技术摘要：
本发明属于数据分析领域，具体涉及一种脑卒中患者运动功能检测系统、方法、装置。本发明系统基于被测对象手臂的多个运动片段的运动学和生理学模态的数据，利用运动协同分析方法和多模态数据融合技术，通过三个分类器进行递进分类，实现了对脑卒中偏瘫患者的运动功能进  全部
背景技术：
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的功能结构受 损的急性脑血管疾病，大多数患者会产生不同程度的运动功能障碍，其中上肢运动功能障 碍的发生率最高，严重影响其生活自理能力，给家庭和社会带来沉重的负担。研究表明，脑 卒中患者需要通过长期的运动康复训练促进脑部损伤中枢神经与肢体之间的联系，从而实 现对肢体行为的有效控制。运动功能评价作为康复训练流程中的基础环节，客观准确的评 估结果可以为制定合理有效的康复训练计划提供有效依据，因此对脑卒中患者的运动功能 进行全面的评定具有重要的意义。 目前临床上常用的脑卒中运动功能评价方法有Brunnstrom运动功能恢复6级分期 法、Fugl-Meyer运动功能评价法和改良Ashworth痉挛评定量表等。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。因此急需开发出功能强大的自动化评 价系统，实现对患者运动功能的客观的量化评价，从而使患者的康复训练计划更具有针对 性并且更有助于恢复。 近年来，国内外大多数关于运动功能评价的研究都基于数据驱动的机器学习方 法，可以准确识别异常的运动模式，而且对于未知的运动学数据也具有一定的泛化能力，但 是这类方法从本质上属于定性的分析方法，无法准确描述不同运动模式之间差异性的定量 信息。针对运动功能定量评估的问题，一些文献中利用单一模态的传感器数据信息从某一 特定的方面来反映受试者的上肢运动模式，得到的量化评估结果不够全面。 本发明为克服上述存在的问题，将定性分析方法和定量分析方法的优势结合起 来，从运动层面分析了单关节的空间够取轨迹和多关节之间的协同信息，从肌肉活动层面 分析了单块肌肉的收缩模式以及多肌肉之间的协同信息，最后将不同模态的数据有效地融 合在一起，实现对脑卒中患者运动功能的全面分析，同时生成一种基于概率的自定义得分 用于定量评价患者的上肢运动能力。
技术实现要素：
为了解决现有技术中的上述问题，即为了解决现有脑卒中患者运动功能检测方法 无法得到全面的量化结果的问题，本发明的第一方面，提出了一种脑卒中患者运动功能检 测系统，包括第一分类模块、第二分类模块、第三分类器； 所述第一分类模块，配置为基于每个运动片段的输入向量 和 通过第一分类 器分别得到对应每个运动片段运动学和肌肉活动层面的属于设定类别的第一预测概率 4 CN 111544004 A 说　明　书 2/9 页 和 其中 包含对应运动片段的腕部轨迹与预设的标准最小急动度轨迹之间的偏差的 均值MVd和标准差SDd、肘部、腕部及手部的运动特征DAMVe,DAMVw和DAMVh， 包含每个运动片 段中对应肌电信号的信号幅值的平均绝对值MAVm和标准差SDm； 所述第二分类模块，配置为基于输入向量 和 通过第二分类器分别得到每个 运动片段运动学和肌肉活动层面的属于设定类别的第二预测概率 和 其中 包含 及ψk， 包含 及ψm；ψk和ψm分别为按照设定的规则计算各运动片段中运动协同异常程度 与肌肉协同的异常程度； 所述第三分类器，配置为利用SVM融合算法来对第二决策 和 进行融合，得到 属于设定类别的第三预测概率，并作为最终的预测结果。 在一些优选的实施方式中，该系统还包括数据获取单元； 所述数据获取单元，配置为获取执行设定检测任务过程中，被测对象手臂的多个 运动片段的运动学模态数据和生理学模态数据，作为第一数据。 在一些优选的实施方式中，该系统还包括第一计算单元、第二计算单元、第三计算 单元、第四计算单元； 所述第一计算单元，配置为基于所述第一数据，获取每个运动片段中腕部轨迹Xa 与预设的标准最小急动度轨迹Xs之间的偏差 并计算每个运动片段中偏差 的均值MVd和 标准差SDd； 所述第二计算单元，配置为基于所述第一数据，分别获取每个运动片段中肘部、腕 部及手部的运动特征DAMVe,DAMVw和DAMVh； 所述第三计算单元，配置为基于所述第一数据，分别提取每个运动片段中对应肌 电信号的信号幅值的平均绝对值MAVm和标准差SDm； 所述第四计算单元，配置为基于所述第一数据及预设的健康数据，按照设定的规 则计算各运动片段中运动协同异常程度ψk与肌肉协同的异常程度ψm。 在一些优选的实施方式中，运动协同异常程度ψk和/或肌肉协同的异常程度ψm的计 算方法为： 其中，S1和S2分别代表了被测对象和预设的健康人数据中提取的运动协同，σi和λi 分别是两个相关矩阵的第i个特征向量ui和vi对应的特征值。 在一些优选的实施方式中，所述运动学模态数据的采集位置包括：第二掌骨根部、 第五掌骨根部、桡骨茎突、尺骨茎突、前臂外侧中部、桡骨头、尺骨鹰嘴、肱骨中部外侧、肱骨 头、肩峰、肩胛骨上角。 在一些优选的实施方式中，所述生理学模态数据的采集部位包括：旋前圆肌、肱二 头肌、肱三头肌、三角肌前中后部、胸大肌、上斜方肌、肱桡肌、指伸肌。 在一些优选的实施方式中，所述运动片段为，被测对象执行设定检测任务过程中， 5 CN 111544004 A 说　明　书 3/9 页 每次抓取或够取动作。 在一些优选的实施方式中，所述运动片段中，每次抓取或够取动作的起始点为手 部运动速度初次超过设定值的位置，结束标志为手部返回所述起始点。 本发明的第二方面，提出了一种脑卒中患者运动功能检测方法，括以下步骤： 步骤S100，获取执行设定检测任务过程中，被测对象手臂的多个运动片段的运动 学和生理学模态的数据，作为第一数据； 步骤S200，基于所述第一数据，获取每个运动片段中腕部轨迹Xa与预设的标准最 小急动度轨迹Xs之间的偏差 并计算每个运动片段中偏差 的均值MVd和标准差SDd； 步骤S300，基于所述第一数据，分别获取每个运动片段中肘部、腕部及手部的运动 特征DAMVe,DAMVw和DAMVh； 步骤S400，基于所述第一数据，分别提取每个运动片段中对应肌电信号的信号幅 值的平均绝对值MAVm和标准差SDm； 步骤S500，基于所述第一数据及预设的健康数据，按照设定的规则计算各运动片 段中运动协同异常程度ψk与肌肉协同的异常程度ψm； 步骤S600，基于输入向量 和 通过第一分类器分别得到每个运动片段运动学 和肌肉活动层面的第一预测概率 和 其中 包含MVd、SDd、DAMVe、DAMVw和DAMVh特征， 包含10个通道肌电信号的MAVm和SDm特征； 步骤S700，基于输入向量 和 通过第二分类器分别得到每个运动片段运动学 和肌肉活动层面的第二预测概率 和 其中 包含 及ψk特征， 包含 及ψm特征； 步骤S800，利用SVM融合算法来对第二决策 和 进行融合，得到第三预测概率， 并作为最终的预测结果。 本发明的第三方面，提出了一种存储装置，其中存储有多条程序，所述程序适于由 处理器加载并执行以实现上述的一种脑卒中患者运动功能检测方法。 本发明的第四方面，提出了一种处理装置，包括处理器、存储装置；处理器，适于执 行各条程序；存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述 的一种脑卒中患者运动功能检测方法。 本发明的有益效果： 本发明利用运动协同分析方法和多模态数据融合技术对脑卒中偏瘫患者的运动 功能进行全面的分析，同时生成一种基于概率的自定义得分用于定量评估患者的上肢运动 能力，可以准确的对脑卒中患者运动功能进行检测。 附图说明 通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它 特征、目的和优点将会变得更明显： 图1是本发明一种实施例的脑卒中患者运动功能检测方法流程示意图。 6 CN 111544004 A 说　明　书 4/9 页