專利名稱：一種功能性電刺激膝關節(jié)角度控制方法
技術領域：
本發(fā)明涉及殘疾人康復治療指導控制領域，特別涉及一種功能性電刺激膝關節(jié)角度控制方法。
背景技術：
近年來，脊髓損傷以及中風等腦血管病導致癱瘓的發(fā)病率呈顯著上升趨勢，不但給個人和家庭都帶來較大的負擔，也成為日益沉重的社會問題。2011年我國召開的國務院常務會議指出，力爭到2015年，使我國殘疾人生活總體達到小康，參與和發(fā)展狀況顯著改善，初步實現(xiàn)殘疾人“人人享有康復服務”目標。肢體功能重建是對截癱患者進行康復治療時關注的一個重點與難點，這關系到其日常生活活動能力和生活質(zhì)量的提高問題。目前在截癱患者行走能力恢復方面， FES(Functional electrical stimulation，功能性電刺激)被普遍認為是一種比較有效的臨床工具。FES是利用某種特定的電流(電壓)信號刺激易興奮的肌肉、組織或器官，以改善其肌肉性能、恢復或重建由神經(jīng)損傷而喪失的肢體活動功能的技術。20世紀60年代， Liberson首次成功地利用電刺激腓神經(jīng)矯正了偏癱患者足下垂的步態(tài)，開創(chuàng)了功能性電刺激用于運動和感覺功能康復治療的新途徑。在FES中，利用神經(jīng)細胞對電刺激的響應來傳遞外加的人工控制信號，通過外電流的作用，神經(jīng)細胞能產(chǎn)生一個與自然激發(fā)引起的動作電位相似的神經(jīng)沖動，使其支配的肌肉纖維產(chǎn)生收縮，從而獲得運動的效果。盡管隨著了解的不斷深入，F(xiàn)ES已被應用于康復的許多領域，但是與其廣闊的應用前景相比，很多新的FES技術還只局限于實驗室階段，臨床應用的FES刺激模式以及達到的效果都非常有限。FES要想充分發(fā)揮其在康復領域的作用，就必須要建立一套完善的FES系統(tǒng)。傳統(tǒng)的下肢功能電刺激系統(tǒng)根據(jù)控制信號可分為肢體控制式功能性電刺激系統(tǒng)、生物電控制式功能性電刺激系統(tǒng)(a)肢體控制式功能性電刺激系統(tǒng)肢體控制式FES系統(tǒng)又可分為腳控式FES系統(tǒng)、手控式FES系統(tǒng)等。腳控式是最早的功能性電刺激器的控制方式，主要優(yōu)點是簡單方便、易于操作。但它有許多局限性，如受光腳使用等環(huán)境限制；腳底開關的觸發(fā)功能不穩(wěn)定；適用范圍小， 只適用于輕度癱瘓、尚存部分下肢功能的患者，對于下肢嚴重癱瘓的患者并不是理想的康復方案。手控式功能性電刺激優(yōu)點在于相對其他控制方式操作方便；相比于腳控式功能性電刺激系統(tǒng)，患者使用過程中有更多的主動性，容易被患者所接受。其局限性在于使用過程中患者需集中精力操作，有可能發(fā)生誤操作，導致患者在使用中因失去身體平衡而摔倒現(xiàn)象的發(fā)生，從而造成患者二次損傷。肢體式控制除腳控式和手控式外還有利用身體的其他部位的動作或者殘存功能的信息控制功能性電刺激，如肩部伸屈、頭部轉(zhuǎn)動、呼吸和語音等。目前，這些控制方式仍處于實驗室階段，尚未實際控制下肢行走；同時這些方式的控制源與控制對象之間的關系都是間接的，學習訓練相對比較復雜，不利于系統(tǒng)的方便靈活應用。
(b)生物電控制式FES系統(tǒng)生物電控制式FES系統(tǒng)常見的是肌電信號控制FES系統(tǒng)，神經(jīng)電信號控制FES系統(tǒng)和腦電信號控制FES系統(tǒng)等。肌電信號控制FES系統(tǒng)是利用肌電信息作為控制信號，控制相應的部位以恢復和重建由脊髓損傷所喪失的活動功能。但在實際運用中，肌電信號可能被FES系統(tǒng)刺激電流信號所湮沒，同時肌電信號還可能受到工頻、心電、運動偽跡等噪聲干擾影響，而且肌疲勞對FES下肌肉活動能力的影響是一個復雜的問題，致使肌電信號對功能性刺激系統(tǒng)控制能力下降，此控制方式尚處于實驗室階段。神經(jīng)電信號控制FES系統(tǒng)是利用環(huán)繞在目標神經(jīng)周圍的神經(jīng)卡環(huán)電極采集神經(jīng)電信號控制功能性電刺激器刺激相關肌肉塊使其產(chǎn)生相應的運動。但是由于對神經(jīng)卡環(huán)電極的材料要求較高，而且神經(jīng)電信號的提取速度比較緩慢；再者該控制方式需要將電極植入人體內(nèi)，屬于有創(chuàng)的控制方式，所以該技術仍處于初級研究階段。腦電信號控制FES系統(tǒng)是利用腦電信號的某個特征控制FES系統(tǒng)的電流控制模式。但是，腦電信號控制FES系統(tǒng)也面臨很大的困難，如腦-機接口速度較慢，而且將腦電信號作為控制信號還有一個缺陷是腦電的模式簡單，腦電比較弱，采集和處理都比較困難， 至今很少能走出實驗室。發(fā)明人在實現(xiàn)本發(fā)明的過程中發(fā)現(xiàn)現(xiàn)有技術中至少存在以下的缺點和不足傳統(tǒng)的肢體控制式和生物電控制式FES系統(tǒng)的各自缺點嚴重限制FES在截癱患者康復訓練中的廣泛應用，總結而言，主要的限制因素就是用于預測控制的輸入信號不能實時、準確反映目標肌肉的功能活動狀態(tài)(如肌疲勞)，從而使FES系統(tǒng)存在控制精度問題和系統(tǒng)穩(wěn)定性問題。

發(fā)明內(nèi)容
本發(fā)明提供了一種功能性電刺激膝關節(jié)角度控制方法，該方法實現(xiàn)了實時、準確反映目標肌肉的功能活動狀態(tài)，提高了精度和穩(wěn)定性，詳見下文描述一種功能性電刺激膝關節(jié)角度控制方法，所述方法包括以下步驟(1)采集功能性電刺激下的第一膝關節(jié)角度以及目標肌肉的超聲肌肉圖像；(2)對所述目標肌肉的超聲肌肉圖像進行頻域濾波，利用交叉相關方法提取目標肌肉的肌肉厚度參數(shù)；(3)通過灰度共生矩陣法提取目標肌肉的肌肉紋理參數(shù)；(4)根據(jù)刺激強度、所述目標肌肉的肌肉厚度參數(shù)和所述目標肌肉的肌肉紋理參數(shù)獲取第二膝關節(jié)角度；(5)通過所述第二膝關節(jié)角度和所述第一膝關節(jié)角度獲取相對均方根誤差、標準均方根誤差和相對系數(shù)，根據(jù)所述相對均方根誤差、所述標準均方根誤差和所述相對系數(shù)選取所述刺激強度、所述目標肌肉的肌肉厚度參數(shù)和所述目標肌肉的肌肉紋理參數(shù)的組合方式。所述對目標肌肉的超聲肌肉圖像進行頻域濾波，利用交叉相關方法提取肌肉厚度參數(shù)具體為1)對所得的所有所述目標肌肉的超聲肌肉圖像進行頻域濾波處理，獲取多幅處理后目標肌肉的超聲肌肉圖像；2)在所述多幅處理后目標肌肉的超聲肌肉圖像中手動選擇第一幅肌肉圖像的三個像素矩陣；3)通過交叉相關方法對第t (t > 1)幅肌肉圖像的三個像素矩陣與所述第一幅肌肉圖像的三個像素矩陣做相關，獲取第t幅與第一幅的三個邊界的最大相關區(qū)域；4)根據(jù)所述三個最大相關區(qū)域獲得所述肌肉厚度參數(shù)。本發(fā)明提供的技術方案的有益效果是本發(fā)明提供了一種功能性電刺激膝關節(jié)角度控制方法，本發(fā)明同時采集功能性電刺激下的膝關節(jié)角度以及目標肌肉的超聲肌肉圖像，采用濾波、區(qū)域匹配跟蹤等超聲圖像處理技術提取目標肌肉厚度信息，采用灰度共生矩陣提取目標肌肉紋理信息，將肌肉厚度信息、紋理信息以及刺激強度作為輸入，采用支持向量機和人工神經(jīng)網(wǎng)絡的方法得到第二膝關節(jié)角度；本發(fā)明的控制信號精度高，由于圖像信息與肌電信號及其干擾沒有直接的聯(lián)系，所以圖像信息的干擾和噪聲相對而言，遠小于腦電肌電等電信號；超聲成像在組織定征和生物測量上具有優(yōu)越的準確性和特異性；能夠根據(jù)當前目標肌肉的功能狀態(tài)(如肌疲勞導致的FES下肌肉活性的下降等)對輸入輸出參數(shù)進行調(diào)整。肌肉B超圖像信息包含肌肉厚度和肌肉紋理，已有研究表明肌肉厚度的增加能夠反映肌疲勞，肌肉紋理中包含的角二階矩、對比度、同質(zhì)性和熵能夠反映FES下肌肉紋理的均勻性和復雜度，所以肌肉圖像能夠充分反映肌肉的狀態(tài)，為FES的精確刺激提供了保證。


圖1為本發(fā)明提供的實驗的結構示意圖；圖2為本發(fā)明提供的一種功能性電刺激膝關節(jié)角度控制方法的流程圖；圖3為本發(fā)明提供的第一幅圖像上3個10X40像素矩陣的示意圖；圖4為本發(fā)明提供的第t幅圖像交叉相關結果的示意圖；圖5為本發(fā)明提供的共生矩陣生成過程的示意圖；圖6為本發(fā)明提供的無負載條件下膝關節(jié)角度的示意圖；圖7為本發(fā)明提供的有負載條件下膝關節(jié)角度的示意圖。
具體實施例方式為使本發(fā)明的目的、技術方案和優(yōu)點更加清楚，下面將結合附圖對本發(fā)明實施方式作進一步地詳細描述。為了能夠?qū)崟r、準確反映目標肌肉的功能活動狀態(tài)，提高精度和穩(wěn)定性，參見圖1 和圖2，本發(fā)明實施例提供了一種功能性電刺激膝關節(jié)角度控制方法，詳見下文描述101 采集功能性電刺激下的第一膝關節(jié)角度以及目標肌肉的超聲肌肉圖像；實驗受試者坐在實驗椅上，髖關節(jié)與椅子成90°，小腿自然下垂，暴露下肢待測股四頭肌肌群部位，室溫25°C左右。將角度探測器固定于膝關節(jié)。將FES電極固定于股直肌兩段肌腱處。在股直肌肌腹處涂抹超聲耦合劑，將超聲探頭固定于股直肌肌腹處，保持探頭平面與下肢徑向垂直。FES下肌肉形態(tài)及活動研究的實驗包含兩個部分無負載實驗刺激強度從1級逐漸增加，每個強度持續(xù)4s，直至膝關節(jié)伸直為止。將膝關節(jié)開始運的強度記為下臨界強度，將膝關節(jié)伸直時的強度記為上臨界強度，將下-上-下臨界強度的變化作為一個FES周期。從第1級開始記錄每個等級的第一膝關節(jié)角度，并在第一個下臨界強度開始采集肌肉圖像。在每個強度的第3s采集超聲肌肉圖像， 持續(xù)8個周期。有負載實驗實驗開始前，將是身體體重1/150質(zhì)量的砝碼固定于受試者腳踝處。然后，實驗過程與無負載實驗相同。由于股四頭肌系統(tǒng)中股直肌和股中間肌具有一定的交疊性，所以實驗可以同時采集股直肌(rectus femoris, RF)和股中間肌(vastus intermedius，VI)的圖像信息。102:對目標肌肉的超聲肌肉圖像進行頻域濾波，利用交叉相關方法提取目標肌肉的肌肉厚度參數(shù)；其中，由于肌肉的邊界輪廓屬于低頻成分，而噪聲和細節(jié)屬于高頻成分，所以對自主收縮的肌肉圖像進行頻域濾波，只保留自主收縮的肌肉圖像的低頻輪廓信息，為后續(xù)提取肌肉厚度參數(shù)提供保證和前提。其中，肌肉厚度參數(shù)提取方法為交叉相關方法。在自然界或人類社會中，如果變量之間具有相隨變動的關系，則稱變量之間相關(correlation)。對于一維信號，交叉相關方法是用于評價兩列數(shù)的相關性的標準方法。假設存在兩列數(shù)1和7，1 = 0，1，2...^1力的取值為正整數(shù)，則兩列數(shù)關于延遲為d的相關系數(shù)r(d)如下公式所示
/λ ΣΓ:1 I(xO) - mxXyii ~d)~ my)\r[d) = Ni — . _- , N2
νΣ!=0 (xO) - mxf νΣ!=0 Wi' ~d)~ —y其中，mx，my分別為兩列數(shù)的均值，r(d)的取值范圍為[_1，1]。r(d) =0，表示兩列數(shù)不相關；r(d) =-1，表示兩列數(shù)呈最大負相關；r(d) = 1，表示兩列數(shù)呈最大正相關。一維信號的交叉相關方法在二維圖像中拓展，可以用于圖像中邊界特征的識別和提取。先取第一幅圖像的一個邊界區(qū)域像素矩陣markl，大小為mXn。先按照第一幅圖像里邊界區(qū)域矩陣markl的位置在第二幅圖像里找到邊界區(qū)域矩陣mark2，然后按照向量(m， η)對邊界區(qū)域矩陣mark2進行移動，然后對markl和mark2做交叉相關，如下公式所示
,、 Ζο ΣΓο[(xO'j)-mxM.-mj-n)-my)]r{m,n) = —= ^[mini—
νΣΖο1 Σ 二 (噸 j) -mx)2 α/Σ二1 ΣΙ:1 ~d)~ —)2得到的r(m，n)即為交叉相關結果，當交叉相關結果最大時mark2所在的位置即為 markl移動后的位置，M和N的取值為正整數(shù)。其中，對目標肌肉的超聲肌肉圖像進行頻域濾波，利用交叉相關方法提取肌肉厚度參數(shù)具體為1)對所得的所有目標肌肉的超聲肌肉圖像進行頻域濾波處理，獲取多幅處理后目標肌肉的超聲肌肉圖像；2)在多幅處理后目標肌肉的超聲肌肉圖像中手動選擇第一幅肌肉圖像的三個像素矩陣；
其中，參見圖3和圖4，該步驟具體為受試者對一次實驗所得的所有肌肉超聲圖像經(jīng)過頻域濾波預處理后，在第一圖像中手動選擇3個10X40像素矩陣，分別位于皮膚與股直肌邊界、股直肌與股中間肌邊界和股中間肌與股骨邊界。3)通過交叉相關方法對第t(t > 1)幅肌肉圖像的三個像素矩陣與第一幅肌肉圖像的三個像素矩陣做相關，獲取第t幅與第一幅的三個邊界的最大相關區(qū)域；該步驟具體為第t幅處理后自主收縮的肌肉圖像的第1個像素矩陣在圖像上按照向量Ovn1)移動，其中[-10,9], H1 e [-10，9]，計算第1幅第1個像素矩陣與第t 幅圖像第1個像素矩陣的400個交叉相關值，尋找最大相關值rmaxl對應的移動向量(mmaxl， nfflaxl)，則mmaxl即為第t幅圖像相對于第1幅圖像的厚度移動量；第2個像素矩陣在圖像上按照向量(m2，n2)移動，其中m2 e [-30,19], n2 e [-40,39]；第3個像素矩陣在圖像上按照向量(m3，n3)移動，其中m3e [-20,39], n3 e [-10，19]，其中，第2個像素矩陣和第3個像素矩陣計算肌肉厚度的方法與第1個像素矩陣相同。按交叉相關方法尋找第t幅圖像與第1幅的最大相關區(qū)域，得到結果如圖4所示。4)根據(jù)三個最大相關區(qū)域獲得肌肉厚度參數(shù)。103 通過灰度共生矩陣法提取目標肌肉的肌肉紋理參數(shù)；紋理是圖像分析中的常用概念，是圖像的一個重要而又難以描述的特征，是理解圖像的一個極其重要的信息源，反映圖像顏色和灰度的某種變化，而這種變化又與物體本身的屬性相關。紋理其確切定義為規(guī)律性或隨機性重復顯示的某種圖像基元。圖像中局部不規(guī)則而宏觀有規(guī)律的特性稱之為紋理。紋理分析是模式識別與圖像處理應用中一種重要的分析方法，它指的是通過一定的圖像處理技術抽取出紋理特征，從而獲得紋理的定量或定性描述的處理過程。肌肉紋理信息提取方法為灰度共生矩陣法(gray level co-occurrence matrixmethod)?；叶裙采仃噷D像的所有像素進行調(diào)查統(tǒng)計，兼可反映圖像的灰度值和灰度分布兩個方面的特性，是一種可同時描述圖像灰度的空間分布特性和空間相關性的方法。取圖像中任一點(x，y)，及偏離它的另一點(x+a，y+b)，該點對的灰度值記為(gl， g2)，令(x，y)在整個感興趣的區(qū)域上移動，則會得到各種(gl，g2)值。以此法統(tǒng)計圖像中相距(a，b)的兩個象素灰度值出現(xiàn)的聯(lián)合頻數(shù)概率P(gl，g2)。設灰度值的級數(shù)為L，則gl， g2的組合共有L2種，對整個感興趣的區(qū)域統(tǒng)計出每一種(gl，g2)出現(xiàn)的次數(shù)(此次數(shù)即為共生矩陣f(gl, g2)的第gl行g2列的元素值)，排列成一個方陣f(gl，g2)，即得到圖像的共生矩陣。將出現(xiàn)次數(shù)歸一化得到每個點對出現(xiàn)的概率P (gl，g2)。對同一圖像，灰度量化級不同，距離差分值a和b取不同的組合，得到不同的共生矩陣?；叶裙采仃囅袼貙Φ倪x擇主要有四個方向0°、45°、90°和135°。共生矩陣生成過程如圖5所示。為了能更直觀地以共生矩陣描述紋理狀況，從共生矩陣導出一些反映矩陣狀況的參數(shù)，典型的有以下幾種(a)角二階矩(能量)ASM
權利要求
1.一種功能性電刺激膝關節(jié)角度控制方法，其特征在于，所述方法包括以下步驟(1)采集功能性電刺激下的第一膝關節(jié)角度以及目標肌肉的超聲肌肉圖像；(2)對所述目標肌肉的超聲肌肉圖像進行頻域濾波，利用交叉相關方法提取目標肌肉的肌肉厚度參數(shù)；(3)通過灰度共生矩陣法提取目標肌肉的肌肉紋理參數(shù)；(4)根據(jù)刺激強度、所述目標肌肉的肌肉厚度參數(shù)和所述目標肌肉的肌肉紋理參數(shù)獲取第二膝關節(jié)角度；(5)通過所述第二膝關節(jié)角度和所述第一膝關節(jié)角度獲取相對均方根誤差、標準均方根誤差和相對系數(shù)，根據(jù)所述相對均方根誤差、所述標準均方根誤差和所述相對系數(shù)選取所述刺激強度、所述目標肌肉的肌肉厚度參數(shù)和所述目標肌肉的肌肉紋理參數(shù)的組合方式。
2.根據(jù)權利要求1所述的一種功能性電刺激膝關節(jié)角度控制方法，其特征在于，所述對目標肌肉的超聲肌肉圖像進行頻域濾波，利用交叉相關方法提取肌肉厚度參數(shù)具體為1)對所得的所有所述目標肌肉的超聲肌肉圖像進行頻域濾波處理，獲取多幅處理后目標肌肉的超聲肌肉圖像；2)在所述多幅處理后目標肌肉的超聲肌肉圖像中手動選擇第一幅肌肉圖像的三個像素矩陣；3)通過交叉相關方法對第t(t> 1)幅肌肉圖像的三個像素矩陣與所述第一幅肌肉圖像的三個像素矩陣做相關，獲取第t幅與第一幅的三個邊界的最大相關區(qū)域；4)根據(jù)所述三個最大相關區(qū)域獲得所述肌肉厚度參數(shù)。
全文摘要
本發(fā)明公開了一種功能性電刺激膝關節(jié)角度控制方法，采集功能性電刺激下的第一膝關節(jié)角度以及目標肌肉的超聲肌肉圖像；對目標肌肉的超聲肌肉圖像進行頻域濾波，利用交叉相關方法提取目標肌肉的肌肉厚度參數(shù)；通過灰度共生矩陣法提取目標肌肉的肌肉紋理參數(shù)；根據(jù)刺激強度、目標肌肉的肌肉厚度參數(shù)和目標肌肉的肌肉紋理參數(shù)獲取第二膝關節(jié)角度；通過第二膝關節(jié)角度和第一膝關節(jié)角度獲取相對均方根誤差、標準均方根誤差和相對系數(shù)，根據(jù)相對均方根誤差、標準均方根誤差和相對系數(shù)選取所述刺激強度、目標肌肉的肌肉厚度參數(shù)和目標肌肉的肌肉紋理參數(shù)的組合方式。本發(fā)明的控制信號精度高，能夠根據(jù)當前目標肌肉的功能狀態(tài)對輸入輸出參數(shù)進行調(diào)整。
文檔編號A61B8/08GK102488963SQ201110405730
公開日2012年6月13日 申請日期2011年12月8日 優(yōu)先權日2011年12月8日
發(fā)明者萬柏坤, 徐立峰, 明東, 綦宏志, 邱爽, 陳元園 申請人:天津大學