基于下肢肌張力感知的痙攣特征提取算法研究

汪步云，吳 臣，魏壯壯，張 振，許德章

(1.安徽工程大學(xué) 機(jī)械工程學(xué)院， 安徽 蕪湖 241000； 2.安徽工程大學(xué) 人工智能學(xué)院， 安徽 蕪湖 241000； 3.蕪湖安普機(jī)器人產(chǎn)業(yè)技術(shù)研究院有限公司， 安徽 蕪湖 241007)

1 引言

從被動(dòng)輔助行走訓(xùn)練到人體下肢運(yùn)動(dòng)功能復(fù)原這一過程，對(duì)腦卒中患者的康復(fù)療效尤為重要；外骨骼機(jī)器人輔助下肢運(yùn)動(dòng)障礙患者開展步態(tài)訓(xùn)練已經(jīng)成為一種有效的康復(fù)臨床治療手段[1]。在此治療過程中，針對(duì)腦卒中患者，較少考慮由于訓(xùn)練強(qiáng)度與康復(fù)狀況的不良匹配而誘發(fā)的痙攣及其帶來的二次傷害[2]。當(dāng)前，在步態(tài)康復(fù)訓(xùn)練中，融入痙攣在線的客觀量化評(píng)價(jià)是康復(fù)醫(yī)學(xué)上的迫切需求。由于痙攣發(fā)生存在較大的隨機(jī)性，這將給患者帶來極大的生理和心理壓力，不利于患者接受康復(fù)治療。因此，在線量化評(píng)定康復(fù)過程中伴隨出現(xiàn)的病理性痙攣是康復(fù)臨床的迫切需求，預(yù)防痙攣及防范痙攣帶來二次損傷亦是康復(fù)機(jī)器人亟需解決的關(guān)鍵問題。

病理性痙攣是腦卒中患者在步態(tài)康復(fù)時(shí)最為常見的并發(fā)癥[3]，在臨床上往往表現(xiàn)為肌張力異常增高，外在特征主要為肌肉間斷性或連續(xù)性的抽搐并伴隨不同嚴(yán)重程度的疼痛[4]。針對(duì)痙攣檢測及其特征提取，國內(nèi)外一些學(xué)者和研究機(jī)構(gòu)開展了相關(guān)研究。中國科學(xué)技術(shù)大學(xué)的朱曉斐等[5]采用表面肌電與慣性傳感器相結(jié)合的方法，開展了人體上肢的肌痙攣量化評(píng)估，在臨床應(yīng)用中引入了客觀量化的評(píng)估參數(shù)，但在交互力激勵(lì)下的肌痙攣評(píng)定有待進(jìn)一步開展。張敏等[6]設(shè)計(jì)了一種線陣CCD(charge coupled device)數(shù)字差分式痙攣傳感器，僅適用于微張力的測量。Niels Buchhold等[7]開發(fā)了一種應(yīng)變式傳感器用于痙攣評(píng)測，但臨床應(yīng)用的實(shí)驗(yàn)驗(yàn)證未見報(bào)道。Hu Baohua等[8]針對(duì)上肢痙攣在臨床上不易量化評(píng)定的問題，在時(shí)域內(nèi)對(duì)獲取的痙攣信號(hào)采用了數(shù)學(xué)變換的方法，提升了臨床客觀評(píng)定痙攣的應(yīng)用效果。Heung HL等[9]針對(duì)腦卒中患者，設(shè)計(jì)了柔性康復(fù)驅(qū)動(dòng)器，引入了客觀量化的痙攣在線評(píng)定，有效提升了安全性。上述研究取得了有意義的研究成果，但對(duì)于運(yùn)動(dòng)功能的恢復(fù)過程，預(yù)警病理性痙攣、評(píng)估痙攣發(fā)生的具體類型則較少涉及。

本文依據(jù)病理性痙攣在康復(fù)臨床中的評(píng)定機(jī)理，設(shè)計(jì)了痙攣傳感器，通過獲取與運(yùn)動(dòng)關(guān)聯(lián)度較高的下肢肌肉區(qū)域的肌張力信息，給出時(shí)域與頻域的信號(hào)特征表達(dá)；針對(duì)病理性痙攣中陣攣和痛性痙攣信號(hào)不易量化與特征閾值隨機(jī)出現(xiàn)的問題，提出BFT算法，解析特征信息及痙攣映射關(guān)系，開展實(shí)驗(yàn)研究，驗(yàn)證了算法對(duì)痙攣特征評(píng)定的可行性。

2 下肢病理性痙攣的感知機(jī)理

2.1 下肢運(yùn)動(dòng)的病理性痙攣評(píng)定

腦卒中患者的下肢相關(guān)肌群在運(yùn)動(dòng)過程中，由病理性痙攣帶來的肌肉收縮并非隨意，即痙攣性肌張力信號(hào)具有一定規(guī)律，肌張力信息與病理性痙攣特征是關(guān)聯(lián)的，這為病理性痙攣的特征信息感知提供了前提條件[10]。因此，檢測下肢特定肌肉區(qū)域的肌張力信息可以獲得病理性痙攣的相關(guān)特征信息。根據(jù)臨床經(jīng)驗(yàn)總結(jié)，得出患者在運(yùn)動(dòng)功能恢復(fù)的這一過程中，病理性痙攣較大概率發(fā)生在下肢小腿肌群中的伸肌與屈肌群，即小腿的脛骨、腓腸、腓骨等區(qū)域。因此，應(yīng)該重點(diǎn)檢測下肢小腿后側(cè)比目魚肌、大腿前側(cè)腓腸等小腿相關(guān)肌群。

下肢肌肉的病理性痙攣，主要包括強(qiáng)直、陣攣、痛性痙攣[11]。針對(duì)上述痙攣在臨床上的表現(xiàn)，痙攣性肌張力幅值突然增加是強(qiáng)直的外在表現(xiàn)；肌張力的頻率有較大變動(dòng)為陣攣表現(xiàn)；而痛攣則是上述兩者特征的同時(shí)兼?zhèn)?，并且發(fā)生的隨機(jī)性增大。

痙攣產(chǎn)生的內(nèi)在機(jī)理和病理性特征具有不確定性，表現(xiàn)形式多樣，評(píng)價(jià)方法也不統(tǒng)一。對(duì)于患者的病理性痙攣癥狀，不同的醫(yī)師會(huì)得出不一致的結(jié)論。由于病理性痙攣特征閾值隨機(jī)出現(xiàn)，痙攣性肌張力信號(hào)在時(shí)域與頻域上信號(hào)特征存在交替變化的特點(diǎn)，陣攣和痛性痙攣信號(hào)不易量化。因而，在痙攣傳感器設(shè)計(jì)基礎(chǔ)上，匹配BFT特征提取算法，給出陣攣與痛性痙攣發(fā)生時(shí)肌張力在頻率譜上的特征信號(hào)表達(dá)，通過實(shí)驗(yàn)探求特征閾值表達(dá)的有效性，優(yōu)化評(píng)定病理性痙攣方法，將匹配BFT算法的傳感器與外骨骼機(jī)器人相結(jié)合使用，在外骨骼式下肢康復(fù)機(jī)器人的步態(tài)訓(xùn)練中融入客觀量化的痙攣在線評(píng)價(jià)。據(jù)此，本文總體思路與評(píng)定過程如圖1所示。

2.2 痙攣傳感器設(shè)計(jì)

依據(jù)上述檢測機(jī)理，在人體下肢佩戴痙攣傳感器時(shí)，下肢對(duì)應(yīng)檢測區(qū)域的肌張力可轉(zhuǎn)換為傳感器機(jī)構(gòu)與人體肌肉接觸力作用在傳感器內(nèi)部的壓敏單元上的壓力比值。通過配置特征提取算法，進(jìn)而轉(zhuǎn)化為傳感器獲取的肌張力大小及其變化的頻率。圖2表示痙攣傳感器裝配圖和實(shí)物圖，展示了機(jī)械結(jié)構(gòu)、處理電路及壓敏電阻模塊，傳感器材料組成主要為鋁，其總質(zhì)量較輕，約為248 g。主要技術(shù)參數(shù)如表1所列。

圖1 下肢肌肉痙攣的評(píng)定過程框圖Fig.1 Assessment process of lower limb muscle spasm

1～15依次為上調(diào)節(jié)螺釘、上壓緊端蓋、處理電路、下調(diào)節(jié)螺釘、固定螺釘、壓敏電阻、壓敏電阻安裝凸臺(tái)、頂柱板預(yù)警彈簧、導(dǎo)向軸、頂柱、滑動(dòng)導(dǎo)套、傳感器外殼、襯套、下壓緊端蓋

圖2 痙攣傳感器Fig.2 Spasm sensor

表1 痙攣傳感器主要技術(shù)參數(shù)Table 1 Main technology parameters of spasm sensor

痙攣傳感器電路設(shè)計(jì)實(shí)物圖和壓力傳感器如圖2所示，痙攣傳感器硬件電路原理設(shè)計(jì)簡圖如圖3所示，STM32具有豐富的外設(shè)功能和數(shù)據(jù)處理能力[12]。以STM32F103RCT6處理器構(gòu)成的最小單片機(jī)系統(tǒng)為核心，擴(kuò)展了包括以NRF24L01為核心的無線數(shù)據(jù)通訊模塊、CP2102為核心的串口通訊模塊，以及壓敏電路等，通過采集壓敏電阻的模擬量，解析接觸力幅值及頻率，以轉(zhuǎn)換為痙攣性肌張力信息。痙攣傳感器硬件電路的主要功能模塊及接口如表2所列，壓敏電阻采用FSR402電阻式壓力傳感器，其實(shí)物與性能測試曲線如圖4所示。

圖3 痙攣傳感器硬件電路設(shè)計(jì)原理圖Fig.3 Schematic diagram of hardware circuit design for spasm sensor

表2 痙攣傳感器硬件電路功能模塊及接口Table 2 Description of function module of hardware circuit of spasm sensor

2.3 痙攣傳感器的穩(wěn)定性判別

假定頻率ω為剪切頻率ωc(其值大于零)時(shí)，相頻特性曲線距離-180°線的相位差γ為相位裕度。表達(dá)式為

γ=180°+φ(ωc)

(1)

當(dāng)ω是相位交界頻率wg時(shí)，開環(huán)幅頻特性|G(jω)H(jω)|的倒數(shù)，叫做幅值裕度Kg。表達(dá)式為

(2)

Bode圖一般用對(duì)數(shù)坐標(biāo)軸表達(dá)，幅值裕度為Kg:

Kg=-20lg|G(jω)H(jω)|

(3)

若開環(huán)穩(wěn)定系統(tǒng)，當(dāng)Kg和γ為正數(shù)時(shí)，閉環(huán)系統(tǒng)亦是穩(wěn)定的。用Matlab軟件繪制出痙攣傳感器開環(huán)控制系統(tǒng)Bode曲線，如圖5所示。

圖4 FSR402傳感器實(shí)物(上)及其性能曲線(下)Fig.4 FSR402 sensor and performance curve

圖5 傳感器開環(huán)控制系統(tǒng)Bode曲線Fig.5 Bode diagram of open-loop control system for the sensor

從圖中可知，Kg=53.6 dB，γ=11.8 deg(均大于零),因此傳感器閉環(huán)控制系統(tǒng)也是穩(wěn)定的。

肌張力信號(hào)的采集，其采集流程如圖6所示。傳感器采集下肢肌肉痙攣信號(hào)傳遞給上位機(jī)，信號(hào)經(jīng)放大后傳遞給主機(jī)模塊，經(jīng)處理后將數(shù)據(jù)通過無線通訊的方式傳遞給上位機(jī)模塊，綜合解析后顯示出痙攣的等級(jí)。

圖6 肌張力信號(hào)的采集流程框圖Fig.6 Collection flow chart of muscle tension signal

2.4 痙攣性肌張力信號(hào)的預(yù)處理

通過檢測得到痙攣傳感器的初始信號(hào)含有不同噪聲，例如，痙攣傳感器的壓敏單元轉(zhuǎn)換噪聲、生理因素引起的噪聲等。需要對(duì)信息濾波處理，以便為后續(xù)特征提取提供有效測試數(shù)據(jù)。移動(dòng)均值濾波法是線性濾波法的一種，對(duì)于肌張力這類不平穩(wěn)且具有隨機(jī)性生理信號(hào)的平滑濾波非常適用。該方法計(jì)算過程簡便，對(duì)原始信號(hào)的信息量能夠較好保存。在分析肌張力信號(hào)特點(diǎn)規(guī)律和對(duì)比生理信號(hào)預(yù)處理濾波方法基礎(chǔ)上，本文應(yīng)用移動(dòng)均值濾波算法對(duì)原始肌張力信號(hào)展開預(yù)處理[13]，其具體表達(dá)如下：

(4)

式(4)中，M(s)是第i個(gè)信號(hào)值的平均值，T是鄰域范圍。對(duì)典型的痙攣肌張力信號(hào)，運(yùn)用移動(dòng)均值濾波法展開處理，其結(jié)果如圖7所示。通過對(duì)比分析得出，選取窗口值T=15，如圖7(c)所示，信號(hào)更平滑，濾波效果更好。由于痙攣對(duì)時(shí)效性有較高要求，所以肌張力信息可以使用移動(dòng)均值濾波得到整體性的保存，同時(shí)也保留了痙攣性肌張力信息中的頻率跳變，可以更準(zhǔn)確地提取出痙攣發(fā)生前后變化及特征閾值。

圖7 各窗口下的移動(dòng)均值濾波曲線Fig.7 Filtering diagram of moving mean under each window

3 下肢痙攣性肌張力的時(shí)域特征表達(dá)

在康復(fù)臨床應(yīng)用領(lǐng)域，肌張力等生理信號(hào)特征的時(shí)域表達(dá)，得到了更加廣泛的應(yīng)用。因此，針對(duì)強(qiáng)直、陣攣和痛性痙攣的3種臨床分類，給出3種痙攣在時(shí)域上的表達(dá)與發(fā)生時(shí)的特征閾值。

通過檢測腦卒中患者下肢腓腸內(nèi)肌等部位的肌張力信號(hào)，實(shí)時(shí)獲取患者下肢痙攣性肌張力實(shí)驗(yàn)數(shù)據(jù)，經(jīng)移動(dòng)均值濾波后，提取痙攣前后階段的肌張力信號(hào)特征，綜合解析后給出痙攣評(píng)定，然后求得時(shí)域的特征表達(dá)。同時(shí)，利用統(tǒng)計(jì)學(xué)信息，如最值、均值、絕對(duì)積分平均值(integral absolute mean value，IAV)等，對(duì)比分析痙攣前后2個(gè)階段肌張力信號(hào)，提取反映痙攣性肌張力信號(hào)在時(shí)域表達(dá)的統(tǒng)計(jì)學(xué)特征[14]。

3.1 強(qiáng)直下的痙攣時(shí)域特征提取

強(qiáng)直作為病理性痙攣的一種，其外在癥狀為下肢痙攣區(qū)域肌肉強(qiáng)烈且連續(xù)性性的收縮，并且伴隨著痛感，同時(shí)肌張力的幅值變化快速升高，并保持較高值。強(qiáng)直的出現(xiàn)具有不確定性，故人為施加交互力激勵(lì)模擬強(qiáng)直的產(chǎn)生。從傳感器信息獲取的角度看，穩(wěn)定的矩形波為信號(hào)的具體表現(xiàn)，在跳變點(diǎn)處信號(hào)會(huì)出現(xiàn)突躍。據(jù)此，在強(qiáng)直將要出現(xiàn)時(shí)，提取肌張力信號(hào)幅值T0(N0個(gè)采樣點(diǎn)數(shù)據(jù)的均值，N0為0～500 ms時(shí)刻測得的信號(hào)數(shù)據(jù))；在強(qiáng)直產(chǎn)生過后，信號(hào)會(huì)發(fā)生突然躍升，并且信號(hào)在突然躍升后其幅值保持在一定的平穩(wěn)狀態(tài)，再次提取這一信號(hào)幅值Tt(N1個(gè)采樣點(diǎn)的均值，N1為500～2 400 ms時(shí)刻測得的信號(hào)數(shù)據(jù))，記二者的差值為Tq，計(jì)算式如下：

(5)

對(duì)痙攣性肌張力采集到的數(shù)據(jù)，進(jìn)行處理后如圖8所示。患者下肢肌肉皆為正常的狀況下，信號(hào)值在小于500 ms范圍內(nèi)基本平穩(wěn)，當(dāng)信號(hào)值大于500 ms時(shí)，肌張力值會(huì)發(fā)生突然躍升，并且保持在1 600 g左右，利用式(5)，得到Tq的均值為1 360 g，若超過此臨界閾值，即判定發(fā)生強(qiáng)直性痙攣。進(jìn)一步的，將Tq的平均值看作是強(qiáng)直的特征閾值，并設(shè)置為患者出現(xiàn)強(qiáng)直的警界值。

圖8 強(qiáng)直下的肌張力信號(hào)幅值曲線Fig.8 Amplitude of muscular tension signal under spasticity

測試者及其下肢各區(qū)域肌肉的不相同，會(huì)使痙攣性肌張力特征閾值的提取存在偶然性的誤差。征集了五名測試者參加了強(qiáng)直的時(shí)域特征提取實(shí)驗(yàn)，測試者的身高和體重各不相同，在同一條件下開展實(shí)驗(yàn)，總結(jié)得出下肢肌肉強(qiáng)直信號(hào)幅值差Tq的均值作為特征閾值，即強(qiáng)直發(fā)生的預(yù)警值，如表3所示。

表3 下肢肌肉強(qiáng)直預(yù)警值

根據(jù)實(shí)驗(yàn)測出的強(qiáng)直特征，取痙攣出現(xiàn)時(shí)的閾值Tq為1 200 g。由式(5)求得強(qiáng)直時(shí)域的特征表達(dá)式為

F=KaTa，Ka>1，Ta=1 200 g

(6)

式(6)中：Ka為比例系數(shù)表征強(qiáng)直嚴(yán)重程度的，F(xiàn)表示肌張力的幅值。

3.2 陣攣在時(shí)域的特征提取及分析

陣攣如圖9所示,陣攣發(fā)生時(shí)，肌張力的信號(hào)值Fs(t)從小于500 g上升到500～1 500 g的變化范圍內(nèi)，采集數(shù)據(jù)的時(shí)間設(shè)為20 s，肌張力信號(hào)的均值為1 252 g，上限值為 1 738 g，下限值為352 g，具有周期性特征和明顯的規(guī)律性。

圖9 陣攣性肌張力信號(hào)曲線Fig.9 Signals of clonic muscle tension

由以上肌張力信號(hào)的特點(diǎn)，可以得出陣攣信號(hào)在時(shí)域的表達(dá)為

F=FZ+Asin(ωt+θ),ω≥6,FZ>500 g

(7)

式(7)中：FZ為陣攣發(fā)生時(shí)初始幅值，A為陣攣的幅值，ω為陣攣信號(hào)頻率，θ為初相(陣攣發(fā)生時(shí))，F(xiàn)為陣攣下的肌張力信號(hào)。幅值A(chǔ)為|F|-FZ,ω與時(shí)間有關(guān)，當(dāng)ω≥6時(shí)，且Fz>500 g時(shí)發(fā)生陣性痙攣。

3.3 痛性痙攣在時(shí)域的特征提取及分析

痛攣數(shù)據(jù)采集處理后如圖10所示。下肢肌肉張力表現(xiàn)為痛性痙攣時(shí)，痙攣信號(hào)值Fs(t)在500～2 000 g范圍內(nèi)波動(dòng)，肌張力上限值和下限值分別為2 092 g、110 g，幅值平均值約為1 202 g。在500 g時(shí)呈現(xiàn)出躍升狀態(tài)，大約在7 000 ms開始出現(xiàn)周期性波動(dòng)。在2 000～3 000 ms、4 000～5 000 ms兩個(gè)時(shí)間段內(nèi)，未出現(xiàn)異常狀況，表現(xiàn)為間歇性的痙攣狀況。由此得出，痛性痙攣表現(xiàn)出并不是很明顯的規(guī)律性，并且其周期性特征存在間斷性。

綜合來看，導(dǎo)致痛性痙攣的直接原因是強(qiáng)直和陣攣的相結(jié)合。由此可得，痛攣信號(hào)的特征表達(dá)式為

(8)

若要判定痛性痙攣的發(fā)生，需達(dá)到強(qiáng)直與陣攣信號(hào)在時(shí)域的臨界閾值。

圖10 痛性痙攣時(shí)肌張力信號(hào)曲線Fig.10 Signals of muscle tension during algospasm

3.4 病理性痙攣在時(shí)域特征表達(dá)

對(duì)受測者的下肢腓腸肌施加外部激勵(lì)，在同一條件下獲取病理性痙攣的特征，獲取了相關(guān)測試數(shù)據(jù)，完成了數(shù)據(jù)的相關(guān)處理，包括標(biāo)準(zhǔn)差、絕對(duì)積分平均值(IAV)、均方根和方差等，實(shí)驗(yàn)測得數(shù)據(jù)如表4所示。

表4 3種不同類型痙攣時(shí)域特征的統(tǒng)計(jì)數(shù)據(jù)

由表4可得到：病理性痙攣的3類肌張力的平均值、信號(hào)采樣值大小接近，不好區(qū)分。標(biāo)準(zhǔn)差、方差的值越小，其離散度就越低，實(shí)驗(yàn)數(shù)據(jù)的大小接近，則其穩(wěn)定性好。另外，與陣攣、痛攣相比較，強(qiáng)直的標(biāo)準(zhǔn)差、方差小得多，相差近10倍，由此看出強(qiáng)直下的肌張力信號(hào)數(shù)據(jù)采集的樣點(diǎn)具有較低的離散度。肌張力信號(hào)變化的強(qiáng)弱度主要是依據(jù)IAV、均方根所表示。對(duì)照痛攣、強(qiáng)直、陣性痙攣肌張力信號(hào)的3種統(tǒng)計(jì)量，均方根和IAV在數(shù)值上并不存在很明顯的差異，不能完全適用于病理性痙攣的信號(hào)特征的提取要求。

在時(shí)域角度，病理性痙攣特征應(yīng)用統(tǒng)計(jì)方法提取分析，簡便快捷，對(duì)肌張力信號(hào)的時(shí)效性要求比較有利。僅用時(shí)域統(tǒng)計(jì)法，痙攣性肌張力信號(hào)在頻率維度及其時(shí)間隨機(jī)性的特征信息則難以提取，且存在著較大約束，不利于準(zhǔn)確有效地判定陣攣和痛性痙攣。

4 下肢痙攣性肌張力的頻域特征表達(dá)

針對(duì)病理性痙攣中陣攣和痛性痙攣信號(hào)不易量化與特征閾值隨機(jī)出現(xiàn)的問題，在頻域引入痙攣性肌張力信號(hào)，觀測頻譜和分析功率譜，揭示痙攣性肌張力信號(hào)的特征分量，進(jìn)而在頻域維度分解為一系列基本信號(hào)，剖析痙攣信號(hào)頻率、幅度和相位的組合，提取反映病理性痙攣的特征閾值。

設(shè)獲取的病理性肌張力信號(hào)為周期信號(hào)Fs(t)，將肌張力信號(hào)表示為傅里葉級(jí)數(shù)，基本形式如下：

(9)

式中，Ω1為角頻率(Hz)，a0為直流分量，an、bn分別為幅值分量。

進(jìn)一步，運(yùn)用歐拉公式推出指數(shù)形式傅里葉級(jí)數(shù)為：

(10)

式(10)中，F(xiàn)(nΩ1)是傅里葉級(jí)數(shù)中指數(shù)形式的系數(shù)，導(dǎo)出可得：

(11)

結(jié)合病理性痙攣在臨床上的表現(xiàn)，痙攣信號(hào)在展開處理后，根據(jù)其特點(diǎn)，確定周期信號(hào)采用陣攣信號(hào)，非周期信號(hào)采用強(qiáng)直和痛性痙攣，運(yùn)用傅里葉數(shù)學(xué)方法分類處理上述信號(hào)，可以使信號(hào)在任意有限區(qū)間得到拓展或者是周期延拓，以獲取各基波、諧波分量的頻譜值，從而進(jìn)一步獲得痙攣性肌張力的特征信息。

4.1 運(yùn)用B4-FFT算法處理痙攣性肌張力信息

運(yùn)用康復(fù)機(jī)器人對(duì)腦卒中患者實(shí)施下肢步態(tài)訓(xùn)練是當(dāng)前康復(fù)治療的重要手段。為防范由于患者下肢在訓(xùn)練過程中隨機(jī)出現(xiàn)的病理性痙攣及其帶來的二次損傷，康復(fù)臨床對(duì)病理性痙攣預(yù)警的實(shí)時(shí)性提出了很高的要求。一般地，降低痙攣傳感器信號(hào)處理的運(yùn)算量可有效提高傳感器的響應(yīng)速度，提升痙攣感知的實(shí)時(shí)性，進(jìn)一步提升痙攣預(yù)警的安全效果。

針對(duì)痛攣，運(yùn)用BFT算法，提取陣攣與痛攣的特征閾值，歸納病理性痙攣的信號(hào)規(guī)律及特點(diǎn)，算法表述如下：

(12)

已知信號(hào)序列x(n)，x(n)表示為實(shí)數(shù)或者復(fù)數(shù)，它的DFT變換為X(k)，若X(k)為復(fù)數(shù)，令DFT的變換核(加權(quán)因子)為

WN=e-j2π/N

(13)

相對(duì)一個(gè)實(shí)際痙攣信號(hào)，采集樣本點(diǎn)數(shù)較多時(shí)，需要多次完成乘法運(yùn)算，并且消耗大量的計(jì)算資源，嚴(yán)重影響了痙攣檢測及預(yù)警的時(shí)效性。為提高運(yùn)算速度，實(shí)時(shí)快速處理痙攣性肌張力數(shù)據(jù)，且DFT運(yùn)算具有周期性特點(diǎn)，由式(13)分析可得出：

(14)

以N為周期，可以運(yùn)用蝶算方式，具體如下：

(15)

對(duì)于N=Mr的DFT運(yùn)算分r級(jí)，每級(jí)有N/M個(gè)蝶算，蝶算的復(fù)乘次數(shù)為：

(16)

與直接DFT計(jì)算相比，α為蝶算的復(fù)乘效率，若α越小則表明實(shí)時(shí)性越好；若N越大，則運(yùn)算效率越高。

(17)

表5 3種算法的運(yùn)算結(jié)果

通過表4比較得出，在上述3種算法中，DFT直接算法運(yùn)算最快，但響應(yīng)速度最慢，即痙攣信號(hào)表達(dá)的實(shí)效性較差，相比B2-FFT與B4-FFT二者的運(yùn)算量，后者的運(yùn)算效率比前者節(jié)省了50%，由于痙攣性肌張力信號(hào)的采樣點(diǎn)數(shù)較多，隨機(jī)性大、時(shí)效性要求高，故應(yīng)用B4-FFT算法能分析其所具有的痙攣特征。

4.2 B4-FFT算法提取病理性痙攣的頻域特征

結(jié)合上述實(shí)驗(yàn)所采集到的肌張力數(shù)據(jù)，根據(jù)病理性痙攣的陣攣和痛攣特征，運(yùn)用B4-FFT算法提取在頻域上的特征。

陣攣信號(hào)的頻域處理結(jié)果如圖11所示，陣性痙攣發(fā)生時(shí)，信號(hào)頻率小于20 Hz，幅值超過40 000，頻譜幅值對(duì)應(yīng)的頻率主要分布在6～10 Hz間，在Hz時(shí)對(duì)應(yīng)的頻譜幅值最大，相比于為16～18 Hz所對(duì)應(yīng)的幅值變化更為顯著，此時(shí)可判斷陣攣發(fā)生。

圖11 B4-FFT算法處理陣攣頻譜曲線Fig.11 B4-FFT algorithm processing clonic spectrum

痛性痙攣信號(hào)的頻域處理結(jié)果如圖12所示，痛性痙攣發(fā)生時(shí)，信號(hào)頻率小于20 Hz，幅值超過20 000；頻譜幅值F(ω)對(duì)應(yīng)的頻率ω主要分布在2～8 Hz、11 Hz、13 Hz、19 Hz等范圍內(nèi)，在ω為2～8 Hz之間所對(duì)應(yīng)的頻譜幅值變化最大，頻譜幅值F(ω)達(dá)到了50 000上下，相比于ω為11 Hz、13 Hz、19 Hz所對(duì)應(yīng)的幅值則較為明顯，頻譜幅值F(ω)均在25 000左右，痛性痙攣呈現(xiàn)強(qiáng)直與陣攣信號(hào)特征的交替出現(xiàn)，并且在多個(gè)頻率點(diǎn)上的幅值呈現(xiàn)小范圍增高的現(xiàn)象，此時(shí)判斷痛性痙攣發(fā)生。

圖12 B4-FFT算法處理后的痛攣頻譜曲線Fig.12 Spectrum of pain after B4-FFT algorithm processing

為了能夠直觀且量化地判定病理性痙攣的3類特征信息，歸一化處理所獲取的痙攣信號(hào)，歸一化式子如下：

(18)

式中:P(i)為幅值閾值λ的所占百分比，幅值Fi(ω)為整個(gè)頻率段的幅值，λ為該頻率段的幅度閾值，λ設(shè)定區(qū)間為[20 000,100 000]。經(jīng)過處理后，病理性痙攣的頻域特征閾值指標(biāo)如表6所示。

表6 陣攣與痛性痙攣頻域特征閾值指標(biāo)

綜上所述，病理性痙攣信號(hào)經(jīng)過B4-FFT算法處理后，特征閾值設(shè)置可總結(jié)為：當(dāng)發(fā)生陣攣時(shí)，峰值頻率分布較為單一，此時(shí)可設(shè)定多個(gè)特征閾值以判定陣攣是否發(fā)生；當(dāng)發(fā)生痛性痙攣時(shí)，可設(shè)定幅值閾值λ來判定。

5 實(shí)驗(yàn)研究

實(shí)時(shí)獲取痙攣信息是較為困難的，結(jié)合康復(fù)臨床對(duì)病理性痙攣的特征評(píng)定，擬采用交互力激勵(lì)人體下肢特定區(qū)域的肌張力，使該區(qū)域肌張力信號(hào)的特征表現(xiàn)，用于驗(yàn)證痙攣提取算法的有效性。如圖13所示：選取健康標(biāo)準(zhǔn)的成年男性(64 kg/ 170 cm)為實(shí)驗(yàn)數(shù)據(jù)采集對(duì)象，再次實(shí)驗(yàn)采集外骨骼穿戴者的下肢腓腸肌的肌張力信號(hào)。在此基礎(chǔ)上，獲取肌張力信息及其特征閾值，驗(yàn)證痙攣信息提取算法的有效性。

實(shí)驗(yàn)設(shè)計(jì)為2種工況下的獲取方式：靜立時(shí)，手動(dòng)激勵(lì)下肢特定肌區(qū)以獲取肌張力信號(hào)；外骨骼機(jī)器人步態(tài)激勵(lì)下的肌張力信號(hào)。

圖13 交互力激勵(lì)下腓腸肌處肌張力信號(hào)提取圖Fig.13 Signal extraction of muscle tension at gastrocnemius under interaction force excitation

5.1 交互力激勵(lì)下的肌張力獲取及特征評(píng)定

如圖13(a)所示，受測者靜止站立時(shí)，對(duì)下肢腓腸肌內(nèi)側(cè)施加手動(dòng)激勵(lì)，此時(shí)肌張力信號(hào)如圖14所示。如圖13(b)圖13(c)所示，受測者穿戴外骨骼，外骨骼對(duì)人體下肢施加交互力激勵(lì)，所獲取的肌張力信息如圖14所示。

如圖14所示，靜立姿態(tài)下，信號(hào)初始值表現(xiàn)為不平穩(wěn)狀態(tài)且肌張力幅值小于1 000 g，此刻放松下肢部分使其處于放松狀態(tài)，經(jīng)過手動(dòng)激勵(lì)后上升到大于2 500 g，達(dá)到了強(qiáng)直發(fā)生的閾值，伴隨著非常明顯的均勻波動(dòng)，其值最大達(dá)到2 600 g以上，依據(jù)信號(hào)表現(xiàn)的特點(diǎn)和本文提出算法的評(píng)定，由此可以判定下肢肌肉出現(xiàn)強(qiáng)直。

圖14 靜止站立下的手動(dòng)激勵(lì)的肌張力信號(hào)曲線Fig.14 Signals of muscular tension induced by manual excitation while standing still

如圖15所示，受測者穿戴下肢外骨骼康復(fù)訓(xùn)練機(jī)器人完成助力行走實(shí)驗(yàn)，腓腸內(nèi)肌處于原始狀態(tài)，此時(shí)肌張力信號(hào)值維持在1 000 g以內(nèi)；隨著外骨骼機(jī)器人助力行走，人體下肢在完成行走步態(tài)的同時(shí)受到外骨骼交互力激勵(lì)，肌張力值在500～1 500 g之間，其波動(dòng)狀態(tài)處于穩(wěn)定范圍，最大值在3 000 g上下?？梢钥闯觯和夤趋朗┘蛹?lì)下的肌張力信息已被有效提取。至于肌張力信息是否超過痙攣特征閾值以及評(píng)定痙攣類型，則需進(jìn)一步通過B4-FFT算法處理，提取交互力激勵(lì)下的肌張力信息中的痙攣信號(hào)段及特征信息，同時(shí)將病理性痙攣評(píng)定與特征閾值相結(jié)合。

圖15 施加交互力激勵(lì)下的肌張力信號(hào)變化曲線Fig.15 Variation of muscle tension signal under interaction force excitation

5.2 B4-FFT算法提取痙攣特征及實(shí)驗(yàn)分析

痙攣信號(hào)在臨床上的獲取具有隨機(jī)性，很難得到真正的痙攣信號(hào)。根據(jù)臨床痙攣信號(hào)的頻率，我們通過人為手動(dòng)的設(shè)置來獲取相同頻率信號(hào)。在交互力激勵(lì)下的肌張力獲取基礎(chǔ)上，肌張力信息用BFT算法處理，驗(yàn)證其對(duì)痙攣特征提取的實(shí)際效果。用B4-FFT算法對(duì)以上2種實(shí)驗(yàn)過程中出現(xiàn)的肌張力信息展開處理，分別得到手動(dòng)激勵(lì)與人機(jī)交互力激勵(lì)下的肌張力信息頻譜圖，如圖16、圖17所示。如圖16所示：在2～20 Hz內(nèi)有多個(gè)超過幅值閾值λ的峰值幅度；在2～10 Hz變化時(shí)，肌張力幅值相對(duì)比較集中，可據(jù)此判定是否發(fā)生痛攣；信號(hào)值處在16 Hz上下浮動(dòng)時(shí)，其信號(hào)幅度存在單一峰值，可判定發(fā)生陣攣。綜上所示，肌張力信息經(jīng)B4-FFT算法處理后，可以有效提取病理性痙攣發(fā)生的特征閾值并給出評(píng)定。

圖16 手動(dòng)激勵(lì)下的肌張力頻譜曲線Fig.16 Spectrum of muscle tension under manual excitation

外骨骼機(jī)器人交互力激勵(lì)下的肌張力頻譜如圖17所示：信號(hào)頻率在2～7 Hz范圍內(nèi)存在2個(gè)高于幅度閾值λ的峰值幅度，出現(xiàn)了3個(gè)較為密集的極值點(diǎn)，此時(shí)判定為痛性痙攣；而在14 Hz時(shí)有1個(gè)大于幅度閾值λ的峰幅；且分布較為單一，此時(shí)判定為陣攣。

圖17 運(yùn)用外骨骼機(jī)器人施加激勵(lì)時(shí)， 下肢肌張力頻譜曲線Fig.17 Spectrum of lower limb muscle tension when excitation is applied by exoskeleton robot

6 結(jié)論

1) 所設(shè)計(jì)的傳感器能夠有效提取肌張力信息，在此基礎(chǔ)上，將時(shí)域與頻域結(jié)合能夠有效提取病理性痙攣的3種特征，即在時(shí)域能夠判定強(qiáng)直，運(yùn)用所提出的特征提取算法，在頻域能夠有效判定痛攣與陣性痙攣。

2) 結(jié)合康復(fù)臨床對(duì)病理性痙攣特征判定方法，通過施加交互力激勵(lì)，能夠通過肌張力的動(dòng)態(tài)變化獲取病理性痙攣的特征信息。

3) 運(yùn)用所提出的處理痙攣的算法，可以較好地提取其相關(guān)特征信息，同時(shí)在步態(tài)訓(xùn)練過程中，下肢運(yùn)動(dòng)對(duì)痙攣性肌張力信息表達(dá)影響較小，該提取方法有著較好的實(shí)用性。驗(yàn)證了所設(shè)計(jì)的傳感器可有效采集肌張力信息，提出的算法可提取出肌張力信息中的所包含的痙攣特征，驗(yàn)證了病理性痙攣評(píng)定的有效性。

4) 所探討的痙攣提取方法，可在外骨骼式下肢康復(fù)機(jī)器人的步態(tài)訓(xùn)練中融入客觀量化的痙攣在線評(píng)價(jià)，為防范病理性痙攣所帶來的二次損傷提供關(guān)鍵控制參數(shù)，有效提升了外骨骼式下肢步態(tài)康復(fù)訓(xùn)練機(jī)器人的安全性。