基于时序耦合的神经内科患者跌倒风险预测方法及系统与流程

本发明涉及神经医学与跌倒风险预测，尤其涉及基于时序耦合的神经内科患者跌倒风险预测方法及系统。

背景技术：

1、在神经内科患者的跌倒风险评估领域，现有常规做法多依赖于临床量表与单一模态传感器监测。临床工作者常采用morse跌倒评估量表、berg平衡量表等主观评价工具，通过观察患者步行、转身等动作表现，结合病史与用药情况，划分跌倒风险等级。这些量表虽操作简便，但高度依赖评估者的经验与患者即时配合状态，难以捕捉患者在日常活动中的动态变化与短暂性神经功能波动。同时，部分医疗机构引入惯性测量单元或压力垫，通过采集加速度、角速度等参数分析步态、姿势控制，识别步态不稳或重心偏移。这类方法能够提供客观运动学数据，但通常只关注肢体运动本身，忽略了神经系统对运动控制的实时影响，尤其缺乏对脑部异常放电或神经调控失效的同步考量。

2、现有做法存在的显著缺陷之一是其孤立性。常规方法要么侧重神经电生理检测（如脑电图局部异常），要么侧重运动参数分析（如步态时相、摆动幅度），但极少将两者在时间维度上建立动态耦合关系。例如，癫痫患者发作前杏仁核区域可能出现异常电活动，继而引发肢体强直或痉挛，导致跌倒。然而传统量表无法预判这一短暂过程，单一传感器也难以及时关联脑电信号与姿态突变之间的因果链，致使实际风险被严重低估。另一缺陷是反应滞后与预测精度不足。量表评估往往基于数分钟至数十分钟的静态观测，而跌倒常发生于瞬间的神经-运动解耦事件。现有运动监测虽能检测到姿态突变，但无法区分该突变是由环境扰动引发还是由中枢神经失控触发，因此频繁产生误报或漏报。这些缺陷的本质在于缺乏对脑-肌信息交互时序特征的解析，无法量化神经信号异常转化为运动失稳的临界时间窗与强度相关性。

技术实现思路

1、本发明实施例提供基于时序耦合的神经内科患者跌倒风险预测方法及系统，能够解决现有技术中的问题。

2、本发明实施例的第一方面，提供基于时序耦合的神经内科患者跌倒风险预测方法，包括：

3、通过电极阵列采集患者杏仁核区域的脑电信号，得到原始脑电数据；

4、对所述原始脑电数据进行时频域分解并提取频域特征与时域特征，通过滑动时间窗口检测异常波动，生成包含异常波动时刻、持续时长和波动幅度的异常波动特征序列；

5、采集患者肢体的加速度信号与角速度信号并转换为身体姿态角度与重心偏移量，通过计算相邻时间窗口之间的变化率识别姿态突变，生成姿态突变特征序列；

6、将所述异常波动特征序列与姿态突变特征序列按时间戳对齐，计算异常波动时刻与姿态突变时刻之间的时间延迟和波动幅度与突变幅度之间的相关系数，根据所述时间延迟和相关系数计算神经-运动耦合强度值；

7、统计所述神经-运动耦合强度值超过预设耦合阈值的时间占比，并结合所述姿态突变特征序列中重心偏移量的累积偏移量，计算患者失去平衡控制能力的概率值，根据所述概率值划分风险等级。

8、对所述原始脑电数据进行时频域分解并提取频域特征与时域特征，通过滑动时间窗口检测异常波动，生成包含异常波动时刻、持续时长和波动幅度的异常波动特征序列包括：

9、对所述原始脑电数据进行小波变换分解为多个频段分量，计算每个频段分量在滑动时间窗口内的功率谱密度作为频域特征，并计算每个频段分量在滑动时间窗口内的峰值幅度和过零率作为时域特征；

10、采集患者静息状态下的脑电数据作为基线脑电数据，提取所述基线脑电数据的基线频域特征和基线时域特征，计算所述频域特征与基线频域特征之间的频域偏离度以及所述时域特征与基线时域特征之间的时域偏离度；

11、当所述频域偏离度或所述时域偏离度超过偏离阈值时标记当前滑动时间窗口的中心时刻为异常波动时刻，并记录从偏离度首次超过偏离阈值至回落到偏离阈值以下的时间跨度作为持续时长；

12、在所述持续时长内根据每个频段分量的频域偏离度对功率谱密度变化量进行贡献度加权融合，得到波动幅度，生成包含异常波动时刻、持续时长和波动幅度的异常波动特征序列。

13、采集患者肢体的加速度信号与角速度信号并转换为身体姿态角度与重心偏移量，通过计算相邻时间窗口之间的变化率识别姿态突变，生成姿态突变特征序列包括：

14、采集患者肢体的加速度信号与角速度信号，对所述加速度信号进行重力分量分离得到静态加速度分量和动态加速度分量；

15、根据所述静态加速度分量的投影方向计算初始身体姿态角度，根据所述动态加速度分量的双重时间积分计算重心偏移量；

16、对所述角速度信号在预设时间窗口内进行积分得到姿态旋转角度增量，将所述初始身体姿态角度与所述姿态旋转角度增量叠加得到身体姿态角度；

17、将所述身体姿态角度和所述重心偏移量按照时间窗口进行分段，计算相邻时间窗口之间身体姿态角度的变化率以及重心偏移量的变化率，对所述身体姿态角度的变化率和重心偏移量的变化率进行归一化处理后求和得到综合变化率；

18、根据所述综合变化率的波峰位置标记姿态突变时刻，提取所述身体姿态角度和所述重心偏移量作为姿态突变幅度，生成包含姿态突变时刻和姿态突变幅度的姿态突变特征序列。

19、将所述异常波动特征序列与姿态突变特征序列按时间戳对齐，计算异常波动时刻与姿态突变时刻之间的时间延迟和波动幅度与突变幅度之间的相关系数，根据所述时间延迟和相关系数计算神经-运动耦合强度值包括：

20、以固定时间间隔将所述异常波动特征序列与姿态突变特征序列同步划分为多个时间片段对，在每个时间片段对内搜索异常波动时刻与姿态突变时刻的最小时间差值作为片段时间延迟；

21、将所有片段时间延迟构成时间延迟序列，计算所述时间延迟序列的标准差作为时间延迟波动度；

22、在每个时间片段对内，提取波动幅度构成波动幅度子序列，提取重心偏移量构成重心偏移子序列，将所述波动幅度子序列按所述片段时间延迟进行时间轴偏移后与所述重心偏移子序列配对，计算配对后的波动幅度子序列与重心偏移子序列之间的皮尔逊相关系数作为片段幅度相关系数；

23、将所有时间片段对的片段幅度相关系数构成幅度相关系数序列，计算所述幅度相关系数序列的均值作为平均幅度相关系数；

24、根据所述时间延迟波动度构建延迟稳定性系数，将所述延迟稳定性系数与所述平均幅度相关系数进行融合得到神经-运动耦合强度值。

25、将所述波动幅度子序列按所述片段时间延迟进行时间轴偏移后与所述重心偏移子序列配对包括：

26、对所述波动幅度子序列中每个波动幅度值对应的时间戳增加所述片段时间延迟的数值得到偏移时间戳序列，将所述波动幅度子序列按照所述偏移时间戳序列重新标记得到时间轴偏移后的波动幅度子序列；

27、以所述重心偏移子序列中每个重心偏移量对应的时间戳为基准时刻，在所述时间轴偏移后的波动幅度子序列中搜索与所述基准时刻时间差值最小的波动幅度值进行配对，生成波动幅度值与重心偏移量值的配对数据集；

28、从所述配对数据集中提取所有波动幅度值构成配对后的波动幅度子序列，从所述配对数据集中提取所有重心偏移量值构成配对后的重心偏移子序列。

29、统计所述神经-运动耦合强度值超过预设耦合阈值的时间占比，并结合所述姿态突变特征序列中重心偏移量的累积偏移量，计算患者失去平衡控制能力的概率值，根据所述概率值划分风险等级包括：

30、统计所述神经-运动耦合强度值超过预设耦合阈值的累计时长占监测周期的时间占比；

31、对所述姿态突变特征序列中的重心偏移量沿时间轴累加得到重心偏移量的累积偏移量；

32、在所述神经-运动耦合强度值超过预设耦合阈值的时段起止时刻分别提取所述重心偏移量的累积偏移量求取差值得到耦合异常期偏移增量，对所述耦合异常期偏移增量进行归一化处理并与所述时间占比进行耦合运算得到耦合时段风险值；

33、提取所述神经-运动耦合强度值超过预设耦合阈值时段内的姿态突变特征序列，统计所述姿态突变特征序列中姿态突变事件的发生次数得到失控事件频次，对所述失控事件频次进行时序分析提取变化趋势得到失控加速趋势指标；

34、将所述重心偏移量的累积偏移量与所述失控加速趋势指标进行关联分析得到累积动态风险值，基于所述耦合时段风险值与所述累积动态风险值的交互关系计算患者失去平衡控制能力的概率值；

35、根据所述概率值所处的预设概率阈值区间划分风险等级并输出。

36、将所述重心偏移量的累积偏移量与所述失控加速趋势指标进行关联分析得到累积动态风险值，基于所述耦合时段风险值与所述累积动态风险值的交互关系计算患者失去平衡控制能力的概率值包括：

37、对所述重心偏移量的累积偏移量按照时间窗口分段提取变化率特征；

38、将所述变化率特征与所述失控加速趋势指标按照时间戳进行对齐并计算时序相关性得到动态耦合系数，将所述动态耦合系数作为关联权重对所述重心偏移量的累积偏移量进行加权得到累积动态风险值；

39、计算所述耦合时段风险值与所述累积动态风险值的乘积得到协同增强系数，基于所述协同增强系数分别对所述耦合时段风险值与所述累积动态风险值进行放大运算得到放大后耦合时段风险值与放大后累积动态风险值；

40、对所述放大后耦合时段风险值与放大后累积动态风险值进行乘积运算得到交互放大项，对所述放大后耦合时段风险值与放大后累积动态风险值进行加权求和得到线性融合项，对所述交互放大项与线性融合项进行叠加运算得到患者失去平衡控制能力的概率值。

41、本发明实施例的第二方面，提供一种基于时序耦合的神经内科患者跌倒风险预测测系统，包括：

42、脑电采集单元，用于通过电极阵列采集患者杏仁核区域的脑电信号，得到原始脑电数据；

43、时频分析单元，用于对所述原始脑电数据进行时频域分解并提取频域特征与时域特征，通过滑动时间窗口检测异常波动，生成包含异常波动时刻、持续时长和波动幅度的异常波动特征序列；

44、姿态检测单元，用于采集患者肢体的加速度信号与角速度信号并转换为身体姿态角度与重心偏移量，通过计算相邻时间窗口之间的变化率识别姿态突变，生成姿态突变特征序列；

45、耦合分析单元，用于将所述异常波动特征序列与姿态突变特征序列按时间戳对齐，计算异常波动时刻与姿态突变时刻之间的时间延迟和波动幅度与突变幅度之间的相关系数，根据所述时间延迟和相关系数计算神经-运动耦合强度值；

46、风险评估单元，用于统计所述神经-运动耦合强度值超过预设耦合阈值的时间占比，并结合所述姿态突变特征序列中重心偏移量的累积偏移量，计算患者失去平衡控制能力的概率值，根据所述概率值划分风险等级。

47、本发明实施例的第三方面，提供一种电子设备，包括：

48、处理器；

49、用于存储处理器可执行指令的存储器；

50、其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。

51、本发明实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。

52、本发明通过同步采集患者杏仁核区域的脑电信号与肢体运动信号，构建神经-运动时序耦合分析，精准量化脑部异常波动与身体姿态失控之间的动态关联。与单一信号源的预测方式相比，显著提高了跌倒风险预测的准确性和可靠性，避免了因脑电伪迹或肢体动作干扰导致的误判和漏判。通过对原始脑电数据进行时频域分解并提取频域与时域特征，结合滑动时间窗口检测异常波动，生成包含异常波动时刻、持续时长和波动幅度的特征序列。同时采集肢体加速度与角速度信号，转换为姿态角度与重心偏移量，识别姿态突变并生成姿态突变特征序列。两个序列按时间戳对齐后计算时间延迟和相关系数，得到的神经-运动耦合强度值直观反映了中枢神经信号与肢体反应之间的时滞关系和协同程度，为早期预警提供了敏感指标。进一步统计神经-运动耦合强度值超过预设阈值的时间占比，并结合姿态突变特征序列中重心偏移量的累积偏移量，计算患者失去平衡控制能力的概率值。该概率值综合了神经异常持续时间与身体偏移累积效应，有效区分不同风险等级。医护人员可根据风险等级制定分级干预方案，实现个性化预防，显著降低神内患者跌倒事件的发生率。