CN113786194A - 脑卒中运动功能评估模型构建方法和运动功能评估方法 - Google Patents
脑卒中运动功能评估模型构建方法和运动功能评估方法 Download PDFInfo
- Publication number
- CN113786194A CN113786194A CN202111014798.1A CN202111014798A CN113786194A CN 113786194 A CN113786194 A CN 113786194A CN 202111014798 A CN202111014798 A CN 202111014798A CN 113786194 A CN113786194 A CN 113786194A
- Authority
- CN
- China
- Prior art keywords
- motor function
- constructing
- blood oxygen
- artifact
- signal 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.)
- Pending
Links
- 208000006011 Stroke Diseases 0.000 title claims abstract description 75
- 230000002490 cerebral effect Effects 0.000 title claims abstract description 60
- 230000007659 motor function Effects 0.000 title claims abstract description 47
- 238000013210 evaluation model Methods 0.000 title claims abstract description 24
- 238000011156 evaluation Methods 0.000 title claims abstract description 20
- 206010008190 Cerebrovascular accident Diseases 0.000 title claims description 34
- 238000010276 construction Methods 0.000 title description 3
- 238000000034 method Methods 0.000 claims abstract description 51
- 230000033001 locomotion Effects 0.000 claims abstract description 38
- 230000000284 resting effect Effects 0.000 claims abstract description 34
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical group [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 33
- 239000008280 blood Substances 0.000 claims abstract description 33
- 210000004369 blood Anatomy 0.000 claims abstract description 33
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 33
- 239000001301 oxygen Substances 0.000 claims abstract description 33
- 230000006870 function Effects 0.000 claims abstract description 31
- 210000004556 brain Anatomy 0.000 claims abstract description 15
- 210000001652 frontal lobe Anatomy 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012706 support-vector machine Methods 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000001914 filtration Methods 0.000 claims description 22
- 230000003925 brain function Effects 0.000 claims description 19
- 238000005259 measurement Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 239000002344 surface layer Substances 0.000 claims description 4
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000005070 sampling Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 108010064719 Oxyhemoglobins Proteins 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000002360 prefrontal effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- INGWEZCOABYORO-UHFFFAOYSA-N 2-(furan-2-yl)-7-methyl-1h-1,8-naphthyridin-4-one Chemical compound N=1C2=NC(C)=CC=C2C(O)=CC=1C1=CC=CO1 INGWEZCOABYORO-UHFFFAOYSA-N 0.000 description 1
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003109 amnesic effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001447 compensatory effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 108010002255 deoxyhemoglobin Proteins 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 210000001364 upper extremity Anatomy 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
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
- A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
- A61B5/14553—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases specially adapted for cerebral tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
-
- 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
- A61B5/7235—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)
- Surgery (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Neurology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Neurosurgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Developmental Disabilities (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Optics & Photonics (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
本发明公开了一种脑卒中患者的运动功能评估模型的构建方法，先采集多名脑卒中患者额叶或运动区的静息态脑血氧信号数据构建数据库，然后将数据经过预处理后，通过回归的方法选取脑卒中患者额叶静息状态下脑连接信息作为特征，构建机器学习的模型，该模型可以对脑卒中患者不同运动功能状态进行分类预测。本发明还公开了一种基于支持向量机评估模型的运动功能评估方法，通过检测脑卒中患者的静息态脑血氧信号数据可以准确地评估脑卒中患者的运动功能。
Description
技术领域
本发明涉及康复医学领域，特别涉及脑卒中患者的运动功能评估模型构建方法和运动功能评估方法。
背景技术
脑卒中又称脑中风，是一种致残率非常高的疾病，超过半数的患者发病半年后仍有上肢功能障碍，80％的患者留有残疾。对脑卒中患者运动功能状态的准确评估，是制定有效脑卒中康复策略的重要依据。临床常用医学运动量表评估脑卒中患者的运动功能，基于医学运动量表的康复评估一般是通过康复医师的眼睛观察患者的直观动作，对患者的运动功能和康复效果进行评分，评分结果的客观性难以保障，评分结果的灵敏度和可靠性较低。除此之外，患者在康复训练过程中身体状态的微小变化难以被察觉，从而使得康复效果难以即时准确的评价。
为了提高评估的准确性，目前不少研究者以运动中的外周的生物力学、肌电等作为生理指标评估脑卒中患者的运动功能，这类型的评估方法要求患者完成指定的动作以获取相应数据，对于部分运动能力较弱的患者，某些必要动作无法完成，若采用代偿动作则存在无法真正评估患者恢复程度的问题。
可见，现有技术还有待改进和提高。
发明内容
鉴于上述现有技术的不足之处，本发明的目的在于提供一种脑卒中患者的运动功能评估模型构建方法和运动功能评估方法，旨在解决现有技术中的评估方法实用性有限的问题。
为了达到上述目的，本发明采取了以下技术方案：
一种脑卒中患者的运动功能评估模型的构建方法，其中，包括以下步骤：
步骤S101.构建数据库：通过多通道检测设备采集多名脑卒中患者额叶或运动区的静息态脑血氧信号数据，组成基础数据库；
步骤S102.数据预处理：对基础数据库中采集的静息态脑血氧信号数据进行带通滤波去除漂移噪声和生理干扰；再采用样条插值的方法对伪迹进行矫正；
步骤S103.特征提取：采用Pearson相关性计算公式计算测量区域内两两通道之间的脑功能连接，然后对得到的相关性矩阵进行Fisher’s Z变换；采用LASSO回归的方式在Fisher’s Z分数矩阵中选择最优的分类特征子集；
步骤S104.构建支持向量机模型：根据步骤S103中获得的最优的分类特征子集，构建基于支持向量机的脑卒中患者的运动功能评估模型。
所述的脑卒中患者的运动功能评估模型的构建方法，其中，所述步骤S101中通过近红外脑功能检测设备进行多通道采集脑卒中患者额叶或运动区的静息态脑血氧信号数据。
所述的脑卒中患者的运动功能评估模型的构建方法，其中，所述近红外脑功能检测设备包括多个光源和多个探测器；多个所述光源和探测器交错设置，每个所述光源和探测器之间形成一个测量通道。
所述的脑卒中患者的运动功能评估模型的构建方法，其中，所述静息态脑血氧信号数据为脑卒中患者保持休息状态，闭上眼睛并保持清醒时采集得到的脑血氧信号数据。
所述的脑卒中患者的运动功能评估模型的构建方法，其中，所述步骤S102还包括空间滤波，所述步骤S102中基础数据库中采集的静息态脑血氧信号数据先通过空间滤波以去除表层干扰，然后通过带通滤波去除漂移噪声和生理干扰；再采用样条插值的方法对伪迹进行矫正。
所述的脑卒中患者的运动功能评估模型的构建方法，其中，所述空间滤波的操作方法为：将采集的静息态脑血氧信号数据减去所有测量通道的平均值，得到去除表层干扰后的静息态脑血氧信号。
所述的脑卒中患者的运动功能评估模型的构建方法，其中，所述步骤S102中所述带通滤波的频率范围为0.01-0.1Hz。
所述的脑卒中患者的运动功能评估模型的构建方法，其中，所述步骤S102中采用三次样条插值的方法对伪迹进行矫正，包括以下过程：
以基线作为判断标准，以基线的三倍标准差作为阀值；
检测得到每个伪迹段的起点和终点，得出伪迹段的数量，遍历所有伪迹段并对每个伪迹段进行三次平滑样条插值，然后用每个伪迹段减去每个伪迹段插值后的信号；
对处理后的信号进行整体重构，获得重构的信号序列。
所述的脑卒中患者的运动功能评估模型的构建方法，其中，所述步骤S104中，所述支持向量模型的惩罚系数和核函数采用网格搜索分方式进行优化。
一种脑卒中患者的运动功能评估方法，包括以下步骤：
步骤S201.数据采集：使用近红外脑功能检测设备进行多通道采集脑卒中患者的静息态脑血氧信号数据；
步骤S202.数据预处理：对采集的静息态脑血氧信号数据通过空间滤波去除表层干扰，然后通过带通滤波去除漂移噪声和生理干扰；最后采用样条插值的方法对伪迹进行矫正；
步骤S203.特征提取：采用Pearson相关性计算公式计算测量区域内两两通道之间的脑功能连接，然后对得到的相关性矩阵进行Fisher’s Z变换；采用LASSO回归的方式在Fisher’s Z分数矩阵中选择最优的分类特征子集；
步骤S204.运动功能等级评估：采用上述方法构建的脑卒中患者的运动功能评估模型对脑卒中患者进行运动功能等级评估。
有益效果：
本发明提供了一种脑卒中患者的运动功能评估模型的构建方法。模型的构建先采集多名脑卒中患者额叶或运动区的静息态脑血氧信号数据构建数据库，然后将数据经过预处理后，通过回归的方法选取脑卒中患者静息状态下脑连接信息作为特征，构建机器学习的模型，可以对脑卒中患者不同运动功能状态进行分类预测。另外，本发明还提供基于上述模型的运动功能评估方法，对于运动能力较差的患者同样可以适用，也可以用于对患者康复训练后即时效果的评估。本发明评估方法的检测操作简单，可以排除主观因素影响，且干扰因素少，准确性高，可反复多次测量。
附图说明
图1为构建脑卒中患者的运动功能评估模型的流程图。
图2为步骤S103特征提取的流程图。
图3为一种改进方式中步骤S102数据预处理的流程图。
图4为脑卒中患者的运动功能评估的流程图。
图5为近红外脑功能检测设备的光源和探测器的分布示意图。
具体实施方式
本发明提供一种运动功能评估模型构建方法和运动功能评估方法，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
请参阅图1、图2，脑卒中患者的运动功能评估模型的构建方法，包括以下步骤：
步骤S101.构建数据库：通过多通道检测设备采集多个脑卒中患者额叶或运动区的静息态脑血氧信号数据，组成基础数据库；
步骤S102.数据预处理：对基础数据库中采集的静息态脑血氧信号数据进行带通滤波去除漂移噪声和生理干扰；再采用样条插值的方法对伪迹进行矫正，减少伪迹对计算静态功能连接的影响；
步骤S103.特征提取：S103a.采用Pearson相关性计算公式计算测量区域内两两通道之间的脑功能连接，然后对得到的相关性矩阵进行Fisher’sZ变换，以改善数据的正态性，变换公式为Z＝0.5×(ln(r+1)-ln(r-1))；S103b.采用LASSO回归的方式在Fisher’s Z分数矩阵中选择最优的分类特征子集；
具体的，由于Fisher’s Z分数矩阵呈对称，因此，可以将Fisher’sZ分数矩阵的下三角或者上三角部分作为分类特征，再通过LASSO回归的方式选择最优的分类特征子集；对于采用LASSO进行特征的选择，可以根据最终LASSO回归的系数的绝对值的大小作为衡量特征的贡献，剔除系数为0的特征和贡献度较小的特征；
步骤S104.构建支持向量机模型(SVM)：根据步骤S103中获得的最优的分类特征子集，构建基于支持向量机的脑卒中患者的运动功能评估模型。
本实施例中，通过近红外脑功能检测设备进行多通道采集脑卒中患者额叶区域的静息态脑血氧信号数据。近红外脑功能检测设备可通过氧合血红蛋白和脱氧血红蛋白对不同波长的近红外光吸收系数的变化来测量两种的浓度变化。而本发明利用脑卒中患者的氧合血红蛋白浓度变化来构建静态功能连接。
本发明选择额叶或运动区作为检测区域。其中大脑的额叶主要与人体的记忆、思维、语言和运动等功能相关，额叶的损伤会导致无法集中精力观察和思考，更无法进行仔细的逻辑推理，对突发事件无能为力，健忘，行为反应迟钝，出现情绪波动，因此，以额叶作为检测区得到的数据可以反映患者的反应能力和运动能力。运动区为大脑运动中枢，与躯体各部位的肌肉调节支配相关，检测得到的数据与运动功能的相关性更强。
所述近红外脑功能检测设备包括多个光源和多个探测器；多个所述光源和探测器交错设置，每个所述光源和探测器之间形成一个测量通道。请参阅图5，本实施例中，所述近红外脑功能检测设备包括8个光源和7个探测器，光源和探测器放置在患者的前额叶区，并按图5进行分布，图中圆形表示光源，矩形表示探测器，光源和检测器之间共形成22个测量通道。具体的每个光源和探测器之间的距离为3cm。近红外脑功能检测设备的采样率为10Hz，采样时间为6分钟。在静息态脑血氧信号数据采集期间，脑卒中患者保持休息状态坐在椅子上，闭上眼睛并保持清醒，在检测期间尽量减少身体运动，以保证检测数据的稳定性和可靠性。
请参阅图3，作为一种改进，所述步骤S102还包括空间滤波，所述步骤S102中基础数据库中采集的静息态脑血氧信号数据预处理包括：S102a.先通过空间滤波以去除表层干扰；S102b.然后通过带通滤波去除漂移噪声和生理干扰；S102c.再采用样条插值的方法对伪迹进行矫正。
具体的，所述空间滤波的操作方法为：将采集的静息态脑血氧信号数据减去所有测量通道的平均值，得到去除表层干扰后的静息态脑血氧信号。
作为一种改进，所述步骤S102中所述带通滤波的频率范围为0.01-0.1Hz。静息状态是大脑的一种有组织的基线默认模式，在静息态中存在自发的特定低频震荡，这些自发的低频震荡的频率范围在0.01-0.1Hz之间。
作为一种改进，所述步骤S102中所述样条插值为三次样条插值。具体的，离散时间序列x(t)＝{x(ti)}，ti＝iΔt，i＝1,2，...，N，其中Δt为采样周期，N为采样点数。
三次样条插值的操作流程如下：
1.采用移动标准差的方式检测运动伪迹
1.1以基线作为判断标准，以基线的三倍标准差作为阀值T；
1.2滑动窗口的大小为W，W的取值为201(其中W可以根据实际的需求进行调整)，以1个单位的点数作为滑动步长，计算每个时间窗的标准差；把存储每个时间窗标准差的一维矩阵D的前k＝(W-1)/2个元素置0，使每个时间窗内的标准差放在时间窗的中点的位置；
1.3创建一个长度与一维矩阵D一致的一维矩阵R，将一维矩阵D中大于阀值T的标准差的位置对应在一维矩阵R中置1，否则置0；
2.检测每个伪迹段的起点和终点
2.1遍历矩阵R并将其前后相邻两元素相减得出差值(后一个元素减前一个元素)，如果前后相邻两元素的差值为1则为起点，如果差值为-1则为终点。然后分别用一个一维矩阵LMS存储起点的位置，用一个一维矩阵LMF存储终点的位置。如果终点为空则将数据的最后一个点的位置作为终点，如果起点为空，则数据的第一个点作为起点。如果出现第一个起点位置大于第一个终点的位置则将1插入LMS的第一个点的前一个位置即[1,LMS]。如果最后一个起点大于最后一个终点则将数据的最后一个点的后一个位置插入1，即[LMF,1]；
2.2根据LMS和LMF可以确定信号存在的伪迹段的数量，遍历所有伪迹段并对每个伪迹段进行三次平滑样条插值，然后用每个伪迹段减去每个伪迹段插值后的信号；
3.对处理后的信号进行整体重构，获得重构的信号序列。
一种实施方式中，所述步骤S104中，所述支持向量模型的惩罚系数和核函数采用网格搜索分方式进行优化。
实施例
随机选择21名脑卒中患者采用本发明构建的模型进行运动功能评估。采用本发明的评估方法前，这21名患者根据现有的运动评估量表评估后分为三组，分别为：运动能力较差组、运动能力中等组和运动能力较好组，该评估结果用于检验本发明的脑卒中患者的运动功能评估方法的正确率。
请参阅图4，本实施例的脑卒中患者的运动功能评估方法，包括以下步骤：
步骤S201.数据采集：上述21名脑卒中患者分别采用的近红外脑功能检测设备进行多通道采集；采集的区域为患者的前额叶区，近红外脑功能检测设备的光源和探测器按照图5所示进行分布；每个光源和探测器之间的距离为3cm。近红外脑功能检测设备的采样率为10Hz，采样时间为6分钟。静息态脑血氧信号数据采集期间，脑卒中患者保持休息状态坐在椅子上，闭上眼睛并保持清醒，在检测期间尽量减少身体运动。
步骤S202.数据预处理：对采集的静息态脑血氧信号数据通过空间滤波去除表层干扰；然后通过带通滤波去除漂移噪声和生理干扰，带通滤波的频率范围为0.01-0.1Hz；最后采用三次样条插值的方法对伪迹进行矫正；
步骤S203.特征提取：采用Pearson相关性计算公式计算测量区域内两两通道之间的脑功能连接，然后对得到的相关性矩阵进行Fisher’s Z变换；采用LASSO回归的方式在Fisher’s Z分数矩阵中选择最优的分类特征子集；
步骤S204.运动功能等级评估：采用本发明构建的脑卒中患者的运动功能评估模型对脑卒中患者进行运动功能等级评估。
下表是本发明的运动功能评估方法对脑卒中患者的运动功能等级评估分类的正确率结果：
从上述结果可以看出，本发明构建的脑卒中患者的运动功能评估方法正确率高达95.60％，可用于脑卒中患者的运动功能评估。相比现有的评估方法，本发明的运动功能评估方法不受主观因素影响，适用范围广，无需患者完成特定动作，适用于行动不便或因其他原因导致有行动障碍的患者。所采集的数据统一性和可比较性强，更有利于准确客观地评估脑卒中患者的运动功能，评估方法中所选取的特征也可以用于评估患者康复训练中或者训练后即时效果。此外，随着数据库的不断扩充，本发明所构建的模型准确性会进一步地得到提升。
本发明中，对于评估脑卒中患者的运动功能等级的分类标准还可以根据实际需要作进一步替换或改变，如对脑卒中患者的运动功能等级可以根据fugl-Meyer评定量表的分值进行进一步细化划分或者是根据评定量表brunnstrom的功能分期来划分脑卒中患者的运动功能水平。
可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。
Claims (10)
1.一种脑卒中患者的运动功能评估模型的构建方法，其特征在于，包括以下步骤：
步骤S101.构建数据库：通过多通道检测设备采集多名脑卒中患者额叶或运动区的静息态脑血氧信号数据，组成基础数据库；
步骤S102.数据预处理：对基础数据库中采集的静息态脑血氧信号数据进行带通滤波去除漂移噪声和生理干扰；再采用样条插值的方法对伪迹进行矫正；
步骤S103.特征提取：采用Pearson相关性计算公式计算测量区域内两两通道之间的脑功能连接，然后对得到的相关性矩阵进行Fisher’s Z变换；采用LASSO回归的方式在Fisher’s Z分数矩阵中选择最优的分类特征子集；
步骤S104.构建支持向量机模型：根据步骤S103中获得的最优的分类特征子集，构建基于支持向量机的脑卒中患者的运动功能评估模型。
2.根据权利要求1所述的脑卒中患者的运动功能评估模型的构建方法，其特征在于，所述步骤S101中通过近红外脑功能检测设备进行多通道采集脑卒中患者额叶或运动区的静息态脑血氧信号数据。
3.根据权利要求2所述的脑卒中患者的运动功能评估模型的构建方法，其特征在于，所述近红外脑功能检测设备包括多个光源和多个探测器；多个所述光源和探测器交错设置，每个所述光源和探测器之间形成一个测量通道。
4.根据权利要求3所述的脑卒中患者的运动功能评估模型的构建方法，其特征在于，所述静息态脑血氧信号数据为脑卒中患者保持休息状态，闭上眼睛并保持清醒时采集得到的脑血氧信号数据。
5.根据权利要求3所述的的脑卒中患者的运动功能评估模型的构建方法，其特征在于，所述步骤S102还包括空间滤波，所述步骤S102中基础数据库中采集的静息态脑血氧信号数据先通过空间滤波以去除表层干扰，然后通过带通滤波去除漂移噪声和生理干扰；再采用样条插值的方法对伪迹进行矫正。
6.根据权利要求5所述的脑卒中患者的运动功能评估模型的构建方法，其特征在于，所述空间滤波的操作方法为：将采集的静息态脑血氧信号数据减去所有测量通道的平均值，得到去除表层干扰后的静息态脑血氧信号。
7.根据权利要求1所述的脑卒中患者的运动功能评估模型的构建方法，其特征在于，所述步骤S102中所述带通滤波的频率范围为0.01-0.1Hz。
8.根据权利要求1所述的脑卒中患者的运动功能评估模型，其特征在于，所述步骤S102中采用三次样条插值的方法对伪迹进行矫正，包括以下过程：
以基线作为判断标准，以基线的三倍标准差作为阀值；
检测得到每个伪迹段的起点和终点，得出伪迹段的数量，遍历所有伪迹段并对每个伪迹段进行三次平滑样条插值，然后用每个伪迹段减去每个伪迹段插值后的信号；
对处理后的信号进行整体重构，获得重构的信号序列。
9.根据权利要求1所述的脑卒中患者的运动功能评估模型的构建方法，其特征在于，所述步骤S104中，所述支持向量模型的惩罚系数和核函数采用网格搜索分方式进行优化。
10.一种脑卒中患者的运动功能评估方法，其特征在于，包括以下步骤：
步骤S201.数据采集：使用近红外脑功能检测设备进行多通道采集脑卒中患者的静息态脑血氧信号数据；
步骤S202.数据预处理：对采集的静息态脑血氧信号数据通过空间滤波去除表层干扰，然后通过带通滤波去除漂移噪声和生理干扰；最后采用样条插值的方法对伪迹进行矫正；
步骤S203.特征提取：采用Pearson相关性计算公式计算测量区域内两两通道之间的脑功能连接，然后对得到的相关性矩阵进行Fisher’s Z变换；采用LASSO回归的方式在Fisher’s Z分数矩阵中选择最优的分类特征子集；
步骤S204.运动功能等级评估：采用权利要求1-9任一项中构建的脑卒中患者的运动功能评估模型对脑卒中患者进行运动功能等级评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111014798.1A CN113786194A (zh) | 2021-08-31 | 2021-08-31 | 脑卒中运动功能评估模型构建方法和运动功能评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111014798.1A CN113786194A (zh) | 2021-08-31 | 2021-08-31 | 脑卒中运动功能评估模型构建方法和运动功能评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113786194A true CN113786194A (zh) | 2021-12-14 |
Family
ID=79182442
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111014798.1A Pending CN113786194A (zh) | 2021-08-31 | 2021-08-31 | 脑卒中运动功能评估模型构建方法和运动功能评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113786194A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108685577A (zh) * | 2018-06-12 | 2018-10-23 | 国家康复辅具研究中心 | 一种脑功能康复效果评估装置及方法 |
| CN109528197A (zh) * | 2018-11-20 | 2019-03-29 | 中国科学院上海生命科学研究院 | 基于脑功能图谱的猴-人跨物种迁移进行精神疾病的个体化预测方法和系统 |
| CN109529303A (zh) * | 2018-11-09 | 2019-03-29 | 深圳市量子智能科技有限公司 | 一种用户运动能力的确认方法和系统 |
| CN111816309A (zh) * | 2020-07-13 | 2020-10-23 | 国家康复辅具研究中心 | 基于深度强化学习的康复训练处方自适应推荐方法及系统 |
| TWI727737B (zh) * | 2020-04-13 | 2021-05-11 | 長庚大學 | 運動器材循環運行方法及其應用 |
| CN112914587A (zh) * | 2021-02-18 | 2021-06-08 | 郑州大学 | 一种基于静息态脑电信号相干性脑功能网络的中风康复评估模型构建方法及评估方法 |
| 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 |
| CN113144541A (zh) * | 2021-03-23 | 2021-07-23 | 佛山科学技术学院 | 一种基于光学脑成像的运动神经反馈系统及训练方法 |
-
2021
- 2021-08-31 CN CN202111014798.1A patent/CN113786194A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108685577A (zh) * | 2018-06-12 | 2018-10-23 | 国家康复辅具研究中心 | 一种脑功能康复效果评估装置及方法 |
| CN109529303A (zh) * | 2018-11-09 | 2019-03-29 | 深圳市量子智能科技有限公司 | 一种用户运动能力的确认方法和系统 |
| CN109528197A (zh) * | 2018-11-20 | 2019-03-29 | 中国科学院上海生命科学研究院 | 基于脑功能图谱的猴-人跨物种迁移进行精神疾病的个体化预测方法和系统 |
| TWI727737B (zh) * | 2020-04-13 | 2021-05-11 | 長庚大學 | 運動器材循環運行方法及其應用 |
| CN111816309A (zh) * | 2020-07-13 | 2020-10-23 | 国家康复辅具研究中心 | 基于深度强化学习的康复训练处方自适应推荐方法及系统 |
| CN112914587A (zh) * | 2021-02-18 | 2021-06-08 | 郑州大学 | 一种基于静息态脑电信号相干性脑功能网络的中风康复评估模型构建方法及评估方法 |
| 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 |
| CN113144541A (zh) * | 2021-03-23 | 2021-07-23 | 佛山科学技术学院 | 一种基于光学脑成像的运动神经反馈系统及训练方法 |
Non-Patent Citations (1)
| Title |
|---|
| 邓小湘，蒋雯，王君等: "利用静息态功能磁共振成像研究缺血性脑卒中患者康复治疗后运动功能网络连接的变化", 《磁共振成像》, vol. 1, no. 1, pages 11 - 14 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3358485A1 (en) | General noninvasive blood glucose prediction method based on timing analysis | |
| US10354135B2 (en) | Non invasive method and apparatus for determining light-sleep and deep-sleep stages | |
| Susam et al. | Automated pain assessment using electrodermal activity data and machine learning | |
| JP2006095266A (ja) | 感性状態判別方法 | |
| Saidatul et al. | Analysis of EEG signals during relaxation and mental stress condition using AR modeling techniques | |
| JP2006095266A5 (zh) | ||
| CN114748080B (zh) | 一种感觉运动功能的检测量化方法和系统 | |
| KR101535352B1 (ko) | 전두엽 뇌파를 이용한 우울증 심도 측정 방법 | |
| Schulze-Bonhage et al. | The role of high-quality EEG databases in the improvement and assessment of seizure prediction methods | |
| CN111067503A (zh) | 一种基于心率变异性的睡眠分期方法 | |
| CN114376564A (zh) | 一种基于心冲击信号的睡眠分期方法、系统、装置及介质 | |
| Arbune et al. | Peri‐ictal heart rate variability parameters as surrogate markers of seizure severity | |
| Betta et al. | Quantifying peripheral sympathetic activations during sleep by means of an automatic method for pulse wave amplitude drop detection | |
| CN113729648B (zh) | 一种基于多脉搏传感器的穿戴式脉诊手环系统 | |
| JP5382774B2 (ja) | 心拍ゆらぎの分析方法 | |
| Benchekroun et al. | Comparison of Stress Detection through ECG and PPG signals using a Random Forest-based Algorithm | |
| CN114027842A (zh) | 一种抑郁症客观筛查系统、方法及装置 | |
| Choi et al. | Attention-lrcn: long-term recurrent convolutional network for stress detection from photoplethysmography | |
| Sloboda et al. | A simple sleep stage identification technique for incorporation in inexpensive electronic sleep screening devices | |
| CN113786194A (zh) | 脑卒中运动功能评估模型构建方法和运动功能评估方法 | |
| US10070812B2 (en) | Method for improved seizure detection | |
| Kumar et al. | INSOMNet: Automated insomnia detection using scalogram and deep neural networks with ECG signals | |
| Valenza et al. | Maximal-radius multiscale entropy of cardiovascular variability: A promising biomarker of pathological mood states in bipolar disorders | |
| WO2021045616A1 (en) | A computer-implemented method and an apparatus for determining body positions and/or sleep stages of a person during sleep. | |
| Pale et al. | Heart rate variability analysis using different wavelet transformations |
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 |