CN114190929B - 痉挛量化评估方法、装置及系统 - Google Patents
痉挛量化评估方法、装置及系统 Download PDFInfo
- Publication number
- CN114190929B CN114190929B CN202210049320.0A CN202210049320A CN114190929B CN 114190929 B CN114190929 B CN 114190929B CN 202210049320 A CN202210049320 A CN 202210049320A CN 114190929 B CN114190929 B CN 114190929B
- Authority
- CN
- China
- Prior art keywords
- elbow joint
- point
- joint movement
- spasticity
- cramp
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000011158 quantitative evaluation Methods 0.000 title claims abstract description 55
- 208000005392 Spasm Diseases 0.000 title claims abstract description 14
- 208000008238 Muscle Spasticity Diseases 0.000 claims abstract description 139
- 208000018198 spasticity Diseases 0.000 claims abstract description 139
- 210000002310 elbow joint Anatomy 0.000 claims abstract description 136
- 230000001133 acceleration Effects 0.000 claims abstract description 73
- 210000000245 forearm Anatomy 0.000 claims abstract description 53
- 238000012360 testing method Methods 0.000 claims abstract description 35
- 230000008569 process Effects 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 4
- 238000011002 quantification Methods 0.000 claims description 4
- 208000007101 Muscle Cramp Diseases 0.000 abstract description 51
- 238000011156 evaluation Methods 0.000 description 19
- 238000013102 re-test Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 9
- 201000010099 disease Diseases 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 6
- 238000010989 Bland-Altman Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 210000003205 muscle Anatomy 0.000 description 5
- 210000001364 upper extremity Anatomy 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012552 review Methods 0.000 description 4
- 208000006011 Stroke Diseases 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 206010008088 Cerebral artery embolism Diseases 0.000 description 2
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007717 exclusion Effects 0.000 description 2
- 210000003414 extremity Anatomy 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 201000010849 intracranial embolism Diseases 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 208000020016 psychiatric disease Diseases 0.000 description 2
- 206010001497 Agitation Diseases 0.000 description 1
- 206010052346 Brain contusion Diseases 0.000 description 1
- 208000014644 Brain disease Diseases 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 206010011878 Deafness Diseases 0.000 description 1
- 101100289989 Drosophila melanogaster alpha-Man-Ia gene Proteins 0.000 description 1
- 201000011275 Epicondylitis Diseases 0.000 description 1
- 206010019468 Hemiplegia Diseases 0.000 description 1
- 101150021286 MAS1 gene Proteins 0.000 description 1
- 208000019430 Motor disease Diseases 0.000 description 1
- 208000002240 Tennis Elbow Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 206010008118 cerebral infarction Diseases 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 210000002758 humerus Anatomy 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000002435 tendon Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 208000029257 vision disease Diseases 0.000 description 1
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
- A61B5/1118—Determining activity level
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—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
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供一种痉挛量化评估方法、装置及系统，所述痉挛量化评估方法包括接收取患者痉挛测试过程中的肘关节运动角度数据和前臂加速度数据；根据所述肘关节运动角度数据来计算肘关节运动角速度数据；根据所述肘关节运动角速度数据获取痉挛发生点大致区间；根据所述前臂加速度数据获取所述痉挛发生点大致区间内的前臂加速度最大值所对应的点，作为痉挛发生点；根据所述痉挛发生点大致区间的起始点的肘关节运动角度、所述痉挛发生点的肘关节运动角度及所述痉挛发生点大致区间的肘关节运动角度范围计算患者的痉挛程度。利用本发明，可以快速的检测出痉挛发生点，并计算痉挛程度，用于定量化描述痉挛等级。
Description
技术领域
本发明涉及康复医学与模式识别技术领域，特别涉及一种痉挛量化评估方法、装置及系统。
背景技术
痉挛被定义为一种运动紊乱，在肌肉紧张地伸展反射时，由于伸展肌肉的超级兴奋，随着肌腱猛地一拉，速度增加。痉挛临床特征表现为对于被动伸展的一种抵抗，一般可能伴随着诸如中风、脑栓塞、脑出血等疾病而产生。例如，中风病人幸存者中大概有19％-43％的会患有痉挛。痉挛等级评价有助于医生了解病人痉挛程度，调整用药量和修改病人康复训练计划。
目前，临床上用的最广泛的痉挛评价方法是MAS和TS。医生通过牵引病人放松的关节以大致匀速的方式转动一定运动范围，感知阻力的变化点，从而判断出痉挛等级。然而，从其具体操作方式就可以看出来，尽管是按照定量评分进行，但是这种方式过于依赖观测者的主观评价，是一种定性评价。在MAS评分中，相当强烈(MAS 3)，明显(MAS 2)，轻微增加(MAS 1或者1+)，这些明显是定性的。因此，如果检测者觉得这个感知结果是不一样的，那么不同分数可能会分配给同样的肌肉力。
尽管可以通过训练使得医生越来越有经验，然而，这不可能通过病人对医生进行训练，这会对病人造成二次伤害，而且需要大量时间。虽然可以购置额外的特定仪器(痉挛评价模拟装置)进行训练，但是这对于医生而言是一个大的工作负担。再者，临床评价是否准确合理，并没有设置监督部分，无法复查当时的情形，而且，每一次的临床痉挛检测并没有发挥其最大作用。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种痉挛量化评估方法、装置及系统，用于解决现有技术中存在的技术问题。
为实现上述目的及其他相关目的，本发明提供一种痉挛量化评估方法，包括：
接收取患者痉挛测试过程中的肘关节运动角度数据和前臂加速度数据；
根据所述肘关节运动角度数据来计算肘关节运动角速度数据；
根据所述肘关节运动角速度数据获取痉挛发生点大致区间；
根据所述前臂加速度数据获取所述痉挛发生点大致区间内的前臂加速度最大值所对应的点，作为痉挛发生点；
根据所述痉挛发生点大致区间的起始点的肘关节运动角度、所述痉挛发生点的肘关节运动角度及所述痉挛发生点大致区间的肘关节运动角度范围计算患者的痉挛程度。
在本发明的一可选实施例中，根据所述角速度数据获取痉挛发生点大致区间包括，根据所述角速度数据，通过角速度的绝对值小于预设值来分别获取痉挛发生点大致区间的起始点和结束点，以确定所述痉挛发生点大致区间。
在本发明的一可选实施例中，根据所述肘关节运动角度数据来计算肘关节运动角速度数据的步骤包括：
对所述肘关节运动角度数据进行滤波处理；
根据滤波处理后的肘关节运动角度数据来计算所述肘关节运动角速度数据。
在本发明的一可选实施例中，采用巴特沃斯滤波器对所述肘关节运动角度数据进行滤波处理。
在本发明的一可选实施例中，根据所述前臂加速度数据获取所述痉挛发生点大致区间内的前臂加速度最大值所对应的点，作为痉挛发生点包括：
根据所述肘关节运动角速度数据，利用最大值函数来获取所述痉挛发生点大致区间内的肘关节运动角速度最大值和肘关节运动角速度最大值点；
根据所述肘关节运动角速度最大值点来确定加速度搜索区间，所述加速度搜索区间位于所述痉挛发生点大致区间内；
根据所述前臂加速度数据获取所述加速度搜索区间内的前臂加速度最大值所对应的点，作为所述痉挛发生点。
在本发明的一可选实施例中，根据所述痉挛发生点大致区间的起始点的肘关节运动角度、所述痉挛发生点的肘关节运动角度及所述痉挛发生点大致区间的肘关节运动角度范围计算患者的痉挛程度包括：
根据下式
来计算患者的痉挛程度％CPP，其中，Catch angle(°)表示痉挛发生点的肘关节运动角度、Initial angle(°)表示所述痉挛发生点大致区间的起始点的肘关节运动角度，ROM(°)表示所述痉挛发生点大致区间的肘关节运动角度范围。
在本发明的一可选实施例中，通过设置于患者肘关节外侧的角度采集模块来采集所述肘关节运动角度数据。
在本发明的一可选实施例中，通过设置于患者前臂上的加速度采集模块来采集所述前臂加速度数据。
为实现上述目的及其他相关目的，本发明提供还提供一种痉挛量化评估装置，所述痉挛量化评估装置包括：
数据接收模块，用于接收取患者痉挛测试过程中的肘关节运动角度数据和前臂加速度数据；
角速度计算模块，用于根据所述肘关节运动角度数据来计算肘关节运动角速度数据；
痉挛发生点大致区间获取模块，用于根据所述肘关节运动角速度数据获取痉挛发生点大致区间；
痉挛发生点获取模块，用于根据所述前臂加速度数据获取所述痉挛发生点大致区间内的前臂加速度最大值所对应的点，作为痉挛发生点；
痉挛程度计算模块，用于根据所述痉挛发生点大致区间的起始点的肘关节运动角度、所述痉挛发生点的肘关节运动角度及所述痉挛发生点大致区间的肘关节运动角度范围计算患者的痉挛程度。
为实现上述目的及其他相关目的，本发明提供还提供一种痉挛量化评估系统，所述痉挛量化评估系统包括：
处理模块，包括相互耦合的处理器和存储器，所述存储器存储有程序指令，当所述存储器存储的程序指令被所述处理器执行时实现如权利要求1-8中任意一项所述的痉挛量化评估方法；
数据采集模块，与所述处理模块连接，所述数据采集模块包括用于采集患者痉挛测试过程中的肘关节运动角度数据的角度采集模块和用于采集患者痉挛测试过程中的前臂加速度数据的加速度采集模块；
存储模块，与所述处理模块连接，所述存储模块用于存储所述肘关节运动角度数据、所述前臂加速度数据及所述处理器产生的痉挛量化评估数据；
供电模块，用于为所述痉挛量化评估系统的用电模块供电；
显示器，与所述处理模块连接，所述显示器用于显示痉挛量化评估的相关参数信息。
本发明的痉挛量化评估方法、装置及系统，可以快速的检测出痉挛发生点，并计算痉挛程度，用于定量化描述痉挛等级，便于辅助医生进行病人痉挛评价，可作为痉挛评价的定量参考。
本发明的痉挛量化评估方法、装置及系统，可实现医院一床一器的应用前景，并且数据可存储在云端，方便进行共享、痉挛等级复查与新医生学习，从而更为直观地加快新医生培训，减轻医院工作负担。
本发明的痉挛量化评估方法的结果可靠，并且结果是定量评价法，可更为精细地反映病人痉挛程度或康复效果程度。
本发明的痉挛量化评估方法能够实现实时评估，实时反馈给医生定量结果，从而可以纠正其后续的判断，并且也可以给新手提供一个训练、纠正、学习与再训练的过程。
附图说明
图1显示为本发明实施例的痉挛量化评估系统的框图。
图2显示为本发明实施例的痉挛量化评估方法的流程示意图。。
图3a-3d显示为四名评估者的测试和重测试结果的Bland-Altman图。
图4显示为本发明实施例的痉挛量化评估装置的结构框图。
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。
请参阅图1-4。需要说明的是，本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，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
如图1所示，本实施例提供一种痉挛量化评估系统，该痉挛量化评估系统配合痉挛量化评估方法，能够用于辅助医生进行痉挛评定，减轻医生的负担。如图1所示，所述痉挛量化评估系统主要包含两个部分，分别是基本评估系统和拓展系统。
如图1所示，所述基本评估系统包括STM32单片机(作为处理模块)以及分别与所述处理模块连接的数据采集模块、SD卡(作为存储模块)、可充电电池(作为供电模块)和LCD显示器。所述处理模块包括相互耦合的处理器和存储器，所述存储器存储有程序指令，当所述存储器存储的程序指令被所述处理器执行时实现如图2所述的痉挛量化评估方法。所述数据采集模块包括用于采集患者痉挛测试过程中的肘关节运动角度数据(肘关节运动角度信号)的角度采集模块和用于采集患者痉挛测试过程中的前臂加速度数据(前臂加速度信号)的加速度采集模块，所述数据采集模块用于将采集到的肘关节运动角度信号和前臂加速度信号等原始数据发送给处理模块进行痉挛量化评估。所述存储模块用于存储所述肘关节运动角度数据、所述前臂加速度数据及所述处理模块产生的痉挛量化评估数据。所述供电模块用于为所述基本评估系统的用电模块进行供电。所述显示器例如是LCD显示模块，用于显示痉挛量化评估的相关参数信息。
本实施例的基本评价系统由电池供电，携带方便，可实现简单的数据储存、角度显示、实时速度显示(用于形成虚拟反馈，纠正医生手法和动作速度)和痉挛MAS等级显示(采用LCD显示模块显示)，并且数据存储于SD卡中。基本评价系统更适合用于简单的测试场合以及家庭用。为了增强整体功能，增加拓展系统，采用蓝牙将原始数据发送到上位机，上位机可实时动态显示关键信息(角度、加速度)变化以及一个测试周期内的牵张反射阈值对应的痉挛程度值(记为％CPP值)，作为参考，并且可以存储病人的具体信息到本地端和云端，从而方便进行复查和数据回放。
如图2所示，本发明的实施例介绍一种实时的痉挛量化评估方法，结合角度信号和加速度信号寻找痉挛发生点，先由角速度信号大致估计出痉挛发生点大致区域，搜索该大致区域内的最大加速度对应的点作为痉挛发生点。
如图2所示，所述痉挛量化评估方法包括如下步骤：
步骤S10、接收取患者痉挛测试过程中的肘关节运动角度数据和前臂加速度数据；
步骤S20、根据所述肘关节运动角度数据来计算肘关节运动角速度数据；
步骤S30、根据所述肘关节运动角速度数据获取痉挛发生点大致区间；
步骤S40、根据所述前臂加速度数据获取所述痉挛发生点大致区间内的前臂加速度最大值所对应的点，作为痉挛发生点；
步骤S50、根据所述痉挛发生点大致区间的起始点的肘关节运动角度、所述痉挛发生点的肘关节运动角度及所述痉挛发生点大致区间的肘关节运动角度范围计算患者的痉挛程度。
在步骤S10中，可通过数据采集模块来采集患者痉挛测试过程中的肘关节运动角度数据和前臂加速度数据，并将这些数据发送给处理模块。具体地，可通过设置于患者肘关节外侧的角度采集模块(也即角度传感器)采集患者痉挛测试过程中的肘关节运动角度数据，通过设置于患者前臂上的加速度采集模块采集患者痉挛测试过程中的前臂加速度数据。在采集数据时，需要确保角度采集模块中角度传感器的轴心与肘关节中心(肱骨外上髁)一致，装置固定端与上臂长轴一致，移动端与前臂长轴一致，同时固定绑带保证运动过程中装置不会松动，以保证装置旋转轴和肘关节旋转轴同轴。需确保加速度采集模块所测线加速度为肘关节屈伸过程中加速度传感器所在点的前臂切向线加速度，确保防护海绵正确安装防止肢体擦伤并保证测量过程舒适。
在步骤S20中，根据所述肘关节运动角度数据来计算肘关节运动角速度数据时，首选需要采用滤波器对所述肘关节运动角度数据进行滤波处理，以去除计算肘关节运动角速度时的噪声影响，然后，根据滤波处理后的肘关节运动角度数据来计算所述肘关节运动角速度数据。作为示例，例如可采用4阶巴特沃斯滤波器对所述肘关节运动角度数据进行滤波处理，低通频率为2Hz。作为示例，可采用欧拉方法根据滤波处理后的肘关节运动角度数据来计算所述肘关节运动角速度。
在步骤S30中，根据所述肘关节运动角速度数据获取痉挛发生点大致区间进一步包括，根据所述角速度数据，通过角速度的绝对值小于预设值来分别获取痉挛发生点大致区间的起始点和结束点，以确定所述痉挛发生点大致区间。起始点和结束点处角速度接近于零(理论上是等于零，但是离散点不一定刚好为零，因此，可以设置一个预设值(例如1或者一更小的数值)来进行痉挛发生点大致区间的起始点和结束点的确定。
在步骤S40中，由于肘关节运动角速度最大值与痉挛发生点存在关系，因此，可以通过先找到痉挛发生点大致区间内的肘关节运动角速度最大值和肘关节运动角速度最大值点，然后根据所述肘关节运动角速度最大值点来在痉挛发生点大致区间内一个更小的区间作为加速度搜索区间来进行前臂加速度最大值点的搜索，从而减少搜索时间，提高痉挛量化评定的效率。
具体地，根据所述前臂加速度数据获取所述痉挛发生点大致区间内的前臂加速度最大值所对应的点，作为痉挛发生点时，首先根据所述肘关节运动角速度数据，利用最大值函数来获取所述痉挛发生点大致区间内的肘关节运动角速度最大值和肘关节运动角速度最大值点；接着，根据所述肘关节运动角速度最大值点来确定加速度搜索区间，所述加速度搜索区间位于所述痉挛发生点大致区间内；最后，根据所述前臂加速度数据获取所述加速度搜索区间内的前臂加速度最大值所对应的点，作为所述痉挛发生点。
在步骤S50中、根据所述痉挛发生点大致区间的起始点的肘关节运动角度、所述痉挛发生点的肘关节运动角度及所述痉挛发生点大致区间的肘关节运动角度范围计算患者的痉挛程度包括：
根据下式
来计算患者的痉挛程度％CPP，其中，Catch angle(°)表示痉挛发生点的肘关节运动角度、Initial angle(°)表示所述痉挛发生点大致区间的起始点的肘关节运动角度，ROM(°)表示所述痉挛发生点大致区间的肘关节运动角度范围。
需要说明的是，本实施例的痉挛量化评定方法，在获取了结束点的时候，可立即执行后续的搜索算法，获得痉挛发生点，进而计算对应的％CPP，因此，在结束点之后相当短时间内即可显示出痉挛评价结果，所以这是一个实时的痉挛评定方法。本实施例的痉挛量化评定方法，由于可快速检测痉挛发生点，并且计算％CPP，用于实时定量化描述痉挛等级，便于辅助医生进行病人痉挛评价，可作为痉挛评价的定量参考，可实现医院一床一器的应用前景，并且数据可存储在云端，方便进行共享、痉挛等级复查与新医生学习。从而更为直观地加快新医生培训，减轻医院工作负担。实时评估的好处在于实时反馈给医生定量结果，从而可以纠正其后续的判断。并且也可以给新手提供一个训练、纠正、学习与再训练的过程，因此，相对于离线后处理计算，它的优势非常明显，并且其计算量小，并不需要计算能力很强的硬件支持。
为了验证本实施例的痉挛量化评定方法的准确性和可靠性，作为如下验证。
病人的选取，病人选取原则为1)患有中风和偏瘫；2)上肢出现痉挛；3)肘关节运动范围大于90度；4)具备良好的认知和学习能力，无听觉和视觉障碍。病人排除原则为1)有先天性疾病或其他脑部疾病史，器质性或功能性精神疾病史；2)最近一个月曾参加过别的临床实验；3)患有其他影响上肢肘关节运动的疾病；4)对此穿戴设备有心理障碍的病人。
通过病人选取和排除原则选择24名病人，来自安徽省立医院和安徽中医药大学第一附属医院的临床病人，分为A组和B组。年龄区间在21～73之间，18个男，6个女。患病周期从半个月到2年都有，导致痉挛的疾病包含有脑梗死(左侧和右侧),脑溢血(左侧和右侧),脑栓塞(左侧和右侧),脑挫伤(左侧)。病人的上肢患病肌肉群为肘关节收缩肌群和肘关节伸张肌群。
A组：14名病人，平均年龄为55.57±13.75岁，10个男的，4个女的。平均患病周期为3.36±1.74月，11个病人患病侧为左侧，3个是右侧。MAS等级从0级到3级都有。
B组：10名病人，平均年龄是39.5±10.34岁，8个男，2个女。平均患病周期为11.55±8.13月，3个左侧患病，7个右侧患病。MAS等级从0级到3级都有。
在实验中，每个医院出两名医生作为评估者分别记为R1、R2、R3、R4，两名评估者分别具备5年和6年的临床经验。所有实验在同样环境下进行的，测试之后，间隔三个小时之后再进行第二次测试(重测试)，统计两次测试的％CPP和对应的MAS值。
实验开始前，测试者和观察者都需要熟悉实验方法和流程，休息1小时候，开始实验，实验地点和实验环境温度不变。实验每个受试者取坐姿体位确保处于放松状态才能接受评定，测试时受试者取坐姿中立位，检查者在受试者患侧上肢穿戴评定装置，确保角度采集模块中角度传感器的轴心与肘关节中心(肱骨外上髁)一致，装置固定端与上臂长轴一致，移动端与前臂长轴一致，同时固定绑带保证运动过程中装置不会松动，以保证装置旋转轴和肘关节旋转轴同轴。需确保加速度采集模块所测线加速度为肘关节屈伸过程中加速度传感器所在点的前臂切向线加速度，确保防护海绵正确安装防止肢体擦伤并保证测量过程舒适。确认受试者完全放松，方可进行痉挛评定。评估者根据经验以适宜的速度对每一位受试者进行上肢MAS评分，评分过程共进行三次测试，然后根据测试结果和经验进行MAS评分。评分结束后休息半小时，进行重测试。每家医院分别由两位评估者进行痉挛评定，评定过程中检查者之间不可交流，评估完成后独立记录评分结果，交予研究者进行数据统计分析。测试与重测试可靠性分析采用1)组内相关性(Intraclass correlations，ICC)2)Bland-Altman分析。
实验结果
测试结果和重测试结果的CPP％的Bland-Altman分析如图3a-3d所示，统计结果如表1所示。Bland-Altman分析结果表明评估者R1，R2，R3，R4的测试结果与重测试结果的均值误差接近零，超出±1.96SD的百分比分别对应为0％，0％，0％，0％，这说明测试结果和重测试结果可很好地互相替代。相对而言，R2对应的测试结果是最好的。ICC指标表明测试结果和重测试结果有着非常好的相关性。
表1测试和重测试结果的可靠性分析结果
根据计算得到的％CPP与MAS评分的相关分析，如表2可知，此痉挛检测方法与MAS法相关性好，重测试结果与测试结果具备良好的可替换性，ICC指标显示测试结果和重测试结果有着非常好的相关性，说明可靠性好。而且此痉挛检测方法的结果是定量评价法，可更为精细地反映病人痉挛程度或康复效果程度。
表2平均％CPP与MAS评分的相关分析
| Evaluator | Test | Re-test |
| R1 | -0.943** | -0.937** |
| R2 | -0.896** | -0.945** |
| R3 | -0.891** | -0.907** |
| R4 | -0.955** | -0.906** |
根据图3和表1可知，本文的方法测试和重新测试的可靠性。ICC值为0.986，0.980,0.991，0.988，并且所有的数据点都在Bland-Altman图的边界范围内，对应的平均误差也接近于零。
如图4所示，本实施例还公开一种痉挛量化评估装置11，所述痉挛量化评估装置11包括数据接收模块111，角速度计算模块112，痉挛发生点大致区间获取模块113，痉挛发生点获取模块114以及痉挛程度计算模块115。所述数据接收模块111用于接收取患者痉挛测试过程中的肘关节运动角度数据和前臂加速度数据；所述角速度计算模块112用于根据所述肘关节运动角度数据来计算肘关节运动角速度数据；所述痉挛发生点大致区间获取模块113用于根据所述肘关节运动角速度数据获取痉挛发生点大致区间；所述痉挛发生点获取模块114用于根据所述前臂加速度数据获取所述痉挛发生点大致区间内的前臂加速度最大值所对应的点，作为痉挛发生点；所述痉挛程度计算模块115用于根据所述痉挛发生点大致区间的起始点的肘关节运动角度、所述痉挛发生点的肘关节运动角度及所述痉挛发生点大致区间的肘关节运动角度范围计算患者的痉挛程度。
需要说明的是，本发明的痉挛量化评估装置11是与上述痉挛量化评估方法相对应的虚拟装置，痉挛量化评估装置11中的功能模块分别对应痉挛量化评估方法中的相应步骤。本发明的痉挛量化评估装置11可与痉挛量化评估方法相互相配合实施。本发明的痉挛量化评估方法中提到的相关技术细节在痉挛量化评估装置11中依然有效，为了减少重复，这里不再赘述。相应地，本发明的痉挛量化评估装置11中提到的相关技术细节也可应用在上述痉挛量化评估方法中。
需要说明的是，上述的各功能模块，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些单元可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分单元通过处理元件调用软件的形式实现，部分单元通过硬件的形式实现。此外这些单元全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
综上所述，本发明的痉挛量化评估方法、装置及系统，可以快速的检测出痉挛发生点，并计算痉挛程度，用于定量化描述痉挛等级，便于辅助医生进行病人痉挛评价，可作为痉挛评价的定量参考。本发明的痉挛量化评估方法、装置及系统，可实现医院一床一器的应用前景，并且数据可存储在云端，方便进行共享、痉挛等级复查与新医生学习，从而更为直观地加快新医生培训，减轻医院工作负担。本发明的痉挛量化评估方法的结果可靠，并且结果是定量评价法，可更为精细地反映病人痉挛程度或康复效果程度。本发明的痉挛量化评估方法能够实现实时评估，实时反馈给医生定量结果，从而可以纠正其后续的判断，并且也可以给新手提供一个训练、纠正、学习与再训练的过程。
在本文的描述中，提供了许多特定细节，诸如部件和/或方法的实例，以提供对本发明实施例的完全理解。然而，本领域技术人员将认识到可以在没有一项或多项具体细节的情况下或通过其他设备、系统、组件、方法、部件、材料、零件等等来实践本发明的实施例。在其他情况下，未具体示出或详细描述公知的结构、材料或操作，以避免使本发明实施例的方面变模糊。
本发明所示实施例的上述描述(包括在说明书摘要中所述的内容)并非意在详尽列举或将本发明限制到本文所公开的精确形式。尽管在本文仅为说明的目的而描述了本发明的具体实施例和本发明的实例，但是正如本领域技术人员将认识和理解的，各种等效修改是可以在本发明的精神和范围内的。如所指出的，可以按照本发明所述实施例的上述描述来对本发明进行这些修改，并且这些修改将在本发明的精神和范围内。
本文已经在总体上将系统和方法描述为有助于理解本发明的细节。此外，已经给出了各种具体细节以提供本发明实施例的总体理解。然而，相关领域的技术人员将会认识到，本发明的实施例可以在没有一个或多个具体细节的情况下进行实践，或者利用其它装置、系统、配件、方法、组件、材料、部分等进行实践。在其它情况下，并未特别示出或详细描述公知结构、材料和/或操作以避免对本发明实施例的各方面造成混淆。
因而，尽管本发明在本文已参照其具体实施例进行描述，但是修改自由、各种改变和替换亦在上述公开内，并且应当理解，在某些情况下，在未背离所提出发明的范围和精神的前提下，在没有对应使用其他特征的情况下将采用本发明的一些特征。因此，可以进行许多修改，以使特定环境或材料适应本发明的实质范围和精神。本发明并非意在限制到在下面权利要求书中使用的特定术语和/或作为设想用以执行本发明的最佳方式公开的具体实施例，但是本发明将包括落入所附权利要求书范围内的任何和所有实施例及等同物。因而，本发明的范围将只由所附的权利要求书进行确定。
Claims (9)
1.一种痉挛量化评估方法，其特征在于，包括：
接收取患者痉挛测试过程中的肘关节运动角度数据和前臂加速度数据；
根据所述肘关节运动角度数据来计算肘关节运动角速度数据；
根据所述肘关节运动角速度数据获取痉挛发生点大致区间；
根据所述前臂加速度数据获取所述痉挛发生点大致区间内的前臂加速度最大值所对应的点，作为痉挛发生点；
根据所述痉挛发生点大致区间的起始点的肘关节运动角度、所述痉挛发生点的肘关节运动角度及所述痉挛发生点大致区间的肘关节运动角度范围计算患者的痉挛程度；
根据所述痉挛发生点大致区间的起始点的肘关节运动角度、所述痉挛发生点的肘关节运动角度及所述痉挛发生点大致区间的肘关节运动角度范围计算患者的痉挛程度包括：
根据下式
来计算患者的痉挛程度％CPP，其中，Catch angle(°)表示痉挛发生点的肘关节运动角度、Initial angle(°)表示所述痉挛发生点大致区间的起始点的肘关节运动角度，ROM(°)表示所述痉挛发生点大致区间的肘关节运动角度范围。
2.根据权利要求1所述的痉挛量化评估方法，其特征在于，根据所述角速度数据获取痉挛发生点大致区间包括，根据所述角速度数据，通过角速度的绝对值小于预设值来分别获取痉挛发生点大致区间的起始点和结束点，以确定所述痉挛发生点大致区间。
3.根据权利要求1所述的痉挛量化评估方法，其特征在于，根据所述肘关节运动角度数据来计算肘关节运动角速度数据的步骤包括：
对所述肘关节运动角度数据进行滤波处理；
根据滤波处理后的肘关节运动角度数据来计算所述肘关节运动角速度数据。
4.根据权利要求3所述的痉挛量化评估方法，其特征在于，采用巴特沃斯滤波器对所述肘关节运动角度数据进行滤波处理。
5.根据权利要求1所述的痉挛量化评估方法，其特征在于，根据所述前臂加速度数据获取所述痉挛发生点大致区间内的前臂加速度最大值所对应的点，作为痉挛发生点包括：
根据所述肘关节运动角速度数据，利用最大值函数来获取所述痉挛发生点大致区间内的肘关节运动角速度最大值和肘关节运动角速度最大值点；
根据所述肘关节运动角速度最大值点来确定加速度搜索区间，所述加速度搜索区间位于所述痉挛发生点大致区间内；
根据所述前臂加速度数据获取所述加速度搜索区间内的前臂加速度最大值所对应的点，作为所述痉挛发生点。
6.根据权利要求1所述的痉挛量化评估方法，其特征在于，通过设置于患者肘关节外侧的角度采集模块来采集所述肘关节运动角度数据。
7.根据权利要求1所述的痉挛量化评估方法，其特征在于，通过设置于患者前臂上的加速度采集模块来采集所述前臂加速度数据。
8.一种痉挛量化评估装置，其特征在于，所述痉挛量化评估装置包括：
数据接收模块，用于接收取患者痉挛测试过程中的肘关节运动角度数据和前臂加速度数据；
角速度计算模块，用于根据所述肘关节运动角度数据来计算肘关节运动角速度数据；
痉挛发生点大致区间获取模块，用于根据所述肘关节运动角速度数据获取痉挛发生点大致区间；
痉挛发生点获取模块，用于根据所述前臂加速度数据获取所述痉挛发生点大致区间内的前臂加速度最大值所对应的点，作为痉挛发生点；
痉挛程度计算模块，用于根据所述痉挛发生点大致区间的起始点的肘关节运动角度、所述痉挛发生点的肘关节运动角度及所述痉挛发生点大致区间的肘关节运动角度范围计算患者的痉挛程度；
根据所述痉挛发生点大致区间的起始点的肘关节运动角度、所述痉挛发生点的肘关节运动角度及所述痉挛发生点大致区间的肘关节运动角度范围计算患者的痉挛程度包括：
根据下式
来计算患者的痉挛程度％CPP，其中，Catch angle(°)表示痉挛发生点的肘关节运动角度、Initial angle(°)表示所述痉挛发生点大致区间的起始点的肘关节运动角度，ROM(°)表示所述痉挛发生点大致区间的肘关节运动角度范围。
9.一种痉挛量化评估系统，其特征在于，所述痉挛量化评估系统包括：
处理模块，包括相互耦合的处理器和存储器，所述存储器存储有程序指令，当所述存储器存储的程序指令被所述处理器执行时实现如权利要求1-7中任意一项所述的痉挛量化评估方法；
数据采集模块，与所述处理模块连接，所述数据采集模块包括用于采集患者痉挛测试过程中的肘关节运动角度数据的角度采集模块和用于采集患者痉挛测试过程中的前臂加速度数据的加速度采集模块；
存储模块，与所述处理模块连接，所述存储模块用于存储所述肘关节运动角度数据、所述前臂加速度数据及所述处理器产生的痉挛量化评估数据；
供电模块，用于为所述痉挛量化评估系统的各用电模块供电；
显示器，与所述处理模块连接，所述显示器用于显示痉挛量化评估的相关参数信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210049320.0A CN114190929B (zh) | 2022-01-17 | 2022-01-17 | 痉挛量化评估方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210049320.0A CN114190929B (zh) | 2022-01-17 | 2022-01-17 | 痉挛量化评估方法、装置及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114190929A CN114190929A (zh) | 2022-03-18 |
| CN114190929B true CN114190929B (zh) | 2024-06-04 |
Family
ID=80658630
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210049320.0A Active CN114190929B (zh) | 2022-01-17 | 2022-01-17 | 痉挛量化评估方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114190929B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016041176A (ja) * | 2014-08-18 | 2016-03-31 | 国立大学法人大阪大学 | 筋トーヌス計測装置 |
| CN105726039A (zh) * | 2016-03-31 | 2016-07-06 | 合肥工业大学 | 一种肢体痉挛评测方法及实现该方法的装置 |
| JP2016171993A (ja) * | 2015-03-17 | 2016-09-29 | 国立大学法人秋田大学 | 重症度評価支援システム及びプログラム |
| CN108433735A (zh) * | 2018-03-15 | 2018-08-24 | 安徽工程大学 | 一种基于肌张力检测的痉挛传感器 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017512115A (ja) * | 2014-03-12 | 2017-05-18 | モビューティーク アグシャセルスガーッブＭｏｖｏｔｅｃ Ａ／Ｓ | 筋硬直の測定システム、装置、および方法 |
-
2022
- 2022-01-17 CN CN202210049320.0A patent/CN114190929B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016041176A (ja) * | 2014-08-18 | 2016-03-31 | 国立大学法人大阪大学 | 筋トーヌス計測装置 |
| JP2016171993A (ja) * | 2015-03-17 | 2016-09-29 | 国立大学法人秋田大学 | 重症度評価支援システム及びプログラム |
| CN105726039A (zh) * | 2016-03-31 | 2016-07-06 | 合肥工业大学 | 一种肢体痉挛评测方法及实现该方法的装置 |
| CN108433735A (zh) * | 2018-03-15 | 2018-08-24 | 安徽工程大学 | 一种基于肌张力检测的痉挛传感器 |
Non-Patent Citations (2)
| Title |
|---|
| 王斌.肘屈肌群痉挛和僵硬速率相关的病理生理学定量分析.国外医学.物理医学与康复学分册.2003,(第02期),全文. * |
| 胡保华 ; 穆景颂 ; 朱宗俊 ; 赵鹏鹏 ; 王勇 ; .基于牵张反射阈值的上肢痉挛评定方法与装置及其效度信度研究.自动化学报.2017,(第01期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114190929A (zh) | 2022-03-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109243572B (zh) | 一种精准运动评估和康复训练系统 | |
| Rigas et al. | Assessment of tremor activity in the Parkinson’s disease using a set of wearable sensors | |
| US9721476B2 (en) | System and method for dynamic cognitive training | |
| Krishna et al. | Quantitative assessment of cerebellar ataxia, through automated limb functional tests | |
| CN101568302A (zh) | 用来评定本体感受功能的方法和装置 | |
| Peng et al. | Quantitative evaluations of ankle spasticity and stiffness in neurological disorders using manual spasticity evaluator | |
| CN107157450A (zh) | 用于对帕金森病人的手部运动能力进行量化评估方法和系统 | |
| CN106256312A (zh) | 认知功能障碍评价装置 | |
| JP2018515181A (ja) | 脳深部刺激手術用の手首固縮評価装置 | |
| Mitchell et al. | Automatically detecting asymmetric running using time and frequency domain features | |
| Pogrzeba et al. | Analysis and quantification of repetitive motion in long-term rehabilitation | |
| CN114190929B (zh) | 痉挛量化评估方法、装置及系统 | |
| Rodrigues | Sports vision: influence on athlete’s performance | |
| CN115868939A (zh) | 一种认知评估方法、装置、设备、介质及计算机程序产品 | |
| Chen et al. | An interpretable deep learning optimized wearable daily detection system for Parkinson’s disease | |
| Di Libero et al. | Motor abilities analysis using a standardized tapping test enhanced by a detailed processing stage: gender and age comparison | |
| Aldenhoven et al. | mBalance: Detect Postural Imbalance with Mobile Devices | |
| US20110213277A1 (en) | System, method, and apparatus for objective assessment of motor signs at the extremities | |
| Sarker et al. | Analysis of smooth pursuit assessment in virtual reality and concussion detection using bilstm | |
| CN112951422A (zh) | 一种骨科患者康复自检方法及系统 | |
| Grecheneva et al. | Diagnosis of Neuro-physiological State of a Person on the Biomechanical Parameters | |
| CN116098587B (zh) | 一种基于眼动的认知评估方法、装置、设备及介质 | |
| Hajihosseini et al. | Automated Assessment of Developmental Stage of Overhand Throwing Skill | |
| Raouafi et al. | Robot-assisted therapy influence on kinematic and EMG activity in the upper limb for children with cerebral palsy | |
| Yee et al. | Data-driven model for upper limb spasticity detection |
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 |