基于可穿戴计算的脑卒中健康评估方法、装置及电子设备

技术领域

本发明涉及健康指数计算、医疗自动化诊断及传感器技术领域，并且更具体地，涉及一种基于可穿戴计算的脑卒中健康评估方法、装置及电子设备。

背景技术

脑卒中是由脑部血管突然破裂或血管阻塞导致血液不能流入大脑而引起脑组织损伤的一组疾病，是中国居民第一大死因，具有高发病率、高死亡率、高致残率、高复发率和高经济负担五大特点，给患者本人、家庭、国家和社会均带来沉重的负担。可穿戴计算是一种“以人为本”的新型计算模式，强调以自然穿戴的方式提供计算功能，通过融合信息空间和物理空间，为用户提供随时随地的服务，提供人机之间自然、方便和直接的交互。目前，伴随着人工智能技术的发展，可穿戴计算已逐步普及，并广泛应用于帕金森病、阿尔兹海默症和脑卒中等各类疾病的诊疗中。

现有脑卒中患者分级评估方案主要可分为基于临床经验的评估方案和自动化评估方案两种。其中，基于临床经验的评估方案又可分为以肌力变化和整体运动模式为标准的两种方案。以肌力变化为标准的方案又称为徒手肌力检查法，要求受试者在特定的体位下，分别在减重力、抗重力和抗阻力的条件下完成标准动作，测试者同时通过触摸肌腹、观察肌肉的运动情况和关节的活动范围以及克服阻力的能力，来确定肌力的大小。整体运动模式为标准的方案包括布氏分期评估法、Fugl-Meyer评定法、Carroll双上肢功能测试等，其中布什分期评估法具有可靠、有效、简单、易用的优势，是临床诊疗中最常用的评估方法。

除基于临床经验的评估方案外，随着人工智能技术的发展，很多研究者也开始探索自动化的评估方案。常用的自动化评估方案常使用脑部电子计算机断层扫描(ComputedTomography，CT)、核磁共振成像(Nuclear Magnetic Resonance Imaging，MRI)、脑电(Electroencephalogram，EEG)、肌电(Electromyography，EMG)等影像、电生理信号或多模态融合信号，实现脑卒中的分级量化评估。

上述基于临床经验的评估方案和基于影像、电生理信号的自动化评估方案主要面临以下三个方面的不足，包括：

(1)基于临床经验的评估方案易医师主观经验影响，客观程度低，需专业医护人员参与；

(2)基于影像、电生理信号的自动化评估方案信号采集费用高，如一次CT一般需要300-1000元人民币；

(3)基于影像、电生理信号的自动化评估方案还面临信号质量易受环境影响的问题，影像、电生理信号鲁棒性差。

因此，以上方案常面临信号采集费用高、信号质量易受使用环境影响等问题。

发明内容

针对现有技术的不足，本发明提供一种基于可穿戴计算的脑卒中健康评估方法、装置及电子设备。

根据本发明的一个方面，提供了一种基于可穿戴计算的脑卒中健康评估方法，包括：

通过多个惯性测量装置采集评估对象的运动数据，其中所述多个惯性测量装置分别布设于所述评估对象的不同部位；

基于所述多个惯性测量装置采集的运动数据，计算所述评估对象的各个关节的关节角度；

基于关节角度的计算结果和临床采集的多例患者数据，构建深度学习模型；

通过构建的深度学习模型，对所述评估对象进行多维度的量化评估，并基于多维度的量化评估结果确定所述评估对象的脑卒中等级。

优选地，所述评估对象的各个关节包括膝关节、肘关节和肩关节，其中膝关节和肘关节属于铰链关节，肩关节属于球面关节；并且

基于所述多个惯性测量装置采集的运动数据，计算所述评估对象的各个关节的关节角度的操作，包括：

基于所述多个惯性测量装置采集的运动数据，采用预设的铰链关节角度算法，确定膝关节和肘关节的关节角度；

基于所述多个惯性测量装置采集的运动数据，采用预设的球面关节角度算法，确定肩关节的关节角度。

优选地，基于关节角度的计算结果和临床采集的多例患者数据，构建深度学习模型的操作，包括：

基于关节角度的计算结果和临床采集的多例患者数据，构建训练数据集；

对构建的训练数据集进行预处理；

根据预处理后的训练数据集的数据量和数据特点，使用对应的深度学习网络，构建深度学习模型。

优选地，构建深度学习模型之后，所述方法还包括：

通过多个惯性测量装置采集评估数据；

对所述评估数据进行预处理；

将预处理后的评估数据输入构建的深度学习模型，计算评估对象上肢、下肢、手部、站立平衡和坐位平衡的布什分期结果。

根据本发明的另一个方面，提供了一种基于可穿戴计算的脑卒中健康评估装置，包括：

运动数据采集模块，用于通过多个惯性测量装置采集评估对象的运动数据，其中所述多个惯性测量装置分别布设于所述评估对象的不同部位；

关节角度计算模块，用于基于所述多个惯性测量装置采集的运动数据，计算所述评估对象的各个关节的关节角度；

模型构建模块，用于基于关节角度的计算结果和临床采集的多例患者数据，构建深度学习模型；

脑卒中健康评估模块，用于通过构建的深度学习模型，对所述评估对象进行多维度的量化评估，并基于多维度的量化评估结果确定所述评估对象的脑卒中等级。

优选地，所述评估对象的各个关节包括膝关节、肘关节和肩关节，其中膝关节和肘关节属于铰链关节，肩关节属于球面关节；并且

所述关节角度计算模块，包括：

第一关节角度确定子模块，用于基于所述多个惯性测量装置采集的运动数据，采用预设的铰链关节角度算法，确定膝关节和肘关节的关节角度；

第二关节角度确定子模块，用于基于所述多个惯性测量装置采集的运动数据，采用预设的球面关节角度算法，确定肩关节的关节角度。

优选地，所述模型构建模块，包括：

数据集构建子模块，用于基于关节角度的计算结果和临床采集的多例患者数据，构建训练数据集；

第一预处理子模块，用于对构建的训练数据集进行预处理；

模型构建子模块，用于根据预处理后的训练数据集的数据量和数据特点，使用对应的深度学习网络，构建深度学习模型。

优选地，所述模型构建模块，还包括：

评估数据采集子模块，用于通过多个惯性测量装置采集评估数据；

第二预处理子模块，用于对所述评估数据进行预处理；

布什分期结果计算子模块，用于将预处理后的评估数据输入构建的深度学习模型，计算评估对象上肢、下肢、手部、站立平衡和坐位平衡的布什分期结果。

根据本发明的又一个方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行本发明上述任一方面所述的方法。

根据本发明的又一个方面，提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现本发明上述任一方面所述的方法。

从而，本申请仅使用多个成本更低廉的可穿戴传感器采集患者上下肢运动信号，便可对患者数据进行量化评估，惯性测量装置穿戴简易、成本较低，可适用家庭、社区和医院等不同场景的评估需求。并且，结合布什分期标准和深度学习技术，对患者的卒中等级进行量化评估。具有客观量化、人力成本低、评估费用低和能够适用家庭、社区和医院等不同环境的优势。

附图说明

通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：

图1是本发明一示例性实施例提供的基于可穿戴计算的脑卒中健康评估方法的流程示意图；

图2是本发明一示例性实施例提供的基于可穿戴计算的脑卒中分级评估方法的整体框架图；

图3是本发明一示例性实施例提供的IMU在局部坐标系中的方向向量的示意图；

图4是本发明一示例性实施例提供的肩关节和肘关节的模型示意图；

图5是本发明一示例性实施例提供的深度学习模型的构建示意图；

图6是本发明一示例性实施例提供的深度学习模型的推理示意图；

图7是本发明一示例性实施例提供的基于可穿戴计算的脑卒中健康评估装置的结构示意图；

图8是本发明一示例性实施例提供的电子设备的结构。

具体实施方式

下面，将参考附图详细地描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。

应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

本领域技术人员可以理解，本发明实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。

还应理解，在本发明实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。

还应理解，对于本发明实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。

另外，本发明中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本发明中字符“/”，一般表示前后关联对象是一种“或”的关系。

还应理解，本发明对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备应当被视为说明书的一部分。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

本发明实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。

终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。

示例性方法

图1是本发明一示例性实施例提供的基于可穿戴计算的脑卒中健康评估方法的流程示意图。本实施例可应用在电子设备上，如图1所示，基于可穿戴计算的脑卒中健康评估方法100包括以下步骤：

步骤101，通过多个惯性测量装置采集评估对象的运动数据，其中所述多个惯性测量装置分别布设于所述评估对象的不同部位。

具体地，如图2所示，本发明提出的一种基于可穿戴计算的脑卒中健康评估方法由数据采集、关节角度计算、深度学习模型和评估结果四部分构成。其中，数据采集部分包括：通过布设于上臂、前臂、腰部、大腿和小腿的五个惯性测量装置(Inertial MeasurementUnit，IMU)采集加速计、陀螺仪和磁力仪，实时采集患者在肩前屈、肩关节外展、站位屈膝、肩关节屈曲、坐位屈膝、屈膝90°位等动作下的运动数据。

步骤102，基于所述多个惯性测量装置采集的运动数据，计算所述评估对象的各个关节的关节角度。

具体地，通过五个惯性测量装置采集的加速计、陀螺仪和磁力仪数据，计算膝关节、肘关节和肩关节的关节角度，具体计算过程将在下文详细阐述。

优选地，所述评估对象的各个关节包括膝关节、肘关节和肩关节，其中膝关节和肘关节属于铰链关节，肩关节属于球面关节；并且基于所述多个惯性测量装置采集的运动数据，计算所述评估对象的各个关节的关节角度的操作，包括：基于所述多个惯性测量装置采集的运动数据，采用预设的铰链关节角度算法，确定膝关节和肘关节的关节角度；基于所述多个惯性测量装置采集的运动数据，采用预设的球面关节角度算法，确定肩关节的关节角度。

具体地，膝关节和肘关节属于铰链关节，肩关节为球面关节。铰链关节的关节角度计算过程为：首先利用运动学约束计算关节轴在两个IMU局部坐标系中的方向向量j

α

最后，通过角度传感数据，对运动周期进行识别，从而消除基于陀螺仪的角度计算产生的漂移。

球面关节的关节角度计算过程为：球面关节自由度大，需要计算的角度为肩关节前屈、外展和水平外展时的角度，我们借助机械臂的运动学和动力学知识，为人体手臂建模，从而计算出肩关节角度。首先，为了描述每一对相邻肢体的位置和方向，我们在肢体i上建立坐标系{i},相邻坐标系之间可以计算变换矩阵。一个具有n个自由度的关节可以看成是用n个单自由度的关节与n-1个长度为0的连杆连接而成，因此在肩关节上可以建立三个坐标系。图4展示了手臂的运动模型，表1是框架1-5的D-H参数。

表1手臂模型的D-H参数(l

接着，计算肢体间速度和加速度的传播：由牛顿-欧拉运动方程可得肢体i+1和i之间的速度、加速度关系为：

在定义了手臂的运动力学模型之后，我们可以建立测量的数据和生物力学状态之间的关系。状态方程是：

其中，i＝{1，2，3，4，5}，θ

步骤103，基于关节角度的计算结果和临床采集的多例患者数据，构建深度学习模型。

具体地，基于关节角度计算结果和临床采集的多例患者数据，构建深度学习量化评估模型，深度学习模型包括模型构建和模型推理两部分，具体计算过程将在下文详细阐述。

优选地，基于关节角度的计算结果和临床采集的多例患者数据，构建深度学习模型的操作，包括：基于关节角度的计算结果和临床采集的多例患者数据，构建训练数据集；对构建的训练数据集进行预处理；根据预处理后的训练数据集的数据量和数据特点，使用对应的深度学习网络，构建深度学习模型。

具体地，深度学习模型构建过程如图5所示，由训练数据采集和评估模型构建两部分构成，训练数据采集过程中，通过由5个惯性测量装置构成的采集单元采集原始数据，并通过关节角度计算算法将采集的数据转化为关节角度作为训练数据X，并让专业医师对患者的上下肢运动能力按照布什分期标准进行评估作为数据标签Y，由此构建训练数据集{(X,Y)}；评估模型构建过程中，通过数据降噪、数据归一化、训练验证集划分等进行数据预处理，并根据训练数据量和数据特点，使用LeNet、ResNet、GoogleNet和Transformer等骨干网络，构建评估模型。

优选地，构建深度学习模型之后，所述方法还包括：通过多个惯性测量装置采集评估数据；对所述评估数据进行预处理；将预处理后的评估数据输入构建的深度学习模型，计算评估对象上肢、下肢、手部、站立平衡和坐位平衡的布什分期结果。

具体地，构建深度学习模型之后，还需要进行深度学习模型推理。深度学习模型推理过程如图6所示，数据采集和模型推理两部分构成，同样使用由5个惯性测量装置构成的采集单元采集患者的原始数据，并基于原始数据计算关节角度，构成评估数据；对评估数据进行降噪等预处理，将预处理后的评估数据放入通过评估模型，自动计算患者上肢、下肢、手部、站立平衡和坐位平衡的布什分期结果。

步骤104，通过构建的深度学习模型，对所述评估对象进行多维度的量化评估，并基于多维度的量化评估结果确定所述评估对象的脑卒中等级。

具体地，通过构建的深度学习模型，对患者的上肢、下肢、手部、站立平衡和坐位平衡能力分别进行量化评估，以上五方面的评估结果即脑卒中患者患病情况的分级量化评估结果，从而确定患者的脑卒中等级。

综上所述，本申请仅使用五个成本更低廉的可穿戴传感器采集患者上下肢运动信号，便可对患者数据进行量化评估，惯性测量装置穿戴简易、成本较低，可适用家庭、社区和医院等不同场景的评估需求。并且，结合布什分期标准和深度学习技术，对患者的卒中等级进行量化评估。具有客观量化、人力成本低、评估费用低和能够适用家庭、社区和医院等不同环境的优势。

示例性装置

图7是本发明一示例性实施例提供的基于可穿戴计算的脑卒中健康评估装置700的结构示意图。如图7所示，装置700包括：

运动数据采集模块710，用于通过多个惯性测量装置采集评估对象的运动数据，其中所述多个惯性测量装置分别布设于所述评估对象的不同部位；

关节角度计算模块720，用于基于所述多个惯性测量装置采集的运动数据，计算所述评估对象的各个关节的关节角度；

模型构建模块730，用于基于关节角度的计算结果和临床采集的多例患者数据，构建深度学习模型；

脑卒中健康评估模块740，用于通过构建的深度学习模型，对所述评估对象进行多维度的量化评估，并基于多维度的量化评估结果确定所述评估对象的脑卒中等级。

优选地，所述评估对象的各个关节包括膝关节、肘关节和肩关节，其中膝关节和肘关节属于铰链关节，肩关节属于球面关节；并且

所述关节角度计算模块720，包括：

第一关节角度确定子模块，用于基于所述多个惯性测量装置采集的运动数据，采用预设的铰链关节角度算法，确定膝关节和肘关节的关节角度；

第二关节角度确定子模块，用于基于所述多个惯性测量装置采集的运动数据，采用预设的球面关节角度算法，确定肩关节的关节角度。

优选地，所述模型构建模块730，包括：

数据集构建子模块，用于基于关节角度的计算结果和临床采集的多例患者数据，构建训练数据集；

第一预处理子模块，用于对构建的训练数据集进行预处理；

模型构建子模块，用于根据预处理后的训练数据集的数据量和数据特点，使用对应的深度学习网络，构建深度学习模型。

优选地，所述模型构建模块730，还包括：

评估数据采集子模块，用于通过多个惯性测量装置采集评估数据；

第二预处理子模块，用于对所述评估数据进行预处理；

布什分期结果计算子模块，用于将预处理后的评估数据输入构建的深度学习模型，计算评估对象上肢、下肢、手部、站立平衡和坐位平衡的布什分期结果。

示例性电子设备

图8是本发明一示例性实施例提供的电子设备的结构。如图8所示，电子设备80包括一个或多个处理器81和存储器82。

处理器81可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。

存储器82可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器81可以运行所述程序指令，以实现上文所述的本发明的各个实施例的软件程序的对历史变更记录进行信息挖掘的方法以及/或者其他期望的功能。在一个示例中，电子设备还可以包括：输入装置83和输出装置84，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

此外，该输入装置83还可以包括例如键盘、鼠标等等。

该输出装置84可以向外部输出各种信息。该输出装置84可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图8中仅示出了该电子设备中与本发明有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备还可以包括任何其他适当的组件。

示例性计算机程序产品和计算机可读存储介质

除了上述方法和设备以外，本发明的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的方法中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本发明的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的对历史变更记录进行信息挖掘的方法中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，在本发明中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明为必须采用上述具体的细节来实现。

本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本发明中涉及的器件、系统、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、系统、设备、系统。诸如“包括”、“包含”、“具有”

等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。

这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组

“诸如但不限于”，且可与其互换使用。

可能以许多方式来实现本发明的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和系统。用于所述方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。

还需要指出的是，在本发明的系统、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本发明。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本发明的范围。因此，本发明不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本发明的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。