本发明专利技术公开了痉挛程度计算的方法、装置、电子设备及存储介质，包括：获取患者的动力学特征以及电生理学特征；将动力学特征以及电生理学特征输入至训练好的痉挛程度计算模型，得到痉挛程度计算结果；其中，训练好的痉挛程度计算模型为利用不同患者的动力学特征、电生理学特征以及对应的痉挛程度标签进行训练后得到。本发明专利技术针对患者患侧肢体在被动牵拉运动中的动力学特征以及电生理学特征，通过痉挛程度计算模型对造成痉挛症状的神经成分和非神经成分进行独立分析，实现对患者痉挛程度的全面客观分析。客观分析。客观分析。
【技术实现步骤摘要】
痉挛程度计算的方法、装置、电子设备及存储介质
[0001]本专利技术涉及计算机
，具体涉及痉挛程度计算的方法、装置、电子设备及存储介质。
技术介绍
[0002]脑卒中是一种由于脑部血管的阻塞或破裂而引起的持续性脑组织功能结构受损的急性脑血管疾病，大多数患者会由于上运动元损伤产生不同程度的痉挛并发症，主要表现为肌张力升高、肌肉僵硬以及肢体疼痛等症状，对患者的日常活动能力及生活自理能力造成极大的影响。目前常用的针对脑卒中患者的痉挛治疗方法主要有药物治疗、手术治疗以及物理治疗等。对患者的痉挛程度进行及时的量化评估对制定治疗方案及评价治疗效果具有重要意义，因此是整个运动康复训练过程中的基础环节。
[0003]目前临床上普遍采用的痉挛评价方法有Ashworth痉挛评价法、改良的Ashworth痉挛评价法、Tardieu量表及改良Tardieu量表等。这些传统的康复评价方法以医生观察为主，辅助一些定性或宏观的测量数据，结合量表打分完成，所得到的半定量评估结果易受医生主观经验的影响且难免存在偏差。除此之外，以上评价方法没有考虑到痉挛的速度依赖特性，即患者所表现出的痉挛阻力随着牵张速度的增加而增加，同时也没有对痉挛阻力中的神经成分和非神经成分进行区分。
[0004]综上，目前亟需一种痉挛程度计算的方法，用于解决上述现有技术存在的问题。
技术实现思路
[0005]由于现有方法存在上述问题，本专利技术提出痉挛程度计算的方法、装置、电子设备及存储介质。
[0006]第一方面，本专利技术提供了一种痉挛程度计算的方法，包括：
[0007]获取患者的动力学特征以及电生理学特征；
[0008]将所述动力学特征以及所述电生理学特征输入至训练好的痉挛程度计算模型，得到痉挛程度计算结果；
[0009]其中，所述训练好的痉挛程度计算模型为利用不同患者的动力学特征、电生理学特征以及对应的痉挛程度标签进行训练后得到。
[0010]进一步地，所述动力学特征包含关节的机械阻抗参数，所述获取患者的动力学特征，包括：
[0011]获取患者的运动学数据以及生物力学数据；
[0012]采用卡尔曼滤波根据所述运动学数据确定关节角度、关节角速度以及关节角加速度；
[0013]对所述生物力学数据进行低通滤波，得到力矩数据；
[0014]采用惯量
‑
阻尼
‑
弹簧模型根据所述关节角度、所述关节角速度、所述关节角加速度以及所述力矩数据对所述患者的动力学特性进行建模；
[0015]基于遗传算法对所述关节的机械阻抗参数进行辨识，得到动力学特征。
[0016]进一步地，所述机械阻抗参数包含患者患肢的惯量、阻尼以及刚度，所述基于遗传算法对所述关节的机械阻抗参数进行辨识，包括：
[0017]根据预设的评价函数确定种群中每个个体的适应度函数值；其中，每个个体由所述惯量、所述阻尼以及所述刚度构成；
[0018]根据所述每个个体的适应度函数值对种群中所有个体排序并筛选，得到第一个体集合；
[0019]根据所述第一个体集合中每个个体的适应度函数值确定对应的交叉概率；
[0020]根据所述交叉概率对所述第一个体集合进行交叉操作，得到第二个体集合；
[0021]根据所述第二个体集合中每个个体的适应度函数值确定对应的变异概率；
[0022]根据所述变异概率对所述第二个体集合进行变异操作，得到第三个体集合；
[0023]重复上述步骤直到迭代次数达到预设阈值，得到对所述关节的机械阻抗参数的辨识结果。
[0024]进一步地，所述获取电生理学特征，包括：
[0025]获取电生理学数据；所述电生理学数据包含多个通道的肌电信号；
[0026]对所述多个通道的肌电信号进行预处理；
[0027]分别提取各通道的肌电信号的平均绝对偏差特征和均方根特征；
[0028]根据所述多个通道的肌电信号确定协同收缩率；
[0029]根据所述平均绝对偏差特征、所述均方根特征、所述协同收缩率确定电生理学特征。
[0030]进一步地，所述多个通道的肌电信号为来自旋前圆肌、肱二头肌及肱三头肌三个通道的肌电信号，所述协同收缩率包含第一协同收缩率以及第二协同收缩率，所述根据所述多个通道的肌电信号确定协同收缩率，包括：
[0031]根据来自旋前圆肌的肌电信号以及来自肱二头肌的肌电信号确定所述第一协同收缩率；
[0032]根据来自肱二头肌的肌电信号以及来自肱三头肌的肌电信号确定所述第二协同收缩率。
[0033]进一步地，在所述将所述动力学特征以及所述电生理学特征输入至训练好的痉挛程度计算模型，得到痉挛程度计算结果之前，还包括：
[0034]获取训练样本集；其中，每组训练样本包含动力学特征、电生理学特征以及痉挛程度标签；
[0035]将所述训练样本集中每组训练样本分别输入至所述痉挛程度计算模型，得到对应的痉挛程度预测值；
[0036]根据所述痉挛程度标签以及对应的痉挛程度预测值确定损失值；
[0037]根据所述损失值更新所述痉挛程度计算模型的参数，得到训练好的痉挛程度计算模型。
[0038]第二方面，本专利技术提供了一种痉挛程度计算的装置，包括：
[0039]获取模块，用于获取患者的动力学特征以及电生理学特征；
[0040]处理模块，用于将所述动力学特征以及所述电生理学特征输入至训练好的痉挛程
度计算模型，得到痉挛程度计算结果；其中，所述训练好的痉挛程度计算模型为利用不同患者的动力学特征、电生理学特征以及对应的痉挛程度标签进行训练后得到。
[0041]进一步地，所述动力学特征包含关节的机械阻抗参数，所述处理模块具体用于：
[0042]获取患者的运动学数据以及生物力学数据；
[0043]采用卡尔曼滤波根据所述运动学数据确定关节角度、关节角速度以及关节角加速度；
[0044]对所述生物力学数据进行低通滤波，得到力矩数据；
[0045]采用惯量
‑
阻尼
‑
弹簧模型根据所述关节角度、所述关节角速度、所述关节角加速度以及所述力矩数据对所述患者的动力学特性进行建模；
[0046]基于遗传算法对所述关节的机械阻抗参数进行辨识，得到动力学特征。
[0047]进一步地，所述机械阻抗参数包含患者患肢的惯量、阻尼以及刚度，所述处理模块具体用于：
[0048]根据预设的评价函数确定种群中每个个体的适应度函数值；其中，每个个体由所述惯量、所述阻尼以及所述刚度构成；
[0049]根据所述每个个体的适应度函数值对种群中所有个体排序并筛选，得到第一个体集合；
[0050]根据所述第一个体集合中每个个体的适应度函数值确定对应的交叉概率；
[0051]根据所述交叉概率对所述第一个体集合进行交叉操作，得到第二个体集合；
[0052]根据所述第二个体集合本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种痉挛程度计算的方法，其特征在于，包括：获取患者的动力学特征以及电生理学特征；将所述动力学特征以及所述电生理学特征输入至训练好的痉挛程度计算模型，得到痉挛程度计算结果；其中，所述训练好的痉挛程度计算模型为利用不同患者的动力学特征、电生理学特征以及对应的痉挛程度标签进行训练后得到。2.根据权利要求1所述的痉挛程度计算的方法，其特征在于，所述动力学特征包含关节的机械阻抗参数，所述获取患者的动力学特征，包括：获取患者的运动学数据以及生物力学数据；采用卡尔曼滤波根据所述运动学数据确定关节角度、关节角速度以及关节角加速度；对所述生物力学数据进行低通滤波，得到力矩数据；采用惯量
‑
阻尼
‑
弹簧模型根据所述关节角度、所述关节角速度、所述关节角加速度以及所述力矩数据对所述患者的动力学特性进行建模；基于遗传算法对所述关节的机械阻抗参数进行辨识，得到动力学特征。3.根据权利要求2所述的痉挛程度计算的方法，其特征在于，所述机械阻抗参数包含患者患肢的惯量、阻尼以及刚度，所述基于遗传算法对所述关节的机械阻抗参数进行辨识，包括：根据预设的评价函数确定种群中每个个体的适应度函数值；其中，每个个体由所述惯量、所述阻尼以及所述刚度构成；根据所述每个个体的适应度函数值对种群中所有个体排序并筛选，得到第一个体集合；根据所述第一个体集合中每个个体的适应度函数值确定对应的交叉概率；根据所述交叉概率对所述第一个体集合进行交叉操作，得到第二个体集合；根据所述第二个体集合中每个个体的适应度函数值确定对应的变异概率；根据所述变异概率对所述第二个体集合进行变异操作，得到第三个体集合；重复上述步骤直到迭代次数达到预设阈值，得到对所述关节的机械阻抗参数的辨识结果。4.根据权利要求1所述的痉挛程度计算的方法，其特征在于，所述获取电生理学特征，包括：获取电生理学数据；所述电生理学数据包含多个通道的肌电信号；对所述多个通道的肌电信号进行预处理；分别提取各通道的肌电信号的平均绝对偏差特征和均方根特征；根据所述多个通道的肌电信号确定协同收缩率；根据所述平均绝对偏差特征、所述均方根特征、所述协同收缩率确定电生理学特征。5.根据权利要求4所述的痉挛程度计算的方法，其特征在于，所述多个通道的肌电信号为来...
【专利技术属性】
技术研发人员：王晨，彭亮，侯增广，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。