CN117153379A - 一种胸廓出口综合征的预测装置 - Google Patents

一种胸廓出口综合征的预测装置 Download PDF

Info

Publication number
CN117153379A
CN117153379A CN202311423126.5A CN202311423126A CN117153379A CN 117153379 A CN117153379 A CN 117153379A CN 202311423126 A CN202311423126 A CN 202311423126A CN 117153379 A CN117153379 A CN 117153379A
Authority
CN
China
Prior art keywords
data
electromyographic signal
information
activation
signal data
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
Application number
CN202311423126.5A
Other languages
English (en)
Other versions
CN117153379B (zh
Inventor
王俊
林艳霞
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.)
Shenzhen Qianhai Shekou Free Trade Zone Hospital
Original Assignee
Shenzhen Qianhai Shekou Free Trade Zone Hospital
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 Shenzhen Qianhai Shekou Free Trade Zone Hospital filed Critical Shenzhen Qianhai Shekou Free Trade Zone Hospital
Priority to CN202311423126.5A priority Critical patent/CN117153379B/zh
Publication of CN117153379A publication Critical patent/CN117153379A/zh
Application granted granted Critical
Publication of CN117153379B publication Critical patent/CN117153379B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G16H50/20—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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
    • 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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Engineering & Computer Science (AREA)
  • Veterinary Medicine (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Physiology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Mathematical Physics (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Epidemiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Genetics & Genomics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Vascular Medicine (AREA)
  • Cardiology (AREA)

Abstract

本发明提供了一种胸廓出口综合征的预测装置。该装置通过采集被测个体执行预定动作时的肌电信号数据，提取包含激活强度、激活同步性、激活持续时间和激活频率的肌肉活动信息；接着获取被测个体胸廓出口区域的解剖结构信息，该信息包括解剖结构变化及其具体结构如肌肉、神经、血管的位置、形状、大小；进一步地，通过肌电信号数据和解剖结构信息，提取肌电‑解剖结构关联特征数据，并据此和解剖结构变化提取病理改变特征参数。最后，通过上述所有的信息确定被测个体的胸廓出口综合征预测结果。此装置提供了一种系统的、多方位的评估手段，能够提高胸廓出口综合征的预测准确性。

Description

一种胸廓出口综合征的预测装置
技术领域
本申请涉及医学技术领域，尤其涉及一种胸廓出口综合征的预测装置。
背景技术
胸廓出口综合症是一种临床症候群，由于胸廓出口区域（颈部和肩部之间的小区域）的神经和/或血管受到压迫而导致各种症状，如疼痛、肌无力、麻木、刺痛感等。由于其症状与许多其他疾病相似，所以诊断胸廓出口综合征往往具有一定的困难，需要依靠详细的病史、体格检查、影像学检查等综合判断。
在现有的研究和诊疗方法中，大多数集中在通过医疗影像（如X光、MRI等）进行解剖结构的判断，然而，这种方法往往不能全面评估胸廓出口综合征的风险，因为仅仅依赖于解剖结构信息是不够的，还需要结合神经肌肉的活动信息。另外，现有的诊断方法通常无法量化病人的胸廓出口综合征风险，这对于病情跟踪和治疗效果评估带来一定的困难。
因此，如何提高胸廓出口综合征预测的准确性成为亟待解决的技术问题。
发明内容
本申请提供一种胸廓出口综合征的预测装置，以提高胸廓出口综合征的预测准确性。
本申请提供的胸廓出口综合征的预测装置，包括：
采集单元，用于采集被测个体的胸廓出口区域在执行预定动作过程中的肌电信号数据；
提取单元，用于从所述肌电信号数据中提取肌肉活动信息，其中，所述肌肉活动信息包括肌肉的激活强度、激活同步性、激活持续时间、和激活频率；
获取单元，用于获取被测个体的胸廓出口区域的解剖结构信息，其中，所述解剖结构信息包括解剖结构变化以及肌肉、神经、血管结构的位置、形状、大小；
第二提取单元，用于根据所述肌电信号数据和解剖结构信息，提取肌电-解剖结构关联特征数据；
第三提取单元，用于根据所述肌电-解剖结构关联特征数据和解剖结构变化，提取病理改变特征参数；
预测单元，用于根据所述肌肉活动信息、解剖结构信息、肌电-解剖结构关联特征数据以及病理改变特征参数，确定被测个体的胸廓出口综合征预测结果。
更进一步地，所述提取单元从所述肌电信号数据中提取肌肉活动信息时包括使用自适应阈值算法确定肌电信号的有效部分，所述有效部分用于反映激活强度。
更进一步地，所述提取单元使用自适应阈值算法确定肌电信号的有效部分是通过滑动窗口的每一步都得到一个根据当前肌电信号数据动态调整的阈值来确定肌电信号的有效部分，其具体包括：
选取所述肌电信号数据中的一段肌电信号数据，计算这段肌电信号数据的均值μ和标准差σ，通过阀值计算公式计算得到当前的阈值；
判断该段肌电信号数据中的肌电信号是否超过当前的阈值，如果超过，则认为这部分肌电信号是有效的；
随后滑动窗口向前移动一定的步长，从所述肌电信号数据中选取新的一段肌电信号数据，计算新的均值μ和标准差σ，通过所述阀值计算公式计算得到新的阈值；
使用这个新的阈值来判断该段肌电信号数据中的肌电信号是否有效；
其中，所述阀值计算公式为：T = μ + ασ，T为阀值，α为调整因子。
更进一步地，所述激活强度通过计算有效部分的肌电信号的平均强度而得到；
所述激活同步性通过计算不同肌电信号之间的相关性或者同步信息而得到；
所述激活持续时间通过计算肌电信号在所述阈值以上的连续时间段来计算；
所述激活频率通过计算单位时间内肌电信号超过所述阈值的次数而得到。
更进一步地，所述第三提取单元根据所述肌电-解剖结构关联特征数据和解剖结构变化提取病理改变特征参数时包括应用深度学习网络来识别病理改变特征参数，所述深度学习网络是一个卷积神经网络，其使用卷积神经网络的卷积层、池化层和全连接层来识别病理改变特征参数。
更进一步地，所述卷积层包括第一卷积层和第二卷积层，
所述卷积神经网络设有第一输入层和第二输入层，
所述第一输入层用于输入肌电-解剖结构关联特征数据，所述第一输入层的数据由第一卷积层处理；
所述第二输入层用于输入解剖结构变化，所述第二输入层的数据由第二卷积层处理；
所述池化层将所述第一卷积层和第二卷积层的输出进行合并，并通过池化操作降低数据的维度；
所述全连接层将所述池化层的输出进行整合，并通过输出层输出所述病理改变特征参数。
更进一步地，所述预测单元应用支持向量机分类器确定被测个体的胸廓出口综合征预测结果，所述支持向量机分类器使用核函数将原始特征空间映射到高维空间，以实现非线性分类；
所述核函数为径向基函数，其公式为K(x, y) = exp(-γ||x-y||²)，其中，γ为核函数的宽度参数，x和y为两个数据点。
更进一步地，所述预定动作包括上臂和肩外展、内收、偏头、耸肩、抬头、低头、左、右转颈、呼气、吸气。
更进一步地，所述预测单元还用于采集被测个体的个人信息，所述个人信息包括年龄、性别、体重、身高、以及有无疾病史，并根据所述个人信息与肌肉活动信息、解剖结构信息、肌电-解剖结构关联特征数据以及病理改变特征参数，确定被测个体的胸廓出口综合征预测结果。
本申请提供的技术方案，采用了肌电信号数据和解剖结构信息两种不同类型的数据源，实现了多源信息的融合。此外，首次将肌电信号数据与解剖结构信息相结合，提取出肌电-解剖结构关联特征数据。
本申请具有如下有益的技术效果：
（1）提高预测精度：通过联合分析肌电信号和解剖结构信息，以及提取出的肌电-解剖结构关联特征数据，能够更准确地评估患者的胸廓出口综合征风险，相比传统的方法具有更高的预测精度。
（2）早期发现与预防：由于该预测装置能够在早期阶段就发现胸廓出口综合征的风险，因此有助于医生进行早期干预和治疗，可能避免或减少由胸廓出口综合征引发的严重并发症。
附图说明
图1是本申请第一实施例提供的一种胸廓出口综合征的预测装置的示意图。
图2是本申请第一实施例涉及的一种卷积神经网络的示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本申请第一实施例提供一种胸廓出口综合征的预测装置。请参看图1，该图为本申请第一实施例的示意图。以下结合图1对本申请第一实施例提供一种胸廓出口综合征的预测装置进行详细说明。
所述预测装置包括采集单元101、提取单元102、获取单元103、第二提取单元104、第三提取单元105以及预测单元106。
采集单元101，用于采集被测个体的胸廓出口区域在执行预定动作过程中的肌电信号数据。
胸廓出口是身体的一个复杂区域，位于胸部和肩部之间，更具体地说，是在颈部的侧面和肩膀下方。这个区域包含许多重要的结构，包括骨骼（如锁骨和第一肋骨）、肌肉（如斜角肌和胸锁乳突肌）、神经（如臂丛神经）和血管（如锁骨下动脉和静脉）。这些结构在一个相对较小的空间内密集排列，任何变化都可能导致压迫和症状。
胸廓出口综合征就是由于这个区域的神经和/或血管受到压迫而导致的一种疾病。因为这个区域的解剖结构复杂，且受到许多因素的影响（如颈部和肩部的姿势、使用肩部的方式、过度使用或伤害），所以胸廓出口综合征的病因、症状和治疗都可能非常复杂。
表面肌电图设备，可以采集肌肉产生的电信号。表面肌电图设备的工作原理是，当被测个体的肌肉活动时，肌肉中的电信号（肌电信号）会发生改变，表面肌电图设备通过贴在皮肤表面的电极来检测和记录这些变化。表面肌电图设备通常包括一系列感应电极，这些电极可以放置在人体各个肌肉上，从不同位置采集肌电信号。
在本实施例提供的胸廓出口综合征的预测装置中，需要让被测个体执行一系列预定动作，例如上臂和肩外展、内收、偏头、耸肩、抬头、低头、左、右转颈、呼气、吸气。这些动作能够引起胸廓出口区域的肌肉活动，从而产生肌电信号。当被测个体在执行这些动作时，就可以使用表面肌电图设备来采集胸廓出口区域的肌电信号。
预定动作是指事先设计的一系列具体动作，这些动作的选择通常是为了让被测个体的某些特定肌肉或者肌肉群得到活动，以便更好地测量和分析他们的肌电信号。
在这个胸廓出口综合征的预测装置中，预定动作的选择主要是为了让胸廓出口区域的肌肉和神经得到刺激，以便更好地观察其变化。例如：
上臂和肩外展、内收： 这些动作可以帮助活动肩部和上臂的肌肉，特别是肩胛下肌和肩胛上肌，这些肌肉在胸廓出口综合征中可能会受到压迫。
偏头、耸肩、抬头、低头、左、右转颈： 这些动作主要是活动颈部的肌肉和神经，颈部的鳞状肌和斜方肌等肌肉也可能在胸廓出口综合征中受到影响。
呼气、吸气： 这些动作可以改变胸腔的形状和大小，影响胸廓出口区域的压力，可能会改变肌电信号。
这些预定动作有助于更好地理解和观察被测个体的肌肉活动和神经活动的变化，以及他们与胸廓出口综合征的关联，为确定被测个体的胸廓出口综合征预测结果提供数据支持。
提取单元102，用于从所述肌电信号数据中提取肌肉活动信息，其中，所述肌肉活动信息包括肌肉的激活强度、激活同步性、激活持续时间、和激活频率；
本实施例中，从所述肌电信号数据中提取肌肉活动信息包括使用自适应阈值算法确定肌电信号的有效部分，有效部分反映了激活强度。
采集到的肌电信号数据需要进行处理和分析，以提取出肌肉活动的信息。在这个过程中，可以使用自适应阈值法来确定肌电信号的有效部分。自适应阈值算法是一种广泛应用于信号处理中的方法，其主要目的是在变化的背景下分离出有意义的信号。在处理肌电信号数据时，使用自适应阈值算法可以从噪声和背景活动中提取出反映肌肉活动的有效信号。
自适应阈值算法的基本思想是，由于肌电信号的强度会随着肌肉活动的强度而变化，可以设定一个阈值，只有超过这个阈值的肌电信号才被认为是有效的，反映了肌肉的实际活动情况。这个阈值可以根据肌电信号的总体强度动态调整，从而实现自适应。
在应用于胸廓出口区域的肌电信号处理时，本实施例对自适应阈值法进行一些特殊的调整，以便更好地反映这个区域肌肉活动的特点。例如，可以考虑到这个区域肌肉的激活可能会受到多种因素的影响，包括颈部和肩部的姿势、肌肉的疲劳状态、执行的动作类型等，这些因素可能会导致肌电信号的强度和模式出现变化。因此，本实施例提供了一种更复杂的方法来动态调整阈值。
具体来说，可以使用一种基于滑动窗口的自适应阈值法。
在处理肌电信号时，希望确定有效的肌电信号，有效的肌电信号是指反映真实肌肉活动的信号。为此，设定一个阈值，只有超过这个阈值的肌电信号部分被认为是有效的。但是，阈值不能是一个固定的值，因为肌电信号的强度会随着肌肉活动的强度变化。因此，需要根据肌电信号的实时状态动态地调整阈值，这就是所谓的自适应阈值。
在此场景中，阈值是根据肌电信号的均值μ和标准差σ来计算的，具体的公式是：T= μ + ασ。这里，α是一个调整因子，可以根据实际情况进行调整。
当计算阈值时，并不是对所有的肌电信号数据一次性进行计算，而是采用滑动窗口的方式，也就是在一段连续的肌电信号数据上进行计算。首先，选取一段肌电信号数据，计算这段数据的均值和标准差，得到当前的阈值。然后，判断该段肌电信号数据中的肌电信号是否超过这个阈值，如果超过，则认为这部分肌电信号是有效的。
然后，将滑动窗口向前移动一定的步长，也就是选取新的一段肌电信号数据，计算新的均值和标准差，得到新的阈值。同样地，使用这个新的阈值来判断该段肌电信号数据中的肌电信号是否有效。
通过这种方式，可以在每一步都得到一个根据当前肌电信号数据动态调整的阈值，从而实现对肌电信号的自适应阈值处理。
在本实施例中，可以从采集到的肌电信号数据中提取肌肉活动信息。这些信息包括肌肉的激活强度、激活同步性、激活持续时间、和激活频率。
激活强度是指肌肉在执行特定动作时产生的肌电信号的强度。在这里，可以使用如上所述的自适应阈值法来确定有效的肌电信号，然后计算有效肌电信号的平均强度，这就是肌肉的激活强度。
激活同步性是指肌肉组织内部或者不同肌肉之间在时间上的同步活动程度。这可以通过计算不同肌电信号之间的相关性或者同步性来得到。高的同步性通常表示肌肉协调性好，而低的同步性可能表示肌肉协调性差或者存在某种病理状态。
激活持续时间是指肌肉在一次动作过程中持续活动的时间。可以通过找出肌电信号在阈值以上的连续时间段来计算激活持续时间。
激活频率是指肌肉在单位时间内激活的次数。可以通过计算单位时间内肌电信号超过阈值的次数来得到激活频率。
这些肌肉活动信息都是反映肌肉运动和神经控制状态的重要参数，可以用于分析肌肉的健康状况和功能水平，也可以用于预测胸廓出口综合征的风险。
获取单元103，用于获取被测个体的胸廓出口区域的解剖结构信息，其中，所述解剖结构信息包括解剖结构变化以及肌肉、神经、血管结构的位置、形状、大小；
获取被测个体胸廓出口区域解剖结构信息通常使用的工具是医疗影像设备，如磁共振成像设备（MRI）或者计算机断层扫描设备（CT）。因此，所述获取单元103可选用磁共振成像设备（MRI）或者计算机断层扫描设备（CT）等设备。
MRI使用磁场和无线电波脉冲创建对人体内部结构的详细图像。MRI非常适合用来获取软组织（如肌肉、神经和血管）的详细图像，所以经常用于胸廓出口区域的解剖结构信息获取。
CT扫描则使用X射线，通过对人体进行系列的横向X射线扫描，然后使用计算机将它们组合成二维的扫描图像。CT扫描可以提供比X光更详细的图像，尤其是对于骨骼结构。
在获取了这些影像数据之后，通过对这些影像进行分析和解读，便可从中提取出关于解剖结构（包括位置、形状、大小等）的信息。如果有必要，还可以进行3D重建，以便更好地观察解剖结构的三维形状和关系。
解剖结构变化通常是指人体内部结构由于各种原因（包括年龄、疾病、伤害等）而发生的变化。例如，在胸廓出口综合征中，可能会出现胸锁乳突肌肥大，肋骨位置异常，臂丛神经受压等现象。这些都是解剖结构的变化，可以通过影像技术（如MRI或CT）来观察和量化。
假设有一个被测个体，他最近在举重训练后出现了肩部和手臂的麻木和疼痛。怀疑他可能患有胸廓出口综合征，于是决定对他的胸廓出口区域进行解剖结构信息的获取。
首先，使用MRI设备扫描被测个体的胸廓出口区域，得到一系列的MRI图像。然后，可以通过对这些图像进行解析，获取肌肉、神经、血管等结构的位置、形状和大小。比如，可能会发现该被测个体的胸锁乳突肌比正常人要粗，而且在执行某些动作时，该肌肉会压迫到附近的臂丛神经。
然后，通过对比被测个体之前的MRI图像，观察其解剖结构是否发生了变化。比如，可能会发现其胸锁乳突肌在最近几个月内明显增粗，这是一个明显的解剖结构变化。
第二提取单元104，用于根据所述肌电信号数据和解剖结构信息，提取肌电-解剖结构关联特征数据。
肌电-解剖结构关联特征数据是指通过将肌电信号数据和解剖结构信息相结合，提取出的反映肌肉活动和身体解剖结构关系的特征。这些特征有助于更深入地理解肌肉如何在特定的解剖结构环境中工作，以及这种工作方式如何可能影响或受到解剖结构变化的影响。
例如，如果知道一个人的特定肌肉在执行某种动作时的激活强度（从肌电信号数据中提取），并且还知道这个肌肉的解剖位置、形状和大小（从解剖结构信息中获取），那么就可以分析这个肌肉的激活模式是否受到了解剖结构的影响，或者反过来，这个肌肉的活动方式是否可能引起解剖结构的改变。
接下来，详细说明一下第二提取单元104如何根据肌电信号数据和解剖结构信息提取肌电-解剖结构关联特征数据：
首先，需要把每个肌肉的肌电信号数据与其在解剖结构中的信息相对应。一种可能的方式是使用解剖标记，在MRI或CT扫描图像上手动或自动标出每个肌肉的位置，然后把这些位置信息与肌电信号数据相对应。
接下来，可以分析肌电信号数据和解剖结构信息之间的关系。比如，可以分析某个肌肉的激活强度是否与其在胸廓出口区域的位置有关。如果发现肌肉的位置越靠近胸廓出口，其激活强度就越高，那么这就是一个肌电-解剖结构关联特征。
此外，还可以根据肌电信号数据和解剖结构信息，研究肌肉群的协同工作模式。比如，可以分析哪些肌肉在执行特定动作时是同时激活的，这些肌肉在解剖结构上是如何分布的，以及他们之间的空间关系是否影响了他们的协同工作模式。这种协同工作模式也是一种肌电-解剖结构关联特征。
在提取这些关联特征时，可以使用各种统计方法、机器学习方法或深度学习方法。例如，可以使用关联规则学习（Association Rule Learning）来寻找肌电信号数据和解剖结构信息之间的关联规则；也可以使用深度神经网络，让网络自动从大量的肌电信号数据和解剖结构信息中学习出有用的肌电-解剖结构关联特征。
关联规则学习是一种在大型数据集中寻找特征间有趣关系的方法，它被广泛应用在购物篮分析等领域，寻找商品之间的购买关联。在这里，我们将其应用在肌电信号数据和解剖结构信息的关联特征发现上，帮助我们理解解剖结构与肌肉活动的关系。
首先，需要把肌电信号数据和解剖结构信息转换为关联规则学习可以处理的形式。可以将肌电信号的一些特征，如激活强度、激活同步性、激活持续时间、激活频率，以及解剖结构的一些特征，如肌肉位置、形状、大小，转换为离散值。比如，可以把激活强度分为“高”、“中”、“低”三个级别；把肌肉位置分为“胸廓出口区域内”和“胸廓出口区域外”两个类别。
然后，可以使用一种叫做Apriori的关联规则学习算法来发现肌电信号数据和解剖结构信息之间的关联规则。Apriori算法的基本思想是，先找出频繁出现的特征集（比如，“激活强度高”和“位于胸廓出口区域内”这两个特征同时出现的次数超过一定的阈值），然后基于这些频繁特征集生成关联规则。
在这个过程中，可以定义一些新的、针对胸廓出口综合征场景的关联规则评估指标。比如，除了常用的支持度（支持度表示规则的普遍性）和置信度（置信度表示规则的可靠性）外，还可以定义一个“疾病风险度”指标，表示某个关联规则与胸廓出口综合征的关联程度。可以通过统计历史病例数据，计算出符合某个关联规则的个体发生胸廓出口综合征的比例，作为这个规则的疾病风险度。这样，不仅可以发现肌电信号数据和解剖结构信息之间的关联规则，还可以评估这些规则在预测胸廓出口综合征风险上的价值。
通过这种方法，可以在大量的肌电信号数据和解剖结构信息中，寻找出可能与胸廓出口综合征相关的肌电-解剖结构关联特征，为胸廓出口综合征的预测提供有用的依据。
这种将肌电信号数据与解剖结构信息相结合的方法，有助于更全面、更深入地理解肌肉活动和解剖结构之间的关系，从而为诊断和治疗胸廓出口综合征提供有用的信息。
第三提取单元，用于根据所述肌电-解剖结构关联特征数据和解剖结构变化，提取病理改变特征参数。
所述根据肌电-解剖结构关联特征数据和解剖结构变化提取病理改变特征参数包括应用深度学习网络，所述深度学习网络被训练以识别病理改变特征参数。
所述深度学习网络是一个卷积神经网络（CNN），并且包括使用CNN特有的卷积层、池化层和全连接层来识别病理改变特征参数。
所述卷积神经网络模型包括两个输入通道，第一输入层用于输入肌电-解剖结构关联特征数据，第二输入层用于输入解剖结构变化，这两个通道都通过一个单独的卷积层进行处理。
所述卷积神经网络模型还包括一个动态混合池化层，该层根据输入数据的性质自动调整池化策略。其中，动态混合池化层的池化策略选择规则是，如果输入数据的方差大于预定阈值，则选择最大池化；如果输入数据的方差小于或等于预定阈值，则选择平均池化。
病理改变特征参数可以理解为疾病状态下体现病理变化的一些特征值。在胸廓出口综合征的情况下，病理改变特征参数可能包括但不限于，解剖结构变化造成的肌电信号变化，比如激活强度的变化、激活频率的变化等，也可能包括解剖结构的具体改变，即解剖结构变化，比如肌肉、神经、血管等在胸廓出口区域的位置、形状、大小的改变等。
为了从肌电-解剖结构关联特征数据和解剖结构变化中提取病理改变特征参数，可以利用深度学习网络，特别是卷积神经网络（Convolutional Neural Network, CNN）。CNN是深度学习中的一种网络结构，它具有自动提取和学习特征的能力，因此非常适合处理图像、时间序列等具有空间结构的数据。肌电信号数据和解剖结构信息可以被视为具有空间结构的数据，因此可以使用CNN来处理。
本实施例提供如下的一个CNN模型，用于提取病理改变特征参数。以下结合图2，对该模型进行说明。
这个CNN网络有两个输入通道。第一输入层202用于输入肌电-解剖结构关联特征数据，第二输入层203用于输入解剖结构变化。这两个通道都可以通过一个单独的卷积层进行处理。第一输入层202的数据由第一卷积层204处理。第二输入层203的数据由第二卷积层205处理。两个输入通道都经过一个并行的卷积层。这个并行的设计可以让网络同时从肌电-解剖结构关联特征数据和解剖结构变化中提取特征。
接下来是一个动态混合池化层206。这个层将两个卷积层的输出进行合并，并通过池化操作（例如，最大池化或平均池化）降低数据的维度。这可以帮助提高模型的泛化能力，并减少计算复杂性。该层可以根据输入数据的性质自动调整池化策略。例如，对于有较大变化的解剖结构变化数据，可能优先选择最大池化；对于较为稳定的肌电-解剖结构关联特征数据，可能优先选择平均池化。
下面是一种可能的动态混合池化层206的实现方法：
（1）分析输入数据：首先，需要分析输入到动态池化层的数据。这包括计算数据的一些统计特性，如平均值、方差、偏度等。这些统计特性可以帮助理解数据的分布情况。
（2）选择池化策略：接下来，需要定义一个规则，根据输入数据的统计特性来选择池化策略。例如，可以认为，如果数据的方差大于预定的阈值，则认为数据的方差较大，说明数据的变化较大，这时可以选择最大池化。而如果数据的方差小于或者等于预定的阈值，则认为数据的方差较小，说明数据的变化较小，这时可以选择平均池化。
（3）实现动态选择：可以通过编程实现上述的池化策略选择规则。例如，可以定义一个函数，这个函数接收输入数据的统计特性作为参数，然后根据这些参数返回要使用的池化策略。然后，可以在动态池化层的实现代码中，调用这个函数，得到要使用的池化策略，然后使用这个策略进行池化操作。
这种动态池化层的设计可以帮助模型更好地适应输入数据的变化，提高模型的泛化能力和预测性能。
最后，通过一个全连接层208将动态混合池化层206的输出进行整合，然后通过输出层210输出病理改变特征参数。
这个网络在训练过程中，会自动从输入数据中学习到胸廓出口综合征的特征，并将这些特征转化为病理改变特征参数，从而实现对胸廓出口综合征的识别。
预测单元106，用于根据所述肌肉活动信息、解剖结构信息、肌电-解剖结构关联特征数据以及病理改变特征参数，确定被测个体的胸廓出口综合征预测结果。
所述确定被测个体的胸廓出口综合征预测结果包括应用支持向量机（SVM）分类器，所述SVM分类器使用核函数将原始特征空间映射到高维空间，以实现非线性分类。所述SVM分类器的预测结果是一个二分类结果，例如“是”或“否”，“有”或“无”，或者使用数字“1”或“0”来代表。具体的标签取决于预测模型的设置。例如，如果SVM预测结果为1，可能表示被测个体有发生胸廓出口综合征的可能，而如果SVM预测结果为0，可能表示被测个体无发生胸廓出口综合征的可能。
所述核函数为径向基函数，公式为K(x, y) = exp(-γ||x-y||²)，其中γ为核函数的宽度参数，x和y为两个数据点。
在确定被测个体的胸廓出口综合征预测结果时，支持向量机（SVM）分类器是一个非常强大的工具。基本思想是找到一个决策边界，能够最大化正负样本之间的间隔，以实现分类。在这个过程中，支持向量就是离决策边界最近的那些点。
本实施例中，支持向量机的输入特征可能包括肌肉活动信息、解剖结构信息、肌电-解剖结构关联特征数据以及病理改变特征参数等，这些都是高维特征数据。
通常，原始的SVM只能进行线性分类，但当数据不是线性可分时，就需要应用核函数将原始特征空间映射到高维空间，从而实现非线性分类。在这个过程中，径向基函数（Radial Basis Function, RBF）是一种常用的核函数。
径向基函数的公式为：
K(x, y) = exp(-γ||x-y||²)
其中，x和y为两个数据点，γ是一个超参数，控制了径向基函数的宽度。γ的选择对分类的结果影响很大，选择不合适的γ可能会导致过拟合或者欠拟合。
本实施例提出一个独特的实现方法，那就是利用遗传算法进行γ的优化。遗传算法是一种优化方法，受到了生物进化中的自然选择和遗传学机制的启发，通过模拟生物进化过程寻找最优解。可以设定一个初步的γ范围，然后使用遗传算法进行搜索，寻找能够使SVM分类器在验证集上达到最好性能的γ。
在具体实现上，可以使用Scikit-Learn库中的SVC类，它可以帮助创建一个SVM分类器。在使用SVC类时，可以通过'kernel'参数设置核函数为'rbf'，并通过'gamma'参数设置γ的值。然后，可以使用fit方法对分类器进行训练，使用predict方法进行预测。
这个方法有助于更好地利用肌电信号数据、解剖结构信息、肌电-解剖结构关联特征数据以及病理改变特征参数，提升对胸廓出口综合征的预测准确性。
下面对于利用遗传算法进行γ的优化进行详细说明。
遗传算法是一种全局搜索算法，它使用自然选择和遗传学的原理，模拟生物进化过程以寻找最优解。这种方法非常适合于解决复杂的优化问题，例如在本实施例的场景中，寻找能够最大化SVM分类器在验证集上性能的γ值。
下面，详细说明本实施例提供的遗传算法实现：
（1）编码：这是遗传算法的第一步，需要将问题的解（在这里是γ值）编码成染色体。在本实施例中，可以设定一个初步的γ范围，比如[0.01, 100]，然后将这个范围内的每个可能的γ值看作一个个体，由浮点数表示，这个浮点数就是这个个体的染色体。
（2）评估：在这一步，需要评估每个个体的适应度。适应度越高，个体在后续的选择过程中被选中的概率就越高。在本实施例中，可以将SVM分类器在验证集上的性能作为适应度，具体可以是准确率、AUC值等。
（3）选择：在这一步，根据个体的适应度进行选择，适应度越高的个体被选中的概率越大。这模拟了自然选择中"适者生存"的原理。常见的选择方法有轮盘赌选择、锦标赛选择等。
（4）交叉：在这一步，将选中的个体进行交叉，生成新的个体。这模拟了生物的繁殖过程。在本案例中，由于本实施例的染色体是浮点数，可以采用中间交叉，即新的染色体等于父母染色体的平均值。
（5）变异：在这一步，随机改变染色体的部分基因，以增加种群的多样性。在本实施例中，可以随机改变染色体的值，例如在原有的基础上增加或减少一个小的随机值。
（6）终止条件：如果满足终止条件，比如达到最大迭代次数，或者种群的适应度已经足够高，算法就结束。否则，返回第2步。
此外，结合本实施例的特点，可以引入一个"环境压力"参数，模拟环境对个体生存的影响。具体来说，可以在选择过程中，给适应度低的个体一些"生存"的机会，防止算法过早收敛，这可以通过增大轮盘赌选择中的温度参数来实现。
下面是改进后的选择步骤。
选择：为了模拟环境对个体生存的影响，引入一个"环境压力"参数，此参数将影响个体的选择机会。在通常的轮盘赌选择中，适应度高的个体被选中的概率更大。但是在本实施例的改进模型中，即使适应度低的个体也有一定的生存机会。具体来说，通过调整轮盘赌选择中的温度参数来实现这个效果，增大该参数可以让适应度低的个体更有可能被选中。这个机制可以帮助防止算法过早地收敛到局部最优解，从而增加全局搜索的可能性。
另外，结合本实施例的特点，在交叉过程中，除了使用中间交叉，还可以引入一些随机性，例如在父母染色体的平均值上增加一个小的随机偏移，以增加种群的多样性。下面对于改进后的交叉步骤进行说明：
交叉：在常规的交叉过程中，新的染色体是父母染色体的平均值。然而，为了增加种群的多样性，在此基础上引入了一些随机性。在父母染色体的平均值上增加一个小的随机偏移，产生新的染色体。这种随机偏移实际上模拟了生物进化过程中的随机变异，从而帮助遗传算法避免陷入局部最优解，增加找到全局最优解的概率。
通过上述的改进，本实施例提供的遗传算法能够更有效地搜索参数空间，并有更大概率找到能使SVM分类器在验证集上达到最好性能的γ值。这样的设计将遗传算法更好地融入到本实施例提供的胸廓出口综合征预测模型中，提高了模型的性能和稳定性。
更进一步地，本实施例中，所述预测装置还用于采集被测个体的个人信息，所述个人信息包括年龄、性别、体重、身高、以及有无疾病史等，并将所述个人信息与其他特征数据一同输入模型，提高预测准确性。
采集被测个体的个人信息，是为了收集被测个体的基础数据，包括年龄、性别、体重、身高、疾病史等。这些信息的收集通常通过问卷、面谈或者电子病历等方式进行。
个人信息的具体内容：
年龄：胸廓出口综合征可能与年龄有关，年龄可能影响体质、身体的恢复能力以及疾病的易感性。
性别：男性和女性的解剖结构有所不同，可能影响胸廓出口综合征的发生率和表现。
体重和身高：体重和身高可以用于计算体质指数（BMI），过高或过低的BMI可能会影响健康状况和疾病风险。
疾病史：过去的健康状况，如有无其他疾病、手术史、家族遗传疾病等，可能影响个体的健康状况和疾病风险。
将收集的个人信息和其他特征（例如肌电信号数据、解剖结构信息、肌电-解剖结构关联特征数据以及病理改变特征参数等）一同作为输入数据输入到预测模型（例如上述的支持向量机分类器）中。这样可以让模型在更全面、更准确的数据基础上进行学习和预测，有助于提高预测的准确性和鲁棒性。
这个方法是建立在多元的数据收集和整合的基础上，能够让预测模型在更全面的信息基础上进行学习和预测，有助于提高模型的预测准确性和鲁棒性。
本申请虽然以较佳实施例公开如上，但其并不是用来限定本申请，任何本领域技术人员在不脱离本申请的精神和范围内，都可以做出可能的变动和修改，因此本申请的保护范围应当以本申请权利要求所界定的范围为准。

Claims (9)

1.一种胸廓出口综合征的预测装置，其特征在于，包括：
采集单元，用于采集被测个体的胸廓出口区域在执行预定动作过程中的肌电信号数据；
提取单元，用于从所述肌电信号数据中提取肌肉活动信息，其中，所述肌肉活动信息包括肌肉的激活强度、激活同步性、激活持续时间、和激活频率；
获取单元，用于获取被测个体的胸廓出口区域的解剖结构信息，其中，所述解剖结构信息包括解剖结构变化以及肌肉、神经、血管结构的位置、形状、大小；
第二提取单元，用于根据所述肌电信号数据和解剖结构信息，提取肌电-解剖结构关联特征数据；
第三提取单元，用于根据所述肌电-解剖结构关联特征数据和解剖结构变化，提取病理改变特征参数；
预测单元，用于根据所述肌肉活动信息、解剖结构信息、肌电-解剖结构关联特征数据以及病理改变特征参数，确定被测个体的胸廓出口综合征预测结果。
2.根据权利要求1所述的胸廓出口综合征的预测装置，其特征在于，所述提取单元从所述肌电信号数据中提取肌肉活动信息时包括使用自适应阈值算法确定肌电信号的有效部分，所述有效部分用于反映激活强度。
3.根据权利要求2所述的胸廓出口综合征的预测装置，其特征在于，所述提取单元使用自适应阈值算法确定肌电信号的有效部分是通过滑动窗口的每一步都得到一个根据当前肌电信号数据动态调整的阈值来确定肌电信号的有效部分，其具体包括：
选取所述肌电信号数据中的一段肌电信号数据，计算这段肌电信号数据的均值μ和标准差σ，通过阀值计算公式计算得到当前的阈值；
判断该段肌电信号数据中的肌电信号是否超过当前的阈值，如果超过，则认为这部分肌电信号是有效的；
随后滑动窗口向前移动一定的步长，从所述肌电信号数据中选取新的一段肌电信号数据，计算新的均值μ和标准差σ，通过所述阀值计算公式计算得到新的阈值；
使用这个新的阈值来判断该段肌电信号数据中的肌电信号是否有效；
其中，所述阀值计算公式为：T = μ + ασ，T为阀值，α为调整因子。
4.根据权利要求3所述的胸廓出口综合征的预测装置，其特征在于，
所述激活强度通过计算有效部分的肌电信号的平均强度而得到；
所述激活同步性通过计算不同肌电信号之间的相关性或者同步信息而得到；
所述激活持续时间通过计算肌电信号在所述阈值以上的连续时间段来计算；
所述激活频率通过计算单位时间内肌电信号超过所述阈值的次数而得到。
5.根据权利要求1所述的胸廓出口综合征的预测装置，其特征在于，所述第三提取单元根据所述肌电-解剖结构关联特征数据和解剖结构变化提取病理改变特征参数时包括应用深度学习网络来识别病理改变特征参数，所述深度学习网络是一个卷积神经网络，其使用卷积神经网络的卷积层、池化层和全连接层来识别病理改变特征参数。
6.根据权利要求5所述的胸廓出口综合征的预测装置，其特征在于，
所述卷积层包括第一卷积层和第二卷积层，
所述卷积神经网络设有第一输入层和第二输入层，
所述第一输入层用于输入肌电-解剖结构关联特征数据，所述第一输入层的数据由第一卷积层处理；
所述第二输入层用于输入解剖结构变化，所述第二输入层的数据由第二卷积层处理；
所述池化层将所述第一卷积层和第二卷积层的输出进行合并，并通过池化操作降低数据的维度；
所述全连接层将所述池化层的输出进行整合，并通过输出层输出所述病理改变特征参数。
7.根据权利要求1所述的胸廓出口综合征的预测装置，其特征在于，所述预测单元应用支持向量机分类器确定被测个体的胸廓出口综合征预测结果，所述支持向量机分类器使用核函数将原始特征空间映射到高维空间，以实现非线性分类；
所述核函数为径向基函数，其公式为K(x, y) = exp(-γ||x-y||²)，其中，γ为核函数的宽度参数，x和y为两个数据点。
8.根据权利要求1所述的胸廓出口综合征的预测装置，其特征在于，所述预定动作包括上臂和肩外展、内收、偏头、耸肩、抬头、低头、左、右转颈、呼气、吸气。
9.根据权利要求1所述的胸廓出口综合征的预测装置，其特征在于，所述预测单元还用于采集被测个体的个人信息，所述个人信息包括年龄、性别、体重、身高、以及有无疾病史，并根据所述个人信息与肌肉活动信息、解剖结构信息、肌电-解剖结构关联特征数据以及病理改变特征参数，确定被测个体的胸廓出口综合征预测结果。
CN202311423126.5A 2023-10-31 2023-10-31 一种胸廓出口综合征的预测装置 Active CN117153379B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311423126.5A CN117153379B (zh) 2023-10-31 2023-10-31 一种胸廓出口综合征的预测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311423126.5A CN117153379B (zh) 2023-10-31 2023-10-31 一种胸廓出口综合征的预测装置

Publications (2)

Publication Number Publication Date
CN117153379A true CN117153379A (zh) 2023-12-01
CN117153379B CN117153379B (zh) 2024-02-20

Family

ID=88903084

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311423126.5A Active CN117153379B (zh) 2023-10-31 2023-10-31 一种胸廓出口综合征的预测装置

Country Status (1)

Country Link
CN (1) CN117153379B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117442218A (zh) * 2023-12-25 2024-01-26 深圳市前海蛇口自贸区医院(深圳市南山区蛇口人民医院) 胸廓出口综合症的肌肉信息检测装置

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108742610A (zh) * 2018-04-03 2018-11-06 吉林大学 一种实现肌电和主观相关联的转向舒适度评价方法
US20190121305A1 (en) * 2017-10-19 2019-04-25 Ctrl-Labs Corporation Systems and methods for identifying biological structures associated with neuromuscular source signals
CN110827987A (zh) * 2019-11-06 2020-02-21 西安交通大学 一种多抓取模式下腕关节力矩的肌电连续预测方法及系统
US20200402664A1 (en) * 2019-06-20 2020-12-24 University Of Louisville Research Foundation, Inc. Determination of stimulation parameters for muscle activation
CN112562850A (zh) * 2020-12-14 2021-03-26 黄振海 基于人工智能的面部神经麻痹康复检测系统
CN113143297A (zh) * 2021-03-15 2021-07-23 中国科学院深圳先进技术研究院 一种病灶检测系统和方法
CN113967025A (zh) * 2021-10-28 2022-01-25 燕山大学 一种基于肌电信号的多层次运动功能评估方法
US20220160259A1 (en) * 2019-04-05 2022-05-26 Baylor College Of Medicine Method and system for detection and analysis of thoracic outlet syndrome (tos)
CN115346676A (zh) * 2022-07-29 2022-11-15 燕山大学 一种基于皮层肌肉网络的运动功能重建动态模型构建方法
US20230148943A1 (en) * 2021-11-13 2023-05-18 Battelle Memorial Institute Network analysis of electromyography for diagnostic and prognostic assessment
CN116340824A (zh) * 2023-03-28 2023-06-27 北京工业大学 基于卷积神经网络的肌电信号动作识别方法
CN116636862A (zh) * 2023-05-19 2023-08-25 华中科技大学 基于肌骨骼解剖统计学模型的踝关节刚度估计方法及系统
CN116910464A (zh) * 2023-08-22 2023-10-20 福州大学 一种肌电信号假肢手控制系统及方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190121305A1 (en) * 2017-10-19 2019-04-25 Ctrl-Labs Corporation Systems and methods for identifying biological structures associated with neuromuscular source signals
CN108742610A (zh) * 2018-04-03 2018-11-06 吉林大学 一种实现肌电和主观相关联的转向舒适度评价方法
US20220160259A1 (en) * 2019-04-05 2022-05-26 Baylor College Of Medicine Method and system for detection and analysis of thoracic outlet syndrome (tos)
US20200402664A1 (en) * 2019-06-20 2020-12-24 University Of Louisville Research Foundation, Inc. Determination of stimulation parameters for muscle activation
CN110827987A (zh) * 2019-11-06 2020-02-21 西安交通大学 一种多抓取模式下腕关节力矩的肌电连续预测方法及系统
CN112562850A (zh) * 2020-12-14 2021-03-26 黄振海 基于人工智能的面部神经麻痹康复检测系统
CN113143297A (zh) * 2021-03-15 2021-07-23 中国科学院深圳先进技术研究院 一种病灶检测系统和方法
CN113967025A (zh) * 2021-10-28 2022-01-25 燕山大学 一种基于肌电信号的多层次运动功能评估方法
US20230148943A1 (en) * 2021-11-13 2023-05-18 Battelle Memorial Institute Network analysis of electromyography for diagnostic and prognostic assessment
CN115346676A (zh) * 2022-07-29 2022-11-15 燕山大学 一种基于皮层肌肉网络的运动功能重建动态模型构建方法
CN116340824A (zh) * 2023-03-28 2023-06-27 北京工业大学 基于卷积神经网络的肌电信号动作识别方法
CN116636862A (zh) * 2023-05-19 2023-08-25 华中科技大学 基于肌骨骼解剖统计学模型的踝关节刚度估计方法及系统
CN116910464A (zh) * 2023-08-22 2023-10-20 福州大学 一种肌电信号假肢手控制系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
沈丽英, 顾玉东, 张凯丽, 陈正永, 朱艺: "胸廓出口综合征的神经-肌电图诊断方法", 中华手外科杂志, no. 01, pages 17 - 19 *
郑晓君, 宋品: "电生理检测对胸廓出口综合征患者神经压迫症状的评估作用(英文)", 中国临床康复, no. 09, pages 198 - 199 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117442218A (zh) * 2023-12-25 2024-01-26 深圳市前海蛇口自贸区医院(深圳市南山区蛇口人民医院) 胸廓出口综合症的肌肉信息检测装置
CN117442218B (zh) * 2023-12-25 2024-03-22 深圳市前海蛇口自贸区医院(深圳市南山区蛇口人民医院) 胸廓出口综合症的肌肉信息检测装置

Also Published As

Publication number Publication date
CN117153379B (zh) 2024-02-20

Similar Documents

Publication Publication Date Title
CN110876626B (zh) 基于多导联脑电最优导联选择的抑郁检测系统
Güler et al. Classification of EMG signals using PCA and FFT
Moniri et al. Real-time forecasting of sEMG features for trunk muscle fatigue using machine learning
Burns et al. Upper limb movement classification via electromyographic signals and an enhanced probabilistic network
CN112639990A (zh) 用于使用个人数字表型维持健康的系统和方法
WO2002039895A1 (en) A method and a system for combining automated psychiatric profiling from combined input images of brain scans with observed expert and automated interpreter using a neural network
CN117153379B (zh) 一种胸廓出口综合征的预测装置
CN111568446A (zh) 结合人口学注意力机制的便携式脑电抑郁检测系统
Bulbul et al. Classification of ECG arrhythmia with machine learning techniques
Harjani et al. Analysis of various machine learning algorithm for cardiac pulse prediction
CN110025312B (zh) 基于结构磁共振的带状疱疹性神经痛疗效预测方法及系统
CN110575178B (zh) 一种运动状态判断的诊断监控综合医疗系统及其判断方法
CN117133404B (zh) 一种针对胸廓出口综合征的智能化康复护理装置
Zhuang et al. Arrhythmia diagnosis of young martial arts athletes based on deep learning for smart medical care
CN115376694A (zh) 一种肢体功能障碍的多模态自适应评估系统及方法
CN117481670A (zh) 一种基于盆底肌电的评估及训练康复系统
Li et al. Detection of muscle fatigue by fusion of agonist and synergistic muscle semg signals
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
CN113362944A (zh) 一种基于机器学习的功能性消化不良和针刺疗效的预测
CN116807491A (zh) 应用于实时心电监测设备的心肌梗死全局导联重建方法
Phankokkruad Evaluation of deep transfer learning models in glaucoma detection for clinical application
CN116451129A (zh) 一种脉象分类识别方法及系统
CN115517682A (zh) 基于胃肠电信号的认知功能障碍预测系统及构建方法
KR102340670B1 (ko) 딥러닝 기반의 심리생리검사 시스템 및 방법
Saljuqi et al. Combining homomorphic filtering and recurrent neural network in gait signal analysis for neurodegenerative diseases detection

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant