一种脑卒中患者上肢运动功能的评估方法

本发明属于近红外信号深度学习，特别涉及融合了人口学信息和fnirs的多模态深度学习方法的一种脑卒中患者上肢运动功能的评估方法。

背景技术：

1、“脑卒中”是一种急性脑血管疾病，是由于脑部血管突然破裂或因血管阻塞导致血液不能流入大脑而引起脑组织损伤的一类疾病，包括缺血性脑卒中和出血性脑卒中。脑卒中有着极高的致残率，给患者带来各种功能障碍，其中上肢和手功能障碍对生活自理能力有较大影响。目前，针对脑卒中患者上肢功能评估常用fugl-meyer上肢功能障碍评定量表(fma-ul)，但这种方法耗时较长，且易受专业人员的经验和熟练度影响，具有一定的主观性。因此，手功能康复的量化评估具有重要临床意义。

2、近红外脑功能成像(fnirs)可以测量特定脑组织中氧合血红蛋白、还原血红蛋白以及总血红蛋白的浓度变化，进而考察神经元的活动、细胞能量代谢以及血液动力学相关的功能，反应大脑的状态和加工过程。fnirs具有运动伪迹不敏感、时空分辨率高等优势。因此，fnirs应用于脑卒中患者的脑功能网络研究，同时指导康复已成为当下许多科学研究的重点，其在一定程度上可以提高评估效率，大大减少医生工作量，使评估更加客观、高效、精准。

3、卷积神经网络(cnn)在深度学习图像处理中应用广泛，其具有共享卷积核，可处理高维数据，且可以自动进行特征提取等优点。k-means算法是经典的聚类算法，是一种没有标签的无监督学习，在数据分类中应用广泛。

4、申请号为cn202210966098.0，名称为《一种基于脑肌功能网络特征的脑卒中康复评估方法》的发明，公布了一种通过采集脑卒中患者在握力计测试下的脑电和肌电信号，预处理后构建变分模态分解传递熵，由vmd-te对节点间耦合性进行量化，选取连接矩阵的前15％的连接强度值作为cmfn进行二值化的阈值，最后计算脑肌功能网络特征，比较患者在三个康复时期的网络特征，据此对脑卒中进行康复评估，存在的缺点第一是eeg信号容易受到头部运动的干扰且空间分辨率较低，第二是采用变分模态分解量化耦合值，当信号长度过大时，带宽会出现重叠，计算准确性差，第三是只能分析患者康复阶段，不能实现量化评估康复水平，局限性较大。

技术实现思路

1、为了克服上述现有技术的缺陷，本发明的目的在于提供一种脑卒中患者上肢运动功能的评估方法，融合了人口学信息和fnirs的多模态深度学习方法，通过计算皮尔逊相关系数构建功能连接矩阵，同时为去除虚假连接，并对不同稀疏度下的功能连接矩阵计算两个大尺度图论指标：平均加权聚类系数和全局效率，以图论指标-稀疏度阈值曲线下面积为特征对患者进行k-means二聚类，以识别在全局网络信息流通性上具有不同特性的两种脑卒中亚型；最后，以卷积神经网络输出可信度与人口学信息特征融合，进行支持向量回归，选择最优模型作为评分模型；本发明的方法数据更加准确，分辨率更高。

2、为实现上述目的，本发明采用的技术方案如下：

3、一种脑卒中患者上肢运动功能的评估方法，包括以下步骤：

4、步骤一：获取多通道近红外数据，进行滤波、去伪迹预处理，并将其转换为浓度数据；

5、步骤二：对预处理后的浓度数据构建功能连接矩阵，在不同稀疏度下计算功能连接矩阵的图论auc指标，计算图论指标-疏度阈值曲线下的面积；

6、步骤三：对图论auc指标做k-means聚类，将患者分为两种亚型；

7、步骤四：使用卷积神经网络模型对两种亚型中的某一种患者在某一稀疏度阈值下的功能连接矩阵与健康人的功能连接矩阵进行二分类，并做留一法交叉验证，将每一折cnn模型输出的分类概率值与该折验证集的分类准确率相乘结果作为基于fnirs信号获取的血流动力学相响应特征，定义为hfs(hemodynamic feature score)；

8、步骤五：将hfs与患者人口学特征进行特征融合，将融合特征输入支持向量回归模型，并通过留一法交叉验证，svr模型和步骤四cnn模型中数据划分完全一致且一一对应，获得拟合的fma-ul，并计算其评价指标；最后将每种亚型在每一个稀疏度阈值下的数据均作步骤四、五的处理，最终选出最佳阈值。

9、所述步骤一具体为：

10、获取多通道近红外数据，数据采集时长为t，采集患者组数为lp，健康人组数为lh，通道数为m，采样频率为f，第i个患者的近红外数据表示为xi(n)＝{x1(n)，x2(n)，…，xm(n)}，健康人同理，得到患者数据集为健康人数据集为

11、对于获取的数据进行预处理，将原始光强度数据xi(n)＝{x1(n)，x2(n)，…，xm(n)}转换为光密度数据yi(n)＝{y1(n)，y2(n)，…，ym(n)}；使用0.01-0.20hz的带通滤波器来消除生理噪声即心率和呼吸，使用三次样条插值消除运动伪迹；最后将去噪的光密度数据转换成血红蛋白浓度数据；患者数据集转换为健康人同理为

12、所述步骤二具体为：

13、为扩充样本量，使模型充分训练，对时长为t的数据进行分割，分割为q个片段，片段之间有长度重合；分割后每个患者数据含q个子数据集；认为脑网络由节点和连接这些节点的边组成，一个通道被认为是一个节点；使用pearson相关系数作为两个节点间的连接性度量；分别计算m个通道氧合血红蛋白浓度数据的pearson相关系数，得到q×lp个m×m的相关系数矩阵rp；pearson相关系数计算公式如下：

14、

15、其中，zi表示通道i的n个点的时间序列；zi，n表示通道i时间序列的的第n个点；ρi，j表示通道i与通道j的pearson相关系数，其值为-1～1，ρi，j＝1时，两个通道具有完全正相关关系；ρi，j，j＝-1时，两个通道具有完全负相关关系，ρi，j＝0时，两个通道不具有相关关系；

16、通过对pearson相关系数进行fisher-z变换，使其满足正态分布，得到新的功能连接矩阵rpx，同理，得到健康人的功能连接矩阵rhx；fisher-z变换公式如下：

17、

18、由于功能连接矩阵中存在部分虚假连接，采用不同的稀疏度阈值进行图论分析，当网络中节点i和j之间的修正的pearson相关系数大于阈值th时，认为节点间的连接存在，其相关系数作为网络节点间连接的权值wi，j，从而构建稀疏度阈值为th时的功能连接矩阵，在10-50％稀疏度范围内，以步进5％稀疏功能连接矩阵，得到9个功能连接矩阵，对每个稀疏度阈值下的功能连接矩阵分别计算图论指标，包括平均加权聚类系数和全局效率，其具体解释与计算公式如下：

19、(1)对于一个无向网络，第i个节点的聚类系数为：

20、

21、其中，ki为节点i的度；

22、网络的平均加权聚类系数如下，式中n表示节点个数：

23、

24、(2)对于一个无向网络，其全局效率表示为：

25、

26、式中，dij为节点i到节点j的最短路径长度，表示为：

27、di，j＝min(wi，j-1)

28、对nth个稀疏度阈值下的功能连接矩阵分别计算图论指标后，绘制图论指标-稀疏度阈值图，纵坐标为图论指标，横坐标为稀疏度阈值，对两个图论指标分别计算曲线下面积，得到ac、ae。

29、所述步骤三的聚类，具体为：计算所有样本功能连接矩阵的ac、ae，使用没有标签的无监督学习k-means聚类算法，簇数为2；二聚类结果为两种疾病亚型。

30、所述步骤四，具体为：以不同稀疏度阈值下的功能连接为特征，利用卷积神经网络方法，分别对每种亚型与健康人执行分类任务，由此提取基于大脑血流动力学响应的特征，使用one-hot编码，采用留一法交叉验证，将数据分为训练集、测试集和验证集，测试集与验证集分别含一个样本的所有子集，其余样本组成训练集，每一折cnn模型输出的分类概率值与该折验证集的分类准确率相乘结果作为基于fnirs信号获取的血流动力学相响应特征，定义为hfs(hemodynamic feature score)。

31、所述步骤四的卷积神经网络模型由2个卷积层和4个全连接层构成，其结构为：第一卷积层、第一池化层、第二卷积层、第二池化层、dropout层、bn层和全连接层，输出层为softmax分类层，其中池化层做最大池化，损失函数采用分类交叉熵，使用adam优化器进行优化。

32、所述步骤五对hfs与人口学信息进行特征融合，具体为：人口学信息包括性别、年龄、患侧，以及是否可动信息；特征融合后为支持向量回归模型的输入，模型标签为fma分数，其中fma评分为采集fnirs当天由经验丰富的康复科医生评定，健康人评分为满分；采取留一法交叉验证进行训练，同时为避免数据泄露，svr模型与cnn模型中测试集与验证集应一一对应，获得拟合的fma-ul，并计算评价指标决定系数r2与均方误差rmse，最终综合考虑决定系数r2与均方根误差rmse选取评分模型。

33、与现有技术相比，本发明具有以下优点：

34、(1)步骤一得到的多通道近红外数据，数据测量过程简便快速，受头部运动和电磁干扰小，数据更加准确，时空分辨率更高。

35、(2)基于大尺度网络指标auc对脑卒中患者进行二聚类，从大脑全局信息流通效率层面上识别两个脑卒中亚型，对疾病类型不同的患者分别进行模型训练及预测，避免出现不同类患者脑网络差异较大对结果的影响，以此实现分层评估脑卒中患者手功能障碍，同时提高了模型的准确性。

36、(3)将基于大脑的血流动力学响应的hfs与人口学特征相融合，全面考虑被测者脑网络特征和个人基本信息，实现多模态信息融合建模，提高了模型的准确性、鲁棒性和泛化能力。

37、(4)相比现有其他fma评估方法，本发明纳入更多患者，且患者fma得分可实现高、低分基本覆盖，提高模型预测的准确性。