本发明脑卒中预后评估，更具体地说，涉及一种非诊断目的的脑卒中后肢体痉挛的预测方法、装置、系统及存储介质。
背景技术：
1、脑卒中是全球范围内导致成人残疾的主要原因之一，其后遗症严重影响患者的生活质量和生存率。脑卒中后肢体痉挛(post-stroke spasticity,pss)是其中一种常见的并发症，表现为肌肉持续性的无意识收缩，严重限制患者的运动能力和日常生活能力。据统计，约有25％的脑卒中患者在发病后两周内出现pss，而在六个月至一年后，这一比例会增加至38％至50％。这种状态不仅降低患者的生活质量，还增加了照护者的负担和社会经济成本。
2、目前，pss的评估预测主要依赖于临床上的主观评估量表，如改良的ashworth量表(modified ashworth scale,mas)和tardieu量表等。这些量表通过评估患者肌肉的紧张度来判定痉挛的严重程度，为临床提供了诊断和评估的基础。然而，这些方法依赖于医生或治疗师的主观感觉，存在一定的评估误差，难以实现痉挛程度的精确量化。
3、现有技术在pss的评估预测中存在明显的缺陷。首先，由于缺乏客观的评估工具，使得痉挛程度的判断存在较大的主观性，导致不同评估者之间的评估结果可能存在显著差异。其次，目前的评估方法大多数局限于静态或半静态的测试，难以全面反映患者在日常生活中遇到的动态挑战。此外，现有的评估手段通常需要专业的操作和解读，对普通照护者和患者家庭成员而言，这增加了在家庭环境中监测和管理pss的难度。
4、综上所述，现有的pss评估预测方法由于缺乏客观性和实时性，不能有效地反映患者的实际痉挛状态和治疗需求。这些技术的局限性不仅影响了患者恢复的精准指导，也可能导致治疗资源的不合理配置。因此，开发一种能够客观、准确且实时评估脑卒中后肢体痉挛的技术是迫切需要解决的问题，这将极大地促进患者的康复进程和生活质量的提升。
技术实现思路
1、有鉴于此，针对于上述技术问题，本发明提供一种脑卒中后肢体痉挛的预测方法，包括：
2、采集待测人员的静息状态下的静态脑电信号数据和静态核磁共振成像数据，并基于所述静态脑电信号数据和所述静态核磁共振成像数据得到静息态特征向量；
3、采集所述待测人员的运动任务状态下的动态脑电信号数据和动态肌电图，并根据所述动态脑电信号数据和所述动态肌电图得到任务态特征向量；
4、将所述静息态特征向量和所述任务态特征向量整合拼接，并通过多层感知器获得状态评分，通过所述状态评分得出所述待测人员的预测结果。
5、优选地，所述基于所述静态脑电信号数据和所述静态核磁共振成像数据得到静息态特征向量，包括：
6、根据所述静态脑电信号数据计算得到静态eeg脑连接图；以及，根据所述静态核磁共振成像数据计算得到静态fmri脑连接图；
7、将所述静态eeg脑连接图和所述静态fmri脑连接图从节点粒度构成节点级融合特征向量；并且，将所述静态eeg脑连接图和所述静态fmri脑连接图通过注意力机制并拼接得到全局级特征向量；
8、将所述节点级融合特征向量和所述全局级特征向量拼接，构成所述静息态特征向量。
9、优选地，所述根据所述静态脑电信号数据计算得到静态eeg脑连接图，包括：
10、根据欧氏距离计算所述静态脑电信号各通道间距离，从而构建距离矩阵；所述距离矩阵的计算表达式为：dij＝||xi-xj||2；其中，dij代表通道i,j的欧氏距离，xi代表通道i的三维拓扑坐标，xj代表通道j的三维拓扑坐标；
11、根据距离矩阵，利用k临近算法对各通道进行聚类，构建得到各通道与另外k各通道关联的所述静态eeg脑连接图。
12、优选地，所述根据所述静态核磁共振成像数据计算得到静态fmri脑连接图，包括：
13、将所述静态核磁共振成像数据中的大脑图像划分为多个单元脑区；
14、提取所述单元脑区的时间序列数据；
15、计算任意两个所述单元脑区的时间序列数据下的皮尔森相关系数；所述皮尔森相关系数的计算表达式为：其中，ρx,y代表两个所述单元脑区的时间序列x、y的相关系数，cov(x,y)为两个所述时间序列的协方差，σx和σy分别代表x、y序列的标准差；μx和μy分别代表x、y序列的均值；
16、通过预设阈值筛选不同所述单元脑区的连接关系，得到所述静态fmri脑连接图。
17、优选地，所述将所述静态eeg脑连接图和所述静态fmri脑连接图从节点粒度构成节点级融合特征向量，包括：
18、将所述静态eeg脑连接图和所述静态fmri脑连接图的节点，各自分别按行排列，拼接得到所述静态eeg脑连接图对应的表征矩阵和所述静态fmri脑连接图对应的表征矩阵；
19、将所述静态eeg脑连接图对应的表征矩阵和所述静态fmri脑连接图对应的表征矩阵分别进行转置，并进行矩阵乘法处理，得到对应的节点级融合矩阵；
20、以直方图的形式统计每个所述节点级融合矩阵内的数值分布，通过直方图各组频数构成所述节点级融合特征向量。
21、优选地，所述将所述静态eeg脑连接图和所述静态fmri脑连接图通过注意力机制并拼接得到全局级特征向量，包括：
22、将所述表征矩阵分别输入至各自对应的注意力机制中选出top-k节点；
23、将所有所述top-k节点的特征向量取均值，并分别获取所述静态eeg脑连接图和所述静态fmri脑连接图连接全局的向量表征信息；
24、对所述静态eeg脑连接图和所述静态fmri脑连接图对应的所述向量表证信息进行拼接，构成所述全局级特征向量。
25、优选地，所述根据所述动态脑电信号数据和所述动态肌电图得到任务态特征向量，包括：
26、对动态脑电信号数据进行小波分解方法构建得到动态eeg特征向量；并且，根据所述动态脑电信号数据得到能量值特征；
27、结合所述动态eeg特征向量和所述能量值特征，得到动态特征向量；
28、根据所述动态肌电图提取得到动态semg特征；
29、将所述能量值特征和所述动态semg特征通过支持向量机中降维，构建权重矩阵；
30、基于所述权重矩阵，通过所述支持向量机的分类模型对所述动态脑电信号数据和所述动态肌电图进行分类，得到分类结果矩阵；
31、将所述分类结果矩阵与所述权重矩阵点乘，得到加权的分类结果向量；
32、获取mep检测信息，并提取得到所述mep检测信息对应的mep特征向量；
33、将加权的分类结果向量，以及所述mep特征向量、所述动态特征向量和所述动态semg特征进行拼接，得到所述任务态特征向量。
34、此外，为解决上述问题，本发明还提供一种脑卒中后肢体痉挛的预测装置，包括：
35、静态表征模块，用于采集待测人员的静息状态下的静态脑电信号数据和静态核磁共振成像数据，并基于所述静态脑电信号数据和所述静态核磁共振成像数据得到静息态特征向量；
36、动态表征模块，用于采集所述待测人员的运动任务状态下的动态脑电信号数据和动态肌电图，并根据所述动态脑电信号数据和所述动态肌电图得到任务态特征向量；
37、评估预测模块，用于将所述静息态特征向量和所述任务态特征向量整合拼接，并通过多层感知器获得状态评分，通过所述状态评分得出所述待测人员的预测结果。
38、此外，为解决上述问题，本发明还提供一种脑卒中后肢体痉挛的预测系统，包括存储器以及处理器，所述存储器中存储有脑卒中后肢体痉挛的预测程序，所述处理器运行所述脑卒中后肢体痉挛的预测程序以使所述脑卒中后肢体痉挛的预测系统执行如上述所述的脑卒中后肢体痉挛的预测方法。
39、此外，为解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有脑卒中后肢体痉挛的预测程序，所述脑卒中后肢体痉挛的预测程序被处理器执行时实现如上述所述的脑卒中后肢体痉挛的预测方法。
40、本发明提供一种脑卒中后肢体痉挛的预测方法、装置、系统及存储介质。其中，所述评估方法应用于针对脑卒中后偏瘫的临床状态的非诊断目的的评估和预测，包括：采集待测人员的静息状态下的静态脑电信号数据和静态核磁共振成像数据，并基于所述静态脑电信号数据和所述静态核磁共振成像数据得到静息态特征向量；采集所述待测人员的运动任务状态下的动态脑电信号数据和动态肌电图，并根据所述动态脑电信号数据和所述动态肌电图得到任务态特征向量；将所述静息态特征向量和所述任务态特征向量整合拼接，并通过多层感知器获得状态评分，通过所述状态评分得出所述待测人员的预测结果。
41、本发明所提供的脑卒中后肢体痉挛的预测方法具有如下有益效果：
42、首先，通过结合静态和动态数据，该方法能够更全面地捕捉患者的神经生理状态，提供更准确的预测结果。静态数据反映了患者的基础神经生理条件，而动态数据则能够揭示患者在实际活动中的神经反应和肌肉协调情况，这种综合分析有助于全面评估痉挛的风险和程度。
43、其次，通过多层感知器的应用，该方法可以有效地从大量复杂数据中提取关键特征，并通过学习得到更加精准的预测模型，从而提高预测的准确性和可靠性。
44、此外，这种方法具有较强的实时性和操作性，可为临床提供快速、准确的痉挛风险评估，有助于及时调整治疗方案，优化资源分配，从而提高治疗效率和患者的生活质量。
45、总之，这种预测方法通过高度集成和智能化的数据分析，能够为脑卒中后肢体痉挛的预测和管理提供科学、有效的技术支持。
1.一种脑卒中后肢体痉挛的预测方法，其特征在于，包括：
2.如权利要求1所述脑卒中后肢体痉挛的预测方法，其特征在于，所述基于所述静态脑电信号数据和所述静态核磁共振成像数据得到静息态特征向量，包括：
3.如权利要求2所述脑卒中后肢体痉挛的预测方法，其特征在于，所述根据所述静态脑电信号数据计算得到静态eeg脑连接图，包括：
4.如权利要求2所述脑卒中后肢体痉挛的预测方法，其特征在于，所述根据所述静态核磁共振成像数据计算得到静态fmri脑连接图，包括：
5.如权利要求2所述脑卒中后肢体痉挛的预测方法，其特征在于，所述将所述静态eeg脑连接图和所述静态fmri脑连接图从节点粒度构成节点级融合特征向量，包括：
6.如权利要求5所述脑卒中后肢体痉挛的预测方法，其特征在于，所述将所述静态eeg脑连接图和所述静态fmri脑连接图通过注意力机制并拼接得到全局级特征向量，包括：
7.如权利要求1所述脑卒中后肢体痉挛的预测方法，其特征在于，所述根据所述动态脑电信号数据和所述动态肌电图得到任务态特征向量，包括：
8.一种脑卒中后肢体痉挛的预测装置，其特征在于，包括：
9.一种脑卒中后肢体痉挛的预测系统，其特征在于，包括存储器以及处理器，所述存储器中存储有脑卒中后肢体痉挛的预测程序，所述处理器运行所述脑卒中后肢体痉挛的预测程序以使所述脑卒中后肢体痉挛的预测系统执行如权利要求1-7任一项所述的脑卒中后肢体痉挛的预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有脑卒中后肢体痉挛的预测程序，所述脑卒中后肢体痉挛的预测程序被处理器执行时实现如权利要求1-7任一项所述的脑卒中后肢体痉挛的预测方法。
