论文部分内容阅读
脑卒中因高发病率和高致残率特点已成为临床中常见疾病,其常伴随多种功能障碍,其中上肢运动功能障碍是影响最广泛的肢体功能障碍。近来,康复医学正逐步向精确化、远程化、智能化、个性化方向发展,精准评定是其中重要方向。本文融合传感器技术和人工智能开展基于深度学习的脑卒中上肢运动功能自动评定研究,分别从手臂运动功能障碍、手部运动功能障碍和上肢活动能力三方面设计运动测量系统,并基于传感器数据提出三种不同深度学习方法进行特征提取实现临床量表分期与评分预测。论文工作如下:1.针对上肢手臂运动功能评定,设计研制惯性测量单元(Inertial Measurement Unit,IMU),获取上肢评定动作过程大臂和前臂的惯性运动数据,提出基于时间注意力循环神经网络模型(Time Attention Recurrent neural network Model,TARM)进行数据特征提取并分类,实现上肢运动功能Brunnstrom分期准确率达100.00%。2.针对手部运动功能评定,结合IMU和柔性压力传感器设计通用数据手套,感知手部的惯性运动和手指压力。利用四元数法并建立几何关系模型实时计算手指关节活动度(Range of Motion,ROM),使用滤波器正则化全卷积神经网络(Regularized Fully Convolutional Network,RFCN)对传感器数据进行特征提取,建立全连接回归模型预测Carroll手部运动功能评分。实验结果显示,预测评分与经验丰富临床医师评分之间的决定系数达0.93。3.针对上肢整体活动能力评定,使用基于视觉的深度传感器进行上肢骨骼点空间位置追踪,引入具有分组约束卷积-循环神经网络(Group-Constrained Convolutional Recurrent Neural Network,GCRNN)进行数据时空特征提取,建立回归模型进行Fugl-Meyer量表上肢评分预测。通过实验表明,所提出方法仅使用4个评定任务即可实现评定过程建模,并达到与临床医师评分的一致性达0.89。4.采用Eclipse开发工具和My SQL数据库设计并实现脑卒中康复评定管理系统原型,该原型包括用户管理、患者管理、评定方案管理、评定结果管理、量表管理,评定报告生成与导出模块,可以实现脑卒中临床康复评定流程的信息化管理功能。基于本文的研究成果可以发现,使用传感器感知技术和深度学习人工智能分析方法,可以实现脑卒中患者运动功能的准确测量与定量评定,弥补了传统评定方法不足,方便家庭和社区环境下康复评定开展。