一种面向脑机接口康复的卒中患者下肢预后评估方法

本技术涉及临床诊断医疗领域，尤其涉及一种面向脑机接口康复的卒中患者下肢预后评估方法。

背景技术：

1、现有技术中，脑卒中又称中风，是一种由于脑部血管突然破裂或因血管阻塞导致血液不能流入大脑而引起脑组织损伤的一种急性脑血管病。据卫生部门统计，我国卒中患者总数已趋近2000万，并且每年新增患者超过250万。数据显示，2019年我国缺血性脑卒中发病率为1700/10万、出血性脑卒中发病率为306/10万。脑卒中也是导致残疾的主要原因，对患者及其家庭是一个巨大的经济负担。

2、非侵入式脑机接口技术(brain-computer interfaces,bci)可以将内源性神经活动转化为有意义的输出，从而促进状态依赖的神经可塑性和功能性皮质脊髓连接。一项系统的荟萃分析报道，基于bci的神经康复比传统治疗更能改善运动损伤的结果，并在亚临床水平上诱导功能和结构的神经可塑性。bci康复可能是一个有前途的康复疗法，但是由于卒中后运动恢复的高度个体差异性，仅依托单一疗法的“一刀切”策略在临床实践中效果受限。一些研究也已经表明针对bci疗法存在有反应患者和无反应患者，即：恢复较好的患者和恢复不良的患者。因此，面向bci康复的卒中患者早期精准预后评估是十分必要的，可以辅助选择适合患者特征的个性化疗法，定制治疗进而最大化bci疗法的康复效率。

3、随着卒中康复领域的不断发展，康复治疗的预后评估问题越来越受重视。近几年来，有几项研究利用生物代谢组学、临床数据、大脑特定区域血流量等特征预测患者的功能恢复水平，建立预后评估模型，如专利cn115019919a(中国，2022.09.06)，通过构建一个由卷积神经网络和长短期记忆人工神经网络组成的混合深度学习模型，结合临床数据及早期康复相关数据为缺血性脑卒中早期康复后的功能预后进行早期、精准地预测。然而，目前的研究大多关注传统疗法康复背景下的预后评估问题，并未考虑面向bci康复的卒中患者的预后评估。

技术实现思路

1、本技术旨在至少在一定程度上解决相关技术中的技术问题之一。

2、为此，本技术实施例提出了一种面向脑机接口康复的卒中患者下肢预后评估方法，包括：

3、提取面向bci康复的卒中患者的多模态临床医学数据，所述多模态临床医学数据包括人口统计学特征、临床量表特征与生物力学特征；

4、根据所述多模态临床医学数据计算卒中患者的恢复比例，并为不同恢复比例的卒中患者划分标签；

5、对所述多模态临床医学数据进行标准化处理，并将标准化后的所述多模态临床医学数据分别输入训练好的弹性网络模型elastic net与人工神经网络模型ann，得到第一预后评估结果与第二预后评估结果；

6、基于划分标签后的真实结果，根据所述第一预后评估结果与第二预后评估结果对比elastic net与ann的预测能力，确定最优模型；

7、基于所述最优模型，对面向bci康复的卒中患者进行预后评估。

8、可选的，所述提取卒中患者的多模态临床医学数据，包括：

9、基于医院的电子病历平台，搜集入院后进行bci康复训练的亚急性卒中患者的电子病历，建立患者信息数据库；

10、从所述患者信息数据库中，提取卒中患者的所述多模态临床医学数据。

11、可选的，所述人口统计学特征包括年龄、性别、卒中类型和病程；

12、所述临床量表特征包括运动能力、平衡功能、行走能力、日常生活能力和痉挛水平；

13、所述生物力学特征包括肌力水平和水平活动度。

14、可选的，所述根据所述多模态临床医学数据计算所述卒中患者的恢复比例，并为不同恢复比例的卒中患者划分标签，包括：

15、依据bci康复训练前后的fugl-meyer下肢运动功能评分fma-le，计算卒中患者下肢运动功能的恢复比例，表达式为：

16、

17、其中，fma-lepre、fma-lepost分别指bci康复训练前、后的fma-le得分，maximumscore指fma-le量表的总分,recovery rroportion表示所述恢复比例；

18、计算纳入的所有卒中患者样本的恢复比例的中位数，将恢复比例高于所述中位数的卒中患者划分有反应者，将恢复比例低于所述中位数的卒中患者划分为无反应者。

19、可选的，所述对所述多模态临床医学数据进行标准化处理，包括：

20、使用z-score标准化方法对所述多模态临床医学数据进行标准化处理，使其均值为零且方差为一，表达式为：

21、

22、其中，x′指标准化后的特征，x指原始特征，mean指所有纳入样本的原始特征的平均值，sd指所有纳入样本的原始特征的标准差。

23、可选的，弹性网络模型elastic net的训练过程，包括：

24、采用留一法交叉验证策略，将多模态临床医学数据样本生成若干个不同的训练集与测试集；

25、在每次分割中，使用网格搜索方法执行第二轮的留一法交叉验证，搜索出在留一法交叉验证中产生最高平均分类精度的最优超参数集，以优化训练集中的elastic net模型的正则化参数λ和混合参数ρ，

26、在整个训练集上设置所述最优超参数对elastic net模型进行训练，并预测测试集的类别。

27、可选的，人工神经网络模型ann的训练过程，包括：

28、采用留一法交叉验证策略，将多模态临床医学数据样本生成若干个不同的训练集与测试集；

29、在每次分割中使用网格搜索方法执行第二轮的留一法交叉验证，搜索出在留一法交叉验证中产生最高平均分类精度的最优超参数集，以优化训练集中的ann模型的隐藏层节点数m和l2正则化参数α；

30、在整个训练集上设置最优超参数对ann模型进行训练，并预测测试集的类别。

31、可选的，将标准化后的所述多模态临床医学数据输入训练好的elastic net进行预测的过程，包括：

32、将标准化后的所述多模态临床医学数据输入训练好的elastic net模型中进行恢复比例二分类预测；

33、基于elastic net模型同时应用l1和l2正则化，通过线性回归预测bci康复训练后的第一fma-le评分；

34、根据所述第一fma-le评分，计算卒中患者下肢运动功能的第一预测恢复比例，并根据所述第一预测恢复比例为不同第一预测恢复比例的卒中患者划分标签，得到第一预后评估结果。

35、可选的，将标准化后的所述多模态临床医学数据输入训练好的ann进行预测的过程，包括：

36、将标准化后的所述多模态临床医学数据输入训练好的ann模型中进行恢复比例二分类预测；

37、基于ann模型对输入的所述多模态临床医学数据中的特征进行特征聚合与提取，并经过sigmoid激活函数预测bci康复训练后的第二fma-le评分；

38、根据所述第二fma-le评分，计算卒中患者下肢运动功能的第二预测恢复比例，并根据所述第二预测恢复比例为不同第二预测恢复比例的卒中患者划分标签，得到第二预后评估结果。

39、可选的，所述基于划分标签后的真实结果，根据所述第一预后评估结果与第二预后评估结果对比elastic net与ann的预测能力，确定最优模型，包括：

40、根据评价指标对划分标签后的真实结果和第一预后评估结果进行评价，得到第一评价结果，所述评价指标包括分类准确率、曲线下面积、特异性和灵敏度；

41、根据评价指标对划分标签后的真实结果和第二预后评估结果进行评价，得到第二评价结果；

42、若所述第一评价结果优于所述第二评价结果，确定elastic net模型为最优模型，否则，确定ann为最优模型。

43、本技术的实施例提供的技术方案至少带来以下有益效果：

44、通过提取面向bci康复的卒中患者的多模态临床医学数据，并将其输入不同的模型中进行评估得到最优模型，可以依据患者的人口统计学、临床量表、生物力学特征判断对bci康复疗法的反应性，从而辅助医师为患者定制个性化疗法。

45、本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。