CN115376694B - 一种肢体功能障碍的多模态自适应评估系统及方法 - Google Patents
一种肢体功能障碍的多模态自适应评估系统及方法 Download PDFInfo
- Publication number
- CN115376694B CN115376694B CN202211298487.7A CN202211298487A CN115376694B CN 115376694 B CN115376694 B CN 115376694B CN 202211298487 A CN202211298487 A CN 202211298487A CN 115376694 B CN115376694 B CN 115376694B
- Authority
- CN
- China
- Prior art keywords
- limb
- brain
- evaluation
- disorder
- electroencephalogram
- 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
- 230000004064 dysfunction Effects 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000011156 evaluation Methods 0.000 claims abstract description 108
- 210000004556 brain Anatomy 0.000 claims abstract description 88
- 230000033001 locomotion Effects 0.000 claims abstract description 86
- 239000011159 matrix material Substances 0.000 claims abstract description 77
- 230000006870 function Effects 0.000 claims abstract description 73
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 48
- 208000016285 Movement disease Diseases 0.000 claims abstract description 29
- 238000013210 evaluation model Methods 0.000 claims abstract description 24
- 230000007659 motor function Effects 0.000 claims abstract description 17
- 238000006243 chemical reaction Methods 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims abstract description 13
- 230000003183 myoelectrical effect Effects 0.000 claims abstract description 8
- 206010069551 Brain midline shift Diseases 0.000 claims description 40
- 230000003044 adaptive effect Effects 0.000 claims description 40
- 238000002591 computed tomography Methods 0.000 claims description 38
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 16
- 210000003455 parietal bone Anatomy 0.000 claims description 13
- 210000003205 muscle Anatomy 0.000 claims description 12
- 210000002454 frontal bone Anatomy 0.000 claims description 11
- 101100311460 Schizosaccharomyces pombe (strain 972 / ATCC 24843) sum2 gene Proteins 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 claims description 3
- 210000000988 bone and bone Anatomy 0.000 claims description 3
- 230000006378 damage Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 230000001936 parietal effect Effects 0.000 claims description 2
- 208000012661 Dyskinesia Diseases 0.000 claims 2
- 238000007917 intracranial administration Methods 0.000 abstract description 7
- 238000006073 displacement reaction Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 6
- 238000004393 prognosis Methods 0.000 abstract description 5
- 238000002560 therapeutic procedure Methods 0.000 abstract description 2
- 210000003414 extremity Anatomy 0.000 description 97
- 108091006146 Channels Proteins 0.000 description 57
- 208000035475 disorder Diseases 0.000 description 31
- 210000001519 tissue Anatomy 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 3
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 2
- 230000000386 athletic effect Effects 0.000 description 2
- 210000005013 brain tissue Anatomy 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000000302 ischemic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000017074 necrotic cell death Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 210000003625 skull Anatomy 0.000 description 2
- 239000011780 sodium chloride Substances 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 210000001364 upper extremity Anatomy 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 206010017577 Gait disturbance Diseases 0.000 description 1
- 206010049816 Muscle tightness Diseases 0.000 description 1
- 208000010886 Peripheral nerve injury Diseases 0.000 description 1
- 208000029033 Spinal Cord disease Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 244000309466 calf Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000002567 electromyography Methods 0.000 description 1
- 238000002001 electrophysiology Methods 0.000 description 1
- 230000007831 electrophysiology Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 208000027905 limb weakness Diseases 0.000 description 1
- 231100000861 limb weakness Toxicity 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008058 pain sensation Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003238 somatosensory effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
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
- 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
-
- 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
- A61B5/1036—Measuring load distribution, e.g. podologic studies
- A61B5/1038—Measuring plantar pressure during gait
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/389—Electromyography [EMG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/501—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the head, e.g. neuroimaging or craniography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Neurology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Radiology & Medical Imaging (AREA)
- High Energy & Nuclear Physics (AREA)
- Neurosurgery (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Primary Health Care (AREA)
- Dentistry (AREA)
- Physiology (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Pulmonology (AREA)
- Developmental Disabilities (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及图像处理技术领域，具体公开了一种肢体功能障碍的多模态自适应评估系统及方法，通过脑部CT图像计算脑中线结构特征矩阵，以量化脑中线移位偏移量来反映颅内组织的偏移程度；根据运动功能评定量表实时获取不同评定项目对应的脑电数据，进行功能性障碍显著筛选并结合脑中线移位偏移量校正肢体功能障碍导致颅内组织的偏移引起脑电设备实际采集位点的传导偏差；以及获得不同评定项目对应的肌电数据和足底反力数据建立肢体运动功能数据库，建立肢体运动障碍自适应评估模型获得对应的运动指标，能作为辅助判断肢体功能障碍患者预后康复的重要指标，解决目前临床康复基于运动功能评定量表评估康复治疗的主观评分误差和个人差异问题。
Description
技术领域
本发明涉及图像处理、运动康复技术领域，具体涉及一种肢体功能障碍的多模态自适应评估系统及方法。
背景技术
肢体功能障碍是指人体某处或连带性的肢体原有的正常功能减弱或者丧失，不受思维控制运动或不能完全按照思维控制去行动。而下肢是在大脑的指令下，与躯干和上肢相互协调完成行走、跳跃等正常功能。一般患者具有脑部疾病、脊髓疾病、周围神经损伤等就会伴随出现肢体功能障碍，引起肢体无力，肢体感觉异常，或行走困难、肢体力量减弱，对痛觉、温度、位置等不能正确分辨等。
目前，对于肢体功能障碍患者广泛应用医学影像学辅助临床诊断，如计算机断层扫描(CT)能清晰呈现肢体功能障碍患者的脑部病灶情况，可通过获得不同类型的典型征象如低组织密度影、中线移位等，为术后制定治疗方案和判断预后严重性提供技术指标。目前临床上主要采用Fugl-Meyer量表、Brunnstrom量表、ADL量表等运动功能量表来评估肢体功能障碍患者的感觉运动损伤，主要依据医师的主观判断对运动功能指标进行评分缺乏一定的客观性。而人体的运动模式会因为任务、环境和个体的差异出现不确定的评分偏差，且现有的康复训练装置难以适应不同的患者调整个性化的训练强度，获得运动功能指标和电生理学等多模态客观指标来量化患者的肢体功能障碍又缺乏一种统一量化评价机制。因此，目前针对特定肢体功能障碍患者亟需一种适应性强、评估准确的肢体运动功能障碍智能评估方法及体系。
发明内容
鉴于以上所述现有方法的局限，本发明的目的在于提供一种肢体功能障碍的多模态自适应评估系统及方法，通过脑部CT图像计算脑中线结构特征矩阵，进一步量化脑中线移位偏移量来反映颅内组织的偏移程度；根据运动功能评定量表实时获取不同评定项目对应的脑电数据，进行功能性障碍显著筛选并结合脑中线移位偏移量校正肢体功能障碍导致颅内组织的偏移引起脑电设备实际采集位点的传导偏差；以及获得不同评定项目对应的肌电数据和足底反力数据建立肢体运动功能数据库，建立肢体运动障碍自适应评估模型获得对应的运动指标，能作为辅助判断肢体功能障碍患者预后肢体功能障碍康复的重要指标，解决目前临床康复基于运动功能评定量表评估康复治疗的主观评分误差和个人差异问题。
为了实现上述目的，根据本发明的一方面，提供一种肢体功能障碍的多模态自适应评估系统，所述系统包括：处理器、存储器及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行的单元包括：
脑中线移位偏移计算单元，用于识别脑部CT图像的脑中线结构，并计算脑中线结构特征矩阵，得到对应的脑中线移位偏移量；
肢体运动功能数据库储存单元，用于存储基于运动功能评定量表的不同评定项目时实时获取的不同肢体功能肌群对应的肌电数据和足底反力数据，并构建肢体运动功能数据库；
偏置障碍脑电数据计算单元，用于对不同评定项目对应的脑电数据计算得到脑电通道关联矩阵并进行功能性障碍显著筛选，结合脑中线移位偏移量计算得到偏置障碍脑电数据矩阵；
肢体运动障碍自适应评估单元，用于利用偏置障碍脑电数据矩阵和肢体运动功能数据库建立肢体运动障碍自适应评估模型，得到不同评定项目对应的运动指标；
所述一种肢体功能障碍的多模态自适应评估系统运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心的计算设备中。
进一步地，在脑中线移位偏移计算单元中，脑部CT图像是利用计算机断层扫描仪于肢体功能障碍患者的脑部获取的CT图像。
进一步地，在脑中线移位偏移计算单元中，识别脑部CT图像的脑中线结构，并计算脑中线结构特征矩阵，得到对应的脑中线移位偏移量方法为：
S201，设脑部CT图像的各个像素按矩阵M×N大小排列，将脑部CT图像在像素坐标为(x,y)上的灰度值表示为CT(x,y)，x∈[1,M]，y∈[1,N]；利用边缘检测算法检测所述脑部CT图像，获得距离图像边界最短且长度大于其它边缘线的一条边缘线，或者，获取各个边缘线所构成的闭合区域中面积最大的区域所对应的边缘线，记为透明隔间腔边缘线；
S202，根据透明隔间腔边缘线识别提取脑部结构中的额骨中位和顶骨中位对应的像素坐标，将额骨中位和顶骨中位相连接得到的直线记作正中骨嵴线，作为脑中线移位的标准基线；其中，额骨中位和顶骨中位获取方法为：计算在透明隔间腔边缘线上所有像素坐标(x,y)对应的x值的平均值记作xc，以及对应的y值的平均值记作yc，将脑实质中心坐标记作(xc, yc)；遍历在透明隔间腔边缘线上的各个像素坐标(x, y)，计算(x, y)与脑实质中心坐标(xc, yc)之间的欧式距离记作对应的趋心距离，并提取各个趋心距离大于或等于所有趋心距离的算术平均值对应的(x, y)记作趋心坐标；在所有趋心坐标中识别额骨中位和顶骨中位对应的像素坐标，其中将对应x值与xc值的差值最小且y值最大的趋心坐标记作额骨中位，将对应x值与xc值的差值最小且y值最小的像素坐标作为顶骨中位；
S203，根据脑部CT图像在透明隔间腔边缘线所构成的闭合区域内的所有像素坐标(x,y)计算对应的脑中线结构特征矩阵记作mid(x,y)，其计算公式为：
其中，mid(x,y)表示为在像素坐标(x, y)上的脑中线结构特征值，(xc, yc)为脑实
质中心坐标；
表示为像素坐标(x,y)在透明隔间腔边缘线所构成的闭合区域内的
取值范围内对<.>内的表达式作累加计算；sum为在透明隔间腔边缘线所构成的闭合区域内
所有像素点的个数；
S204，遍历i值取值范围，分别计算mid(x,y)中各个像素点到正中骨嵴线的距离记作各个像素点对应的脑中线移位距离，并计算所有脑中线移位距离的算术平均值作为脑中线移位偏移量记作midshift。
进一步地，在肢体运动功能数据库储存单元中，根据运动功能评定量表实时获取不同评定项目时的脑电数据，以及不同肢体功能肌群对应的肌电数据和足底反力数据，建立肢体运动功能数据库的方法为：
S301，基于运动功能评定量表中的各个评定项目对肢体功能障碍患者评定肢体运动功能损伤；其中所述运动功能评定量表可为Fugl-Meyer量表、Brunnstrom量表、ADL量表中的一种；
S302，利用脑电采集设备实时获取肢体功能障碍患者在不同评定项目时各个单极采集通道的脑电数据，将评定项目编号记为p，p∈[1,Num]，Num为所述运动功能评定量表的评定项目总数，单极采集通道序号记作i，i∈[1,CH1]，CH1为单极采集通道的个数，在第p个评定项目时对应第i个单极采集通道获取的脑电信号记作EEG(p, i)；
S303，利用肌电信号采集仪实时获取肢体功能障碍患者在不同评定项目时各个肢体功能肌群对应的肌电数据，按预设顺序对各个肌电频道进行排序，频道序号记作j，j∈[1,CH2]，CH2为单极采集通道的个数，在第p个评定项目时对应第j个肌电频道获取的表面肌电信号记作sEMG(p, j)；
S303，利用足部压力测试系统实时获取肢体功能障碍患者在不同评定项目时对应的足底反力数据，将前脚掌的内侧足底区域标记为fore，足跟的中央足底区域标记为heel，在第p个评定项目时对应的足底压力信号分别记作PF(p, fore)和PF(p, heel)；
S304，建立肢体运动功能数据库，将肢体功能障碍患者在各个评定项目时获取的sEMG(p, j)、PF(p, fore)和PF(p, heel)进行数据预处理包括高斯去噪、数据格式化、归一化处理后，按顺序构成肢体运动功能数据库记作MFDatabase。
进一步地，在偏置障碍脑电数据计算单元中，根据不同评定项目对应的脑电数据结合脑中线移位偏移量，计算得到偏置障碍脑电数据矩阵的方法为：
S401，遍历p值和i值的取值范围，计算脑电通道关联矩阵记作releEEG，其计算公式为：
其中，p为评定项目编号，i为单极采集通道序号，releEEG的矩阵大小为Num×CH1，REG(p,i)为releEEG中对应第p行第i列的元素，REG(p,i)表示为计算第p个评定项目时对应第i个单极采集通道获取的脑电信号EEG(p,i)与其邻近的第i1个单极采集通道获取的脑电信号EEG(p, i1)之间的关联指数，其中i1为单极采集通道序号，取i1 = i+1；meanp(i)和meanp(i1)分别为第i个和第i1个单极采集通道的脑电信号中的各个元素在所有评定项目内的平均值；
S402，遍历p的取值范围，利用序列浮动前向选择算法对releEEG逐行进行功能性障碍显著筛选，在releEEG矩阵中遍历各行分别提取，提取各行中各个REG(p,i)的评价函数大于或等于对应i值的单极采集通道上所有评定项目对应的REG(p,i)的评价函数的平均值对应的p值，并将对应的p值标记为功能性显著项目；遍历releEEG各行获得对应的所有功能性显著项目，并利用特征选择算法筛选出各个REG(p,i)中与运动功能障碍相关性最高的前Q个单极采集通道标记为功能性障碍显著通道；并构建功能性障碍脑电矩阵，矩阵大小为sum1×sum2；令barEEG(k,m)表示为所述功能性障碍脑电矩阵在第k行第m列对应的元素数值，将所有功能性障碍显著通道对应的EEG(p,i)数值分别按p值从小到大顺序和按i值从小到大顺序依次存入barEEG(k,m)；其中，Q为功能性障碍显著通道的个数，Q∈[1, CH1]；k为功能性显著项目的序号，k∈[1,sum1]，sum1为功能性显著项目的个数；m为功能性障碍显著通道的序号，m∈[1,sum2]，sum2为功能性障碍显著通道的个数；
S403，由功能性障碍脑电矩阵结合脑中线移位偏移量计算得到偏置障碍脑电数据矩阵，其计算公式为：
其中，offsetEEG(k,m)为偏置障碍脑电数据矩阵中第k行第m列对应的元素，表示为第k个功能性显著项目中第m个功能性障碍显著通道对应的偏置障碍脑电信号。
进一步地，在肢体运动障碍自适应评估单元中，利用偏置障碍脑电数据矩阵和肢体运动功能数据库建立肢体运动障碍自适应评估模型，得到不同评定项目对应的运动指标的方法为：
S501，利用训练好的深度卷积神经网络对偏置障碍脑电数据矩阵和肢体运动功能数据库进行预测获得运动功能障碍数据集；
S502，将运动功能障碍数据集作为深度网络自适应算法的数据集输入，进行自适应训练得到对应的肢体运动障碍自适应评估模型，通过肢体运动障碍自适应评估模型获得各个评定项目对应的运动指标。
S503，根据肢体功能障碍患者基于运动功能评定量表中的各个评定项目对应的运动指标，辅助医护人员确定个性化康复训练强度，针对该患者制定的个性化康复训练方案。
本发明还提供了一种肢体功能障碍的多模态自适应评估方法，所述方法包括步骤：
S100，利用计算机断层扫描仪获取脑部CT图像；
S200，识别脑部CT图像的脑中线结构，并计算脑中线结构特征矩阵，得到对应的脑中线移位偏移量；
S300，根据运动功能评定量表实时获取不同评定项目对应的脑电数据，以及不同肢体功能肌群对应的肌电数据和足底反力数据，建立肢体运动功能数据库；
S400，根据不同评定项目对应的脑电数据结合脑中线移位偏移量，计算得到偏置障碍脑电数据矩阵；
S500，利用偏置障碍脑电数据矩阵和肢体运动功能数据库建立肢体运动障碍自适应评估模型，得到不同评定项目对应的运动指标。
进一步地，在S100中，利用计算机断层扫描仪获取肢体功能障碍患者在术后的脑部CT图像。
如上所述，本发明所述的一种肢体功能障碍的多模态自适应评估方法及系统，具有以下有益效果：（1）通过检测脑部CT图像提取脑部结构中的正中骨嵴线作为标准基线，计算脑中线结构特征矩阵进一步量化脑中线移位偏移量来反映颅内组织的偏移程度；（2）根据脑电数据结合脑中线移位偏移量计算偏置障碍脑电数据矩阵，解决由于脑组织的缺血性坏死或软化造成颅内组织的偏移移位可能引起脑电采集设备的电极位点与实际采集位点的传导偏差问题；（3）通过计算脑电通道关联矩阵并进行功能性障碍显著筛选，能提取与功能性障碍相关的评定项目及其对应关联性脑电特征更多的单极采集通道，可以最大程度地剔除非关联的脑电数据减少冗余训练输入，从而提高评估模型的精确度和训练效率；（4）对多模态采集的数据进行筛选并建立自适应评估模型，可定量获得各个评定项目对应的运动指标，能作为辅助判断肢体功能障碍患者预后肢体功能障碍康复的重要指标，可有效解决目前临床康复基于运动功能评定量表评估康复治疗的主观评分误差和个人差异问题。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本发明的上述以及其他特征将更加明显，本发明附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，在附图中：
图1所示为一种肢体功能障碍的多模态自适应评估方法的流程图；
图2所示为一种肢体功能障碍患者的多模态自适应评估系统结构图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为根据本发明的一种肢体功能障碍的多模态自适应评估方法的流程图，下面结合图1来阐述根据本发明的实施方式的一种肢体功能障碍的多模态自适应评估方法。本发明提出一种肢体功能障碍的多模态自适应评估方法，所述方法具体包括以下步骤：
S100，利用计算机断层扫描仪获取脑部CT图像；
S200，识别脑部CT图像的脑中线结构，并计算脑中线结构特征矩阵，得到对应的脑中线移位偏移量；
S300，根据运动功能评定量表实时获取不同评定项目对应的脑电数据，以及不同肢体功能肌群对应的肌电数据和足底反力数据，建立肢体运动功能数据库；
S400，根据不同评定项目对应的脑电数据结合脑中线移位偏移量，计算得到偏置障碍脑电数据矩阵；
S500，利用偏置障碍脑电数据矩阵和肢体运动功能数据库建立肢体运动障碍自适应评估模型，得到不同评定项目对应的运动指标。
进一步地，在S100中，利用计算机断层扫描仪获取肢体功能障碍患者在术后的脑部CT图像；优选地，在本具体实施例中，所述计算机断层扫描仪选用西门子双排CT（型号：Definition AS），设定扫描参数为：120 mA，160 kV，扫描时间：2~4 s，扫描矩阵为 512×512，窗宽：80～100 HU，窗位：30～60，层厚10.0 mm，层距10 mm。
进一步地，在S200中，识别脑部CT图像的脑中线结构，并计算脑中线结构特征矩阵，得到对应的脑中线移位偏移量方法为：
S201，设脑部CT图像的各个像素按矩阵M×N大小排列，将脑部CT图像在像素坐标为(x,y)上的灰度值表示为CT(x,y)，x∈[1,M]，y∈[1,N]；利用边缘检测算法检测所述脑部CT图像，获得距离图像边界最短且长度大于其它边缘线的一条边缘线，或者，获取各个边缘线所构成的闭合区域中面积最大的区域所对应的边缘线，记为透明隔间腔边缘线；优选地，该边缘检测算法可为Canny算子、Sobel算子、Laplace算子、Roberts算子、Krisch算子、Prewitt算子、Susan角点检测算法等其中一种方法实现；优选地，M、N分别为单位为像素的宽、高，M、N的值优选分别为512像素、512像素。
S202，根据透明隔间腔边缘线识别提取脑部结构中的额骨中位和顶骨中位对应的像素坐标，将额骨中位和顶骨中位相连接得到的直线记作正中骨嵴线，作为脑中线移位的标准基线；其中，额骨中位和顶骨中位获取方法为：计算在透明隔间腔边缘线上所有像素坐标(x,y)对应的x值的平均值记作xc，以及对应的y值的平均值记作yc，将脑实质中心坐标记作(xc, yc)；遍历在透明隔间腔边缘线上的各个像素坐标(x, y)，计算(x, y)与脑实质中心坐标(xc, yc)之间的欧式距离记作对应的趋心距离，并提取各个趋心距离大于或等于所有趋心距离的算术平均值对应的(x, y)记作趋心坐标；（避免了CT扫描会由于有头骨等结构的干扰导致中线结构位置成像不清晰，提高定位的准确度）在所有趋心坐标中识别额骨中位和顶骨中位对应的像素坐标，其中将对应x值与xc值的差值最小且y值最大的趋心坐标记作额骨中位，将对应x值与xc值的差值最小且y值最小的像素坐标作为顶骨中位；
S203，根据脑部CT图像在透明隔间腔边缘线所构成的闭合区域内的所有像素坐标(x,y)计算对应的脑中线结构特征矩阵记作mid(x,y)，其计算公式为：
其中，mid(x,y)表示为在像素坐标(x, y)上的脑中线结构特征值，(xc, yc)为脑实
质中心坐标；
表示为像素坐标(x,y)在透明隔间腔边缘线所构成的闭合区域内的
取值范围内对<.>内的表达式作累加计算；sum为在透明隔间腔边缘线所构成的闭合区域内
所有像素点的个数；
S204，遍历i值取值范围，分别计算mid(x,y)中各个像素点到正中骨嵴线的距离记作各个像素点对应的脑中线移位距离，并计算所有脑中线移位距离的算术平均值作为脑中线移位偏移量记作midshift。（脑部中线结构是两侧大脑中间的部位，主要包括透明隔，前后大脑镰等脑部结构，而脑组织的缺血性坏死或软化以及组织水肿都能够造成中线移位，而中线移位程度越大反映了颅内组织偏移程度越严重，患者术后偏瘫风险更高，运动功能障碍越差；然而CT扫描会由于有头骨等结构的干扰导致中线结构位置成像不清晰，无法准确判断中线移位程度；在步骤S200中通过脑部CT图像识别提取脑部结构中的正中骨嵴线作为标准基线，计算脑中线结构特征矩阵反映与脑实质中心坐标之间的位移特征，进一步计算脑中线移位偏移量来量化颅内组织的偏移程度，避免了CT扫描会由于有头骨等结构的干扰导致中线结构位置成像不清晰，用于校正实际采集偏置的脑电数据提高评估准确度）。
进一步地，在S300中，根据运动功能评定量表实时获取不同评定项目时的脑电数据，以及不同肢体功能肌群对应的肌电数据和足底反力数据，建立肢体运动功能数据库的方法为：
S301，基于运动功能评定量表中的各个评定项目对肢体功能障碍患者评定肢体运动功能损伤；其中所述运动功能评定量表可为Fugl-Meyer量表、Brunnstrom量表、ADL量表中的一种；优选地，在本具体实施例中，所述运动功能评定量表选用Fugl-Meyer量表，其中各个评定项目包括坐位平衡、坐位至站立体、行走、上肢功能、手的运动、全身肌张力等。
S302，利用脑电采集设备实时获取肢体功能障碍患者在不同评定项目时各个单极采集通道的脑电数据，将评定项目编号记为p，p∈[1,Num]，Num为所述运动功能评定量表的评定项目总数，单极采集通道序号记作i，i∈[1,CH1]，CH1为单极采集通道的个数，在第p个评定项目时对应第i个单极采集通道获取的脑电信号记作EEG(p, i)；
优选地，在本具体实施例中，所述脑电采集设备选用SAGA脑电测试系统（荷兰，TMSi）包括采集单元和数据接收单元；其中，所述采集单元选用配置的一体式电极帽系统（10-20系统），单极采集通道数CH1=32/64，采样频率可为512/1024/2048/4096 Hz，内嵌湿电极，湿电极可为环形电极、杯状电极、盐水电极等（湿电极是通过导电膏或盐水减少电极与皮肤之间的阻抗，抗环境干扰较强能保证更好的信号质量）；所述数据接收单元与采集单元同步传输数据，其数据传输模式可为有线/无线连接/卡扣传输/本地储存，自带主动屏蔽技术（有效消除电源噪音及导线扰动等干扰误差），与处理器连接进行数据采集及数据处理。
S303，利用肌电信号采集仪实时获取肢体功能障碍患者在不同评定项目时各个肢体功能肌群对应的肌电数据，按预设顺序对各个肌电频道进行排序，频道序号记作j，j∈[1,CH2]，CH2为单极采集通道的个数，在第p个评定项目时对应第j个肌电频道获取的表面肌电信号记作sEMG(p, j)；
优选地，在本具体实施例中，所述肌电信号采集仪选用便携式表面肌电仪（DelsysTrigno Mobile），数据采集利用传感器采集16个肌电频道，总共48个全带宽三自由度加速度计通道，传感器尺寸为123 mm×69 mm×123 mm，具有持续数据存储功能；数据传输采用无线传感器通过USB接口实时传输至处理器进行数据处理；其中各个肌电频道可固定采集肢体功能障碍患者的不同部位，j值从小到大对照不同部位的预设顺序为：小腿、大腿、腰、后背和颈部。
S303，利用足部压力测试系统实时获取肢体功能障碍患者在不同评定项目时对应的足底反力数据，将前脚掌的内侧足底区域标记为fore，足跟的中央足底区域标记为heel，在第p个评定项目时对应的足底压力信号分别记作PF(p, fore)和PF(p, heel)；
优选地，在本具体实施例中，所述足部压力测试系统选用跑台履带式的足底压力测量系统（Myopressure，DM-T Lido），内置2560个电容性传感器，采样频率为100 Hz，可承重250 lbs，可完成站立、行走和跑步等动态连续测试，并分析足底力和压力分布，提供全部压力、空间和时间参数数据。
S304，建立肢体运动功能数据库，将肢体功能障碍患者在各个评定项目时获取的sEMG(p, j)、PF(p, fore)和PF(p, heel)进行数据预处理包括高斯去噪、数据格式化、归一化处理后，按顺序构成肢体运动功能数据库记作MFDatabase。
进一步地，在S400中，根据不同评定项目对应的脑电数据结合脑中线移位偏移量，计算得到偏置障碍脑电数据矩阵的方法为：
S401，遍历p值和i值的取值范围，计算脑电通道关联矩阵记作releEEG，其计算公式为：
其中，p为评定项目编号，i为单极采集通道序号，releEEG的矩阵大小为Num×CH1，REG(p,i)为releEEG中对应第p行第i列的元素，REG(p,i)表示为计算第p个评定项目时对应第i个单极采集通道获取的脑电信号EEG(p,i)与其邻近的第i1个单极采集通道获取的脑电信号EEG(p, i1)之间的关联指数，其中i1为单极采集通道序号，取i1 = i+1；meanp(i)和meanp(i1)分别为第i个和第i1个单极采集通道的脑电信号中的各个元素在所有评定项目内的平均值；
S402，遍历p的取值范围，利用序列浮动前向选择算法对releEEG逐行进行功能性障碍显著筛选，在releEEG矩阵中遍历各行分别提取各行中各个REG(p,i)的评价函数大于或等于对应i值的单极采集通道上所有评定项目对应的REG(p,i)的评价函数的平均值对应的p值，并将对应的p值标记为功能性显著项目；遍历releEEG各行获得对应的所有功能性显著项目，并利用特征选择算法筛选出各个REG(p,i)中与运动功能障碍相关性最高的前Q个单极采集通道标记为功能性障碍显著通道；并构建功能性障碍脑电矩阵，矩阵大小为sum1×sum2；令barEEG(k,m)表示为所述功能性障碍脑电矩阵在第k行第m列对应的元素数值，将所有功能性障碍显著通道对应的EEG(p,i)数值分别按p值从小到大顺序和按i值从小到大顺序依次存入barEEG(k,m)；其中，Q为功能性障碍显著通道的个数，Q∈[1, CH1]；k为功能性显著项目的序号，k∈[1,sum1]，sum1为功能性显著项目的个数；m为功能性障碍显著通道的序号，m∈[1,sum2]，sum2为功能性障碍显著通道的个数；优选地，所述序列浮动前向选择算法中的评价函数选择相关性筛选器或信息增益筛选器；所述特征选择算法包括随机产生序列选择算法、模拟退火算法、遗传算法等其中一种；
S403，由功能性障碍脑电矩阵结合脑中线移位偏移量计算得到偏置障碍脑电数据矩阵，其计算公式为：
其中，offsetEEG(k,m)为偏置障碍脑电数据矩阵中第k行第m列对应的元素，表示为第k个功能性显著项目中第m个功能性障碍显著通道对应的偏置障碍脑电信号。
（由于利用脑电采集设备能获得在多个评定项目时若干个单极采集通道的脑电数据，每个单极采集通道存在多个与评定项目相关的脑电特征，当通道数过多时会导致在S500训练肢体运动障碍自适应评估模型过于复杂且运行时间过长，且并非所有评定项目都会影响脑电信号的显著波动变化，过多关联性较低的评定项目作为建立模型的输入会降低与肢体运动功能障碍的评估准确度；因此在S400中通过计算脑电通道关联矩阵并进行功能性障碍显著筛选，能提取与功能性障碍相关的评定项目及其对应关联性脑电特征更多的单极采集通道，可以最大程度地剔除非关联的脑电数据减少冗余训练输入，从而提高评估模型的精确度和训练效率；并在步骤S403中结合脑中线移位偏移量得到偏置障碍脑电数据矩阵，解决由于脑组织的缺血性坏死或软化造成颅内组织的偏移移位可能引起脑电采集设备的电极位点与实际采集位点的传导偏差问题）。
进一步地，在S500中，利用偏置障碍脑电数据矩阵和肢体运动功能数据库建立肢体运动障碍自适应评估模型，得到不同评定项目对应的运动指标的方法为：
S501，把偏置障碍脑电数据矩阵和肢体运动功能数据库输入深度卷积神经网络，通过调整对应的网络参数训练得到预测精度最大值对应的运动功能障碍数据集；
S502，将运动功能障碍数据集作为深度网络自适应算法(Deep DomainConfusion)的数据集输入，进行自适应训练得到对应的肢体运动障碍自适应评估模型，精准评估各个评定项目对应的运动指标，即通过肢体运动障碍自适应评估模型获得各个评定项目对应的运动指标；优选地，在本具体实施例中深度卷积神经网络选择Resnet 50网络结构；
S503，根据肢体功能障碍患者基于运动功能评定量表中的各个评定项目对应的运动指标，辅助医护人员确定个性化康复训练强度，针对该患者制定的个性化康复训练方案。
（在S500中对多模态采集的数据进行筛选并建立自适应评估模型，可定量获得各个评定项目对应的运动指标，解决目前临床康复基于运动功能评定量表评估康复治疗的主观评分误差和个人差异问题，能作为辅助判断肢体功能障碍患者预后肢体功能障碍康复的重要指标）。
根据本发明的一优选地实施例，提供一种肢体功能障碍的多模态自适应评估系统，如图2所示为本发明的一种肢体功能障碍患者的多模态自适应评估系统结构图，所述系统包括：处理器、存储器及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下系统的单元中：
脑中线移位偏移计算单元，用于识别脑部CT图像的脑中线结构，并计算脑中线结构特征矩阵，得到对应的脑中线移位偏移量；
肢体运动功能数据库储存单元，用于存储基于运动功能评定量表的不同评定项目时实时获取的不同肢体功能肌群对应的肌电数据和足底反力数据，并构建肢体运动功能数据库；
偏置障碍脑电数据计算单元，用于对不同评定项目对应的脑电数据计算得到脑电通道关联矩阵并进行功能性障碍显著筛选，结合脑中线移位偏移量计算得到偏置障碍脑电数据矩阵；
肢体运动障碍自适应评估单元，用于利用偏置障碍脑电数据矩阵和肢体运动功能数据库建立肢体运动障碍自适应评估模型，得到不同评定项目对应的运动指标。
所述一种肢体功能障碍患者的多模态自适应评估系统可以运行于桌上型计算机、笔记本、掌上电脑及云端数据中心等计算设备中。所述一种肢体功能障碍患者的多模态自适应评估系统包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种肢体功能障碍的多模态自适应评估方法及系统的示例，并不构成对一种肢体功能障碍的多模态自适应评估方法及系统的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种肢体功能障碍患者的多模态自适应评估系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-ProgrammHCO3-le Gate Array，FPGA) 或者其他可编程逻辑器件、分立元器件门电路或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种肢体功能障碍患者的多模态自适应评估系统的控制中心，利用各种接口和线路连接整个一种肢体功能障碍患者的多模态自适应评估系统的各个分区域。
所述存储器可用于存储所述计算机程序和/或单元，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或单元，以及调用存储在存储器内的数据，实现所述一种肢体功能障碍的多模态自适应评估方法及系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
Claims (6)
1.一种肢体功能障碍的多模态自适应评估系统，其特征在于，所述系统包括：处理器、存储器及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行的单元包括：
脑中线移位偏移计算单元，用于识别脑部CT图像的脑中线结构，并计算脑中线结构特征矩阵，得到对应的脑中线移位偏移量；
肢体运动功能数据库储存单元，用于存储基于运动功能评定量表的不同评定项目时实时获取的不同肢体功能肌群对应的肌电数据和足底反力数据，并构建肢体运动功能数据库；
偏置障碍脑电数据计算单元，用于对不同评定项目对应的脑电数据计算得到脑电通道关联矩阵并进行功能性障碍显著筛选，结合脑中线移位偏移量计算得到偏置障碍脑电数据矩阵；
肢体运动障碍自适应评估单元，用于利用偏置障碍脑电数据矩阵和肢体运动功能数据库建立肢体运动障碍自适应评估模型，得到不同评定项目对应的运动指标；
其中，在所述脑中线移位偏移计算单元中，用于识别脑部CT图像的脑中线结构，并计算脑中线结构特征矩阵，得到对应的脑中线移位偏移量方法为：
S201，设脑部CT图像的各个像素按矩阵M×N大小排列，将脑部CT图像在像素坐标为(x,y)上的灰度值表示为CT(x,y)，x∈[1,M]，y∈[1,N]；利用边缘检测算法检测所述脑部CT图像，获得距离图像边界最短且长度大于其它边缘线的一条边缘线，或者，获取各个边缘线所构成的闭合区域中面积最大的区域所对应的边缘线，记为透明隔间腔边缘线；
S202，根据透明隔间腔边缘线识别提取脑部结构中的额骨中位和顶骨中位对应的像素坐标，将额骨中位和顶骨中位相连接得到的直线记作正中骨嵴线，作为脑中线移位的标准基线；其中，额骨中位和顶骨中位获取方法为：计算在透明隔间腔边缘线上所有像素坐标(x,y)对应的x值的平均值记作xc，以及对应的y值的平均值记作yc，将脑实质中心坐标记作(xc,yc)；遍历在透明隔间腔边缘线上的各个像素坐标(x,y)，计算(x,y)与脑实质中心坐标(xc,yc)之间的欧式距离记作对应的趋心距离，并提取各个趋心距离大于或等于所有趋心距离的算术平均值对应的(x,y)记作趋心坐标；在所有趋心坐标中识别额骨中位和顶骨中位对应的像素坐标，其中将对应x值与xc值的差值最小且y值最大的趋心坐标记作额骨中位，将对应x值与xc值的差值最小且y值最小的像素坐标作为顶骨中位；
S203，根据脑部CT图像在透明隔间腔边缘线所构成的闭合区域内的所有像素坐标(x,y)计算对应的脑中线结构特征矩阵记作mid(x,y)，其计算公式为：
其中，mid(x,y)表示为在像素坐标(x,y)上的脑中线结构特征值，(xc,yc)为脑实质中心坐标；∑x，y<·>表示为像素坐标(x,y)在透明隔间腔边缘线所构成的闭合区域内的取值范围内对<.>内的表达式作累加计算；sum为在透明隔间腔边缘线所构成的闭合区域内所有像素点的个数；
S204，遍历i值取值范围，分别计算mid(x,y)中各个像素点到正中骨嵴线的距离记作各个像素点对应的脑中线移位距离，并计算所有脑中线移位距离的算术平均值作为脑中线移位偏移量记作midshift；其中脑电采集设备实时获取肢体功能障碍患者在各个单极采集通道的脑电数据，i值表示为单极采集通道序号，i∈[1,CH1]，CH1为单极采集通道的个数；
其中，在所述肢体运动功能数据库储存单元中，根据运动功能评定量表实时获取不同评定项目时的脑电数据，以及不同肢体功能肌群对应的肌电数据和足底反力数据，建立肢体运动功能数据库的方法为：
S301，基于运动功能评定量表中的各个评定项目对肢体功能障碍患者评定肢体运动功能损伤；其中所述运动功能评定量表可为Fugl-Meyer量表、Brunnstrom量表、ADL量表中的一种；
S302，利用脑电采集设备实时获取肢体功能障碍患者在不同评定项目时各个单极采集通道的脑电数据，将评定项目编号记为p，p∈[1,Num]，Num为所述运动功能评定量表的评定项目总数，单极采集通道序号记作i，i∈[1,CH1]，CH1为单极采集通道的个数，在第p个评定项目时对应第i个单极采集通道获取的脑电信号记作EEG(p,i)；
S303，利用肌电信号采集仪实时获取肢体功能障碍患者在不同评定项目时各个肢体功能肌群对应的肌电数据，按预设顺序对各个肌电频道进行排序，频道序号记作j，j∈[1,CH2]，CH2为单极采集通道的个数，在第p个评定项目时对应第j个肌电频道获取的表面肌电信号记作sEMG(p,j)；
S303，利用足部压力测试系统实时获取肢体功能障碍患者在不同评定项目时对应的足底反力数据，将前脚掌的内侧足底区域标记为fore，足跟的中央足底区域标记为heel，在第p个评定项目时对应的足底压力信号分别记作PF(p,fore)和PF(p,heel)；
S304，建立肢体运动功能数据库，将肢体功能障碍患者在各个评定项目时获取的sEMG(p,j)、PF(p,fore)和PF(p,heel)进行数据预处理包括高斯去噪、数据格式化、归一化处理后，按顺序构成肢体运动功能数据库记作MFDatabase；
其中，在所述偏置障碍脑电数据计算单元中，根据不同评定项目对应的脑电数据结合脑中线移位偏移量，计算得到偏置障碍脑电数据矩阵的方法为：
S401，遍历p值和i值的取值范围，计算脑电通道关联矩阵记作releEEG，其计算公式为：
其中，p为评定项目编号，i为单极采集通道序号，releEEG的矩阵大小为Num×CH1，REG(p,i)为releEEG中对应第p行第i列的元素，REG(p,i)表示为计算第p个评定项目时对应第i个单极采集通道获取的脑电信号EEG(p,i)与其邻近的第i1个单极采集通道获取的脑电信号EEG(p,i1)之间的关联指数，其中i1为单极采集通道序号，取i1＝i+1；meanp(i)和meanp(i1)分别为第i个和第i1个单极采集通道的脑电信号中的各个元素在所有评定项目内的平均值；
S402，遍历p的取值范围，利用序列浮动前向选择算法对releEEG逐行进行功能性障碍显著筛选，在releEEG矩阵中遍历各行分别提取各行中各个REG(p,i)的评价函数大于或等于对应i值的单极采集通道上所有评定项目对应的REG(p,i)的评价函数的平均值对应的p值，并将对应的p值标记为功能性显著项目；遍历releEEG各行获得对应的所有功能性显著项目，并利用特征选择算法筛选出各个REG(p,i)中与运动功能障碍相关性最高的前Q个单极采集通道标记为功能性障碍显著通道；并构建功能性障碍脑电矩阵，矩阵大小为sum1×sum2；令barEEG(k,m)表示为所述功能性障碍脑电矩阵在第k行第m列对应的元素数值，将所有功能性障碍显著通道对应的EEG(p,i)数值分别按p值从小到大顺序和按i值从小到大顺序依次存入barEEG(k,m)；其中，Q为功能性障碍显著通道的个数，Q∈[1,CH1]；k为功能性显著项目的序号，k∈[1,sum1]，sum1为功能性显著项目的个数；m为功能性障碍显著通道的序号，m∈[1,sum2]，sum2为功能性障碍显著通道的个数；
S403，由功能性障碍脑电矩阵结合脑中线移位偏移量计算得到偏置障碍脑电数据矩阵，其计算公式为：
offsetEEG(k，m)＝barEEG(k，m)×[1+ln(emidshift)]；
其中，offsetEEG(k,m)为偏置障碍脑电数据矩阵中第k行第m列对应的元素，表示为第k个功能性显著项目中第m个功能性障碍显著通道对应的偏置障碍脑电信号。
2.根据权利要求1所述的一种肢体功能障碍的多模态自适应评估系统，其特征在于，所述一种肢体功能障碍的多模态自适应评估系统运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心的计算设备中。
3.根据权利要求1所述的一种肢体功能障碍的多模态自适应评估系统，其特征在于，在脑中线移位偏移计算单元中，脑部CT图像是利用计算机断层扫描仪于肢体功能障碍患者的脑部获取的CT图像。
4.根据权利要求1所述的一种肢体功能障碍的多模态自适应评估系统，其特征在于，在肢体运动障碍自适应评估单元中，利用偏置障碍脑电数据矩阵和肢体运动功能数据库建立肢体运动障碍自适应评估模型，得到不同评定项目对应的运动指标的方法为：
S501，利用训练好的深度卷积神经网络对偏置障碍脑电数据矩阵和肢体运动功能数据库进行预测获得运动功能障碍数据集；
S502，将运动功能障碍数据集作为深度网络自适应算法的数据集输入，进行自适应训练得到对应的肢体运动障碍自适应评估模型，通过肢体运动障碍自适应评估模型获得各个评定项目对应的运动指标。
5.一种如权利要求1-4中任一项所述的多模态自适应评估系统的自适应评估方法，其特征在于，所述方法包括步骤：
S100，利用计算机断层扫描仪获取脑部CT图像；
S200，识别脑部CT图像的脑中线结构，并计算脑中线结构特征矩阵，得到对应的脑中线移位偏移量；
S300，根据运动功能评定量表实时获取不同评定项目对应的脑电数据，以及不同肢体功能肌群对应的肌电数据和足底反力数据，建立肢体运动功能数据库；
S400，根据不同评定项目对应的脑电数据结合脑中线移位偏移量，计算得到偏置障碍脑电数据矩阵；
S500，利用偏置障碍脑电数据矩阵和肢体运动功能数据库建立肢体运动障碍自适应评估模型，得到不同评定项目对应的运动指标。
6.根据权利要求5所述的多模态自适应评估系统的自适应评估方法，其特征在于，在S500中，利用偏置障碍脑电数据矩阵和肢体运动功能数据库建立肢体运动障碍自适应评估模型，得到不同评定项目对应的运动指标的方法为：
S501，利用训练好的深度卷积神经网络对偏置障碍脑电数据矩阵和肢体运动功能数据库进行预测获得运动功能障碍数据集；
S502，将运动功能障碍数据集作为深度网络自适应算法的数据集输入，进行自适应训练得到对应的肢体运动障碍自适应评估模型，通过肢体运动障碍自适应评估模型获得各个评定项目对应的运动指标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211298487.7A CN115376694B (zh) | 2022-10-24 | 2022-10-24 | 一种肢体功能障碍的多模态自适应评估系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211298487.7A CN115376694B (zh) | 2022-10-24 | 2022-10-24 | 一种肢体功能障碍的多模态自适应评估系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115376694A CN115376694A (zh) | 2022-11-22 |
| CN115376694B true CN115376694B (zh) | 2023-02-28 |
Family
ID=84073764
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211298487.7A Active CN115376694B (zh) | 2022-10-24 | 2022-10-24 | 一种肢体功能障碍的多模态自适应评估系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115376694B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116313090A (zh) * | 2023-03-16 | 2023-06-23 | 上海外国语大学 | 一种基于静息态脑电数据睡眠障碍风险评估方法和系统 |
| CN116798635B (zh) * | 2023-08-25 | 2023-11-17 | 中国科学院自动化研究所 | 运动功能障碍程度评价模型、评价装置及评价系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2488355C1 (ru) * | 2012-05-28 | 2013-07-27 | Государственное бюджетное учреждение здравоохранения Научно-исследовательский институт скорой помощи имени Н.В. Склифосовского Департамента здравоохранения г. Москвы | Способ определения уровня поражения ствола мозга при остром дислокационном синдроме у пострадавших с тяжелой черепно-мозговой травмой |
| WO2019041412A1 (zh) * | 2017-08-31 | 2019-03-07 | 中国科学院微电子研究所 | 基于热成像的关脉识别方法 |
| WO2021067457A1 (en) * | 2019-09-30 | 2021-04-08 | Massachusetts Eye And Ear Infirmary | Objective evaluation of neurological movement disorders from medical imaging |
| CN114359277A (zh) * | 2022-03-18 | 2022-04-15 | 佛山科学技术学院 | 一种脑卒中患者的脑部图像处理方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111739647B (zh) * | 2020-08-07 | 2021-08-03 | 暨南大学 | 基于磁共振影像的双相障碍自杀风险预测方法及相关装置 |
-
2022
- 2022-10-24 CN CN202211298487.7A patent/CN115376694B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2488355C1 (ru) * | 2012-05-28 | 2013-07-27 | Государственное бюджетное учреждение здравоохранения Научно-исследовательский институт скорой помощи имени Н.В. Склифосовского Департамента здравоохранения г. Москвы | Способ определения уровня поражения ствола мозга при остром дислокационном синдроме у пострадавших с тяжелой черепно-мозговой травмой |
| WO2019041412A1 (zh) * | 2017-08-31 | 2019-03-07 | 中国科学院微电子研究所 | 基于热成像的关脉识别方法 |
| WO2021067457A1 (en) * | 2019-09-30 | 2021-04-08 | Massachusetts Eye And Ear Infirmary | Objective evaluation of neurological movement disorders from medical imaging |
| CN114359277A (zh) * | 2022-03-18 | 2022-04-15 | 佛山科学技术学院 | 一种脑卒中患者的脑部图像处理方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 肌电图导引下A型肉毒毒素治疗脑卒中肢体痉挛疗效观察;余明市等;《中国康复理论与实践》;20041225(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115376694A (zh) | 2022-11-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115376694B (zh) | 一种肢体功能障碍的多模态自适应评估系统及方法 | |
| Merletti et al. | Analysis of motor units with high-density surface electromyography | |
| Rojas-Martínez et al. | Identification of isometric contractions based on High Density EMG maps | |
| US7628761B2 (en) | Apparatus and method for performing nerve conduction studies with localization of evoked responses | |
| US8494621B2 (en) | Method and apparatus with reduced electrode system specific ECG interpretation | |
| US20090099468A1 (en) | Automated Processing of Electrophysiological Data | |
| CN105636513A (zh) | 使用局部匹配进行高分辨率标测的医疗装置 | |
| de Oliveira et al. | Neural decoding from surface high-density EMG signals: influence of anatomy and synchronization on the number of identified motor units | |
| CN115003223A (zh) | 使用电阻抗度量和临床预测因子的无创医学诊断 | |
| CN114220543B (zh) | 一种肿瘤患者身心痛苦指数评估方法以及系统 | |
| Scalona et al. | Inter-laboratory and inter-operator reproducibility in gait analysis measurements in pediatric subjects | |
| CN114569112A (zh) | 一种应用表面肌电薄膜电极的脊柱侧弯评估方法 | |
| Tong et al. | Sensitivity analysis of wearable textiles for ECG sensing | |
| CN115054250A (zh) | 镜像溢出运动检测分析方法和系统 | |
| CN117153379B (zh) | 一种胸廓出口综合征的预测装置 | |
| US8016777B1 (en) | Hand-held probe for prostate cancer screening | |
| KR20170137122A (ko) | 뇌 심부 자극술 수술에서의 사용을 위한 손목 경직 평가 장치 | |
| KR102228817B1 (ko) | 질병 예측 및 진단을 위한 전자 장치 및 그 동작 방법 | |
| CN109431493B (zh) | 基于距离分段加权算法的可穿戴体表电势采集装置 | |
| Maitland et al. | Electrical cross-sectional imaging of human motor units in vivo | |
| Saadi et al. | Low-cost ecg monitoring system with classification using deep learning | |
| KR20200004722A (ko) | 실시간 부정맥 판단 방법 및 판단 장치 | |
| Wang et al. | The Influence of Computer Vision Algorithm on Brain Function Network Related To Parkinson’s Disease | |
| CN112741634B (zh) | 一种心脏病灶定位系统 | |
| Fickling | Technical development of the brain vital signs framework as an objective and practical test for concussion |
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 |