CN115399791A - 基于肌电运动多数据融合的卒中下肢功能评估方法及*** - Google Patents
基于肌电运动多数据融合的卒中下肢功能评估方法及*** Download PDFInfo
- Publication number
- CN115399791A CN115399791A CN202210750220.0A CN202210750220A CN115399791A CN 115399791 A CN115399791 A CN 115399791A CN 202210750220 A CN202210750220 A CN 202210750220A CN 115399791 A CN115399791 A CN 115399791A
- Authority
- CN
- China
- Prior art keywords
- lower limb
- patient
- data
- feature
- motion
- 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
Links
- 210000003141 lower extremity Anatomy 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000003183 myoelectrical effect Effects 0.000 title claims abstract description 24
- 230000004927 fusion Effects 0.000 title claims abstract description 15
- 230000006870 function Effects 0.000 claims abstract description 46
- 238000011156 evaluation Methods 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000007637 random forest analysis Methods 0.000 claims abstract description 11
- 238000013210 evaluation model Methods 0.000 claims abstract description 9
- 208000006011 Stroke Diseases 0.000 claims description 43
- 210000003205 muscle Anatomy 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 13
- 210000000629 knee joint Anatomy 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 210000003314 quadriceps muscle Anatomy 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 210000002027 skeletal muscle Anatomy 0.000 claims description 2
- 230000007659 motor function Effects 0.000 abstract description 15
- 238000012549 training Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 4
- 206010008190 Cerebrovascular accident Diseases 0.000 description 4
- 230000002490 cerebral effect Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000006378 damage Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 210000002683 foot Anatomy 0.000 description 2
- 230000005021 gait Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 206010019468 Hemiplegia Diseases 0.000 description 1
- 101000982003 Homo sapiens Myopalladin Proteins 0.000 description 1
- 206010061225 Limb injury Diseases 0.000 description 1
- 206010028372 Muscular weakness Diseases 0.000 description 1
- 102100026786 Myopalladin Human genes 0.000 description 1
- 206010060860 Neurological symptom Diseases 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 206010040030 Sensory loss Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 210000000544 articulatio talocruralis Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 230000009760 functional impairment Effects 0.000 description 1
- 210000004394 hip joint Anatomy 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003387 muscular Effects 0.000 description 1
- 230000036473 myasthenia Effects 0.000 description 1
- 230000002232 neuromuscular Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
Images
Classifications
-
- 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
- A61B5/103—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
-
- 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
- A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
-
- 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]
- A61B5/397—Analysis of electromyograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Developmental Disabilities (AREA)
- Geometry (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及运动评估技术领域，特别涉及一种基于肌电运动多数据融合的卒中下肢在线功能评估***。采集患者运动过程中的肌电信号和惯性信息，得到原始数据集，滤波去除漂移噪声和生理干扰，提取肌电和运动学特征，构建多模态特征集，使用随机森林回归算法选择重要性较高的特征子集。根据所述特征子集，构建基于K‑邻近节点回归(KNNR)算法的脑卒中下肢运动功能评估模型。基于肌电运动多数据融合的卒中下肢在线功能评估***，具体包括：数据采集子***、下肢运动功能评估子***和在线显示子***。本发明提出的评估***同样适用于下肢运动能力较弱的患者，还可以用于对患者进行自行车康复训练后给出实时的康复效果。
Description
技术领域
本发明涉及运动评估技术领域，特别涉及一种基于肌电运动多数据融合的卒中下肢功能评估方法及***。
背景技术
脑卒中(stroke)是最常见的急性脑血管疾病，其特征是突然出现神经***症状而导致瘫痪或感觉丧失。临床上主要特征为运动障碍，表现出肌无力、姿势不平衡、下肢运动不对称、关节间协调能力丧失等症状，严重影响患者的日常生活质量。对于脑卒中偏瘫患者，一些持续且平稳的往复运动，如行走，是非常困难的。为了恢复行走功能，这些患者需要执行长期、高密度的康复训练。运动功能评估在患者训练过程中具有重要作用。功能评估可以为临床医师制定个性化的康复方案提供基线参考，并跟踪患者康复过程中的功能变化。临床上多以各种量表进行功能评估，然而已公开发表的文献显示量表评估具有主观性和灵敏度低等缺点。目前，除了临床上使用的量表外，一些新的范式，如行走测试、坐-站测试等运动，也被广泛应用于脑卒中功能评估中。但是由于患者损伤程度等原因，这些范式可能不适用于一些患者。而有研究者们发现蹬车运动与行走测试具有类似的运动模式，因为两者都呈现出肌肉交替激活的圆周运动，并需要髋、膝和踝关节相互屈伸运动。但是蹬车运动不需要患者进行额外的姿势平衡控制，适用于不同疾病阶段的脑卒中患者(急性，亚急性或慢性)，尤其是那些因处于早期或功能受损严重而丧失行走能力的患者。
惯性测量单元(IMU)由于体积小、穿戴方便且使用范围广被广泛应用在可穿戴***中。将一个或多个惯性传感器放置在受试者的不同节段上，通过步态动作或类步态动作，可以从步长、步频和运动平稳性等步态信息、异常关节运动以及上下肢运动模式变化这些特征来评估受试者的功能能力。然而，由于惯性数据忽略肢体运动时的肌肉活动，仅仅使用惯性数据来评价人体的功能水平是不充分的。表面肌电信号可以直接表征反映人体运动的神经肌肉活动的肌肉激活模式，目前已被广泛应用于康复训练、运动模式识别和功能评估中。由于惯性数据和肌电信号在反映人体运动功能状态上提供的信息是互补的，因此实现多模态数据融合及特征选择，并进一步构建基于脑卒中患者的运动功能评估方法至关重要。
发明内容
为了克服现有技术存在的不足和填补空白，本发明提供了一种基于肌电运动多数据融合的卒中下肢在线功能评估***。该在线评估***基于蹬车设备，能够融合下肢肌电信号和惯性数据，实现在线反馈下肢运动功能损伤程度的临床分数。
为实现上述发明目的，本发明的技术解决方案如下：基于肌电运动多数据融合的卒中下肢功能评估方法，其中，包括以下步骤：
步骤S101.采集患者运动过程中的肌电信号和惯性信息，得到原始数据集；
步骤S102.对原始数据集进行滤波去除漂移噪声和生理干扰，得到预处理数据集；
步骤S103.对预处理数据集提取肌电和运动学特征，构建多模态特征集，使用随机森林回归算法选择重要性较高的特征子集；
步骤S104.根据所述特征子集，构建基于K-邻近节点回归(KNNR)算法的脑卒中下肢运动功能评估模型。
进一步，所述步骤S101中通过Delsys采集患者运动过程中下肢的肌电信号和惯性信息；所述Delsys设备放置在患者双侧下肢股直肌、股外侧肌、股二头肌、半腱肌、胫骨前肌、腓肠肌内侧和外侧，同步采集指定肌群的肌电信号和肌群对应位置的运动学信息。
其中，所述步骤S101中患者进行的运动范式为蹬车运动，要求患者以舒适的速度完成运动。具体流程如下：患者舒适地正坐在椅子上，躯干挺直，双手握住把手，双脚自然放置在踏板上，听到“开始”指令后，按照自己舒适的速度开始蹬车，直到听到“停止”指令后结束运动。
进一步，所述步骤S102中对原始数据集进行预处理得到预处理数据集，具体包括：
对原始数据集进行滤波，去除漂移噪声和生理干扰，其中，对EMG数据采用四阶带通滤波，截止频率为20-500Hz；对IMU数据采用四阶低通滤波，截止频率为15Hz；
基于脑卒中患者蹬车下膝关节角度划分蹬车周期，对数据集进行分割，得到分割数据集。
进一步，所述步骤S103中基于预处理数据集构建多模态特征集，具体包括：
对EMG信号采用时域、频域算法和小波包变换提取特征，得到肌电特征集；
对IMU信号提取各轴数据的均方根，得到运动学特征集。
进一步，所述步骤S103中采用随机森林回归算法进行特征筛选，具体包括：
依据每个特征在构建K棵决策树时的贡献度对特征进行重要性排序，得到排序结果；
依据选取不同特征数量下预测精度的变化，删除所述排序结果中贡献度较低的特征，以完成特征筛选；
依据上一条内容所述方法，分别对肌电特征集和运动学特征集进行筛选，将单模态筛选后的特征集组合为多模态特征集。
进一步，所述K-邻近节点回归算法的邻近数量K采用五折交叉验证和网格搜索进行优化。
本发明的第二个技术方案是基于肌电运动多数据融合的卒中下肢在线功能评估***，具体包括：数据采集子***、下肢运动功能评估子***和在线显示子***；
所述数据采集子***包括蹬车模块和数据采集模块，所述数据采集模块包含Delsys设备，用于采集脑卒中患者在蹬车模块上运动时的下肢肌电信号和惯性信息；
所述下肢运动功能评估子***用于对所述多模态数据集进行预处理得到预处理数据集，用于从所述预处理数据集中提取肌电和运动学特征，构建多模态特征集，随机森林回归算法选择重要性较高的特征子集，用于将所述特征子集输入至训练好的评估模型中，得到下肢运动功能评估分数；
所述在线显示子***用于在线反馈患者运动时的肌电信号变化和膝关节角度变化，并通过下肢运动功能评估子***的结果输出患者的运动功能分数。
有益效果表现如下：
本发明提出了一种基于肌电运动多数据融合的卒中下肢在线功能评估***。***基于蹬车设备，先采集多名脑卒中患者在蹬车运动下的肌电信号和惯性数据得到原始数据集，然后对数据进行预处理后，提取特征，并通过回归算法选择重要性较高的特征子集，构建机器学***进行回归预测，得出功能分数。最后使用在线子***实时显示患者蹬车运动时的肌电信号和膝关节角度变化，并反馈患者实际的功能分数。此外，由于本发明基于蹬车设备，因此本发明提出的评估***同样适用于下肢运动能力较弱的患者，还可以用于对患者进行自行车康复训练后给出实时的康复效果。
本发明评估方法的检测操作简单，可以排除主观因素影响，准确性高，可以重复多次测量。
附图说明
图1为本发明提供的脑卒中患者下肢运动功能评估方法的流程图。
图2为本发明提供的数据采集子***的现实场景示意图。
图3为本发明提供的下肢运动功能评估子***的结构示意图。
图4为本发明提供的在线显示子***的运动数据结果界面结构图。
图5为本发明提供的在线显示子***的肌电原始数据界面结构图。
具体实施方式
以下通过附图对本发明作进一步地说明。
本发明提供一种基于肌电运动多数据融合的卒中下肢在线功能评估***，能够在一定程度上解决传统下肢功能评估以及基于一些新范式评估的局限性问题，进而为不同阶段的患者给出客观、准确的功能分数。
为使本发明的上述目的和技术方案更加明确、完整，下面将结合本发明提供的附图，对本发明作进一步详细说明。
1.参阅图1，本发明提供的脑卒中患者下肢运动功能评估方法，包括如下步骤：
步骤S101.通过多通道设备同步采集多名脑卒中患者在蹬车运动过程中的肌电信号和惯性信息，得到原始数据集。
具体的，本发明选择蹬车运动为范式采集患者的运动数据。蹬车运动与行走具有类似的运动模式，可以检测到患者执行往复运动过程中拮抗肌的交替激活情况。
此外，患者在坐姿下进行蹬车运动，不需要太多的平衡控制，适用于不同阶段的患者，尤其是下肢力量薄弱的患者。因此本***使用蹬车运动作为功能评估的范式，具有更大的适用性。
具体的，在患者进行正式的蹬车运动前，需要采集患者进行简单校准运动的数据，依据放置在股外侧肌和胫骨前肌处的传感器的加速度和陀螺仪数据提前计算好每一个患者的膝关节轴，然后结合蹬车运动时对应两个传感器的数据，使用互补滤波算法，计算得到每一个患者的膝关节运动角度，作为后续多模态特征提取的划分依据。
步骤S102.对原始数据集中采集的多模态数据进行预处理得到预处理数据集；
具体的，对EMG数据采用四阶带通滤波，截止频率为20-500Hz；对IMU数据采用四阶低通滤波，截止频率为15Hz；
具体的，基于脑卒中患者的每一个蹬车周期对滤波后的数据集进行分割，得到每名患者运动时分割数据集。
步骤S103.使用不同的时域、频域算法和小波包变换提取肌电特征，计算惯性信息的均方根(RMS)作为运动学特征，构建多模态特征集；然后使用随机森林回归算法选择重要性较高的回归特征子集；
具体的，肌电特征包括：
| 均方根(RMS) | log detector(LOG) | 平均频率(MNF) |
| 积分肌电值(IEMG) | 差绝对值均值(DAMV) | 中值频率(MDF) |
| 绝对值均值(MAV) | 过零点数(ZC) | 小波包能量熵(WPEE) |
| 简单平方积分(SSI) | 肌脉冲输出平均值(MYOP) | 小波包能量熵变体(WPEE) |
具体的，IMU信号包括加速度和陀螺仪数据，故运动学特征包括：3轴加速度和3轴陀螺仪数据的每个轴的均方根(RMS)。
具体的，特征筛选过程如图1所示。对于采用随机森林回归进行特征的选择，根据随机森林的构建过程，使用随机森林对特征的重要性进行判断，即量化每个特征在构建K棵决策树时的贡献度。基于单模态特征集，对特征重要性权值进行排序，依次选取不同数量的特征数量，计算相应的预测精度，当精度趋于稳定时，选取对应的特征数量作为最终特征集，并剔除多余的贡献度为0或较低的特征。然而，仅仅依靠单模态特征集对患者的运动功能进行评估是不全面的，为了更全面、准确的评估卒中患者的下肢运动功能，本发明基于特征筛选方法得出的单模态特征子集，融合两种特征集作为多模态特征子集，进行功能评估。
步骤S104.根据获得的特征子集，构建基于K-邻近节点回归模型的脑卒中患者运动功能评估模型，模型的关键参数即邻近节点K，由五折交叉验证和网格搜索确定。模型的输出分数参考Fugl-Meyer量表(FMA)对应的下肢分数；经过实验验证了模型的输出结果与量表分数具有高度相关性。
基于上述过程能够获得脑卒中患者下肢的运动功能评分(总分参考FMA下肢分数)。在实际使用过程中，康复医师可以根据功能分数以及具体的肌电数据和惯性数据作为参考依据，对患者的下肢损伤情况进行评估，制定个性化的康复训练计划，并跟踪训练计划的有效性以及做出实时调整。
对应于上述提供的脑卒中下肢运动功能评估方法，本发明采用下肢运动功能在线评估***进行实现，该***主要包括数据采集子***、下肢运动功能评估子***和在线显示子***。
参阅图2，本发明所述数据采集子***包括蹬车模块和数据采集模块，所述数据采集模块为Delsys设备，该传感器集成了肌电传感器和惯性测量单元，用于采集脑卒中患者在蹬车设备上运动时的下肢肌电信号和惯性信息。具体为在受试者双侧下肢佩戴Delsys传感器，放置位置分别是双侧下肢股直肌、股外侧肌、股二头肌、半腱肌、胫骨前肌、腓肠肌内侧和外侧。肌电传感器的采样率为1259Hz，惯性测量单元的采样率为148Hz。要求受试者舒适地正坐在椅子上，躯干挺直，双手握住把手，双脚自然放置在踏板上，听到“开始”指令后，按照自己舒适的速度开始蹬车，直到听到“停止”指令后结束运动。
参阅图3，本发明所述下肢运动功能评估子***可以具体分为预处理模块、特征集模块、模型评估模块和模型更新模块。
具体的，预处理模块主要用于对数据采集子***采集的脑卒中患者蹬车运动下的EMG数据和IMU数据分别进行四阶巴特沃斯带通滤波(截止频率为20-500Hz)和低通滤波(截止频率为15Hz)，然后基于每名患者各自的膝关节运动角度进行数据分割，得到每一个蹬车周期的滤波后数据集；
具体的，模型更新模块用于模型的后期更新，通过收集新积累的患者蹬车时的肌电信号和惯性信息，经过数据预处理、特征集提取与筛选，使用K折交叉验证方法和网格搜索进行预测模型的参数更新，不断提高模型完整性和准确性。
参阅图4、图5，本发明所述的在线显示子***用于在线反馈患者运动时的肌电信号变化和膝关节角度变化等，并通过下肢运动功能评估子***的结果输出患者的运动功能分数。
进一步的，采用本发明提供的基于EMG和IMU数据融合的脑卒中下肢运动功能评估***对患者进行运动功能分数评估。下表是本发明的运动功能评估***对脑卒中患者的运动功能分数预测的准确性结果：
| 性能评价指标 | EMG | IMU | EMG&IMU |
| 均方根误差 | 3.77 | 1.82 | 0.74 |
| 平均绝对值 | 0.96 | 0.47 | 0.12 |
| R<sup>2</sup>分数 | 0.82 | 0.96 | 0.99 |
从上述结果可以看出，本发明提供的脑卒中患者下肢运动功能评估***的正确率在三种特征集下都很高，尤其是融合肌电和运动学特征后，R2分数高达99.32％，与实际FMA分数的均方根误差只有0.74分，可以有效的用于脑卒中患者的运动功能评估。相比于其他的评估方法，本发明的下肢运动功能评估模型不受主观因素影响，且适用范围广，适用于不同时期以及不同损伤程度的患者。为了提高评估模型在实际环境中使用的有效性与准确性，该模型可以不断扩充原始数据库，进一步更新和完善评估模型，提高预测表现。
综上所述，本发明提出了一种基于肌电运动多数据融合的卒中下肢在线功能评估***。本发明基于放置在股直肌、股外侧肌、股二头肌、半腱肌、胫骨前肌、腓肠肌内侧和外侧的Delsys传感器，使用蹬车运动作为评估范式，通过新颖的特征筛选方法，有效融合肌电信号和运动学数据，使用回归算法可以有效、准确的对脑卒中患者进行下肢运动功能评估，为临床医师制定个性化的康复训练方案提供基线参考。
本发明不局限于上述实例方法，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围。
Claims (6)
1.基于肌电运动多数据融合的卒中下肢功能评估方法，其特征在于，包括以下步骤：
步骤S101.采集患者运动过程中的肌电信号和惯性信息，得到原始数据集；
步骤S102.对原始数据集进行数据预处理，得到预处理数据集；
步骤S103.对预处理数据集提取肌电和运动学特征，构建多模态特征集，使用随机森林回归算法选择重要性较高的特征子集；
步骤S104.根据所述特征子集，构建基于K-邻近节点回归KNNR算法的脑卒中下肢运动功能评估模型；
所述步骤S102，具体包括：
对原始数据集进行滤波，去除漂移噪声和生理干扰，其中，对EMG数据采用四阶带通滤波，截止频率为20-500Hz；对IMU数据采用四阶低通滤波，截止频率为15Hz；
基于脑卒中患者蹬车下膝关节角度划分蹬车周期，对数据集进行分割，得到分割数据集；所述步骤S103中采用随机森林回归算法进行特征筛选，具体包括：
依据每个特征在构建K棵决策树时的贡献度对特征进行重要性排序，得到排序结果；
依据选取不同特征数量下预测精度的变化，删除所述排序结果中贡献度较低的特征，以完成特征筛选；
依据前述步骤分别对肌电特征集和运动学特征集进行筛选，将单模态筛选后的特征集组合为多模态特征集。
2.根据权利要求1所述的方法，其特征在于，所述步骤S101中通过Delsys采集患者运动过程中下肢的肌电信号和惯性信息；
所述Delsys设备放置在患者双侧下肢股直肌、股外侧肌、股二头肌、半腱肌、胫骨前肌、腓肠肌内侧和外侧，同步采集指定肌群的肌电信号和肌群对应位置的运动学信息。
3.根据权利要求1所述的方法，其特征在于，所述步骤S101中患者进行的运动范式为蹬车，具体流程如下：患者舒适地正坐在椅子上，躯干挺直，双手握住把手，双脚自然放置在踏板上，听到“开始”指令后，按照自己舒适的速度开始蹬车，直到听到“停止”指令后结束运动。
4.根据权利要求1所述的方法，其特征在于，所述步骤S103中基于预处理数据集构建多模态特征集，具体包括：
对EMG信号采用时域、频域算法和小波包变换提取特征，得到肌电特征集；
对IMU信号提取各轴数据的均方根，得到运动学特征集，具体的，IMU信号包括加速度和陀螺仪数据，故运动学特征包括：3轴加速度和3轴陀螺仪数据的每个轴的均方根RMS。
5.根据权利要求1所述的方法，其特征在于，所述K-邻近节点回归算法的邻近节点数量K采用五折交叉验证和网格搜索进行优化。
6.采用权利要求1至5中任一项所述的方法的基于肌电运动多数据融合的卒中下肢在线功能评估***，其特征在于，具体包括：数据采集子***、下肢运动功能评估子***和在线显示子***；
所述数据采集子***包括蹬车模块和数据采集模块，所述数据采集模块包含Delsys设备，用于采集脑卒中患者在蹬车模块上运动时的下肢肌电信号和惯性信息；
所述下肢运动功能评估子***用于对所述多模态数据集进行预处理得到预处理数据集，用于从所述预处理数据集中提取肌电和运动学特征，构建多模态特征集，随机森林回归算法选择重要性较高的特征子集，用于将所述特征子集输入至训练好的评估模型中，得到下肢运动功能评估分数；
所述下肢运动功能评估子***可以具体分为预处理模块、特征集模块、模型评估模块和模型更新模块；
具体的，预处理模块主要用于对数据采集子***采集的脑卒中患者蹬车运动下的EMG数据和IMU数据分别进行四阶巴特沃斯带通滤波，截止频率为20-500Hz和低通滤波，截止频率为15Hz，然后基于每名患者各自的膝关节运动角度进行数据分割，得到每一个蹬车周期的滤波后数据集；
具体的，模型更新模块用于模型的后期更新，通过收集新积累的患者蹬车时的肌电信号和惯性信息，经过数据预处理、特征集提取与筛选，使用K折交叉验证方法和网格搜索进行预测模型的参数更新；
所述在线显示子***用于在线反馈患者运动时的肌电信号变化和膝关节角度变化，并通过下肢运动功能评估子***的结果输出患者的运动功能分数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210750220.0A CN115399791B (zh) | 2022-06-28 | 2022-06-28 | 基于肌电运动多数据融合的卒中下肢功能评估方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210750220.0A CN115399791B (zh) | 2022-06-28 | 2022-06-28 | 基于肌电运动多数据融合的卒中下肢功能评估方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115399791A true CN115399791A (zh) | 2022-11-29 |
| CN115399791B CN115399791B (zh) | 2024-06-14 |
Family
ID=84158171
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210750220.0A Active CN115399791B (zh) | 2022-06-28 | 2022-06-28 | 基于肌电运动多数据融合的卒中下肢功能评估方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115399791B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103054585A (zh) * | 2013-01-21 | 2013-04-24 | 杭州电子科技大学 | 基于生物运动信息的上肢肩肘腕关节运动功能评价方法 |
| CN106156524A (zh) * | 2016-07-29 | 2016-11-23 | 东北大学 | 一种智能下肢助力装置的在线步态规划***及方法 |
| KR20180058688A (ko) * | 2018-05-21 | 2018-06-01 | 한국과학기술연구원 | 개인 맞춤형 실시간 피드백 하지 재활 시스템 |
| CN109117956A (zh) * | 2018-07-05 | 2019-01-01 | 浙江大学 | 一种最佳特征子集的确定方法 |
| KR20190041239A (ko) * | 2017-10-12 | 2019-04-22 | 한국과학기술연구원 | 생체 운동 신호 기반의 하지 운동 평가 및 맞춤형 전기 자극 시스템 |
| CN109875565A (zh) * | 2019-01-25 | 2019-06-14 | 电子科技大学 | 一种基于深度学习的脑卒中上肢运动功能自动评定方法 |
| CN110464349A (zh) * | 2019-08-30 | 2019-11-19 | 南京邮电大学 | 一种基于隐半马尔科夫模型的上肢运动功能评分方法 |
| US20200108291A1 (en) * | 2018-10-08 | 2020-04-09 | John Piazza | Device, system and method for automated global athletic assessment and / or human performance testing |
| CN111506190A (zh) * | 2020-03-31 | 2020-08-07 | 哈尔滨工业大学 | 一种基于肌电的人体运动意图实时连续预测方法 |
| CN112494054A (zh) * | 2020-11-26 | 2021-03-16 | 天津大学 | 基于多导肌电与脑电相干的卒中下肢运动康复评估方法 |
| CN113940856A (zh) * | 2021-10-22 | 2022-01-18 | 燕山大学 | 一种基于肌电-惯性信息的手部康复训练装置及方法 |
| CN114366559A (zh) * | 2021-12-31 | 2022-04-19 | 华南理工大学 | 一种用于下肢康复机器人的多模态感知*** |
| CN114569144A (zh) * | 2022-02-17 | 2022-06-03 | 国家康复辅具研究中心 | 一种基于肌电-惯性传感的膝关节腱反射状态评估方法 |
-
2022
- 2022-06-28 CN CN202210750220.0A patent/CN115399791B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103054585A (zh) * | 2013-01-21 | 2013-04-24 | 杭州电子科技大学 | 基于生物运动信息的上肢肩肘腕关节运动功能评价方法 |
| CN106156524A (zh) * | 2016-07-29 | 2016-11-23 | 东北大学 | 一种智能下肢助力装置的在线步态规划***及方法 |
| KR20190041239A (ko) * | 2017-10-12 | 2019-04-22 | 한국과학기술연구원 | 생체 운동 신호 기반의 하지 운동 평가 및 맞춤형 전기 자극 시스템 |
| KR20180058688A (ko) * | 2018-05-21 | 2018-06-01 | 한국과학기술연구원 | 개인 맞춤형 실시간 피드백 하지 재활 시스템 |
| CN109117956A (zh) * | 2018-07-05 | 2019-01-01 | 浙江大学 | 一种最佳特征子集的确定方法 |
| US20200108291A1 (en) * | 2018-10-08 | 2020-04-09 | John Piazza | Device, system and method for automated global athletic assessment and / or human performance testing |
| CN109875565A (zh) * | 2019-01-25 | 2019-06-14 | 电子科技大学 | 一种基于深度学习的脑卒中上肢运动功能自动评定方法 |
| CN110464349A (zh) * | 2019-08-30 | 2019-11-19 | 南京邮电大学 | 一种基于隐半马尔科夫模型的上肢运动功能评分方法 |
| CN111506190A (zh) * | 2020-03-31 | 2020-08-07 | 哈尔滨工业大学 | 一种基于肌电的人体运动意图实时连续预测方法 |
| CN112494054A (zh) * | 2020-11-26 | 2021-03-16 | 天津大学 | 基于多导肌电与脑电相干的卒中下肢运动康复评估方法 |
| CN113940856A (zh) * | 2021-10-22 | 2022-01-18 | 燕山大学 | 一种基于肌电-惯性信息的手部康复训练装置及方法 |
| CN114366559A (zh) * | 2021-12-31 | 2022-04-19 | 华南理工大学 | 一种用于下肢康复机器人的多模态感知*** |
| CN114569144A (zh) * | 2022-02-17 | 2022-06-03 | 国家康复辅具研究中心 | 一种基于肌电-惯性传感的膝关节腱反射状态评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115399791B (zh) | 2024-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109243572B (zh) | 一种精准运动评估和康复训练*** | |
| Schot et al. | Bilateral performance symmetry during drop landing: a kinetic analysis | |
| Lipperts et al. | Clinical validation of a body-fixed 3D accelerometer and algorithm for activity monitoring in orthopaedic patients | |
| CN112057040B (zh) | 一种上肢运动功能康复评价方法 | |
| CN106821388A (zh) | 脑卒中病人下肢康复定量评估方法 | |
| CN116312947B (zh) | 基于上肢运动信号的沉浸式踝足康复训练方法及电子设备 | |
| CN112568901A (zh) | 一种基于多传感器的步态对称性和一致性评估方法 | |
| CN114668387A (zh) | 基于运动特征和知识图谱的人体肌骨健康状况分析方法 | |
| Exell | Lower-limb biomechanical asymmetry in maximal velocity sprint running | |
| JP2019063091A (ja) | 維持システム、維持方法、及び維持プログラム | |
| CN115399791B (zh) | 基于肌电运动多数据融合的卒中下肢功能评估方法及*** | |
| CN111326232A (zh) | 一种基于三维步态分析***鉴别异常步态形式的方法 | |
| JP2020151470A (ja) | 歩行評価装置、歩行評価方法およびプログラム | |
| CN111178338A (zh) | 一种步态分析***中数据库和标准化模型的建立方法 | |
| CN114010453A (zh) | 一种基于运动信号的反馈穿戴***及预处理方法 | |
| Medved et al. | Gait Analysis | |
| Pollicini | Why should 3D Gait Analysis be included in the Walking Pattern Assessment of individuals with Spinal Cord Injury?: Biomechanical analysis of gait and gait patterns in individuals with spinal cord injury | |
| Al-Fahoum et al. | Feasibility study for anfis and emg utilization in modeling prosthesis for trans-femoral cut rehabilitation and gait cycle restoration | |
| Yoshikura et al. | Machine Learning-Based Severity Classification of Spinal Cord Injury Patients Using Straight Leg Raising Test | |
| Shan et al. | Artificial neural networks and center-of-pressure modeling: a practical method for sensorimotor-degradation assessment | |
| CN114831630A (zh) | 基于穿戴式智能设备的偏瘫患者康复数据采集及评估方法 | |
| Rodríguez et al. | Biomechanical Assessment of a Lower Limb Exoskeleton | |
| Wouda et al. | Estimated ankle/knee joint moments in ambulatory running: an AI-driven inverse dynamics approach | |
| Rekant et al. | Validation of Inertial Measurement Unit-Based Motion Capture with a Single Calibration File for Assessing Gait in Healthy Young Adults | |
| Stetter | Wearable Sensors and Machine Learning based Human Movement Analysis–Applications in Sports and Medicine |
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 |