CN115206484B - 一种脑卒中康复训练系统 - Google Patents

一种脑卒中康复训练系统 Download PDF

Info

Publication number
CN115206484B
CN115206484B CN202210812775.3A CN202210812775A CN115206484B CN 115206484 B CN115206484 B CN 115206484B CN 202210812775 A CN202210812775 A CN 202210812775A CN 115206484 B CN115206484 B CN 115206484B
Authority
CN
China
Prior art keywords
rehabilitation training
training task
module
patient
task
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210812775.3A
Other languages
English (en)
Other versions
CN115206484A (zh
Inventor
张静莎
李增勇
张腾宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National Research Center for Rehabilitation Technical Aids
Original Assignee
National Research Center for Rehabilitation Technical Aids
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by National Research Center for Rehabilitation Technical Aids filed Critical National Research Center for Rehabilitation Technical Aids
Priority to CN202210812775.3A priority Critical patent/CN115206484B/zh
Priority to CN202310244755.5A priority patent/CN116130053A/zh
Publication of CN115206484A publication Critical patent/CN115206484A/zh
Application granted granted Critical
Publication of CN115206484B publication Critical patent/CN115206484B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Epidemiology (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Rehabilitation Tools (AREA)

Abstract

本发明公开了一种脑卒中康复训练系统，包括康复训练任务推荐模块、康复训练模块和康复训练任务完成评价模块，其中：康复训练任务推荐模块用于根据脑卒中患者的康复评估结果为患者推荐自适应的康复训练任务；康复训练模块用于根据康复训练任务推荐模块推荐的康复训练任务对脑卒中患者进行康复训练；康复训练任务完成评价模块用于对患者的康复训练完成度进行评价，并反馈至康复训练任务推荐模块。

Description

一种脑卒中康复训练系统
技术领域
本发明涉及康复训练技术领域，尤其涉及一种脑卒中康复训练系统。
背景技术
脑卒中是我国居民致死、致残的首位原因，呈现出高发病率、高致残率、高死亡率、高复发率的特点。尽管可以接受康复治疗，但仍然有约60％-80％脑卒中患者遗留有明显的运动功能障碍，为家庭和社会带来沉重的照护成本。因此高质高效的康复训练是解决当前问题的最重要手段，也是帮助患者恢复生活独立、回归社会的必然选择。
研究表明，脑卒中患者主要是神经环路受损，因此在康复评估和康复训练的过程中需要综合考虑脑功能的信息，辅助医生为患者提供自适应的康复训练方法。因此，融合运动功能和脑功能的康复训练方案推荐是未来康复训练的一个重要趋势。
另外，多物理刺激也是脑卒中康复的重要手段，通过声光电磁等物理刺激对患者的脑、中枢、肌肉等进行非侵入式刺激，刺激一段时间后能够改善皮层活动，以促进神经环路和运功功能重建，因此多物理协同刺激是未来神经调控的一个重要发展方向。
为此，本发明提出了一种适用于脑卒中康复的训练系统，构建了基于肢体运动功能、基于脑功能、融合运动功能和脑功能的最优康复训练任务推荐模型，并辅以信息检测及物理刺激手段，提升了脑-肌-肢体多源信息与多物理刺激联合的康复训练效率，从而达到了最佳的康复训练效果。
发明内容
为实现本发明之目的，采用以下技术方案予以实现：
一种脑卒中康复训练系统，包括康复训练任务推荐模块、康复训练模块和康复训练任务完成评价模块，其中：康复训练任务推荐模块用于根据脑卒中患者的康复评估结果为患者推荐自适应的康复训练任务；康复训练模块用于根据康复训练任务推荐模块推荐的康复训练任务对脑卒中患者进行康复训练；康复训练任务完成评价模块用于对患者的康复训练完成度进行评价，并反馈至康复训练任务推荐模块。
所述的脑卒中康复训练系统，其中：所述康复训练任务推荐模块包括基于肢体运动功能的康复训练任务推荐模块和基于脑功能的康复训练任务推荐模块，所述基于肢体运动功能的康复训练任务推荐模块用于根据患者的运动功能量表评估结果推荐适合患者的康复训练任务；基于脑功能的康复训练任务推荐模块用于根据患者的核磁共振脑图像评估结果推荐适合患者的康复训练任务。
所述的脑卒中康复训练系统，其中基于肢体运动功能的康复训练任务推荐模块按如下方式根据患者的运动功能量表评估结果推荐适合患者的康复训练任务：构建基于脑卒中患者运动功能量表的康复训练任务数据库，并对数据库中的量表信息和基本信息进行预处理，分别得到量表特征向量LRK和基本信息向量JK；将预处理后量表数据和基本信息特征向量输入到卷积神经网络模型中进行训练和模型优化，最终得到基于肢体运动功能的康复训练任务推荐模型：
YRK＝[BWi,TPi,HRi,TMi,Fi]＝G1CNN(LRK，JK)
其中，YRK为推荐的康复训练任务，包含不同肢体部位的康复训练任务类型、康复训练任务难度、康复训练任务时间和康复训练频率；i的取值为[1，8],分别表示肢体不同部位：左脚、左下肢、左上肢、左手、右脚、右下肢、右上肢、右手；BWi为某肢体部位；TPi为某部位的康复训练任务类型；HRi为某部位的康复训练任务难度；TMi为某部位的康复训练任务时间；Fi为某部位的康复训练任务频率；G1CNN为训练好的卷积神经网络模型；LRK为预处理后的量表特征向量；JK为预处理后的患者基本信息。
所述的脑卒中康复训练系统，其中基于脑功能的康复训练任务推荐模块按如下方式根据患者的核磁共振脑图像评估结果推荐适合患者的康复训练任务：
构建基于脑卒中患者核磁共振脑图像的康复训练任务数据库，并对数据库中的核磁共振脑图像及报告数据进行预处理；
利用卷积神经网络模型提取预处理后的核磁共振脑图像和报告的数据特征；
HNK＝Feedforward(WCNN，BCNN；JJCNN,CHCNN；HC,BG；)
其中，HNK是卷积神经网络模型提取得到的特征向量；Feedforward是前馈神经网络函数；WCNN是卷积神经网络模型的权重矩阵，BCNN是偏置参数；JJCNN是卷积模块的卷积层，卷积核为2*2，卷积步长为2*2；CHCNN是卷积模块的池化层，池化层为3*3的最大池化核；HC、BG分别为输入的核磁共振脑图像数据和数据报告；
将提取的核磁共振脑图像和报告数据特征输入到另一卷积神经网络模型中进行训练和模型优化，最终得到脑功能的康复训练任务推荐模型：
YNK＝[BWi,TPi,HRi,TMi,Fi]＝G2CNN(LRK，HNK，JK)
其中，YNK为推荐的康复训练任务，包含不同肢体部位的康复训练任务类型、康复训练任务难度、康复训练任务时间和康复训练频率；i的取值为[1，8],分别表示肢体不同部位：左脚、左下肢、左上肢、左手、右脚、右下肢、右上肢、右手；BWi为某肢体部位；TPi为某部位的康复训练任务类型；HRi为某部位的康复训练任务难度；TMi为某部位的康复训练任务时间；Fi为某部位的康复训练任务频率；G2CNN为训练好的卷积神经网络模型；HNK为核磁共振脑图像和报告数据特征；JK为预处理后的患者基本信息。
所述的脑卒中康复训练系统，其中所述康复训练任务推荐模块还包括融合运动功能和脑功能的康复训练任务推荐模块，用于按如下方式根据患者的量表运动功能数据和核磁共振脑图像数据综合推荐适合患者的康复训练任务：
将量表特征向量和核磁共振数据特征输入到卷积神经网络模型中进行训练和模型优化，最终得到融合运动功能和脑功能的康复训练任务推荐模型。
YNH＝[BWi,TPi,HRi,TMi,Fi]＝G3CNN(LRK，HNK，JK)
其中，YNH为推荐的康复训练任务，包含不同肢体部位的康复训练任务类型、康复训练任务难度、康复训练任务时间和康复训练频率；i的取值为[1，8],分别表示肢体不同部位：左脚、左下肢、左上肢、左手、右脚、右下肢、右上肢、右手；BWi为某肢体部位；TPi为某部位的康复训练任务类型；HRi为某部位的康复训练任务难度系数；TMi为某部位的康复训练任务训练时间；Fi为某部位的康复训练任务训练频率；G3CNN为训练好的卷积神经网络模型；LRK为量表特征向量，HNK为核磁共振脑图像和报告数据特征；JK为预处理后的患者基本信息。
所述的脑卒中康复训练系统，其中所述康复训练任务推荐模块还包括最优康复训练任务推荐模块,用于将前述基于患者肢体运动功能的康复训练任务YRK、基于患者脑功能的康复训练任务YNK、融合运动功能和脑功能的康复训练任务YNH进行权重融合，得到最优的康复训练任务ZRXL：
ZRXL＝(aYRK+bYNK+cYNH)*GWC*m
ZRXL是最优康复训练任务，A、B、C为权重矩阵，A＝[a1,a2,a3,...a8],B＝[b1,b2,b3,...b8],C＝[c1,c2,c3,...c8],ai、bi、ci取值范围均为[0,1],i∈[1,8]，GWC为上一次康复训练任务完成度，m为矫正系数。当患者为首次进行康复训练任务或上一次康复训练任务匹配度为100％时，GWC取值为1；当患者上一次康复训练任务匹配度低于100％时，GWC取值小于1。
所述的脑卒中康复训练系统，其中按如下规则进行康复训练任务的选择：
当三个康复训练任务YRK、YNK、YNH中针对某一肢体部位的康复训练任务类型均不一致时，选择康复训练任务类型较宜达到的康复训练任务；
当三个康复训练任务YRK、YNK、YNH中针对某一肢体部位的康复训练任务类型有一个与其他两个不一致时，选择两个康复训练任务类型相同的康复训练任务；
当三个康复训练任务YRK、YNK、YNH中针对某一肢体部位的康复训练任务类型一致时，则选择三个康复训练任务类型相同的康复训练任务。
所述的脑卒中康复训练系统，其中权重系数计算如下：
Figure BDA0003741139750000061
Figure BDA0003741139750000062
Figure BDA0003741139750000063
其中，ρ(YRK-BWi，YNK-BWi)为康复训练任务YRK和YNK的相似度、ρ(YRK-BWi，YNH-BWi)为康复训练任务YRK和YNH的相似度、ρ(YNK-BWi，YNH-BWi)为康复训练任务YNH和YNK的相似度；
Figure BDA0003741139750000064
Figure BDA0003741139750000065
Figure BDA0003741139750000066
其中，YRK-HRi、YNK-HRi、YNH-HRi分别为三个康复训练任务YRK、YNK、YNH的难度系数，YRK-TMi、YNK-TMi、YNH-TMi分别为三个康复训练任务YRK、YNK、YNH的训练时间，YRK-Fi、YNK-Fi、YNH-Fi分别为三个康复训练任务YRK、YNK、YNH的训练频率。
所述的脑卒中康复训练系统，其中所述康复训练模块包括虚拟现实模块、信息采集模块、信息分析模块、多物理刺激调控模块。
所述的脑卒中康复训练系统，其中信息分析模块用于对去除干扰噪声之后的眼电信号进行时域特征与频域特征分析，眼电信号的平滑度时域特征定义如下：
Figure BDA0003741139750000071
其中，Zuv为眼电信号平滑度，Ziu为U电极(上眼皮的电极)的眼电信号，
Figure BDA0003741139750000072
为u电极眼电信号的均值，Ziv为V电极(下眼皮的电极)的眼电信号，
Figure BDA0003741139750000073
为V电极眼电信号的均值；
眼电信号的平均功率频率频域特征定义如下：
Figure BDA0003741139750000074
其中，ZPF为眼电平均功率频率，f为眼电信号的频率，f1和f2表示眼电信号的频率范围；
对以上所述时域特征与频域特征，信息分析模块建立专注力模型指标如下:
专注力F＝A×Zuv+B×ZPF
其中，Zuv为眼电信号平滑度，ZPF为眼电平均功率频率，A、B分别是它们的权重。经实验证明，脑卒中患者的专注力与眼电信号平滑度和眼电平均功率频率的相关性最大，且眼电信号平滑度所占的比例更大，因此对权重A、B的值设置如下：0.5<A<1,0<B<0.5，A+B＝1。
所述的脑卒中康复训练系统，其中所述康复训练任务完成评价模块用于根据康复训练模块中的多物理刺激调控的次数、专注时长以及康复训练任务完成度等来确定患者的康复训练任务匹配度，
康复训练任务匹配度：
Figure BDA0003741139750000081
其中Gc为康复训练任务匹配度，T为完成一次康复训练任务的时间，tc为一次康复训练任务过程中物理刺激的总时间，Kc为康复训练任务的完成度，ZC为一次康复训练任务中患者专注力达标的时长，C1、C2、C3为权重系数，权重系数C1、C2、C3的值设置如下：0.1<C1<0.4,0.6<C2<＝1,0.1<C2<0.4,且C1+C2+C3＝1。
附图说明
图1为本发明脑卒中康复训练系统的构成示意图；
图2为本发明脑卒中康复训练系统工作流程图。
具体实施方式
下面结合附图1-2，对本发明的具体实施方式进行详细说明。
如图1所示，脑卒中康复训练系统包括康复训练任务推荐模块、康复训练模块和康复训练任务完成评价模块。其中：康复训练任务推荐模块用于根据脑卒中患者的康复评估结果为患者推荐自适应的康复训练任务；康复训练模块用于根据康复训练任务推荐模块推荐的康复训练任务对脑卒中患者进行康复训练；康复训练任务完成评价模块用于对患者的康复训练完成度进行评价，并反馈至康复训练任务推荐模块。
所述康复训练任务推荐模块包括基于肢体运动功能的康复训练任务推荐模块、基于脑功能的康复训练任务推荐模块、融合运动功能和脑功能的康复训练任务推荐模块、以及最优康复训练任务推荐模块。具体说明如下：
所述基于肢体运动功能的康复训练任务推荐模块，用于按如下方式根据患者的运动功能量表评估结果推荐适合患者的康复训练任务，具体如下：
构建基于脑卒中患者运动功能量表的康复训练任务数据库，并对数据库中的量表信息和基本信息进行预处理：对Fugl-Meyer评定量表、Barthel指数、brunnstrom评定量表、Berg平衡量表以及基本信息(年龄、性别、学历、职业、高血压史等个人信息)进行归一化预处理,分别得到量表特征向量LRK和基本信息向量JK。
将预处理后量表数据和基本信息特征向量输入到卷积神经网络模型中进行训练和模型优化，并不断的进行模型的参数优化，最终得到基于肢体运动功能的康复训练任务推荐模型。
YRK＝[BWi,TPi,HRi,TMi,Fi]＝G1CNN(LRK，JK)
其中，YRK为推荐的康复训练任务，包含不同肢体部位的康复训练任务类型、康复训练任务难度、康复训练任务时间和康复训练频率；i的取值为[1，8],分别表示肢体不同部位：左脚、左下肢、左上肢、左手、右脚、右下肢、右上肢、右手；BWi为某肢体部位；TPi为某部位的康复训练任务类型；HRi为某部位的康复训练任务难度；TMi为某部位的康复训练任务时间；Fi为某部位的康复训练任务频率；G1CNN为训练好的卷积神经网络模型；LRK为预处理后的量表特征向量；JK为预处理后的患者基本信息。
所述卷积神经网络模型由3个卷积层、3个池化层组成，每个卷积层连接一个池化层，每个卷积层的卷积核为2*2，卷积步长为1*1；池化层为2*2的最大池化。
优选地，每隔1个月对患者量表数据信息进行更新，重新通过基于肢体运动功能的康复训练任务推荐模块为患者推荐康复训练任务。
构建基于脑功能的康复训练任务推荐模块，用于根据患者的核磁共振脑图像评估结果推荐适合患者的康复训练任务。具体如下：
构建基于脑卒中患者核磁共振脑图像的康复训练任务数据库，并对数据库中的核磁共振脑图像及报告数据进行预处理：利用高斯滤波和中值滤波对核磁共振脑图像进行滤波和去除噪声；利用word2vec词向量技术将核磁共振数据报告结果词向量化。
利用卷积神经网络模型提取预处理后的核磁共振脑图像和报告的数据特征；
HNK＝Feedforward(WCNN，BCNN；JJCNN,CHCNN；HC,BG；)
其中，HNK是卷积神经网络模型提取得到的特征向量；Feedforward是前馈神经网络函数；WCNN是卷积神经网络模型的权重矩阵，BCNN是偏置参数；JJCNN是卷积模块的卷积层，卷积核为2*2，卷积步长为2*2；CHCNN是卷积模块的池化层，池化层为3*3的最大池化核；HC、BG分别为输入的核磁共振脑图像数据和数据报告。
将提取的核磁共振脑图像和报告数据特征输入到另一卷积神经网络模型中进行训练和模型优化，并不断的进行模型的参数优化，最终得到脑功能的康复训练任务推荐模型。
YNK＝[BWi,TPi,HRi,TMi,Fi]＝G2CNN(LRK，HNK，JK)
所述另一卷积神经网络模型由3个卷积层、3个池化层组成，每个卷积层连接一个池化层，第一个卷积层的卷积核为2*2，卷积步长为2*1；第二个卷积层的卷积核为4*2，卷积步长为3*1，第一个卷积层的卷积核为8*4，卷积步长为4*1，池化层均为2*2的最大池化。
其中，YNK为推荐的康复训练任务，包含不同肢体部位的康复训练任务类型、康复训练任务难度、康复训练任务时间和康复训练频率；i的取值为[1，8],分别表示肢体不同部位：左脚、左下肢、左上肢、左手、右脚、右下肢、右上肢、右手；BWi为某肢体部位；TPi为某部位的康复训练任务类型；HRi为某部位的康复训练任务难度；TMi为某部位的康复训练任务时间；Fi为某部位的康复训练任务频率；G2CNN为训练好的卷积神经网络模型；HNK为核磁共振脑图像和报告数据特征；JK为预处理后的患者基本信息。
优选地，每隔2个月对患者核磁共振脑图像和报告信息进行更新，重新通过基于脑功能的康复训练任务推荐模块为患者推荐康复训练任务。
构建融合运动功能和脑功能的康复训练任务推荐模块，用于根据患者的预处理后的量表运动功能数据和核磁共振脑图像数据综合推荐适合患者的康复训练任务。具体如下：
将前述得到的量表特征向量和核磁共振数据特征输入到卷积神经网络模型中进行训练和模型优化，并不断的进行模型的参数优化，最终得到合运动功能和脑功能的康复训练任务推荐模型。
YNH＝[BWi,TPi,HRi,TMi,Fi]＝G3CNN(LRK，HNK，JK)
所述卷积神经网络模型由4个卷积层、4个池化层组成，每个卷积层连接一个池化层，第一个卷积层的卷积核为2*2，卷积步长为2*1；第二个卷积层的卷积核为3*3，卷积步长为3*1，第三个卷积层的卷积核为6*4，卷积步长为4*1，第四个卷积层的卷积核为8*4，卷积步长为4*1，池化层均为3*3的最大池化。
其中，YNH为推荐的康复训练任务，包含不同肢体部位的康复训练任务类型、康复训练任务难度、康复训练任务时间和康复训练频率；i的取值为[1，8],分别表示肢体不同部位：左脚、左下肢、左上肢、左手、右脚、右下肢、右上肢、右手；BWi为某肢体部位；TPi为某部位的康复训练任务类型(被动、助动、主动、抗阻)；HRi为某部位的康复训练任务难度系数；TMi为某部位的康复训练任务训练时间；Fi为某部位的康复训练任务训练频率；G3CNN为训练好的卷积神经网络模型；LRK为量表特征向量，HNK为核磁共振脑图像和报告数据特征；JK为预处理后的患者基本信息。
构建最优康复训练任务推荐模块，将前述基于患者肢体运动功能的康复训练任务YRK、基于患者脑功能的康复训练任务YNK、融合运动功能和脑功能的康复训练任务YNH进行权重融合，得到最优的康复训练任务ZRXL。
ZRXL＝(aYRK+bYNK+cYNH)*GWC*m
ZRXL是最优康复训练任务，A、B、C为权重矩阵，A＝[a1,a2,a3,...a8],B＝[b1,b2,b3,...b8],C＝[c1,c2,c3,...c8],ai、bi、ci取值范围均为[0,1],i∈[1,8]，GWC为上一次康复训练任务完成度，m为矫正系数。当患者为首次进行康复训练任务或上一次康复训练任务匹配度为100％时，GWC取值为1；当患者上一次康复训练任务匹配度低于100％时，GWC取值小于1。
具体地，A、B、C为权重矩阵，分析如下：
当三个康复训练任务YRK、YNK、YNH中针对某一肢体部位的康复训练任务类型均不一致时，选择康复训练任务类型较宜达到的康复训练任务。例如：当三个康复训练任务YRK、YNK、YNH中针对某一肢体部位BWi的康复训练任务分别为：被动、助动、主动，则选择“被动”的康复训练任务，权重系数ai＝1，bi＝ci＝0。
当三个康复训练任务YRK、YNK、YNH中针对某一肢体部位的康复训练任务类型有一个与其他两个不一致时，选择两个康复训练任务类型相同的康复训练任务。例如：当三个康复训练任务YRK、YNK、YNH中针对某一肢体部位BWi的康复训练任务分别为：被动、助动、助动，则选择“助动”的康复训练任务，权重系数ai＝0，bi＝ci＝0.5。
当三个康复训练任务YRK、YNK、YNH中针对某一肢体部位的康复训练任务类型一致时，则选择三个康复训练任务类型相同的康复训练任务。例如：当三个康复训练任务YRK、YNK、YNH中针对某一肢体部位BWi的康复训练任务均为“被动”时，则选择“被动”的康复训练任务，并计算三个康复训练任务YRK、YNK、YNH中针对某一肢体部位BWi的康复训练任务的相似度。权重系数计算如下：
Figure BDA0003741139750000141
Figure BDA0003741139750000142
Figure BDA0003741139750000143
其中，ρ(YRK-BWi，YNK-BWi)为康复训练任务YRK和YNK的相似度、ρ(YRK-BWi，YNH-BWi)为康复训练任务YRK和YNH的相似度、ρ(YNK-BWi，YNH-BWi)为康复训练任务YNH和YNK的相似度。
Figure BDA0003741139750000144
Figure BDA0003741139750000145
Figure BDA0003741139750000146
其中，YRK-HRi、YNK-HRi、YNH-HRi分别为三个康复训练任务YRK、YNK、YNH的难度系数，YRK-TMi、YNK-TMi、YNH-TMi分别为三个康复训练任务YRK、YNK、YNH的训练时间，YRK-Fi、YNK-Fi、YNH-Fi分别为三个康复训练任务YRK、YNK、YNH的训练频率。
进一步的，当计算出所有的ai、bi、ci值，即可得到A、B、C为权重矩阵。
所述康复训练模块包括虚拟现实模块、信息采集模块、信息分析模块、多物理刺激调控模块(包括经颅磁刺激模块，外周电刺激模块，听觉刺激模块等)。
所述虚拟现实模块用于将康复训练任务推荐模块推荐的康复训练任务展示在显示屏上，提供基于VR的康复训练任务。
所述信息采集模块包括：近红外脑功能设备，用于采集患者在康复训练过程中的近红外脑血氧信号；表面肌电仪，用于采集患者在康复训练过程中的肌电信号；眼动仪，用于采集患者在康复训练过程中的眼电信号。
所述信息分析模块用于对信息采集模块采集近红外脑血氧信号、肌电信号和眼动信号进行滤波预处理和特征提取分析，并计算得出患者的脑激活度、脑肌相干性、专注力等。具体来说：
信息分析模块通过对近红外脑血氧信号进行小波变换和复变换，分析计算脑激活度，所述脑激活度反映了脑功能的活跃程度。
Figure BDA0003741139750000151
其中，WO为脑激活度，J表示健侧脑区存在功能连接的通道数量，WAi表示健侧脑区存在功能连接通道的脑血氧信号小波幅值；H表示患侧脑区存在功能连接的通道数量，WAk患侧脑区存在功能连接通道的脑血氧信号小波幅值。
信息分析模块根据功率谱计算方法计算脑血氧信号和肌电信号的相干性，该相关性反映了两种信号在频谱上的相关性。
Figure BDA0003741139750000161
其中，MP为脑血氧信号与肌电信号的相干性，CPXJY(f)为健侧脑血氧信号与肌电信号的互功率谱，CPXHY(f)为患侧脑血氧信号与肌电信号的互功率谱，CPXJ(f)为健侧脑血氧信号自功率谱，CPXH(f)为患侧脑血氧信号自功率谱，CPY(f)为肌电信号的自功率谱，XJ表示健侧脑血氧信号，XH为患侧脑血氧信号，Y为肌电信号。
信息分析模块对去除干扰噪声之后的眼电信号进行时域特征与频域特征分析。眼电信号的平滑度时域特征定义如下：
Figure BDA0003741139750000162
其中，Zuv为眼电信号平滑度，Ziu为U电极(上眼皮的电极)的眼电信号，
Figure BDA0003741139750000163
为u电极眼电信号的均值，Ziv为V电极(下眼皮的电极)的眼电信号，
Figure BDA0003741139750000164
为V电极眼电信号的均值。
眼电信号的平均功率频率频域特征定义如下：
Figure BDA0003741139750000165
其中，ZPF为眼电平均功率频率，f为眼电信号的频率，f1和f2表示眼电信号的频率范围。
对以上所述时域特征与频域特征，信息分析模块建立专注力模型指标如下:
专注力F＝A×Zuv+B×ZPF
其中，Zuv为眼电信号平滑度，ZPF为眼电平均功率频率，A、B分别是它们的权重。经实验证明，脑卒中患者的专注力与眼电信号平滑度和眼电平均功率频率的相关性最大，且眼电信号平滑度所占的比例更大，因此对权重A、B的值设置如下：0.5<A<1,0<B<0.5，A+B＝1。
所述多物理刺激调控模块用于根据信息分析模块分析患者的脑激活度、脑肌相干性、专注力等数据对经颅磁刺激、外周电刺激、听觉刺激等方式进行调控。具体调控方案如下：
当患者的脑激活度低于设定的阈值，则进行经颅磁刺激的脑部神经调控；当患者的脑肌相关性低于设定的阈值，则进行外周电刺激的神经肌肉调控；当患者的专注力低于设定的阈值，则进行听觉刺激的专注度调控，比如：播放节奏性的音乐等。
进一步地，经颅磁刺激、外周电刺激、听觉刺激可根据患者的脑激活度、脑肌相干性、专注力等情况，分别进行单一刺激，也可两两组合刺激，也可三者同时进行刺激。
优选的，当分析发现患者的脑激活度和脑肌相干性分别低于其各自设定的阈值，则可同时进行经颅磁刺激和外周电刺激；当分析发现脑激活度和专注力分别低于其各自设定的阈值，则可同时进行经颅磁刺激和听觉刺激；当分析发现脑肌相干性和专注力分别低于其各自设定的阈值，则可同时进行外周电刺激和听觉刺激；当分析发现脑激活度、脑肌相干性和专注力分别低于其各自设定的阈值，则可同时进行经颅磁刺激、外周电刺激和听觉刺激。
优选地，可通过对脑血氧信号计算分析得到的脑偏侧性、脑功能功能连接、效应连接等数据指标对具体经颅磁刺激的刺激部位、刺激频率、刺激时长、刺激幅度等参数调控，从而进行精准调控。具体精准调控方案如下：通过不断的收集患者脑激活度、脑偏侧性、脑功能连接性、基本临床信息以及最优经颅磁刺激的刺激部位、刺激频率、刺激时长、刺激幅度等数据指标建立经颅磁刺激参数调整数据库，建立基于深度学习的自适应经颅磁刺激参数模型，不断地进行训练测试，优化神经网络模型参数，形成自适应经颅磁刺激参数模型，能够智能推荐个性化自适应经颅磁刺激参数，并根据患者的实时康复训练情况再进行微调，减少人工调整参数的次数。
优选地，可通过对脑血氧信号和肌电信号进一步计算分析得到肌力、肌肉疲劳度等数据指标对具体外周电刺激的刺激频率、刺激时长、刺激脉冲等参数调控，从而进行精准调控。具体精准调控方案如下：通过不断的收集患者脑肌相干性、肌力、肌肉疲劳度以及最优电刺激激频率、刺激时长、刺激脉冲等数据指标建立外周电刺激参数调整数据库，建立基于深度学习的自适应外周电刺激参数模型，不断地进行训练测试，优化神经网络模型参数，形成自适应外周电刺激参数模型，能够智能推荐个性化自适应外周电刺激参数，并根据患者的实时康复训练情况再进行微调，减少人工调整参数的次数。
所述康复训练任务完成评价模块用于根据康复训练模块中的多物理刺激调控的次数、专注时长以及康复训练任务完成度等来确定患者的康复训练任务匹配度。
康复训练任务匹配度：
Figure BDA0003741139750000191
其中Gc为康复训练任务匹配度，T为完成一次康复训练任务的时间，tc为一次康复训练任务过程中物理刺激的总时间，Kc为康复训练任务的完成度，ZC为一次康复训练任务中患者专注力达标的时长，C1、C2、C3为权重系数。经实验表明，康复训练任务匹配度中康复训练任务的完成度所占的比例相对较大，因此对权重系数C1、C2、C3的值设置如下：0.1<C1<0.4,0.6<C2<＝1,0.1<C2<0.4,且C1+C2+C3＝1。
与现有技术相对比，本发明的有益效果是：
(1)通过脑卒中患者肢体运动功能数据指标、脑功能数据指标以及融合运动功能和脑功能数据指标三方面指标综合进行患者康复训练任务推荐，充分考虑到患者肢体、大脑、脑-肢协同等多源信息对康复训练任务的适应程度，实现对患者康复训练任务的精准推荐。
(2)结合患者康复训练过程中的脑激活度、脑肌相干性、专注力等，利用经颅磁刺激、外周电刺激、听觉刺激等多物理刺激方式进行调控，促进脑肢和物理刺激数据协同优化和实时反馈。
(3)利用本系统，能够为患者提供个性化自适应的康复训练任务推荐，并在康复训练任务过程中辅以多物理刺激康复训练发挥最大增益效果，提高康复训练效率和效果。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换，而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (3)

1.一种脑卒中康复训练系统，包括康复训练任务推荐模块、康复训练模块和康复训练任务完成评价模块，其特征在于：康复训练任务推荐模块用于根据脑卒中患者的康复评估结果为患者推荐自适应的康复训练任务；康复训练模块用于根据康复训练任务推荐模块推荐的康复训练任务对脑卒中患者进行康复训练；康复训练任务完成评价模块用于对患者的康复训练完成度进行评价，并反馈至康复训练任务推荐模块；所述康复训练任务推荐模块包括基于肢体运动功能的康复训练任务推荐模块和基于脑功能的康复训练任务推荐模块，所述基于肢体运动功能的康复训练任务推荐模块用于根据患者的运动功能量表评估结果推荐适合患者的康复训练任务；基于脑功能的康复训练任务推荐模块用于根据患者的核磁共振脑图像评估结果推荐适合患者的康复训练任务；所述的脑卒中康复训练系统，其中基于肢体运动功能的康复训练任务推荐模块按如下方式根据患者的运动功能量表评估结果推荐适合患者的康复训练任务：构建基于脑卒中患者运动功能量表的康复训练任务数据库，并对数据库中的量表信息和基本信息进行预处理，分别得到量表特征向量LRK和基本信息向量JK；将预处理后量表数据和基本信息特征向量输入到卷积神经网络模型中进行训练和模型优化，最终得到基于肢体运动功能的康复训练任务推荐模型：
YRK＝[BWi,TPi,HRi,TMi,Fi]＝G1CNN(LRK，JK)
其中，YRK为推荐的康复训练任务，包含不同肢体部位的康复训练任务类型、康复训练任务难度、康复训练任务时间和康复训练频率；i的取值为[1，8],分别表示肢体不同部位：左脚、左下肢、左上肢、左手、右脚、右下肢、右上肢、右手；BWi为某肢体部位；TPi为某部位的康复训练任务类型；HRi为某部位的康复训练任务难度；TMi为某部位的康复训练任务时间；Fi为某部位的康复训练任务频率；G1CNN为训练好的卷积神经网络模型；LRK为预处理后的量表特征向量；JK为预处理后的患者基本信息。
2.根据权利要求1所述的脑卒中康复训练系统，其特征在于所述康复训练模块包括虚拟现实模块、信息采集模块、信息分析模块、多物理刺激调控模块。
3.根据权利要求1所述的脑卒中康复训练系统，其特征在于所述康复训练任务完成评价模块用于根据康复训练模块中的多物理刺激调控的次数、专注时长以及康复训练任务完成度等来确定患者的康复训练任务匹配度。
CN202210812775.3A 2022-07-12 2022-07-12 一种脑卒中康复训练系统 Active CN115206484B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210812775.3A CN115206484B (zh) 2022-07-12 2022-07-12 一种脑卒中康复训练系统
CN202310244755.5A CN116130053A (zh) 2022-07-12 2022-07-12 一种康复训练系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210812775.3A CN115206484B (zh) 2022-07-12 2022-07-12 一种脑卒中康复训练系统

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202310244755.5A Division CN116130053A (zh) 2022-07-12 2022-07-12 一种康复训练系统

Publications (2)

Publication Number Publication Date
CN115206484A CN115206484A (zh) 2022-10-18
CN115206484B true CN115206484B (zh) 2023-04-07

Family

ID=83579804

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202310244755.5A Pending CN116130053A (zh) 2022-07-12 2022-07-12 一种康复训练系统
CN202210812775.3A Active CN115206484B (zh) 2022-07-12 2022-07-12 一种脑卒中康复训练系统

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202310244755.5A Pending CN116130053A (zh) 2022-07-12 2022-07-12 一种康复训练系统

Country Status (1)

Country Link
CN (2) CN116130053A (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116564477B (zh) * 2023-05-17 2024-03-12 国家康复辅具研究中心 一种认知功能障碍康复训练系统
CN117238449B (zh) * 2023-10-11 2024-05-07 国家康复辅具研究中心 一种认知功能障碍的康复训练策略的优化方法及系统
CN118448006B (zh) * 2024-07-08 2024-10-18 南昌大学第一附属医院 一种用于骨科的患者康复方案推荐方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190136288A (ko) * 2018-05-30 2019-12-10 최동훈 가상현실 기반 재활치료 시스템 및 가상현실 기반 재활치료 시스템에 의한 가상현실 기반 재활치료방법
CN111524571B (zh) * 2020-05-21 2022-06-10 电子科技大学 一种脑卒中患者个性化治疗方案推荐系统
CN111816309B (zh) * 2020-07-13 2022-02-01 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

Also Published As

Publication number Publication date
CN116130053A (zh) 2023-05-16
CN115206484A (zh) 2022-10-18

Similar Documents

Publication Publication Date Title
CN115206484B (zh) 一种脑卒中康复训练系统
CN110495880B (zh) 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
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
CN111584030A (zh) 基于深度学习和复杂网络的意念控制智能康复系统及应用
CN111584029B (zh) 基于判别式对抗网络的脑电自适应模型及在康复中的应用
CN114557677B (zh) 一种基于多模态融合的认知调控与训练系统
Djamal et al. Identification of post-stroke EEG signal using wavelet and convolutional neural networks
CN112353407A (zh) 一种基于神经功能康复主动训练的评估系统及方法
CN204931634U (zh) 基于生理信息的抑郁症评估系统
CN112494054B (zh) 基于多导肌电与脑电相干的卒中下肢运动康复评估方法
CN115640827B (zh) 对电刺激数据处理的智能闭环反馈网络方法及系统
CN112043473B (zh) 智能假肢脑-肌电融合感知的并行嵌套与自主择优分类器
CN114748080A (zh) 一种感觉运动功能的检测量化方法和系统
CN111544855A (zh) 基于蒸馏学习和深度学习纯意念控制智能康复方法及应用
CN117503153B (zh) 基于人工智能的患者术后康复评价方法
CN111544256A (zh) 基于图卷积和迁移学习的脑控智能全肢体康复方法
CN110931104A (zh) 基于机器学习的上肢康复机器人智能训练系统及方法
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
CN110908506B (zh) 仿生智能算法驱动的主被动一体化康复方法、装置、存储介质和设备
CN108543216A (zh) 一种基于主从控制的手部功能重建装置及其实现方法
Zhang et al. sEMG-based shoulder-elbow composite motion pattern recognition and control methods for upper limb rehabilitation robot
CN110464348A (zh) 基于肌电信号的下肢关节连续运动量识别方法及系统
CN114082169A (zh) 基于脑电信号的伤残手软体康复机器人运动想象识别方法
CN117238449A (zh) 一种认知功能障碍的康复训练策略的优化方法及系统
CN116831874A (zh) 一种基于肌电信号的下肢康复器控制方法

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