具体实施方式

本发明提供一种运动功能评估模型构建方法和运动功能评估方法，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

请参阅图1、图2，脑卒中患者的运动功能评估模型的构建方法，包括以下步骤：

步骤S101.构建数据库：通过多通道检测设备采集多个脑卒中患者额叶或运动区的静息态脑血氧信号数据，组成基础数据库；

步骤S102.数据预处理：对基础数据库中采集的静息态脑血氧信号数据进行带通滤波去除漂移噪声和生理干扰；再采用样条插值的方法对伪迹进行矫正，减少伪迹对计算静态功能连接的影响；

步骤S103.特征提取：S103a.采用Pearson相关性计算公式计算测量区域内两两通道之间的脑功能连接，然后对得到的相关性矩阵进行Fisher’sZ变换，以改善数据的正态性，变换公式为Z＝0.5×(ln(r+1)-ln(r-1))；S103b.采用LASSO回归的方式在Fisher’s Z分数矩阵中选择最优的分类特征子集；

具体的，由于Fisher’s Z分数矩阵呈对称，因此，可以将Fisher’sZ分数矩阵的下三角或者上三角部分作为分类特征，再通过LASSO回归的方式选择最优的分类特征子集；对于采用LASSO进行特征的选择，可以根据最终LASSO回归的系数的绝对值的大小作为衡量特征的贡献，剔除系数为0的特征和贡献度较小的特征；

步骤S104.构建支持向量机模型(SVM)：根据步骤S103中获得的最优的分类特征子集，构建基于支持向量机的脑卒中患者的运动功能评估模型。

本实施例中，通过近红外脑功能检测设备进行多通道采集脑卒中患者额叶区域的静息态脑血氧信号数据。近红外脑功能检测设备可通过氧合血红蛋白和脱氧血红蛋白对不同波长的近红外光吸收系数的变化来测量两种的浓度变化。而本发明利用脑卒中患者的氧合血红蛋白浓度变化来构建静态功能连接。

本发明选择额叶或运动区作为检测区域。其中大脑的额叶主要与人体的记忆、思维、语言和运动等功能相关，额叶的损伤会导致无法集中精力观察和思考，更无法进行仔细的逻辑推理，对突发事件无能为力，健忘，行为反应迟钝，出现情绪波动，因此，以额叶作为检测区得到的数据可以反映患者的反应能力和运动能力。运动区为大脑运动中枢，与躯体各部位的肌肉调节支配相关，检测得到的数据与运动功能的相关性更强。

所述近红外脑功能检测设备包括多个光源和多个探测器；多个所述光源和探测器交错设置，每个所述光源和探测器之间形成一个测量通道。请参阅图5，本实施例中，所述近红外脑功能检测设备包括8个光源和7个探测器，光源和探测器放置在患者的前额叶区，并按图5进行分布，图中圆形表示光源，矩形表示探测器，光源和检测器之间共形成22个测量通道。具体的每个光源和探测器之间的距离为3cm。近红外脑功能检测设备的采样率为10Hz，采样时间为6分钟。在静息态脑血氧信号数据采集期间，脑卒中患者保持休息状态坐在椅子上，闭上眼睛并保持清醒，在检测期间尽量减少身体运动，以保证检测数据的稳定性和可靠性。

请参阅图3，作为一种改进，所述步骤S102还包括空间滤波，所述步骤S102中基础数据库中采集的静息态脑血氧信号数据预处理包括：S102a.先通过空间滤波以去除表层干扰；S102b.然后通过带通滤波去除漂移噪声和生理干扰；S102c.再采用样条插值的方法对伪迹进行矫正。

具体的，所述空间滤波的操作方法为：将采集的静息态脑血氧信号数据减去所有测量通道的平均值，得到去除表层干扰后的静息态脑血氧信号。

作为一种改进，所述步骤S102中所述带通滤波的频率范围为0.01-0.1Hz。静息状态是大脑的一种有组织的基线默认模式，在静息态中存在自发的特定低频震荡，这些自发的低频震荡的频率范围在0.01-0.1Hz之间。

作为一种改进，所述步骤S102中所述样条插值为三次样条插值。具体的，离散时间序列x(t)＝{x(t_i)}，t_i＝iΔt，i＝1,2，...，N，其中Δt为采样周期，N为采样点数。

三次样条插值的操作流程如下：

1.采用移动标准差的方式检测运动伪迹

1.1以基线作为判断标准，以基线的三倍标准差作为阀值T；

1.2滑动窗口的大小为W，W的取值为201(其中W可以根据实际的需求进行调整)，以1个单位的点数作为滑动步长，计算每个时间窗的标准差；把存储每个时间窗标准差的一维矩阵D的前k＝(W-1)/2个元素置0，使每个时间窗内的标准差放在时间窗的中点的位置；

1.3创建一个长度与一维矩阵D一致的一维矩阵R，将一维矩阵D中大于阀值T的标准差的位置对应在一维矩阵R中置1，否则置0；

2.检测每个伪迹段的起点和终点

2.1遍历矩阵R并将其前后相邻两元素相减得出差值(后一个元素减前一个元素)，如果前后相邻两元素的差值为1则为起点，如果差值为-1则为终点。然后分别用一个一维矩阵LMS存储起点的位置，用一个一维矩阵LMF存储终点的位置。如果终点为空则将数据的最后一个点的位置作为终点，如果起点为空，则数据的第一个点作为起点。如果出现第一个起点位置大于第一个终点的位置则将1插入LMS的第一个点的前一个位置即[1,LMS]。如果最后一个起点大于最后一个终点则将数据的最后一个点的后一个位置插入1，即[LMF,1]；

2.2根据LMS和LMF可以确定信号存在的伪迹段的数量，遍历所有伪迹段并对每个伪迹段进行三次平滑样条插值，然后用每个伪迹段减去每个伪迹段插值后的信号；

3.对处理后的信号进行整体重构，获得重构的信号序列。

一种实施方式中，所述步骤S104中，所述支持向量模型的惩罚系数和核函数采用网格搜索分方式进行优化。

实施例

随机选择21名脑卒中患者采用本发明构建的模型进行运动功能评估。采用本发明的评估方法前，这21名患者根据现有的运动评估量表评估后分为三组，分别为：运动能力较差组、运动能力中等组和运动能力较好组，该评估结果用于检验本发明的脑卒中患者的运动功能评估方法的正确率。

请参阅图4，本实施例的脑卒中患者的运动功能评估方法，包括以下步骤：

步骤S201.数据采集：上述21名脑卒中患者分别采用的近红外脑功能检测设备进行多通道采集；采集的区域为患者的前额叶区，近红外脑功能检测设备的光源和探测器按照图5所示进行分布；每个光源和探测器之间的距离为3cm。近红外脑功能检测设备的采样率为10Hz，采样时间为6分钟。静息态脑血氧信号数据采集期间，脑卒中患者保持休息状态坐在椅子上，闭上眼睛并保持清醒，在检测期间尽量减少身体运动。

步骤S202.数据预处理：对采集的静息态脑血氧信号数据通过空间滤波去除表层干扰；然后通过带通滤波去除漂移噪声和生理干扰，带通滤波的频率范围为0.01-0.1Hz；最后采用三次样条插值的方法对伪迹进行矫正；

步骤S203.特征提取：采用Pearson相关性计算公式计算测量区域内两两通道之间的脑功能连接，然后对得到的相关性矩阵进行Fisher’s Z变换；采用LASSO回归的方式在Fisher’s Z分数矩阵中选择最优的分类特征子集；

步骤S204.运动功能等级评估：采用本发明构建的脑卒中患者的运动功能评估模型对脑卒中患者进行运动功能等级评估。

下表是本发明的运动功能评估方法对脑卒中患者的运动功能等级评估分类的正确率结果：

从上述结果可以看出，本发明构建的脑卒中患者的运动功能评估方法正确率高达95.60％，可用于脑卒中患者的运动功能评估。相比现有的评估方法，本发明的运动功能评估方法不受主观因素影响，适用范围广，无需患者完成特定动作，适用于行动不便或因其他原因导致有行动障碍的患者。所采集的数据统一性和可比较性强，更有利于准确客观地评估脑卒中患者的运动功能，评估方法中所选取的特征也可以用于评估患者康复训练中或者训练后即时效果。此外，随着数据库的不断扩充，本发明所构建的模型准确性会进一步地得到提升。

本发明中，对于评估脑卒中患者的运动功能等级的分类标准还可以根据实际需要作进一步替换或改变，如对脑卒中患者的运动功能等级可以根据fugl-Meyer评定量表的分值进行进一步细化划分或者是根据评定量表brunnstrom的功能分期来划分脑卒中患者的运动功能水平。

可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。