CN115568866A - 一种神经损伤的评价系统及其方法 - Google Patents
一种神经损伤的评价系统及其方法 Download PDFInfo
- Publication number
- CN115568866A CN115568866A CN202211317517.4A CN202211317517A CN115568866A CN 115568866 A CN115568866 A CN 115568866A CN 202211317517 A CN202211317517 A CN 202211317517A CN 115568866 A CN115568866 A CN 115568866A
- Authority
- CN
- China
- Prior art keywords
- tester
- signals
- degree
- electroencephalogram
- evaluation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- 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
- A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
-
- 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
- A61B5/24—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
- A61B5/24—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]
- A61B5/397—Analysis of electromyograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
Abstract
本申请提供一种神经损伤的评价系统,包括:脑电采集模块、第一分析处理模块、肌电信号采集模块、第二分析处理模块和总分析处理模块,脑电采集模块用于采集测试者在测试过程中产生的脑电信号;第一分析处理模块能够接受脑电信号,且能够根据脑电信号建立神经损伤程度的评估模型;肌电信号采集模块用于采集测试者在运动时的表面肌电信号;第二分析处理模块能够接受肌电信号,且能够根据肌电信号确定测试者肢体运动功能障碍程度;总分析处理模块能够根据评估模型和肢体运动功能障碍程度,判断测试者的神经损伤为轻度、中度、重度中的具体程度。根据本申请的神经损伤的评价系统,能够评价在恢复过程中神经损伤情况。
Description
技术领域
本申请属于神经损伤技术领域,具体涉及一种神经损伤的评价系统及其方法。
背景技术
目前,脑卒中是一种因大脑出血或缺血导致中枢神经坏死的疾病,通常伴随运动功能障碍和语言障碍。据统计,我国脑卒中患者人数超1200万,已成为一个危害性较强的疾病,患者人数众多、患病后生活质量严重下降已成为普遍问题。
但是,当前基于运动想象(Motor Imagery,MI)脑机接口(Brain computerinterface,BCI)的神经损伤相关的研究以康复治疗为主,而在神经损伤的诊断和严重程度的评估方面应用很少。脑电信号(Electroencephalography,EEG)是大脑进行神经活动时,相关神经元产生的电波变化形成的一种生理电信号,其本身具有时变随机性、信号非常微弱,幅值一般都是在100μV之下、非线性、非平稳性、低信噪比(背景噪声大)以及节律性等特点。表面肌电(surface electromyogram,sEMG)信号在一定程度上可被认为是由中枢神经控制因素(例如运动单元的募集和活化程度)和其它外部因素(例如肌纤维上电信号的传播速度)共同作用的结果,所以可通过分析sEMG信号特征值的变化了解中枢神经损伤后患者肢体运动功能障碍的表现与机制。通过分析sEMG信号对脑卒中患者神经肌肉系统功能状态进行评价,国内外较多通过sEMG对脑卒中患者肌肉功能状态进行研究,但并没有涉及中枢神经损伤患者手部肌肉功能在康复过程中的变化,针对不同阶段的肌肉、神经状态并及时改进康复方案。
因此,如何提供一种能够评价在恢复过程中神经损伤情况的神经损伤的评价系统及其方法成为本领域技术人员急需解决的问题。
发明内容
因此,本申请要解决的技术问题在于提供一种神经损伤的评价系统及其方法,能够评价在恢复过程中神经损伤情况。
为了解决上述问题,本申请提供一种神经损伤的评价系统,包括:
脑电采集模块,脑电采集模块用于采集测试者在测试过程中产生的脑电信号;
第一分析处理模块,第一分析处理模块能够接受脑电信号,且能够根据脑电信号建立神经损伤程度的评估模型;
肌电信号采集模块,肌电信号采集模块用于采集测试者在运动时的表面肌电信号;
第二分析处理模块,第二分析处理模块能够接受肌电信号,且能够根据肌电信号确定测试者肢体运动功能障碍程度;
和总分析处理模块,总分析处理模块能够根据评估模型和肢体运动功能障碍程度,判断测试者的神经损伤程度。
进一步地,第一分析处理模块能够根据测试者进行运动想象时的产生的脑电信号和健康者进行运动想象时的产生的脑电信号差异,以判断测试者的严重程度得到神经损伤等级。
进一步地,第一分析处理模块能够对测试者进行运动想象时的产生的脑电信号和健康者进行运动想象时的产生的脑电信号进行功率谱密度分析,按照θ频段、α频段、β频段和全频段提取不同频域特征,针对测试者与健康者在测试过程中频域层面的特征差异,观察健康者和测试者的区分度。
进一步地,第一分析处理模块能够通过经验模式分解将脑电信号分解为多个内蕴模式函数IMFs,筛选组合后的信号作为公共空间模式输入进行特征提取到特征提取矩阵模型,以获得空域特征模型。
进一步地,第一分析处理模块能够将频域特征、空域特征以及脑电信号,在神经损伤评估的建模方法上,使用卷积神经网络的深度学习方法来提取EEG信号的特征并进行有效分类。
进一步地,卷积神经网络的深度学习方法来提取EEG信号的特征并进行有效分类,具体结构如下:
EEG-CNN网络中包括:二维卷积层(Conv2D),二维平均池化层(AvgPool2d),批量标准化层(BatchNorm2d),二维卷积层(Conv2D),二维平均池化层(AvgPool2d);
第一分析处理模块能够在AvgPool2d将时域特征第一次压缩;在第二个AvgPool2d再次将时域特征进行第二次压缩;直接使用Conv2D完全压缩时域特征,最后在全连接层使用softmax函数预测最终分类结果;再对测试者神经功能损伤程度建立评估模型。
进一步地,第二分析处理模块能够采用均方根值(RMS)和中值频率(MF)对行sEMG信号分析处理,以确定测试者肢体运动功能障碍程度;其中RMS值为时域特征,而MF值为频域特征。
进一步地,总分析处理模块能够采用Bayes方法对脑电与肌电多源数据预测结果进行融合,具体按照脑电信号、肌电信号各自的评估结果生成判断矩阵,对数据源影响因素进行重要性打分,生成判断矩阵生成判断矩阵;然后确定各个判断矩阵的权值。加权融合考虑各个影响因素,各数据源的综合得分向量为:
Q=[W1,W2,…,Wn]·W0
本申请提供了一种神经损伤的评价方法,包括如下步骤:
步骤S1:采集测试者的脑电信号,并根据脑电信号建立神经损伤程度的评估模型;
步骤S2:采集测试者的肌电信号,并根据肌电信号确定测试者肢体运动功能障碍程度;
步骤S3:根据神经损伤程度的评估结果和测试者肢体运动功能障碍程度,确定测试者的神经损伤程度。
进一步地,采集测试者的脑电信号包括如下步骤:采集过程持续5分钟,包括持续1分钟睁眼和1分钟闭眼的静息态和持续3分钟共20试次MI的测试过程;单次20试次MI的测试过程为3s任务提示,4s运动想象,2s短暂休息;
根据脑电信号建立神经损伤程度的评估模型包括如下步骤:
步骤L1:根据测试者进行运动想象时的产生的脑电信号和健康者进行运动想象时的产生的脑电信号,以判断测试者的神经损伤等级;
步骤L2:对测试者进行运动想象时的产生的脑电信号和健康者进行运动想象时的产生的脑电信号进行功率谱密度分析,按照θ频段、α频段、β频段和全频段提取不同频域特征,针对测试者与健康者在测试过程中频域层面的特征差异,观察健康者和测试者的区分度;
步骤L3:通过经验模式分解将脑电信号分解为多个内蕴模式函数IMFs,筛选组合后的信号作为公共空间模式输入进行特征提取到特征提取矩阵模型,以获得空域特征模型;
步骤4:将频域特征、空域特征以及脑电信号,在神经损伤评估的建模方法上,使用卷积神经网络的深度学习方法来提取EEG信号的特征并进行有效分类;
进一步地,卷积神经网络的深度学习方法来提取EEG信号的特征并进行有效分类,具体结构如下:
EEG-CNN网络中包括:二维卷积层(Conv2D),二维平均池化层(AvgPool2d),批量标准化层(BatchNorm2d),二维卷积层(Conv2D),二维平均池化层(AvgPool2d);
在AvgPool2d将时域特征第一次压缩;在第二个AvgPool2d再次将时域特征进行第二次压缩;直接使用Conv2D完全压缩时域特征,最后在全连接层使用softmax函数预测最终分类结果;再对测试者神经功能损伤程度建立评估模型;
采集测试者的肌电信号包括如下步骤:
步骤H1:脑卒中患者根据所选评价动作调整手部姿态:手腕伸MVIC时让患者手心朝下放于桌面上,手腕处于中立位置;手腕屈MVIC时让患者手心朝下悬浮于桌面上,手腕处于中立位置;拇指屈时让患者手腕背面与桌面处于垂直状态,手部半握拳,大拇指向食指指关节的桡侧弯曲;食指外展时让患者手心朝下平放于桌面上,食指处于中立位置;
步骤H2:向患者手部施加阻力,保持评价动作不变,进行康复评价;
根据肌电信号确定测试者肢体运动功能障碍程度包括如下步骤:
采用均方根值(RMS)和中值频率(MF)对行sEMG信号分析处理,以确定测试者肢体运动功能障碍程度;其中RMS值为时域特征,而MF值为频域特征;
根据神经损伤程度的评估结果和测试者肢体运动功能障碍程度,确定测试者的神经损伤程度包括如下步骤:
采用Bayes方法对脑电与肌电多源数据预测结果进行融合,具体按照脑电信号、肌电信号各自的评估结果生成判断矩阵,对数据源影响因素进行重要性打分,然后确定各个判断矩阵的权值。加权融合考虑各个影响因素,各数据源的综合得分向量为:
Q=[W1,W2,…,Wn]…W0
本申请提供的神经损伤的评价系统及其方法,本申请能够评价在恢复过程中神经损伤情况。
附图说明
图1为本申请神经功能评价方法的流程示意图;
图2为本申请EEG-CNN深度学习网络模型流程图;
图3为本申请融合脑电及肌电的分层诊断过程图。
具体实施方式
结合参见图1-3所示,一种神经损伤的评价系统,包括脑电采集模块、第一分析处理模块、肌电信号采集模块、第二分析处理模块和总分析处理模块,脑电采集模块用于采集测试者在测试过程中产生的脑电信号;第一分析处理模块能够接受脑电信号,且能够根据脑电信号建立神经损伤程度的评估模型;肌电信号采集模块用于采集测试者在运动时的表面肌电信号;第二分析处理模块能够接受肌电信号,且能够根据肌电信号确定测试者肢体运动功能障碍程度;总分析处理模块能够根据评估模型和肢体运动功能障碍程度,判断测试者的神经损伤程度。本申请神经损伤的评价系统为融合脑肌电的脑卒中患者神经功能智能评估方法,在本申请中,在脑电评估中,首先使用CSP-EMD方法对采集脑电信号进行伪迹去除的预处理开始,再到使用深度学习算法对神经损伤患者进行分层诊断、使用迁移学习对患者进行运动想象模式识别,为脑卒中疾病的辅助诊断和分层诊断提供了一种结合脑机接口技术和人工智能技术的新型方法。在肌电sEMG的手部动作识别,通过模式识别的方法对采集到的脑卒中患者表面肌电信号进行分析处理,包括信号预处理、特征提取和特征分类三方面。中枢神经损伤患者手部运动功能的康复评价通常以运动功能评价为主,融合脑电和肌电的运动功能评估,形成对患者智能化的综合评估方法。判断测试者的神经损伤程度指的是判断测试者神经损失为轻度、中度、重度中的具体程度。
本申请的脑电采集模块为任务态采集脑电信号,第一分析模块包括EMD-CSP特征模型提取和EMD-CNN深度学习网络模型和分类最佳模型。
医师在为患者制定康复训练方案前,应首先对患者进行康复评价,判断患者目前所处的康复阶段,然后依据评价结果为患者设计适合的康复治疗方案,同时还应及时掌握患者的恢复情况,便于对后续的康复方案进行及时的调整。根据Brunnstrom评价将患者手部运动功能的恢复过程可分为迟缓期阶段、痉挛期阶段、联带运动期阶段、部分分离运动期阶段、分离运动期阶段和正常期阶段。参照Brunnstrom评价,将患者的严重程度分为不同等级,比如轻度、中度、重度中的具体程度,可以用于基于脑肌电数据评估的标定。
本申请还公开了一些实施例,第一分析处理模块能够根据测试者进行运动想象时的产生的脑电信号和健康者进行运动想象时的产生的脑电信号,以判断测试者的神经损伤等级。具体的,第一分析处理模块能够根据测试者进行运动想象时的产生的脑电信号和健康者进行运动想象时的产生的脑电信号差异,以判断测试者的严重程度得到神经损伤等级。
本申请中采用脑机接口技术与医疗领域深度融合,为脑卒中患者带来“科学化、主动化、精准化”的康复解决方案,缩短住院康复时间,对于降低心脑血管疾病的致残率、减轻患者家庭和社会的经济负担。
本申请还公开了一些实施例,第一分析处理模块能够对测试者进行运动想象时的产生的脑电信号和健康者进行运动想象时的产生的脑电信号进行功率谱密度分析,按照θ频段、α频段、β频段和全频段提取不同频域特征,针对测试者与健康者在测试过程中频域层面的特征差异,观察健康者和测试者的区分度。α频段、β频段的差异性大,其他频段差异性相对小,是综合利用所有频段差异特征来建模。本申请中频域是上述步骤中全频段提取的不同频域特征,空域是空域特征,脑电信号是采集到的原始脑电信号。特征差异指的是健康人和患者两类人群在空间域层面的特征差异。睁眼和闭眼静息态的θ和α节律的脑地形图区分度更大,MI任务态的区分度相对较小。相同任务下的α节律区别也是最明显的。
本申请还公开了一些实施例,第一分析处理模块能够通过经验模式分解将脑电信号分解为多个内蕴模式函数IMFs,筛选组合后的信号作为公共空间模式输入进行特征提取到特征提取矩阵模型,以获得空域特征模型。本申请通过结合经验模式分解(EmpiricalMode Decomposition,EMD)和公共空间模式(Common Spatial Pattern,CSP)的空域特征模型提取方法,与传统方法相比,本申请采用EMD-CSP方法对脑电信号去除伪迹后,分类正确率最高。
本申请还公开了一些实施例,第一分析处理模块能够将频域特征、空域特征以及脑电信号,在神经损伤评估的建模方法上,使用卷积神经网络的深度学习方法来提取EEG信号的特征并进行有效分类。
本申请还公开了一些实施例,卷积神经网络的深度学习方法来提取EEG信号的特征并进行有效分类,具体结构如下:
EEG-CNN网络中包括:二维卷积层(Conv2D),二维平均池化层(AvgPool2d),批量标准化层(BatchNorm2d),二维卷积层(Conv2D),二维平均池化层(AvgPool2d);
第一分析处理模块能够在AvgPool2d将时域特征第一次压缩;在第二个AvgPool2d再次将时域特征进行第二次压缩;直接使用Conv2D完全压缩时域特征,最后在全连接层使用softmax函数预测最终分类结果;再对测试者神经功能损伤程度建立评估模型。
本申请中采用频域和空域特征,以及原始的脑电信号,在神经损伤评估的建模方法上,使用卷积神经网络(Convolutional Neural Network,CNN)的深度学习方法来提取EEG信号的特征并进行有效分类。改进的EEG-CNN深度学习网络模型对输入数据进行训练并通过跨被试的方式找出分类健康人和患者不同程度的最佳模型。采用本申请设计的EEG-CNN网络结构相比其他深度学习算法和基准算法具有较高的识别准确率,最高的平均正确率达到79.0%
本申请还公开了一些实施例,第二分析处理模块能够采用均方根值(RMS)和中值频率(MF)对行sEMG信号分析处理,以确定测试者肢体运动功能障碍程度;其中RMS值为时域特征,而MF值为频域特征。
本申请还公开了一些实施例,总分析处理模块能够采用Bayes方法对脑电与肌电多源数据预测结果进行融合,具体按照层次分析法(AHP)将脑电信号、肌电信号各自的评估结果生成判断矩阵,对数据源影响因素进行重要性打分,生成判断矩阵生成判断矩阵;然后确定各个判断矩阵的权值。加权融合考虑各个影响因素,各数据源的综合得分向量为:
Q=[W1,W2,…,Wn]·W0
根据本申请的实施例,提供了一种神经损伤的评价方法,包括如下步骤:
步骤S1:采集测试者的脑电信号,并根据脑电信号建立神经损伤程度的评估模型;
步骤S2:采集测试者的肌电信号,并根据肌电信号确定测试者肢体运动功能障碍程度;
步骤S3:根据神经损伤程度的评估结果和测试者肢体运动功能障碍程度,确定测试者的神经损伤程度。
本申请还公开了一些实施例,采集测试者的脑电信号包括如下步骤:采集过程持续5分钟,包括持续1分钟睁眼和1分钟闭眼的静息态和持续3分钟共20试次MI的测试过程;单次20试次MI的测试过程为3s任务提示,4s运动想象,2s短暂休息;
根据脑电信号建立神经损伤程度的评估模型包括如下步骤:
步骤L1:根据测试者进行运动想象时的产生的脑电信号和健康者进行运动想象时的产生的脑电信号,以判断测试者的神经损伤等级;
步骤L2:对测试者进行运动想象时的产生的脑电信号和健康者进行运动想象时的产生的脑电信号进行功率谱密度分析,按照θ频段、α频段、β频段和全频段提取不同频域特征,针对测试者与健康者在测试过程中脑电信号频域层面的特征差异,观察健康者和测试者的区分度;
步骤L3:通过经验模式分解将脑电信号分解为多个内蕴模式函数IMFs,筛选组合后的信号作为公共空间模式输入进行特征提取到特征提取矩阵模型,以获得空域特征模型;
步骤4:将频域特征、空域特征以及脑电信号,在神经损伤评估的建模方法上,使用卷积神经网络的深度学习方法来提取EEG信号的特征并进行有效分类;
本申请还公开了一些实施例,卷积神经网络的深度学习方法来提取EEG信号的特征并进行有效分类,具体结构如下:
EEG-CNN网络中包括:二维卷积层(Conv2D),二维平均池化层(AvgPool2d),批量标准化层(BatchNorm2d),二维卷积层(Conv2D),二维平均池化层(AvgPool2d;
在AvgPool2d将时域特征第一次压缩;在第二个AvgPool2d再次将时域特征进行第二次压缩;直接使用Conv2D完全压缩时域特征,最后在全连接层使用softmax函数预测最终分类结果;再对测试者神经功能损伤程度建立评估模型;
采集测试者的肌电信号包括如下步骤:
步骤H1:脑卒中患者根据所选评价动作调整手部姿态:手腕伸MVIC时让患者手心朝下放于桌面上,手腕处于中立位置;手腕屈MVIC时让患者手心朝下悬浮于桌面上,手腕处于中立位置;拇指屈时让患者手腕背面与桌面处于垂直状态,手部半握拳,大拇指向食指指关节的桡侧弯曲;食指外展时让患者手心朝下平放于桌面上,食指处于中立位置;
步骤H2:向患者手部施加阻力,保持评价动作不变,进行康复评价;
根据肌电信号确定测试者肢体运动功能障碍程度包括如下步骤:
采用均方根值(RMS)和中值频率(MF)对行sEMG信号分析处理,以确定测试者肢体运动功能障碍程度;其中RMS值为时域特征,而MF值为频域特征;RMS还与肌力上有着良好的线性关系可检测肢体运动功能;MF值作为为频域特征,将sEMG信号功率谱中将能量均分的频率,常被用来作为区分肌肉活动的指标,在控制肌电义肢、诊断肌肉病理和检测肌肉疲劳度等领域被广泛使用。MF值的大小直接由肌肉收缩时参与募集活动的运动单元的类型和同步化程度决定,可测试不同类型运动单元募集变化情况。
和/或,
根据神经损伤程度的评估结果和测试者肢体运动功能障碍程度,确定测试者的神经损伤程度包括如下步骤:
采用Bayes方法对脑电与肌电多源数据预测结果进行融合,具体按照层次分析法(AHP)将脑电信号、肌电信号各自的评估结果生成判断矩阵,对数据源影响因素进行重要性打分,生成判断矩阵生成判断矩阵;然后确定各个判断矩阵的权值。加权融合考虑各个影响因素,各数据源的综合得分向量为:
Q=[W1,W2,…,Wn]·W0
其中,qi表示第i个信息源中的可靠性参数值取满足从而可Wi为第i个数据源的可靠性参数在融合关系式中的权重。本申请融合脑电肌电对脑卒中患者的神经功能采用创新性的智能评估方法,相比传统以人工评估方式减少时间、人力,脑电与肌电相互融合评估方式更全面。
本申请评价方法具体包括如下步骤:
一、评估方法,包括以下步骤:
1、脑卒中患者脑电信号的采集,采集过程持续5分钟,包括持续1分钟睁眼和1分钟闭眼的静息态,和持续3分钟共20试次MI的任务态。单次20试次MI的任务态过程为3s任务提示,4s运动想象,2s短暂休息。其中任务提示使用VR任务提示设备对抬手腕、抓握、搬运这三类运动想象任务的具体动作进行直观的演示。针对这些任务,设计了5个不同的贴合生活的VR场景作为实际训练模型。强化患者对想象动作在大脑中的认知,从而大幅降低这些精细动作的想象难度。
2、脑电采集记录患者整个实验期间的大脑的电生理活动,以及健康人对照组的脑电数据,同时完成脑电信号的实时采集和对应事件标签的实时记录,得到患者的分层诊疗数据。其中对患者进行三个级别的诊断和评估,具体依据Brunnstrom量表6个等级划分成三个级别分别为轻度、中度和重度,其中轻度患者定义为:患侧手部可完成抓握动作,但手部速度和准确性较差;中度患者定义为:患侧手指可做小范围抓握动作,无法伸展或小范围伸展;重度患者定义为:患侧手部仅有细微屈伸或无任何运动。Brunnstrom量表评估结果结合贝叶斯对数据进行融合,在神经损伤的诊断和严重程度的评估方面给予高效的客观的评价。
3、对不同程度的脑卒中患者和健康对照组脑电信号,首先进行了功率谱密度分析,按照θ频段、α频段、β频段和全频段提取不同频域特征,针对两类人在任务态频域层面的特征差异,观察健康人和脑卒中患者的区分度。
4、通过结合验模式分解(Empirical Mode Decomposition,EMD)和公共空间模式(Common Spatial Pattern,CSP)的空域特征模型提取方法,首先通过EMD将脑电信号分解为若干内蕴模式函数IMFs,筛选组合后的信号作为CSP输入进行特征提取到特征提取矩阵模型。
其中EMD方法将信号中包含的窄带信号成分提取出来,源信号分解为具有不同频率尺度的窄带信号。先分解出的IMF分量频率较高,随后随着IMF层数的增加IMF频率降低,且每个IMF局域均值为零。
CSP是一种对两分类任务下的空域滤波特征提取算法,从多通道的BCI数据里面提取出每一类的空间分布成分。基本原理是利用矩阵的对角化,找到一组最优空间滤波器进行投影,使得两类EEG的方差值差异最大化,从而得到具有较高区分度的特征向量。然后观察CSP训练生成的特征矩阵的脑地形图,在空域上观察健康人和脑卒中患者的区分度。
5、将3和4得到频域和空域特征,以及原始的脑电信号,在神经损伤评估的建模方法上,使用卷积神经网络(Convolutional Neural Network,CNN)的深度学习方法来提取EEG信号的特征并进行有效分类。改进的EEG-CNN深度学习网络模型对输入数据进行训练并通过跨被试的方式找出分类健康人和患者不同程度的最佳模型。具体的卷积神经网络(Convolutional Neural Network,CNN)的深度学习方法来提取EEG信号的特征并进行有效分类,具体结构如下:
EEG-CNN网络中包括5层(如图2所示),包含二维卷积层(Conv2D),二维平均池化层(AvgPool2d),批量标准化层(BatchNorm2d),二维卷积层(Conv2D),二维平均池化层(AvgPool2d)。在AvgPool2d将时域特征第一次压缩。在第二个AvgPool2d再次将时域特征进行第二次压缩。直接使用Conv2D完全压缩时域特征,最后在全连接层使用softmax函数预测最终分类结果。对患者神经功能损伤程度建立评估模型。
二、第二个目的通过肌电实现脑卒中患者神经功能智能评估方法,包括以下步骤:
1、准备动作
脑卒中患者根据所选评价动作调整手部姿态:手腕伸MVIC时让患者手心朝下放于桌面上,手腕处于中立位置(既不外展也不内收);手腕屈MVIC时让患者手心朝下悬浮于桌面上,手腕处于中立位置(既不外展也不内收);拇指屈时让患者手腕背面与桌面处于垂直状态,手部半握拳,大拇指向食指指关节的桡侧弯曲;食指外展时让患者手心朝下平放于桌面上,食指处于中立位置(既不外展也不内收)。
2、数据采集
康复人员根据视频提示向患者手部施加阻力,保持评价动作不变,让其根据视频提示进行康复评价。具体过程描述如下:首先呈现2s的MVIC动作视频(语音提示“请准备”),让患者观察评价动作并提示患者做好准备,2s结束时动作提示视频消失;接着呈现4s的MVIC动作视频(语音提示所选评价动作),患者根据视频提示进行相应的康复评价动作任务;最后呈现2s休息提示视频(语音提示“休息一下”),提示患者休息,2s结束时休息视频消失,然后再次采集,重复5次。
3、sEMG信号分析处理
选用均方根值(RMS)和中值频率(MF)对行sEMG信号分析处理。其中RMS值为时域特征,能用来表示sEMG信号的幅值大小,还能在一定程度上表征在肌肉收缩时参与募集活动的运动单元数量。RMS还与肌力上有着良好的线性关系,而MF值为频域特征,是sEMG信号功率谱中将能量均分的频率,MF值的大小直接由肌肉收缩时参与募集活动的运动单元的类型和同步化程度决定,使用RMS值和MF值作为精确的康复评价指标在上肢运动功能的检测和评价。
4、评估
与正常人相比,患者的RMS值和MF值较小,但与手功能的恢复呈正相关,随着康复训练的进行,RMS值和MF值会逐渐增大。根据RMS值和MF值变化情况给出脑卒中患者康复评价,RMS值和MF值大小与Brunnstrom量表级别相对应,其中变化值与手功能的恢复程度呈正相关,其中数值越小严重程度越高,同时将变化数值范围与Brunnstrom量表所划分级别对应,级别数值越低严重程度越高。再根据Brunnstrom量表分成三个级别分别为轻度、中度和重度,其中轻度患者定义为:患侧手部可完成抓握动作,但手部速度和准确性较差;中度患者定义为:患侧手指可做小范围抓握动作,无法伸展或小范围伸展;重度患者定义为:患侧手部仅有细微屈伸或无任何运动。
三、融合脑电及肌电的分层诊断
基于脑电分析结果和肌电分析结果,采用如图3所示Bayes方法对脑电与肌电多源数据预测结果进行融合,具体按照脑电、肌电各自的评估结果生成判断矩阵,对数据源影响因素进行重要性打分,生成判断矩阵生成判断矩阵;然后确定各个判断矩阵的权值。加权融合考虑各个影响因素,各数据源的综合得分向量为:
(表示第i个信息源中的可靠性参数值取,满足,从而可为第i个数据源的可靠性参数在融合关系式中的权重)按照权重进行综合评估,以肌电评估的级别和脑电评估级别量值综合判定,最终患者神经损伤的诊断级别判定具体以肌电的W=a%与脑电W=b%结合,其中a+b=100;比如可以为a=70,b=30即肌电权重W=70%与脑电权重W=30%;还可以为a=60,b=40即W=60%与脑电W=40%;可以根据实际情况进行调整。最终给出评估结果。可针对不同程度的神经损伤病人给出诊断参考,为辅助诊断和分层诊断提供了参考基础。
本领域的技术人员容易理解的是,在不冲突的前提下,上述各有利方式可以自由地组合、叠加。
以上仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本申请的保护范围之内。以上仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本申请的保护范围。
Claims (10)
1.一种神经损伤的评价系统,其特征在于,包括:
脑电采集模块,所述脑电采集模块用于采集测试者在测试过程中产生的脑电信号;
第一分析处理模块,所述第一分析处理模块能够接受所述脑电信号,且能够根据所述脑电信号建立神经损伤程度的评估模型;
和/或,所述神经损伤的评价系统包括肌电信号采集模块;所述肌电信号采集模块还能够采集测试者在运动时的表面肌电信号;
第二分析处理模块,所述第二分析处理模块能够接受所述肌电信号,且能够根据所述肌电信号确定测试者肢体运动功能障碍程度;
总分析处理模块,所述总分析处理模块能够根据所述评估模型和所述肢体运动功能障碍程度,判断测试者的神经损伤程度。
2.根据权利要求1中所述的神经损伤的评价系统,其特征在于,所述第一分析处理模块能够根据所述测试者进行运动想象时的产生的脑电信号和健康者进行运动想象时的产生的脑电信号,以判断所述测试者的神经损伤等级。
3.根据权利要求2中所述的神经损伤的评价系统,其特征在于,所述第一分析处理模块能够对所述测试者进行运动想象时的产生的脑电信号和所述健康者进行运动想象时的产生的脑电信号进行功率谱密度分析,按照θ频段、α频段、β频段和全频段提取不同频域特征,针对所述测试者与所述健康者在测试过程中脑电信号频域层面的特征差异,观察所述健康者和所述测试者的区分度。
4.根据权利要求3中所述的神经损伤的评价系统,其特征在于,所述第一分析处理模块能够通过经验模式分解将所述脑电信号分解为多个内蕴模式函数IMFs,筛选组合后的信号作为公共空间模式输入进行特征提取到特征提取矩阵模型,以获得频域-空域特征模型。
5.根据权利要求4中所述的神经损伤的评价系统,其特征在于,所述第一分析处理模块能够将所述频域特征、所述空域特征以及所述脑电信号,在神经损伤评估的建模方法上,使用卷积神经网络(Convolutional Neural Networks,CNN)的深度学习方法来提取脑电(Electroencephalogram,EEG)信号的特征并进行分类。
6.根据权利要求5中所述的神经损伤的评价系统,其特征在于,所述卷积神经网络的深度学习方法来提取EEG信号的特征并进行分类,具体结构如下:
EEG-CNN网络中包括:二维卷积层(Conv2D),二维平均池化层(AvgPool2d),批量标准化层(BatchNorm2d),二维卷积层(Conv2D),二维平均池化层AvgPool2d;
第一分析处理模块能够在AvgPool2d将时域特征第一次压缩;在第二个AvgPool2d再次将时域特征进行第二次压缩;直接使用Conv2D完全压缩时域特征,最后在全连接层使用softmax函数预测最终分类结果;再对测试者神经功能损伤程度建立评估模型。
7.根据权利要求1中所述的神经损伤的评价系统,其特征在于,所述第二分析处理模块能够采用均方根值(RMS)和中值频率(MF)对行sEMG信号分析处理,以确定测试者肢体运动功能障碍程度;其中RMS值为时域特征,而MF值为频域特征。
9.一种神经损伤的评价方法,其特征在于,包括如下步骤:
步骤S1:采集测试者的脑电信号,并根据所述脑电信号建立神经损伤程度的评估模型;
步骤S2:采集测试者的肌电信号,并根据肌电信号确定测试者肢体运动功能障碍程度;
步骤S3:根据所述神经损伤程度的评估结果和所述测试者肢体运动功能障碍程度,确定测试者的神经损伤程度。
10.根据权利要求9中所述的神经损伤的评价方法,其特征在于,所述采集测试者的脑电信号包括如下步骤:采集过程持续5分钟,包括持续1分钟睁眼和1分钟闭眼的静息态和持续3分钟共20试次MI的测试过程;单次20试次MI的测试过程为3s任务提示,4s运动想象,2s短暂休息;
所述根据所述脑电信号建立神经损伤程度的评估模型包括如下步骤:
步骤L1:根据测试者进行运动想象时的产生的脑电信号和健康者进行运动想象时的产生的脑电信号差异,以判断测试者的严重程度得到神经损伤等级;
步骤L2:对测试者进行运动想象时的产生的脑电信号和健康者进行运动想象时的产生的脑电信号进行功率谱密度分析,按照θ频段、α频段、β频段和全频段提取不同频域特征,针对测试者与健康者在测试过程中脑电信号频域层面的特征差异,观察健康者和测试者的区分度;
步骤L3:通过经验模式分解将脑电信号分解为多个内蕴模式函数IMFs,筛选组合后的信号作为公共空间模式输入进行特征提取到特征提取矩阵模型,以获得频域-空域特征模型;
步骤4:将频域特征、空域特征以及脑电信号,在神经损伤评估的建模方法上,使用卷积神经网络的深度学习方法来提取EEG信号的特征并进行有效分类;
进一步地,卷积神经网络的深度学习方法来提取EEG信号的特征并进行有效分类,具体结构如下:
EEG-CNN网络中包括:二维卷积层(Conv2D),二维平均池化层(AvgPool2d),批量标准化层(BatchNorm2d),二维卷积层(Conv2D),二维平均池化层(AvgPool2d);
在AvgPool2d将时域特征第一次压缩;在第二个AvgPool2d再次将时域特征进行第二次压缩;直接使用Conv2D完全压缩时域特征,最后在全连接层使用softmax函数预测最终分类结果;再对测试者神经功能损伤程度建立评估模型;
和/或,所述采集测试者的肌电信号包括如下步骤:
步骤H1:脑卒中患者根据所选评价动作调整手部姿态:手腕伸MVIC时让患者手心朝下放于桌面上,手腕处于中立位置;手腕屈MVIC时让患者手心朝下悬浮于桌面上,手腕处于中立位置;拇指屈时让患者手腕背面与桌面处于垂直状态,手部半握拳,大拇指向食指指关节的桡侧弯曲;食指外展时让患者手心朝下平放于桌面上,食指处于中立位置;
步骤H2:向患者手部施加阻力,保持评价动作不变,进行康复评价;
所述根据肌电信号确定测试者肢体运动功能障碍程度包括如下步骤:
采用均方根值(RMS)和中值频率(MF)对行sEMG信号分析处理,以确定测试者肢体运动功能障碍程度;其中RMS值为时域特征,而MF值为频域特征;
和/或,
所述根据所述神经损伤程度的评估结果和所述测试者肢体运动功能障碍程度,确定测试者的神经损伤程度包括如下步骤:
采用Bayes方法对脑电与肌电多源数据预测结果进行融合,具体按照脑电信号、肌电信号各自的评估结果生成判断矩阵,对数据源影响因素进行重要性打分,然后确定各个判断矩阵的权值;加权融合考虑各个影响因素,各数据源的综合得分向量为:
Q=[W1,W2,…,Wn]·W0
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211317517.4A CN115568866A (zh) | 2022-10-26 | 2022-10-26 | 一种神经损伤的评价系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211317517.4A CN115568866A (zh) | 2022-10-26 | 2022-10-26 | 一种神经损伤的评价系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115568866A true CN115568866A (zh) | 2023-01-06 |
Family
ID=84587848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211317517.4A Pending CN115568866A (zh) | 2022-10-26 | 2022-10-26 | 一种神经损伤的评价系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115568866A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116250807A (zh) * | 2023-03-06 | 2023-06-13 | 国家康复辅具研究中心 | 基于fNIRS和MEP的神经通路评估方法及系统 |
CN117297583A (zh) * | 2023-11-29 | 2023-12-29 | 首都医科大学附属北京天坛医院 | 多模本体感知觉障碍评估系统和下肢运动模型构建系统 |
CN117711608A (zh) * | 2024-02-04 | 2024-03-15 | 广州中大医疗器械有限公司 | 一种用于整合神经损伤数据的综合分析系统 |
-
2022
- 2022-10-26 CN CN202211317517.4A patent/CN115568866A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116250807A (zh) * | 2023-03-06 | 2023-06-13 | 国家康复辅具研究中心 | 基于fNIRS和MEP的神经通路评估方法及系统 |
CN116250807B (zh) * | 2023-03-06 | 2023-11-14 | 国家康复辅具研究中心 | 基于fNIRS和MEP的神经通路评估方法及系统 |
CN117297583A (zh) * | 2023-11-29 | 2023-12-29 | 首都医科大学附属北京天坛医院 | 多模本体感知觉障碍评估系统和下肢运动模型构建系统 |
CN117711608A (zh) * | 2024-02-04 | 2024-03-15 | 广州中大医疗器械有限公司 | 一种用于整合神经损伤数据的综合分析系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112353407B (zh) | 一种基于神经功能康复主动训练的评估系统及方法 | |
CN110238863B (zh) | 基于脑电-肌电信号的下肢康复机器人控制方法及系统 | |
Alazrai et al. | A deep learning framework for decoding motor imagery tasks of the same hand using EEG signals | |
CN115568866A (zh) | 一种神经损伤的评价系统及其方法 | |
Pancholi et al. | Improved classification scheme using fused wavelet packet transform based features for intelligent myoelectric prostheses | |
Burns et al. | Upper limb movement classification via electromyographic signals and an enhanced probabilistic network | |
Alves et al. | Uncovering patterns of forearm muscle activity using multi-channel mechanomyography | |
AlSharabi et al. | EEG signal processing for Alzheimer’s disorders using discrete wavelet transform and machine learning approaches | |
Singh et al. | A review of EMG techniques for detection of gait disorders | |
Pancholi et al. | Intelligent upper-limb prosthetic control (iULP) with novel feature extraction method for pattern recognition using EMG | |
Benazzouz et al. | EMG Feature selection for diagnosis of neuromuscular disorders | |
CN112541415B (zh) | 基于符号传递熵和图论的脑肌功能网络运动疲劳检测方法 | |
CN109893118A (zh) | 一种基于深度学习的心电信号分类诊断方法 | |
CN113261981A (zh) | 一种基于表面肌电信号的上肢痉挛量化评估方法及系统 | |
Örücü et al. | Design and validation of multichannel wireless wearable SEMG system for real-time training performance monitoring | |
Li et al. | Detection of muscle fatigue by fusion of agonist and synergistic muscle semg signals | |
CN113100769A (zh) | 基于生理指标的无人机操作人员工作状态评估方法及系统 | |
Xu et al. | ART2 neural network for surface EMG decomposition | |
CN110604578A (zh) | 基于semg的人手手内动作识别方法 | |
Mobarak et al. | Hand movement classification using transient state analysis of surface multichannel EMG signal | |
Djemal et al. | Epileptic Seizure Motion Classification based on sEMG and Artificial Neural Network | |
Hema et al. | Fuzzy based classification of EEG mental tasks for a brain machine interface | |
Mohamed | Towards improved EEG interpretation in a sensorimotor BCI for the control of a prosthetic or orthotic hand | |
Joaquim et al. | Learning data representation and emotion assessment from physiological data | |
Somadder et al. | Frequency domain CSP for foot motor imagery classification using SVM for BCI application |
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 |