【技术实现步骤摘要】
本专利技术涉及康复评估，尤其是指一种基于近红外光谱因效性脑网络的脑卒中康复分级评估方法。
技术介绍
1、我国脑卒中标化发病率和终身发病风险均居世界首位，随着我国老年化趋势的不断严重，逐年提高的发病率和居高不下的死亡率和致残率给家庭和社会带来了沉重的负担。
2、相关研究表明，科学有效的康复训练可使脑卒中患者恢复大部分生理机能，当下主流的康复方法由专业医师带动患者完成一系列训练动作，医师在训练过程中需根据患者恢复程度对训练策略做出实时调整。对于患者的病情等级划分，目前广泛采用基于量表的脑卒中康复评估方法，然而这种方法根据量表得分将病情等级按线性划分，缺少基于脑区信息的量化指标和非线性描述，导致脑卒中患者的康复等级评估不准。
技术实现思路
1、为此，本专利技术所要解决的技术问题在于克服现有技术中脑卒中康复分级评估缺少基于脑区信息的量化指标和非线性描述，导致脑卒中患者的康复等级评估不准的问题。
2、为解决上述技术问题，本专利技术提供了一种基于近红外光谱因效性脑网络的脑卒中康复分级评估方法，包括：
3、s1、采集患者运动相关脑区的近红外信号，预处理为包含脑部血氧信息的多通道时间序列；
4、s2、任一通道的时间序列依次与其他通道的时间序列进行两两平稳性检验，若两序列未通过平稳性检验，则继续进行两两协整性检验；
5、s3、分析通过平稳性检验和协整性检验的序列之间的格兰杰因果关系，构建因效性脑网络；
6、s4、基于所述因效性脑
7、s5、组合全局网络特征和局部网络特征为多维特征，输入智能学习模型，以脑卒中主观量表的分类结果为标签，对所述智能学习模型进行训练，得到脑卒中康复分级评估模型；
8、s6、根据患者的患病情况，选择患侧脑区提取的因效性脑网络特征作为局部网络特征，和全局网络特征一并输入所述脑卒中康复分级评估模型，得到患者的脑卒中康复等级。
9、在本专利技术的一个实施例中，s3中，所述分析通过所述平稳性检验和两两协整性检验的序列之间的格兰杰因果关系，构建因效性脑网络，包括：
10、任意选取两个序列x和序列y，建立序列x和序列y的自回归模型：
11、
12、
13、其中，p是自回归模型的阶数，ai、ci是自回归模型的模型系数，是预测误差；
14、分别在序列x和序列y的预测中加入另一序列的过去值，得到双变量自回归模型：
15、
16、
17、其中，aj、bj、cj、dj是双变量自回归模型的模型系数，是加入另一序列后的预测误差；
18、根据自回归模型和双变量自回归模型中的预测误差，计算序列x和序列y的格兰杰因果关系的量化值；
19、将序列x和序列y输入格兰杰因果检验函数，若序列x和序列y的检验结果大于等于预设阈值，则将序列x和序列y之间的格兰杰因果关系量化值二值化为1，反之则二值化为0；
20、重复上述步骤，直到任意两两序列之间的格兰杰因果关系量化值都二值化，得到因效性脑网络。
21、在本专利技术的一个实施例中，所述序列x和序列y的格兰杰因果关系的量化值的表达式为：
22、
23、
24、其中，fx→y表示序列x为原因，序列y结果的量化值，fy→x表示序列y为原因，序列x为结果的量化值。
25、在本专利技术的一个实施例中，s4中，所述因效性脑网络特征包括节点度、连接数、聚类系数、全局效率。
26、在本专利技术的一个实施例中，所述节点度表示因效性脑网络中一个节点通过一条边相连的节点数目，公式为：
27、k＝∑rwv
28、其中，k表示节点的节点度，rwv表示因效性脑网络邻接矩阵中w行v列对应的元素，当节点w和节点v直接相连时，rwv为1，反之则为0。
29、在本专利技术的一个实施例中，所述连接数表示因效性脑网络中边的数量，公式为：
30、c＝∑[rwv]n×n,w,v＝1,2,…n
31、其中，c表示因效性网络中的连接数，当节点w和节点v直接相连时，rwv为1，反之则为0，n为网络节点个数。
32、在本专利技术的一个实施例中，所述聚类系数表示因效性脑网络中节点的聚集程度，公式为：
33、
34、其中，ccv表示节点v的聚类系数，k表示节点v所有相邻节点的个数，n表示节点v所有相邻节点间相互连接的边的数目。
35、在本专利技术的一个实施例中，所述全局效率表示因效性脑网络内部的连通程度和网络中信息传输的难易度，公式为：
36、
37、其中，swv表示因效性脑网络中从节点w到节点v的最短路径，n为网络节点个数。
38、在本专利技术的一个实施例中，s1中，采集近红外信号的运动相关脑区以布罗德曼脑功能区域划分为标准，选取ba4和ba6两个区域作为采集区域。
39、在本专利技术的一个实施例中，s1中，将患者运动相关脑区的近红外信号，预处理为包含脑部血氧信息的多通道时间序列，包括：对原始近红外信号进行带通滤波处理，滤除噪声，再进行归一化，得到包含脑部血氧信息的多通道时间序列。
40、本专利技术的上述技术方案相比现有技术具有以下优点：
41、本专利技术所述的一种基于近红外光谱因效性脑网络的脑卒中康复分级评估方法，通过采集患者相关脑区的近红外信号，采用格兰杰因果分析构建因效性脑网络，从统计学逻辑上分析了大脑各区域间互相影响的关系，并从全局和局部两个视角提取网络特征，输入到脑卒中康复分级评估模型中进行康复等级识别。本专利技术通过构建贴合大脑生理机制的网络模型，结合全局特征和局部特征两个视角提取脑功能网络特征，不仅能够分析不同病情间的特征差异性，并且局部特征的加入进一步反映了患侧脑区间功能连接情况，提高了脑卒中康复分级评估模型的分类准确度，进而提高了的对患者康复等级评估的准确度，方便医患更加科学地评估患者的病情程度，为患者的训练策略自适应调整提供了理论支撑。
本文档来自技高网...【技术保护点】
1.一种基于近红外光谱因效性脑网络的脑卒中康复分级评估方法，其特征在于，包括：
2.根据权利要求1所述的一种基于近红外光谱因效性脑网络的脑卒中康复分级评估方法，其特征在于，S3中，所述分析通过所述平稳性检验和两两协整性检验的序列之间的格兰杰因果关系，构建因效性脑网络，包括：
3.根据权利要求2所述的一种基于近红外光谱因效性脑网络的脑卒中康复分级评估方法，其特征在于，所述序列X和序列Y的格兰杰因果关系的量化值的表达式为：
4.根据权利要求1所述的一种基于近红外光谱因效性脑网络的脑卒中康复分级评估方法，其特征在于，S4中，所述因效性脑网络特征包括节点度、连接数、聚类系数、全局效率。
5.根据权利要求4所述的一种基于近红外光谱因效性脑网络的脑卒中康复分级评估方法，其特征在于，所述节点度表示因效性脑网络中一个节点通过一条边相连的节点数目，公式为：
6.根据权利要求4所述的一种基于近红外光谱因效性脑网络的脑卒中康复分级评估方法，其特征在于，所述连接数表示因效性脑网络中边的数量，公式为：
7.根据权利要求4所述的一种基于
8.根据权利要求4所述的一种基于近红外光谱因效性脑网络的脑卒中康复分级评估方法，其特征在于，所述全局效率表示因效性脑网络内部的连通程度和网络中信息传输的难易度，公式为：
9.根据权利要求1所述的一种基于近红外光谱因效性脑网络的脑卒中康复分级评估方法，其特征在于，S1中，采集近红外信号的运动相关脑区以布罗德曼脑功能区域划分为标准，选取BA4和BA6两个区域作为采集区域。
10.根据权利要求1所述的一种基于近红外光谱因效性脑网络的脑卒中康复分级评估方法，其特征在于，S1中，将患者运动相关脑区的近红外信号，预处理为包含脑部血氧信息的多通道时间序列，包括：对原始近红外信号进行带通滤波处理，滤除噪声，再进行归一化，得到包含脑部血氧信息的多通道时间序列。
...【技术特征摘要】
1.一种基于近红外光谱因效性脑网络的脑卒中康复分级评估方法，其特征在于，包括：
2.根据权利要求1所述的一种基于近红外光谱因效性脑网络的脑卒中康复分级评估方法，其特征在于，s3中，所述分析通过所述平稳性检验和两两协整性检验的序列之间的格兰杰因果关系，构建因效性脑网络，包括：
3.根据权利要求2所述的一种基于近红外光谱因效性脑网络的脑卒中康复分级评估方法，其特征在于，所述序列x和序列y的格兰杰因果关系的量化值的表达式为：
4.根据权利要求1所述的一种基于近红外光谱因效性脑网络的脑卒中康复分级评估方法，其特征在于，s4中，所述因效性脑网络特征包括节点度、连接数、聚类系数、全局效率。
5.根据权利要求4所述的一种基于近红外光谱因效性脑网络的脑卒中康复分级评估方法，其特征在于，所述节点度表示因效性脑网络中一个节点通过一条边相连的节点数目，公式为：
6.根据权利要求4所述的一种基于近红外光谱因效性脑网络的脑卒中康复分级评估方法，其特征在...
【专利技术属性】
技术研发人员：郭浩，顾志浩，齐菲，周涛，李春光，田波平，孙立宁，
申请(专利权)人：苏州大学，
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。