CN114587389A - 一种适用于神经性运动障碍患者的辅助诊断***及其使用方法 - Google Patents

Abstract

本发明公开了一种适用于神经性运动障碍患者康复阶段的辅助诊断***，主要包括具备肌电、肌力信号同步采集功能的硬件***和基于深度学习算法的神经性运动障碍患者辅助诊断方法。其中，所述硬件***包括：具备肌电信号采集功能的传感器模块、具备肌力信号检测的传感器模块、信号处理模块。本发明利用肌力信号确定臂环与皮肤的接触状态，对肌电信号进行预校准，并使用肌力信号对肌电信号进行匹配和修正，明确对应肌肉群的肌电信号通道编号。将患者健侧和患侧同步采集到的信号经过数据分析处理后进行健患侧差异特征提取，选取与疾病康复强关联的特征作为数据集，输入进神经网络进行模型训练，对神经性运动障碍患者的康复情况进行诊断，助力医疗物联网建设。本发明的辅助诊断***具有体积小、便携、操作简单、准确率高等特点。

Description

一种适用于神经性运动障碍患者的辅助诊断***及其使用 方法

技术领域

本发明涉及肌电信号和神经***疾病的康复诊断领域，特别是涉及多通道肌电检测和柔性压力检测的装置、相关信号处理及患者辅助诊断的方法。

背景技术

当躯体运动神经兴奋时，神经冲动传至运动神经末梢使其释放神经递质，递质与肌细胞膜上的相应受体，改变肌细胞膜上钾离子通道的通透性，钠离子内流远大于钾离子外流，产生动作电位，并传播至整个肌细胞膜。肌细胞膜兴奋时将电能转变为机械能，从而使肌原纤维缩短，肌纤维缩短，肌肉发生收缩，从而牵引肢体、骨骼发生弯曲、移动。

近年来，国内外诸多学者尝试使用人体运动时产生的肌电信号对由神经性运动功能损伤疾病的发病机理、发展阶段开展研究。表面肌电(surface electromyography，sEMG)评估技术是主要研究神经肌肉***电信号，具有实时客观、动态敏感的特点，在控制良好的条件下，肌电信号活动的变化很大程度上能定量反映肌肉功能变化、肌力水平、肌肉的协同收缩功能。

在神经肌肉疾病的临床评估领域，Carlo Frigo等人于2009年将表面肌电图用于于疾病分类、局灶性损伤的定位、病理生理机制的检测和功能评估等方面，提供相关信息。此外，为了对神经性运动***疾病的进行机理研究，国内外研究机构对于患者步行和手臂指定运动的肌电信号进行大量采集与分析，提出了多种肌肉协同模型，如浙江大学李建华教授团队对患者特定阶段步行中肌群的激活顺序及强度进行统计学分析，提出了脑卒中患者几种典型的肌肉协同作用模式；美国华盛顿大学Mehrabi N教授的课题组和日本东京大学Asama H教授的课题组等基于运动模块、最优化控制等理论，利用大量实验中所得数据，对患者在运动各阶段的***肌肉群进行划分，建立了多种评估患者运动表现的统计学模型。

目前，基于表面肌电信号的研究已取得诸多的研究成果，在相关临床应用已帮助医生和患者更好的了解病症进展情况。然而，基于肌电信对运动功能障碍的患者运动康复状态的进一步研究与分析受制于电磁干扰、运动伪迹、电极偏移、个体差异等带来的严重影响，一定程度降低了肌电信号的可靠性，目前尚没有一种有效方法解决肌电信号的验证及修正问题。

因此，在基于肌电信号测量的神经***疾病康复诊疗过程中，如何解决肌电信号稳定性和可靠性问题，是进一步提高所采集肌电信号准确度，进而为人体运动功能分析、患者病情康复情况分析提供更加准确、更多维度信息的关键。

肌肉的收缩和舒张带来肌肉体积的变化，会与其紧密贴合的柔性传感器之间产生压力，压力的位置、大小、产生及消失时间，一定程度可反映神经***对人体运动控制的最终作用效果。通过记录压力的时空分布，即得到肌肉运动时的表面压力信号。肌电信号与肌肉体积变化带来的压力信号之间存在一定的内在关联且肌电信号超前于肌肉力。因此，肌肉收缩和舒张与传感器之间产生的压力信号可以实现对肌电信号的矫正。

其中，肌肉运动时与压力传感器之间产生的肌力信号相比于其它运动相关的生理信号，具有良好的抗电磁干扰能力，设备便携、使用方便，且成本较低，适合大规模推广，可广泛应用于临床诊断、人机交互、假肢控制、运动识别、康复医疗等领域。

神经性运动障碍患者(如脑卒中)患者由于感觉运动信息整合的缺失和姿势控制灵活性的丧失，导致健患侧肢体之间存在不对称肌肉收缩，健侧下肢肌群过度代偿激活的情况。其中不同发展阶段的患者健患侧疾病发展程度不同，若同时检测健患侧肌电、肌力信号，可以深入研究此类疾病患者康复阶段的发病机理和发展状态。

发明内容

本发明的目的是提供一种适用于神经性运动功能障碍患者康复阶段的辅助诊疗***，主要包括具备肌电、肌力信号同步采集功能的硬件***和基于神经网络的神经性运动功能障碍患者康复诊断方法。该设备具有贴合人体曲线、可穿戴、灵活便携、成本低等优点，该方法可实现对神经***疾病如脑卒中患者康复情况的辅助诊断。

为实现上述目的，本发明提供了如下方案：首先，本发明提供了一种基于分流模式(shunt mode)的柔性多通道压力传感阵列和多通道肌电信号采集装置。

进一步地，所述压力传感阵列由两层(顶层、底层)具有较好耐磨性、弹性与柔性的高分子材料热塑性聚氨酯弹性体橡胶(Thermoplastic polyurethanes，TPU)传感层及中间的分隔层中间的黏合层(由黏合剂以特定黏合方式黏结顶层与底层，并在两层间产生空隙)构成。

进一步地，所述压力传感阵列的两层TPU膜上印刷有定制形制及所需数目的传感电极(可以是圆形、矩形等)，由导电银浆、压力敏感材料(如FSR石墨)等混合而成的传感垫，构成传感阵列。除传感电极外，两层TPU膜上还分别覆盖有单层的引出导线，用于连接传感阵列，并提供传感阵列与外部电路连接的接口。

进一步地，为降低引出线数量，顶层的压力传感阵列采用阵列式控制，同一行连接在一起，通过一根导电银浆线引出；底层的压力传感阵列，同一列连接在一起，亦通过一根导电银浆线引出，通过接通电极所在的行和列，选中相应电极，对其压力值进行测量。此外，考虑到人体四肢的肌肉直径沿骨骼方向呈现细-粗-细的非定长分布。为降低固定传感薄膜时肌肉较粗部分的预应力对压力测量结果的影响，不同电极的行列间距根据患者实际情况进行定制，以更好地贴合人体四肢的曲率，获得信噪比更高的压力采集结果。

进一步地，在两层压力传感阵列边缘放置黏合剂，将两层压力传感阵列粘合，使得在传感阵列不受任何外力的情况下，顶层与底层导电垫不相互连接。当单个传感点受到由小变大的外力时，顶层与底层的导电垫接触的表面积将逐渐增大，使得器件电导率上升，电阻下降；当应用于肌力模式检测，存在压力分布模式时，多个传感点将会受到大小不等的压力，不同传感点的电阻情况将不一致。

多通道肌电信号采集设备即多通道肌电信号前端采集板，由多个肌电信号前端采集板阵列构成，主要包含两部分，金属电极和信号处理电路。

进一步地，所述前端采集板背面共有三个金属电极，其中一个作为参考电极，另外两个构成差分电极，每一个分立的前端采集板可获得一路肌电信号，多个前端采集板用弹性绳连接，可实现多通道肌电信号采集，同时，弹性绳的使用可适用于多种不同尺寸，提高了***的适用性。

进一步地，所述前端采集板上集成有信号处理电路，包括滤除运动伪迹的低通滤波电路，具有高共模抑制比的仪表放大电路，及滤除高频噪声及工频干扰的带通滤波器等构成。经过前端采集板初步处理后的信号送入信号读取电路，经过模数转换器(ADC)转换芯片采样，实现模拟信号向数字信号的转变。同时，电阻-电压转换电路的输出电压经控制器控制模数转换器(ADC)采集，并将其缓存在微控制器中；在主控芯片的控制下，通过蓝牙传输或串口通信方式，将采集到的信号送入上位机。

除上述具有多通道压力及肌电信号同步采集功能的装置设计外，本发明还提供了基于独立成分分析法与神经网络的运动功能损伤患者(神经***疾病导致的)康复阶段诊断方法。模型建立的步骤如下：

步骤一：建立患者数据库。记录患者相关疾病诊疗信息及医生给出的康复阶段诊断结果。明确目标肌肉群，选取固定位置进行检测(不同患者按比例调整)。依据患者的实际情况确定将要执行的康复动作类型及数量。

步骤二：测量患者执行特定康复动作时的肌电信号和肌肉压力分布模式并上传至上位机。穿戴设备后开启电源。首先保持手臂完全放松，待设备输出信号稳定后，依据肌力信号输出结果调整健患侧设备松紧程度，确保两侧拥有相同的预紧力。通过语音引导患者重复指定的康复动作(握拳、屈肘、旋转小臂、抬腕等)，获取患者重复做康复动作时的肌电信号和肌力信号。首先针对康复动作1进行测量，每次动作重复20次(可根据实际情况调整)，动作完成后，休息t秒，对康复动作2进行测量，每次动作重复20次……直至完成所有康复动作测量。

步骤三：依据采集到的肌力数据，用以校准不同路的肌电信号位置，明确对应肌肉处的肌电信号传感器通道编号，健侧N路肌电信号传感器对应通道数据记录为A₁＝{A₁₁,…,A_1N}，健侧N路肌力信号传感器对应通道数据记录为B₁＝{B₁₁,…,B_1N}，患侧N路肌电信号传感器对应通道数据记录为A₂＝{A₂₁,…,A_2N}，患侧N路肌力信号传感器对应通道数据记录为B₂＝{B₂₁,…,B_2N}。利用N路肌力信号传感器产生的肌力图实现不同测试对象的肌电传感器通道编号和肌肉群位置的匹配，并按照肌力信号特征等对肌电信号通道重新排序C₁＝{C₁₁,…,C_1N}、C₂＝{C₂₁,…,C_2N}，确保不同患者测试时肌电信号和肌力信号位置的匹配。

步骤四：患者数据集建立过程完成后，进行数据处理过程，肌电信号经10-500Hz带通滤波后,使用50Hz陷波处理。随后采用独立成分分析法(ICA)对肌电信号进一步去噪，首先将m路信号观测信号X进行主成分分解(PCA)，按照贡献率选取前n个主成分，从而将信号降维，并进行PCA白化。白化矩阵为V_n×m，白化后的信号为Z＝VX，Z中各个维度互不相关且方差为1。设定独立成分的个数为n，对白化信号Z进行ICA分解，得到n个互相独立的源成分，则n维分离信号为S＝WZ，其中W为分离矩阵，A为混合矩阵。有用信号通常为超高斯信号，峭度值大于零，而噪声通常是亚高斯信号，峭度值小于0。因此可利用峭度值的正负识别并区分噪声，因此利用峭度阈值正负自动识别噪声成分，峭度是随机变量的四阶累积量，公式为kurt(y)＝E[y⁴]-3(E[y²])²。将处理后的维信号S通过混合矩阵A和白化矩阵V进行重构，将各个成分恢复到空间信号，重构出m维信号Y＝V^TAS。

步骤五：将每个通道肌电信号样本点总数记为n，第i个样本点数据记为D(i)、样本频率记为f_s、一个采样过程的总时长记为T，即n＝f_s*T。对表面肌电信号进行傅里叶变换可获得信号的频谱分布。记第i个频率分量为p_i，共M个分量。按照以下公式分别提取各通道肌电信号{C₁₁,…,C_1N}、{C₂₁,…,C_2N}对应的时域(最大幅值、最小幅值、幅值极差、均方根)、频域(峰值频率、平均频率、总功率、中值频率)等特征。

步骤六：选取与脑卒中患者强关联的信号特征。针对多维且庞大的肌电信号特征数据，采用关联规则挖掘算法挖掘提取出特征和患者康复阶段之间的关联关系，通过遍历收集各种特征组合的频繁程度发现有价值的关联规则，进而明确与患者康复情况强关联的M维度特征数据，得到数据集D。将健侧和患侧的强关联M维特征数据集合记录为D₁＝{D₁₁,…,D_1M}、D₂＝{D₂₁,…,D_2M}。

步骤七：使用基于T统计量的方法分别对健、患侧特征集合D₁、D₂进行计算，得到特征D_ij(i＝1,2；j＝1,2…M)对应的统计量x^D1,y^D2。若特征D_ij在两个数据集上表达一致，理想状态下应有x^D1＝y^D2，即点(x^D1,y^D2)在二维直角坐标系中位于y＝x上，将表达一致的特征统计量绘制在二维平面上，即距离y＝x距离最近的那些点，相对而言，差异较大的特征即距离远的点。对于二维平面的任意一点距离y＝x的距离可以用

表示，设定一个最小距离值min_distance,当满足

时，表明该特征在两个数据集上差异足够大，即健侧和患侧信号特征差异大。鉴于原点附近的特征点与中线距离较近，选择将

修正为|x-y|/|x+y|，使特征分布均匀化。使用|x-y|/|x+y|≥min_distance判断，将大于该最小距离的特征保留，从而获得数据集D’。

步骤八：将与患者康复情况强关联的特征集合D’作为训练数据，将医生对患者康复情况的诊断做为标签，输入进全连接神经网络(Fully Connected Neural Network)，训练得到神经网络模型，保存模型参数。该过程只需在设备使用前期进行一次，训练后的模型在上位机进行保存，后期用户使用过程中无需再进行模型训练。

步骤九：预测过程在使用过程反复进行，采集到的信号经放大和初步滤波之后经信号传输***传输到上位机，经过数据处理过程后输入进训练好的模型中，获得康复阶段分类结果。

与现有技术相比，本发明具有如下优点：

1、本发明公开的的***具有肌电、肌力信号同步采集功能，为肌电信号的修正及神经性运动功能患者的康复检测和机理研究提供了准确、高分辨率的数据支撑。

2、本装置测量了由肌肉膨胀引起的体积变化所带来的压力信号，可利用压力图实现肌电图的修正，提高多通道肌电信号利用的准确率和可靠性。

3、通过研究神经性运动障碍患者健患侧的差异，实现对康复情况和发病机理进行深入研究。

4、本发明实现了对神经性运动功能障碍患者康复情况的自动辅助诊断。

5、本发明属于非入侵测量，不造成创伤，可长期使用，不影响患者日常生活。

附图说明

图1表示柔性肌力传感前端叠层结构与连接方式示意图。

图2表示柔性多通道肌力传感器的结构设计平面展开图。

图3a表示具有肌电信号采集功能的前端电路采集板立体示意图。

图3b表示具有肌电信号采集功能的前端电路采集板平面示意图。

图4表示本发明硬件***整体的平面展开示意图。

图5表示是表示本发明的使用方法流程图，包括数据采集过程、数据处理过程、预测分类过程。

附图标记说明

1:TPU层 11：上层TPU层

12：下层TPU层 2：压阻单元

21：压力敏感材料 22：间隔层

23：金属银叉指电极 3：电极线

4：肌电电极单元 41：金属电极1

42：参考电极 43：金属电极2

5：PCB板 6：连接孔

7：连接线

S101-S109：***的使用步骤一～步骤九

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行详尽的描述。应当注意，本说明书内容不应理解为对本发明的限制，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。实施例仅用于帮助理解本发明的权利要求及核心思想。对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围内做出适当的改变均应认为属于本发明的扩展应用。

如图1和图2所示，本发明的示例性实施例中，所设计的多通道柔性肌力传感器包括上下TPU层1，压阻单元2，电极线3。柔性肌力传感器一个基底上印刷有两根互相交叉的插指式电极线，并在其与基底边缘连接的位置放置黏性绝缘层，作为导电线保护区，使导线不易折断；在另一个基底上覆盖由导电银浆、压力敏感材料构成的传感垫。在顶层、底层间由间隔层隔离开。当外加压力上升时，插指式导电线间的空隙被导电的压力敏感材料填充，使得两根导电线间的电导上升。该压阻传感器对微弱的压力具有较高的灵敏度和较大的线性范围，且该压阻传感器柔性可伸缩。考虑到肌力信号的幅值较小，对检测精度的要求较高，故选用直通模式的压阻传感器作为肌力传感单元。

所述压力传感阵列由两层具有较好耐磨性、弹性与柔性的高分子材料热塑性聚氨酯弹性体橡胶传感层及中间的分隔层中间的黏合层1构成。分别在两层TPU膜上印刷出矩形传感电极，构成N*M形式传感阵列。除传感电极外，两层TPU膜上还分别覆盖有单层的引出导线，用于连接传感阵列，并提供传感阵列与外部电路连接的接口。该种形制设计，一方面使得压力传感电极的控制更加便捷，同时使其与肌电传感器前端采集板交叉分布，实现肌电信号和压力信号的同步采集，便于分析采集到的两种信号的相关性，如图4所示。

多通道肌力传感器在患者做康复运动时存在不同的压力分布模式，多个传感点将会受到大小不等的压力，不同传感点的电阻情况将不一致。将两层肌力传感阵列通过FPC接口连接至低功耗肌力阵列读取电路进行数据的采集与缓存，并上传至上位机进行可视化与进一步的分析。

为降低固定传感薄膜时肌肉较粗部分的预应力对压力测量结果的影响，不同电极的行列间距可根据患者实际情况进行定制，以更好地贴合人体肢体的曲率，获得信噪比更高的压力采集结果。贴合人体肢体曲线的阵列式结构设计可以充分记录健患侧肌肉活动时的压力信号空间分布模式，如活动区域、信号大小、时序性等相关信息，通过在健患侧分别佩戴该采集***的结构形式，侦测不同肌肉间的协调性与时序性。

多路肌电信号采集***主要由多个前端采集板等间距连接而成，如图3a和3b所示，对于每一个独立的肌电信号前端采集板而言，背面各有三个金属电极4，其中电极42作为参考电极，电极41和电极43构成差分电极，每一个分立的前端采集板可获得一路肌电信号，前端采集板的四角各有一个直径1.5mm的圆形孔6，前端采集板之间用弹性绳7连接，可实现多通道肌电信号采集，且检测直径范围可调，适用于多种不同尺寸，提高了***的适用性。

如图3a所示，前端采集板上背面集成有信号调理电路5，包括滤除运动伪迹的10Hz高通滤波电路及500Hz低通滤波电路，具有高共模抑制比的仪表放大电路，滤除50Hz工频干扰的陷波器等构成。经过前端采集板初步处理后的信号和多路压力传感器输出的信号送入信号读取电路，经过模数转换芯片采样，转换为数字信号，在主控芯片的控制下，通过蓝牙传输或串口通信方式将采集到的信号送入上位机。

下面结合流程图对使用方法的具体步骤做详细介绍。

S101：建立患者数据库。记录患者相关疾病诊疗信息及医生给出的康复阶段诊断结果。明确目标肌肉群，选取固定位置进行检测(不同患者按比例调整)。依据患者的实际情况确定将要执行的康复动作类型及数量。

S102：测量患者执行特定康复动作时的肌电信号和肌肉压力分布模式并上传至上位机。穿戴设备后开启电源。首先保持手臂完全放松，待设备输出信号稳定后，依据肌力信号输出结果调整健患侧设备松紧程度，确保两侧拥有相同的预紧力。随后通过语音引导患者重复指定的康复动作(握拳、屈肘、旋转小臂、抬腕等)，获取患者重复做康复动作时的肌电信号和肌力信号。针对康复动作1进行测量，每次动作重复20次(可根据实际情况调整)，动作完成后，休息t秒，对康复动作2进行测量，每次动作重复20次……直至完成所有康复动作测量。

S103：依据采集到的肌力数据，用以校准不同路的肌电信号位置，明确对应肌肉处的肌电信号传感器通道编号，健侧N路肌电信号传感器对应通道数据记录为A₁＝{A₁₁,…,A_1N}，健侧N路肌力信号传感器对应通道数据记录为B₁＝{B₁₁,…,B_1N}，患侧N路肌电信号传感器对应通道数据记录为A₂＝{A₂₁,…,A_2N}，患侧N路肌力信号传感器对应通道数据记录为B₂＝{B₂₁,…,B_2N}。

S104：利用N路肌力信号传感器产生的肌力图实现不同测试对象的肌电传感器通道编号和肌肉群位置的匹配，按照肌力信号特征等对肌电信号通道重新排序C₁＝{C₁₁,…,C_1N}、C₂＝{C₂₁,…,C_2N}，确保不同患者测试时肌电信号和肌力信号位置的匹配。

S105：患者数据集建立过程完成后，进行数据处理过程，肌电信号经10-500Hz带通滤波后,使用50Hz陷波处理，使用盲源分离法如独立成分分析法选取信号的有效成分，进一步去除噪声。

S106：将每个通道肌电信号样本点总数记为n，第i个样本点数据记为D(i)、样本频率记为f_s、一个采样过程的总时长记为T，即n＝f_s*T。对表面肌电信号进行傅里叶变换可获得信号的频谱分布。记第i个频率分量为p_i，共N个分量。按照以下公式分别提取各通道肌电信号对应的时域(最大幅值、最小幅值、幅值极差、均方根)、频域(峰值频率、平均频率、总功率、中值频率)等特征。将健侧和患侧对应的M维特征数据集合记录为D₁＝{MaxA₁₁…MaxA_1M,MinA₁₁…MinA_1M,RMS₁₁…RMS_1M,PF₁₁…PF_1M，MF₁₁…MF_1M，TP₁…TP_1M}，D₂＝{MaxA₂₁…MaxA_2M，MinA₂₁…MinA_2M，RMS₂₁…RMS_2M，PF₂₁…PF_2M，MF₂₁…MF_2M，TP2₁…TP_2M}，D₁和D₂共同组成患者的数据集D。

(1)最大幅值(Maximum Amplitude，Max A)反映的是样本信号中信号幅值最大的样本点，计算公式如下：MaxA＝max{D(1)，D(2)，....，D(n)}

最小幅值(Minimum Amplitude，Min A)反映得是样本信号中信号幅值最小的样本点，计算公式如下：MinA＝min{D(1)，D(2)，....，D(n)}

(2)均方根(Root Mean Square，RMS)，在一定程度上反映肌电信号的平均能量，计算公式如下：

(3)峰值频率(Peak Frequency，PF)表示肌电信号的最大功率，计算公式如下：

PF＝max(p₁，p₂，…，p_N)

(4)平均频率(Mean Frequency，MF)表示信号功率谱的平均频率，计算公式如下：

(5)总功率(Total Power，TP)表示肌电信号功率谱密度之和，计算公式如下：

S107：健患侧差异特征提取。使用基于T统计量的方法分别对健、患侧特征集合D₁、D₂进行计算，得到特征D_ij(i＝1，2；j＝1，2…M)对应的统计量x^D1，y^D2。计算点(x^D1，y^D2)在二维直角坐标系中距离y＝x的距离，设定最小距离值min_distance，当满足|x-y|/|x+y|≥min_distance时，表明该特征在两个数据集上差异足够大，即健侧和患侧信号特征差异大，将该特征保留，获得与患者康复情况强关联的特征集合D’。

S108：在将信号输入进神经网络之前，先随机打乱数据和标签，然后对数据进行升维，将标签转换成独热编码(one-hot)，然后按照4∶1的比例随机划分为数据集和测试集。将提取到的肌电信号特征作为训练数据，将医生对患者康复情况的诊断做为标签，输入进神经网络，训练得到神经网络模型，保存模型参数。该过程只需在设备使用前期进行一次，训练后的模型在上位机进行保存，后期用户使用过程中无需再进行模型训练。

S109：预测过程在使用过程反复进行，采集到的信号经放大和初步滤波之后经信号传输***传输到上位机，经过数据处理过程后输入进训练好的模型中，获得康复阶段分类结果。

本发明所述技术方案的实施方式，具有便携性强、测量过程方便、非入侵测量、可以长期使用的优势，使神经性运动障碍患者康复情况的诊断更加方便快捷。此外，对肌电信号的校准过程使得测量更加准确可靠。该实施方式中的其他好处和优点对受本发明教导的本领域技术人员是显而易见的。

以上详细描述了本发明的代表性实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思做出诸多修改和变化，例如将该设备置于身体不同部位进行健康监测、采用其它盲源分离法处理信号或更换不同的神经网络模型等。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (9)

1.一种适用于神经性运动障碍患者康复阶段的辅助诊断***，主要包括具备肌电、肌力信号同步采集功能的硬件***和基于神经网络的神经性运动障碍患者康复情况的辅助诊断方法。

2.一种适用于神经性运动障碍患者的辅助诊断***，其特征在于，包括：

具备肌电信号采集功能的传感器模块，该模块为多通道肌电信号采集设备，每个通道包含三个均匀分布的金属电极，其中两个为检测电极，一个为参考电极，参考电极位于两个检测电极中间，两个检测电极与信号处理模块相连接；

具备肌力信号检测的传感器模块，该模块为具有特殊形制设计的柔性多通道压力传感阵列，包括根据人体曲线设计的阵列式压力信号采集电极和由导电银浆制成的导线，各个电极通过导线与电源模块和信号处理模块相连接；

信号处理模块主要用于对肌电信号传感器模块采集到的肌电信号进行相应的滤波处理，并将信号进行差动放大，同时将来自肌力传感器模块的信号通过分压电路处理为电压信号。信号处理模块对肌电信号、肌力信号进行数模转换后将信号通过蓝牙或串口传输至电脑进行后续分析处理。

3.一种基于神经网络的神经性运动障碍患者辅助诊断方法，即通过对硬件***采集到的肌电信号、肌力信号进行处理后，使用肌力信号与肌电信号进行匹配，确保每次采集到的肌力信号通道与对应的肌肉群相匹配，并使用肌力信号修正肌电信号。采集到的信号经数据处理和特征提取过程后作为训练集，将医生对患者的诊断结果作为标签，输入进神经网络训练出网络模型，建立输入信号与患者康复情况的映射关系，在新信号输入进来时，可以自动输出对预测的诊断结果。

4.根据权利要求2所述的柔性多通道肌力信号采集的传感器模块，其特征在于，包括两层(顶层、底层)具有较好耐磨性、弹性与柔性的高分子材料热塑性聚氨酯弹性体橡胶(Thermoplastic polyurethanes，TPU)传感层及中间的分隔层中间的黏合层(由黏合剂以特定黏合方式黏结顶层与底层，并在两层间产生空隙)构成。两层TPU膜上印刷出定制形制及所需数目的传感电极(可以是圆形、矩形等)，由导电银浆、压力敏感材料(如FSR石墨)等混合而成的传感垫，构成传感阵列。

5.根据权利要求2所述的柔性多通道肌力信号采集的传感器模块，其特征在于，顶层的压力传感阵列采用阵列式控制，同一行连接在一起，通过一根导电银浆线引出；底层的压力传感阵列，同一列连接在一起，亦通过一根导电银浆线引出。通过接通电极所在的行和列，选中相应电极，对其压力值进行测量。

6.根据权利要求2所述的柔性多通道肌力信号采集的传感器模块，其特征在于，不同电极的行列间距根据患者实际情况进行定制，以贴合人体四肢的曲率，降低固定传感薄膜时肌肉较粗部分的预应力对压力测量结果的影响。

7.根据权利要求2所述的柔性多通道肌力信号采集的传感器模块，其特征在于，两层肌力传感阵列通过放置在边缘的黏合剂连接。从而在传感阵列不受任何外力的情况下，顶层与底层导电垫不连接。当单个传感点受到由小变大的外力时，顶层与底层的导电垫接触的表面积逐渐增大，使得该导电垫间电导率上升，电阻下降。

8.根据权利要求2所述的多通道肌电信号采集装置主要包括肌电信号前端采集板和连接装置组成，前端采集板包括安装在背面的金属电极和前面的信号处理电路构成，主要包括信号放大电路和带通滤波电路。连接装置(可使用连接线或连接带)将各个采集板串联。

9.权利要求3所述的神经性运动障碍患者辅助诊断方法的具体步骤如下：

步骤一：建立患者数据库。记录患者相关疾病诊疗信息及医生给出的康复阶段诊断结果。明确目标肌肉群，选取固定位置进行检测(不同患者按比例调整)。依据患者的实际情况确定将要执行的康复动作类型及数量；

步骤二：测量患者执行特定康复动作时的肌电信号和肌肉压力分布模式并上传至上位机。穿戴设备后开启电源。首先保持手臂完全放松，待设备输出信号稳定后，依据肌力信号输出结果调整健患侧设备松紧程度，确保两侧拥有相同的预紧力。随后通过语音引导患者重复指定的康复动作(握拳、屈肘、旋转小臂、抬腕等)，获取患者重复做康复动作时的肌电信号和肌力信号。针对康复动作1进行测量，每次动作重复20次(可根据实际情况调整)，动作完成后，休息t秒，对康复动作2进行测量，每次动作重复20次……直至完成所有康复动作测量；

步骤三：依据采集到的肌力数据，用以校准不同路的肌电信号位置，明确对应肌肉处的肌电信号传感器通道编号，健侧N路肌电信号传感器对应通道数据记录为A₁＝{A₁₁,…,A_1N}，健侧N路肌力信号传感器对应通道数据记录为B₁＝{B₁₁,…,B_1N}，患侧N路肌电信号传感器对应通道数据记录为A₂＝{A₂₁,…,A_2N}，患侧N路肌力信号传感器对应通道数据记录为B₂＝{B₂₁,…,B_2N}。利用N路肌力信号传感器产生的肌力图实现不同测试对象的肌电传感器通道编号和肌肉群位置的匹配，并按照肌力信号特征等对肌电信号通道重新排序C₁＝{C₁₁,…,C_1N}、C₂＝{C₂₁,…,C_2N}，确保不同患者测试时肌电信号和肌力信号位置的匹配；

步骤四：患者数据集建立过程完成后，进行数据处理过程，肌电信号经10-500Hz带通滤波后,使用50Hz陷波处理，使用盲源分离法如独立成分分析法选取信号的有效成分，进一步去除噪声；

步骤五：将每个通道肌电信号样本点总数记为n，第i个样本点数据记为D(i)、样本频率记为f_s、一个采样过程的总时长记为T，即n＝f_s*T。对表面肌电信号进行傅里叶变换可获得信号的频谱分布。记第i个频率分量为p_i，共M个分量。按照以下公式分别提取各通道肌电信号{C₁₁,…,C_1N}、{C₂₁,…,C_2N}对应的时域(最大幅值、最小幅值、幅值极差、均方根)、频域(峰值频率、平均频率、总功率、中值频率)等特征；

步骤六：选取与脑卒中患者强关联的信号特征。针对多维且庞大的肌电信号特征数据，采用关联规则挖掘算法挖掘提取出特征和患者康复阶段之间的关联关系，通过遍历收集各种特征组合的频繁程度发现有价值的关联规则，进而明确与患者康复情况强关联的M维度特征数据，得到数据集D。将健侧和患侧的强关联M维特征数据集合记录为D₁＝{D₁₁,…,D_1M}、D₂＝{D₂₁,…,D_2M}；

步骤七：使用基于T统计量的方法分别对健、患侧特征集合D₁、D₂进行计算，得到特征D_ij(i＝1,2；j＝1,2…M)对应的统计量x^D1,y^D2。计算点(x^D1,y^D2)在二维直角坐标系中距离直线y＝x的距离，设定最小距离值min_distance,当满足|x-y|/|x+y|≥min_distance时，表明该特征在两个数据集上差异足够大，即健侧和患侧信号特征差异大，将该特征保留；

步骤八：将与患者康复情况强关联的特征集合D作为训练数据，将医生对患者康复情况的诊断做为标签，输入进神经网络，训练得到神经网络模型，保存模型参数。该过程只需在设备使用前期进行一次，训练后的模型在上位机进行保存，后期用户使用过程中无需再进行模型训练；

步骤九：预测过程在使用过程反复进行，采集到的信号经放大和初步滤波之后经信号传输***传输到上位机，经过数据处理过程后输入进训练好的模型中，获得康复阶段分类结果。

Images