CN110464349A - 一种基于隐半马尔科夫模型的上肢运动功能评分方法 - Google Patents
一种基于隐半马尔科夫模型的上肢运动功能评分方法 Download PDFInfo
- Publication number
- CN110464349A CN110464349A CN201910813637.5A CN201910813637A CN110464349A CN 110464349 A CN110464349 A CN 110464349A CN 201910813637 A CN201910813637 A CN 201910813637A CN 110464349 A CN110464349 A CN 110464349A
- Authority
- CN
- China
- Prior art keywords
- patient
- movement
- assessment
- limb
- motor function
- 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
Classifications
-
- 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
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1118—Determining activity level
-
- 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
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Signal Processing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于隐半马尔科夫模型的上肢运动功能评分方法,包括步骤:(1)选取标准运动功能评估动作;(2)采集患者健侧上肢执行运动功能评估动作的上肢位姿与肌电数据集;(3)训练适用于运动功能评估的隐半马尔科夫模型;(4)利用(3)中的模型进行运动功能评估。本发明能够对脑卒中偏瘫患者的上肢运动功能恢复程度进行评估,在一定程度上取代康复治疗医师利用运动功能评估量表进行经验性评估的方法,从而降低康复治疗医师工作强度,辅助治疗医师工作,提高医师工作效率的目的。
Description
技术领域
本发明属于康复医学领域,尤其涉及一种基于隐半马尔科夫模型的上肢运动功能评分方法。
背景技术
脑卒中病人往往上肢运动功能存在缺陷,临床表现为肌肉或肢体软瘫、痉挛以及运动迟缓等偏瘫症状。受社会中康复治疗资源紧缺的现状,大量的脑卒中致残患者得不到及时与有效的康复治疗。与此同时治疗成本居高不下。因此,使用合适的计算机方法在一定程度上替代治疗医师对偏瘫患者的运动功能恢复状况进行有效地评估具有重要意义。
临床康复医学中常用于肢体运动功能评估的方法有Brunnstrom量表与Fugel-Meyer量表等。Brunnstrom量表将上肢运动功能的恢复程度根据肌张力与运动能力进行阶段性划分,划分为6个阶段,第1阶段患者的肌张力水平近乎为零完全软瘫,无反应或反应极迟缓,无任何运动能力;第2阶段患者出现痉挛,联合反应,患肢肌肉可轻微收缩,但关节无法运动;第3阶段患者肌肉痉挛程度剧烈,可发起共同运动、代偿运动;第4阶段患者肌肉痉挛开始减弱,患肢可作脱离共同运动、分离运动;第5阶段患者痉挛程度进一步减弱,分离运动能力增强;第6阶段患者患肢基本康复,接近正常水平,但较健侧运动灵活性稍弱。Fugel-Meyer量表是由AxelFugel-Meyer及其同事提出的一种偏瘫患者的运动恢复的标准化评估测试方法。它与Brunnstrom量表一起广泛用于运动功能的临床评估。Fugl-Meyer评估量表,发现具有出色的一致性,响应性和良好的准确性。
隐半马尔科夫模型(HSMM),是隐马尔可夫模型(HMM)的一种扩展模型。相比较隐马尔可夫模型,隐半马尔可夫模型进一步考虑了状态驻留概率分布,在隐马尔可夫模型的基础上加入驻留时间,在解决现实问题中隐半马尔科夫模型有更好的建模能力和评估分析能力。隐半马尔科夫模型λ由参数(N,M,π,A,B,P)描述,其中N是隐状态数,M为观测序列长度,初始状态概率分布矢量π,状态转移概率矩阵A,状态驻留时间分布矩阵P,观察值概率矩阵B。隐半马尔科夫模型可写作λ=(N,M,π,A,B,P)。
发明内容
发明目的:针对以上问题,提出来一种基于隐半马尔科夫模型的上肢运动功能评分方法
为实现本发明的目的,本发明所采用的技术方案是:其具体步骤如下:
(1)、规划标准上肢运动功能评估动作;
(2)、利用患者健肢采集标准上肢运动功能评估动作的上肢位姿与肌电数据集;
(3)、利用上肢位姿与肌电数据集训练适用于运动功能评估的隐半马尔科夫模型;
(4)、采集患者患肢执行标准运动功能评估动作的上肢位姿与肌电数据;
(5)、利用前向后向算法结合步骤(3)中所述模型得到步骤(4)中数据的似然概率值;
(6)、根据FMA计算患者健侧上肢运动功能评分;
(7)、根据步骤(6)与步骤(5),计算患者患侧上肢运动功能评分。
进一步地,所述步骤(1)具体包括:
患者腰挺直端坐,手臂自然下垂;
(1.1)、初始姿势为手掌心置于异侧下肢膝盖上,随后肘关节缓慢屈曲,肩关节缓慢抬升、外展,直至手触摸到同侧耳朵;
(1.2)、初始姿势为手掌心置于同侧下肢膝盖上,随后作手背触及腰骶部运动;
(1.3)、初始姿势为手臂自然下垂,肩关节作外展90度动作,同时肘关节保持伸展状态;
(1.4)、初始姿势为手臂自然下垂,肘关节缓慢屈曲至90度与地面水平后,小臂作旋前90度,旋后90度动作;
(1.5)、初始姿势为手臂自然下垂,肩关节缓慢向前伸展90度至手臂与地面水平,同时肘关节保持伸展状态;
(1.6)、初始姿势为手臂自然下垂,肩关节缓慢向前伸展45度,同时肘关节保持伸展状态,手掌完全展开,大臂作旋前90度,旋后90度动作;
(1.7)、初始姿势为手臂下垂,手掌完全展开且掌心朝前,大臂向前抬起同时肘关节屈伸至手掌内侧触及同侧耳朵动作;
(1.8)、初始姿势为手臂下垂,大臂向前抬起至180度举过头顶运动,同时肘关节保持伸展状态。
进一步地,所述步骤(2)中:采集患者健侧上肢的大臂与小臂执行标准评估运动时的姿态与关联肌肉的表面肌电幅值信号;具体包括:
(2.1)、于健侧上肢大臂与小臂分别安装姿态测量传感器;
(2.2)、于健侧上肢运动关联肌肉上安装表面肌电传感器数个;
(2.3)、患者健肢依照步骤(1)中所有标准评估运动动作分别执行,采集并记录执行运动过程中肢体的姿态数据与表面肌电幅值数据;
(2.4)、重复(2.3)步骤多次,采集多组数据以增强模型鲁棒性。
进一步地,所述步骤(3)具体包括:
(3.1)、加窗提取表面肌电原始信号特征;
(3.2)、将每次采集的姿态数据与肌电特征数据组合,组成观测矩阵;
(3.3)、对齐多组观测矩阵数据,组成观测矩阵集,保证观测矩阵集中每组矩阵行列一致;
(3.4)、利用观测矩阵集结合EM算法或Baum-Welch算法训练隐半马尔科夫模型,得到适用于患者运动功能评估的单个动作隐半马尔科夫模型;
(3.5)对于多个不同的动作,利用动作对应的观测矩阵集,重复步骤(3.4)即可。
进一步地,所述步骤(4)为采集患者患肢执行标准运动功能评估动作的上肢位姿与肌电数据,具体包括:
(4.1)、于患侧上肢大臂与小臂分别安装姿态测量传感器;
(4.2)、于患侧上肢运动关联肌肉上安装表面肌电传感器数个;
(4.3)、患者患肢依照步骤(1)中所有标准评估运动动作分别执行,采集并记录执行运动过程中肢体的姿态数据与表面肌电幅值数据;
(4.4)、将采集的患肢姿态数据与肌电特征数据组合,组成每个标准评估动作的观测矩阵。
进一步地,所述步骤(5)根据步骤(3)中所述模型,利用前向-后向算法计算步骤(4)中患侧上肢运动功能数据相对健侧上肢运动功能数据的似然概率数值为:利用所述的适用于运动功能评估的隐半马尔科夫模型,以及由患肢执行所述上肢运动功能评估动作的姿态与肌电数据组成的观测矩阵,结合前向-后向算法,得到患侧上肢运动功能数据相对健侧上肢运动功能数据的似然概率数值,其包括:
(5.1)、利用步骤(3)中得到的具体模型λ=(N,M,π,A,B,P)作为前向-后向算法的参数,利用步骤(4)中采集的每组标准评估动作观测矩阵作为前向-后向算法的当前观测值,输出前向-后向算法的结果,即当前观测值的似然概率值;
(5.2)、对每组动作均采用(5.1)所述方法求得其似然概率值。
进一步地,所述步骤(6)根据FMA计算患者健侧上肢运动功能评分为:治疗医师审查患者健侧上肢执行所述的运动功能评估动作的记录录像带并填写李克特问卷调查,来评估患者健侧上肢执行所述的运动功能评估动作期间的表现,并运用FMA计算健肢运动功能评分:
(6.1)、采集健侧上肢分别执行各标准评估动作运动姿态与关联肌肉肌电数据;
(6.2)、利用步骤(4.4)方法,得到单一动作的观测矩阵;
(6.3)、利用前向-后向算法结合步骤(3)中训练完毕的模型输出健侧上肢运动的似然概率值作为最大似然概率值;
(6.4)、利用步骤(5.2)方法得出的似然概率值与步骤(6.3)中得到的最大似然概率值求取满分为100分,最低0分的评估运动得分;
(6.5)、对于多个不同的评估动作,重复步骤(6.1)~(6.4)即可得到每个评估动作的评估得分。
所述步骤(7)利用步骤(6)与步骤(5),计算患者患侧上肢运动功能评分为:首先,对同一康复评估动作,根据步骤(5),计算所有患者患侧上肢运动功能数据相对于健侧上肢运动功能数据的似然概率数值,并通过归一化处理,获取到每位患者患侧对具体每个康复评估动作的归一化似然概率数值;其次,根据步骤(6)患者健侧评分,获取患者健侧对每个康复评估动作的最高与最低评分;最后,利用归一化处理得到的似然概率数值及患者健侧对每个康复评估动作的最高与最低评分,获取到患者患侧对康复评估动作的运动功能评分。
本发明的有益效果:本发明能够对脑卒中偏瘫患者的上肢运动功能恢复程度进行评估,在一定程度上取代康复治疗医师利用运动功能评估量表进行经验性评估的方法,从而降低康复治疗医师工作强度,辅助治疗医师工作,提高医师工作效率的目的。
附图说明
图1是本发明的实施流程框图;
图2是本发明中上肢运动姿态采集方案图;
图3是本发明中上肢运动关联肌肉表面肌电传感器安装方案图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
首先选取涉及到上肢肩关节、肘关节运动功能的8个标准评估动作,其次于患者的健肢安装姿态传感器与表面肌电传感器,指导患者按照8个标准评估动作分别执行,姿态传感器与表面肌电传感器分别记录运动时的生理数据,为保证***鲁棒性,每个标准评估动作重复执行多次,采集多组运动生理数据;随后提取于健肢运动时姿态传感器与表面肌电传感器的数据特征值,组成观测矩阵集,利用EM算法或Baum-Welch算法训练隐半马尔科夫模型;再次采集于患者的患肢安装姿态传感器与表面肌电传感器,指导患者按照5个标准评估动作分别执行,姿态传感器与表面肌电传感器分别记录运动时的生理数据,提取于患肢运动时姿态传感器与表面肌电传感器的数据特征值,组成观测矩阵;最后利用前向-后向算法与训练完毕的隐半马尔科夫模型输出基于患肢观测矩阵的似然概率值,计算评估运动得分。
如图1所示,1、一种基于隐半马尔科夫模型的上肢运动功能评分方法,包括以下步骤:
(1)、规划上肢运动功能评估动作;
(2)、根据上肢运动功能评估动作,采集患者健侧上肢位姿与肌电数据;
(3)、利用患者健侧上肢位姿与肌电数据集训练适用于运动功能评估的隐半马尔科夫模型;
(4)、采集患者患侧上肢执行运动功能评估动作的位姿与肌电数据;
(5)、根据步骤(3)中所述模型,利用前向-后向算法计算步骤(4)中患侧上肢运动功能数据相对健侧上肢运动功能数据的似然概率数值;
(6)、根据FMA计算患者健侧上肢运动功能评分;
(7)、根据步骤(6)与步骤(5),计算患者患侧上肢运动功能评分。
所述步骤(1)上肢运动功能评估动作由如下评估动作组成:
(2.1)、小臂旋前旋后运动;
(2.2)、屈肌共同运动;
(2.3)、手触腰椎运动;
(2.4)、肩关节屈曲90°运动;
(2.5)、大臂旋前旋后运动;
(2.6)、肩关节外展90°运动;
(2.7)、肩关节屈曲90°-180°运动;
(2.8)、肩关节屈曲直至上肢手掌触摸同侧耳朵运动。
所述步骤(2)根据上肢运动功能评估动作,采集患者健侧上肢位姿与肌电数据为:将姿态传感器安装于健侧上肢的大臂与小臂上,采集患者在执行所述上肢运动功能评估动作时肢体的运动姿态;将表面肌电传感器安装于与运动相关联的肌肉群上,采集患肢在执行所述上肢运动功能评估动作时的表面肌电信号;为保证***鲁棒性,同一组上肢运动评估动作的位姿与肌电数据可采集数次。
所述步骤(3)利用患者健侧上肢位姿与肌电数据集训练适用于运动功能评估的隐半马尔科夫模型包括:对上肢运动功能评估动作,运用采集到的患者健肢运动姿态与表面肌电数据,构建多维隐半马尔科夫模型显状态观测矩阵;对显状态观测矩阵,运用EM算法或Baum-Welch算法,训练得到适用于单个评估动作的隐半马尔科夫模型。
所述步骤(4)采集患者患侧上肢执行运动功能评估动作的位姿与肌电数据为:将姿态传感器安装于患者患肢的大臂与小臂上,采集患肢在执行所述的上肢运动评估动作时的运动姿态角度;将表面肌电传感器安装于与评估运动相关联的患肢上的肌肉群,采集在执行所述的上肢运动评估动作时患肢的表面肌电信号。
所述步骤(5)根据步骤(3)中所述模型,利用前向-后向算法计算步骤(4)中患侧上肢运动功能数据相对健侧上肢运动功能数据的似然概率数值为:利用所述的适用于运动功能评估的隐半马尔科夫模型,以及由患肢执行所述上肢运动功能评估动作的姿态与肌电数据组成的观测矩阵,结合前向-后向算法,得到患侧上肢运动功能数据相对健侧上肢运动功能数据的似然概率数值。
所述步骤(6)根据FMA计算患者健侧上肢运动功能评分为:治疗医师审查患者健侧上肢执行所述的运动功能评估动作的记录录像带并填写李克特问卷调查,来评估患者健侧上肢执行所述的运动功能评估动作期间的表现,并运用FMA计算健肢运动功能评分。
所述步骤(7)利用步骤(6)与步骤(5),计算患者患侧上肢运动功能评分为:首先,对同一康复评估动作,根据步骤(5),计算所有患者患侧上肢运动功能数据相对于健侧上肢运动功能数据的似然概率数值,并通过归一化处理,获取到每位患者患侧对具体每个康复评估动作的归一化似然概率数值;其次,根据步骤(6)患者健侧评分,获取患者健侧对每个康复评估动作的最高与最低评分;最后,利用归一化处理得到的似然概率数值及患者健侧对每个康复评估动作的最高与最低评分,获取到患者患侧对康复评估动作的运动功能评分。
具体的本发明的操作包括下述步骤:
(1)、标准运动功能评估动作选取:
(1.1)初始姿势为手掌心置于异侧下肢膝盖上,随后肘关节缓慢屈曲,肩关节缓慢抬升、外展,直至手触摸到同侧耳朵;
(1.2)、初始姿势为手掌心置于同侧下肢膝盖上,随后作手背触及腰骶部运动;
(1.3)、初始姿势为手臂自然下垂,肩关节作外展90度动作,同时肘关节保持伸展状态;
(1.4)、初始姿势为手臂自然下垂,肘关节缓慢屈曲至90度与地面水平后,小臂作旋前90度,旋后90度动作;
(1.5)、初始姿势为手臂自然下垂,肩关节缓慢向前伸展90度至手臂与地面水平,同时肘关节保持伸展状态;
(1.6)、初始姿势为手臂自然下垂,肩关节缓慢向前伸展45度,同时肘关节保持伸展状态,手掌完全展开,大臂作旋前90度,旋后90度动作;
(1.7)、初始姿势为手臂下垂,手掌完全展开且掌心朝前,大臂向前抬起同时肘关节屈伸至手掌内侧触及同侧耳朵动作;
(1.8)、初始姿势为手臂下垂,大臂向前抬起至180度举过头顶运动,同时肘关节保持伸展状态。
(2)、偏瘫患者上肢健侧标准运动数据采集:
(2.1)、保持患者健侧上肢处于自然下垂状态;
(2.2)、安装姿态传感器两只,分别于大臂与小臂上;
(2.3)、安装5只表面肌电传感器,于运动关联5块肌肉:肱二头肌、三角肌、三角肌-肩胛骨、旋前肌群、旋后肌群表面各安装1只;
(2.4)、初始化、清零传感器;
(2.5)、指导患者运用健侧上肢分别执行步骤(1)中所述8个标准运动评估动作,姿态传感器与表面肌电传感器分别采集运动姿态数据与肌电原始幅值数据;
(2.6)、重复依次执行(2.4)、(2.5)步骤共K次,采集记录K组不同标准运动评估动作的数据。
(3)、构建适用于患者运动评估的隐半马尔科夫模型:
(3.1)、对步骤(2.5)中采集的每组每个肌电原始幅值数据分别进行加窗求特征值,得到特征值序列,取合适的窗口滑动值以保证所求得的各特征值序列长度与姿态角数据序列长度保持一致;
(a)、特别地,对于每组每个肌电原始幅值数据提取均值、均方根值、一阶差分标准差、方差、一阶差分均值、平均功率频率、标准差、过零点数、绝对值斜率、积分肌电值、一阶差分中值、中值频率共12种特征值序列。组成单个原始肌电信号的特征值矩阵OkEi(mk×12),其中k是采集次数,1≤k≤K,i是运动关联肌肉的序号1≤i≤4,mk是第k次采集的序列长度;
(b)、两只姿态传感器分别采集大臂与小臂的运动姿态四元数数据,得到单个运动姿态四元数矩阵OkQj(mk×4),其中j是两只姿态传感器的序号1≤j≤2;
(c)、5个表面肌电传感器采集的信号特征值矩阵OkEi(mk×12)组成单次采集的肌电特征信号观测矩阵OkE(mk×60),OkE=(OkE1,OkE2,OkE3,OkE4,OkE5);
(d)、2个姿态传感器采集的四元数矩阵OkQj(mk×4)组成单次采集的肌电特征信号观测矩阵OkQ(mk×8),OkQ=(OkQ1,OkQ2);
(e)、如步骤(3.1)所述,对原始肌电信号进行滑动加窗时,要保证特征序列长度与姿态传感器输出四元数序列长度一致均为mk,因此,单个原始肌电信号的特征值矩阵OkE与单个运动姿态数据矩阵OkQ长度一致,组成单次观测的观测值矩阵Ok;
(f)、对于共K次运动重复执行(a)~(e)步骤,得到隐半马尔科夫模型的训练矩阵集O={O1,…,OK}
(3.2)、由于每次采集时序列长度不一致,导致每组观测序列长度M={m1,m2,…,mK}不尽相同,利用DTW算法对O={O1,…,OK}中每个矩阵执行对齐操作;
(3.3)、利用K均值聚类算法对观测矩阵集O进行聚类,取G个聚类中心,得到每个聚类的均值矩阵μ、协方差矩阵U、权值矩阵W;
(3.4)、初始化隐半马尔科夫模型参数:
(a)、初始状态概率分布矢量π=norm(rand(N×1));
(b)、状态转移概率矩阵A=norm(rand(N×N));
(c)、观察值概率矩阵B采用多元高斯混合模型初始化;
(d)、状态驻留时间分布矩阵P采用单高斯模型初始化。
上式中norm(…)是归一化函数,rand(…)是随机数发生函数;
(3.5)、利用步骤(3.4)中初始化完毕的隐半马尔科夫模型λ=(N,M,π,A,B,P)结合EM算法或Baum-Welch算法设置阈值迭代重估隐半马尔科夫模型得到适用于患者运动功能评估的最优隐半马尔科夫模型。
(4)、采集患者患侧上肢执行标准运动功能评估动作的上肢位姿与肌电数据:
(4.1)、保持患者患侧上肢处于自然下垂状态;
(4.2)、安装姿态传感器两只,分别于大臂与小臂上;
(4.3)、安装5只表面肌电传感器,于运动关联的5块肌肉:肱二头肌、三角肌、三角肌-肩胛骨、旋前肌群、旋后肌群表面各安装1只;
(4.4)、初始化、清零传感器;
(4.5)、指导患者运用患侧上肢分别执行步骤(1)中所述8个标准运动评估动作,姿态传感器与表面肌电传感器分别采集运动姿态数据与肌电原始幅值数据;
(4.6)、构建患侧肢体观测值矩阵X:
(a)、特别地,对于每组每个肌电原始幅值数据提取均值、均方根值、一阶差分标准差、方差、一阶差分均值、平均功率频率、标准差、过零点数、绝对值斜率、积分肌电值、一阶差分中值、中值频率共12种特征值序列;组成患侧肢体原始肌电信号的特征值矩阵XEi(mx×12),i是运动关联肌肉的序号1≤i≤5,mx是采集的序列长度;
(b)、两只姿态传感器分别采集大臂与小臂的运动姿态四元数数据,得到患侧肢体运动姿态四元数矩阵XQj(mx×4),其中j是两只姿态传感器的序号1≤j≤2;
(c)、5个表面肌电传感器采集的信号特征值矩阵XEi(mx×12)组成患侧肢体的肌电特征信号观测矩阵XE(mx×60),XE=(XE1,XE2,XE3,XE4,XE5);
(d)、2个姿态传感器采集的四元数矩阵XQj(mx×4)组成单次采集的肌电特征信号观测矩阵XQ(mx×8),XQ=(XQ1,XQ2);
(e)、如步骤(3.1)所述,对患侧肢体原始肌电信号进行滑动加窗时,要保证特征序列长度与姿态传感器输出四元数序列长度一致均为mx,因此,患侧肢体肌电信号的特征值矩阵XE与患侧肢体运动姿态数据矩阵XQ长度一致,组成患侧肢体观测值矩阵X=(XQ,XE)。
(5)、采集患者患侧上肢执行标准运动功能评估动作的上肢位姿与肌电数据:
(5.1)、利用步骤(3.5)中得到的具体模型作为前向-后向算法的参数,利用步骤(4.6)中采集的患侧肢体每组标准评估动作观测矩阵X作为前向-后向算法的当前观测值,输出前向-后向算法的结果,即当前观测值的似然概率值l;
(5.2)、对步骤(1)中所述的8种不同动作分别执行步骤(5.1)操作,得到8个观测的似然概率值L=(l1,l2,…,l8)。
(6)、根据(5)中似然概率值L=(l1,l2,…,l8)计算患肢运动评分:
(6.1)、对于单一标准评估动作,采集健侧上肢所执行运动的姿态与关联肌肉肌电数据;
(6.2)、对于单一标准评估动作,提取肌电特征数据,与姿态传感器数据组合,得到单一动作的观测矩阵;
(6.3)、对于单一标准评估动作,利用前向-后向算法与步骤(6.2)中观测均值计算动作所对应模型的似然概率值作为最大似然概率值lmax;
(6.5)、利用步骤(5.2)方法得出的似然概率值L=(l1,l2,…,l8)与步骤(6.3)中得到的各动作最大似然概率值Lmax=(lmax1,lmax2,…,lmax8)求取满分为100分,最低0分的评估运动总分,计算方法见下式:
如图2所示,本发明的基于隐半马尔科夫模型的上肢运动功能评估方法,包括如下内容:
(1)、2只姿态传感器分别安装在患者上肢大臂内侧与小臂内侧,安装时注意2只姿态传感器原始姿态保持一致;
(2)、在手臂自然下垂时,初始化清零传感器,随后保持患者上肢静止;
(3)、指导患者执行标准运动评估动作,姿态传感器同时记录大臂与小臂实时运动的姿态四元数;
(4)、运动结束时,结束传感器数据记录,得到大臂与小臂的运动姿态四元数序列。
如图3所示,本发明的基于隐半马尔科夫模型的上肢运动功能评估方法,包括如下内容:
(1)、5只表面肌电传感器分别安装于患者上肢的肱二头肌、三角肌、三角肌-肩胛骨、旋前肌群、旋后肌群表面,安装时应注意皮肤清洁干燥;
(2)、指导患者执行标准运动评估动作,5只表面肌电传感器同时记录大臂与小臂实时运动的5组原始肌电信号;
(3)、运动结束时,结束传感器数据记录,得到肱二头肌、三角肌、三角肌-肩胛骨、旋前肌群、旋后肌群的运动原始肌电信号序列;
(4)、对每块肌肉的原始信号,作加窗处理,选择合适的窗口长度与帧移,保证姿态数据序列长度与特征值序列长度一致。
本发明能够对脑卒中偏瘫患者的上肢运动功能恢复程度进行评估,在一定程度上取代康复治疗医师利用运动功能评估量表进行经验性评估的方法,从而降低康复治疗医师工作强度,辅助治疗医师工作,提高医师工作效率的目的。
Claims (8)
1.一种基于隐半马尔科夫模型的上肢运动功能评分方法,其特征在于:其评估方法包括以下步骤:
(1)、规划标准上肢运动功能评估动作;
(2)、利用患者健肢采集标准上肢运动功能评估动作的上肢位姿与肌电数据集;
(3)、利用上肢位姿与肌电数据集训练适用于运动功能评估的隐半马尔科夫模型;
(4)、采集患者患肢执行标准运动功能评估动作的上肢位姿与肌电数据;
(5)、利用前向后向算法结合步骤(3)中所述模型得到步骤(4)中数据的似然概率值;
(6)、根据FMA计算患者健侧上肢运动功能评分;
(7)、根据步骤(6)与步骤(5),计算患者患侧上肢运动功能评分。
2.根据权利要求1所述的一种基于隐半马尔科夫模型的上肢运动功能评分方法,其特征在于:所述步骤(1)标准上肢运动功能评估动作包括如下运动评估动作组成:
(2.1)、上肢手掌触摸同侧耳朵运动;
(2.2)、上肢手背触及腰骶部运动;
(2.3)、上肢关节屈伸运动;
(2.4)、上肢关节旋转运动。
3.根据权利要求1或2所述的一种基于隐半马尔科夫模型的上肢运动功能评分方法,其特征在于:所述步骤(2)利用患者健肢采集标准上肢运动功能评估动作的上肢位姿与肌电数据集为:将姿态传感器安装于患者健肢的大臂与小臂上,采集患者在执行所述的标准运动评估动作时的肢体运动姿态角度;将表面肌电传感器安装于与运动相关联的肌肉上采集患者在执行所述的标准运动评估动作时的表面肌电信号;为保证***的鲁棒性,同一组标准运动评估动作的位姿与肌电数据可采集一次或数次。
4.根据权利要求1或3所述的一种基于隐半马尔科夫模型的上肢运动功能评分方法,其特征在于:所述步骤(3)利用上肢位姿与肌电数据集训练适用于运动功能评估的隐半马尔科夫模型包括:将采集的患者健肢执行标准评估动作的一组或多组运动姿态与表面肌电信号组成的多维数据组成隐半马尔科夫模型的显状态观测矩阵;将显状态观测矩阵结合EM算法或Baum-Welch算法训练得到适用于单个评估动作的隐半马尔科夫模型。
5.根据权利要求1或2所述的一种基于隐半马尔科夫模型的上肢运动功能评分方法,其特征在于:所述步骤(4)采集患者患肢执行标准运动功能评估动作的上肢位姿与肌电数据为:将姿态传感器安装于患者患肢的大臂与小臂上,采集患者患肢在执行所述的标准运动评估动作时的肢体运动姿态角度;将表面肌电传感器安装于患肢的与运动相关联的肌肉上采集患者患肢在执行所述的标准运动评估动作时的表面肌电信号。
6.根据权利要求1、3、4所述的一种基于隐半马尔科夫模型的上肢运动功能评分方法,其特征在于:所述步骤(5)利用前向后向算法结合(3)中所述模型得到(4)中数据的似然概率值为:利用所述的适用于运动功能评估的隐半马尔科夫模型与采集的患者患肢执行标准评估运动动作的姿态与肌电数据组成的观测矩阵,结合前向-后向算法得到似然概率值。
7.根据权利要求1所述的一种基于隐半马尔科夫模型的上肢运动功能评分方法,其特征在于:所述步骤(6)根据FMA计算患者健侧上肢运动功能评分为:治疗医师审查患者健侧上肢执行所述的运动功能评估动作的记录录像带并填写李克特问卷调查,来评估患者健侧上肢执行所述的运动功能评估动作期间的表现,并运用FMA计算健肢运动功能评分。
8.根据权利要求1、4、7所述的一种基于隐半马尔科夫模型的上肢运动功能评分方法,其特征在于:所述步骤(7)利用步骤(6)与步骤(5),计算患者患侧上肢运动功能评分为:首先,对同一康复评估动作,根据步骤(5),计算所有患者患侧上肢运动功能数据相对于健侧上肢运动功能数据的似然概率数值,并通过归一化处理,获取到每位患者患侧对具体每个康复评估动作的归一化似然概率数值;其次,根据步骤(6)患者健侧评分,获取患者健侧对每个康复评估动作的最高与最低评分;最后,利用归一化处理得到的似然概率数值及患者健侧对每个康复评估动作的最高与最低评分,获取到患者患侧对康复评估动作的运动功能评分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910813637.5A CN110464349A (zh) | 2019-08-30 | 2019-08-30 | 一种基于隐半马尔科夫模型的上肢运动功能评分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910813637.5A CN110464349A (zh) | 2019-08-30 | 2019-08-30 | 一种基于隐半马尔科夫模型的上肢运动功能评分方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110464349A true CN110464349A (zh) | 2019-11-19 |
Family
ID=68514513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910813637.5A Pending CN110464349A (zh) | 2019-08-30 | 2019-08-30 | 一种基于隐半马尔科夫模型的上肢运动功能评分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110464349A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291687A (zh) * | 2020-02-11 | 2020-06-16 | 青岛联合创智科技有限公司 | 一种3d人体动作标准性判识的方法 |
CN114259235A (zh) * | 2021-12-18 | 2022-04-01 | 中国人民解放军空军特色医学中心 | 健康状态预测方法、装置、设备、介质及计算机程序产品 |
CN114469000A (zh) * | 2022-01-27 | 2022-05-13 | 重庆邮电大学 | 基于多传感器数据强化学习的人体减跌防震智能监测方法及*** |
WO2022188238A1 (zh) * | 2021-03-11 | 2022-09-15 | 东南大学 | 基于概率运动原语和隐半马尔可夫的康复机器人控制方法 |
CN115399791A (zh) * | 2022-06-28 | 2022-11-29 | 天津大学 | 基于肌电运动多数据融合的卒中下肢功能评估方法及*** |
CN117936100A (zh) * | 2024-03-21 | 2024-04-26 | 深圳达实旗云健康科技有限公司 | 一种基于医疗大数据的危重症早期预警方法及相关装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070276270A1 (en) * | 2006-05-24 | 2007-11-29 | Bao Tran | Mesh network stroke monitoring appliance |
US20100234693A1 (en) * | 2009-03-16 | 2010-09-16 | Robert Bosch Gmbh | Activity monitoring device and method |
CN102567638A (zh) * | 2011-12-29 | 2012-07-11 | 无锡微感科技有限公司 | 一种基于微型传感器的交互式上肢康复*** |
KR20140063281A (ko) * | 2012-11-16 | 2014-05-27 | 삼성전자주식회사 | 1rm 추정 장치 및 방법 |
JP2015062658A (ja) * | 2013-08-30 | 2015-04-09 | 国立大学法人鳥取大学 | 筋疲労の定量的評価方法、筋疲労表示装置及び筋疲労定量的評価装置 |
CN105496418A (zh) * | 2016-01-08 | 2016-04-20 | 中国科学技术大学 | 一种臂带式可穿戴的上肢运动功能评估*** |
CN105561567A (zh) * | 2015-12-29 | 2016-05-11 | 中国科学技术大学 | 一种计步及运动状态评估装置 |
CN105919591A (zh) * | 2016-04-12 | 2016-09-07 | 东北大学 | 一种基于表面肌电信号的手语识别发声***及方法 |
CN108209910A (zh) * | 2017-05-25 | 2018-06-29 | 深圳市未来健身衣科技有限公司 | 健身运动数据的反馈方法及装置 |
-
2019
- 2019-08-30 CN CN201910813637.5A patent/CN110464349A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070276270A1 (en) * | 2006-05-24 | 2007-11-29 | Bao Tran | Mesh network stroke monitoring appliance |
US20100234693A1 (en) * | 2009-03-16 | 2010-09-16 | Robert Bosch Gmbh | Activity monitoring device and method |
CN102567638A (zh) * | 2011-12-29 | 2012-07-11 | 无锡微感科技有限公司 | 一种基于微型传感器的交互式上肢康复*** |
KR20140063281A (ko) * | 2012-11-16 | 2014-05-27 | 삼성전자주식회사 | 1rm 추정 장치 및 방법 |
JP2015062658A (ja) * | 2013-08-30 | 2015-04-09 | 国立大学法人鳥取大学 | 筋疲労の定量的評価方法、筋疲労表示装置及び筋疲労定量的評価装置 |
CN105561567A (zh) * | 2015-12-29 | 2016-05-11 | 中国科学技术大学 | 一种计步及运动状态评估装置 |
CN105496418A (zh) * | 2016-01-08 | 2016-04-20 | 中国科学技术大学 | 一种臂带式可穿戴的上肢运动功能评估*** |
CN105919591A (zh) * | 2016-04-12 | 2016-09-07 | 东北大学 | 一种基于表面肌电信号的手语识别发声***及方法 |
CN108209910A (zh) * | 2017-05-25 | 2018-06-29 | 深圳市未来健身衣科技有限公司 | 健身运动数据的反馈方法及装置 |
Non-Patent Citations (1)
Title |
---|
MARIANNA CAPECCI ET AL.: "A Hidden Semi-Markov Model based approach for rehabilitation exercise assessment", 《JOURNAL OF BIOMEDICAL INFORMATICS》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291687A (zh) * | 2020-02-11 | 2020-06-16 | 青岛联合创智科技有限公司 | 一种3d人体动作标准性判识的方法 |
CN111291687B (zh) * | 2020-02-11 | 2022-11-11 | 青岛联合创智科技有限公司 | 一种3d人体动作标准性判识的方法 |
WO2022188238A1 (zh) * | 2021-03-11 | 2022-09-15 | 东南大学 | 基于概率运动原语和隐半马尔可夫的康复机器人控制方法 |
CN114259235A (zh) * | 2021-12-18 | 2022-04-01 | 中国人民解放军空军特色医学中心 | 健康状态预测方法、装置、设备、介质及计算机程序产品 |
CN114469000A (zh) * | 2022-01-27 | 2022-05-13 | 重庆邮电大学 | 基于多传感器数据强化学习的人体减跌防震智能监测方法及*** |
CN114469000B (zh) * | 2022-01-27 | 2023-08-11 | 重庆邮电大学 | 基于多传感器数据强化学习的人体减跌防震智能监测方法及*** |
CN115399791A (zh) * | 2022-06-28 | 2022-11-29 | 天津大学 | 基于肌电运动多数据融合的卒中下肢功能评估方法及*** |
CN117936100A (zh) * | 2024-03-21 | 2024-04-26 | 深圳达实旗云健康科技有限公司 | 一种基于医疗大数据的危重症早期预警方法及相关装置 |
CN117936100B (zh) * | 2024-03-21 | 2024-05-31 | 深圳达实旗云健康科技有限公司 | 一种基于医疗大数据的危重症早期预警方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110464349A (zh) | 一种基于隐半马尔科夫模型的上肢运动功能评分方法 | |
CN102622605B (zh) | 一种表面肌电信号的特征提取及动作模式识别方法 | |
CN104107134B (zh) | 基于肌电反馈的上肢训练方法及*** | |
Gijsberts et al. | Movement error rate for evaluation of machine learning methods for sEMG-based hand movement classification | |
CN103054585B (zh) | 基于生物运动信息的上肢肩肘腕关节运动功能评价方法 | |
Choi et al. | Real-time pinch force estimation by surface electromyography using an artificial neural network | |
CN108743223B (zh) | 一种基于健侧生物电控的智能外骨骼康复机械手及方法 | |
CN103440498A (zh) | 基于lda算法的表面肌电信号识别方法 | |
CN104127181A (zh) | 基于wkfda的肌电信号跌倒检测方法 | |
CN111184512B (zh) | 一种脑卒中患者上肢及手部康复训练动作识别方法 | |
CN107357419B (zh) | 一种基于共同收缩率的动作识别***及方法 | |
CN110236523A (zh) | 基于高斯回归的步态-心电rr间隔关联方法 | |
Wu et al. | Upper limb motion recognition based on LLE-ELM method of sEMG | |
CN103908361A (zh) | 一种假肢关节运动耦合驱动信号的采集运算方法 | |
Nougarou et al. | Muscle activity distribution features extracted from HD sEMG to perform forearm pattern recognition | |
CN110124287B (zh) | 一种攀岩对称训练检测方法及训练检测*** | |
KR100994408B1 (ko) | 손가락 힘 추정 방법 및 추정 장치, 손가락 힘 추정을 위한근육 판별 방법 및 근육 판별 장치 | |
CN107198508B (zh) | 康复度排序方法及复合式交互训练*** | |
CN210077662U (zh) | 一种柔性步态监测装置 | |
Sun et al. | IoT motion tracking system for workout performance evaluation: a case study on dumbbell | |
Nia et al. | Reinforcement learning-based grasp pattern control of upper limb prosthetics in an AI platform | |
CN105769186B (zh) | 基于复杂网络的肌电信号采集位置选取方法 | |
Peng et al. | An sEMG-driven neuromusculoskeletal model of upper limb for rehabilitation robot control | |
Guo et al. | Upper limb muscle force estimation during table tennis strokes | |
CN109522810B (zh) | 一种基于社区投票机制的肌电假肢手手势识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191119 |
|
RJ01 | Rejection of invention patent application after publication |