本發(fā)明涉及一種面向腦卒中康復(fù)的上肢運動功能評估系統(tǒng)及方法，屬于智慧醫(yī)療。

背景技術(shù)：

1、腦卒中是全球范圍內(nèi)導(dǎo)致成年人后天性殘疾的主要原因之一。腦卒中幸存者常常面臨著從輕微肢體功能損失到嚴重身體癱瘓不等的挑戰(zhàn)。尤其是上肢功能的喪失，極大地影響了患者的日常生活和自我照顧能力。在康復(fù)過程中，準確地評估和監(jiān)測上肢運動功能的恢復(fù)進程對于指導(dǎo)康復(fù)訓練和評估治療效果具有重要意義。

2、傳統(tǒng)的腦卒中患者上肢功能評估主要依賴于fugl-meyer?assessment?for?upperextremity(fma-ue)，這是一種結(jié)構(gòu)化的評估工具，通過一系列詳細的運動任務(wù)測試來評價患者的肩部、肘部、前臂、手腕和手指的運動能力。近期研究表明，將semg和acc數(shù)據(jù)結(jié)合用于手部和腕部運動功能的臨床評估是一種有效的方法。repnik等人運用semg傳感器和acc在上肢動作研究量表測試實驗中量化肌肉活動，結(jié)果顯示患者評分與運動時間、運動流暢度具有強相關(guān)性(r2＝0.67)；li等人提出了一種基于acc和semg傳感器的數(shù)據(jù)融合的評估系統(tǒng)，受試者被要求執(zhí)行11項基于fma設(shè)計的上肢功能任務(wù)，使用機器學習算法對運動數(shù)據(jù)產(chǎn)生評價指標，結(jié)果顯示所有產(chǎn)生的指標都與常規(guī)的臨床評估量表表現(xiàn)出強相關(guān)性(r2＝0.878)。

3、在當前針對腦卒中患者自動化康復(fù)評定系統(tǒng)的研究中，基于semg和acc信號的系統(tǒng)在實際應(yīng)用中仍面臨如下挑戰(zhàn)，主要包括：(1)模態(tài)數(shù)據(jù)融合問題：傳統(tǒng)的侵入式融合技術(shù)，如通過求和或串聯(lián)的方式將semg和acc信號合并，通常限于神經(jīng)網(wǎng)絡(luò)的初級或高級層，這種方法可能會破壞原始信號的結(jié)構(gòu)，導(dǎo)致重要信息的丟失。此外，這種方法缺乏跨模態(tài)的深層交互，限制了數(shù)據(jù)融合的潛在價值。(2)腦卒中后信號的個體差異性：現(xiàn)有的針對腦卒中患者的semg和acc分類算法通常依賴個體化的特征工程和窗口模式識別，這限制了識別精度。研究表明，僅一小部分腦卒中患者的識別精度能達到65％以上，尤其是在重度損傷患者中，識別精度通常較低。這說明現(xiàn)有技術(shù)在跨個體的精確評估手功能方面存在明顯不足。(3)動作評估的時間效率與患者依從性問題：傳統(tǒng)的評估方法往往需要較長時間的數(shù)據(jù)采集以提高評估的準確性，這種做法可能導(dǎo)致患者依從性降低。盡管通過簡化fma測試任務(wù)可以縮短評估時間至約20分鐘，任務(wù)執(zhí)行的復(fù)雜度和系統(tǒng)設(shè)置的高要求仍然構(gòu)成了對日?？祻?fù)監(jiān)測廣泛應(yīng)用的實際障礙。

技術(shù)實現(xiàn)思路

1、針對以上fma-ue評估中存在的諸多不足，本發(fā)明提供一種面向腦卒中康復(fù)的上肢運動功能評估系統(tǒng)及方法，其通過fma-ue中的少數(shù)動作子集，通過提出的nimft-a模型估計患者完整的fma-ue評分，用于腦卒中患者的上肢運動功能的自動化評估。采用的簡化fma-ue動作子集包含具有代表性，且腦卒中偏癱患者通常能夠?qū)嵤┑娜椚蝿?wù)，即屈肌/伸肌協(xié)同運動、手觸腰椎、以及肩關(guān)節(jié)屈曲90度肘關(guān)節(jié)伸直。

2、為實現(xiàn)上述目的，本發(fā)明采取的技術(shù)方案如下：

3、一方面，本發(fā)明提供一種面向腦卒中康復(fù)的上肢運動功能評估系統(tǒng)，包括數(shù)據(jù)處理單元，所述數(shù)據(jù)處理單元負責接收從多通道傳感器采集的肌電信號和加速度計信號，所述數(shù)據(jù)處理單元包括信號預(yù)處理模塊和動作模式識別模塊，其中：

4、信號預(yù)處理模塊：對肌電信號和加速度計信號進行濾波和去噪處理，使用時間插值對加速度計信號進行重采樣，以匹配肌電信號的采樣率，確保兩種類型的數(shù)據(jù)在時間軸上對齊，對預(yù)處理后的信號進行數(shù)據(jù)增強以模擬信號在現(xiàn)實場景中的各種變化；

5、動作模式識別模塊：基于非侵入式模態(tài)融合transformer評估模型，將動作識別結(jié)果與已建立的線性回歸模型結(jié)合，該模塊根據(jù)動作識別準確率與患者實際的fma-ue評分數(shù)據(jù)訓練得出，用于預(yù)測患者的fma-ue得分，該得分反映患者的上肢運動功能。

6、進一步的，所述數(shù)據(jù)處理單元還包括動作分段模塊，該模塊根據(jù)加速度計信號確定動作的開始和結(jié)束，并進行信號窗口劃分，以優(yōu)化特征提取過程。

7、進一步的，所述transformer評估模型包括：使用一維卷積神經(jīng)網(wǎng)絡(luò)和時序卷積網(wǎng)絡(luò)層處理提取的特征，有效捕獲長期依賴關(guān)系，增強對復(fù)雜運動模式的識別能力，使用交叉注意力模塊非侵入式融合兩種不同模態(tài)信號。

8、進一步的，通過損失函數(shù)模塊，結(jié)合交叉熵損失和基于學生t分布的student損失，用以提高模型在噪聲標簽環(huán)境下的魯棒性。

9、另一方面，本發(fā)明提供一種面向腦卒中康復(fù)的上肢運動功能評估方法，包括如下步驟：

10、步驟一、通過多通道傳感器采集的肌電信號和加速度計信號；

11、步驟二、對采集的數(shù)據(jù)首先進行預(yù)處理，包括：信號濾波、數(shù)據(jù)同步、動作分段、數(shù)據(jù)增強和窗口劃分；

12、步驟三、模型構(gòu)建與訓練：基于非侵入式模態(tài)融合transformer評估模型，將動作識別結(jié)果與已建立的線性回歸模型結(jié)合，并根據(jù)動作識別準確率與患者實際的fma-ue評分數(shù)據(jù)進行訓練，

13、步驟四、利用模型預(yù)測患者的fma-ue得分，以此反映患者的上肢運動功能。

14、進一步的，所述步驟一中，利用8個傳感器采集前束三角肌、中束三角肌、后束三角肌、肱二頭肌、肱三頭肌外頭、肱三頭肌長頭、胸大肌和斜方肌上部的8通道的肌電信號和24通道的加速度計信號。

15、進一步的，所述步驟二中，信號濾波：使用帶通濾波器對肌電信號進行濾波，以去除高頻噪聲和低頻漂移；

16、數(shù)據(jù)同步：采用插值處理，提升加速度計數(shù)據(jù)的采樣率以匹配肌電信號，從而實現(xiàn)時間上的精確對齊；

17、動作分段：采用acc基線信號標準差的20％作為開始和結(jié)束的閾值，即：基線acc+0.2×sd(基線acc)，對三次重復(fù)的動作段進行起點和終點劃分，以捕捉每次動作的完整周期；

18、數(shù)據(jù)增強：對數(shù)據(jù)集進行了數(shù)據(jù)增強，通過引入隨機白噪聲、信號時間伸縮以及通道置換三種方法，擴充數(shù)據(jù)集的樣本規(guī)模；

19、窗口劃分：對動作模式識別樣本的劃分，提高上肢運動模式識別的準確性。

20、更進一步的，所述窗口劃分采取，采取兩種策略：

21、一種是滑動窗口方法，采用大小為1000ms，滑動步長為50ms的滑動窗口連續(xù)劃分數(shù)據(jù)，以捕捉連續(xù)動作序列中的細節(jié)變化；

22、另一種是動作模式識別樣本劃分方法，將單個動作分解為完成動作和復(fù)原兩個階段作為兩個獨立識別樣本，對于每一個劃分好的動作段，當某一通道的acc信號達到最大值時，該極值點被選為劃分完成動作階段和復(fù)原階段的依據(jù)，考慮到極值點可能是噪聲的情況，在對acc進行插值的階段，使用了低通fir濾波器，一方面濾除可能因插值而引入的噪聲，另一方面去除由人體肌肉顫動等因素引起的高頻噪聲。

23、進一步的，所述非侵入式模態(tài)融合transformer評估模型實現(xiàn)雙模數(shù)據(jù)的多層次非侵入式融合，具體為：

24、在窗口劃分中，動作段劃分將輸入數(shù)據(jù)分割成了不等長的大窗口，針對不等長輸入樣本的問題，在nimft-a使用自適應(yīng)最大池化層，根據(jù)所需的輸出大小自適應(yīng)地調(diào)整池化窗口和步長，其kernel?size和步長stride計算公式如下：

25、

26、其次，模型采用時序卷積網(wǎng)絡(luò)層tcn作為預(yù)處理步驟，其主體結(jié)構(gòu)為膨脹因果卷積，利用這一結(jié)構(gòu)更好地捕捉時間序列中的長期依賴性，從而為模型提供了對長時間序列的模式識別能力，其卷積層具有因果性，即在計算當前時間步的輸出時，只會使用當前和之前的時間步的信息，tcn的計算公式如下：

27、

28、其中yt是時間步t的輸出，xt-i表示輸入序列在時間步t-i的值，wi是卷積核或過濾器的權(quán)重，在時間步i處，b是偏置項，k是卷積核的大小，d是擴張率，決定了輸入序列中相鄰元素之間的間距；

29、在tcn層對semg和acc信號進行初步處理后，模型進一步采用一維卷積來提取經(jīng)tcn壓縮后的樣本局部特征；采用了1d-cnn來實現(xiàn)塊嵌入，通過鄰域卷積的方式提取patch內(nèi)部的局部信息，再通過后續(xù)的注意力機制使模型兼顧長短程塊間(inter-patch)相關(guān)性；具體公式如下:

30、yi＝relu2(linear2(relu1(linear1(conv1d(xi))))),i＝αorβ

31、其中xi∈rc×l代表輸入的信號，c是輸入信號的通道數(shù)，l是特征窗口的長度；relu1和relu2表示非線性激活函數(shù)relu；

32、應(yīng)用1d-cnn塊嵌入后，輸入信號被轉(zhuǎn)換成輸入塊，表示為yi∈rpd×d，pn代表輸入塊的數(shù)量；通過兩個帶非線性激活的全連接投影的實現(xiàn)保證1d-cnn后的塊大小ps＝l/pn，且塊維度被轉(zhuǎn)換為d，在隨后的變換器編碼器中保持不變；在塊嵌入的序列開始處添加一個可訓練的類別標記class，以捕獲整個分割輸入的含義；最后，引入標準的可學習的1d位置嵌入，表示為epos，以向transformer傳達位置信息，每種模態(tài)的嵌入塊的最終張量形式如下所示：

33、

34、通過tcn和1d-cnn的雙重預(yù)處理策略，使模型能夠從不同長度的時間序列中提取時間尺度上的動態(tài)變化，包括肌肉收縮強度的變化，動作執(zhí)行的速度和力度等局部變化特征；

35、之后，將帶有局部鄰域信息的雙模特征通過多層進行處理，編碼器利用交叉注意力機制來提取特定的內(nèi)模態(tài)信息和交互式的跨模態(tài)知識，使雙模數(shù)據(jù)實現(xiàn)全面融合。

36、進一步的，通過損失函數(shù)來提高模型在噪聲標簽環(huán)境下的魯棒性，該損失函數(shù)結(jié)合交叉熵損失函數(shù)和student損失函數(shù)，其中每個損失函數(shù)都有一個調(diào)節(jié)參數(shù)，這樣可以根據(jù)具體任務(wù)調(diào)整其貢獻比例，公式表示為：

37、lerel＝λ·lcross-entropy+(1-λ)·lstudent

38、其中，lcross-entropy是交叉熵損失，lstudent是基于學生t分布的損失，而λ是一個介于0和1之間的權(quán)重參數(shù)，用于平衡兩種損失。

39、本發(fā)明的有益效果是：本方法通過非侵入性模態(tài)融合transformer評估模型(nimft-a)與傳統(tǒng)的fma-ue評估，實現(xiàn)了對腦卒中患者上肢運動功能的自動化精確評估。具體的，本方法使用放置在前束三角肌、中束三角肌、后束三角肌、肱二頭肌、肱三頭肌外頭、肱三頭肌長頭、胸大肌和斜方肌上部的8個傳感器采集了健康人和患者8通道semg和24通道acc信號，通過使用nimft-a模型來計算受試者完成三項評估動作時的動作識別準確率，并建立動作識別準確率與患者的fma-ue得分的線性回歸關(guān)系。最終本方法在針對患者的留一受試者交叉驗證實驗中，動作識別準確率與fma-ue得分進行線性回歸的決定系數(shù)達到了r2＝0.7686。

40、本發(fā)明的附加方面和優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實踐了解到。