右上肢；
关节屈伸保守性参数包括左上肢、左下肢、右下肢、右上肢；
运动流畅性参数包括左上肢、左下肢、右下肢、右上肢；
运动稳定性参数包括左上肢、左下肢、右下肢、右上肢；
运动平衡性参数包括骶骨；
运动平滑性参数包括骶骨；
在以上22个子参数中，均满足：数值越小，说明提供数据的婴儿发育情况越接近正常婴儿；数值越大，说明提供数据的婴儿发育情况越接近脑瘫婴儿；
(2)所述子参数分析模块：对于22个子参数，采用Z-score标准化方法与PCA主成分分析法处理子参数数据；
经过对遍历数据的分析与实验，将系统定义的评估阈值定位；最终评估分数小于该评估阈值的婴儿，将被软件判定为正常儿；反之，如果评估分数大于该评估阈值，则将被判定为脑瘫儿。
2.根据权利要求1所述的一种辅助诊断脑性瘫痪的婴幼儿膝爬运动姿态分析系统，其特征在于：所述Z-score标准化方法为：将一组数据的平均值调整为0，标准差调整为1的情况下保留数据间的相对关系；在系统中对22个子参数分别使用Z-score标准化方法，对其中一些子参数进行了加权，加权情况如下：
对侧肢体运动协调性参数的权重为0.5；
同侧肢体运动协调性参数的权重为0.5；
关节抬升保守性参数的权重为0.5；
关节屈伸保守性参数的权重为0.5；
运动流畅性参数的权重为0.5；
运动稳定性参数的权重为0.5；
运动平衡性参数的权重为1；
运动平滑性参数的权重为1；
所述PCA主成分分析法为：使用主成分分析法提取一个主成分向量，用此主成分向量分别点乘全数据集中各条数据以获得最终评估参数；
数学上的主成分分析法表示为：
主成分分析法是设法将原来众多具有一定相关性指标，重新组合成一组新的互相无关的综合指标来代替原来的指标；
主成分分析法作为一种降维的统计方法，借助一个正交变换，将其分量相关的原随机向量转化成其分量不相关的新随机向量，这在代数上表现为将原随机向量的协方差阵变换成对角形阵，在几何上表现为将原坐标系变换成新的正交坐标系，使之指向样本点散布最开的p个正交方向，然后对多维变量系统进行降维处理，使之能以一个较高的精度转换成低维变量系统，再通过构造适当的价值函数，进一步把低维系统转化成一维系统；
选取的第一个线性组合，即第一个综合指标为F1，用F1的方差来表达，即Var(F1)越大，表示F1包含的信息越多；在所有的线性组合中选取的F1应该是方差最大的，故称F1为第一主成分；如果第一主成分不足以代表原来p个指标的信息，再考虑选取F2即选第二个线性组合，为了有效地反映原来信息，F1已有的信息就不需要再出现在F2中，用数学语言表达就是要求Cov(F1,F2)＝0，则称F2为第二主成分，依此类推构造出第三、第四，……，第p个主成分；
Fp＝a1i*ZX1+a2i*ZX2+……+api*ZXp，其中a1i,a2i,……,api为X的协方差阵Σ的特征值所对应的特征向量，i＝1,……,m；ZX1,ZX2,……,ZXp是原始变量经过标准化处理的值，在计算之前须先消除量纲的影响，而将原始数据标准化；A＝(aij)p×m＝(a1,a2,…am)，R*ai＝λi*ai，R为相关系数矩阵，λi、ai是相应的特征值和单位特征向量，λ1≥λ2≥…≥λp≥0。
3.根据权利要求1所述的一种辅助诊断脑性瘫痪的婴幼儿膝爬运动姿态分析系统，其特征在于：所述评估阈值为-0.3。
CN202110496536.7A 2021-05-07 2021-05-07 一种辅助诊断脑性瘫痪的婴幼儿膝爬运动姿态分析系统 Active CN113197570B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110496536.7A CN113197570B (zh) 2021-05-07 2021-05-07 一种辅助诊断脑性瘫痪的婴幼儿膝爬运动姿态分析系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110496536.7A CN113197570B (zh) 2021-05-07 2021-05-07 一种辅助诊断脑性瘫痪的婴幼儿膝爬运动姿态分析系统

Publications (2)

Publication Number Publication Date
CN113197570A CN113197570A (zh) 2021-08-03
CN113197570B true CN113197570B (zh) 2022-10-25

Family

ID=77030144

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110496536.7A Active CN113197570B (zh) 2021-05-07 2021-05-07 一种辅助诊断脑性瘫痪的婴幼儿膝爬运动姿态分析系统

Country Status (1)

Country Link
CN (1) CN113197570B (zh)

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3720768B2 (ja) * 2002-01-25 2005-11-30 川重防災工業株式会社 新生児および乳児の診断装置
CN101520893A (zh) * 2009-02-23 2009-09-02 暨南大学 一种婴幼儿脑医学计算机扫描图像的分析方法及实现系统
US9232912B2 (en) * 2010-08-26 2016-01-12 The Regents Of The University Of California System for evaluating infant movement using gesture recognition
EP3068301A4 (en) * 2013-11-12 2017-07-12 Highland Instruments, Inc. Analysis suite
CN105286804B (zh) * 2015-12-04 2018-11-30 重庆大学 一种可穿戴式膝爬运动生理参数检测装置
US20170164900A1 (en) * 2015-12-11 2017-06-15 The Trustees Of The University Of Pennsylvania Advanced play environment for screening and early diagnosis of infant developmental delays and neurological impairments
US20210267492A1 (en) * 2018-07-19 2021-09-02 Katelyn Elizabeth FRY Systems and methods for detecting a motor developmental delay or neurodevelopmental disorder in an infant
CN109620244B (zh) * 2018-12-07 2021-07-30 吉林大学 基于条件生成对抗网络和svm的婴儿异常行为检测方法
CN110414306B (zh) * 2019-04-26 2022-07-19 吉林大学 一种基于meanshift算法和SVM的婴儿异常行为检测方法
CN112331300A (zh) * 2020-11-17 2021-02-05 南昌航空大学 基于加速度传感器的脑瘫儿童膝爬关节协同运动分析系统

Also Published As

Publication number Publication date
CN113197570A (zh) 2021-08-03

Similar Documents

Publication Publication Date Title
Pan et al. Motor function assessment of upper limb in stroke patients
Aung et al. Estimation of upper limb joint angle using surface EMG signal
Ivanenko et al. On the origin of planar covariation of elevation angles during human locomotion
US20150012111A1 (en) Methods for closed-loop neural-machine interface systems for the control of wearable exoskeletons and prosthetic devices
Nasrabadi et al. A new scheme for the development of IMU-based activity recognition systems for telerehabilitation
de Freitas et al. Stability of steady hand force production explored across spaces and methods of analysis
Liu et al. Design and evaluation of a surface electromyography-controlled lightweight upper arm exoskeleton rehabilitation robot
Delgado et al. Integration of Task-Based Exoskeleton with an Assist-as-Needed Algorithm for Patient-Centered Elbow Rehabilitation
Zhang et al. The design of a hemiplegic upper limb rehabilitation training system based on surface EMG signals
Tian et al. sEMG-Based Gain-Tuned Compliance Control for the Lower Limb Rehabilitation Robot during Passive Training
CN113197570B (zh) 一种辅助诊断脑性瘫痪的婴幼儿膝爬运动姿态分析系统
Radhakrishnan et al. Automatic assessment of abdominal exercises for the treatment of diastasis recti abdominis using electromyography and machine learning
Wu et al. Development of a hierarchical control strategy for a soft knee exoskeleton based on wearable multi-sensor system
Zhu et al. Gait-stride-and-frequency-based human intention recognition approach and experimental verification on lower limb exoskeleton
Wang et al. Interval estimation of motion intensity variation using the improved inception-V3 model
Chen et al. Research on EEG classification with neural networks based on the Levenberg-Marquardt algorithm
Tahmid et al. Upper Extremity Muscle Activation Pattern Prediction Through Synergy Extrapolation and Electromyography-Driven Modeling
Aliverti et al. Functional evaluation and rehabilitation engineering
Li et al. Assistance level quantification-based human-robot interaction space reshaping for rehabilitation training
Xie et al. Biomechatronics in medical rehabilitation
Wang et al. Design of sports rehabilitation training system based on EEMD algorithm
Ning et al. Evaluation of an Information Flow Gain Algorithm for Microsensor Information Flow in Limber Motor Rehabilitation
Agarwal Quantification of Mechanisms of Human Seated Balance using System Identification
Sampaio Low-Cost Simultaneous and Proportional Myoelectric Control of Powered Upper Limb Exoskeletons
Zarshenas EMG-Informed Estimation of Human Walking Dynamics for Assistive Robots

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240308

Address after: 100102 China Electronics Taiji Information Industrial Park, No.7 Rongda Road, Chaoyang District, Beijing

Patentee after: TAIJI COMPUTER Co.,Ltd.

Country or region after: China

Address before: 400044 No. 174 Shapingba street, Shapingba District, Chongqing

Patentee before: Chongqing University

Country or region before: China