一种用于偏瘫患者肢体功能障碍自动评估的方法

1.本发明涉及肢体功能障碍评估领域，具体涉及一种用于偏瘫患者肢体功能障碍自动评估方法。


背景技术：

2.脑卒中是一种高发的脑血管疾病，具有发病率高、死亡率高和致残率高的特点，是中国成年人残疾的首要原因。70％-80％的脑卒中患者存在偏瘫，临床主要表现为单侧肢体功能障碍。
3.目前，临床上主要基于量表、查体、影像学检查等方式对偏瘫患者进行肢体功能障碍评估。临床常见的查体数据有肌力、肌张力及关节活动度，它们反映了患者的主动运动时肌肉的激活程度以及痉挛程度，可从不同角度反映出偏瘫患者的肢体功能障碍程度。临床常用的量表有日常生活能力(activity of daily living scale，adl)量表、移动能力评估(modified rivermead mobility index scale，mrmi)量表、berg(berg balance scale，bbs)量表、fugl-meyer(fugl-meyer assessment scale，fma)运动功能量表、功能步行能力(functional ambulation category scale，fac)量表、功能独立性(functional independent measure scale，fim)量表、holden步行功能量表、bobath平衡量表和brunnstrom运动功能量表，这些量表主要对偏瘫患者的生活、移动、平衡及运动等能力进行评测。临床量表种类繁多、侧重面有所不同，但量表的检测内容彼此间存在重叠，不同医院对于量表选择也存在差异，对于肢体功能障碍的综合评测最终只能通过医生凭借经验给出，存在主观性强，专家依赖性高的特点。临床上常用影像学检查有头颅ct、核磁共振、经颅多普勒超声tcd和全脑血管造影dsa，影像学检查能够确定脑部病变的位置、大小和性质，对肢体功能障碍评估只有间接的参考作用。
4.上述量表检查、查体、影像学信息分别从多个不同方面反映了偏瘫患者的肢体功能运动情况，为障碍评估提供了多方面依据，最终由临床医生凭借自身的临床经验做出综合判定和评估。其评估结果严重依赖医生经验，存在主观性强、评估方式不统一、缺乏评估标准等问题。这势必严重影响对偏瘫患者肢体功能障碍程度评价的正确性、可靠性，尤其在医疗资源匮乏的偏远地区和广大乡村产生的影响则更为严重。此外，由于临床上没有统一的评估标准，无法有效、可靠地对治疗、康复训练、辅具适配的效果进行评价。因此，对偏瘫患者肢体功能障碍的自动评估实现是急待解决的问题。
5.机器学习是一种计算机程序提供学习能力的人工智能技术。机器学习算法能够直接从数据中学习信息，能够在不明确编程以执行任务的情况下进行预测和决策。大量信息和学习可以在单个系统内随时间累积，使其能够像一个专业医生自动对偏瘫患者肢体功能障碍严重程度进行评估。支持向量机(以下简称svm)是机器学习方法的一种，它是一种监督学习算法，是数据驱动的、无模型的，具有强大的分类鉴别能力。svm具有理论基础完善、可以解决高维问题、适用小样本学习、稳定性好和鲁棒性强优点。
6.如果将svm与肢体功能障碍评估相结合，研究一种基于svm的肢体功能障碍自动评
估方法，这对于临床治疗方案制定、疗效评估和后续康复训练阶段都有着重要的意义。在前期临床治疗阶段，肢体功能障碍水平的自动评估能够帮助医生更加精准地判断障碍程度，制定正确的治疗方案；在后续康复阶段，功能障碍评估结果能够作为患者康复训练、辅具适配效果评测指标，根据此指标调整最佳的康复训练方案。尤其在缺乏经验丰富临床专家的社区医院、乡村及偏远地区医院的脑卒中偏瘫患者治疗、康复训练具有重要的应用价值。


技术实现要素：

7.针对上述现有的偏瘫患者肢体功能障碍评估方法存在的主观性强等缺陷，本发明的目的在于，提供一种用于偏瘫患者肢体功能障碍自动评估方法，该方法利用机器学习技术结合肢体功能障碍评估特征，完成对偏瘫患者手、上肢、下肢的功能障碍程度的自动评估。
8.为了实现上述任务，本发明通过以下技术方案加以实现：
9.一种用于偏瘫患者肢体功能障碍自动评估方法，其特征在于，具体实现步骤如下：
10.步骤一：基于患者多方位的量表和查体数据，筛选出与肢体运动功能相关性强的量表和查体数据；
11.步骤二：将筛选出的量表、查体数据中的非数字信息进行数字化处理，构成特征集；
12.步骤三：对特征进行归一化处理；
13.步骤四：将特征按照与手、上肢、下肢的相关度进行特征分组，把特征集划分为手、上肢和下肢相关的特征子集，分别用于对手、上肢和下肢的评估；
14.步骤五：使用fisher score算法对所有特征进行筛选，降低特征冗余，确定最优的特征组合；
15.步骤六：以机器学习中的支持向量机构建评估模型，以brunnstrom量表的障碍等级划分作为模型的导师监督信号；
16.步骤七：通过模型参数寻优及svm模型训练，完成肢体功能障碍评估模型构建；随后，通过将模型所需的偏瘫患者个性特征输入模型，即可实现对患者肢体功能障碍严重程度的评估。
17.上述步骤一中，所述患者多方位的量表和查体数据主要包括：adl量表，mrmi量表、berg量表、bobath平衡量表、brunnstrom运动功能量表、肩肘腕手髋膝踝足8关节以及上下肢的肌力和肌张力。
18.上述的步骤二中，所述的量表、查体数据中的非数字信息进行数字化处理的方法如下：
19.①
改良的ashworth痉挛评估量表将肌张力等级分为0、1、1+、2、3、4，分别标志肌张力依次增加，数字化处理将肌张力各等级分别用0、1、2、3、4、5表示；
20.②
bobath平衡评估量表分为坐位平衡和立位平衡两种状态评估，每一体位下按照相同标准分为静态平衡、自动态平衡和他动态平衡，分别标志平衡状态依次变好，数字化处理将静态平衡、自动态平衡和他动态平衡分别用0、1、2表示；
21.上述步骤三中所述的特征归一化处理的计算公式为：
[0022][0023]
式中，x_score
mn
为第m名患者第n个参考特征的评分，x_score_maxn为第n个特征的最大评分，x_score_minn为第n个特征的最小评分，f
mn
为最终进行归一化处理后的参考特征。
[0024]
上述步骤四具体实现的方法是：确定特征与手、上肢和下肢的相关程度，并以此为据将量表和查体数据特征分别纳入手部特征集、上肢特征集和下肢特征集，结果如下：
[0025]
手部特征集包括：手关节肌力、手关节肌张力、adl量表手相关部分、mrmi量表手相关部分；其中，adl量表手相关部分是指adl量表中的进食、修饰、穿衣、洗澡项目；mrmi量表手相关部分是指mrmi量表中的修饰、穿衣、洗澡项目；
[0026]
上肢特征集包括：上肢整体肌力、上肢整体肌张力、肩肘腕手4个关节的肌力和肌张力、adl量表上肢相关部分、mrmi量表上肢相关部分；其中，adl量表上肢相关部分是指adl量表中的进食、床椅转移、上厕所、修饰、穿衣、洗澡项目；mrmi量表上肢相关部分是指mrmi量表中的床上翻身、床椅转移、修饰、穿衣、洗澡项目；
[0027]
下肢特征集包括：下肢整体肌力、下肢整体肌张力、髋膝踝足4个关节的肌力和肌张力、berg量表、bobath平衡量表、adl量表下肢相关部分、mrmi量表下肢相关部分；其中，adl量表下肢相关部分是指adl量表中的行走、上下楼梯、床椅转移、上厕所、控制大便、洗澡、控制小便项目；mrmi量表下肢相关部分是指mrmi量表中的行走、床椅转移、上下楼梯、洗澡项目、控制小便项目。
[0028]
上述步骤五具体的实现的方法是：由于步骤四特征子集存在冗余特征，会降低分类模型的分类正确率，并增加计算负担。使用fisher score算法进行特征筛选，消除特征集中的冗余特征，确定灵敏反映手、上肢、下肢功能的优化特征子集；一个数据集中单个特征得分值fs计算公式为：
[0029][0030]
式中，c表示数据集的类别个数，si为第i类样本的个数，和分别为第i类数据集中第n个特征的均值及标准差，un表示整个数据集中第n个特征的均值，fsn为第n个特征的得分值；fs得分值越高，特征在不同类别之间的差异性越大，在同一类别中差异性越小，特征越重要。根据fs值降序排列所有特征，将与分类正确率最高时所对应的特征组合作为最优特征子集。
[0031]
上述步骤六具体实现的方法是：根据运动情况，brunnstrom量表分别对偏瘫患者手、上肢和下肢的肢体功能障碍分为i期、ii期、iii期、iv期、v期、vi期，六期依次标志肢体运动功能障碍程度的下降；
[0032]
根据brunnstrom分期，提出将手、上肢和下肢功能障碍严重程度划分成重度、中度、轻度三个等级；其中，将brunnstrom i期、ii期划分为重度，将brunnstrom iii期、iv期划分为中度，将brunnstrom v期、vi期划分为轻度，划分的等级作为分类模型的导师监督信号。
[0033]
上述步骤七中具体的实现的方法如下：
[0034]
①
支持向量机模型中的核函数选用径向基核函数，其定义表达式为：
[0035][0036]
式中，σ是径向基半径；
[0037]
②
定义惩罚因子c；
[0038]
③
设置初始的c、g寻优范围及步长，通过网格搜索，遍历每一组c、g的取值，计算模型的分类正确率，并对每一组c、g值的分类正确率用等高线画出；
[0039]
④
分别确定手、上肢和下肢功能障碍评估模型参数c、g的最优取值，基于步骤五筛选的特征，构建训练数据集，完成肢体功能障碍评估模型训练；
[0040]
⑤
将待评偏瘫患者的特征样本输入评估模型，即可实现对患者肢体功能障碍严重程度的自动评估。
[0041]
本发明提出的偏瘫患者肢体功能障碍自动评估方法，首次采用基于临床量表和查体信息提取功能障碍特征，采用fisher score方法去除冗余、无效特征，利用svm方法构建模型，自动实现对脑卒中偏瘫患者肢体功能障碍程度的综合判定和评估。具有精准度高、可靠性强、操作简便、易于推广的优势，同时为其他疾病障碍评估提供一种创新思路和有效手段。
附图说明
[0042]
图1是偏瘫患者肢体功能障碍评估方法的流程框图。
[0043]
下面结合附图和实施例对本发明进行进一步详细说明。
具体实施方式
[0044]
参见图1，本实施例给出一种用于偏瘫患者肢体功能障碍自动评估方法，具体实现步骤如下：
[0045]
步骤一：临床常用的患者量表和查体数据众多，经过分析研究，选用患者多方位的量表和查体数据，筛选出与肢体运动功能相关性强的量表和查体数据；
[0046]
所述患者多方位的量表和查体数据主要包括：adl量表、移动能力评估mrmi量表、berg量表、brunnstrom量表、肩肘腕手髋膝踝足8关节以及上下肢的肌力和肌张力；
[0047]
步骤二：将量表、查体数据中的非数字信息进行数字化处理，构成特征集，数字化处理方法如下：
[0048]
①
改良的ashworth痉挛评估量表将肌张力等级分为0、1、1+、2、3、4，分别标志肌张力依次增加，数字化处理将肌张力各等级分别用0、1、2、3、4、5表示；
[0049]
②
bobath平衡评估量表分为坐位平衡和立位平衡两种状态评估，每一体位下按照相同标准分为静态平衡、自动态平衡和他动态平衡，分别标志平衡状态依次变好，数字化处理将静态平衡、自动态平衡和他动态平衡分别用0、1、2表示；
[0050]
步骤三：对特征进行归一化处理，归一化计算公式如下：
[0051][0052]
式中，x_score
mn
为第m名患者第n个参考特征的评分，x_score_maxn为第n个特征的最大评分，x_score_minn为第n个特征的最小评分，f
mn
为最终进行归一化处理后的参考特征。
[0053]
步骤四：确定特征与手、上肢和下肢的相关程度，并以此为据将量表和查体数据特征分别纳入手部特征集、上肢特征集和下肢特征集，结果如下：
[0054]
手部特征集包括：手关节肌力、手关节肌张力、adl量表手相关部分、mrmi量表相关部分；其中，adl量表手相关部分是指adl量表中的进食、修饰、穿衣、洗澡项目；mrmi量表手相关部分是指mrmi量表中的修饰、穿衣、洗澡项目；
[0055]
上肢特征集包括：上肢整体肌力、上肢整体肌张力、肩肘腕手4个关节的肌力和肌张力、adl量表上肢相关部分、mrmi量表上肢相关部分；其中，adl量表上肢相关部分是指adl量表中的进食、床椅转移、上厕所、修饰、穿衣、洗澡项目；mrmi量表上肢相关部分是指mrmi量表中的床上翻身、床椅转移、修饰、穿衣、洗澡项目；
[0056]
下肢特征集包括：下肢整体肌力、下肢整体肌张力、髋膝踝足4个关节的肌力和肌张力、berg量表、bobath平衡量表、adl量表下肢相关部分、mrmi量表下肢相关部分；其中，adl量表下肢相关部分是指adl量表中的行走、上下楼梯、床椅转移、上厕所、控制大便、洗澡、控制小便项目；mrmi量表下肢相关部分是指mrmi量表中的行走、床椅转移、上下楼梯、洗澡项目、控制小便项目。
[0057]
步骤五：使用fisher score算法进行特征筛选，消除特征集中的冗余特征，确定灵敏反映手、上肢、下肢功能的优化特征子集；一个数据集中单个特征得分值fs计算公式为：
[0058][0059]
式中，c表示数据集的类别个数，si为第i类样本的个数，和分别为第i类数据集中第n个特征的均值及标准差，un表示整个数据集中第n个特征的均值，fsn为第n个特征的得分值；fs得分值越高，特征在不同类别之间的差异性越大，在同一类别中差异性越小，特征越重要。根据fs值降序排列所有特征，将与分类正确率最高时所对应的特征组合作为最优特征子集。
[0060]
本实施例中发明人分别用37例手部特征集、38例上肢特征集、36例下肢特征集分别进行训练模型，通过fisher score方法使用前后的对比表明，fisher score算法有效去除特征冗余，手、上肢、下肢模型的准确率分别提升了8％、24％、19％。
[0061]
步骤六：本实施例中，将手、上肢和下肢功能障碍严重程度划均划分成重度、中度、轻度三个等级，分别数字化处理为1、2、3作为偏瘫患者肢体功能障碍评估的导师监督信号；
[0062]
本实施例中，肢体功能障碍严重程度划分标准为：将brunnstrom i期、ii期划分为重度，将brunnstrom iii期、iv期划分为中度，将brunnstrom v期、vi期划分为轻度。
[0063]
步骤七：本实施例中，对于多分类问题采用的为一对一svm，具体实现如下：
[0064]
①
支持向量机模型中的核函数选用径向基核函数，其定义表达式为：
[0065][0066]
式中，σ是径向基半径；
[0067]
②
定义惩罚因子c；
[0068]
③
设置初始的c、g寻优范围及步长，通过网格搜索，遍历每一组c、g的取值，计算模型的分类正确率，并对每一组c、g值的分类正确率用等高线画出；
[0069]
④
分别确定手、上肢和下肢功能障碍评估模型参数c、g的最优取值，基于步骤六筛选的特征，构建训练数据集，完成肢体功能障碍评估模型训练；
[0070]
⑤
输入待评患者的特征，使用训练好的模型对新患者肢体功能障碍等严重程度进行评估，模型输出结果。输出结果“1”、“2”、“3”分别对应障碍等级重度、重度、轻度。