[发明专利]一种基于脑肌网络图论特征的卒中后康复评估深度学习模型构建方法

说明书

本发明公开了一种基于脑肌网络图论特征的卒中后康复评估深度学习模型构建方法，涉及神经生理学与机器学习交叉领域。本发明通过脑肌闭环功能网络表征卒中后的病理拓扑结构，在此基础上，进一步基于图论特征建立深度学习模型评定脑卒中患者恢复程度及预测康复进程，重点考虑勾联小世界网络特征与神经网络在评定预测运动功能障碍中的一致特性、以及如何实现多目标学习和联合优化等。本发明利用脑肌电双模态神经电生理信息，构建了新型卒中后住院恢复期运动功能评定和回访期康复效果预测方法，有望提高临床康复评估效率，从而具有重要的应用价值。

技术领域

本发明涉及神经生理学与机器学习交叉领域，具体涉及一种基于脑肌闭环功能网络图论特征的卒中后康复评估深度学习模型构建方法。

背景技术

脑卒中是全球人口死亡和致残的首要原因。我国每年新发脑卒中患者约200万人，其中70％-80％遗留有功能障碍。卒中后长期伴随的运动功能障碍是制约患者回归正常生活的重要一环。

康复治疗是患者回归社会和家庭的主要诊疗手段，但前提是康复训练前精准评估卒中后的运动功能重塑进程，这对于临床医师制定治疗策略起着重要的指导意义。康复评估的原则要做到住院期全程评定和出院后定期回访评定。然而，国内外针对运动功能障碍的临床评估主要以量表评价为主，根据项目完成度打分判定患者的恢复状况，检测多是单一固定的动作，耗时较长且均存在依赖评定者主观经验判断的问题，目前缺乏客观有效且直接定量评估大脑与肌肉功能恢复的评价方法。

功能磁共振成像、脑磁图、功能性近红外光谱等医疗影像手段虽然可以精确定位脑病灶部位，一定程度上弥补了传统量表的局限，但评估费用高昂，后期图像分析处理速度慢、计算复杂等问题制约了应用的广泛性。生理电信号，如脑电(EEG)和肌电(EMG)，具有高精度、高时间分辨率的特点，能够快速表征患者受损大脑和肌肉功能的变化状况，且价格低廉，在卒中后的病理研究和阶段性康复状态评估上得以应用。但在临床上仍未成为常规的脑卒中康复评估方式，分析国内外相关研究，总结存在的主要问题如下：

一、单模态的评估精度不足，传统EEG或EMG信号分析仅考虑卒中后的单向通路(大脑皮层或外周系统)传递信息，缺乏大脑-肌肉双向通路的同步耦合分析。

卒中引发皮层和神经通路的损伤导致大脑局部神经功能缺失，无法向外周神经系统发出准确完整的神经冲动，进而引发运动功能障碍，其控制是一个“闭环”过程，需要促进大脑皮层的神经信息(运动意图)传递控制和外周的感觉反馈(肌肉收缩)双向通路恢复，该闭环过程耦合在一个复杂的反馈回路中，通常定义为脑肌功能耦合。大量研究已经证明同步EEG和EMG信息可以表征大脑与其支配肌肉之间功能耦合。现有脑肌耦合以单通道分析为主，未考虑脑损伤后病灶部位的局域性质，耦合量化特征不能充分代表双向通路的闭环演变过程。

二、基于图论特征的脑功能网络连通性分析提供新思路，尚未应用于脑-肌耦合双向通路闭环过程中。

近年来，脑功能网络连通性分析成为评估卒中后大脑功能的新工具，通过在宏观尺度上对各个脑区、神经元群构建网络节点和连接边，基于图论特征可实现患者的病理拓扑理解。借鉴脑网络的思路，以多通道EEG和EMG作为网络节点，将大脑-肌肉之间上行和下行通路耦合信息整合到统一的“闭环”网络中，可以解释与肌肉活动相关的脑卒中患者皮层网络的动态变化机制。在“闭环”网络基础上，基于深度学习模型，开展住院期脑卒中运动功能自动评估以及回访期康复效果预测，以图论特征为神经网络输入训练模型，将大大减轻临床康复医师的工作负担和患者的评估消耗时间，属于临床康复领域极具潜在价值的未探索前沿课题。

发明内容

本发明旨在联合EEG和EMG两种生理电信号，面向当前国内外卒中后上肢运动功能恢复评定和康复效果预测研究中的重点和难点问题，从深度神经网络模型构建角度出发，基于脑-肌闭环网络拓扑结构建立针对脑卒中患者动态运动的网络表征，以图论特征描述网络连接的密集性、耦合强度等，进一步以深度学习模型预测患者的运动功能，实现客观评定脑卒中患者运动功能的重塑进程。