基于可穿戴计算的脑卒中健康评估方法、装置及电子设备制造方法及图纸

本发明专利技术公开了一种基于可穿戴计算的脑卒中健康评估方法、装置及电子设备。其中，方法包括：通过多个惯性测量装置采集评估对象的运动数据，其中所述多个惯性测量装置分别布设于所述评估对象的不同部位；基于所述多个惯性测量装置采集的运动数据，计算所述评估对象的各个关节的关节角度；基于关节角度的计算结果和临床采集的多例患者数据，构建深度学习模型；通过构建的深度学习模型，对所述评估对象进行多维度的量化评估，并基于多维度的量化评估结果确定所述评估对象的脑卒中等级。确定所述评估对象的脑卒中等级。确定所述评估对象的脑卒中等级。

【技术实现步骤摘要】
基于可穿戴计算的脑卒中健康评估方法、装置及电子设备


[0001]本专利技术涉及健康指数计算、医疗自动化诊断及传感器
，并且更具体地，涉及一种基于可穿戴计算的脑卒中健康评估方法、装置及电子设备。

技术介绍

[0002]脑卒中是由脑部血管突然破裂或血管阻塞导致血液不能流入大脑而引起脑组织损伤的一组疾病，是中国居民第一大死因，具有高发病率、高死亡率、高致残率、高复发率和高经济负担五大特点，给患者本人、家庭、国家和社会均带来沉重的负担。可穿戴计算是一种“以人为本”的新型计算模式，强调以自然穿戴的方式提供计算功能，通过融合信息空间和物理空间，为用户提供随时随地的服务，提供人机之间自然、方便和直接的交互。目前，伴随着人工智能技术的发展，可穿戴计算已逐步普及，并广泛应用于帕金森病、阿尔兹海默症和脑卒中等各类疾病的诊疗中。
[0003]现有脑卒中患者分级评估方案主要可分为基于临床经验的评估方案和自动化评估方案两种。其中，基于临床经验的评估方案又可分为以肌力变化和整体运动模式为标准的两种方案。以肌力变化为标准的方案又称为徒手肌力检查法，要求受试者在特定的体位下，分别在减重力、抗重力和抗阻力的条件下完成标准动作，测试者同时通过触摸肌腹、观察肌肉的运动情况和关节的活动范围以及克服阻力的能力，来确定肌力的大小。整体运动模式为标准的方案包括布氏分期评估法、Fugl
‑
Meyer评定法、Carroll双上肢功能测试等，其中布什分期评估法具有可靠、有效、简单、易用的优势，是临床诊疗中最常用的评估方法。
[0004]除基于临床经验的评估方案外，随着人工智能技术的发展，很多研究者也开始探索自动化的评估方案。常用的自动化评估方案常使用脑部电子计算机断层扫描(Computed Tomography，CT)、核磁共振成像(Nuclear Magnetic Resonance Imaging，MRI)、脑电(Electroencephalogram，EEG)、肌电(Electromyography，EMG)等影像、电生理信号或多模态融合信号，实现脑卒中的分级量化评估。
[0005]上述基于临床经验的评估方案和基于影像、电生理信号的自动化评估方案主要面临以下三个方面的不足，包括：
[0006](1)基于临床经验的评估方案易医师主观经验影响，客观程度低，需专业医护人员参与；
[0007](2)基于影像、电生理信号的自动化评估方案信号采集费用高，如一次CT一般需要300
‑
1000元人民币；
[0008](3)基于影像、电生理信号的自动化评估方案还面临信号质量易受环境影响的问题，影像、电生理信号鲁棒性差。
[0009]因此，以上方案常面临信号采集费用高、信号质量易受使用环境影响等问题。

技术实现思路

[0010]针对现有技术的不足，本专利技术提供一种基于可穿戴计算的脑卒中健康评估方法、
装置及电子设备。
[0011]根据本专利技术的一个方面，提供了一种基于可穿戴计算的脑卒中健康评估方法，包括：
[0012]通过多个惯性测量装置采集评估对象的运动数据，其中所述多个惯性测量装置分别布设于所述评估对象的不同部位；
[0013]基于所述多个惯性测量装置采集的运动数据，计算所述评估对象的各个关节的关节角度；
[0014]基于关节角度的计算结果和临床采集的多例患者数据，构建深度学习模型；
[0015]通过构建的深度学习模型，对所述评估对象进行多维度的量化评估，并基于多维度的量化评估结果确定所述评估对象的脑卒中等级。
[0016]优选地，所述评估对象的各个关节包括膝关节、肘关节和肩关节，其中膝关节和肘关节属于铰链关节，肩关节属于球面关节；并且
[0017]基于所述多个惯性测量装置采集的运动数据，计算所述评估对象的各个关节的关节角度的操作，包括：
[0018]基于所述多个惯性测量装置采集的运动数据，采用预设的铰链关节角度算法，确定膝关节和肘关节的关节角度；
[0019]基于所述多个惯性测量装置采集的运动数据，采用预设的球面关节角度算法，确定肩关节的关节角度。
[0020]优选地，基于关节角度的计算结果和临床采集的多例患者数据，构建深度学习模型的操作，包括：
[0021]基于关节角度的计算结果和临床采集的多例患者数据，构建训练数据集；
[0022]对构建的训练数据集进行预处理；
[0023]根据预处理后的训练数据集的数据量和数据特点，使用对应的深度学习网络，构建深度学习模型。
[0024]优选地，构建深度学习模型之后，所述方法还包括：
[0025]通过多个惯性测量装置采集评估数据；
[0026]对所述评估数据进行预处理；
[0027]将预处理后的评估数据输入构建的深度学习模型，计算评估对象上肢、下肢、手部、站立平衡和坐位平衡的布什分期结果。
[0028]根据本专利技术的另一个方面，提供了一种基于可穿戴计算的脑卒中健康评估装置，包括：
[0029]运动数据采集模块，用于通过多个惯性测量装置采集评估对象的运动数据，其中所述多个惯性测量装置分别布设于所述评估对象的不同部位；
[0030]关节角度计算模块，用于基于所述多个惯性测量装置采集的运动数据，计算所述评估对象的各个关节的关节角度；
[0031]模型构建模块，用于基于关节角度的计算结果和临床采集的多例患者数据，构建深度学习模型；
[0032]脑卒中健康评估模块，用于通过构建的深度学习模型，对所述评估对象进行多维度的量化评估，并基于多维度的量化评估结果确定所述评估对象的脑卒中等级。
[0033]优选地，所述评估对象的各个关节包括膝关节、肘关节和肩关节，其中膝关节和肘关节属于铰链关节，肩关节属于球面关节；并且
[0034]所述关节角度计算模块，包括：
[0035]第一关节角度确定子模块，用于基于所述多个惯性测量装置采集的运动数据，采用预设的铰链关节角度算法，确定膝关节和肘关节的关节角度；
[0036]第二关节角度确定子模块，用于基于所述多个惯性测量装置采集的运动数据，采用预设的球面关节角度算法，确定肩关节的关节角度。
[0037]优选地，所述模型构建模块，包括：
[0038]数据集构建子模块，用于基于关节角度的计算结果和临床采集的多例患者数据，构建训练数据集；
[0039]第一预处理子模块，用于对构建的训练数据集进行预处理；
[0040]模型构建子模块，用于根据预处理后的训练数据集的数据量和数据特点，使用对应的深度学习网络，构建深度学习模型。
[0041]优选地，所述模型构建模块，还包括：
[0042]评估数据采集子模块，用于通过多个惯性测量装置采集评估数据；
[0043]第二预处理子模块，用于对所述评估数据进行预处理；
[0044]布什分期结果计算子模块，用于将预处理后的评估数据输入构建的深度学习本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于可穿戴计算的脑卒中健康评估方法，其特征在于，包括：通过多个惯性测量装置采集评估对象的运动数据，其中所述多个惯性测量装置分别布设于所述评估对象的不同部位；基于所述多个惯性测量装置采集的运动数据，计算所述评估对象的各个关节的关节角度；基于关节角度的计算结果和临床采集的多例患者数据，构建深度学习模型；通过构建的深度学习模型，对所述评估对象进行多维度的量化评估，并基于多维度的量化评估结果确定所述评估对象的脑卒中等级。2.根据权利要求1所述的方法，其特征在于，所述评估对象的各个关节包括膝关节、肘关节和肩关节，其中膝关节和肘关节属于铰链关节，肩关节属于球面关节；并且基于所述多个惯性测量装置采集的运动数据，计算所述评估对象的各个关节的关节角度的操作，包括：基于所述多个惯性测量装置采集的运动数据，采用预设的铰链关节角度算法，确定膝关节和肘关节的关节角度；基于所述多个惯性测量装置采集的运动数据，采用预设的球面关节角度算法，确定肩关节的关节角度。3.根据权利要求1所述的方法，其特征在于，基于关节角度的计算结果和临床采集的多例患者数据，构建深度学习模型的操作，包括：基于关节角度的计算结果和临床采集的多例患者数据，构建训练数据集；对构建的训练数据集进行预处理；根据预处理后的训练数据集的数据量和数据特点，使用对应的深度学习网络，构建深度学习模型。4.根据权利要求3所述的方法，其特征在于，构建深度学习模型之后，所述方法还包括：通过多个惯性测量装置采集评估数据；对所述评估数据进行预处理；将预处理后的评估数据输入构建的深度学习模型，计算评估对象上肢、下肢、手部、站立平衡和坐位平衡的布什分期结果。5.一种基于可穿戴计算的脑卒中健康评估装置，其特征在于，包括：运动数据采集模块，用于通过多个惯性测量装置采集评估对象的运动数据，其中所述多个惯性测量装置分别布设于所述评估对象的不同部位；关节角度计算模块，用于基于所述多个惯性测量装置采集的运动数据，计算所述评估对象的各个关节的关节...

【专利技术属性】
技术研发人员：刘海，
申请(专利权)人：北京海迩西医疗科技有限公司，
类型：发明
国别省市：