CN113499084B - 脑卒中运动功能评价模型建立方法、评价方法及系统 - Google Patents

脑卒中运动功能评价模型建立方法、评价方法及系统 Download PDF

Info

Publication number
CN113499084B
CN113499084B CN202110778890.9A CN202110778890A CN113499084B CN 113499084 B CN113499084 B CN 113499084B CN 202110778890 A CN202110778890 A CN 202110778890A CN 113499084 B CN113499084 B CN 113499084B
Authority
CN
China
Prior art keywords
characteristic
signals
coupling
index
frequency
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
CN202110778890.9A
Other languages
English (en)
Other versions
CN113499084A (zh
Inventor
谢平
王颖
陈晓玲
蔚建
王子豪
侯培国
刘兰祥
苏玉萍
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 CN202110778890.9A priority Critical patent/CN113499084B/zh
Publication of CN113499084A publication Critical patent/CN113499084A/zh
Application granted granted Critical
Publication of CN113499084B publication Critical patent/CN113499084B/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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • 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
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • 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
    • A61B5/24—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]
    • A61B5/397—Analysis of electromyograms
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Abstract

本发明提供了脑卒中运动功能评价模型建立方法、评价方法及系统，通过对体现脑电和肌电信号的神经肌肉系统功能状态进行采集，将采集的脑电信号和肌电信号进行多层次脑肌电耦合特征提取，并对多个神经肌肉耦合指标筛选，构建可视化运动功能评价模型；利用该可视化运动功能评价模型，进而得出可视化运动功能评估结果。本发明与现有技术相比，从多个方面进行了生理信号的采集，从病理机制和多信息融合角度对脑卒中患者运动功能状态进行客观全面的数字评估，使得到的数据更科学准确。

Description

脑卒中运动功能评价模型建立方法、评价方法及系统
技术领域
本发明涉及康复工程、神经功能评估领域，本发明涉及脑卒中运动功能评价模型建立方法、评价方法及系统。
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，缺少从病理机制和多信息融合角度对脑卒中患者运动功能状态进行客观全面的数字评估，不能够满足日益增长的康复需求。
发明内容
本发明提供了脑卒中运动功能评价模型建立方法、评价方法及系统，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，本发明提供如下技术方案：
一方面，本发明提供了一种脑卒中运动功能评价模型建立方法，该方法包括特征指标筛选阶段和可视化模型构建阶段；
其中，特征指标筛选阶段包括：通过皮尔逊相关性分析进行上田敏临床定性特征指标与定量特征指标相关性分析确定其一致性；对不同的特性采用不同的方法进行筛选，得到最显著性最强的频段来进行评价指标计算；所述定量特征指标为体现神经肌肉功能耦合状态的指标，包括：局部频带特性指标、异频耦合特性指标、时延信息传递指数指标、复杂多尺度一致性指标；所述异频耦合特性是指从复杂性的角度刻画大脑与肌肉间潜在的非线性耦合机制，所述局部频带特性是指在特定频段内脑电信号和肌电信号间不同信息传递方向的非线性复杂性度量，所述时延信息传递指数能够表现信息交互的方向性和两信号间的耦合强度，所述复杂多尺度一致性能够描述两耦合信号之间的多尺度同步关系；
可视化模型构建阶段包括：基于所述特征指标筛选阶段筛选出的定量特征指标构建可视化运动功能评价模型，所述可视化运动功能评价模型通过AHP-FCE算法进行定性-定量评价。
进一步地，对不同的特性采用不同的方法进行筛选，包括：
局部频带特性是指通过二维傅里叶变换计算多维拓展空间向量的频域表示，在此基础上对各频域点的维数向量进行传递熵计算，以此实现脑电信号、肌电信号不同频率值上的信息交互定量描述；局部频带特性指标采用的筛选方法包括：
分别计算出脑卒中患者和健康对照组的传递谱熵值，计算出EMG到EEG和EEG到EMG方向alpha、beta1、beta2、gamma1、gamma2及piper频段的TSE显著面积指标，并对上述指标进行统计性分析，选出具有显著性差异的频段；通过皮尔逊相关性分析上述频段显著面积与上田敏临床评定量表等级的相关性，选出具有显著相关性关系的频段；
异频耦合特性是指通过小波包分解后获取多组不同时域尺度的子带信号，对各频率交叉的子带信号进行传递熵计算，以此实现不同时频尺度上两信号间信息交互的计算，通过基于异频耦合模型产生的异频耦合关系的仿真数据的分析，从仿真层面为神经肌肉功能耦合局部频带特性提供理论依据；异频耦合特性指标采用的筛选方法包括：
分别求取不同耦合比下基于小波包传递熵的delta、theta、alpha、beta及gamma频段显著面积，对每个耦合比下的显著面积进行统计性分析，选出具有显著性差异的频段；通过皮尔逊相关性分析不同耦合比下该频段的显著面积与上田敏临床评定量表等级的相关性，选出具有显著相关性关系的耦合比；
时间延迟是指神经肌肉系统包含的若干个子系统的信息交互和控制反馈之间存在的时间延迟；时延信息传递指数是指为了能够更加准确的量化描述两序列间的延迟时间而提出的一种通过对耦合信号进行排序重构以获取其排序模式，对排序模型的信号传递指数分析，从而实现对延迟时间的有效估计；
时延特性指标筛选方法包括：
经过对脑卒中患者和健康对照组EMG到EEG和EEG到EMG方向的延迟时间进行统计性分析，筛选出具有显著性差异的方向；通过皮尔逊相关性分析该方向的延迟时间与上田敏临床评定量表等级的相关性，出具有显著相关性关系的方向；
复杂多尺度一致性是指为了描述两耦合信号间的多尺度同步关系而提出的一种基于粗粒化过程进行的多尺度处理，通过多尺度一致性模型的显著面积指标，用以量化两耦合信号间不同尺度上的同步耦合关系；复杂多尺度一致性特性指标筛选方法包括：
分别计算出脑卒中患者和健康对照组1-20尺度上的显著0-60Hz频段范围内的显著面积指标，并通过其变化趋势图分析，筛选出显著面积指标数值显著低于健康对照组的尺度；通过该尺度下显著面积指标与上田敏临床评定量表等级进行皮尔逊相关性分析，筛选处存在显著的正相关关系的尺度。
进一步地，选用EEG到EMG方向beta2和gamma2频段的TSE显著面积指标来体现局部频带特性；
选用耦合比为3：2及2：1条件下EEG到EMG方向gamma频段的WPTE显著面积指标来体现异频耦合特性；
选用EEG到EMG方向的延迟时间来体现时间延迟特性；
选用尺度为9、10、12下的显著面积指标来体现复杂多尺度一致性特性。
进一步地，AHP-FCE算法中，确定因素集U为定量评估指标，即脑电特征值和肌电特征值，满足U＝{u1,u2}；
确定权重集W为定性评估指标，即根据上田敏量表得到的阶段值，满足W＝{w1,w2,w3,w4,w5}；其中，u1表示脑电特征值矩阵，u2表示肌电特征值矩阵；
综合评价结果表示为：
Figure BDA0003156886270000041
依据肌电评价指标u1表示为：
Figure BDA0003156886270000042
u2＝r6。
又一方面，本发明还提供了一种基于上述脑卒中运动功能评价模型建立方法建立的脑卒中运动功能评价模型进行脑卒中运动功能评价的方法，该方法包括：
对用户的脑电信号和肌电信号进行数据采集；
对采集到的脑电信号和肌电信号进行信号预处理；
对经过预处理的信号进行特征提取；特征提取为神经肌肉耦合指标提取，包括：局部频带特性、异频耦合特性、时延信息传递指数、复杂多尺度一致性四项特征值；所述异频耦合特性是指从复杂性的角度刻画大脑与肌肉间潜在的非线性耦合机制，所述局部频带特性是指在特定频段内脑电信号和肌电信号间不同信息传递方向的非线性复杂性度量，所述时延信息传递指数能够表现信息交互的方向性和两信号间的耦合强度，所述复杂多尺度一致性能够描述两耦合信号之间的多尺度同步关系；
对提取出的特征进行特征层融合；
将得到的融合特征输入到建立的可视化运动功能评价模型，得到用户的可视化康复评价结果。
进一步地，采用64通道Neuracle采集系统、Trigno无线肌电系统和无线同步脉冲触发器进行数据采集。
进一步地，对采集到的脑电信号进行预处理，包括：基于高通滤波器去除基线漂移，通过自适应滤波器去除50Hz工频干扰；基于独立分量分析去除心电和眼电信号；基于典型相关性分析去除脑电信号中的肌电信号，筛选出CP3、C3、FC3三个电极的信号；
对采集到的肌电信号进行预处理，包括：通过自适应陷波器去除50Hz工频信号，基于0.5-150Hz的带通滤波器去除直流干扰，最后对肌电信号进行整流。
进一步地，提取异频耦合特性包括：使用传递谱熵的分析方法，基于相空间重构方法将一维脑电信号构造成多维矩阵，对其进行二维傅里叶变化，在其频域上进行传递熵计算；
提取局部频带特性包括：
使用小波包传递熵的方法，基于代理数据对其进行统计分析，给出小波包传递熵方法的显著性指标用以量化两耦合信号间的异频耦合特性；
提取时延信息传递指数，包括：
序列X到序列Y的时延信息传递指数为：
Figure BDA0003156886270000061
式中，X′和Y′分别为X和Y序列在t-u时刻的嵌入维数为MX′和MY′的空间向量，空间向量X′和Y′的第ψx′，1≤ψx′≤MX′！和ψy′，1≤ψy′≤MY′！种模式出现的次数分别为Cψx′，1≤Cψx′≤MX′！和Cψy′，1≤Cψy′≤MY′！，
Figure BDA0003156886270000062
和
Figure BDA0003156886270000063
分别为空间向量X′和Y′的加权概率，
Figure BDA0003156886270000064
为Y在Y′条件上的加权排序条件概率，
Figure BDA0003156886270000065
为Y在X′及Y′共同条件上的加权排序条件概率；
提取复杂多尺度一致性，包括：
频率点f处的多尺度一致性
Figure BDA0003156886270000066
和复杂多尺度一致性
Figure BDA0003156886270000067
可以表示如下：
Figure BDA0003156886270000068
Figure BDA0003156886270000071
式中，
Figure BDA0003156886270000072
和
Figure BDA0003156886270000073
分别为尺度s的时间序列
Figure BDA0003156886270000074
和
Figure BDA0003156886270000075
在频率点f处的自谱；
Figure BDA0003156886270000076
和
Figure BDA0003156886270000077
则分别为时间序列
Figure BDA0003156886270000078
和
Figure BDA0003156886270000079
频率点f处的自谱；
Figure BDA00031568862700000710
是时间序列
Figure BDA00031568862700000711
和
Figure BDA00031568862700000712
的频率点f处的互谱；
Figure BDA00031568862700000713
是时间序列
Figure BDA00031568862700000714
和
Figure BDA00031568862700000715
频率点f处的互谱。
进一步地，还包括：绘制不同康复阶段用户各项指标细化图。
又一方面，本发明还提供了一种基于上述脑卒中运动功能评价模型建立方法建立的脑卒中运动功能评价模型进行脑卒中运动功能评价的系统，所述系统包括：
数据采集模块，用于对用户的脑电信号和肌电信号进行数据采集；
数据预处理模块，用于对所述数据采集模块采集到的脑电信号和肌电信号进行信号预处理；
特征提取模块，用于对经过所述数据预处理模块预处理的信号进行特征提取；特征提取为神经肌肉耦合指标提取，包括：局部频带特性、异频耦合特性、时延信息传递指数、复杂多尺度一致性四项特征值；所述异频耦合特性是指从复杂性的角度刻画大脑与肌肉间潜在的非线性耦合机制，所述局部频带特性是指在特定频段内脑电信号和肌电信号间不同信息传递方向的非线性复杂性度量，所述时延信息传递指数能够表现信息交互的方向性和两信号间的耦合强度，所述复杂多尺度一致性能够描述两耦合信号之间的多尺度同步关系；
特征融合模块，用于对所述特征提取模块提取出的特征进行特征层融合；
评价模块，用于将所述特征融合模块得到的融合特征输入到建立的可视化运动功能评价模型，得到用户的可视化康复评价报告。
本发明技术方案产生的积极效果如下：
1、本发明从脑电、肌电、脑肌间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，通过不同的特征指标分析处理，得到评估结果。从病理机制和多信息融合角度对脑卒中患者运动功能状态进行客观全面的数字评估，使得到的数据更科学准确。
2、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。
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脑卒中运动功能评价模型建立方法的流程图；
图2为本发明实施例中一种脑卒中运动功能评价方法的流程图；
图3为本发明实施例中不同康复阶段患者各项指标细化图(左)、患者康复训练效果评估图(右)；
图4为本发明实施例中康复周期5和康复周期6的数据分析图；
图5为本发明实施例中一种脑卒中运动功能评价系统的结构框图。
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，其示出了本发明实施例中一种脑卒中运动功能评价模型建立方法的流程图，该方法包括特征指标筛选阶段和可视化模型构建阶段；
其中，特征指标筛选阶段包括：多指标融合筛选，得到最显著性最强的频段来进行评价指标计算。
多指标融合筛选是指首先通过皮尔逊相关性分析进行上田敏临床定性特征指标与定量特征指标相关性分析确定其一致性，其次对不同的特性采用了不同的方法进行筛选，得到最显著性最强的频段来进行评价指标计算
本发明实施例中选取分别体现时延特性、多尺度耦合特性、异频耦合特性、局部频带特性的时延信息传递指数、复杂多尺度一致性、小波包传递熵、传递谱熵的多维特征融合矩阵作为定量评价指标。
其中，局部频带特性是指通过二维傅里叶变换计算多维拓展空间向量的频域表示，在此基础上对各频域点的维数向量进行传递熵计算，以此实现两信号即脑电信号、肌电信号不同频率值上的信息交互定量描述。局部频带特性指标采用的筛选方法包括：首先分别计算出脑卒中患者和健康对照组的传递谱熵值(TSE)，计算出EMG到EEG和EEG到EMG方向alpha(8-15Hz)、beta1(15-25Hz)、beta2(25-35Hz)、gamma1(35-45Hz)、gamma2(45-60Hz)及piper(>60Hz)频段的TSE显著面积指标，并对上述指标进行统计性分析，选出具有显著性差异的频段；其次通过皮尔逊相关性分析上述频段显著面积与上田敏临床评定量表等级的相关性，选出具有显著相关性关系的频段。筛选结果为：选用EEG到EMG方向beta2和gamma2频段的TSE显著面积指标来体现局部频带特性。
异频耦合特性是指通过小波包分解后获取多组不同时域尺度的子带信号，对各频率交叉的子带信号进行传递熵计算，以此实现不同时频尺度上两信号间信息交互的计算，通过基于异频耦合模型产生的异频耦合关系的仿真数据的分析，从仿真层面为神经肌肉功能耦合局部频带特性提供理论依据。异频耦合特性指标采用的筛选方法包括：首先分别求取不同耦合比下基于小波包传递熵(WPTE)的delta、theta、alpha、beta及gamma频段显著面积，对每个耦合比下的显著面积进行统计性分析，选出具有显著性差异的频段；其次通过皮尔逊相关性分析不同耦合比下该频段的显著面积与上田敏临床评定量表等级的相关性，选出具有显著相关性关系的耦合比。筛选结果为：选用耦合比为3：2及2：1条件下EEG到EMG方向gamma频段的WPTE显著面积指标来体现异频耦合特性。
时间延迟是指神经肌肉系统包含的若干个子系统的信息交互和控制反馈之间存在的时间延迟。时延信息传递指数是指为了能够更加准确的量化描述两序列间的延迟时间而提出的一种通过对耦合信号进行排序重构以获取其排序模式，对排序模型的信号传递指数分析，从而实现对延迟时间的有效估计。时延特性指标筛选方法包括：经过对脑卒中患者和健康对照组EMG到EEG和EEG到EMG方向的延迟时间进行统计性分析，筛选出具有显著性差异的方向；其次通过皮尔逊相关性分析该方向的延迟时间与上田敏临床评定量表等级的相关性，出具有显著相关性关系的方向。筛选结果为：选用EEG到EMG方向的延迟时间来体现时间延迟特性。
复杂多尺度一致性是指为了描述两耦合信号间的多尺度同步关系而提出的一种基于粗粒化过程进行的多尺度处理，通过多尺度一致性模型的显著面积指标，用以量化两耦合信号间不同尺度上的同步耦合关系。复杂多尺度一致性特性指标筛选方法包括：分别计算出脑卒中患者和健康对照组1-20尺度上的显著0-60Hz频段范围内的显著面积指标，并通过其变化趋势图分析，筛选出显著面积指标数值显著低于健康对照组的尺度；其次通过该尺度下显著面积指标与上田敏临床评定量表等级进行皮尔逊相关性分析，筛选处存在显著的正相关关系的尺度。筛选结果为：选用尺度为9、10、12下的显著面积指标来体现复杂多尺度一致性特性。
可视化模型构建阶段是指基于特征指标筛选阶段筛选出的定量特征指标构建可视化运动功能评价模型。
可视化运动功能评价模型中，通过AHP-FCE法进行定性-定量评价，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，FCE法结合AHP法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，即脑电特征值和肌电特征值,满足U＝{u1,u2}；确定权重集W为定性评估指标，即根据上田敏量表得到的阶段值，满足W＝{w1,w2,w3,w4,w5}。其中，u1表示脑电特征值矩阵，u2表示肌电特征值矩阵；
综合评价结果表示为：
Figure BDA0003156886270000111
依据肌电评价指标u1可表示为：
Figure BDA0003156886270000121
u2＝r6。
上述实施例中，基于上田敏临床定性特征指标与神经肌肉耦合状态定量特征指标建立的可视化运动功能评价模型，综合描述患者在不同临床康复阶段下的神经肌肉功能耦合特征指标及其变化规律，实现了对患者运动功能的多层次定性定量评价的可视化综合体现。
如图2所示，其示出了本实施例中利用上述实施例中建立的可视化运动功能评价模型进行脑卒中运动功能评价方法的流程图，该方法包括以下三个部分：
S101、数据采集；
数据采集包括采用64通道Neuracle采集系统、Trigno无线肌电系统和无线同步脉冲触发器进行脑电信号和肌电信号采集。
S102、数据处理；
数据处理包括三个步骤：
S201、对采集到的脑电信号和肌电信号进行信号预处理；
其中，信号包括脑电信号和肌电信号。
脑电信号预处理包括：首先基于高通滤波器去除基线漂移，通过自适应滤波器去除50Hz工频干扰，其次基于独立分量分析去除心电和眼电信号，最后基于典型相关性分析去除脑电信号中的肌电信号，筛选出CP3、C3、FC3三个电极的信号，因为该通道处的神经肌肉功能耦合最显著。
肌电信号预处理包括：通过自适应陷波器去除50Hz工频信号，基于0.5-150Hz的带通滤波器去除直流干扰，最后对肌电信号进行整流。
S202、对经过信号预处理的信号进行特征提取；
特征提取为神经肌肉耦合指标提取，包括：局部频带特性、异频耦合特性、时延信息传递指数、复杂多尺度一致性四项特征值。
其中，异频耦合特性是指从复杂性的角度刻画大脑与肌肉间潜在的非线性耦合机制。本发明实施例中使用传递谱熵的分析方法，基于相空间重构方法将一维脑电信号构造成多维矩阵，然后对其进行二维傅里叶变化，在其频域上进行传递熵计算。将原始序列X和T拓展到M维的空间，得到维数为M×N的矩阵S和V；
Figure BDA0003156886270000131
Figure BDA0003156886270000132
式中，m及n均为整数且1≤m≤M,1≤n≤N；
对空间向量S和V进行二维傅里叶变换，设定其采样频率为fs，则其变换为：
Figure BDA0003156886270000133
Figure BDA0003156886270000134
式中，参数k为整数且k＝1,2,…,M，表示向量空间S和V中的不同方向点，即维数点；
二维向量矩阵h(k,f)和g(k,f)表示为：
w(f)＝{h(1,f),h(2,f),…,h(k,f),…,h(M,f)}；
v(f)＝{g(1,f),g(2,f),…,g(k,f),…,g(M,f)}；
则传递熵公式表示为：
Figure BDA0003156886270000141
式中，f是离散频率值，τ是频率预测值，
Figure BDA0003156886270000142
和
Figure BDA0003156886270000143
分别是向量w(f)和v(f)在频率点f处的φ和
Figure BDA0003156886270000144
维的延时向量，p表示概率计算。
局部频带特性是指通过对耦合信号进行小波包分解获取多个时频局部频带信号，并对每个局部频带信号进行传递熵的计算，以此探究在特定频段内脑电信号和肌电信号间不同信息传递方向的非线性复杂性度量。本发明实施例中使用小波包传递熵的方法，基于代理数据对其进行统计分析，给出小波包传递熵方法的显著性指标用以量化两耦合信号间的异频耦合特性。小波包传递熵用下式表示：
Figure BDA0003156886270000145
式中t是离散时间变量，u是离散的预测时间变量；
Figure BDA0003156886270000151
和
Figure BDA0003156886270000152
分别是序列
Figure BDA0003156886270000153
和
Figure BDA0003156886270000154
的m-和n-维的时间延迟空间向量，
Figure BDA0003156886270000155
和
Figure BDA0003156886270000156
分别为信号X在第i层的第N个子空间的子频带信号和Y信号在第j层的第M个子空间的子频带信号，参数i,j∈Z；
特定频带
Figure BDA0003156886270000157
内的显著面积指标为：
Figure BDA0003156886270000158
式中，Δf1和Δf2为分辨率，分辨率越小则表明WPTE所描述的FCMC特性的细节信息越多，
Figure BDA0003156886270000159
和
Figure BDA00031568862700001510
分别是X信号频率范围的最大值和最小值，且
Figure BDA00031568862700001511
参数r∈Z，且
Figure BDA00031568862700001512
时延信息传递指数不仅能够用于两信号间信息交互的方向性，更能描述两信号间的耦合强化。序列X到序列Y的时延信息传递指数为：
Figure BDA00031568862700001513
式中，X′和Y′分别为X和Y序列在t-u时刻的嵌入维数为MX′和MY′的空间向量，空间向量X′和Y′的第ψx′，1≤ψx′≤MX′！和ψy′，1≤ψy′≤MY′！种模式出现的次数分别为Cψx′，1≤Cψx′≤MX′！和Cψy′，1≤Cψy′≤MY′！，
Figure BDA00031568862700001514
和
Figure BDA00031568862700001515
分别为空间向量X′和Y′的加权概率，
Figure BDA0003156886270000161
为Y在Y′条件上的加权排序条件概率，
Figure BDA0003156886270000162
为Y在X′及Y′共同条件上的加权排序条件概率。
复杂多尺度一致性是指通过引入k阶粗粒化处理，用于一致性方法分析中，来描述两耦合信号之间的多尺度同步关系。频率点f处的多尺度一致性
Figure BDA0003156886270000163
和复杂多尺度一致性
Figure BDA0003156886270000164
可以表示如下：
Figure BDA0003156886270000165
Figure BDA0003156886270000166
式中，
Figure BDA0003156886270000167
和
Figure BDA0003156886270000168
分别为尺度s的时间序列
Figure BDA0003156886270000169
和
Figure BDA00031568862700001610
在频率点f处的自谱；
Figure BDA00031568862700001611
和
Figure BDA00031568862700001612
则分别为时间序列
Figure BDA00031568862700001613
和
Figure BDA00031568862700001614
频率点f处的自谱；
Figure BDA00031568862700001615
是时间序列
Figure BDA00031568862700001616
和
Figure BDA00031568862700001617
的频率点f处的互谱；
Figure BDA00031568862700001618
是时间序列
Figure BDA00031568862700001619
和
Figure BDA00031568862700001620
频率点f处的互谱。
S203、对提取出的特征进行特征层融合；
特征层融合是指一种在信号特征层面进行融合的方法，先对各类信号源分别完成特征提取工作，然后把各类特征进行融合，对融合后的数据进行模式识别。特征融合是一种次级融合方式，相对于数据层融合方法对原始数据进行了特征提取，使得数据特征更加明显且降低了数据量提高处理速度。在进行特征融合时对于原始信号而言保留了信号的关键信息同时去掉了冗余信息，减少了信号处理的复杂度又最大程度保证了信号的真实度。
S103、可视化显示；
可视化显示是指将得到的患者融合特征输入到上述实施例中建立的可视化运动功能评价模型，得到患者的可视化康复评价结果。
绘制不同康复阶段患者各项指标细化图能够直接准确的展示了各阶段患者的详细指标数值，包含筛选出的TSE、WPTE、TDIT、CMSC的特定频段指标值。图3(左)能够直观看出，随着上田敏评定等级增加，各项指标呈不同程度的线性关系。
为直观显示评价结果和康复训练的效果，建立基于康复阶段、康复周期、评价指标的患者康复训练效果评价图，构建多元可视化定性定量融合评估模型，综合描述患者在一段康复训练阶段内的康复效果。康复阶段是指上田敏临床评定量表等级，康复周期是指患者经历的康复训练时间，本专利中一周期指代十天。图3(右)中，根据康复阶段图例显示不同的康复阶段对应不同深度的颜色，即颜色越浅康复阶段值越大，对应的上田敏临床评定量表的等级越高，患者的康复效果就越好。该图能够直观的显示患者康复训练的效果对比。
如图4所示，根据患者在康复周期5和康复周期6的数据进行分析，数据的间隔为一个周期(十天)，绘制条形图进行比对可以看出各项指标均有明显的差异，随患者康复训练过程的进行，Gamma2频段的TSE值和时延指标数值减小，其他指标均增加，与不同康复阶段患者各项指标细化图所表现的整体趋势保持一致。
上述实施例中的脑卒中运动功能评价方法，从脑电、肌电、脑肌间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，通过不同的特征指标分析处理，得到评估结果。从病理机制和多信息融合角度对脑卒中患者运动功能状态进行客观全面的数字评估，使得到的数据更科学准确。同时，本发明实施例中的脑卒中运动功能评价方法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。
对应于上述脑卒中运动功能评价方法，本发明实施例中还提供了一种脑卒中运动功能评价系统，如图5所示，其示出了本实施例中利用上述实施例中建立的可视化运动功能评价模型进行脑卒中运动功能评价的系统框图，该系统包括：
数据采集模块301，用于对用户的脑电信号和肌电信号进行数据采集；
数据预处理模块302，用于对所述数据采集模块采集到的脑电信号和肌电信号进行信号预处理；
特征提取模块303，用于对经过所述数据预处理模块预处理的信号进行特征提取；脑电信号特征提取为神经肌肉耦合指标提取，包括：局部频带特性、异频耦合特性、时延信息传递指数、复杂多尺度一致性四项特征值；所述异频耦合特性是指从复杂性的角度刻画大脑与肌肉间潜在的非线性耦合机制，所述局部频带特性是指在特定频段内脑电信号和肌电信号间不同信息传递方向的非线性复杂性度量，所述时延信息传递指数能够表现信息交互的方向性和两信号间的耦合强度，所述复杂多尺度一致性能够描述两耦合信号之间的多尺度同步关系；
特征融合模块304，用于对所述特征提取模块提取出的特征进行特征层融合；
评价模块305，用于将所述特征融合模块得到的融合特征输入到建立的可视化运动功能评价模型，得到用户的可视化康复评价报告。
在所有评估结束后，系统将自动生成康复评估报报告，自行选择下载电子版或打印，所有流程结束，关闭系统。
对于本发明实施例的脑卒中运动功能评价系统而言，由于其与上面实施例中的脑卒中运动功能评价方法相对应，所以描述的比较简单，相关相似之处请参见上面实施例中部分的说明即可，此处不再详述。
在本申请所提供的几个实施例中，应该理解到，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 (6)

1.一种脑卒中运动功能评价模型建立方法，其特征在于，该方法包括特征指标筛选阶段和可视化模型构建阶段；
其中，特征指标筛选阶段包括：多指标融合筛选，通过皮尔逊相关性分析进行上田敏临床定性特征指标与定量特征指标相关性分析确定其一致性；对不同的特性采用不同的方法进行筛选，得到最显著性最强的频段来进行评价指标计算；所述定量特征指标为体现神经肌肉功能耦合状态的指标，包括：局部频带特性指标、异频耦合特性指标、时延信息传递指数指标、复杂多尺度一致性指标；所述异频耦合特性是指从复杂性的角度刻画大脑与肌肉间潜在的非线性耦合机制，所述局部频带特性是指在特定频段内脑电信号和肌电信号间不同信息传递方向的非线性复杂性度量，所述时延信息传递指数能够表现信息交互的方向性和两信号间的耦合强度，所述复杂多尺度一致性能够描述两耦合信号之间的多尺度同步关系；
可视化模型构建阶段包括：基于所述特征指标筛选阶段筛选出的定量特征指标构建可视化运动功能评价模型，所述可视化运动功能评价模型通过AHP-FCE算法进行定性-定量评价；
利用所述可视化运动功能评价模型进行脑卒中运动功能评价方法包括：
S101、数据采集；
数据采集包括采用64通道Neuracle采集系统、Trigno无线肌电系统和无线同步脉冲触发器进行脑电信号和肌电信号采集；
S102、数据处理；
数据处理包括三个步骤：
S201、对采集到的脑电信号和肌电信号进行信号预处理；
其中，信号包括脑电信号和肌电信号；
脑电信号预处理包括：首先基于高通滤波器去除基线漂移，通过自适应滤波器去除50Hz工频干扰，其次基于独立分量分析去除心电和眼电信号，最后基于典型相关性分析去除脑电信号中的肌电信号，筛选出CP3、C3、FC3三个电极的信号，因为该通道处的神经肌肉功能耦合最显著；
肌电信号预处理包括：通过自适应陷波器去除50Hz工频信号，基于0.5-150Hz的带通滤波器去除直流干扰，最后对肌电信号进行整流；
S202、对经过信号预处理的信号进行特征提取；
特征提取为神经肌肉耦合指标提取，包括：局部频带特性、异频耦合特性、时延信息传递指数、复杂多尺度一致性四项特征值；
S203、对提取出的特征进行特征层融合；
特征层融合是指一种在信号特征层面进行融合的方法，先对各类信号源分别完成特征提取工作，然后把各类特征进行融合，对融合后的数据进行模式识别；
S103、可视化显示；
可视化显示是指将得到的患者融合特征输入到所述可视化运动功能评价模型，得到患者的可视化康复评价结果，包括：基于康复阶段、康复周期、评价指标的患者康复训练效果评价图；康复阶段是指上田敏临床评定量表等级，康复周期是指患者经历的康复训练时间，根据康复阶段图例显示不同的康复阶段对应不同深度的颜色，即颜色越浅康复阶段值越大，对应的上田敏临床评定量表的等级越高，患者的康复效果就越好。
2.根据权利要求1所述的一种脑卒中运动功能评价模型建立方法，其特征在于，对不同的特性采用不同的方法进行筛选，包括：
局部频带特性是指通过二维傅里叶变换计算多维拓展空间向量的频域表示，在此基础上对各频域点的维数向量进行传递熵计算，以此实现脑电信号、肌电信号不同频率值上的信息交互定量描述；局部频带特性指标采用的筛选方法包括：
分别计算出脑卒中患者和健康对照组的传递谱熵值，计算出EMG到EEG和EEG到EMG方向alpha、beta1、beta2、gamma1、gamma2及piper频段的TSE显著面积指标，并对上述指标进行统计性分析，选出具有显著性差异的频段；通过皮尔逊相关性分析上述频段显著面积与上田敏临床评定量表等级的相关性，选出具有显著相关性关系的频段；
异频耦合特性是指通过小波包分解后获取多组不同时域尺度的子带信号，对各频率交叉的子带信号进行传递熵计算，以此实现不同时频尺度上两信号间信息交互的计算，通过基于异频耦合模型产生的异频耦合关系的仿真数据的分析，从仿真层面为神经肌肉功能耦合局部频带特性提供理论依据；异频耦合特性指标采用的筛选方法包括：
分别求取不同耦合比下基于小波包传递熵的delta、theta、alpha、beta及gamma频段显著面积，对每个耦合比下的显著面积进行统计性分析，选出具有显著性差异的频段；通过皮尔逊相关性分析不同耦合比下该频段的显著面积与上田敏临床评定量表等级的相关性，选出具有显著相关性关系的耦合比；
时间延迟是指神经肌肉系统包含的若干个子系统的信息交互和控制反馈之间存在的时间延迟；时延信息传递指数是指为了能够更加准确的量化描述两序列间的延迟时间而提出的一种通过对耦合信号进行排序重构以获取其排序模式，对排序模型的信号传递指数分析，从而实现对延迟时间的有效估计；
时延特性指标筛选方法包括：
经过对脑卒中患者和健康对照组EMG到EEG和EEG到EMG方向的延迟时间进行统计性分析，筛选出具有显著性差异的方向；通过皮尔逊相关性分析该方向的延迟时间与上田敏临床评定量表等级的相关性，出具有显著相关性关系的方向；
复杂多尺度一致性是指为了描述两耦合信号间的多尺度同步关系而提出的一种基于粗粒化过程进行的多尺度处理，通过多尺度一致性模型的显著面积指标，用以量化两耦合信号间不同尺度上的同步耦合关系；复杂多尺度一致性特性指标筛选方法包括：
分别计算出脑卒中患者和健康对照组1-20尺度上的显著0-60Hz频段范围内的显著面积指标，并通过其变化趋势图分析，筛选出显著面积指标数值显著低于健康对照组的尺度；通过该尺度下显著面积指标与上田敏临床评定量表等级进行皮尔逊相关性分析，筛选处存在显著的正相关关系的尺度。
3.根据权利要求2所述的一种脑卒中运动功能评价模型建立方法，其特征在于，选用EEG到EMG方向beta2和gamma2频段的TSE显著面积指标来体现局部频带特性；
选用耦合比为3：2及2：1条件下EEG到EMG方向gamma频段的WPTE显著面积指标来体现异频耦合特性；
选用EEG到EMG方向的延迟时间来体现时间延迟特性；
选用尺度为9、10、12下的显著面积指标来体现复杂多尺度一致性特性。
4.根据权利要求1所述的一种脑卒中运动功能评价模型建立方法，其特征在于，AHP-FCE算法中，确定因素集U为定量评估指标，即脑电特征值和肌电特征值，满足U＝{u1,u2}；
确定权重集W为定性评估指标，即根据上田敏量表得到的阶段值，满足W＝{w1,w2,w3,w4,w5}；其中，u1表示脑电特征值矩阵，u2表示肌电特征值矩阵；
综合评价结果表示为：
Figure FDA0004035872150000041
依据肌电评价指标u1表示为：
Figure FDA0004035872150000051
u2＝r6。
5.根据权利要求1所述的一种脑卒中运动功能评价模型建立方法，其特征在于，提取异频耦合特性包括：
使用传递谱熵的分析方法，基于相空间重构方法将一维脑电信号构造成多维矩阵，对其进行二维傅里叶变化，在其频域上进行传递熵计算；
将原始序列X和T拓展到M维的空间，得到维数为M×N的矩阵S和V；
Figure FDA0004035872150000052
Figure FDA0004035872150000053
式中，m及n均为整数且1≤m≤M,1≤n≤N；
对空间向量S和V进行二维傅里叶变换，设定其采样频率为fs，则其变换为：
Figure FDA0004035872150000054
Figure FDA0004035872150000061
式中，参数k为整数且k＝1,2,…,M，表示向量空间S和V中的不同方向点，即维数点；
二维向量矩阵h(k,f)和g(k,f)表示为：
w(f)＝{h(1,f),h(2,f),…,h(k,f),…,h(M,f)}；
v(f)＝{g(1,f),g(2,f),…,g(k,f),…,g(M,f)}；
则传递熵公式表示为：
Figure FDA0004035872150000062
式中，f是离散频率值，τ是频率预测值，
Figure FDA0004035872150000063
和
Figure FDA0004035872150000064
分别是向量w(f)和v(f)在频率点f处的φ和
Figure FDA0004035872150000065
维的延时向量，p表示概率计算；
提取局部频带特性包括：
使用小波包传递熵的方法，基于代理数据对其进行统计分析，给出小波包传递熵方法的显著性指标用以量化两耦合信号间的异频耦合特性；小波包传递熵用下式表示：
Figure FDA0004035872150000066
式中t是离散时间变量，u是离散的预测时间变量；
Figure FDA0004035872150000071
和
Figure FDA0004035872150000072
分别是序列
Figure FDA0004035872150000073
和
Figure FDA0004035872150000074
的m-和n-维的时间延迟空间向量，
Figure FDA0004035872150000075
和
Figure FDA0004035872150000076
分别为信号X在第i层的第N个子空间的子频带信号和Y信号在第j层的第M个子空间的子频带信号，参数i,j∈Z；
特定频带
Figure FDA0004035872150000077
内的显著面积指标为：
Figure FDA0004035872150000078
式中，Δf1和Δf2为分辨率，分辨率越小则表明WPTE所描述的FCMC特性的细节信息越多，
Figure FDA0004035872150000079
和
Figure FDA00040358721500000710
分别是X信号频率范围的最大值和最小值，且
Figure FDA00040358721500000711
参数r∈Z，且
Figure FDA00040358721500000712
提取时延信息传递指数，包括：
序列X到序列Y的时延信息传递指数为：
Figure FDA00040358721500000713
式中，X′和Y′分别为X和Y序列在t-u时刻的嵌入维数为MX′和MY′的空间向量，空间向量X′和Y′的第ψx′，1≤ψx′≤MX′！和ψy′，1≤ψy′≤MY′！种模式出现的次数分别为Cψx′，1≤Cψx′≤MX′！和Cψy′，1≤Cψy′≤MY′！，pψx′和pψy′分别为空间向量X′和Y′的加权概率，
Figure FDA0004035872150000081
为Y在Y′条件上的加权排序条件概率，
Figure FDA0004035872150000082
为Y在X′及Y′共同条件上的加权排序条件概率；
提取复杂多尺度一致性，包括：
频率点f处的多尺度一致性
Figure FDA0004035872150000083
和复杂多尺度一致性
Figure FDA0004035872150000084
表示如下：
Figure FDA0004035872150000085
Figure FDA0004035872150000086
式中，
Figure FDA0004035872150000087
和
Figure FDA0004035872150000088
分别为尺度s的时间序列
Figure FDA0004035872150000089
和
Figure FDA00040358721500000810
在频率点f处的自谱；
Figure FDA00040358721500000811
和
Figure FDA00040358721500000812
则分别为时间序列
Figure FDA00040358721500000813
和
Figure FDA00040358721500000814
频率点f处的自谱；
Figure FDA00040358721500000815
是时间序列
Figure FDA00040358721500000816
和
Figure FDA00040358721500000817
的频率点f处的互谱；
Figure FDA00040358721500000818
是时间序列
Figure FDA00040358721500000819
和
Figure FDA00040358721500000820
频率点f处的互谱。
6.一种基于权利要求1至4任一项所述的脑卒中运动功能评价模型建立方法建立的脑卒中运动功能评价模型进行脑卒中运动功能评价的系统，其特征在于，所述系统包括：
数据采集模块，用于对用户的脑电信号和肌电信号进行数据采集；
数据预处理模块，用于对所述数据采集模块采集到的脑电信号和肌电信号进行信号预处理；
特征提取模块，用于对经过所述数据预处理模块预处理的信号进行特征提取；特征提取为神经肌肉耦合指标提取，包括：局部频带特性、异频耦合特性、时延信息传递指数、复杂多尺度一致性四项特征值；所述异频耦合特性是指从复杂性的角度刻画大脑与肌肉间潜在的非线性耦合机制，所述局部频带特性是指在特定频段内脑电信号和肌电信号间不同信息传递方向的非线性复杂性度量，所述时延信息传递指数能够表现信息交互的方向性和两信号间的耦合强度，所述复杂多尺度一致性能够描述两耦合信号之间的多尺度同步关系；
特征融合模块，用于对所述特征提取模块提取出的特征进行特征层融合；
评价模块，用于将所述特征融合模块得到的融合特征输入到建立的可视化运动功能评价模型，得到用户的可视化康复评价报告。
CN202110778890.9A 2021-07-09 2021-07-09 脑卒中运动功能评价模型建立方法、评价方法及系统 Active CN113499084B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110778890.9A CN113499084B (zh) 2021-07-09 2021-07-09 脑卒中运动功能评价模型建立方法、评价方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110778890.9A CN113499084B (zh) 2021-07-09 2021-07-09 脑卒中运动功能评价模型建立方法、评价方法及系统

Publications (2)

Publication Number Publication Date
CN113499084A CN113499084A (zh) 2021-10-15
CN113499084B true CN113499084B (zh) 2023-02-24

Family

ID=78012084

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110778890.9A Active CN113499084B (zh) 2021-07-09 2021-07-09 脑卒中运动功能评价模型建立方法、评价方法及系统

Country Status (1)

Country Link
CN (1) CN113499084B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114259242B (zh) * 2021-12-27 2024-04-12 杭州电子科技大学 基于多时间尺度传递谱熵的功能性皮质肌肉耦合方法
CN115474945B (zh) * 2022-09-15 2024-04-12 燕山大学 一种面向多通道脑肌电耦合分析的多元全局同步指数方法
CN115590537B (zh) * 2022-11-28 2023-03-14 成都体育学院 一种运动健康管理方法、装置、电子设备及存储介质
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 (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102499677A (zh) * 2011-12-16 2012-06-20 天津大学 基于脑电非线性特征的情绪状态识别方法
CN106901728A (zh) * 2017-02-10 2017-06-30 杭州电子科技大学 基于变尺度符号传递熵的多通道脑肌电耦合分析方法
CN109152547A (zh) * 2016-05-11 2019-01-04 塞勒尼恩有限公司 用于脑电图测量的设备和方法
WO2020023989A1 (en) * 2018-08-03 2020-02-06 Rehabswift Pty Ltd Stroke rehabilitation method and system using a brain-computer interface (bci)
CN112353407A (zh) * 2020-10-27 2021-02-12 燕山大学 一种基于神经功能康复主动训练的评估系统及方法
CN112494054A (zh) * 2020-11-26 2021-03-16 天津大学 基于多导肌电与脑电相干的卒中下肢运动康复评估方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107788991A (zh) * 2017-10-26 2018-03-13 复旦大学 可穿戴式下肢康复评估系统
CN109992113B (zh) * 2019-04-09 2020-05-15 燕山大学 一种基于多场景诱发的mi-bci系统及其控制方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102499677A (zh) * 2011-12-16 2012-06-20 天津大学 基于脑电非线性特征的情绪状态识别方法
CN109152547A (zh) * 2016-05-11 2019-01-04 塞勒尼恩有限公司 用于脑电图测量的设备和方法
CN106901728A (zh) * 2017-02-10 2017-06-30 杭州电子科技大学 基于变尺度符号传递熵的多通道脑肌电耦合分析方法
WO2020023989A1 (en) * 2018-08-03 2020-02-06 Rehabswift Pty Ltd Stroke rehabilitation method and system using a brain-computer interface (bci)
CN112353407A (zh) * 2020-10-27 2021-02-12 燕山大学 一种基于神经功能康复主动训练的评估系统及方法
CN112494054A (zh) * 2020-11-26 2021-03-16 天津大学 基于多导肌电与脑电相干的卒中下肢运动康复评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于变尺度符号传递熵的多通道脑肌电信号耦合分析;高云园等;《中国生物医学工程学报》;20180220(第01期);全文 *
脑肌电信号同步耦合分析方法研究进展;李素姣等;《生物医学工程学杂志》;20190312(第02期);全文 *
面向脑卒中康复评估的神经肌肉功能耦合分析方法研究;陈晓玲;《中国优秀博硕士学位论文全文数据库(博士) 医药卫生科技辑》;20190515;第52-65页 *

Also Published As

Publication number Publication date
CN113499084A (zh) 2021-10-15

Similar Documents

Publication Publication Date Title
CN113499084B (zh) 脑卒中运动功能评价模型建立方法、评价方法及系统
Yildirim A novel wavelet sequence based on deep bidirectional LSTM network model for ECG signal classification
Udhaya Kumar et al. PSO-based feature selection and neighborhood rough set-based classification for BCI multiclass motor imagery task
Khare et al. PDCNNet: An automatic framework for the detection of Parkinson’s disease using EEG signals
CN112353407B (zh) 一种基于神经功能康复主动训练的评估系统及方法
Gandhi et al. A comparative study of wavelet families for EEG signal classification
Sharma et al. Automated heartbeat classification and detection of arrhythmia using optimal orthogonal wavelet filters
Hamad et al. Feature extraction of epilepsy EEG using discrete wavelet transform
Miao et al. A spatial-frequency-temporal optimized feature sparse representation-based classification method for motor imagery EEG pattern recognition
Dutta et al. Deep learning-based multi-head self-attention model for human epilepsy identification from EEG signal for biomedical traits
Thomas et al. Adaptive tracking of discriminative frequency components in electroencephalograms for a robust brain–computer interface
Liu et al. Multiscale adaptive basis function modeling of spatiotemporal vectorcardiogram signals
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
CN111419213A (zh) 一种基于深度学习的ecg心电信号生成方法
Ball et al. PWC-ICA: a method for stationary ordered blind source separation with application to EEG
Gupta et al. A novel approach for extracting feature from eeg signal for mental task classification
CN110321856B (zh) 一种时频多尺度散度csp的脑机接口方法及装置
Wei et al. The backtracking search optimization algorithm for frequency band and time segment selection in motor imagery-based brain–computer interfaces
CN113967025B (zh) 一种基于肌电信号的多层次运动功能评估方法
CN115299960A (zh) 基于短时变分模态分解的电信号分解方法及脑电信号分解装置
CN115270847A (zh) 基于小波包分解和卷积神经网络的设计决策脑电识别方法
KR100970589B1 (ko) 비음수 텐서 분해를 이용한 뇌파의 주파수 특징 추출 방법
Abou-Loukh et al. ECG classification using slantlet transform and artificial neural network
CN114259242B (zh) 基于多时间尺度传递谱熵的功能性皮质肌肉耦合方法
Kunhimangalam et al. Artificial neural networks in the identification of peripheral nerve disorders

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