老年人脊柱手术后核心肌群恢复的肌电信号评估方法与流程

本发明涉及肌电信号处理，具体涉及一种老年人脊柱手术后核心肌群恢复的肌电信号评估方法。

背景技术：

1、脊柱疾病是60岁以上老年人群的高发疾病，严重者会出现下肢麻木、大小便功能障碍等症状，脊柱融合、减压手术是目前的主流治疗方式；由于老年人身体代谢能力下降，所以术后恢复情况为康复领域关注重点，尤其是术后核心肌群的功能恢复是决定患者远期预后、减少复发风险的核心指标，所以术后核心肌群的功能恢复的评估为必要手段。

2、现有技术中，通常忽视反射性肌电信号，直接用混合信号计算肌电指标；由于混合肌电信号中两种信号的时域、频域特征重叠度高，现有常规滤波技术无法有效区分两类信号，导致算出的肌电指标会大幅高估或低估患者的真实肌肉控制能力，老年脊柱术后康复评估精度不足。

技术实现思路

1、为了解决现有常规滤波技术无法有效区分两类信号，导致算出的肌电指标会大幅高估或低估患者的真实肌肉控制能力，老年脊柱术后康复评估的精度不足的技术问题，本发明的目的在于提供一种老年人脊柱手术后核心肌群恢复的肌电信号评估方法，所采用的技术方案具体如下：

2、本发明提出了一种老年人脊柱手术后核心肌群恢复的肌电信号评估方法，所述方法包括：

3、获取术后患者在不同核心收缩动作的原始肌电信号，以及每个动作前的疼痛程度；

4、根据原始肌电信号的幅值特征，以及疼痛程度，筛选出有效收缩肌电片段，以及无痛基准段；根据不同有效收缩肌电片段和无痛基准段之间的时频差异特征，获得每个有效收缩肌电片段和无痛基准段之间的信号相似度；根据每个有效收缩肌电片段和无痛基准段之间的信号相似度、以及疼痛程度，获得每个有效收缩肌电片段的疼痛干扰程度，判断为核心肌群信号段、轻度混合段或重度混合段；

5、根据轻度混合段和无痛基准段中原始肌电信号的幅值变化趋势，确定输出核心肌群信号段，或将其重新判定为重度混合段；获得重度混合段的候选疼痛反射子时段、候选自主驱动子时段以及重叠混合子时段，并构建融合子时段信号特征的目标函数，迭代寻优获得核心肌群信号段；

6、根据所有有效收缩肌电片段对应核心肌群信号段的时频特征，获得肌群恢复率。

7、进一步地，所述有效收缩肌电片段以及无痛基准段的获取方法包括：

8、对原始肌电信号进行滑动窗分析，截取出均方根幅值连续大于预设噪声阈值，且持续时间满足预设时长的连续肌电片段，作为有效收缩肌电片段；

9、在有效收缩肌电片段中，若所在动作前的疼痛程度为0，且肌电幅值上升沿时长大于或等于预设上升时间，将对应有效收缩肌电片段作为无痛基准段。

10、进一步地，所述信号相似度的获取方法包括：

11、对于有效收缩肌电片段或无痛基准段，获得原始肌电信号的平均功率频率、中值频率、肌电均方根值以及峰值功率频率；

12、根据有效收缩肌电片段和无痛基准段之间平均功率频率的差异、中值频率的差异、肌电均方根值的差异以及峰值功率频率的差异，获得每个有效收缩肌电片段和无痛基准段之间的信号相似度，差异均与信号相似度呈负相关。

13、进一步地，所述疼痛干扰程度的获取方法包括：

14、获得常数1和信号相似度的差值；对疼痛程度进行归一化，获得归一化结果和差值结果的均值，作为疼痛干扰程度。

15、进一步地，所述判断为核心肌群信号段、轻度混合段或重度混合段的方法包括：

16、若疼痛干扰程度小于预设第一干扰阈值，将对应有效收缩肌电片段作为核心肌群信号段；

17、若疼痛干扰程度大于或等于预设第一干扰阈值，且小于或等于预设第二干扰阈值，将对应有效收缩肌电片段作为轻度混合段；

18、若疼痛干扰程度大于预设第二干扰阈值，将对应有效收缩肌电片段作为重度混合段。

19、进一步地，所述确定输出核心肌群信号段，或将其重新判定为重度混合段的方法包括：

20、根据轻度混合段和无痛基准段中肌电信号的幅值变化趋势，获得疼痛反射时段和未受干扰时段；

21、对未受干扰时段的原始肌电信号进行时间序列拟合，获得拟合函数；根据疼痛反射时段中各个采样时刻的肌电幅值和拟合函数中对应时刻的函数值之间的差异，确定输出核心肌群信号段，或将其重新判定为重度混合段；

22、若确定输出核心肌群信号段，计算疼痛反射时段在拟合函数上的函数值，代替疼痛反射时段对应肌电信号的值，输出核心肌群信号段。

23、进一步地，所述疼痛反射时段和未受干扰时段的获取方法包括：

24、对于有效收缩肌电片段或无痛基准段，对不同相邻时刻的肌电幅值进行一阶差分；

25、获得无痛基准段中所有一阶差分绝对值的均值，作为参考差分；

26、若有效收缩肌电片段中存在连续采样时刻对应的一阶差分绝对值大于预设倍数的参考差分，将对应连续采样时刻构成的范围作为疼痛反射时段；将其余连续采样时刻构成的范围作为未受干扰时段。

27、进一步地，所述确定输出核心肌群信号段，或将其重新判定为重度混合段的方法包括：

28、获得疼痛反射时段中各个采样时刻的肌电幅值和拟合函数中对应时刻的函数值之间的绝对差值的均值，作为疼痛反射时段的平均残差；

29、若疼痛反射时段的平均残差小于预设残差阈值，确定输出核心肌群信号段；若疼痛反射时段的平均残差大于或等于预设残差阈值，将其重新判定为重度混合段。

30、进一步地，所述目标函数的获取方法包括：

31、基于无痛基准段的单峰高斯分布模型对候选自主驱动子时段进行拟合，获得初始自主驱动信号；以所有候选疼痛反射子时段的平均波形为模板，对候选疼痛反射子时段进行拟合，获得初始疼痛反射信号；

32、获得候选自主驱动子时段内原始肌电信号和初始自主驱动信号之间的残差平方和，作为第一特征值；获得候选疼痛反射子时段内原始肌电信号和初始疼痛反射信号之间的残差平方和，作为第二特征值；获得重叠混合子时段内原始肌电信号与初始自主驱动信号及初始疼痛反射信号叠加之和之间的残差平方和，作为第三特征值；

33、获得预设第一权重和第一特征值之间的第一乘积，获得预设第二权重和第二特征值之间的第二乘积，获得预设第三权重和第三特征值之间的第三乘积，获得第一乘积、第二乘积和第三乘积之和，作为目标函数。

34、进一步地，所述肌群恢复率的获取方法包括：

35、获取术前患者在不同核心收缩动作的基线肌电信号；

36、将所有有效收缩肌电片段对应核心肌群信号段进行合并，分别获得合并后信号段与基线肌电信号的平均功率频率、中值频率、肌电均方根值以及峰值功率频率；

37、对于平均功率频率、中值频率、肌电均方根值或峰值功率频率中的任一特征，获得合并后信号段的特征相对基线肌电信号的特征的比值，作为对应特征的恢复率。

38、本发明具有如下有益效果：

39、本发明根据原始肌电信号的幅值特征，以及疼痛程度，筛选出有效收缩肌电片段，以及无痛基准段，实现了肌电信号中无效噪声和静息数据的剔除，精确定位到肌肉真实做功的时间窗口，大幅减少后续算法的计算量；根据不同有效收缩肌电片段和无痛基准段之间的时频差异特征、以及疼痛程度，判断为核心肌群信号段、轻度混合段或重度混合段，实现了干扰程度的精准量化分级；根据轻度混合段和无痛基准段中原始肌电信号的幅值变化趋势，确定输出核心肌群信号段，或重新判定为重度混合段，防止了复杂隐蔽的连续干扰被漏判，确保了剥离结果的严谨性；获得重度混合段的候选疼痛反射子时段、候选自主驱动子时段以及重叠混合子时段，并构建融合子时段信号特征的目标函数，迭代寻优获得核心肌群信号段，实现了两类高度混叠信号的盲源分离；根据所有有效收缩肌电片段对应核心肌群信号段的时频特征，获得肌群恢复率。本发明通过准确获取剥离疼痛干扰的核心肌群信号段，提高肌群恢复评估的准确性。