TWI580404B - 肌肉張力感測方法及系統 - Google Patents

Description

肌肉張力感測方法及系統

本發明係關於一種肌力感測方法及系統；特別是關於一種可用於輔助醫護人員估測復健者之肌肉張力異常程度的肌肉張力感測方法及系統。

隨著醫療科技進步，疾病治療的成功率提高，使得人均壽命提高，但有些病患治療後並未完全復原，如：腦部或脊髓損傷病患經過治療後，若仍有肢體偏癱症狀，則通常需要配合後續復健過程，期能完全復原，隨著老年化社會的來臨，復健過程中的照護與醫療需求亦隨之增加。

在中風偏癱、腦性麻痺、巴金森氏症或脊髓損傷等病患的復健過程中，皆會經歷肌肉張力異常，導致肌肉抽蓄及僵直等臨床症狀，病患復健時須由醫師對肢體施力，並配合相關量表，憑主觀經驗診斷病患的肌肉張力是否異常，不同醫師的診斷結果可能有異，難稱客觀。

又，習知肌力感測方法多以儀器(如：等速肌力測試儀或微型肌力感測器等)感測某一部位肢體運動時的量化數據，惟靠單一部位的數據，無法得知肢體彎曲時關節兩側肢體的角度及張力變化，易導致醫師(或復健師)誤判之情事。且，習知等速肌力測試儀主要供運動員測試用，不但體積龐大且價格昂貴；習知微型肌力感測器僅可用於簡易的肌力測試，無法測量肌肉異常級數，使醫師或復健師無法有效評估病患之狀態並即時進行處置。

有鑑於此，有必要改善上述先前技術的缺點，以符合實際需 求，提升其實用性。

本發明係提供一種肌肉張力感測方法，可有效感測病患之肌肉張力異常程度的數據。

本發明另提供一種肌肉張力感測系統，可有效感測病患之肌肉張力異常程度的數據。

本發明揭示之肌肉張力感測系統，可包含：一感測端，用以配置於一肢體之關節的一側，該感測端包含一壓力感測器及一第一慣量感測器，該壓力感測器用以感測施於該側肢體之阻力，該第一慣量感測器用以感測該側肢體移動時的物理量；及一測算端，用以配置於該肢體之關節的另一側，該測算端包含一溫度感測器、一第二慣量感測器及一處理單元，該溫度感測器用以感測環境之溫度，該第二慣量感測器用以感測該另一側肢體移動時的物理量，該處理單元電性連接該溫度感測器、該第二慣量感測器、該壓力感測器及該第一慣量感測器，該處理單元於一施測時間內依一取樣率收集該溫度感測器、該壓力感測器、該第一慣量感測器及該第二慣量感測器的輸出訊號。

本發明揭示之肌肉張力感測方法，係可應用於上述肌肉張力感測系統，該系統可包含一感測端及一測算端，該感測端電性連接該測算端，該測算端可耦接一行動運算裝置，該方法之步驟可包含：配置該感測端於一肢體之關節的一側，使該感測端感測施於該側肢體之阻力及該側肢體移動時的物理量；及配置該測算端於該肢體之關節的另一側，使該測算端感測環境之溫度、該另一側肢體移動時的物理量，於一施測時間內依一取樣率收集該溫度、該阻力及該二側肢體移動時的物理量。

所述測算端可包含一通訊單元，該通訊單元電性連接該處理單元，該通訊單元可耦接一行動運算裝置，該測算端之處理單元可將該溫 度感測器、該壓力感測器、該第一慣量感測器及該第二慣量感測器輸出的溫度、阻力及二側肢體移動時的物理量組成一離散時間資料，該處理單元或行動運算裝置可依據該離散時間資料與已完成機器學習訓練的二權重矩陣以一機器學習預測法產生一異常級數；該機器學習預測法可為一類神經網路方法或一支撐向量機方法；該行動運算裝置或處理單元可依據該第一慣量感測器及該第二慣量感測器的輸出訊號計算該關節活動之角度值及速度值，依據各離散時間的溫度值、阻力值、角度值及速度值與該二權重矩陣計算產生該異常級數。藉此，可主動依據上述感測訊號判定肌肉張力異常程度，作為判定病患之肌肉張力的客觀依據，可輔助醫師進行診斷，並避免或復健師誤判之情事。

所述第一慣量感測器及該第二慣量感測器可分別包含一加速度計、一陀螺儀及一方向計；該測算端設有一顯示器電性連接該處理單元。由於該系統之構件並非昂貴零件，故有利於降低製造成本。

上揭肌肉張力感測系統及方法可於病患施測過程中自動產生上述異常級數，該異常級數係依據大量訓練資料學習而成的權重矩陣進行預測，可大幅提高預測精準度，作為判定病患之肌肉張力的客觀依據，避免醫師或復健師主觀因素造成誤判之情事；該系統之構件並非昂貴零件，有利於降低製造成本，且該系統操作簡單，可推廣至家庭或醫療照護場所，可以達成「提升客觀預測度」及「避免主觀因素誤判情事」等功效。

1‧‧‧感測端

11‧‧‧壓力感測器

12‧‧‧第一慣量感測器

2‧‧‧測算端

21‧‧‧溫度感測器

22‧‧‧第二慣量感測器

23‧‧‧處理單元

24‧‧‧顯示器

25‧‧‧通訊單元

3‧‧‧行動運算裝置

J‧‧‧肘關節

S1‧‧‧感測步驟

S2‧‧‧測集步驟

S3‧‧‧估算步驟

v,w‧‧‧權重矩陣

x‧‧‧離散時間資料

y,y’‧‧‧痙攣級數

z‧‧‧異常級數

第1圖：係本發明之肌肉張力感測系統實施例的系統方塊圖。

第2圖：係本發明之感測端與測算端的外觀放大示意圖。

第3圖：係本發明之肌肉張力感測系統實施例的使用示意圖。

第4圖：係本發明之肌肉張力感測方法實施例的運作流程圖。

第5圖：係本發明之機器學習訓練與預測過程的示意圖。

為讓本發明之上述及其他目的、特徵及優點能更明顯易懂，下文特舉本發明之較佳實施例，並配合所附圖式，作詳細說明如下：本發明全文所述之「耦接」(coupled connection)，係指二裝置之間經由電磁耦合技術相互通訊，如：利用Bluetooth、Wi-Fi或4G-LTE等無線通訊技術傳輸資料，惟不以此為限，係本發明所屬技術領域中具有通常知識者可以理解。

請參閱第1圖所示，其係本發明之肌肉張力感測系統實施例的系統方塊圖。其中，該系統實施例可包含一感測端1及一測算端2(其外觀可如第2圖所示)，該測算端2電性連接該感測端1，該感測端1與測算端2分別用於記錄病患之關節兩側的施力及活動等數據，可供相關人員作為評估肌肉張力異常程度之依據。

請再參閱第1圖所示，該感測端1可為含有壓力及移動量感測功能的裝置，用以配置於病患肢體之關節(如：腕、肘、膝或踝關節)的一側(如第3圖所示為肘關節J一側的手腕部)，以感測施於該側肢體之阻力及該側肢體移動時的物理量。在此實施例中，該感測端1可內含一壓力感測器11及一第一慣量感測器12，該壓力感測器12可為壓電感測元件等，用以感測一施力者(如：復健師或醫師等)施於該側肢體之阻力，該第一慣量感測器13可包含九軸加速度計、陀螺儀及方向計等，用以感測該側肢體移動時的物理量(如：加速度、重力磁量角及指向等三維向量訊號)，惟不以此為限。

請再參閱第1圖所示，該測算端2可為含有溫度、移動量感測、資料處理及通訊功能的裝置，用以配置於該肢體之關節的另一側(如第3圖所示為肘關節J另一側的上臂部)，以感測環境之溫度、該另一側肢 體移動時的物理量，並於一施測時間(measuring time)內依一取樣率(sampling rate)收集該溫度、阻力及該二側肢體的移動量，用以組成一離散時間資料(discrete-time data)，作為後續評估肌肉張力異常程度之依據。在此實施例中，該測算端2可包含一溫度感測器21、一第二慣量感測器22及一處理單元23，該溫度感測器21可為習知正、負溫度係數之感測器等溫度感測元件，用以感測環境之溫度，惟該溫度感測元件亦可設於該感測端1，並不以此為限；該第二慣量感測器22可包含加速度計、陀螺儀及方向計等，用以感測該另一側肢體移動時的物理量(如：加速度、重力磁量及指向等三維向量訊號)；該處理單元23可為微處理器或數位訊號處理器等，該處理單元23電性連接該溫度感測器21、該第二慣量感測器22、該壓力感測器11及該第一慣量感測器12，該處理單元23可執行一處理程式(program)，該處理單元23可於該施測時間(如：1~40秒)內依該取樣率(如：1~30次/秒)收集該壓力感測器11、該第一慣量感測器12、該溫度感測器21及該第二慣量感測器22的輸出訊號，如：第1、2、3、…秒之溫度、阻力、加速度、重力磁量及指向等數值，惟不以此為限，用以組成該離散時間資料。

另，如第1及2圖所示，該測算端2還可設有一顯示器24(如：七段顯示器或液晶顯示器等)，該顯示器24電性連接該處理單元23，用以顯示評估過程的參數，如：施測時間、取樣率或壓力感測器11輸出的阻力值、第一慣量感測器12輸出的移動量、該溫度感測器21輸出的溫度值及第二慣量感測器22輸出的移動量等，惟不以此為限。

請再參閱第1圖所示，該系統實施例還可包含一行動運算裝置3(如：筆記型電腦、平板電腦、智慧型手機或雲端運算平台等)耦接該測算端2，該測算端2或行動運算裝置3可執行一應用程式，依據該離散時間資料與已完成機器學習(machine learning)訓練的二權重矩陣以一 機器學習預測法(machine learning prediction algorithm)產生一異常級數(abnormality degree)，可供醫療人員(如：復健師或醫師等)作為評估病患肌肉張力異常程度之依據。在此實施例中，該測算端2還可包含一通訊單元25(如：Bluetooth、Wi-Fi或4G-LTE等無線通訊單元)，該通訊單元25電性連接該處理單元23，該通訊單元25耦接該行動運算裝置3，該測算端2之處理單元23或該行動運算裝置3可依據該離散時間資料與該二權重矩陣以該機器學習預測法(如：類神經網路方法或支撐向量機方法等)產生該異常級數，如：先依據該第一慣量感測器12及第二慣量感測器22的輸出訊號中的數值(如：加速度、重力磁量及指向等)計算該關節活動之角度值及速度值，如：角度計算方法可透過重力磁量值進行座標轉換來計算出感測器的姿態角度，其中座標轉換方法可包含：方向餘弦矩陣、四元數法或尤拉角等轉換方法，其係所屬技術領域中具有通常知識者可以理解，在此容不贅述；另，再依據各離散時間的溫度值、阻力值、角度值及速度值與該二權重矩陣預測產生該異常級數(如：1~6級)，惟不以此為限。

請參閱第4圖所示，其係本發明之肌肉張力感測方法實施例的運作流程圖。其中，該方法實施例可應用於上述肌肉張力感測系統實施例，該方法實施例主要包含一感測步驟S1及一測集步驟S2，請一併參閱第1及2圖所示。

該感測步驟S1，可配置該感測端1於上述肢體之關節(如第2圖所示的肘關節)的一側，使該感測端1感測施於該側肢體之阻力及該側肢體移動時的物理量。在此實施例中，該感測端1可用以感測施於該側肢體之阻力及該側肢體移動時的物理量(如：加速度、重力磁量及指向等三維向量訊號)，其說明已詳述如上。

該測集步驟S2，可配置該測算端2於該肢體之關節的另一側，使該測算端2感測環境之溫度、該另一側肢體移動時的物理量，於上 述施測時間內依上述取樣率收集該溫度、該阻力及該二側肢體移動時的物理量。在此實施例中，該測算端2可用以感測環境之溫度、該另一側肢體移動時的物理量(如：加速度、重力磁量及指向等三維向量訊號)，並可於上述施測時間內依上述取樣率收集該溫度、該阻力及該二側肢體移動時的物理量，用以組成上述離散時間資料，其說明已詳述如上。

請再參閱第3圖所示，該方法實施例還可包含一估算步驟S3，該測算端2可將該溫度、該阻力及該二側肢體移動時的物理量組成一離散時間資料，該測算端2或行動運算裝置3可依據該離散時間資料與已完成機器學習訓練而得的二權重矩陣以上述機器學習預測法計算產生上述異常級數。在此實施例中，該測算端2或行動運算裝置3可依據該離散時間資料與該二權重矩陣以類神經網路方法或支撐向量機方法等產生該異常級數(如：1~6級)，其說明已詳述如上。以下舉例說明肌肉張力感測方法實施例的機器學習訓練及預測過程，惟不以此為限。

舉例而言，如第5圖所示，其係本發明之機器學習訓練與預測過程的示意圖。其中，該機器學習訓練方式可在醫師對不同病患施測的過程中，事先由上述肌肉張力感測系統實施例收集不同施測過程中各時點之角度值、速度值、壓力值、溫度值及醫師主觀判定等級數值結果(一範例值可如下表一所示，施測時間為20秒，取樣率為1次/秒)。

上表一所述數值可依列(row)或行(column)排成一向量，用以組成一個維度n為80的向量作為該離散時間資料x，如下式(1)或(1’)所示：x=[30,46,60,77,…,0.1,3.0,2.0,1.0,…,0,0.5,0.5,0.5,…,29.4,29.4,29.3,29.2,…] (1)

x=[30,0.1,0,29.4,46,3.0,0.5,29.4,…,173,0.0,1.0,29.2] (1’)

同時，醫師可依據肌肉張力量表(如上表二所示之Ashworth量表或改良式Ashworth量表)，對上述病患施測過程中的肌力表現判定一痙攣級數y(如下表三所示)為2，並排成一個維度p為6的向量y=[0,1,0,0,0,0]。其中，上述判定過程可由多位醫師共同執行，以降低主觀因素造成的誤差。

在進行機器學習訓練(如：類神經網路訓練，ANN training) 過程中，可用大量離散時間資料x及痙攣級數y進行訓練，ANN的一中間層數量可定義為m，m可定義為0至1000的整數值，經過訓練後，可得二組權重矩陣v、w，該權重矩陣v的維度為(n+1)×m，該權重矩陣w的維度為(m+1)×p，如：m=12，該權重矩陣v的維度為81×12，該權重矩陣w的維度為13×6，該權重矩陣v、w中各元素的值為介於-1000至1000的實數值。

因此，上述權重矩陣v、w訓練完成後，即可利用對應的機器學習預測法(如：類神經網路預測法)，用於預測任何離散時間資料x的痙攣級數y’，倘若用上表一所述數值組成的離散時間資料x及該二權重矩陣v、w進行預測，則可得該痙攣級數y’的向量為[0.513,0.667,0.602,0.521,0.379,0.187]，其中，0.513、0.667、0.602、0.521、0.379、0.187分別代表痙攣級數為1、2、3、4、5、6的預測值，故可從所有預測值中取最大值0.667對應的痙攣級數(2)產生該異常級數(如第5圖所示之z)，該異常級數為2表示〝肌肉張力微量增加〞(受累部分被動地屈伸時在關節活動範圍末段才出現突然卡住然後放鬆的現象，或於末段才呈現微量阻力)，作為醫師或復健師判定病患之肌肉張力的依據。

藉此，本發明之肌肉張力感測方法及系統實施例可利用配置於病患關節之一側的感測端感測施於該側肢體之阻力及該側肢體移動時的物理量；並利用配置於該關節的另一側的測算端感測環境之溫度、該另一側肢體移動時的物理量，於預定施測時間內依預定取樣率收集該溫度、該阻力及該二側肢體移動時的物理量，用以組成上述離散時間資料，以便依據該離散時間資料與已完成機器學習訓練的二權重矩陣以一機器學習預測法產生上述異常級數，作為醫師或復健師判定病患之肌肉張力的依據。

承上，本發明之肌肉張力感測方法及系統實施例可於病患施測過程中自動產生上述異常級數，該異常級數係依據大量離散時間的訓練 資料及痙攣級數訓練成的權重矩陣主動進行預測，其預測精準度可大幅提高，作為判定病患之肌肉張力的客觀依據，避免醫師或復健師主觀因素誤判之情事；該系統之構件並非昂貴零件，有利於降低製造成本，且該系統操作簡單，可推廣至家庭或醫療照護場所，可以達成「提升客觀預測度」及「避免人為主觀因素誤判情事」等功效。

雖然本發明已利用上述較佳實施例揭示，然其並非用以限定本發明，任何熟習此技藝者在不脫離本發明之精神和範圍之內，相對上述實施例進行各種更動與修改仍屬本發明所保護之技術範疇，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。

S1‧‧‧感測步驟

S2‧‧‧測集步驟

S3‧‧‧估算步驟

Claims (14)

1. 一種肌肉張力感測系統，係包含：一感測端，用以配置於一肢體之關節的一側，該感測端包含一壓力感測器及一第一慣量感測器，該壓力感測器用以感測施於該側肢體之阻力，該第一慣量感測器用以感測該側肢體移動時的物理量；及一測算端，用以配置於該肢體之關節的另一側，該測算端包含一溫度感測器、一第二慣量感測器及一處理單元，該溫度感測器用以感測環境之溫度，該第二慣量感測器用以感測該另一側肢體移動時的物理量，該處理單元電性連接該第二慣量感測器、該溫度感測器、該壓力感測器及該第一慣量感測器，該處理單元於一施測時間內依一取樣率收集該溫度感測器、該壓力感測器、該第一慣量感測器及該第二慣量感測器的輸出訊號。
2. 根據申請專利範圍第1項所述的肌肉張力感測系統，其中該處理單元將該溫度感測器、該壓力感測器、該第一慣量感測器及該第二慣量感測器的輸出訊號組成一離散時間資料，依據該離散時間資料與已完成機器學習訓練的二權重矩陣以一機器學習預測法產生一異常級數。
3. 根據申請專利範圍第2項所述的肌肉張力感測系統，其中該處理單元依據該第一慣量感測器及該第二慣量感測器的輸出訊號計算該關節活動之角度值及速度值，依據各離散時間的溫度值、阻力值、角度值及速度值與該二權重矩陣預測產生該異常級數。
4. 根據申請專利範圍第1項所述的肌肉張力感測系統，其中該測算端包含一通訊單元，該通訊單元電性連接該處理單元，該通訊單元耦接一行動運算裝置，該處理單元將該溫度感測器、該壓力感測器、該第一慣量感測器及該第二慣量感測器的輸出訊號組成一離散時間資料，該行動運算裝置依據該離散時間資料與已完成機器學習訓練的二權重矩陣以一機 器學習預測法計算產生一異常級數。
5. 根據申請專利範圍第4項所述的肌肉張力感測系統，其中該行動運算裝置依據該第一慣量感測器及該第二慣量感測器的輸出訊號計算該關節活動之角度值及速度值，依據各離散時間的溫度值、阻力值、角度值及速度值與該二權重矩陣預測產生該異常級數。
6. 根據申請專利範圍第2或4項所述的肌肉張力感測系統，其中該機器學習預測法為一類神經網路方法或一支撐向量機方法。
7. 根據申請專利範圍第1項所述的肌肉張力感測系統，其中該第一慣量感測器及該第二慣量感測器分別包含一加速度計、一陀螺儀及一方向計。
8. 根據申請專利範圍第1項所述的肌肉張力感測系統，其中該測算端設有一顯示器電性連接該處理單元。
9. 一種肌肉張力感測方法，係應用於一肌肉張力感測系統，該系統包含一感測端及一測算端，該感測端電性連接該測算端，該測算端耦接一行動運算裝置，該方法之步驟包含：配置該感測端於一肢體之關節的一側，使該感測端感測施於該側肢體之阻力及該側肢體移動時的物理量；及配置該測算端於該肢體之關節的另一側，使該測算端感測環境之溫度、該另一側肢體移動時的物理量，於一施測時間內依一取樣率收集該溫度、該阻力及該二側肢體移動時的物理量，用以組成一離散時間資料。
10. 根據申請專利範圍第9項所述的肌肉張力感測方法，其中該測算端將該溫度、該阻力及該二側肢體移動時的物理量組成一離散時間資料，依據該離散時間資料與已完成機器學習訓練的二權重矩陣以一機器學習預測法計算產生一異常級數。
11. 根據申請專利範圍第10項所述的肌肉張力感測方法，其中該測算端依據該二側肢體移動時的物理量計算該關節活動之角度值及速度值，依據 各離散時間的溫度值、阻力值、角度值及速度值與該二權重矩陣預測產生該異常級數。
12. 根據申請專利範圍第9項所述的肌肉張力感測方法，其中該測算端將該溫度、該阻力及該二側肢體移動時的物理量組成一離散時間資料，該行動運算裝置依據該離散時間資料與已完成機器學習訓練的二權重矩陣以一機器學習預測法計算產生一異常級數。
13. 根據申請專利範圍第12項所述的肌肉張力感測方法，其中該行動運算裝置依據該二側肢體移動時的物理量計算該關節活動之角度值及速度值，依據各離散時間的溫度值、阻力值、角度值及速度值與該二權重矩陣預測產生該異常級數。
14. 根據申請專利範圍第10或12項所述的肌肉張力感測方法，其中該機器學習預測法為一類神經網路方法或一支撐向量機方法。