[发明专利]一种基于深度学习的脑卒中上肢运动功能自动评定方法

说明书

本发明公开了一种基于深度学习的脑卒中上肢运动功能自动评定方法，包括以下步骤：基于穿戴式传感器系统采集患者上肢运动过程的惯性传感数据和肌电数据；对采集的数据进行长度归一化和数值归一化预处理；将惯性传感数据和肌电数据分别输入到两个卷积神经网络进行特征提取，对所有特征进行融合，生成基于Brunnstrom量表的运动功能等级，然后基于反向传播算法对模型参数进行迭代，训练深度学习网络模型；对需要进行上肢运动功能评定的患者，对其进行数据采集、预处理，并输入到训练好的深度学习模型，自动生成患者上肢运动功能Brunnstrom分期评定结果。本发明可应用于医院环境、社区和家庭环境中，可提高自动评定的精准度。

技术领域

本发明属于可穿戴设备的应用技术领域，具体地说，涉及一种基于深度学习的脑卒中上肢运动功能自动评定方法。

背景技术

脑卒中又称中风或脑血管意外，是世界上主要致死性疾病之一。我国40岁以上人群脑卒中患者达1242万，每年新发患者超过270万，存活人群中超过70％存在不同程度运动功能障碍。临床研究表明，康复治疗是降低脑卒中患者致残率最有效的方法，而康复评定是康复治疗的重要环节，通过评定了解患者身体功能障碍性质和严重程度，为制定康复目标和治疗方案提供重要依据。

康复评定主要基于量表评分，最常用的脑卒中运动功能评定量表是Brunnstrom，结果分成I-VI共6个等级。一种是传统量表评定方法，患者在评定医师指导下完成指定的评定动作，评定医师观察患者完成动作过程，依据量表对患者运动能力进行分级或评分；另一类是基于机器学习的脑卒中运动功能评定，患者执行评定动作过程中，利用传感器采集反映患者运动能力的数据，然后人工提取数据的时域及频域特征，将提取的特征输入分类器(SVM、线性回归、极限学习机等)，构建自动评定学习模型，生成与量表对应的评定结果。

传统量表评定方式需要医师参与整个过程，存在以下问题：1)评定过程耗时长，效率低；2)评定过程需要专业评定医师实时监督和指导；3)评定结果受评定师主观影响大，存在主观差异；4)评定量表存在差异，存在通用性问题。

基于机器学习的评定是通过人工提取传感器数据的时域、频域特征，忽略了信号本身的差异和信号间的依赖关系，以及因主观经验导致特征提取不充分，影响分类算法性能，影响评定结果的精确度。

发明内容

有鉴于此，本发明针对传统量表评定的主观差异以及基于传统机器学习的评定方法特征提取不充分对评定结果的影响的问题，提供了一种基于深度学习的脑卒中上肢运动功能自动评定方法，实现康复评定的客观化，并提高评定准确性。

为了解决上述技术问题，本发明公开了一种基于深度学习的脑卒中上肢运动功能自动评定方法，包括以下步骤：

S1.基于穿戴式传感器系统采集患者上肢运动过程的惯性传感数据和肌电数据；

S2.对采集的数据进行长度归一化和数值归一化预处理；

S3.将惯性传感数据和肌电数据分别输入到两个卷积神经网络进行特征提取，对所有特征进行融合，生成基于Brunnstrom量表的运动功能等级，然后基于反向传播算法对模型参数进行迭代，训练深度学习网络模型；

S4.对需要进行上肢运动功能评定的患者，对其进行与S1、S2步骤相同的数据采集、预处理，并输入到训练好的深度学习模型，自动生成患者上肢运动功能Brunnstrom分期评定结果。

可选地，所述步骤S1基于穿戴式传感器系统采集患者上肢运动过程的惯性传感数据和肌电数据具体为：

S11.设计采集上肢运动功能数据的可穿戴传感系统，由2个惯性测量单元(IMU)和7通道表面肌电图(sEMG)传感器两部分组成；惯性测量单元用于测量肢体运动过程的三轴加速度、角速度及磁力计数据，通过蓝牙与PC实现无线实时传输，采样频率20Hz；sEMG采集运动过程骨骼肌群电信号活动，采样频率3KHz；