脑卒中康复运动中肌肉协同特性分析方法研究
作者单位:燕山大学
学位级别:硕士
导师姓名:谢平
授予年度:2022年
学科分类:0711[理学-系统科学] 1002[医学-临床医学] 07[理学] 08[工学] 080401[工学-精密仪器及机械] 1010[医学-医学技术(可授医学、理学学位)] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 100204[医学-神经病学] 100215[医学-康复医学与理疗学] 10[医学]
主 题:脑卒中 肌肉协同 非负张量分解 共享协同与特殊协同 时-频-空协同
摘 要:肌肉协同控制就是中枢神经系统(Central Nervous System,CNS)对各种肌肉的组织协调控制,也称运动控制的模块化,可以用来简单化人体肢体运动控制的复杂性。肌肉协同结构具有时空、任务运动和节律性等多域特征,但目前现有的肌肉协同分析研究主要采用矩阵分解的方法从时域单时空的角度提取协同结构。现有研究一方面忽略了基于多通道表面肌电(Surface Electromyographicl,s EMG)信号的肌肉协同结构中存在着与任务动作相关的共享协同与特殊协同特征和任务动作之间存在着交互信息的特点;另一方面没有考虑肌肉协同结构内部的频率特征,降低了分析结果的有效性。同时,在人体运动时s EMG与肌肉协同结构具有因果效应,为此基于s EMG对脑卒中患者进行肌肉协同多域特征分析,这对有效地揭示运动的形成机制、神经振荡的协调机制及脑卒中患者的异常运动功能机制具有重要意义。因此,针对以上问题,本研究从肌肉协同多域特性分析的角度出发,提出了基于非负张量分解(Nonnegative Tensor Factorization,NTF)的协同分析方法。以健康人与脑卒中患者为研究被试,围绕肌肉协同的共享与特殊协同特征及时-频-空特征两方面进行分析与探究。本文的主要工作如下:(1)针对任务中存在共享肌肉协同与特殊肌肉协同特征方面进行探究,提出基于非负张量分解的肌肉共享与特殊协同特征分析算法。通过对健康青年被试数据的分析,研究表明NTF算法与传统的协同分析方法相比可以更有效的提取共享肌肉协同和特殊肌肉协同特征。(2)从时间-频率-空间层面对肌肉协同特征进行探究,提出基于小波-非负张量分解的肌肉时-频-空协同分析算法,通过对健康青年被试组的实验数据分析,提取出与肌肉权重分量相关的肌肉协同矩阵、肌肉时间激活系数以及肌肉频谱成分,验证了与传统肌肉协同分析方法相比该算法可以有效地提取肌肉时-频-空协同特征。(3)将所研究的方法应用于脑卒中患者和健康中老年对照组的上肢表面肌电信号的肌肉协同分析中,通过在肌肉共享与特殊协同特性以及肌肉时-频-空协同特征两方面进行对比分析,实验研究结果表明脑卒中患者的肌肉协同特性在不同程度上与健康对照组肌肉协同特性存在差异,这反映了脑卒中患者在上肢运动时的异常肌肉协同作用会导致上肢异常的肌肉激活现象。研究结果有助于深入理解人体肌肉协同多域特性,为脑卒中患者在临床运动康复中的个性化治疗策略指定提供了理论参考。