CN114748080A - 一种感觉运动功能的检测量化方法和系统 - Google Patents
一种感觉运动功能的检测量化方法和系统 Download PDFInfo
- Publication number
- CN114748080A CN114748080A CN202210686463.2A CN202210686463A CN114748080A CN 114748080 A CN114748080 A CN 114748080A CN 202210686463 A CN202210686463 A CN 202210686463A CN 114748080 A CN114748080 A CN 114748080A
- Authority
- CN
- China
- Prior art keywords
- signal
- stimulation
- physiological
- muscle
- signals
- 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.)
- Granted
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
- A61B5/389—Electromyography [EMG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/242—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents
- A61B5/245—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents specially adapted for magnetoencephalographic [MEG] signals
- A61B5/246—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents specially adapted for magnetoencephalographic [MEG] signals using evoked responses
-
- 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]
- A61B5/395—Details of stimulation, e.g. nerve stimulation to elicit EMG response
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Power Engineering (AREA)
- High Energy & Nuclear Physics (AREA)
- Radiology & Medical Imaging (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Neurology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Optics & Photonics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种感觉运动功能的检测量化方法和系统,属于感觉运动功能检测领域。该方法包括如下步骤:对被试肢体远端手足实施不同强度的刺激;先后获取被试的三个目标部位的生理状态信号;进行预处理,分帧处理,多试次数据筛选叠加平均,多通道数据选择及融合;进行时频分析、融合分析和耦合分析;对比各表征曲线和特征指数,获取量化评估结果。本发明还提供了一种感觉运动功能的检测量化系统,该系统包括刺激管理模块、生理状态信号采集记录模块、生理状态信号处理模块、特征提取及融合耦合分析模块和对比评价及结果输出模块。本发明能够解决准确地检测、量化和评估被试的感觉运动功能状态或康复进展,辅助临床诊疗和康复干预。
Description
技术领域
本发明涉及感觉运动功能检测领域,特别涉及一种感觉运动功能的检测量化方法和系统。
背景技术
脑卒中、脑瘫、脊髓损伤、帕金森、脑血管疾病或其他神经系统疾病、及意外等因素,直接或间接带来感觉和运动功能的不同程度功能损伤或功能障碍,以及外周神经系统-肌肉系统-血液循环系统-中枢系统之间的系统性协同问题。感觉运动功能障碍,如果缺乏全面诊断评估和有效治疗及康复干预,将会带来严重的功能障碍、致残瘫痪和完全行为功能丧失,严重影响患病人群及家人的工作和生活。在我国,患有不同程度感觉运动功能障碍的人群基数庞大;随着社会人口老龄化发展,这个人群数量每年都在急速递增,所带来社会医疗成本和社会家庭压力也急剧增加。
现有的感觉运动功能障碍的检测量化和临床评估的手段和方法是单一且分散的,缺乏外周神经系统-肌肉系统-血液循环系统-中枢系统之间的系统性观察和分析,尤其是肌肉反馈和运动系统、神经系统和血液循环系统的融合及耦合定量分析,难以准确评估被试或感觉运动功能障碍者感觉运动功能的功能状态水平和疾病障碍进展(障碍部位和严重程度等)。这也导致现有的临床治疗和康复干预过程中,缺乏对感觉运动功能障碍者感觉运动功能的恢复情况的准确评估,无法给出进一步的准确高效的治疗康复方案或建议。
发明内容
本申请提供了一种感觉运动功能的检测量化方法,可以准确地检测、量化和评估被试的感觉运动功能状态或康复进展,辅助临床诊疗和康复干预。
本申请还提供了一种感觉运动功能的检测量化系统,用于实施上述方法。
一种感觉运动功能的检测量化方法,包括如下步骤:
依据刺激方案施加刺激,并启动刺激安全监测;
依次获取测试对象感觉上行通路上第一目标肌肉群的第一生理状态信号、大脑皮层目标区域的第二生理状态信号和运动下行通路上第二目标肌肉群的第三生理状态信号;
对所述第一生理状态信号、所述第二生理状态信号和所述第三生理状态信号分别进行预处理和分帧处理,获得第一生理信号数据集;
筛选所述第一生理信号数据集中的合格试次的数据并对该数据叠加平均处理,获得第二生理信号数据集;
对所述第二生理信号数据集进行目标部位多通道数据的区间定义及选择融合,获得第三生理信号数据集;
对所述第三生理信号数据集进行时频分析、融合分析和耦合分析,获得第一状态表征曲线集和第一状态特征指数集;
将当前测试对象的所述第一状态表征曲线集和所述第一状态特征指数集与对照数据库中的第一状态表征曲线集和第一状态特征指数集进行比对,获得当前测试对象的感觉运动功能状态量化评估结果,其中,所述对照数据库中的第一状态表征曲线集和第一状态特征指数集为与当前测试对象同年龄段、同性别的健康测试对象和感觉运动功能障碍者测试对象的第一状态表征曲线集和第一状态特征指数集。
更优地,所述刺激方案至少包括刺激部位、刺激类型、刺激方式、刺激频率、刺激强度队列、刺激时长、刺激间隔、刺激区域、刺激数量、刺激分组和/或刺激顺序。
更优地,所述刺激部位至少包括手指、手心、手背、脚趾、足底和/或足背。
更优地,所述刺激类型至少包括温觉、痛觉和/或触觉。
更优地,所述刺激方式至少包括冰水刺激、温水刺激、电刺激、针刺刺激、震动刺激和/或毛刷刺激。
更优地,所述刺激强度队列由刺激强度生成函数Y(t)生成。
更优地,所述刺激强度生成函数Y(t)为由自变量t、修正因子KB和截距因子所构造的单调递增函数、单调递减函数或对称U型曲线函数,函数构造形式,其中FB(t)为基函数,t为自然数,KB为非0的实数,为实数,其中,当t为0时,Y(0)=;当t为1时,Y(1)≥0。
更优地,所述第一生理状态信号通过肌电图EMG、功能性近红外光谱成像fNIRS、光体积变化描记图法PPG-SPO2、温度和/或运动加速度的数据采集装置对第一目标肌肉群采集获取。
更优地,所述第一生理状态信号至少包括EMG肌电信号、fNIRS-BOLD信号、PPG-SPO2信号、温度信号和/或运动加速度信号。
更优地,所述第一目标肌肉群根据刺激部位确定。
更优地,所述第二生理状态信号通过脑电图EEG、脑磁图MEG、功能性近红外光谱成像fNIRS和/或功能性磁共振成像fMIR的数据采集装置对大脑目标区域皮层采集获取。
更优地,所述第二生理状态信号至少包括EEG信号、MEG信号、fNIRS-BOLD信号和/或fMIR-BOLD信号。
更优地,所述大脑目标区域皮层包括前额叶大脑皮层、中央区大脑皮层、顶叶大脑皮层和/或刺激部位对侧的感觉运动区皮层。
更优地,所述第三生理状态信号的获取包括如下步骤:测试对象感知到刺激后,预设时间内完成一次刺激部位指定运动,以获取第三生理状态信号。
更优地,所述第三生理状态信号通过肌电图EMG、功能性近红外光谱成像fNIRS、光体积变化描记图法PPG-SPO2、温度和/或运动加速度的数据采集装置对第二目标肌肉群采集获取。
更优地,所述第二目标肌肉群根据刺激部位确定。
更优地,所述第三生理状态信号至少包括EMG肌电信号、fNIRS-BOLD信号、PPG-SPO2信号、温度信号和/或运动加速度信号。
更优地,所述第一目标肌肉群和所述第二目标肌肉群选自刺激部位同一侧不同的肌肉群或是同一个肌肉群的不同通道。
更优地,所述预处理包括:A/D转换、下采样、降噪、去伪迹、陷波和滤波处理。
更优地,所述分帧处理包括:基于刺激方案的每一次试次的刺激开始时间点,分别将第一生理状态信号、第二生理状态信号和第三生理状态信号与刺激信号进行时间对齐及分帧截取。
更优地,所述筛选所述第一生理信号数据集中的合格试次的数据并对该数据叠加平均处理包括如下步骤:
从所述第一生理信号数据集中剔除异常的试次数据;
对同一刺激强度、同一模态、同一通道的多试次生理状态信号数据进行叠加平均,得到第二生理信号数据集。
更优地,所述区间定义及选择融合包括如下步骤:
对所述第二生理信号数据集中的所述第一生理状态信号、所述第二生理状态信号和所述第三生理状态信号进行信号时间区间定义,以刺激开始时间点为基点,选择刺激开始时间点前的第一预设时间作为基线状态期;选择刺激开始时间点后的第二预设时间作为刺激响应观察期,其中,所述区间包含神经电生理的感觉上行、皮层感知和运动下行三个区间以及血液动力学的感觉上行、皮层感知和运动下行三个区间;刺激响应观察期后的第三预设时间,作为刺激间隔期;
对所述第二生理信号数据集中同一目标部位、同一刺激强度、同一模态的多通道多频带生理状态信号数据进行选择融合,所述多通道多频带生理状态信号数据包括同一模态下的多通道信号中的一通道信号数据、波动或振幅最大的一通道信号数据或多通道信号数据的叠加平均信号;其中,神经电生理方面,大脑皮层特征分析的特征频带区间为1-150Hz,感觉运动功能相关节律包括θ节律、μ-α节律、β节律和γ节律,肌肉特征分析的特征频带区间为10-500Hz;血液动力学方面,BOLD信号分析的特征频带区间为0.01-0.50Hz;
得到第三生理信号数据集。
更优地,所述第一状态表征曲线集,包括肌肉感知上行函数曲线、皮层感知响应函数曲线、肌肉运动反馈函数曲线、多层感知运动时延函数曲线、肌肉皮层感知上行耦合函数曲线和皮层肌肉运动反馈耦合函数曲线。
更优地,所述第一状态特征指数集,包括肌肉感知上行指数、皮层感知响应指数、肌肉运动反馈指数、多层感知运动时延指数、肌肉皮层感知上行耦合指数和皮层肌肉运动反馈耦合指数。
更优地,所述肌肉感知上行函数曲线和肌肉感知上行指数的提取方法包括:
从所述第三生理信号数据集中,获得第一目标肌肉群的、不同刺激强度下的、刺激响应观察期内神经电生理和血液动力学的感觉上行区间和基线状态期的生理状态信号作为分析计算生理状态信号数据;
基于所述分析计算生理状态信号数据:
计算当前刺激强度下的基线状态期的生理状态参数;
计算当前刺激强度下的EMG肌电信号的功率谱,获得多个特征频带的功率、相对功率和最大功率处频率,提取多个特征频带的功率、相对功率和最大功率处频率的相对变化量;
计算当前刺激强度下的fNIRS-BOLD信号的含氧血红蛋白HbO2、脱氧血红蛋白HbR和总血红蛋白HbT的平均浓度,提取HbO2、HbR和HbT平均浓度的相对变化量,以及整体血氧水平融合变化量;
计算当前刺激强度下的PPG血氧信号SPO2的平均值,提取SPO2平均值的相对变化量;
计算当前刺激强度下的肌肉温度信号Temp的平均值,提取Temp平均值的相对变化量;
计算当前刺激强度下的加速度计信号Acce的平均值,提取Acce平均值的相对变化量;
将所述提取的相对变化量和整体血氧水平融合变化量纳入数组序列,得到第一参数集;
对所述第一参数集进行多参数加权计算,得到当前刺激强度下的肌肉感知上行系数;
求得全部刺激强度下的所述肌肉感知上行系数,得到第一系数队列;
对所述第一系数队列进行函数拟合,得到肌肉感知上行函数曲线;
计算肌肉感知上行函数曲线和刺激强度生成函数Y(t)的相近性,得到肌肉感知上行指数。
更优地,所述皮层感知响应函数曲线和皮层感知响应指数的提取方法包括:
从所述第三生理信号数据集中,获得大脑皮层目标区域的、不同刺激强度下的、刺激响应观察期内神经电生理和血液动力学的皮层感知区间和基线状态期的生理状态信号作为分析计算生理状态信号数据;
基于所述分析计算生理状态信号数据:
计算当前刺激强度下的基线状态期的生理状态参数;
计算当前刺激强度下的EEG脑电和/或MEG脑磁信号的功率谱,获得多个特征频带的功率、相对功率和最大功率处频率,提取多个特征频带的功率、相对功率和最大功率处频率的相对变化量;
计算当前刺激强度下的fNIRS-BOLD信号的含氧血红蛋白HbO2、脱氧血红蛋白HbR和总血红蛋白HbT的平均浓度,提取HbO2、HbR和HbT平均浓度的相对变化量,以及整体血氧水平融合变化量;
计算当前刺激强度下的fMIR-BOLD信号的BOLD平均值,提取BOLD平均值的相对变化量;
将所述提取的相对变化量和整体血氧水平融合变化量纳入数组序列,得到第二参数集;
对所述第二参数集进行多参数加权计算,得到当前刺激强度下的皮层感知响应系数;
求得全部刺激强度下的所述皮层感知响应系数,得到第二系数队列;
对所述第二系数队列进行函数拟合,得到皮层感知响应函数曲线;
计算皮层感知响应函数曲线和刺激强度生成函数Y(t)的相近性,得到皮层感知响应指数。
更优地,所述肌肉运动反馈函数曲线和肌肉运动反馈指数的提取方法包括:
从所述第三生理信号数据集中,获得第二目标肌肉群的、不同刺激强度下的、刺激响应观察期内神经电生理和血液动力学的运动下行区间和基线状态期的生理状态信号作为分析计算生理状态信号数据;
基于所述分析计算生理状态信号数据:
计算当前刺激强度下的基线状态期的生理状态参数;
计算当前刺激强度下的EMG肌电信号的功率谱,获得多个特征频带的功率、相对功率和最大功率处频率,提取多个特征频带的功率、相对功率和最大功率处频率的相对变化量;
计算当前刺激强度下的fNIRS-BOLD信号的含氧血红蛋白HbO2、脱氧血红蛋白HbR和总血红蛋白HbT的平均浓度,提取HbO2、HbR和HbT平均浓度的相对变化量,以及整体血氧水平融合变化量;
计算当前刺激强度下的PPG血氧信号SPO2的平均值,提取SPO2平均值的相对变化量;
计算当前刺激强度下的肌肉温度信号Temp的平均值,提取Temp平均值的相对变化量;
计算当前刺激强度下的加速度计信号Acce的平均值,提取Acce平均值的相对变化量;
将所述提取的相对变化量和整体血氧水平融合变化量纳入数组序列,得到第三参数集;
对所述第三参数集进行多参数加权计算,得到当前刺激强度下的肌肉运动反馈系数;
求得全部刺激强度下的所述肌肉运动反馈系数,得到第三系数队列;
对所述第三系数队列进行函数拟合,得到肌肉运动反馈函数曲线;
计算肌肉运动反馈函数曲线和刺激强度生成函数Y(t)的相近性,得到肌肉运动反馈指数。
更优地,所述多层感知运动时延函数曲线和多层感知运动时延指数的提取方法包括:
从所述第三生理信号数据集中,获得第一目标肌肉群的、大脑皮层目标区域的、第二目标肌肉群的、不同刺激强度下的、刺激响应观察期内神经电生理和血液动力学的全部三个区间的生理状态信号作为分析计算生理状态信号数据;
对所述分析计算生理状态信号数据中的神经电生理和血液动力学方面的生理状态信号进行去基线振幅均值化处理,得到相应的相对振幅信号集;
对所述相对振幅信号集中的信号,通过希尔伯特变换,计算得到相应的振幅包络信号集;
以刺激时点为时间参考0点,计算所述振幅包络信号集中第一目标肌肉群感觉上行区间信号的包络信号峰值和峰值处时延时间点、大脑皮层目标区域的皮层感知区间信号的包络信号峰值和峰值处时延时间点、第二目标肌肉群运动下行区间信号的包络信号峰值和峰值处时延时间点,获得包络信号峰值序列和对应的峰值处时延时间点序列;
通过对比所述包络信号峰值序列和预设最小信号峰值序列,包络信号峰值小于预设最小信号峰值,则其对应的峰值处时延时间点修正为预设的最大峰值处时延时间点序列中对应的最大峰值处时延时间点,得到峰值处时延时间点修正序列;
计算所述峰值处时延时间点修正序列与预设的最大峰值处时延时间点序列之间的差值序列,得到峰值处延时差值序列,即第四参数集;
对所述第四参数集进行多参数加权计算,得到当前刺激强度下的多层感知运动时延系数;
求得全部刺激强度下的所述多层感知运动时延系数,得到第四系数队列;
对所述第四系数队列进行函数拟合,得到多层感知运动时延函数曲线;
计算多层感知运动时延函数曲线和刺激强度生成函数Y(t)的相近性,得到多层感知运动时延指数。
更优地,所述峰值处时延时间点序列至少包括:
刺激的开始时点;
肌肉感知时点:至少包含一个神经电生理信号和一个血液动力学信号的峰值处时延时间点;
皮层感知时点:至少包含一个神经电生理信号和一个血液动力学信号的峰值处时延时间点;
肌肉运动时点:至少包含一个神经电生理信号和一个血液动力学信号的峰值处时延时间点。
更优地,所述肌肉皮层感知上行耦合函数曲线和肌肉皮层感知上行耦合指数的提取方法包括:
从所述第三生理信号数据集中,获得不同刺激强度下的、刺激响应观察期内神经电生理和血液动力学的感觉上行、皮层感知区间的生理状态信号作为分析计算生理状态信号数据;
对所述分析计算生理状态信号数据中的神经电生理和血液动力学方面的生理状态信号进行去基线振幅均值化处理,得到相应的相对振幅信号集;
对所述相对振幅信号集中的信号,通过希尔伯特变换,计算得到相应的振幅包络信号集;
对所述振幅包络信号集中的信号,进行交叉相关性和/或相干性计算,得到感知耦合特征系数序列,即第五参数集;
对所述第五参数集进行多参数加权计算,得到当前刺激强度下的肌肉皮层感知上行耦合系数;
求得全部刺激强度下的所述肌肉皮层感知上行耦合系数,得到第五系数队列;
对所述第五系数队列进行函数拟合,得到肌肉皮层感知上行耦合函数曲线;
计算肌肉皮层感知上行耦合函数曲线和刺激强度生成函数Y(t)的相近性,得到肌肉皮层感知上行耦合指数。
更优地,所述感知耦合特征系数序列至少包括:
第一目标肌肉群和大脑皮层目标区域的一对神经电生理状态信号之间的频谱相干系数和时序相关系数;
第一目标肌肉群和大脑皮层目标区域的一对血液动力学状态信号之间的频谱相干系数和时序相关系数;
第一目标肌肉群的一个神经电生理状态信号和一个血液动力学状态信号之间的频谱相干系数和时序相关系数;
大脑皮层目标区域的一个神经电生理状态信号和一个血液动力学状态信号之间的频谱相干系数和时序相关系数;
第一目标肌肉群的一个神经电生理状态信号和大脑皮层目标区域的一个血液动力学状态信号之间的频谱相干系数和时序相关系数;
第一目标肌肉群的一个血液动力学状态信号和大脑皮层目标区域的一个神经电生理状态信号之间的频谱相干系数和时序相关系数。
更优地,所述皮层肌肉运动反馈耦合函数曲线和皮层肌肉运动反馈耦合指数的提取方法包括:
从所述第三生理信号数据集中,获得不同刺激强度下的、刺激响应观察期内神经电生理和血液动力学的皮层感知、运动下行区间的生理状态信号作为分析计算生理状态信号数据;
对所述相对振幅信号集中的信号,通过希尔伯特变换,计算得到相应的振幅包络信号集;
对所述振幅包络信号集中的信号,进行交叉相关性和/或相干性计算,得到反馈耦合特征系数序列,即第六参数集;
对所述第六参数集进行多参数加权计算,得到当前刺激强度下的皮层肌肉运动反馈耦合系数;
求得全部刺激强度下的所述皮层肌肉运动反馈耦合系数,得到第六系数队列;
对所述第六系数队列进行函数拟合,得到皮层肌肉运动反馈耦合函数曲线;
计算皮层肌肉运动反馈耦合函数曲线和刺激强度生成函数Y(t)的相近性,得到皮层肌肉运动反馈耦合指数。
更优地,所述反馈耦合特征系数至少包括:
大脑目标皮层和第二目标肌肉群的一对神经电生理状态信号之间的频谱相干系数和时序相关系数;
大脑目标皮层和第二目标肌肉群的一对血液动力学状态信号之间的频谱相干系数和时序相关系数;
大脑目标皮层的一个神经电生理状态信号和一个血液动力学状态信号之间的频谱相干系数和时序相关系数;
第二目标肌肉群的一个神经电生理状态信号和一个血液动力学状态信号之间的频谱相干系数和时序相关系数;
大脑目标皮层的一个神经电生理状态信号和第二目标肌肉群的一个血液动力学状态信号之间的频谱相干系数和时序相关系数;
大脑目标皮层的一个血液动力学状态信号和第二目标肌肉群的一个神经电生理状态信号之间的频谱相干系数和时序相关系数。
更优地,所述基线状态期的生理状态参数计算方法包括:
从所述第三生理信号数据集中,提取第i个刺激强度下、基线状态期的生理状态信号数据,所述生理状态信号数据包括刺激强度标识、第一目标肌肉群信号组、大脑皮层目标区域信号组和第二目标肌肉群信号组;
对所述第一目标肌肉群信号组中的肌电信号和所述第二目标肌肉群信号组中的肌电信号,计算信号的振幅均值和功率谱,分别得到对应的基线状态下振幅均值、总功率和最大功率处频率,提取得到特征频段信号的功率,并求得特征频段的相对功率;
通过所述第一目标肌肉群信号组中的fNIRS信号、所述大脑皮层目标区域信号组中的fNIRS信号、所述第二目标肌肉群信号组中的fNIRS信号的HbO2、HbR和HbT浓度变化曲线信号,计算信号的振幅均值,分别得到对应的基线状态下HbO2平均浓度值、HbR平均浓度值和HbT平均浓度值;
通过第一目标肌肉群信号组中的PPG血氧信号、第二目标肌肉群信号组中的PPG血氧信号的变化曲线信号,计算信号的振幅均值,分别得到对应的基线状态下的PPG血氧平均值;
通过第一目标肌肉群信号组中的肌肉温度信号、第二目标肌肉群信号组中的肌肉温度信号的变化曲线信号,计算信号的振幅均值,分别得到对应的基线状态下的肌肉温度平均值;
通过第一目标肌肉群信号组中的加速度计信号、第二目标肌肉群信号组中的加速度计信号的变化曲线信号,计算信号的振幅均值,分别计算得到对应的基线状态下的加速度平均值;
对大脑皮层目标区域信号组中的脑电信号,计算信号的振幅均值和功率谱,得到对应的基线状态下总功率,θ节律、μ-α节律、β节律和γ节律对应频带的功率、最大功率处频率,及相对功率;
对大脑皮层目标区域信号组中的脑磁信号,计算信号的振幅均值和功率谱,得到对应的基线状态下总功率,θ节律、μ-α节律、β节律和γ节律对应频带的功率、最大功率处频率,及相对功率;
通过大脑皮层目标区域信号组中的fMIR信号的变化曲线信号,计算信号的振幅均值,得到对应的基线状态下的BOLD平均值。
更优地,所述相对变化量,计算公式如下:
更优地,所述整体血氧水平融合变化量的指标∆CHF_i,计算公式如下:
∆CHF_i=∆CHbO2_i-∆CHbR_i
其中,i为刺激强度队列中的第i个刺激强度,∆CHbO2_i、∆CHbR_i分别为当前刺激强度下的含氧血红蛋白HbO2、脱氧血红蛋白HbR的平均浓度相对变化量。
更优地,所述函数拟合的拟合方式和计算公式如下:
更优地,所述特征函数曲线YF(t)和刺激强度生成函数Y(t)的相近性,计算公式如下:
更优地,还包括对照数据库的建立步骤:
依据刺激方案施加刺激,并启动刺激安全监测;
依次获取健康测试对象或感觉运动功能障碍者测试对象感觉上行通路上第一目标肌肉群的第一生理状态信号、大脑皮层目标区域的第二生理状态信号和运动下行通路上第二目标肌肉群的第三生理状态信号;
对所述第一生理状态信号、所述第二生理状态信号和所述第三生理状态信号分别进行预处理和分帧处理,获得第一生理信号数据集;
筛选所述第一生理信号数据集中的合格试次的数据并对该数据叠加平均处理,获得第二生理信号数据集;
对所述第二生理信号数据集进行目标部位多通道数据的区间定义及选择融合,获得第三生理信号数据集;
对所述第三生理信号数据集进行时频分析、融合分析和耦合分析,获得第一状态表征曲线集和第一状态特征指数集;
形成健康测试对象和感觉运动功能障碍者测试对象的对照数据库。
更优地,还包括基于测试对象的肌肉感知上行指数、皮层感知响应指数、肌肉运动反馈指数、多层感知运动时延指数、肌肉皮层感知上行耦合指数和皮层肌肉运动反馈耦合指数,生成感觉运动功能雷达图的步骤。
一种感觉运动功能的检测量化系统,包括:
刺激管理模块,用于设置、执行、监测、管理刺激方案和刺激队列;根据刺激队列的执行计划对目标区域进行按序刺激,并对被试刺激的安全性进行应激反馈监测;
生理状态信号采集记录模块,用于依次获取测试对象感觉上行通路上第一目标肌肉群的第一生理状态信号、大脑皮层目标区域的第二生理状态信号和运动下行通路上第二目标肌肉群的第三生理状态信号;
生理状态信号处理模块,用于对所述第一生理状态信号、所述第二生理状态信号和所述第三生理状态信号分别进行预处理和分帧处理,获得第一生理信号数据集;筛选所述第一生理信号数据集中的合格试次的数据并对该数据叠加平均处理,获得第二生理信号数据集;以及,对所述第二生理信号数据集进行目标部位多通道数据的区间定义及选择融合,获得第三生理信号数据集;
特征提取及融合耦合分析模块,用于对所述第三生理信号数据集进行时频分析、融合分析和耦合分析,得到第一状态表征曲线集和第一状态特征指数集;
对比评价及结果输出模块,用于将当前测试对象的所述第一状态表征曲线集和所述第一状态特征指数集与对照数据库中的第一状态表征曲线集和第一状态特征指数集进行比对,获得当前测试对象的感觉运动功能状态量化评估结果,其中,所述对照数据库中的第一状态表征曲线集和第一状态特征指数集为与当前测试对象同年龄段、同性别的健康测试对象和感觉运动功能障碍者测试对象的第一状态表征曲线集和第一状态特征指数集。
更优地,所述刺激管理模块包括:
刺激设置子单元:用于根据刺激方案,完成刺激队列的设置,所述刺激方案至少包括刺激部位、刺激类型、刺激方式、刺激频率、刺激强度、刺激时长、刺激间隔、刺激区域、刺激数量、刺激分组和/或刺激顺序;
执行管理子单元:用于响应所述刺激方案,启动刺激队列进行循环刺激,并启动目标部位的生理状态信号采集和记录;
安全监测子单元:用于根据安全监测设置,对刺激队列进行调整或中断刺激。
更优地,所述生理状态信号采集记录模块包括:
基础信息采集子单元:用于接收采集测试对象的基本信息,所述基本信息包括但不限于ID、性别、年龄、职业、惯用手、生理功能状况和/或健康状况;
采集通讯设置子单元:用于接收并设定采集设备或传感器的基本采集参数,所述基本采集参数包括但不限于模态属性、通道数、通道位置和/或采样率;以及,用于实现采集设备或传感器与检测量化系统之间的数据通讯连接;
数据存储子单元:用于接收并存储来自刺激信号、各采集设备或传感器的生理状态信号。
更优地,所述生理状态信号处理模块包括:
信号预处理子单元:用于对所述第一生理状态信号、所述第二生理状态信号和所述第三生理状态信号进行预处理,所述预处理包括A/D转换、下采样、降噪、去伪迹、陷波和/或滤波;
分帧截取子单元:用于对所述第一生理状态信号、所述第二生理状态信号和所述第三生理状态信号进行分帧截取,获取第一生理信号数据集;
数据筛选及叠加平均子单元:用于识别所述第一生理信号数据集中的试次数据,筛选所述第一生理信号数据集中的合格试次的数据,并对同一刺激强度、同一模态、多通道的多试次生理状态信号中的合格试次的数据进行叠加平均,获取所述第二生理信号数据集;
区间定义及选择融合子单元:用于对所述第二生理信号数据集中同一目标部位、同一刺激强度、同一模态的多通道生理状态信号数据进行区间定义及选择融合,获取所述第三生理信号数据集。
更优地,所述特征提取及融合耦合分析模块包括:
时频特征分析子单元:用于对所述第三生理信号数据集中的生理状态信号进行信号振幅均值、信号包络、信号峰值、信号变化量及相对变化量、功率谱分析、特征频带功率和相对功率变化量、特征频带最大功率处频率的时频特征分析,并提取肌肉感知上行函数曲线和指数、皮层感知响应函数曲线和指数、肌肉运动反馈函数曲线和指数;
融合特征分析子单元:用于实现对第三生理信号数据集中的生理状态信号的时序特征分析,并提取多层感知运动时延函数曲线和指数;
耦合特征分析子单元:用于实现对所述第三生理信号数据集中的生理状态信号的时序和频谱特征耦合关联分析,包括时序相关系数和频谱相干系数,并提取肌肉皮层感知上行耦合函数曲线和指数,以及皮层肌肉运动反馈耦合函数曲线和指数。
更优地,所述对比评价及结果输出模块包括:
对照数据库子单元:用于建立、存储、更新与管理健康测试对象和感觉运动功能障碍者测试对象的基本信息,所述第一状态表征曲线集和所述第一状态特征指数集构成对照数据库信息;
对比评价子单元:用于将当前测试对象的所述第一状态表征曲线集和/或所述第一状态特征指数集生成雷达图、线趋势图和/或数据表,供对比评价;
结果输出子单元:用于储存特征分析过程数据和结果,并生成图表、数据表和/或CSV格式文件以供导出和/或输出。
本发明提供一种感觉运动功能的检测量化方法,可以准确高效地识别感觉运动功能的功能状态水平,通过肌肉反馈和运动系统、神经系统和血液循环系统的融合及耦合定量分析,便于对感觉运动功能障碍者感觉运动功能的恢复情况的准确评估,以便为治疗康复方案提供更加精准的参考依据。
本发明还提供了一种感觉运动功能的检测量化系统,用于执行上述检测量化方法,可以准确地评估感觉运动功能障碍者的恢复情况。
附图说明
图1为本发明提供的一种感觉运动功能的检测量化方法的流程图;
图2为本发明提供的一种感觉运动功能的检测量化系统的系统架构图;
图3为刺激强度曲线示意图;
图4为肌肉生理状态信号采集点示意图一;
图5为肌肉生理状态信号采集点示意图二;
图6大脑皮层生理状态信号采集点示意图。
具体实施方式
为了更清楚地说明本发明的目的和技术方案,下面将结合本发明申请实施例中的附图,对本发明进行进一步介绍说明。显而易见地,下面描述的实施例仅是本发明一部分实施例,而不是全部的实施例。在没有创造性劳动前提下,本领域普通技术人员基于本发明的实施例所得到的其他实施例,都应属于本发明的保护范围。
如图1所示,本发明实施例提供的一种感觉运动功能的检测量化方法,包括如下步骤:
步骤P001:按照刺激方案的设计设置,对被试肢体远端手足实施不同强度的刺激,启动刺激安全监测;
步骤P002:先后获取被试的感觉上行通路上第一目标肌肉群的生理状态信号、大脑皮层目标区域的生理状态信号、运动下行通路上第二目标肌肉群的生理状态信号;
步骤P003:对上述生理状态信号进行预处理,分帧处理,剔除异常试次,多试次数据叠加平均,多通道数据选择融合,得到生理状态信号融合矩阵;
步骤P004:对上述生理状态信号观测矩阵中的生理状态信号进行时频分析、融合分析和耦合分析,提取不同刺激强度下的多层次生理状态特征表征系数,获得全部刺激强度下的相应表征曲线和特征指数;
步骤P005:对比同年龄段同性别的健康测试对象和感觉运动功能障碍者测试对象的上述生理状态特征表征的曲线和指数,评估当前被试的感觉运动功能状态、康复进展或障碍情况。
可以理解的是,将当前测试对象的生理状态特征表征的曲线和指数同健康测试对象的曲线和指数进行对比,可以获得当前测试对象的感觉运动功能的障碍情况;而将当前测试对象的生理状态特征表征的曲线和指数同感觉运动功能障碍者测试对象(不同障碍程度)的曲线和指数进行对比,可以更准确的评估当前测试对象的感觉运动功能的障碍程度;另外,将当前测试对象的生理状态特征表征的曲线和指数同当前测试对象的历史测试中生理状态特征表征的曲线和指数进行对比,可以更准确的评估当前测试对象的感觉运动功能的恢复康复进展和治疗干预效果。
如图2所示,本发明实施例提供的一种感觉运动功能的检测量化系统,包括:
刺激管理模块S100
用于设计设置、执行、监测和管理的刺激方案和刺激队列;根据刺激队列的执行计划设置对目标区域进行按序刺激,并对被试刺激的安全性进行应激反馈监测。包括以下三个子单元:
刺激设置子单元:用于根据刺激方案,完成刺激队列的设置,所述刺激方案至少包括刺激部位、刺激类型、刺激方式、刺激频率、刺激强度、刺激时长、刺激间隔、刺激区域、刺激数量、刺激分组和/或刺激顺序;
执行管理子单元:用于响应所述刺激方案,启动刺激队列进行循环刺激,并启动目标部位的生理状态信号采集和记录;
安全监测子单元:用于根据安全监测设置,对刺激队列进行调整或中断刺激。
生理状态信号采集记录模块S300
用于采集记录感觉上行通路上第一目标肌肉群、大脑皮层目标区域和运动下行通路上第二目标肌肉群的生理状态信号。包括以下三个子单元:
基础信息采集子单元:用于接收采集测试对象的基本信息,包括但不限于ID、性别、年龄、职业、惯用手、生理功能状况和/或健康状况;
采集通讯设置子单元:用于接收并设定采集设备或传感器的基本采集参数,所述基本采集参数包括但不限于模态属性、通道数、通道位置和/或采样率;以及,用于实现采集设备或传感器与检测量化系统之间的数据通讯连接;
数据存储子单元:用于接收并存储来自刺激信号、各采集设备或传感器的生理状态信号。
生理状态信号处理模块S500
用于多模态多通道生理状态信号的预处理、分帧处理、数据筛选及叠加平均和区间定义及选择融合。包括以下四个子单元:
信号预处理子单元:用于对多模态多通道生理状态信号进行预处理,包括A/D转换、下采样、降噪、去伪迹、陷波和/或滤波;
分帧截取子单元:用于多模态多通道生理状态信号进行分帧截取,获取生理状态信号原始矩阵;
数据筛选及叠加平均子单元:用于识别生理状态信号原始矩阵的不同试次数据,剔除异常试次数据,并对同一刺激强度、同一模态、多通道的多试次生理状态信号数据进行叠加平均,获取生理状态信号加工矩阵;
区间定义及选择融合子单元:用于对生理状态信号加工矩阵中同一目标部位、同一刺激强度、同一模态的多通道生理状态信号数据进行区间定义及选择融合,获取生理状态信号融合矩阵。
特征提取及融合耦合分析模块S700
用于从生理状态信号融合矩阵中多模态多通道的生理状态信号进行时频特征提取、多模态融合分析和多目标耦合分析,提取述各表征函数曲线和指数,包括肌肉感知上行函数曲线和指数、皮层感知响应函数曲线和指数、肌肉运动反馈函数曲线和指数、多层感知运动时延函数曲线和指数、肌肉皮层感知上行耦合函数曲线和指数和皮层肌肉运动反馈函数耦合曲线和指数。包括以下三个子单元:
时频特征分析子单元:用于对生理状态信号融合矩阵中的生理状态信号进行信号振幅均值、信号包络、信号峰值、信号变化量及相对变化量、功率谱分析、特征频带功率和相对功率变化量、特征频带最大功率处频率的时频特征分析,并提取肌肉感知上行函数曲线和指数、皮层感知响应函数曲线和指数、肌肉运动反馈函数曲线和指数;
融合特征分析子单元:用于实现对生理状态信号融合矩阵中的生理状态信号的时序特征分析,并提取多层感知运动时延函数曲线和指数;
耦合特征分析子单元:用于实现对生理状态信号融合矩阵中的生理状态信号的时序和频谱特征耦合关联分析,包括时序相关系数和频谱相干系数,并提取肌肉皮层感知上行耦合函数曲线和指数,以及皮层肌肉运动反馈耦合函数曲线和指数。
对比评价及结果输出模块S900
用于被试感觉运动功能检测量化上述各表征函数曲线和指数,对比同年龄段同性别的健康被试和感觉运动功能障碍者的对照数据库,评估当前被试的感觉运动功能状态、康复进展或障碍情况。包括以下三个子单元:
对照数据库子单元:用于建立、存储、更新与管理对照数据库。
对比评价子单元:用于将述各表征函数曲线和指数生成雷达图、线趋势图和/或数据表,供对比评价;
结果输出子单元:用于储存所有特征分析过程数据和结果,并生成图表、数据表和/或CSV格式文件以供导出和/或输出。
为了更加详尽的阐述方案内容,下面就本方案的具体情况予以详细说明。
P001:按照刺激方案的设计设置,对被试肢体远端手足实施不同强度的刺激,启动刺激安全监测和观测。
本实施例中,根据被试或感觉运动功能障碍者的状态和检测要求,完成刺激方案的基本设计设置,主要包括刺激的部位、类型、方式、频率、强度、时长、间隔、数量、分组和顺序等。
本实施例中,如图4所示,刺激部位的选择,通常是手足末端,如手指、手心、手背、脚趾、足底、足背等功能障碍侧、感受器富集、感觉运动皮质感受野大的部位;刺激类型的选择,主要是温、痛、触觉等浅感觉;刺激方式的选择,通常是冰-温水、电刺激、针刺、震动、毛刷刺激。
本实施例中,刺激强度指代程度,如冰-温水刺激的刺激强度应当理解为刺激时的温度,电刺激的刺激强度应当理解为电流大小,针刺的刺激强度应当理解为压力或压强大小,震动刺激的刺激强度应当理解为能量大小等;
刺激强度的选择,刺激强度是刺激队列生成和检测量化依据的关键参考指标,刺激强度队列由曲线函数生成,可以是指数,线性和其他显性单调递增函数曲线、单调递减函数曲线或对称U型函数曲线。刺激强度需要在适当范围,保证被试人身安全和神经免受过量冲击。
本实施例中,刺激间隔的选择,需要足够长的刺激间隔,使得被试在接受上一次刺激、应激和测试后能够恢复到静息态水平。如功能性磁共振成像fMRI检测中活动皮层BOLD信号的峰值出现在刺激后的5~8秒,并且回到基线水平需要同样的时间,则刺激间隔的选择应大于10秒。可以理解的是,具体的间隔时长需要根据实际刺激类型、刺激强度和个体情况进行设定,作为一个原则,以被测试者在接受上一次刺激、应激和测试后能够恢复到静息态水平为准。
本实施例中,刺激方案设计参数:刺激部位为右手食指;采用频率50Hz,电流强度0-20ma的tACS电刺激来实现痛觉刺激方式。刺激强度(电流强度)等级,由线性函数Y(t)生成,分为8个等级(1.0、3.0、5.0、7.0、9.0、11.0、13.0、15.0毫安),如附图3刺激强度曲线示意图;刺激队列由15个组成,每个组由8次不同的、递增强度的电刺激(刺激时长为40毫秒,刺激间隔为20秒)试次组成,组间休息20秒。
本实施例中,刺激强度生成函数Y(t)为线性递增函数:
本实施例中,要求被试在感知到刺激0.5s后,就进行一次右手的食指中指无名指的同时伸指运动。
本实施例中,刺激安全监测和观测的设置方案如下:
根据刺激实施进程和被试应激反应情况,对刺激设计设置进行快速调整。若监测到刺激强度过大,可能会给被试带来安全风险,则降低刺激强度或终止刺激;若监测到刺激强度过小,可以在安全范围内,增加刺激强度或调整刺激强度的阶梯增量;
作为一种方式,可以对测试者的神经电生理信号进行监控并判断是否超过最大振幅阈值,当超过最大振幅阈值则判断为刺激强度过大,需进行调整强度或终止刺激,当未超过最大振幅阈值时,则判断为刺激强度在安全范围内;
作为一种其他实施方式,还可以对测试者的面部表情和肢体行为进行实时观测,当观察到测试者面部表情出现痛苦等表情或肢体出现异常动作时,则判断刺激强度过大,否则判断刺激强度在安全范围内,以此来实现安全性的监督和保障;可以理解的是,上述面部表情和肢体的异常动作可根据本领域的公知常识进行判定,无特殊要求。
P002:先后获取被试的感觉上行通路上目标肌肉群的生理状态信号、大脑皮层目标区域的生理状态信号、运动下行通路上目标肌肉群的生理状态信号。
通常情况下,一个目标部位生理状态信号至少包括一个神经电生理状态信号和一个血液动力学状态信号,辅助采集PPG血氧、温度和运动加速度等信息。神经电生理以具有高时间分辨率的EMG肌电图(肌肉生理状态信号)、EEG脑电图或MEG脑磁图(皮层生理状态信号)为主,血液动力学方向则以fNIRS功能性近红外光谱成像(肌肉+皮层生理状态信号),fMIR功能性磁共振成像(皮层生理状态信号)为主。值得注意的是,需要注意电磁设备的安全搭配使用。
本实施例中,目标部位生理状态信仅选择一组多通道神经电生理状态信号(EMG或EEG)和一组多通道血液动力学状态信号(fNIRS),作为实施例的详细说明和方法阐述,同时MEG、fMIR、PPG-SPO2、温度和运动加速度等生理状态信号可以轻易地按照类似方法方式完成实施。
目标肌肉群的选择,根据刺激部位来确定。若刺激右手食指,则选择右手的指浅屈肌和指伸肌作为目标肌肉群。一般情况下,运动下行通路上的目标肌肉群与感觉上行通路上的目标肌肉群,选择刺激部位同一侧的、不同的肌肉群或是同一个肌肉群的不同通道。
本实施例中,被试生理状态信号的采集目标部位或区域选择:以右手前臂的指浅屈肌作为感觉上行通路上目标肌肉群,以皮层中央感觉区域作为大脑皮层目标区域,以右手前臂的指伸肌作为运动下行通路上目标肌肉群。
本实施例中,目标肌肉群的肌肉生理状态信号采集参数为:
1)神经电生理信号,采用EMG肌电图,采样率为2048Hz,4通道(2个位于指浅屈肌纵向中心轴两侧EMG31和EMG32,2个位于指伸肌纵向中心轴两侧EMG41和EMG42),参考电极点位于上臂肱二头肌中心;
2)血液动力学信号,采用连续波fNIRS的BOLD信号,采样率为10Hz,由2个光源S和8个探测器D组成的2个采样组(1组位于指浅屈肌中心S3-D31-D32-D33-D34,1组位于指伸肌中心S4-D41-D42-D43-D44),每个采集组由1个光源S和4个探测器D组成,光源和探测器的距离SDD为2.5cm;
EMG电极和fNIRS光极的位置,如图4肌肉生理状态信号采集点示意图一和图5肌肉生理状态信号采集点示意图二。
本实施例中,大脑皮层目标区域的皮层生理状态信号采集参数为:
1)神经电生理信号,使用Ag/AgCl电极采集EEG脑电图,采样率为2048Hz,使用24位A/D转换器,基于国际10-20系统脑电电极放置标准的6个采集点(C3、CZ、C4、P3、PZ、P4),以右耳垂参考电极点;
2)血液动力学信号,采用连续波fNIRS的BOLD信号,采样率为10Hz,由2个光源S和8个探测器D组成的2个采样组(1组位于大脑左半球S1-D11-D12-D13-D14,1组位于大脑右半球S2-D21-D22-D23-D24),每个采集组由1个光源S和4个探测器D组成,光源和探测器的距离SDD为2.5cm;
EEG电极和fNIRS光极的位置,如图6大脑皮层生理状态信号采集点示意图。
P003:对上述生理状态信号进行预处理,分帧处理,剔除异常试次,多试次数据叠加平均,多通道数据选择融合,得到生理状态信号融合矩阵。
如刺激时间过长,刺激方案可以分为多批次来执行,而生理状态信号的采集记录可以保持。刺激前三个目标群的生理状态信号-开始刺激-三个目标群的生理状态信号采集-刺激后间隔,构成一个完整检测试次。
本实施例中,对肌电图EMG信号、脑电图EEG信号和功能性近红外光谱成像BOLD信号分别进行预处理:
1)对4个肌电信号EMG31、EMG32、EMG41和EMG42分别进行A/D数据转换,降采样至1024Hz,采用db4小波基、4层分解的离散小波降噪,通过hamming窗、零相位的FIR数字滤波器完成工频(50Hz、100Hz、150Hz、200Hz和250Hz)陷波处理和通带(10-250Hz)滤波,提取高频段(30-200Hz)的特征信号;
2)对6个脑电信号C3、CZ、C4、P3、PZ和P4分别进行A/D数据转换,降采样至1024Hz,采用db4小波基、4层分解、SURE阈值法的离散小波降噪,通过hamming窗、零相位的FIR数字滤波器完成工频(50Hz、100Hz、150Hz、200Hz和250Hz)陷波处理和通带(1-250Hz)滤波,并提取θ节律(4-8Hz)、μ-α节律(8-13Hz)、β节律(13-30Hz)和γ节律(30-75Hz)四个频带信号;
3)对4组(S1、S2、S3、S4)的功能性近红外光谱成像BOLD信号分别进行获取光强度并转换为光密度(OD),去除坏通道,去伪影处理和信号矫正,使用修正的比尔-朗伯定律将光密度或吸光度的变化会转化为含氧血红蛋白HbO2和脱氧血红蛋白HbR的浓度,通过hamming窗、零相位的FIR数字滤波器完成0.01-0.35Hz的通带滤波,提取HbO2和HbR浓度变化曲线(信号)。
本实施例中,以刺激点为0点,以刺激开始前2s和结束后13s进行多模态多通道数据对齐截取和分帧处理,并标识刺激强度;通过识别出伪迹并标记邻近的试次,剔除无法校正的无效试次数据,包括被试者过大体动带来的无法校正生理状态信号的,一定数量的电极或光极接触松动甚至脱落,刺激试次中断等;对同一强度刺激下的各模态各通道合格试次的生理状态信号进行平均叠加,得到不同强度下的多模态多通道生理状态信号矩阵SMef_chs。
本实施例中,将刺激开始前2s的生理状态划为基线状态期;刺激后0.0-1.6秒划为肌电响应观察感觉上行区间,刺激后0.1-1.7秒划为脑电响应观察皮层感知区间,刺激后0.4-2.0秒划为肌电响应观察运动下行区间;刺激后2-12秒划为功能性近红外光谱成像BOLD血氧水平响应观察感觉上行区间,刺激后2-12秒划为功能性近红外光谱成像BOLD血氧水平响应观察皮层感知区间,刺激后2-12秒划为功能性近红外光谱成像BOLD血氧水平响应观察运动下行区间;刺激周期(20秒)的后8秒,作为刺激间隔期。
本实施例中,基于多模态多通道生理状态信号矩阵SMef_chs,采用多通道信号的平均作为特征分析计算信号,详细如下:
1)右手前臂指浅屈肌的生理状态信号中,肌电信号EMG3等于EMG31和EMG32的平均叠加,而HbO2和HbR相对浓度变化曲线(信号)等于S3所有有效通道的平均叠加;
2)右手前臂指伸肌的生理状态信号中,肌电信号EMG4等于EMG41和EMG42的平均叠加,而HbO2和HbR浓度变化曲线(信号)等于S4所有有效通道的平均叠加;
3)皮层的生理状态信号中,脑电信号选择C3通道,而HbO2和HbR相对浓度变化曲线(信号)等于S1所有有效通道的平均叠加;
最终得到不同强度下的多模态计算生理状态信号矩阵SMF。
多通道数据的平均叠加融合公式:其中,XF为多模态计算生理状态信号矩阵SMF中一模态特征分析计算信号;N为多模态多通道生理状态信号矩阵SMef_chs中该模态的有效通道数;Xi为多模态多通道生理状态信号矩阵SMef_chs中该模态下的第i通道信号。
P004:对上述生理状态信号观测矩阵中的生理状态信号进行时频分析、融合分析和耦合分析,提取不同刺激强度下的多层次生理状态特征表征系数,获得全部刺激强度下的相应表征曲线和特征指数。
本实施例中,基线状态期生理状态特征参数的提取具体计算方法如下:
第一步,从多模态计算生理状态信号矩阵SMF中,提取第i个刺激强度下、基线状态期区间的生理状态信号序列SMi,包括刺激强度标识,感知上行肌电信号EMG3和BOLD3信号组(S3的HbO2和HbR浓度变化曲线),皮层感知脑电信号EEG_C3(C3通道)和BOLD1信号组(S1的HbO2和HbR浓度变化曲线),以及运动下行肌电信号EMG4和BOLD4信号组(S4的HbO2和HbR浓度变化曲线);
第二步,使用傅里叶变换的周期法,计算感知上行和运动下行的肌电信号功率谱PM_R3i和PM_R4i,积分提取得到特征频段(30-200Hz)信号的功率PMF_R3i和PMF_R4i,并求得特征频段(30-200Hz)的相对功率iPMF_R3i和iPMF_R4i;
第三步,使用傅里叶变换的周期法计算脑电信号EEG_C3的功率谱PC3_Ri,以及θ节律(4-8Hz)、μ-α节律(8-13Hz)、β节律(13-30Hz)和γ节律(30-75Hz)四个频带的功率Pθ_Ri、Pμɑ-Ri、Pβ_Ri、Pγ_Ri,并求得此四个特征频段的相对功率iPθ_Ri、iPμɑ-Ri、iPβ_Ri、iPγ_Ri;
特征频段的相对功率计算公式:
其中,Pf1-f2是频率区间[f1,f2]的信号功率,Pall是整个信号的总功率;如,
第四步,通过HbO2和HbR浓度变化曲线,分别计算得到各个目标部位的基线状态下HbO2的平均浓度值和HbR的平均浓度值,如下:
本实施例中,肌肉感知上行函数曲线和肌肉感知上行指数的提取具体计算方法如下:
第一步,从多模态计算生理状态信号矩阵SMF中,提取第i个刺激强度下、感觉上行区间的生理状态信号序列SMi,包括刺激强度标识,感知上行肌电信号EMG3和BOLD3信号组(S3的HbO2和HbR浓度变化曲线);
第二步,使用傅里叶变换的周期法,计算不同刺激强度下的感知上行肌电信号EMG3特征频段(30-200Hz)功率PMF3i,功率变化量△PMF3i,相对功率iPMF3i和相对功率变化量△iPMF3i,计算公式如下:
其中,i为刺激强度队列中的第i个刺激强度,PMF_R3i和iPMF_R3i分别为对应的基线状态下特征频段功率和相对功率;
第三步,计算不同刺激强度下的感知上行fNIRS信号BOLD3中含氧血红蛋白HbO2和脱氧血红蛋白HbR的平均浓度和,相对浓度变化量△CHbO2_3i,△CHbR_3i和整体血氧水平变化量△CHF_3i,相关计算公式如下:
第四步,以△PMF3i,△iPMF3i和△CHF_3i为基础参数,通过加权计算得到当前刺激强度下的肌肉感知上行系数MSFi,计算公式如下:
MSFi=zMF1*△PMF3i+zMF2*△iPMF3i+zMF3*△CHF_3i.............................(10)
其中,i为刺激强度队列中的第i个刺激强度,zMF1,zMF2,zMF3为权重系数;
本实施例中,根据刺激属性、模态信号的属性及其指标的特异性和敏感性、以及刺激带来生理反应规律等综合因素,zMF1,zMF2,zMF3分别取0.4,0.2和0.4;
第五步,根据上述四步方法,得到全部刺激强度下的肌肉感知系数队列MSF{MSF1,...,MSFN,N为刺激强度等级数量};对MSF进行线性拟合,得到肌肉感知上行函数曲线YMSF(t),形式如下:
第六步,通过计算肌肉感知上行函数曲线YMSF(t)和刺激强度生成函数Y(t)的相近性,得到肌肉感知上行指数Ims,计算公式如下:
其中,
本实施例中,皮层感知响应函数曲线和皮层感知响应指数的提取具体计算方法如下:
第一步,从多模态计算生理状态信号矩阵SMF中,提取第i个刺激强度下、感觉上行区间的生理状态信号序列SMi,包括刺激强度标识,皮层感知脑电信号EEG_C3(C3通道)和BOLD1信号组(S1的HbO2和HbR浓度变化曲线);
第二步,使用傅里叶变换的周期法,计算不同刺激强度下的皮层感知脑电信号EEG_C3三个特征频段的功率Pμɑ_i、Pβ_i和Pγ_i,功率变化量△Pμɑ_i、△Pβ_i和△Pγ_i,相对功率iPμɑ_i、iPβ_i和iPγ_i,以及相对功率变化量△iPμɑ_i、△iPβ_i和△iPγ_i,计算公式同前△PMF3i;
并融合得到脑电总特征功率变化量△PBFi和相对功率变化量△iPBFi,计算公式如下:
值得说明的是,大量研究发现,感觉运动期间,大脑响应感觉运动皮层中μ-α节律和β节律会受到抑制,而γ节律会得到增强;
其中,i为刺激强度队列中的第i个刺激强度,zBF1,zBF2,zBF3为权重系数且分别取0.4,0.2和0.4;
第五步,根据上述四步方法,得到全部刺激强度下的皮层感知响应系数队列BSF{BSF1,...,BSFN,N为刺激强度等级数量};对BSF进行线性拟合,得到皮层感知响应函数曲线YBSF(t),形式如下:
第六步,通过计算皮层感知响应函数曲线YBSF(t)和刺激强度生成函数Y(t)的相近性,得到皮层感知响应指数Ibs,计算公式同前Ims。
本实施例中,肌肉运动反馈函数曲线和肌肉运动反馈指数的提取具体计算方法如下:
第一步,从多模态计算生理状态信号矩阵SMF中,提取第i个刺激强度下、运动下行区间的生理状态信号序列SMi,包括刺激强度标识,运动下行肌电信号EMG4和BOLD4信号组(S4的HbO2和HbR浓度变化曲线);
第二步,使用傅里叶变换的周期法,计算不同刺激强度下的运动下行肌电信号EMG4特征频段(30-200Hz)功率PMF4i,功率变化量△PMF4i,相对功率iPMF4i和相对功率变化量△iPMF4i,计算公式同前△PMF3i;
其中,i为刺激强度队列中的第i个刺激强度,zMF1,zMF2,zMF3为权重系数且分别取0.4,0.2和0.4;
第五步,根据上述四步方法,得到全部刺激强度下的肌肉运动反馈系数队列MMF{MMF1,...,MMFN,N为刺激强度等级数量};对MMF进行线性拟合,得到肌肉运动反馈函数曲线YMMF(t),形式如下:
本实施例中,多层感知运动时延函数曲线和多层感知运动时延指数的提取具体计算方法如下:
第一步,从多模态计算生理状态信号矩阵SMF中,提取第i个刺激强度下、基线状态期区间的生理状态信号序列SMi,包括刺激强度标识,感知上行肌电信号EMG3和BOLD3信号组(S3的HbO2和HbR浓度变化曲线),皮层感知脑电信号EEG_C3(C3通道)和BOLD1信号组(S1的HbO2和HbR浓度变化曲线),以及运动下行肌电信号EMG4和BOLD4信号组(S4的HbO2和HbR浓度变化曲线)。
去基线振幅均值化处理的计算公式如下:
第四步,以刺激时点为0点,计算感觉上行区间,皮层感知区间和运动下行区间的各自对应振幅包络信号中各自峰值Femg3i,Femg4i,Feegi,以及峰值处时间时点Temg3i,Temg4i,Teegi,即是神经电生理信号峰值延时时间点;
第五步,按照上述四步方法,计算BOLD1、BOLD3和BOLD4信号的HbO2和HbR相对浓度变化曲线(信号)和,和,和,计算整体相对浓度变化量曲线(信号),和;以刺激时点为0点,计算感觉上行区间,皮层感知区间和运动下行区间的各自整体相对浓度变化量曲线(信号)的各自峰值FHF_1i,FHF_3i和FHF_4i,以及峰值处对应时间时点THF_1i,THF_3i和THF_4i,即是血液动力学BOLD信号峰值延时时间点;
第六步,通过预设最小信号峰值阈值序列和最大峰值处时延队列值,对当前峰值序列和时延时间序列进行比对和校正,如果当前峰值小于预设最小信号峰值阈值,则其对应的峰值处时延时间点修正为对应的最大峰值处时延时间点;
第七步,对比预设的最大峰值处时延队列值Tdl_0{Temg3_0,Teeg_0,Temg4_0,THF_30,THF_10,THF_40}和校正后的时延时间序列Tdl_i{Temg3i,Teegi,Temg4i,THF_3i,THF_1i,THF_4i},计算得到时延差值序列∆Tdl_i{∆Temg3i,∆Teegi,∆Temg4i,∆THF_3i,∆THF_1i,∆THF_4i},计算公式如下:
∆Tdl_i=Tdl_0-T_dl_i............................................(23)
第八步,求时延差序列∆Tdl_i的平均值,即对时延差序列∆Tdl_i进行加权计算且所有参数权重都一样的,得到当前刺激强度下的多层感知运动时延特征系数TDFi;
第九步,根据上述八步方法,得到全部刺激强度下的时延特征系数队列TDF{TDF1,…,TDFN,N为刺激强度等级数量};对TDF进行线性拟合,得到多层感知运动时延函数曲线YTDF(t),形式如下:
YTDF(t)=Ktd*t+εtd,t=(1,2,…,N)..................(24)
第十步,通过计算多层感知运动时延函数曲线YTDF(t)和刺激强度生成函数Y(t)的相近性,得到多层感知运动时延指数Itd,计算公式同前Ims。
本实施例中,肌肉皮层感知上行函数曲线和肌肉皮层感知上行指数的提取具体计算方法如下:
第一步,从多模态计算生理状态信号矩阵SMF中,提取第i个刺激强度下、基线状态期区间的生理状态信号序列SMi,包括刺激强度标识,感知上行肌电信号EMG3和BOLD3信号组(S3的HbO2和HbR浓度变化曲线),皮层感知脑电信号EEG_C3(C3通道)和BOLD1信号组(S1的HbO2和HbR浓度变化曲线);
第五步,计算和的时序皮尔逊相关系数CORSGFi和频谱相干性系数CXYSGFi,和的时序皮尔逊相关系数CORSHFi和频谱相干性系数CXYSHFi;计算和的时序皮尔逊相关系数CORSGF3i和频谱相干性系数CXYSGF3i,和的时序皮尔逊相关系数CORSHF1i和频谱相干性系数CXYSHF1i;计算和的时序皮尔逊相关系数CORSGHF31i和频谱相干性系数CXYSGHF31i,和的时序皮尔逊相关系数CORSGHF32i和频谱相干性系数CXYSGHF32i;通过加权计算得到当前刺激强度下的肌肉皮层上行感知耦合系数COSFi,计算公式如下:
COSFi=zcosf1*CORSGFi+zcosf2*CORSHFi+zcosf3*CORSGF3i+zcosf4*CORSHF1i+zcosf5*CORSGHF31i+zcosf6*CORSGHF32i+zcosf7*CXYSGFi+zcosf8*CXYSHFi+zcosf9*CXYSGF3i+zcosf10*CXYSHF1i+zcosf11*CXYSGHF31i+zcosf12*CXYSGHF32i...............................(25)
其中,为刺激强度队列中的第个刺激强度zcosf1,zcosf2,zcosf3,zcosf4,zcosf5,zcosf6,zcosf7,zcosf8,zcosf9,zcosf10,zcosf11,zcosf12为权重系数且分别取0.15,0.15,0.08,0.08,0.03,0.03,0.15,0.15,0.07,0.07,0.02,0.02;
对于离散时序信号X(t)和Y(t),皮尔逊相关系数r的计算公式如下:
对于离散时序信号X(t)和Y(t),频谱相干性系数Cxy的计算公式如下:
其中,Sxy(f)、Sxx(f)、Syy(f)分别为X(t)和Y(t)两个信号的互谱功率密度,X(t)的自谱功率密度和Y(t)的自谱功率密度;
第六步,根据上述五步方法,得到全部刺激强度下的肌肉皮层感知上行耦合系数队列COSF{COSF1,…,COSFN,N为刺激强度等级数量};对COSF进行线性拟合,得到肌肉皮层感知上行耦合函数曲线YCOSF(t),形式如下:
YCOSF(t)=Kcosf*t+εcosf,t=(1,2,…,N)..................(28)
第七步,通过计算肌肉皮层感知上行耦合函数曲线YCOSF(t)和刺激强度生成函数Y(t)的相近性,得到肌肉皮层感知上行耦合指数Icosf,计算公式同前Ims。
本实施例中,皮层肌肉运动反馈函数曲线和皮层肌肉运动反馈指数的提取具体计算方法如下:
第一步,从多模态计算生理状态信号矩阵SMF中,提取第i个刺激强度下、基线状态期区间的生理状态信号序列SMi,包括刺激强度标识,皮层感知脑电信号EEG_C3(C3通道)和BOLD1信号组(S1的HbO2和HbR浓度变化曲线),运动下行肌电信号EMG4和BOLD4信号组(S4的HbO2和HbR浓度变化曲线);
第五步,计算和的时序皮尔逊相关系数CORMGFi和频谱相干性系数CXYMGFi,和的时序皮尔逊相关系数CORMHFi和频谱相干性系数CXYMHFi;计算和的时序皮尔逊相关系数CORMGF4i和频谱相干性系数CXYMGF4i,和的时序皮尔逊相关系数CORMHF1i和频谱相干性系数CXYMHF1i;计算和的时序皮尔逊相关系数CORMGHF41i和频谱相干性系数CXYMGHF41i,和的时序皮尔逊相关系数CORMGHF42i和频谱相干性系数CXYMGHF42i;
通过加权计算得到当前刺激强度下的皮层肌肉下行运动耦合系数COMFi,计算公式如下:
COMFi=zcomf1*CORMGFi+zcomf2*CORMHFi+zcomf3*CORMGF4i+zcomf4*CORMHF1i+zcomf5*CORMGHF41i+zcomf6*CORMGHF42i+zcomf7*CXYMGFi+zcomf8*CXYMHFi+zcomf9*CXYMGF4i+zcomf10*CXYMHF1i+zcomf11*CXYMGHF41i+zcomf12*CXYMGHF42i............................................(29)
其中,i为刺激强度队列中的第i个刺激强度,zcomf1,zcomf2,zcomf3,zcomf4,zcomf5,zcomf6,zcomf7,zcomf8,zcomf9,zcomf10,zcomf11,zcomf12为权重系数且分别取0.15,0.15,0.08,0.08,0.03,0.03,0.15,0.15,0.07,0.07,0.02,0.02;
皮尔逊相关系数和频谱相干性系数的计算公式同前;
第六步,根据上述五步方法,得到全部刺激强度下的皮层肌肉下行运动耦合系数队列COMF{COMF1,…,COMFN,N为刺激强度等级数量};对COMF进行线性拟合,得到皮层肌肉下行运动耦合函数曲线YCOMF(t),形式如下:
YCOMF(t)=Kcomf*t+εcomf,t=(1,2,…,N)..................(30)
第七步,通过计算皮层肌肉下行运动耦合函数曲线YCOMF(t)和刺激强度生成函数Y(t)的相近性,得到皮层肌肉下行运动耦合指数Icomf,计算公式同前Ims。
P005:对比同年龄段同性别的健康被试和感觉运动功能障碍者被试的上述生理状态特征表征的曲线和指数,评估当前被试的感觉运动功能状态、康复进展或障碍情况。
本实施例中,建立和积累健康被试和感觉运动功能障碍者被试的对照数据库的具体方法如下:
基于相同的刺激方案设计设置、相同的目标部位生态状态采集、分析处理方法和曲线指标,按照上述P004方法步骤,构建健康被试和感觉运动功能障碍者被试的感觉运动功能检测量化数据库,包括肌肉感知上行函数曲线YMSF(t)和指数Ims、皮层感知响应函数曲线YBSF(t)和指数Ibs、肌肉运动反馈函数曲线YMMF(t)和指数Imm、多层感知运动时延函数曲线YTDF(t)和指数Itd、肌肉皮层感知上行耦合函数曲线YCOSF(t)和指数Icosf,皮层肌肉运动反馈耦合函数曲线YCOMF(t)和指数Icomf,以及被试的基本信息、生理功能和疾病进展等信息;
随着被试数量的增加,数据库将不断积累和更新,提供更准确的感觉运动功能检测、量化和评价。
本实施例中,被试感觉运动功能雷达图生成和分析的方法如下:
基于被试的肌肉感知上行指数Ims、皮层感知响应指数Ibs、肌肉运动反馈指数Imm、多层感知运动时延指数Itd、肌肉皮层感知上行耦合指数Icosf和皮层肌肉运动反馈耦合指数Icomf,生成感觉运动功能雷达图;
对比同年龄段同性别的健康被试的感觉运动功能雷达图,评估当前被试的感觉运动功能状态;对比被试的历史健康被试的感觉运动功能雷达图,评估当前被试的感觉运动康复进展或障碍进展情况。
本实施例中,被试特征曲线对比、分析和评估的方法如下:
对比同年龄段同性别的健康被试、感觉运动功能障碍者被试和当前被试的肌肉感知上行函数曲线YMSF(t)、皮层感知响应函数曲线YBSF(t)、肌肉运动反馈函数曲线YMMF(t)、多层感知运动时延函数曲线YTDF(t)、肌肉皮层感知上行耦合函数曲线YCOSF(t)和皮层肌肉运动反馈耦合曲函数线YCOMF(t)等表征曲线,详细分析当前被试的感觉运动功能是否正常,或障碍环节在哪以及障碍严重程度。
本实施例中,被试上述雷达图、特征曲线对比、分析和评估的数据和结果,以曲线图和雷达图的方式展现出来,并CSV格式进行数据存储。
Claims (49)
1.一种感觉运动功能的检测量化方法,其特征在于,包括如下步骤:
依据刺激方案施加刺激,并启动刺激安全监测;
依次获取测试对象感觉上行通路上第一目标肌肉群的第一生理状态信号、大脑皮层目标区域的第二生理状态信号和运动下行通路上第二目标肌肉群的第三生理状态信号;
对所述第一生理状态信号、所述第二生理状态信号和所述第三生理状态信号分别进行预处理和分帧处理,获得第一生理信号数据集;
筛选所述第一生理信号数据集中的合格试次的数据并对该数据叠加平均处理,获得第二生理信号数据集;
对所述第二生理信号数据集进行目标部位多通道数据的区间定义及选择融合,获得第三生理信号数据集;
对所述第三生理信号数据集进行时频分析、融合分析和耦合分析,获得第一状态表征曲线集和第一状态特征指数集;
将当前测试对象的所述第一状态表征曲线集和所述第一状态特征指数集与对照数据库中的第一状态表征曲线集和第一状态特征指数集进行比对,获得当前测试对象的感觉运动功能状态量化评估结果,其中,所述对照数据库中的第一状态表征曲线集和第一状态特征指数集为与当前测试对象同年龄段、同性别的健康测试对象和感觉运动功能障碍者测试对象的第一状态表征曲线集和第一状态特征指数集。
2.如权利要求1所述的一种感觉运动功能的检测量化方法,其特征在于,所述刺激方案至少包括刺激部位、刺激类型、刺激方式、刺激频率、刺激强度队列、刺激时长、刺激间隔、刺激区域、刺激数量、刺激分组和/或刺激顺序。
3.如权利要求2所述的一种感觉运动功能的检测量化方法,其特征在于,所述刺激部位至少包括手指、手心、手背、脚趾、足底和/或足背。
4.如权利要求2所述的一种感觉运动功能的检测量化方法,其特征在于,所述刺激类型至少包括温觉、痛觉和/或触觉。
5.如权利要求2所述的一种感觉运动功能的检测量化方法,其特征在于,所述刺激方式至少包括冰水刺激、温水刺激、电刺激、针刺刺激、震动刺激和/或毛刷刺激。
6.如权利要求2所述的一种感觉运动功能的检测量化方法,其特征在于,所述刺激强度队列由刺激强度生成函数Y(t)生成。
11.如权利要求1所述的一种感觉运动功能的检测量化方法,其特征在于,所述第一生理状态信号通过肌电图EMG、功能性近红外光谱成像fNIRS、光体积变化描记图法PPG-SPO2、温度和/或运动加速度的数据采集装置对第一目标肌肉群采集获取。
12.如权利要求1所述的一种感觉运动功能的检测量化方法,其特征在于,所述第一生理状态信号至少包括EMG肌电信号、fNIRS-BOLD信号、PPG-SPO2信号、温度信号和/或运动加速度信号。
13.如权利要求1所述的一种感觉运动功能的检测量化方法,其特征在于,所述第一目标肌肉群根据刺激部位确定。
14.如权利要求1所述的一种感觉运动功能的检测量化方法,其特征在于,所述第二生理状态信号通过脑电图EEG、脑磁图MEG、功能性近红外光谱成像fNIRS和/或功能性磁共振成像fMIR的数据采集装置对大脑目标区域皮层采集获取。
15.如权利要求1所述的一种感觉运动功能的检测量化方法,其特征在于,所述第二生理状态信号至少包括EEG信号、MEG信号、fNIRS-BOLD信号和/或fMIR-BOLD信号。
16.如权利要求1所述的一种感觉运动功能的检测量化方法,其特征在于,所述大脑目标区域皮层包括前额叶大脑皮层、中央区大脑皮层、顶叶大脑皮层和/或刺激部位对侧的感觉运动区皮层。
17.如权利要求1所述的一种感觉运动功能的检测量化方法,其特征在于,所述第三生理状态信号的获取包括如下步骤:测试对象感知到刺激后,预设时间内完成一次刺激部位指定运动,以获取第三生理状态信号。
18.如权利要求1所述的一种感觉运动功能的检测量化方法,其特征在于,所述第三生理状态信号通过肌电图EMG、功能性近红外光谱成像fNIRS、光体积变化描记图法PPG-SPO2、温度和/或运动加速度的数据采集装置对第二目标肌肉群采集获取。
19.如权利要求1所述的一种感觉运动功能的检测量化方法,其特征在于,所述第二目标肌肉群根据刺激部位确定。
20.如权利要求1所述的一种感觉运动功能的检测量化方法,其特征在于,所述第三生理状态信号至少包括EMG肌电信号、fNIRS-BOLD信号、PPG-SPO2信号、温度信号和/或运动加速度信号。
21.如权利要求1所述的一种感觉运动功能的检测量化方法,其特征在于,所述第一目标肌肉群和所述第二目标肌肉群选自刺激部位同一侧不同的肌肉群或是同一个肌肉群的不同通道。
22.如权利要求1所述的一种感觉运动功能的检测量化方法,其特征在于,所述预处理包括:A/D转换、下采样、降噪、去伪迹、陷波和滤波处理。
23.如权利要求1所述的一种感觉运动功能的检测量化方法,其特征在于,所述分帧处理包括:基于刺激方案的每一次试次的刺激开始时间点,对刺激信号分别与第一生理状态信号、第二生理状态信号和第三生理状态信号进行时间对齐及分帧截取。
24.如权利要求1所述的一种感觉运动功能的检测量化方法,其特征在于,所述筛选所述第一生理信号数据集中的合格试次的数据并对该数据叠加平均处理包括如下步骤:
从所述第一生理信号数据集中剔除异常的试次数据;
对同一刺激强度、同一模态、同一通道的多试次生理状态信号数据进行叠加平均,得到第二生理信号数据集。
25.如权利要求1所述的一种感觉运动功能的检测量化方法,其特征在于,所述区间定义及选择融合包括如下步骤:
对所述第二生理信号数据集中的所述第一生理状态信号、所述第二生理状态信号和所述第三生理状态信号进行信号时间区间定义,以刺激开始时间点为基点,选择刺激开始时间点前的第一预设时间作为基线状态期;选择刺激开始时间点后的第二预设时间作为刺激响应观察期,其中,所述区间包含神经电生理的感觉上行、皮层感知和运动下行三个区间以及血液动力学的感觉上行、皮层感知和运动下行三个区间;刺激响应观察期后的第三预设时间,作为刺激间隔期;
对所述第二生理信号数据集中同一目标部位、同一刺激强度、同一模态的多通道多频带生理状态信号数据进行选择融合,所述多通道多频带生理状态信号数据包括同一模态下的多通道信号中的一通道信号数据、波动或振幅最大的一通道信号数据或多通道信号数据的叠加平均信号;其中,神经电生理方面,大脑皮层特征分析的特征频带区间为1-150Hz,感觉运动功能相关节律包括θ节律、μ-α节律、β节律和γ节律,肌肉特征分析的特征频带区间为10-500Hz;血液动力学方面,BOLD信号分析的特征频带区间为0.01-0.50Hz;
得到第三生理信号数据集。
26.如权利要求6所述的一种感觉运动功能的检测量化方法,其特征在于,所述第一状态表征曲线集,包括肌肉感知上行函数曲线、皮层感知响应函数曲线、肌肉运动反馈函数曲线、多层感知运动时延函数曲线、肌肉皮层感知上行耦合函数曲线和皮层肌肉运动反馈耦合函数曲线。
27.如权利要求26所述的一种感觉运动功能的检测量化方法,其特征在于,所述第一状态特征指数集,包括肌肉感知上行指数、皮层感知响应指数、肌肉运动反馈指数、多层感知运动时延指数、肌肉皮层感知上行耦合指数和皮层肌肉运动反馈耦合指数。
28.如权利要求27所述的一种感觉运动功能的检测量化方法,其特征在于,所述肌肉感知上行函数曲线和肌肉感知上行指数的提取方法包括:
从所述第三生理信号数据集中,获得第一目标肌肉群的、不同刺激强度下的、刺激响应观察期内神经电生理和血液动力学的感觉上行区间和基线状态期的生理状态信号作为分析计算生理状态信号数据;
基于所述分析计算生理状态信号数据:
计算当前刺激强度下的基线状态期的生理状态参数;
计算当前刺激强度下的EMG肌电信号的功率谱,获得多个特征频带的功率、相对功率和最大功率处频率,提取多个特征频带的功率、相对功率和最大功率处频率的相对变化量;
计算当前刺激强度下的fNIRS-BOLD信号的含氧血红蛋白HbO2、脱氧血红蛋白HbR和总血红蛋白HbT的平均浓度,提取HbO2、HbR和HbT平均浓度的相对变化量,以及整体血氧水平融合变化量;
计算当前刺激强度下的PPG血氧信号SPO2的平均值,提取SPO2平均值的相对变化量;
计算当前刺激强度下的肌肉温度信号Temp的平均值,提取Temp平均值的相对变化量;
计算当前刺激强度下的加速度计信号Acce的平均值,提取Acce平均值的相对变化量;
将所述提取的相对变化量和整体血氧水平融合变化量纳入数组序列,得到第一参数集;
对所述第一参数集进行多参数加权计算,得到当前刺激强度下的肌肉感知上行系数;
求得全部刺激强度下的所述肌肉感知上行系数,得到第一系数队列;
对所述第一系数队列进行函数拟合,得到肌肉感知上行函数曲线;
计算肌肉感知上行函数曲线和刺激强度生成函数Y(t)的相近性,得到肌肉感知上行指数。
29.如权利要求27所述的一种感觉运动功能的检测量化方法,其特征在于,所述皮层感知响应函数曲线和皮层感知响应指数的提取方法包括:
从所述第三生理信号数据集中,获得大脑皮层目标区域的、不同刺激强度下的、刺激响应观察期内神经电生理和血液动力学的皮层感知区间和基线状态期的生理状态信号作为分析计算生理状态信号数据;
基于所述分析计算生理状态信号数据:
计算当前刺激强度下的基线状态期的生理状态参数;
计算当前刺激强度下的EEG脑电和/或MEG脑磁信号的功率谱,获得多个特征频带的功率、相对功率和最大功率处频率,提取多个特征频带的功率、相对功率和最大功率处频率的相对变化量;
计算当前刺激强度下的fNIRS-BOLD信号的含氧血红蛋白HbO2、脱氧血红蛋白HbR和总血红蛋白HbT的平均浓度,提取HbO2、HbR和HbT平均浓度的相对变化量,以及整体血氧水平融合变化量;
计算当前刺激强度下的fMIR-BOLD信号的BOLD平均值,提取BOLD平均值的相对变化量;
将所述提取的相对变化量和整体血氧水平融合变化量纳入数组序列,得到第二参数集;
对所述第二参数集进行多参数加权计算,得到当前刺激强度下的皮层感知响应系数;
求得全部刺激强度下的所述皮层感知响应系数,得到第二系数队列;
对所述第二系数队列进行函数拟合,得到皮层感知响应函数曲线;
计算皮层感知响应函数曲线和刺激强度生成函数Y(t)的相近性,得到皮层感知响应指数。
30.如权利要求27所述的一种感觉运动功能的检测量化方法,其特征在于,所述肌肉运动反馈函数曲线和肌肉运动反馈指数的提取方法包括:
从所述第三生理信号数据集中,获得第二目标肌肉群的、不同刺激强度下的、刺激响应观察期内神经电生理和血液动力学的运动下行区间和基线状态期的生理状态信号作为分析计算生理状态信号数据;
基于所述分析计算生理状态信号数据:
计算当前刺激强度下的基线状态期的生理状态参数;
计算当前刺激强度下的EMG肌电信号的功率谱,获得多个特征频带的功率、相对功率和最大功率处频率,提取多个特征频带的功率、相对功率和最大功率处频率的相对变化量;
计算当前刺激强度下的fNIRS-BOLD信号的含氧血红蛋白HbO2、脱氧血红蛋白HbR和总血红蛋白HbT的平均浓度,提取HbO2、HbR和HbT平均浓度的相对变化量,以及整体血氧水平融合变化量;
计算当前刺激强度下的PPG血氧信号SPO2的平均值,提取SPO2平均值的相对变化量;
计算当前刺激强度下的肌肉温度信号Temp的平均值,提取Temp平均值的相对变化量;
计算当前刺激强度下的加速度计信号Acce的平均值,提取Acce平均值的相对变化量;
将所述提取的相对变化量和整体血氧水平融合变化量纳入数组序列,得到第三参数集;
对所述第三参数集进行多参数加权计算,得到当前刺激强度下的肌肉运动反馈系数;
求得全部刺激强度下的所述肌肉运动反馈系数,得到第三系数队列;
对所述第三系数队列进行函数拟合,得到肌肉运动反馈函数曲线;
计算肌肉运动反馈函数曲线和刺激强度生成函数Y(t)的相近性,得到肌肉运动反馈指数。
31.如权利要求27所述的一种感觉运动功能的检测量化方法,其特征在于,所述多层感知运动时延函数曲线和多层感知运动时延指数的提取方法包括:
从所述第三生理信号数据集中,获得第一目标肌肉群的、大脑皮层目标区域的、第二目标肌肉群的、不同刺激强度下的、刺激响应观察期内神经电生理和血液动力学的全部三个区间的生理状态信号作为分析计算生理状态信号数据;
对所述分析计算生理状态信号数据中的神经电生理和血液动力学方面的生理状态信号进行去基线振幅均值化处理,得到相应的相对振幅信号集;
对所述相对振幅信号集中的信号,通过希尔伯特变换,计算得到相应的振幅包络信号集;
以刺激时点为时间参考0点,计算所述振幅包络信号集中第一目标肌肉群感觉上行区间信号的包络信号峰值和峰值处时延时间点、大脑皮层目标区域的皮层感知区间信号的包络信号峰值和峰值处时延时间点、第二目标肌肉群运动下行区间信号的包络信号峰值和峰值处时延时间点,获得包络信号峰值序列和对应的峰值处时延时间点序列;
通过对比所述包络信号峰值序列和预设最小信号峰值序列,包络信号峰值小于预设最小信号峰值,则其对应的峰值处时延时间点修正为预设的最大峰值处时延时间点序列中对应的最大峰值处时延时间点,得到峰值处时延时间点修正序列;
计算所述峰值处时延时间点修正序列与预设的最大峰值处时延时间点序列之间的差值序列,得到峰值处延时差值序列,即第四参数集;
对所述第四参数集进行多参数加权计算,得到当前刺激强度下的多层感知运动时延系数;
求得全部刺激强度下的所述多层感知运动时延系数,得到第四系数队列;
对所述第四系数队列进行函数拟合,得到多层感知运动时延函数曲线;
计算多层感知运动时延函数曲线和刺激强度生成函数Y(t)的相近性,得到多层感知运动时延指数。
32.如权利要求31所述的一种感觉运动功能的检测量化方法,其特征在于,所述峰值处时延时间点序列至少包括:
刺激的开始时点;
肌肉感知时点:至少包含一个神经电生理信号和一个血液动力学信号的峰值处时延时间点;
皮层感知时点:至少包含一个神经电生理信号和一个血液动力学信号的峰值处时延时间点;
肌肉运动时点:至少包含一个神经电生理信号和一个血液动力学信号的峰值处时延时间点。
33.如权利要求27所述的一种感觉运动功能的检测量化方法,其特征在于,所述肌肉皮层感知上行耦合函数曲线和肌肉皮层感知上行耦合指数的提取方法包括:
从所述第三生理信号数据集中,获得不同刺激强度下的、刺激响应观察期内神经电生理和血液动力学的感觉上行、皮层感知区间的生理状态信号作为分析计算生理状态信号数据;
对所述分析计算生理状态信号数据中的神经电生理和血液动力学方面的生理状态信号进行去基线振幅均值化处理,得到相应的相对振幅信号集;
对所述相对振幅信号集中的信号,通过希尔伯特变换,计算得到相应的振幅包络信号集;
对所述振幅包络信号集中的信号,进行交叉相关性和/或相干性计算,得到感知耦合特征系数序列,即第五参数集;
对所述第五参数集进行多参数加权计算,得到当前刺激强度下的肌肉皮层感知上行耦合系数;
求得全部刺激强度下的所述肌肉皮层感知上行耦合系数,得到第五系数队列;
对所述第五系数队列进行函数拟合,得到肌肉皮层感知上行耦合函数曲线;
计算肌肉皮层感知上行耦合函数曲线和刺激强度生成函数Y(t)的相近性,得到肌肉皮层感知上行耦合指数。
34.如权利要求33所述的一种感觉运动功能的检测量化方法,其特征在于,所述感知耦合特征系数序列至少包括:
第一目标肌肉群和大脑皮层目标区域的一对神经电生理状态信号之间的频谱相干系数和时序相关系数;
第一目标肌肉群和大脑皮层目标区域的一对血液动力学状态信号之间的频谱相干系数和时序相关系数;
第一目标肌肉群的一个神经电生理状态信号和一个血液动力学状态信号之间的频谱相干系数和时序相关系数;
大脑皮层目标区域的一个神经电生理状态信号和一个血液动力学状态信号之间的频谱相干系数和时序相关系数;
第一目标肌肉群的一个神经电生理状态信号和大脑皮层目标区域的一个血液动力学状态信号之间的频谱相干系数和时序相关系数;
第一目标肌肉群的一个血液动力学状态信号和大脑皮层目标区域的一个神经电生理状态信号之间的频谱相干系数和时序相关系数。
35.如权利要求31所述的一种感觉运动功能的检测量化方法,其特征在于,所述皮层肌肉运动反馈耦合函数曲线和皮层肌肉运动反馈耦合指数的提取方法包括:
从所述第三生理信号数据集中,获得不同刺激强度下的、刺激响应观察期内神经电生理和血液动力学的皮层感知、运动下行区间的生理状态信号作为分析计算生理状态信号数据;
对所述相对振幅信号集中的信号,通过希尔伯特变换,计算得到相应的振幅包络信号集;
对所述振幅包络信号集中的信号,进行交叉相关性和/或相干性计算,得到反馈耦合特征系数序列,即第六参数集;
对所述第六参数集进行多参数加权计算,得到当前刺激强度下的皮层肌肉运动反馈耦合系数;
求得全部刺激强度下的所述皮层肌肉运动反馈耦合系数,得到第六系数队列;
对所述第六系数队列进行函数拟合,得到皮层肌肉运动反馈耦合函数曲线;
计算皮层肌肉运动反馈耦合函数曲线和刺激强度生成函数Y(t)的相近性,得到皮层肌肉运动反馈耦合指数。
36.如权利要求35所述的一种感觉运动功能的检测量化方法,其特征在于,所述反馈耦合特征系数至少包括:
大脑目标皮层和第二目标肌肉群的一对神经电生理状态信号之间的频谱相干系数和时序相关系数;
大脑目标皮层和第二目标肌肉群的一对血液动力学状态信号之间的频谱相干系数和时序相关系数;
大脑目标皮层的一个神经电生理状态信号和一个血液动力学状态信号之间的频谱相干系数和时序相关系数;
第二目标肌肉群的一个神经电生理状态信号和一个血液动力学状态信号之间的频谱相干系数和时序相关系数;
大脑目标皮层的一个神经电生理状态信号和第二目标肌肉群的一个血液动力学状态信号之间的频谱相干系数和时序相关系数;
大脑目标皮层的一个血液动力学状态信号和第二目标肌肉群的一个神经电生理状态信号之间的频谱相干系数和时序相关系数。
37.如权利要求28-30任意一项所述的一种感觉运动功能的检测量化方法,其特征在于,所述基线状态期的生理状态参数计算方法包括:
对所述第一目标肌肉群信号组中的肌电信号和所述第二目标肌肉群信号组中的肌电信号,计算信号的振幅均值和功率谱,分别得到对应的基线状态下振幅均值、总功率和最大功率处频率,提取得到特征频段信号的功率,并求得特征频段的相对功率;
通过所述第一目标肌肉群信号组中的fNIRS信号、所述大脑皮层目标区域信号组中的fNIRS信号、所述第二目标肌肉群信号组中的fNIRS信号的HbO2、HbR和HbT浓度变化曲线信号,计算信号的振幅均值,分别得到对应的基线状态下HbO2平均浓度值、HbR平均浓度值和HbT平均浓度值;
通过第一目标肌肉群信号组中的PPG血氧信号、第二目标肌肉群信号组中的PPG血氧信号的变化曲线信号,计算信号的振幅均值,分别得到对应的基线状态下的PPG血氧平均值;
通过第一目标肌肉群信号组中的肌肉温度信号、第二目标肌肉群信号组中的肌肉温度信号的变化曲线信号,计算信号的振幅均值,分别得到对应的基线状态下的肌肉温度平均值;
通过第一目标肌肉群信号组中的加速度计信号、第二目标肌肉群信号组中的加速度计信号的变化曲线信号,计算信号的振幅均值,分别计算得到对应的基线状态下的加速度平均值;
对大脑皮层目标区域信号组中的脑电信号,计算信号的振幅均值和功率谱,得到对应的基线状态下总功率,θ节律、μ-α节律、β节律和γ节律对应频带的功率、最大功率处频率,及相对功率;
对大脑皮层目标区域信号组中的脑磁信号,计算信号的振幅均值和功率谱,得到对应的基线状态下总功率,θ节律、μ-α节律、β节律和γ节律对应频带的功率、最大功率处频率,及相对功率;
通过大脑皮层目标区域信号组中的fMIR信号的变化曲线信号,计算信号的振幅均值,得到对应的基线状态下的BOLD平均值。
39.如权利要求28-30任意一项所述的一种感觉运动功能的检测量化方法,其特征在于,所述整体血氧水平融合变化量的指标∆CHF_i,计算公式如下:
∆CHF_i=∆CHbO2_i-∆CHbR_i
其中,i为刺激强度队列中的第i个刺激强度,∆CHbO2_i、∆CHbR_i分别为当前刺激强度下的含氧血红蛋白HbO2、脱氧血红蛋白HbR的平均浓度相对变化量。
42.如权利要求1所述的一种感觉运动功能的检测量化方法,其特征在于,还包括对照数据库的建立步骤:
依据刺激方案施加刺激,并启动刺激安全监测;
依次获取健康测试对象或感觉运动功能障碍者测试对象感觉上行通路上第一目标肌肉群的第一生理状态信号、大脑皮层目标区域的第二生理状态信号和运动下行通路上第二目标肌肉群的第三生理状态信号;
对所述第一生理状态信号、所述第二生理状态信号和所述第三生理状态信号分别进行预处理和分帧处理,获得第一生理信号数据集;
筛选所述第一生理信号数据集中的合格试次的数据并对该数据叠加平均处理,获得第二生理信号数据集;
对所述第二生理信号数据集进行目标部位多通道数据的区间定义及选择融合,获得第三生理信号数据集;
对所述第三生理信号数据集进行时频分析、融合分析和耦合分析,获得第一状态表征曲线集和第一状态特征指数集;
形成健康测试对象和感觉运动功能障碍者测试对象的对照数据库。
43.如权利要求1所述的一种感觉运动功能的检测量化方法,其特征在于,还包括基于测试对象的肌肉感知上行指数、皮层感知响应指数、肌肉运动反馈指数、多层感知运动时延指数、肌肉皮层感知上行耦合指数和皮层肌肉运动反馈耦合指数,生成感觉运动功能雷达图的步骤。
44.一种感觉运动功能的检测量化系统,其特征在于,包括:
刺激管理模块,用于设置、执行、监测、管理刺激方案和刺激队列;根据刺激队列的执行计划对目标区域进行按序刺激,并对被试刺激的安全性进行应激反馈监测;
生理状态信号采集记录模块,用于依次获取测试对象感觉上行通路上第一目标肌肉群的第一生理状态信号、大脑皮层目标区域的第二生理状态信号和运动下行通路上第二目标肌肉群的第三生理状态信号;
生理状态信号处理模块,用于对所述第一生理状态信号、所述第二生理状态信号和所述第三生理状态信号分别进行预处理和分帧处理,获得第一生理信号数据集;筛选所述第一生理信号数据集中的合格试次的数据并对该数据叠加平均处理,获得第二生理信号数据集;以及,对所述第二生理信号数据集进行目标部位多通道数据的区间定义及选择融合,获得第三生理信号数据集;
特征提取及融合耦合分析模块,用于对所述第三生理信号数据集进行时频分析、融合分析和耦合分析,得到第一状态表征曲线集和第一状态特征指数集;
对比评价及结果输出模块,用于将当前测试对象的所述第一状态表征曲线集和所述第一状态特征指数集与对照数据库中的第一状态表征曲线集和第一状态特征指数集进行比对,获得当前测试对象的感觉运动功能状态量化评估结果,其中,所述对照数据库中的第一状态表征曲线集和第一状态特征指数集为与当前测试对象同年龄段、同性别的健康测试对象和感觉运动功能障碍者测试对象的第一状态表征曲线集和第一状态特征指数集。
45.如权利要求44所述的一种感觉运动功能的检测量化系统,其特征在于,所述刺激管理模块包括:
刺激设置子单元:用于根据刺激方案,完成刺激队列的设置,所述刺激方案至少包括刺激部位、刺激类型、刺激方式、刺激频率、刺激强度、刺激时长、刺激间隔、刺激区域、刺激数量、刺激分组和/或刺激顺序;
执行管理子单元:用于响应所述刺激方案,启动刺激队列进行循环刺激,并启动目标部位的生理状态信号采集和记录;
安全监测子单元:用于根据安全监测设置,对刺激队列进行调整或中断刺激。
46.如权利要求44所述的一种感觉运动功能的检测量化系统,其特征在于,所述生理状态信号采集记录模块包括:
基础信息采集子单元:用于接收采集测试对象的基本信息,所述基本信息包括但不限于ID、性别、年龄、职业、惯用手、生理功能状况和/或健康状况;
采集通讯设置子单元:用于接收并设定采集设备或传感器的基本采集参数,所述基本采集参数包括但不限于模态属性、通道数、通道位置和/或采样率;以及,用于实现采集设备或传感器与检测量化系统之间的数据通讯连接;
数据存储子单元:用于接收并存储来自刺激信号、各采集设备或传感器的生理状态信号。
47.如权利要求44所述的一种感觉运动功能的检测量化系统,其特征在于,所述生理状态信号处理模块包括:
信号预处理子单元:用于对所述第一生理状态信号、所述第二生理状态信号和所述第三生理状态信号进行预处理,所述预处理包括A/D转换、下采样、降噪、去伪迹、陷波和/或滤波;
分帧截取子单元:用于对所述第一生理状态信号、所述第二生理状态信号和所述第三生理状态信号进行分帧截取,获取第一生理信号数据集;
数据筛选及叠加平均子单元:用于识别所述第一生理信号数据集中的试次数据,筛选所述第一生理信号数据集中的合格试次的数据,并对同一刺激强度、同一模态、多通道的多试次生理状态信号中的合格试次的数据进行叠加平均,获取所述第二生理信号数据集;
区间定义及选择融合子单元:用于对所述第二生理信号数据集中同一目标部位、同一刺激强度、同一模态的多通道生理状态信号数据进行区间定义及选择融合,获取所述第三生理信号数据集。
48.如权利要求44所述的一种感觉运动功能的检测量化系统,其特征在于,所述特征提取及融合耦合分析模块包括:
时频特征分析子单元:用于对所述第三生理信号数据集中的生理状态信号进行信号振幅均值、信号包络、信号峰值、信号变化量及相对变化量、功率谱分析、特征频带功率和相对功率变化量、特征频带最大功率处频率的时频特征分析,并提取肌肉感知上行函数曲线和指数、皮层感知响应函数曲线和指数、肌肉运动反馈函数曲线和指数;
融合特征分析子单元:用于实现对第三生理信号数据集中的生理状态信号的时序特征分析,并提取多层感知运动时延函数曲线和指数;
耦合特征分析子单元:用于实现对所述第三生理信号数据集中的生理状态信号的时序和频谱特征耦合关联分析,包括时序相关系数和频谱相干系数,并提取肌肉皮层感知上行耦合函数曲线和指数,以及皮层肌肉运动反馈耦合函数曲线和指数。
49.如权利要求44所述的一种感觉运动功能的检测量化系统,其特征在于,所述对比评价及结果输出模块包括:
对照数据库子单元:用于建立、存储、更新与管理健康测试对象和感觉运动功能障碍者测试对象的基本信息,所述第一状态表征曲线集和所述第一状态特征指数集构成对照数据库信息;
对比评价子单元:用于将当前测试对象的所述第一状态表征曲线集和/或所述第一状态特征指数集生成雷达图、线趋势图和/或数据表,供对比评价;
结果输出子单元:用于储存特征分析过程数据和结果,并生成图表、数据表和/或CSV格式文件以供导出和/或输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210686463.2A CN114748080B (zh) | 2022-06-17 | 2022-06-17 | 一种感觉运动功能的检测量化方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210686463.2A CN114748080B (zh) | 2022-06-17 | 2022-06-17 | 一种感觉运动功能的检测量化方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114748080A true CN114748080A (zh) | 2022-07-15 |
CN114748080B CN114748080B (zh) | 2022-08-19 |
Family
ID=82336793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210686463.2A Active CN114748080B (zh) | 2022-06-17 | 2022-06-17 | 一种感觉运动功能的检测量化方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114748080B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115251852A (zh) * | 2022-10-07 | 2022-11-01 | 安徽星辰智跃科技有限责任公司 | 一种体温调节功能的检测量化方法和系统 |
CN115486820A (zh) * | 2022-11-16 | 2022-12-20 | 安徽星辰智跃科技有限责任公司 | 一种针灸疗效及生理效应检测量化的方法、系统和装置 |
CN115486819A (zh) * | 2022-11-15 | 2022-12-20 | 安徽星辰智跃科技有限责任公司 | 一种感知觉神经通路多级联检测量化的方法、系统和装置 |
CN115486818A (zh) * | 2022-11-15 | 2022-12-20 | 安徽星辰智跃科技有限责任公司 | 一种运动神经通路检测量化的方法、系统和装置 |
CN115881305A (zh) * | 2023-03-03 | 2023-03-31 | 安徽星辰智跃科技有限责任公司 | 一种睡眠趋稳性检测量化及辅助干预的方法、系统和装置 |
CN115966308A (zh) * | 2023-03-16 | 2023-04-14 | 安徽星辰智跃科技有限责任公司 | 一种睡眠记忆活跃水平检测量化的方法、系统和装置 |
CN117643456A (zh) * | 2024-01-29 | 2024-03-05 | 北京航空航天大学 | 一种帕金森神经病变的辅助评估系统、方法和存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040199084A1 (en) * | 1999-11-24 | 2004-10-07 | Nuvasive, Inc. | Electromyography system |
CN104548347A (zh) * | 2015-01-22 | 2015-04-29 | 天津大学 | 一种纯意念神经肌肉电刺激控制与神经功能评价系统 |
JP2015205042A (ja) * | 2014-04-21 | 2015-11-19 | 国立大学法人北見工業大学 | リハビリテーション装置 |
CN106413532A (zh) * | 2014-06-03 | 2017-02-15 | 皇家飞利浦有限公司 | 康复系统和方法 |
CN109497999A (zh) * | 2018-12-20 | 2019-03-22 | 杭州电子科技大学 | 基于Copula-GC的脑肌电信号时频耦合分析方法 |
CN110495880A (zh) * | 2019-08-16 | 2019-11-26 | 杭州电子科技大学 | 基于经颅电刺激脑肌耦合的运动障碍皮层可塑性管理方法 |
CN110732082A (zh) * | 2019-09-27 | 2020-01-31 | 杭州电子科技大学 | 一种经颅直流电刺激和功能性电刺激的运动功能康复方法 |
CN111477299A (zh) * | 2020-04-08 | 2020-07-31 | 广州艾博润医疗科技有限公司 | 结合脑电检测分析控制的声电刺激神经调控方法及装置 |
CN112137616A (zh) * | 2020-09-22 | 2020-12-29 | 天津大学 | 一种多感觉脑-体联合刺激的意识检测装置 |
CN113576403A (zh) * | 2021-07-07 | 2021-11-02 | 南方科技大学 | 一种人体双向耦合信息传导通路定量评估方法及传感系统 |
CN114042251A (zh) * | 2021-11-17 | 2022-02-15 | 国家康复辅具研究中心 | 多靶点光磁电耦合神经调控装置及方法 |
US20220095989A1 (en) * | 2018-12-15 | 2022-03-31 | South China University Of Technology | Multimodal human-robot interaction system for upper limb rehabilitation |
-
2022
- 2022-06-17 CN CN202210686463.2A patent/CN114748080B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040199084A1 (en) * | 1999-11-24 | 2004-10-07 | Nuvasive, Inc. | Electromyography system |
JP2015205042A (ja) * | 2014-04-21 | 2015-11-19 | 国立大学法人北見工業大学 | リハビリテーション装置 |
CN106413532A (zh) * | 2014-06-03 | 2017-02-15 | 皇家飞利浦有限公司 | 康复系统和方法 |
CN104548347A (zh) * | 2015-01-22 | 2015-04-29 | 天津大学 | 一种纯意念神经肌肉电刺激控制与神经功能评价系统 |
US20220095989A1 (en) * | 2018-12-15 | 2022-03-31 | South China University Of Technology | Multimodal human-robot interaction system for upper limb rehabilitation |
CN109497999A (zh) * | 2018-12-20 | 2019-03-22 | 杭州电子科技大学 | 基于Copula-GC的脑肌电信号时频耦合分析方法 |
CN110495880A (zh) * | 2019-08-16 | 2019-11-26 | 杭州电子科技大学 | 基于经颅电刺激脑肌耦合的运动障碍皮层可塑性管理方法 |
CN110732082A (zh) * | 2019-09-27 | 2020-01-31 | 杭州电子科技大学 | 一种经颅直流电刺激和功能性电刺激的运动功能康复方法 |
CN111477299A (zh) * | 2020-04-08 | 2020-07-31 | 广州艾博润医疗科技有限公司 | 结合脑电检测分析控制的声电刺激神经调控方法及装置 |
CN112137616A (zh) * | 2020-09-22 | 2020-12-29 | 天津大学 | 一种多感觉脑-体联合刺激的意识检测装置 |
CN113576403A (zh) * | 2021-07-07 | 2021-11-02 | 南方科技大学 | 一种人体双向耦合信息传导通路定量评估方法及传感系统 |
CN114042251A (zh) * | 2021-11-17 | 2022-02-15 | 国家康复辅具研究中心 | 多靶点光磁电耦合神经调控装置及方法 |
Non-Patent Citations (3)
Title |
---|
JINBIAO LIU ET AL.: "Closed-Loop Construction and Analysis of Cortico-Muscular-Cortical Functional Network After Stroke", 《 IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
RUI XU ET AL.: "Increased Corticomuscular Coherence and Brain Activation Immediately After Short-Term Neuromuscular Electrical Stimulation", 《FRONTIERS IN NEUROLOGY》 * |
XIAOLING CHEN ET AL.: "Multiscale Information Transfer in Functional Corticomuscular Coupling Estimation Following Stroke: A Pilot Study", 《FRONTIERS IN NEUROLOGY》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115251852A (zh) * | 2022-10-07 | 2022-11-01 | 安徽星辰智跃科技有限责任公司 | 一种体温调节功能的检测量化方法和系统 |
CN115251852B (zh) * | 2022-10-07 | 2022-12-30 | 安徽星辰智跃科技有限责任公司 | 一种体温调节功能的检测量化方法和系统 |
CN115486819A (zh) * | 2022-11-15 | 2022-12-20 | 安徽星辰智跃科技有限责任公司 | 一种感知觉神经通路多级联检测量化的方法、系统和装置 |
CN115486818A (zh) * | 2022-11-15 | 2022-12-20 | 安徽星辰智跃科技有限责任公司 | 一种运动神经通路检测量化的方法、系统和装置 |
CN115486820A (zh) * | 2022-11-16 | 2022-12-20 | 安徽星辰智跃科技有限责任公司 | 一种针灸疗效及生理效应检测量化的方法、系统和装置 |
CN115486820B (zh) * | 2022-11-16 | 2023-03-17 | 安徽星辰智跃科技有限责任公司 | 一种针灸疗效及生理效应检测量化的方法、系统和装置 |
CN115881305A (zh) * | 2023-03-03 | 2023-03-31 | 安徽星辰智跃科技有限责任公司 | 一种睡眠趋稳性检测量化及辅助干预的方法、系统和装置 |
CN115966308A (zh) * | 2023-03-16 | 2023-04-14 | 安徽星辰智跃科技有限责任公司 | 一种睡眠记忆活跃水平检测量化的方法、系统和装置 |
CN117643456A (zh) * | 2024-01-29 | 2024-03-05 | 北京航空航天大学 | 一种帕金森神经病变的辅助评估系统、方法和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114748080B (zh) | 2022-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114748080B (zh) | 一种感觉运动功能的检测量化方法和系统 | |
CN107788970B (zh) | 一种基于多生理参数方法融合的脑力负荷评估方法 | |
Pincus et al. | Physiological time-series analysis: what does regularity quantify? | |
CN105054927B (zh) | 一种下肢康复系统中主动参与度的生物量化评估方法 | |
KR101566788B1 (ko) | 하지기능 및 보행기능을 위한 뇌-컴퓨터 인터페이스를 기반한 기능적 전기자극치료기 | |
KR102075503B1 (ko) | 치매 예측 시스템 및 그 구동방법 | |
CN101677775A (zh) | 用于疼痛检测和疼痛量化指数计算的系统和方法 | |
Doheny et al. | Feature-based evaluation of a wearable surface EMG sensor against laboratory standard EMG during force-varying and fatiguing contractions | |
Greco et al. | Assessment of muscle fatigue during isometric contraction using autonomic nervous system correlates | |
Poh | Continuous assessment of epileptic seizures with wrist-worn biosensors | |
CN104887198A (zh) | 基于人体生理信号多参数融合的疼痛定量分析系统及方法 | |
Alamudun et al. | Removal of subject-dependent and activity-dependent variation in physiological measures of stress | |
CN116013470A (zh) | 一种睡眠行为活跃水平动态调节的方法、系统和装置 | |
CN115486818B (zh) | 一种运动神经通路检测量化的方法、系统和装置 | |
Xu et al. | A fatigue involved modification framework for force estimation in fatiguing contraction | |
CN116312951B (zh) | 一种基于多模态耦合分析的运动功能评估方法及其系统 | |
CN115486820B (zh) | 一种针灸疗效及生理效应检测量化的方法、系统和装置 | |
CN106510641A (zh) | 一种检测人体不同睡眠阶段的方法及系统 | |
CN116269366A (zh) | 一种基于fNIRS分析的ROI脑区通道优化筛选方法 | |
CN112294263B (zh) | 一种基于脑波频率的非稳定睡眠状态评估方法模型 | |
Fruet et al. | Assessment of Driving Stress Through SVM And KNN Classifiers on Multi-Domain Physiological Data | |
CN112656430A (zh) | 基于站立位失衡诱发脑电的卒中平衡康复评估方法 | |
JP2003325467A (ja) | 意思伝達支援装置、及び意思伝達支援ソフトウエア | |
CN115486819B (zh) | 一种感知觉神经通路多级联检测量化的方法、系统和装置 | |
Zhao et al. | Evaluation of lower-limb rehabilitation based on muscle fatigue |
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 |