CN110179470A - 脑卒中患者运动功能及疲劳状态综合评估方法 - Google Patents

Abstract

本发明涉及一种脑卒中患者运动功能及疲劳状态综合评估方法，包括肢体感知信号采集：将整个运动过程平均分隔成多个子阶段；构建各个子阶段的复杂网络：在各个子阶段，以每个运动周期作为其复杂网络的节点，节点间是否存在连边，依据对应的两个运动周期所采集到的肢体感知信号间的相似程度确定；对复杂网络演化特征进行提取，复杂网络演化特征为计算出的每个子阶段的复杂网络的刻画指标，以及相邻子阶段的复杂网络的刻画指标之间的演化差异值；利用提取的复杂网络演化特征，基于人工智能方法建立脑卒中患者运动功能评估模型。本发明不仅能对脑卒中患者的运动功能进行定量评估，还能对完成指定运动任务时的疲劳状态进行定量评估。

Description

脑卒中患者运动功能及疲劳状态综合评估方法

技术领域

本发明涉及脑卒中患者运动功能评估领域，特别涉及一种基于复杂网络演化的脑卒 中患者运动功能及疲劳状态综合评估方法。

背景技术

随着我国人口老龄化进程的加剧，脑卒中的发病率呈上升趋势。由于我国康复医学 的发展起步较晚，临床资源紧缺且存在分布失衡问题，致使许多脑卒中患者在出院后无法得到及时、科学的康复治疗，给社会和家庭带来沉重的精神压力和巨大的经济负担。

可穿戴设备技术的发展，为远程、定量、个体化评估脑卒中患者的肢体运动功能提供了可能的途径，国内外已有不少学者展开研究，并取得了***的成果。在传感器选择 方面，应用最多的是微惯性传感器(包括加速度计、陀螺仪、磁力计等)。早期的研究 大多使用单轴的加速度传感器，但是后续的相关研究发现，单轴的加速度传感器无法完 整刻画脑卒中患者的肢体运动功能，因此，不少研究开始使用三轴加速度传感器，以及 加速度传感器与其他传感器(陀螺仪、磁力计等)进行多源融合，从而实现更为精细地 评估与分析。目前，九轴惯性传感器单元(包括三轴加速度传感器、三轴陀螺仪和三轴 磁力计)已基本上被公认为动作捕获的标准方案。在需要佩戴的传感器数量方面，使用 三轴传感器时，需要佩戴的传感器数量要明显少于使用单轴或双轴传感器的情况。在传 感器的佩戴位置方面，由于不同的研究小组所关注的肢***置也不尽相同，从手指、手 腕、前臂、上臂，到后背、胯关节、膝盖、踝关节等位置均有相关报道。

然而，目前的研究在对脑卒中患者的运动功能进行评估时，仅要求脑卒中患者完成 一次或少数若干次指定的动作任务，且传统的临床康复评定量表也均为单次评估，即仅考虑脑卒中患者是否具备完成指定动作的能力，而忽略了脑卒中患者持续完成较多次数指定动作任务时的耐力与疲劳状态。

因此，有必要设计一种新的方法，实现对脑卒中患者运动功能和疲劳状态进行综合 评估。

发明内容

本发明的目的是提供一种脑卒中患者运动功能及疲劳状态综合评估方法，该评估方 法不仅能对脑卒中患者的运动功能进行定量评估，还能对完成指定运动任务时的疲劳状 态进行定量评估。

实现本发明目的的技术方案是：本发明包括以下步骤：

S1、信号采集：通过可采集肢体感知信号的运动捕捉设备对脑卒中患者多次重复完 成指定动作任务时的肢体感知信号进行采集；

S2、运动过程分隔：完成一次指定动作任务为一个运动周期，依据运动周期的数量M，将整个运动过程平均分隔成n个子阶段；各子阶段的运动周期数为其中n≥2；

S3、构建各个子阶段的复杂网络：在各个子阶段，以每个运动周期作为其复杂网络的节点，节点间是否存在连边，依据对应的两个运动周期所采集到的肢体感知信号间的 相似程度确定；当相似程度超过给定的阈值，则两个运动周期对应的节点存在连边，否 则不存在连边；其中，给定的阈值一般是通过通过采集正常人完成相同运动时的肢体感 知信号确定；

S4、对复杂网络演化特征进行提取：复杂网络演化特征为计算出的每个子阶段的复 杂网络的刻画指标，以及相邻子阶段的复杂网络的刻画指标之间的演化差异值；

S5、评估模型建立：利用提取的复杂网络演化特征，基于人工智能方法建立脑卒中患者运动功能评估模型。

上述运动捕捉设备为可穿戴的惯性传感器；所述惯性传感器包括3轴加速度计、3轴陀螺仪和3轴磁力计。

上述运动周期的数量M≥30。

上述刻画指标包括平均度、平均路径长度和平均聚类系数；所述演化差异值包括平 均度差值、平均路径长度差值和平均聚类系数差值。

上述步骤S5中所述的人工智能方法为人工神经网络或支持向量机或卷积神经网络。

上述步骤S3中两个运动周期所采集到的肢体感知信号间的相似程度的判定依据两 个运动周期惯性传感器信号的匹配程度或最大幅度的差值或两个周期运动时间的差值。

7、根据权利要求4所述的脑卒中患者运动功能及疲劳状态综合评估方法，其特征在于：根据复杂网络获得邻接矩阵A＝(a_ij)_L×L，该邻接矩阵是L阶方阵，第i行第j列上 的元素a_ij表示第i个节点和第j个节点之间的相似程度，其定义如下：

所述步骤S4中刻画指标的计算公式如下：

平均度：

平均路径长度：

平均聚类系数：

其中，d_ij表示节点i和节点j之间的距离，定义为连接这两个节点的最短路径上的边 的数目；k_i表示节点i的度，即与节点i直接有边连接的其他节点的数目；E_i表示节点i的k_i个邻节点之间实际存在的边数。

所步骤S4中平均度差值为后一子阶段的平均度减去前一子阶段的平均度；平均路径长度差值为后一子阶段的平均路径长度减去前一子阶段的平均路径长度；平均聚类系数差值为后一子阶段的平均聚类系数减去前一子阶段的平均聚类系数。

本发明具有积极的效果：本发明结合可穿戴运动捕捉技术、复杂网络理论和人工智 能方法，通过对脑卒中患者多次重复完成指定运动任务时的运动演化过程进行分析，实现对其运动功能和疲劳状态的综合评价。与传统方法相比，本发明的方法不仅可以实现 对脑卒中患者的运动功能进行定量评估，即脑卒中患者是否具备完成指定运动任务的能 力及完成质量如何。更重要的是，本发明的方法还可以实现对脑卒中患者完成指定运动 任务时的疲劳状态进行定量评估，即是否有疲劳发生，以及疲劳发生的程度如何。

附图说明

为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本 发明作进一步详细的说明，其中

图1为本发明的流程示意图；

图2为本发明实施例中运动捕捉设备佩戴位置示意图；

图3为本发明实施例中完成Bobath握手30次过程中记录下的加速度传感器原始信号；

图4为本发明实施例中起始阶段10个动作周期构建的复杂网络图；

图5为本发明实施例中过渡阶段10个动作周期构建的复杂网络图；

图6为本发明实施例中末尾阶段10个动作周期构建的复杂网络图；

图7为本发明实施例中建立的综合评估模型预测性能图。

具体实施方式

下面将结合说明书附图，对技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普 通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护 的范围。

如图1所示，本发明所述的一种基于复杂网络演化的脑卒中患者运动功能及疲劳状 态综合评估方法，包括如下步骤：

S1、信号采集。首先将内嵌9轴惯性传感器单元的穿戴式运动捕捉设备固定或佩戴在具体应用要求的初始位置，然后使用上位机数据采集软件采集一段时间内脑卒中患者多次重复完成指定运动任务时的9轴惯性传感器的原始信号。需要指出的是，在本发明 所提出的方法中，信号采集过程不限定惯性传感器单元和数据采集软件的类型，以及采 样频率的大小。只要能够采集到脑卒中患者多次重复完成指定运动任务时的肢体感知信 号即可。

S2、运动过程分隔。为了深入分析脑卒中患者多次重复完成指定运动任务时的运动 演化过程，需要对采集到的原始信号进行分隔。依据运动周期的数量，将整个运动过程平均分隔成三个子阶段(起始阶段、过渡阶段和末尾阶段)。假设脑卒中患者重复完成 指定运动任务的次数为3*L，则第1～L个运动周期的信号作为起始阶段，第L+1～2*L 个运动周期的信号作为过渡阶段，第2*L+1～3*L个运动周期的信号作为末尾阶段。 在具体的实施案例中，该步骤的子阶段分隔方法不限定平均划分，不均匀划分方法亦可 以。分隔的子阶段数目不限定三个，大于等于2即可。脑卒中患者重复完成指定运动任 务的次数不限定为子阶段数据的整数倍(譬如，3的整数倍)，不满足该条件时，对采集 到的原始信号作截断处理，取到子阶段数据的最大整数倍。不失一般性，假设脑卒中患 者重复完成指定运动任务的次数为M(不能被3整除)，那么截取的运动周期数为 其中符号表示向下取整运算。

S3、构建各个子阶段的复杂网络：在各个子阶段，以每个运动周期作为复杂网络的节点，节点间是否存在连边依据对应的两个运动周期惯性传感器信号间的相似程度确定。一个具体网络可抽象为一个由点集V和边集E组成的图G＝(V,E)。假设子阶段有L个运 动周期，则点集V中共有L个节点，节点间是否存在连边依据对应的两个运动周期惯性 传感器信号间的相似程度确定，相似程度的判定可以依据两个运动周期惯性传感器信号 的匹配程度、最大幅度的差值或两个周期运动时间的差值等。若相似程度超过给定的阈 值，则两个周期对应的节点间存在连边，否则不存在连边。其中阈值一般是通过采集正 常人完成相同运动时的肢体感知信号确定的。

S4、对复杂网络演化特征进行提取：计算相邻子阶段复杂网络刻画指标之间的演化 差异，包括起始阶段与过渡阶段之间、过渡阶段和末尾阶段之间。首先，根据每个子阶段复杂网络的邻接矩阵计算出子阶段复杂网络的刻画指标，包括但不限定于平均度、平 均路径长度和平均聚类系数等。邻接矩阵A＝(a_ij)_L×L是一个L阶方阵，第i行第j列上的 元素a_ij表示第i个节点(运动周期)和第j个节点(运动周期)之间的相似程度，其定义 如下：

上述刻画指标的计算公式如下：

平均度：

平均路径长度：

平均聚类系数：

其中，d_ij表示节点i和节点j之间的距离，定义为连接这两个节点的最短路径上的边 的数目；k_i表示节点i的度，即与节点i直接有边连接的其他节点的数目；E_i表示节点i的k_i个邻节点之间实际存在的边数。

接着，计算相邻子阶段复杂网络刻画指标之间的演化差异值，即起始阶段与过渡阶 段之间的刻画指标差异值Δ<k>₁,ΔS₁,ΔC₁和过渡阶段和末尾阶段之间的刻画指标差异 值Δ<k>₂,ΔS₂,ΔC₂。

S5、评估模型建立：利用提取的复杂网络演化特征，基于人工智能方法建立脑卒中患者运动功能及疲劳状态综合评估模型。模型的输入包括：从各个子阶段复杂网络中提 取的刻画指标，以及相邻子阶段复杂网络刻画指标之间的演化差异值；模型的输出为临 床医生依据传统量表给出的评定结果和疲劳程度得分。综合评估模型的建立基于人工智 能方法实现，包括但不限定于人工神经网络、支持向量机、卷积神经网络等。

以下对本发明进行具体实施方式进行分析：

以Bobath握手动作为例进行分析。Bobath握手的运动过程为：坐立位，双手交叉放于膝上，伸肘，肩上举过头顶维持3-5秒后下放至初始位置。数据采集前，先将两 个惯性传感器分别佩戴在患者偏瘫侧的前臂和上臂，如图2所示。

图3描述了脑卒中患者在重复完成30次Bobath握手时三轴加速度计记录下的肢体感知数据，其中1-10次为起始阶段，11-20次为过渡阶段，21-30次为末尾阶段。

图4、图5和图6分别描述了起始阶段、过渡阶段和末尾阶段所构建的三个复杂网络。从中可以直观地看出，随着运动次数的增加，各个动作周期之间的相似性程度逐渐 降低，即脑卒中患者的疲劳程度逐渐增加。

下表1详细列出了三个子阶段复杂网络的刻画指标及复杂网络演化特征参数值。

表1三个子阶段复杂网络刻画指标及复杂网络演化特征参数值

将上表中提取的子阶段复杂网络刻画指标及复杂网络演化特征参数作为综合评定模型 的输入，共15个。将临床医生利用Fugl-Meyer给出的评估得分作为模型的输出，利用 BP神经网络建立模型。BP神经网络为一个三层结构，仅包含一个隐含层，隐含层神经 元个数为30。最大训练次数1000次，学习目标为1e-3，学习率为0.1。模型的预测性 能如图5所示，模型的决定系数R²可达0.839,表明预测的Fugl-Meyer得分与临床医生 给出的得分之间非常接近。同时，复杂网络演化特征可以直观地反映出脑卒中患者在多 次重复完成Bobath握手动作时呈现出的疲劳状态越来越严重的趋势。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细 说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发 明的保护范围之内。

Claims (7)

1.一种脑卒中患者运动功能及疲劳状态综合评估方法；其特征在于包括以下步骤：

S1、信号采集：通过可采集肢体感知信号的运动捕捉设备对脑卒中患者多次重复完成指定动作任务时的肢体感知信号进行采集；

S2、运动过程分隔：完成一次指定动作任务为一个运动周期，依据运动周期的数量M，将整个运动过程平均分隔成n个子阶段；各子阶段的运动周期数为其中n≥2；

S3、构建各个子阶段的复杂网络：在各个子阶段，以每个运动周期作为其复杂网络的节点，节点间是否存在连边，依据对应的两个运动周期所采集到的肢体感知信号间的相似程度确定；当相似程度超过给定的阈值，则两个运动周期对应的节点存在连边，否则不存在连边；

S4、对复杂网络演化特征进行提取：复杂网络演化特征为计算出的每个子阶段的复杂网络的刻画指标，以及相邻子阶段的复杂网络的刻画指标之间的演化差异值；

S5、评估模型建立：利用提取的复杂网络演化特征，基于人工智能方法建立脑卒中患者运动功能评估模型。

2.根据权利要求1所述的脑卒中患者运动功能及疲劳状态综合评估方法，其特征在于：所述运动捕捉设备为可穿戴的惯性传感器；所述惯性传感器包括3轴加速度计、3轴陀螺仪和3轴磁力计。

3.根据权利要求1所述的脑卒中患者运动功能及疲劳状态综合评估方法，其特征在于：所述运动周期的数量M≥30。

4.根据权利要求1所述的脑卒中患者运动功能及疲劳状态综合评估方法，其特征在于：所述刻画指标包括平均度、平均路径长度和平均聚类系数；所述演化差异值包括平均度差值、平均路径长度差值和平均聚类系数差值。

5.根据权利要求1所述的脑卒中患者运动功能及疲劳状态综合评估方法，其特征在于：所述步骤S5中所述的人工智能方法为人工神经网络或支持向量机或卷积神经网络。

6.根据权利要求1所述的脑卒中患者运动功能及疲劳状态综合评估方法，其特征在于：所述步骤S3中两个运动周期所采集到的肢体感知信号间的相似程度的判定依据两个运动周期惯性传感器信号的匹配程度或最大幅度的差值或两个周期运动时间的差值。

7.根据权利要求4所述的脑卒中患者运动功能及疲劳状态综合评估方法，其特征在于：根据复杂网络获得邻接矩阵A＝(a_ij)_L×L，该邻接矩阵是L阶方阵，第i行第j列上的元素a_ij表示第i个节点和第j个节点之间的相似程度，其定义如下：

所述步骤S4中刻画指标的计算公式如下：

平均度：

平均路径长度：

平均聚类系数：

其中，d_ij表示节点i和节点j之间的距离，定义为连接这两个节点的最短路径上的边的数目；k_i表示节点i的度，即与节点i直接有边连接的其他节点的数目；E_i表示节点i的k_i个邻节点之间实际存在的边数。

所步骤S4中平均度差值为后一子阶段的平均度减去前一子阶段的平均度；平均路径长度差值为后一子阶段的平均路径长度减去前一子阶段的平均路径长度；平均聚类系数差值为后一子阶段的平均聚类系数减去前一子阶段的平均聚类系数。