文摘

中风患者的康复是一个长期的过程。实现自动化和量化中风患者的上肢康复评估,一个自动康复评价规模的预测模型建立了极端学习机(ELM)根据Fugl-Meyer运动机能评估(FMA)。四运动的肩部和肘部关节菲利普-马萨被选中。两个加速度传感器固定前臂和上臂的偏瘫的一侧被用来收集35岁患者的运动数据。预处理和特征提取后,基于遗传算法进行特征选择和榆树,和点动模式,全面建立了预测模型,分别。结果表明,该模型能准确、自动预测菲利普-马萨的肩部和肘部的分数,以及预测的均方根误差为2.16。这个方法突破主体性的局限性,耗时和依赖康复医生在传统的评估。它可以很容易地用于长期康复的评估。

1。介绍

随着生活水平的提高和人口的老龄化,中风的发病率正在上升,往往是更年轻。大约70%到85%的第一次中风患者偏瘫(1]。据统计,在中国每年将增加50万名中风患者200万,100万20万至100万50万人死于中风相关的疾病,和700万年卒中后幸存下来,剩下的75%在不同程度的残疾,40%是严重残疾(2]。这个高发病率、高死亡率和伤残率高带来沉重的精神压力和实质性的社会和家庭的经济负担。

与下肢相比,上肢运动是更精致,经济复苏缓慢。因此,上肢运动功能康复的卒中后一直是一个重要的问题。中风患者不能达到五分之一上肢功能的完全恢复3]。远程医疗技术的发展,康复机器人技术和虚拟现实技术,家庭康复已经吸引了越来越多的关注(4- - - - - -8]。文献报道,家庭康复住院康复可以达到相同的效果(9]。然而,有效的监测和评价患者家庭康复的进度和功能状态,帮助康复医生进一步制定个性化的康复治疗方案一直是家庭康复的发展的瓶颈。

目前,Fugl-Meyer规模是应用最广泛的方法来评估中风偏瘫的运动机能的诊所。它要求病人执行一系列动作。它取决于评估者的手无寸铁的操作和观察检查肢体反射状态,弯曲和扩展合作的运动,在不同恢复阶段和选择性分离运动,属于主观评价。许多应用研究表明,规模是敏感的和可靠的,但许多项目。评估是耗时的,需要治疗或康复医生的参与,这在一定程度上限制了其应用在家庭康复(10- - - - - -12]。因此,理想的评价方法在家庭康复治疗是简单、客观、定量自动评估。无线身体传感器网络由多个传感器节点可以实现电动机的自动化和量化评价函数。许多研究在国外已经使用它为家庭监测老年人和慢性病患者。通过研究169名中风患者,Uswatte et al。13,14)发现,加速度传感器可以捕捉临床信息反映上肢运动功能障碍的程度。帕特尔et al。15)使用加速度传感器来自动估计沃尔夫运动功能测试的分数(WMFT-FAS)。然而,很少有报道的组合运动传感器和临床评价量表在中国。

进一步自动化和量化的评估家庭康复的基础上,我们提出一个方法来实现一个自动评估rugl Meyer规模使用个加速器传感器,希望更多的客观、定量地反映病人的上肢运动功能状态。自动算法可以更快速、准确地评估患者,并收集相关数据,以方便改变治疗计划,使更积极的治疗措施。选择四个动作的肩部和肘部关节上肢Fugl-Meyer评估(UE-FMA)。病人的运动数据收集与两个加速度传感器固定在前臂和上臂患者的偏瘫的一面。自动评分的预测模型的肩部和肘部关节UE-FMA建立了基于遗传算法和极端的学习机器。

2。相关算法

2.1。极端的学习机器

极端学习机(ELM)是一个单隐层前馈神经网络学习算法提出了黄等。16]。其隐层节点参数(内部重量和偏见)是随机选择的,和外部网络获得的最小二乘解的重量最小化平方损失函数。网络参数的确定过程不需要任何迭代步骤,这极大地改善了操作速度(图1)。榆树算法简单、容易,克服了训练速度慢的缺点,传统的神经网络容易陷入局部优化基于梯度下降的方法。其网络结构和工作原理如下:

给定训练样本集和隐层神经元的数量,有 ,这样:

地点: 节点参数;代表外部连接我隐层节点和网络输出,和g是激活函数。

方程方程(1)写成矩阵形式如下:

中:

H叫做隐层输出矩阵。

考虑到预测误差,方程(2可以修改为:

平方损失函数定义:

通过这种方式,培训的榆树网络参数问题转化为最小平方损失函数的问题。有必要找到一组最优参数J最低。激活函数g是无限可微时,隐层节点参数随机选择一开始的训练,在训练的过程。外部的重量可以通过求解方程(6由最小二乘法)。

2.2。遗传算法

遗传算法是一种自适应概率搜索方法,模拟了自然遗传机制和生物进化过程。固有的,隐含的并行性和全局优化能力。弦空间映射的问题,代表了一种潜在的解集的人口问题,问题的解决方案作为一个染色体,即个体的人,消除了适者基于适应度函数。进化遗传算法实现人口通过一系列操作产生新的后代。标准遗传算子包括选择算子、交叉算子和变异算子。遗传算法的操作流程由以下步骤组成。(1)代码:解决方案的数据解决方案空间表示为遗传空间的基因型串结构数据。字符串数据的不同组合代表问题的其他解决方案。典型的编码方法是二进制编码,灰色编码,浮点编码(2)种群初始化:确定人口大小为N,交叉概率 ,变异概率 ,和终止进化标准,随机生成N个人作为初始种群 ,设置当前进化代数k = 0和最大进化代数T(3)计算适应度值:健身价值代表个人或解决方案的优点和缺点。不同的健身功能定义为各种问题和健身价值每个单独的k一代人口根据适应度函数计算(4)遗传操作:选择算子、交叉算子和变异算子作用于当前人口实现进化

检查终止条件:如果遗传代数满足终止条件,计算终止,而最好的个体在当前人口输出作为最终满意的解决方案;否则,k = k + 1,转到步骤(3)

3所示。材料和方法

3.1。实验设计和数据采集

总共35中风住院病人的神经外科,盐城第一人民医院参加了实验。我们医院的伦理委员会批准了实验。表1显示了患者的基本数据。

录取标准是:1)中风的临床诊断符合诊断标准由第四届全国脑血管会议制定的中国医学协会于1995年,是经头颅CT或MRI;2)发病时间不超过两年,和偏瘫的一侧上肢自治运动的能力。

排除标准:1)患者认知障碍,无法配合;2)伴有上肢或树干疼痛和影响积极的运动。

首先,康复医师,多年的临床经验UE-FMA用来评估对象。UE-FMA包括33项,每项得分为0 ~ 2,0为不完整,1部分完成,并为顺利完成2,包括15个项肩部和肘部关节,共有30点。康复医师给0分,1或2通过观察每个任务的完成,和每个分数的总得分的总和。四运动的肩部和肘部关节选择:1)向前肩关节屈曲;2)绑架肩关节;3)肘弯曲,前臂旋后;4)手触摸腰椎作为收集行动(图2)。的选择行为是基于康复医生的临床经验和bmrmstiwn六级的标准检测方法评价方法。简化Fugl-Meyer量表(S-FMA)由谢长廷et al。17)基本上是符合行为选择在这个研究。S-FMA已经验证的可靠性和有效性。这反映了行为选择的有效性在这项研究在一定程度上。

无线身体传感器网络系统由两个三轴加速度传感器节点和一个接收节点用于数据采集。加速度传感器的灵敏度是±6 g和采样率是40 Hz。在收购过程中,两个传感器节点固定前臂和上臂的偏瘫患者,;c-axis手臂平行,如图1。对四个选择的行为,病人会1 ~ 2次康复医师的指导下,然后开始正式收藏。每个操作会重复3 ~ 5次根据病人的身体状况。病人的行动无线加速度传感器将采集的数据通过无线个域网传输到PC客户端完成可视化和分类存储的数据。

3.2。Fugl-Meyer肩部和肘部分数预测模型

经过预处理,特征提取,特征选择,原始数据输入到榆树模型中。首先,建立一个行动的预测模型,然后回归的预测结果之间的关系一个行动和医生建立的分数获得综合预测模型。图3显示了该算法的整个过程。

3.3。特征提取

收集到的原始信号过滤,九分中值滤波去除衣物摩擦造成的干扰,传感器松动和无线信道噪声。然后,根据实验和理论分析和经验,一些统计特性(如振幅、平均值、均方根、近似熵,等等)和物理特性(如能量特性、速度和角度)从过滤信号中提取。完成这些特性反映了病人的上肢运动在某种程度上,包括振幅、速度、平滑度和协调运动。提取的所有功能如表所示2。

AMP, RMS,混蛋,均值和ApEn计算,分别对6通道(2节点和3轴加速度传感器),和其他特性分别计算每个节点的加速度传感器。角之间的角度χ轴和垂直方向。近似熵是衡量时间序列的复杂性,它可以反映出不规则的运动。速度是加速时间的积分。能量特征的计算公式和均方根值如下:

其中n是序列长度。X, Y, Z代表部分的数量在三轴加速度。

3.4。特征选择

42所有特性提取编码成二进制字符串的长度42“0”和“1”组成的。每个二进制位代表一个功能特性集,这一点是1,代表相应的特征子集,0表示相应的功能不在于所选特征子集。设置初始种群大小N = 50,最大迭代次数T = 100,交叉概率= 0.6,变异概率= 0.01。榆树学习算法引入适应度函数的设计;建立了榆树预测模型基于相对应的特征子集 。模型的预测误差是一个重要的评价指标的个人健身人群中。预测误差越小,个人健身价值越高。10折交叉验证用于估计预测误差。适应度函数的设计如下:

在哪里代表10折交叉验证的结果预测误差的榆树模型建立了相应的个人特征子集 。确定适应度函数后,演化过程进行根据种群中每个个体的健身价值。经过反复迭代的选择、交叉和变异,个人拥有大型健身价值不断发现,直到满足终止条件,如图4。在遗传算法中,采用保持最佳的健康个体的策略,也就是说,最高的个人健身价值直接纳入下一代人口没有选择、交叉和变异操作。

4所示。结果与讨论

最优特性集选择对于每一个行动是自变量,和相应的分数是因变量。正常化后,输入到榆树模型。选择s型函数作为激活函数和隐层节点的数量设置为10。首先,使用一个行动来预测Fugl-Meyer的肩部和肘部关节得分,然后考虑Fugl-Meyer规模是一个标准的规模已经多年临床验证,其行动之间并没有相关性。用一个动作的数据来预测总分必然会带来大的错误,和预测结果的加权平均的四个动作就能更准确地预测UE-FMA的肩部和肘部的分数。因此,对于每个病人,单一动作之间的回归关系建立了预测结果和医生的分数获得最后的综合预测模型,并综合预测结果与单一动作的预测结果进行比较。图5显示单动模型和综合模型的预测结果对35个病人使用离开一个主题交叉验证(即以一个病人为测试集,其余依次为训练集)。可以看出,综合预测的误差相对较小,集中与单一动作的预测。表3列出了均方根误差(RMSE)和预测误差的标准差(STD) 35个病人。RMSE值预测的四singl行动是近10%的总分(30分)。综合预测模型,预测RMSE值可以减少到2.6分,占总分的7.2%,也就是不到任何单一动作的预测误差。综合预测误差的标准差也最小,表明综合预测模型更稳定,这与图一致5。

松林et al。18)确定最低可检测的变化(MDC) Fugl-Meyer上肢运动功能评定量表是7.2分,占总分的10.9%。MDC是最低阈值来确定是否改变超过随机测试误差,随机误差是经常引起不同评价者的评价标准的不同理解或不同的评估时间和空间。争取民主变革运动反映了临床应用评价误差的容许范围规模在一定程度上。综合预测模型的预测误差提出了UE-FMA的肩部和肘部得分是2.16分,占总分的7.2%。在这个范围内,它表明临床结果是可以接受的。

帕特尔的团队(15,19)已经做了很多研究的使用运动传感器在临床评估,但他们主要关注狼运动功能测试(WMFT);他们使用了六个加速度节点收集数据,选择单个WMFT行动,并建立多元线性回归模型预测Fugl-Meyer规模的肩部和肘部的分数。的最小预测误差是2.35分。相同的采集装置是用于选择8 WMFT行为自动预测Fugl-Meyer量表的得分。然而,WMFT通常需要高运动协调能力,需要特定的工具完成测试。在中国是很少使用在临床实践中,它是困难的对病人完成康复回家。我们的研究直接从Fugl-Meyer选择行动的规模,使用更少的传感器节点规模预测Fugl-Meyer的肩部和肘部的分数,并获得更准确的预测结果。与WMFT相比,行为选择从规模Fugl-Meyer可以直接完成病人没有任何额外的实验条件,在家庭康复评价更容易实现。

在家庭康复或社区康复,患者可以准确记录的实际情况上肢运动功能在训练穿加速度传感器,并反馈到远程康复医生帮助医生制定个性化的和专业的康复治疗计划,以便最大化上肢运动功能的恢复。它还可以用来评估不同的康复治疗技术的功效。然而,这仍然是一个缺乏评估手腕和手的功能。在未来的工作中,传感器,能反映手腕和手功能状态(如弯曲传感器)将被用来收集他们的手和手腕运动数据,并将建立一个模型来预测Fugl-Meyer手腕和手部分的分数,以便更全面、仔细地反映病人的整个上肢运动功能。在未来,将使用其他深度学习模型(20.,21]。

5。结论

本研究结合了运动传感器临床评价量表,并使用四个动作准确、自动预测UE-FMA的肩部和肘部关节得分,突破主体性和耗时的传统评价的局限性和康复医生或治疗师的依赖。最初显示加速度传感器可用于自动预测肩部和肘部的分数Fugl-Meyer上肢运动功能评定量表,使自动化、客观化,康复的定量评估。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

资金

这项研究没有得到财政支持。