脑卒中运动功能评价模型建立方法、评价方法及系统与流程

技术特征：
1.一种脑卒中运动功能评价模型建立方法，其特征在于，该方法包括特征指标筛选阶段和可视化模型构建阶段；其中，特征指标筛选阶段包括：通过皮尔逊相关性分析进行上田敏临床定性特征指标与定量特征指标相关性分析确定其一致性；对不同的特性采用不同的方法进行筛选，得到最显著性最强的频段来进行评价指标计算；所述定量特征指标为体现神经肌肉功能耦合状态的指标，包括：局部频带特性指标、异频耦合特性指标、时延信息传递指数指标、复杂多尺度一致性指标；所述异频耦合特性是指从复杂性的角度刻画大脑与肌肉间潜在的非线性耦合机制，所述局部频带特性是指在特定频段内脑电信号和肌电信号间不同信息传递方向的非线性复杂性度量，所述时延信息传递指数能够表现信息交互的方向性和两信号间的耦合强度，所述复杂多尺度一致性能够描述两耦合信号之间的多尺度同步关系；可视化模型构建阶段包括：基于所述特征指标筛选阶段筛选出的定量特征指标构建可视化运动功能评价模型，所述可视化运动功能评价模型通过ahp
‑
fce算法进行定性
‑
定量评价。2.根据权利要求1所述的一种脑卒中运动功能评价模型建立方法，其特征在于，对不同的特性采用不同的方法进行筛选，包括：局部频带特性是指通过二维傅里叶变换计算多维拓展空间向量的频域表示，在此基础上对各频域点的维数向量进行传递熵计算，以此实现脑电信号、肌电信号不同频率值上的信息交互定量描述；局部频带特性指标采用的筛选方法包括：分别计算出脑卒中患者和健康对照组的传递谱熵值，计算出emg到eeg和eeg到emg方向alpha、beta1、beta2、gamma1、gamma2及piper频段的tse显著面积指标，并对上述指标进行统计性分析，选出具有显著性差异的频段；通过皮尔逊相关性分析上述频段显著面积与上田敏临床评定量表等级的相关性，选出具有显著相关性关系的频段；异频耦合特性是指通过小波包分解后获取多组不同时域尺度的子带信号，对各频率交叉的子带信号进行传递熵计算，以此实现不同时频尺度上两信号间信息交互的计算，通过基于异频耦合模型产生的异频耦合关系的仿真数据的分析，从仿真层面为神经肌肉功能耦合局部频带特性提供理论依据；异频耦合特性指标采用的筛选方法包括：分别求取不同耦合比下基于小波包传递熵的delta、theta、alpha、beta及gamma频段显著面积，对每个耦合比下的显著面积进行统计性分析，选出具有显著性差异的频段；通过皮尔逊相关性分析不同耦合比下该频段的显著面积与上田敏临床评定量表等级的相关性，选出具有显著相关性关系的耦合比；时间延迟是指神经肌肉系统包含的若干个子系统的信息交互和控制反馈之间存在的时间延迟；时延信息传递指数是指为了能够更加准确的量化描述两序列间的延迟时间而提出的一种通过对耦合信号进行排序重构以获取其排序模式，对排序模型的信号传递指数分析，从而实现对延迟时间的有效估计；时延特性指标筛选方法包括：经过对脑卒中患者和健康对照组emg到eeg和eeg到emg方向的延迟时间进行统计性分析，筛选出具有显著性差异的方向；通过皮尔逊相关性分析该方向的延迟时间与上田敏临床评定量表等级的相关性，出具有显著相关性关系的方向；复杂多尺度一致性是指为了描述两耦合信号间的多尺度同步关系而提出的一种基于
粗粒化过程进行的多尺度处理，通过多尺度一致性模型的显著面积指标，用以量化两耦合信号间不同尺度上的同步耦合关系；复杂多尺度一致性特性指标筛选方法包括：分别计算出脑卒中患者和健康对照组1
‑
20尺度上的显著0
‑
60hz频段范围内的显著面积指标，并通过其变化趋势图分析，筛选出显著面积指标数值显著低于健康对照组的尺度；通过该尺度下显著面积指标与上田敏临床评定量表等级进行皮尔逊相关性分析，筛选处存在显著的正相关关系的尺度。3.根据权利要求2所述的一种脑卒中运动功能评价模型建立方法，其特征在于，选用eeg到emg方向beta2和gamma2频段的tse显著面积指标来体现局部频带特性；选用耦合比为3：2及2：1条件下eeg到emg方向gamma频段的wpte显著面积指标来体现异频耦合特性；选用eeg到emg方向的延迟时间来体现时间延迟特性；选用尺度为9、10、12下的显著面积指标来体现复杂多尺度一致性特性。4.根据权利要求1所述的一种脑卒中运动功能评价模型建立方法，其特征在于，ahp
‑
fce算法中，确定因素集u为定量评估指标，即脑电特征值和肌电特征值，满足u＝{u1,u2}；确定权重集w为定性评估指标，即根据上田敏量表得到的阶段值，满足w＝{w1,w2,w3,w4,w5}；其中，u1表示脑电特征值矩阵，u2表示肌电特征值矩阵；综合评价结果表示为：依据肌电评价指标u1表示为：u2＝r6。5.一种基于权利要求1至4任一项所述的脑卒中运动功能评价模型建立方法建立的脑卒中运动功能评价模型进行脑卒中运动功能评价的方法，其特征在于，该方法包括：对用户的脑电信号和肌电信号进行数据采集；对采集到的脑电信号和肌电信号进行信号预处理；对经过预处理的信号进行特征提取；特征提取为神经肌肉耦合指标提取，包括：局部频带特性、异频耦合特性、时延信息传递指数、复杂多尺度一致性四项特征值；所述异频耦合特性是指从复杂性的角度刻画大脑与肌肉间潜在的非线性耦合机制，所述局部频带特性是指在特定频段内脑电信号和肌电信号间不同信息传递方向的非线性复杂性度量，所述时延信息传递指数能够表现信息交互的方向性和两信号间的耦合强度，所述复杂多尺度一致性能够描述两耦合信号之间的多尺度同步关系；对提取出的特征进行特征层融合；将得到的融合特征输入到建立的可视化运动功能评价模型，得到用户的可视化康复评价结果。
6.根据权利要求5所述的脑卒中运动功能评价的方法，其特征在于，采用64通道neuracle采集系统、trigno无线肌电系统和无线同步脉冲触发器进行数据采集。7.根据权利要求5所述的脑卒中运动功能评价的方法，其特征在于，对采集到的脑电信号进行预处理，包括：基于高通滤波器去除基线漂移，通过自适应滤波器去除50hz工频干扰；基于独立分量分析去除心电和眼电信号；基于典型相关性分析去除脑电信号中的肌电信号，筛选出cp3、c3、fc3三个电极的信号；对采集到的肌电信号进行预处理，包括：通过自适应陷波器去除50hz工频信号，基于0.5
‑
150hz的带通滤波器去除直流干扰，最后对肌电信号进行整流。8.根据权利要求5所述的脑卒中运动功能评价的方法，其特征在于，提取异频耦合特性包括：使用传递谱熵的分析方法，基于相空间重构方法将一维脑电信号构造成多维矩阵，对其进行二维傅里叶变化，在其频域上进行传递熵计算；将原始序列x和t拓展到m维的空间，得到维数为m
×
n的矩阵s和v；n的矩阵s和v；式中，m及n均为整数且1≤m≤m,1≤n≤n；对空间向量s和v进行二维傅里叶变换，设定其采样频率为f
s
，则其变换为：，则其变换为：式中，参数k为整数且k＝1,2,
…
,m，表示向量空间s和v中的不同方向点，即维数点；二维向量矩阵h(k,f)和g(k,f)表示为：
w(f)＝{h(1,f),h(2,f),
…
,h(k,f),
…
,h(m,f)}；v(f)＝{g(1,f),g(2,f),
…
,g(k,f),
…
,g(m,f)}；则传递熵公式表示为：式中，f是离散频率值，τ是频率预测值，和分别是向量w(f)和v(f)在频率点f处的φ和维的延时向量，p表示概率计算；提取局部频带特性包括：使用小波包传递熵的方法，基于代理数据对其进行统计分析，给出小波包传递熵方法的显著性指标用以量化两耦合信号间的异频耦合特性；小波包传递熵用下式表示：式中t是离散时间变量，u是离散的预测时间变量；和分别是序列和的m
‑
和n
‑
维的时间延迟空间向量，和分别为信号x在第i层的第n个子空间的子频带信号和y信号在第j层的第m个子空间的子频带信号，参数i,j∈z；特定频带内的显著面积指标为：式中，δf1和δf2为分辨率，分辨率越小则表明wpte所描述的fcmc特性的细节信息越多，和分别是x信号频率范围的最大值和最小值，且参数r∈z，且提取时延信息传递指数，包括：
序列x到序列y的时延信息传递指数为：式中，x
′
和y
′
分别为x和y序列在t
‑
u时刻的嵌入维数为m
x
′
和m
y
′
的空间向量，空间向量x
′
和y
′
的第ψ
x
′
，1≤ψ
x
′
≤m
x
′
！和ψ
y
′
，1≤ψ
y
′
≤m
y
′
！种模式出现的次数分别为c
ψx
′
，1≤c
ψx
′
≤m
x
′
！和c
ψy
′
，1≤c
ψy
′
≤m
y
′
！，和分别为空间向量x
′
和y
′
的加权概率，为y在y
′
条件上的加权排序条件概率，为y在x
′
及y
′
共同条件上的加权排序条件概率；提取复杂多尺度一致性，包括：频率点f处的多尺度一致性和复杂多尺度一致性表示如下：表示如下：式中，和分别为尺度s的时间序列和在频率点f
处的自谱；和则分别为时间序列和频率点f处的自谱；是时间序列和的频率点f处的互谱；是时间序列和频率点f处的互谱。9.根据权利要求5所述的脑卒中运动功能评价的方法，其特征在于，还包括：绘制不同康复阶段用户各项指标细化图。10.一种基于权利要求1至4任一项所述的脑卒中运动功能评价模型建立方法建立的脑卒中运动功能评价模型进行脑卒中运动功能评价的系统，其特征在于，所述系统包括：数据采集模块，用于对用户的脑电信号和肌电信号进行数据采集；数据预处理模块，用于对所述数据采集模块采集到的脑电信号和肌电信号进行信号预处理；特征提取模块，用于对经过所述数据预处理模块预处理的信号进行特征提取；特征提取为神经肌肉耦合指标提取，包括：局部频带特性、异频耦合特性、时延信息传递指数、复杂多尺度一致性四项特征值；所述异频耦合特性是指从复杂性的角度刻画大脑与肌肉间潜在的非线性耦合机制，所述局部频带特性是指在特定频段内脑电信号和肌电信号间不同信息传递方向的非线性复杂性度量，所述时延信息传递指数能够表现信息交互的方向性和两信号间的耦合强度，所述复杂多尺度一致性能够描述两耦合信号之间的多尺度同步关系；特征融合模块，用于对所述特征提取模块提取出的特征进行特征层融合；评价模块，用于将所述特征融合模块得到的融合特征输入到建立的可视化运动功能评价模型，得到用户的可视化康复评价报告。

技术总结
本发明提供了脑卒中运动功能评价模型建立方法、评价方法及系统，通过对体现脑电和肌电信号的神经肌肉系统功能状态进行采集，将采集的脑电信号和肌电信号进行多层次脑肌电耦合特征提取，并对多个神经肌肉耦合指标筛选，构建可视化运动功能评价模型；利用该可视化运动功能评价模型，进而得出可视化运动功能评估结果。本发明与现有技术相比，从多个方面进行了生理信号的采集，从病理机制和多信息融合角度对脑卒中患者运动功能状态进行客观全面的数字评估，使得到的数据更科学准确。使得到的数据更科学准确。使得到的数据更科学准确。


技术研发人员：谢平 王颖 陈晓玲 蔚建 王子豪 侯培国 刘兰祥 苏玉萍
受保护的技术使用者：燕山大学
技术研发日：2021.07.09
技术公布日：2021/10/15