一种脑卒中风险预测方法及装置

技术领域

本申请属于脑卒中预警技术领域，具体涉及一种脑卒中风险预测方法、装置、系统电子设备及存储介质。

背景技术

脑卒中居全世界居民死亡原因的第三位。卒中一旦发作，治疗时间在90分钟内的患者健康结局最佳，静脉溶栓治疗的急性缺血性脑卒中患者仍可在4.5小时内获得获益。因此通过技术手段对卒中发作风险进行预测来预留充足的治疗时间具有重要意义。目前，卒中风险的发现依然主要依靠于对卒中症状的模糊主观判断，包括肢体、语言、意识、视力、面部的多种症状，该手段精确度低，受医生主观因素影响较大，可能会延误治疗时机。对卒中确诊主要通过脑部成像，但该手段只能在专门的医院和卒中中心获得，且成本较高，不适合频繁检测以提供早期风险预警。目前没有已知的技术手段可以对脑卒中发病进行风险预警。

发明内容

本申请的目的是提供一种脑卒中风险预测方法、装置、系统电子设备及存储介质以解决脑卒中风险预测难度大的问题。

根据本申请实施例的第一方面，提供了一种脑卒中风险预测方法，该方法可以包括：

基于历史肌电信号数据训练原始神经网络模型得到脑卒中风险预测模型；

采集被测者的前臂肌群在特定电刺激信号下的目标肌电信号；

将所述目标肌电信号输入所述脑卒中风险预测模型得到脑卒中风险预测结果。

在本申请的一些可选实施例中，采集被测者的前臂肌群在特定电刺激信号下的目标肌电信号，包括：

采集被测者在初始电刺激信号下的初始肌电信号；

判断所述初始肌电信号是否符合第一标准，若否，则对所述初始电刺激信号进行调整得到所述特定电刺激信号。

在本申请的一些可选实施例中，对所述初始电刺激信号进行调整得到所述特定电刺激信号，包括：

调整所述初始肌电信号的脉冲频率和脉冲宽度得到第一电刺激信号；

调整所述第一电刺激信号的电刺激时长得到所述特定电刺激信号。

在本申请的一些可选实施例中，调整所述初始肌电信号的脉冲频率和脉冲宽度得到第一电刺激信号，包括：

同时以1Hz步进和100us步进增加所述初始肌电信号的脉冲频率和脉冲宽度，直至所述初始肌电信号满足第二标准，得到所述第一电刺激信号。

在本申请的一些可选实施例中，调整所述第一电刺激信号的电刺激时长得到所述特定电刺激信号，包括：

以1s为步进增加所述第一电刺激信号的电刺激时长直至所述第一电刺激信号满足第三标准，得到所述特定电刺激信号。

在本申请的一些可选实施例中，基于历史肌电信号数据训练原始神经网络模型得到脑卒中风险预测模型，包括：

以CNN和双向LSTM结构建立所述原始神经网络模型；

将所述历史肌电信号数据的分为高风险和低风险两个类别；

将所述历史肌电信号数据作为样本，将所述类别作为标签，对所述原始神经网络模型进行训练得到所述脑卒中风险预测模型。

根据本申请实施例的第二方面，提供一种脑卒中风险预测装置，包括：

训练模块，用于基于历史肌电信号数据训练原始神经网络模型得到脑卒中风险预测模型；

采集模块，用于采集被测者的前臂肌群在特定电刺激信号下的目标肌电信号；

预测模块，用于将所述目标肌电信号输入所述脑卒中风险预测模型得到脑卒中风险预测结果。

根据本申请实施例的第三方面，提供一种脑卒中风险预测系统，包括主控制模块、电刺激模块、电极贴模块、肌电采集模块，信号处理模块，机器学习算法模块，无线传输模块，显示报警模块，电源模块和柔性固定模块；

所述主控制模块用于生成电刺激参数并发送给所述电刺激模块，

所述电刺激模块用于根据所述电刺激参数向所述电极贴模块输出电刺激信号；

所述电极贴模块用于粘贴于被测者的前臂肌群以将所述电刺激信号施加于所述前臂肌群；

所述肌电采集模块用于采集所述前臂肌群的原始肌电信号并发送给所述信号处理模块；

所述信号处理模块用于对所述原始肌电信号进行预处理得到初始肌电信号并发送给所述信号质量判别模块；

所述信号质量判别模块用于判别所述初始肌电信号是否符合第一标准并将判断结果发送至所述主控模块，所述信号质量判别模块还用于将判断结果为是的初始肌电信号作为目标肌电信号发送至所述机器学习算法模块；

所述主控模块还用于基于所述信号质量判别模块的判断结果调整所述电刺激参数直至所述判断结果为是；

所述机器学习算法模块用于对所述目标机电信号进行分类得到脑卒中风险预测结果。

在本申请的一些可选实施例中，还包括无线传输模块和显示报警模块；

所述无线传输模块用于将所述机器学习算法模块的脑卒中风险预测结果传输至所述显示报警模块；

所述显示报警模块用于基于所述脑卒中风险预测结果进行声光报警。

在本申请的一些可选实施例中，还包括电源模块和柔性固定模块；

所述电源模块用于为所述脑卒中风险预测系统的其他模块供电；

所述柔性固定模块用于将所述脑卒中风险预测系统的所有模块集成并固定于被测者前臂。

根据本申请实施例的第四方面，提供一种电子设备，该电子设备可以包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，处理器被配置为执行指令，以实现如第一方面的任一项实施例中所示的脑卒中风险预测方法。

根据本申请实施例的第五方面，提供一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面的任一项实施例中所示的脑卒中风险预测方法。

本申请的上述技术方案具有如下有益的技术效果：

本申请实施例提供的一种脑卒中风险预测方法通过被测者的前臂肌群在特定电刺激信号下的目标肌电信号对脑卒中风险进行预测，解决了脑卒中风险难以评估的问题。

附图说明

图1是本申请一示例性实施例中一种脑卒中风险预测方法的流程示意图；

图2是本申请一示例性实施例中一种脑卒中风险预测模型结构示意图；

图3是本申请一示例性实施例中一种脑卒中风险预测装置结构示意图；

图4是本申请一示例性实施例中一种脑卒中风险预测系统结构示意图；

图5是本申请另一示例性实施例中一种脑卒中风险预测系统结构示意图；

图6是本申请一示例性实施例中电子设备结构示意图；

图7是本申请一示例性实施例中电子设备的硬件结构示意图。

图中，

S1为主控制模块，S2为电刺激模块，S3为无线传输模块，S4为信号处理模块，S5为电刺激电极贴模块，S6为电源模块，S7为肌电采集电极贴模块，S8为柔性固定模块，S9为显示报警模块。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本申请进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本申请的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本申请的概念。

在附图中示出了根据本申请实施例的层结构示意图。这些图并非是按比例绘制的，其中为了清楚的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状以及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。

显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在本申请的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

此外，下面所描述的本申请不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

经研究发现，血液流动存在阻碍的人群具有较高的脑卒中发作风险。血液流动存在阻碍时，代表性皮质叶的神经电活动因脑细胞易受到干扰，并使整个神经系统不稳定，从而造成手臂运动不对称问题，该现象可从被测者侧肢体肌电图的差异中进行对比识别。而在平静状态下的肌电图有效特征不足以识别上述区别，必须在肌肉进行一定伸缩状态下进行肌电测量，例如通过神经肌肉电刺激使肌肉发生动作以识别上述区别进而预测脑卒中风险。

下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的脑卒中风险预测方法、脑卒中风险预测装置、电子设备及存储介质进行详细地说明。

如图1所示，在本申请实施例的第一方面，提供了一种脑卒中风险预测方法，该方法可以包括：

步骤S101：基于历史肌电信号数据训练原始神经网络模型得到脑卒中风险预测模型；

步骤S102：采集被测者的前臂肌群在特定电刺激信号下的目标肌电信号；

步骤S103：将目标肌电信号输入脑卒中风险预测模型得到脑卒中风险预测结果。

本实施例提供的脑卒中风险预测方法基于血液流动性差导致神经系统不稳定，手臂运动不对的称原理，采用特定电刺激信号诱发手臂肌肉运动，采集运动时前臂肌群表面的目标肌电信号，通过高风险和低风险的历史肌电信号数据训练得到的脑卒中风险预测模型，进行脑卒中风险预测。该方法主能够解决脑卒中风险识别困难的问题，在血管破裂前对脑卒中风险进行预测和报警。尤其适用于夜晚睡眠期间的持续监测的。

在一些实施例中，步骤S102，包括：

采集被测者在初始电刺激信号下的初始肌电信号；

判断初始肌电信号是否符合第一标准，

若是，则将初始肌电信号作为目标肌电信号；

若否，调整初始肌电信号的脉冲频率和脉冲宽度得到第一电刺激信号；调整第一电刺激信号的电刺激时长得到特定电刺激信号。

在一些实施例中，对初始电刺激信号进行调整得到特定电刺激信号，具体地，在显示报警模块上设定电刺激初始参数，通过无线传输模块发送至电刺激模块，采集初始肌电信号。通过信号处理模块分析采集到的初始肌电信号的频率、幅值及其他关键特征，通过信号质量判别模块判断目前的电刺激参数是否合理。若此参数下初始肌电信号不能满足机器学习算法模块中所要求的信号标准，则进行参数调节。将电刺激模块中脉冲频率以1Hz步进进行增加，脉冲宽度以100us为步进进行增加，重新将设定的参数发送至电刺激模块，采集调整后的初始肌电信号进行判断。若满足信号标准，则调节电刺激时长参数，以1s为步进进行增加，调节至达到信号质量判别模块标准，得到目标肌电信号。

图2是本申请一示例性实施例中一种脑卒中风险预测模型结构示意图。如图2所述，目标肌电信号包括从被测者前臂肌群中不同的肌肉表面采集的四个子信号，目标肌电信号，脑卒中风险预测模型包括依次连接的卷积层、池化层、LSTM层、输出层和分类层。

本实施例提供的一种脑卒中风险预测模型是以CNN和双向LSTM结构作为预测器模型的基础。CNN能够实现复杂的非线性模型，LSTM在具有特定趋势的复杂时间序列数据预测上表现良好。二者相结合，一方面可通过CNN让模型具有提取时间序列数据特征的优势，另一方面可通过LSTM考虑时间序列数据的历史和未来信息来预测下一步时间序列数据。本发明提出的神经网络预测器模型克服了现有CNN和LSTM的结构缺陷，可以解决当误差值传播到神经网络层时梯度消失的问题，提高了模型分类的准确性和泛化性。

图3是本申请一示例性实施例中一种脑卒中风险预测装置结构示意图。如图3所示，在本申请实施例的第二方面，提供了一种脑卒中风险预测装置，包括：

训练模块11，用于基于历史肌电信号数据训练原始神经网络模型得到脑卒中风险预测模型；

采集模块12，用于采集被测者的前臂肌群在特定电刺激信号下的目标肌电信号；

预测模块13，用于将目标肌电信号输入脑卒中风险预测模型得到脑卒中风险预测结果。

图4是本申请一示例性实施例中一种脑卒中风险预测系统结构示意图，如图4所示，在本申请实施例的第三方面，提供了一种脑卒中风险预测系统，包括主控制模块、电刺激模块、电极贴模块、肌电采集模块，信号处理模块，机器学习算法模块，无线传输模块，显示报警模块，电源模块、柔性固定模块、无线传输模块和显示报警模块；

主控制模块用于生成电刺激参数并发送给电刺激模块，

电刺激模块用于根据电刺激参数向电极贴模块输出电刺激信号；

电极贴模块用于粘贴于被测者的前臂肌群以将电刺激信号施加于前臂肌群；

肌电采集模块用于采集前臂肌群的原始肌电信号并发送给信号处理模块；

信号处理模块用于对原始肌电信号进行预处理得到初始肌电信号并发送给信号质量判别模块；

信号质量判别模块用于判别初始肌电信号是否符合第一标准并将判断结果发送至主控模块，信号质量判别模块还用于将判断结果为是的初始肌电信号作为目标肌电信号发送至机器学习算法模块；

主控模块还用于基于信号质量判别模块的判断结果调整电刺激参数直至判断结果为是；

机器学习算法模块用于对目标机电信号进行分类得到脑卒中风险预测结果；

无线传输模块用于将机器学习算法模块的脑卒中风险预测结果传输至显示报警模块；

显示报警模块用于基于脑卒中风险预测结果进行声光报警。

在一些实施例中，还包括电源模块和柔性固定模块；

电源模块用于为脑卒中风险预测系统的其他模块供电；

柔性固定模块用于将脑卒中风险预测系统的所有模块集成并固定于被测者前臂。

图5是本申请另一示例性实施例中一种脑卒中风险预测系统结构示意图。如图5所示，在一些实施例中，主控制模块用于调控系统所有模块，生成电刺激信号，监控肌电采集模块，并将电刺激信号送入信号处理模块进行预处理，调用机器学习算法模块对预处理结果进行特征分类与判别，调用无线传输模块将判别结果发送至显示报警模块。

电刺激模块根据主控制模块传入的电刺激参数，如脉冲频率、宽度、幅度、刺激时长等，调节电刺激控制电路，如调压电路、放大电路、开关电路生成电刺激信号。其中，电刺激参数有脉冲频率、宽度、幅度、刺激时长4种，脉冲频率以1Hz为步进，最大可调节至100Hz；脉冲宽度以100us为步进，最大可调节至2000us；脉冲幅度有两种选择，分别为-60V和+60V；刺激时长以1秒为步进，最大可调节至30秒。进一步，所述的电刺激控制电路，有调压电路、放大电路、开关电路3种，其中调压电路，用于将小电压调节至较大电压，最高为±60V，以达到电刺激所需的电压；放大电路用于控制输出至人体的电流，最大为20mA；开关电路用于控制电刺激信号是否输出。

电极贴模块将肌电电极贴按照预定位置粘贴于受试者的前臂肌群，通过将电刺激模块产生的电刺激信号施加于前臂肌群，刺激肌肉产生运动。

肌电采集模块采集受试者健患侧前臂肌群对应的肌肉运动时产生的表面肌电信号。该采集模块包括多个肌电传感器，用于获取不同肌肉的表面肌电信号。

信号处理模块采集的受试者健患侧前臂肌群的肌电信号对应多次动作执行得到原始信号数据，经过30-350Hz带通滤波、50Hz陷波、电刺激对应频率陷波、及归一化后，得到肌电数据EMG。

信号质量判别模块用于判别肌电信号是否满足后续算法。

机器学习算法模块包含一种神经网络预测器模型，该模型从离线数据中学习，并可以应用于在线数据以识别卒中早期发作。预测因子被设计成三重策略：训练期间的数据处理，基于离线卒中的数据训练模型，以及在线实时判别阶段。随机抽取学习数据集，不用于学习的数据成为测试集。

无线传输模块用于将机器学习算法模块判断的结果传输至显示报警模块，以提醒用户及时查看结果。

显示报警模块用于显示系统所有参数，具体为电刺激时间间隔、电刺激脉冲频率、宽度、幅度、刺激时长。同时，可通过该显示报警模块进行参数调节，并通过无线传输模块传输至系统进行执行。显示报警模块在接收到无线传输模块的卒中发作信息后，即刻进行声光报警，并通过蜂窝移动网络将信息发送至指定接收终端，用于提醒用户及其亲属。

电源模块用于为系统其他所有模块提供电力供应。

柔性固定模块用于将上述所有模块集成，并固定于受试者前臂。

本发明主要通过电刺激产生的肌电信号进行卒中早期识别。电刺激参数的具体调节方式如下：在显示报警模块上设定电刺激初始参数，通过无线传输模块发送至电刺激模块，采集肌电信号。通过信号处理模块分析采集到的肌电信号的频率、幅值及其他关键特征，通过信号质量判别模块判断目前的电刺激参数是否合理。若此参数下肌电信号不能满足机器学习算法模块中所要求的信号标准，则进行参数调节。将电刺激模块中脉冲频率以1Hz步进进行增加，脉冲宽度以100us为步进进行增加，重新将设定的参数发送至电刺激模块，采集肌电信号进行判断。若满足信号标准，则调节电刺激时长参数，以1s为步进进行增加，调节至达到信号质量判别模块标准。

可选地，如图6所示，本申请实施例还提供一种电子设备1100，包括处理器1101，存储器1102，存储在存储器1102上并可在所述处理器1101上运行的程序或指令，该程序或指令被处理器1101执行时实现上述脑卒中风险预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

需要说明的是，本申请实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。

图7为实现本申请实施例的一种电子设备的硬件结构示意图。

该电子设备1200包括但不限于：射频单元1201、网络模块1202、音频输出单元1203、输入单元1204、传感器1205、显示单元1206、用户输入单元1207、接口单元1208、存储器1209、以及处理器1210等部件。

本领域技术人员可以理解，电子设备1200还可以包括给各个部件供电的电源(比如电池)，电源可以通过电源管理系统与处理器1210逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图7中示出的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，在此不再赘述。

应理解的是，本申请实施例中，输入单元1204可以包括图形处理器(GraphicsProcessing Unit，GPU)12041和麦克风12042，图形处理器12041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元1206可包括显示面板12061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板12061。用户输入单元1207包括触控面板12071以及其他输入设备12072。触控面板12071，也称为触摸屏。触控面板12071可包括触摸检测装置和触摸控制器两个部分。其他输入设备12072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。存储器1209可用于存储软件程序以及各种数据，包括但不限于应用程序和操作系统。处理器1210可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1210中。

本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述脑卒中风险预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等。

本申请实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述脑卒中风险预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

应理解，本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。

上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。