一種融合腦功能指標的肢體運動功能評估系統和方法與流程

2023-09-17 10:57:42 1

1.本發明涉及生物信號檢測領域，尤其涉及一種融合腦功能指標的肢體運動功能評估系統和方法。


背景技術：

2.由於腦卒中、腦癱等神經系統疾病導致的運動功能障礙者人數眾多，運動功能評估是了解患者功能水平、制定康復訓練方案以及康復效果評價的必要手段。目前臨床的運動功能評估主要依靠量表，不但耗時耗力，並且存在評估人員的主觀差異。並且由於該類人群的運動障礙是由於大腦損傷或發育不良導致的，其運動功能的水平與腦功能的恢復情況密切相關，因此評估過程中需要同時考慮腦功能和運動功能的相關指標才能更加全面的反映其功能水平。


技術實現要素：

3.為此，本發明提出了融合腦功能指標的肢體運動功能評估系統和方法，該方法和系統充分考慮了腦區之間的協同性和兩側肢體運動的協同性，同時提取了腦血氧與運動耦合指標，從而全面的反映了運動功能，更具準確性。利用該融合腦功能指標的肢體運動功能評估系統和方法進行運動功能評估具有很好的推廣應用價值。
4.為實現本發明之目的，採用以下技術方案予以實現：
5.一種融合腦功能指標的肢體運動功能評估方法，包括如下步驟：
6.步驟1、在肢體運動狀態下同步採集全腦的腦血氧數據和肢體運動數據；步驟2、計算腦功能特徵指標；步驟3、計算運動學及腦與運動耦合特徵指標；步驟4、將預處理後的腦血氧數據和肢體運動數據輸入預先建立的小波散射網絡模型，生成新的特徵值；步驟5、將步驟2-4計算得到的結果輸入運動功能評估模型，進行肢體運動功能評估。
7.所述的融合腦功能指標的肢體運動功能評估方法，其中步驟2計算腦功能特徵指標包括：計算採集時段內左右兩側運動區之間的功能連接強度、左右兩側運動區的半球自主係數、左/右運動區指向左/右前額葉、枕葉和對側運動區的耦合強度值、以及左右兩側運動區的有向半球自主係數。
8.所述的融合腦功能指標的肢體運動功能評估方法，其中步驟3包括：計算左右兩側肢體運動數據的頻域一致性指標，以及腦血氧數據與運動數據之間的頻域一致性指標。
9.所述的融合腦功能指標的肢體運動功能評估方法，其中步驟5包括：將計算得到的腦功能特徵指標、運動學特徵指標、腦與運動耦合特徵指標以及小波散射網絡生成的新的特徵值一併輸入預先建立的基於svm分類器的運動功能評估模型，進行肢體運動功能評估。
10.所述的融合腦功能指標的肢體運動功能評估方法，其中步驟1包括：按照大腦的功能分區，將全腦的腦血氧採集通道劃分為左/右前額葉、左/右運動區和左/右枕葉，每個功能分區含有多個腦血氧信號採集通道。
11.所述的融合腦功能指標的肢體運動功能評估方法，其中左右兩側運動區之間的功
能連接強度計算方包括：
12.對每一通道數據進行歸一化處理，計算其小波變換結果，其中小波變換的結果包含了血氧信號在任一尺度點和任一採樣時間點的相位信息，在此基礎上對相位信息φ(f,t)進行小波相位相干性分析，假設兩個信號通道的數據序列分別為x、y，則其相位信息之差為δφ
xy
(f,t)，將cosδφ
xy
(f,t)和sinδφ
xy
(f,t)在時域內平均化得到〈cosδφ
xy
(f)〉和〈sinδφ
xy
(f)〉，計算公式為：
[0013][0014][0015]
式中，l＝1,2,...,l，l為血氧信號數據序列中包含的數據個數。由此得到兩通道信號x和y之間的小波相位相干性值為：
[0016][0017]
則兩信號通道x和y之間的功能連接值fc
xy
為：
[0018][0019]
假設兩個腦區分別有n和m個測量通道，則這兩個腦區間的功能連接值fc為：
[0020][0021]
所述的融合腦功能指標的肢體運動功能評估方法，其中所述的左右兩側運動區的半球自主係數hai的計算方法為：
[0022][0023]
其中，n為該腦區的總通道數量，i為該腦區中某一通道的編號，cii為同側半球與通道i具有顯著功能連接的通道總數，ti為同側半球的總通道數，cci為對側半球與通道i具有顯著功能連接的通道總數，tc為對側半球的總通道數；當兩個通道之間小波相位相干性值大於閾值時，認為兩個通道之間具有顯著功能連接。
[0024]
所述的融合腦功能指標的肢體運動功能評估方法，其中左/右運動區指向左/右前額葉、枕葉和對側運動區的耦合強度值計算方法為：
[0025]
假設一側運動區中某一通道為i，其他腦區中某一通道為j，首先通過小波變化提取i和j通道腦氧合血紅蛋白濃度變化信號在0.01
–
0.08hz頻段的相位信息，在此基礎上構建n個相位振子φi(i＝1,...,n)的耦合相位振蕩模型；基於貝葉斯推理構造似然函數，通過遞歸運算計算負對數似然函數的穩定點來推斷相位耦合模型的耦合係數則i指向j通道的耦合強度為：
[0026]
[0027]
其中，和分別為i和j通道的相位耦合模型的耦合係數。
[0028]
左右運動區指向其他腦區的耦合強度計算方法為：假設該側運動區a通道數為n，所指向的腦區b通道數為m，則腦區a指向腦區b的耦合強度值
[0029][0030]
所述的融合腦功能指標的肢體運動功能評估方法，其中左右兩側運動區的三種有向半球自主係數hai的計算方法為：
[0031][0032][0033][0034]
其中，i表示任一通道，ni_in和ni_out分別為同側半球中指向通道i和指出通道i的顯著效應連接的數量，hi_in和hi_out分別為同側半球中可能存在的指向通道i和指出通道i的顯著效應連接的總數量；nc_in和nc_out分別為對側半球中指向通道i和指出通道i的顯著效應連接的數量，hc_in和hc_out分別為對側半球中可能存在的指向通道i和指出通道i的顯著效應連接的總數量；ni_t和nc_t分別為同側半球和對側半球中與通道i有關的顯著效應連接的數量，hi_t和hc_t分別為同側半球和對側半球可能存在的與通道i有關的顯著效應連接的總數量；hai_in和hai_out分別代表指向和指出通道i的半球內連通性和半球間連通性的差異。hai_t代表與通道i相關的連接半球內連通性和半球間連通性的差異；
[0035]
對於一個通道，較高的hai值hai_in、hai_out和hai_t意味著更多的半球內連通性而不是半球間連通性。雙側大腦半球hai值的比較可以反映大腦的偏側化程度。取各腦區經絡hai值的平均值，比較不同狀態和大腦半球差異的變化；
[0036]
為了判斷兩信號通道之間的效應連接是否為顯著效應連接，設置耦合強度的閾值，具體方法為：針對每個通道的血氧數據，隨機生成100個與原始信號的功率譜和振幅分布相同，但是在相位上卻與原信號完全不相關的數據序列，計算100個數據序列兩兩之間的耦合係數，以計算得到的100個耦合係數值的均值加兩倍標準差作為耦合係數的閾值。當兩通道之間某一方向的耦合係數值大於該方向的閾值時，該兩通道之間的該方向之間的連接為顯著效應連接。
[0037]
所述的融合腦功能指標的肢體運動功能評估方法，其中左右兩側肢體運動數據的頻域一致性指標的計算方法為：
[0038]
假設左右兩側肢體對應部位的九軸慣性運動數據序列分別為x1、x2……
x9,y1、y2……
y9，則兩個運動數據的頻域一致性指標cif
xy
為：
[0039][0040]
其中：*表示共軛，xi(f)和yi(f)分別表示xi和yi經時頻變換後提取的頻域能量值。
[0041]
所述的融合腦功能指標的肢體運動功能評估方法，其中腦血氧數據與患肢運動數
據之間的頻域一致性指標計算方法為：
[0042]
假設某個腦區共有n個腦血氧測量通道，其中某一測量通道i的腦血氧數據為ai，患肢的九軸慣性運動數據序列分別為b1、b2……
b9，則該腦區的腦血氧數據與患肢運動數據的頻域一致性指標cif
ab
為：
[0043][0044]
其中：*表示共軛，ai(f)和bj(f)分別表示ai和bj經時頻變換後提取的頻域能量值。
[0045]
所述的融合腦功能指標的肢體運動功能評估方法，其中利用小波散射網絡結合svm分類器建立運動功能評估模型的方法為：
[0046]
建立多個受試者的評估指標資料庫，包括左右兩側運動區之間的功能連接強度、左右兩側運動區的半球自主係數、運動區指向其他腦區的耦合強度值、左右兩側運動區的有向半球自主係數、左右兩側肢體運動數據的頻域一致性指標、腦血氧數據與運動數據之間的頻域一致性指標以及fugl-meyer運動功能評估量表評分；
[0047]
根據受試者的fugl-meyer運動功能評估量表評分將其運動功能分為4個等級：96-100分為1級，85-95分為2級，50-84分為3級，50分以下為4級，等級越高，運動功能越差；
[0048]
將受試者的腦血氧數據和運動學原始數據序列輸入小波散射網絡進行特徵提取與優化，得到系列新的特徵值；
[0049]
將小波散射網絡得到的新的特徵以及步驟2和步驟3計算得到的各種腦功能和運動指標作為模型的特徵輸入，以svm作為分類器，以受試者的運動等級作為分類器的輸出，建立運動功能評估模型；
[0050]
其中，利用小波散射網絡進行特徵提取與優化的具體步驟為：通過小波變換對原始的腦血氧信號和運動信號進行濾波，得到不同頻帶範圍內的信號，對濾波函數進行縮放和旋轉得到多解析度小波函數，即
[0051][0052]
其中，γ表示方向，j表示尺度。
[0053]
利用小波函數對信號f(x)進行小波變換，可以得到不通過尺度和方向上的一組小波特徵係數，可表示為：
[0054][0055]
對小波特徵係數進行如下取模操作：
[0056][0057]
將f(x)與縮放函數做卷積運算，可以得到低頻信息：
[0058][0059][0060]
最終得到小波變換的模算子為：
[0061][0062]
對u
λ
進行迭代計算，得到下面的散射傳播子：
[0063][0064]
再通過不斷使用小波變換模算子將高頻信號映射為低頻信號：
[0065][0066]
當p＝0時，s(0)f＝f，所以sj(0)f＝ajf，最終得到散射算子：
[0067][0068]
將各測量通道的原始腦血氧信號和運動信號分別進行上述處理，得到各個通道信號的散射算子，並將所得到的散射算子作為新的特徵輸入到svm分類器進行肢體運動功能的分類識別。
[0069]
一種融合腦功能指標的肢體運動功能評估系統，其中，包括：數據採集終端，主控制器和顯示部件；其中，所述的數據採集終端包括基於近紅外光譜的腦血氧採集裝置、慣性傳感和關節角度傳感器構成的運動學採集裝置以及腦血氧與運動數據採集同步觸發裝置；所述的主控制器包含數據處理模塊，評估指標提取模塊和評估計算模塊，其中，數據處理模塊對原始腦血氧數據和運動學數據進行數據格式轉換、濾波預處理；評估指標提取模塊內置各項評估指標計算的算法，將數據處理模塊處理後的數據輸入評估指標提取計算模塊，得到左右兩側運動區之間的功能連接強度、左右兩側運動區的半球自主係數、運動區指向其他腦區的耦合強度、左右兩側肢體運動數據的頻域一致性指標以及腦血氧數據與運動數據之間的頻域一致性指標等各項評估指標的計算結果；估計算模塊包含小波散射網絡模型，將數據處理模塊預處理後的腦血氧與運動學數據輸入模型得到優化的特徵值；評估計算模型包括基於svm的運動功能評估模型，用於根據評估指標提取模塊得到的各項指標以及小波散射網絡模型得到的特徵值進行運動功能的評估。
[0070]
所述融合腦功能指標的肢體運動功能評估系統，其中該評估系統用於執行如上所述的一種融合腦功能指標的肢體運動功能評估方法。
附圖說明
[0071]
圖1為融合腦功能指標的肢體運動功能評估方法的流程圖；
[0072]
圖2為融合腦功能指標的肢體運動功能評估系統的結構示意圖；
[0073]
圖3為數據採集終端佩戴示意圖。
具體實施方式
[0074]
下面結合附圖1-3，對本發明的具體實施方式進行詳細說明。所述實施方式是示例性地，僅用於解釋本發明，而不能理解為對本發明的限制。顯然，本發明所描述的實施例僅僅是本發明的一部分實施例，而不是全部的實施例。基於本發明中的實施例，本領域技術人員在沒有做出創造性勞動的前提下所獲得的所有其他實施例，都屬於本發明保護的範圍。
[0075]
在本說明書中描述的「一種實施方式」或「一些實施方式」等意味著在本發明的一個或多個實施方式中包括結合該實施例描述的特定特徵、結構或特點。由此，在本說明書中術語「包括」、「包含」、「具有」及它們的變形都意味著「包括但不限於」，除非是以其他方式另
外特別強調。
[0076]
如圖1所示，融合腦功能指標的肢體運動功能評估方法包括：
[0077]
步驟1、在肢體運動狀態下同步採集全腦的腦血氧數據和肢體運動數據。
[0078]
步驟2、計算腦功能特徵指標，包括：採集時段內左右兩側運動區之間的功能連接強度、左右兩側運動區的半球自主係數、左/右運動區指向左/右前額葉、枕葉和對側運動區的耦合強度值、以及左右兩側運動區的有向半球自主係數；
[0079]
步驟3、計算運動學及腦與運動耦合特徵指標，包括：左右兩側肢體運動數據的頻域一致性指標以及腦血氧數據與運動數據之間的頻域一致性指標；
[0080]
步驟4：將預處理後的腦血氧數據和肢體運動數據輸入預先建立的小波散射網絡模型，生成新的特徵值。
[0081]
步驟5：將計算得到的腦功能特徵指標、運動學特徵指標、腦與運動耦合特徵指標以及小波散射網絡生成的新的特徵值一併輸入預先建立的基於svm分類器的運動功能評估模型，進行肢體運動功能評估。
[0082]
其中，在採集腦血氧數據的過程中，採用多個採集通道覆蓋全腦皮層，按照大腦的功能分區，將全腦的腦血氧採集通道劃分為左/右前額葉、左/右運動區和左/右枕葉，每個功能分區含有多個腦血氧信號採集通道。肢體運動數據可採用慣性傳感器、角度傳感器等方式獲取。
[0083]
根據一個具體的實施例，各項腦功能、運動學以及腦與運動耦合的特徵指標計算方法為：
[0084]
(1)左右兩側運動區之間的功能連接強度計算方法為：
[0085]
可通過計算兩個腦區內各測量通道與其他通道腦血氧數據的小波相位相干性得到，具體為：
[0086]
對每一通道數據進行歸一化處理，計算其小波變換結果，其中小波變換的結果包含了血氧信號在任一尺度點和任一採樣時間點的相位信息，在此基礎上對相位信息φ(f,t)進行小波相位相干性分析。假設兩個信號通道的數據序列分別為x、y，則其相位信息之差為δφ
xy
(f,t)，將cosδφ
xy
(f,t)和sinδφ
xy
(f,t)在時域內平均化得到〈cosδφ
xy
(f)〉和〈sinδφ
xy
(f)〉，計算公式為：
[0087][0088][0089]
式中，l＝1,2,...,l，l為血氧信號數據序列中包含的數據個數。由此得到兩通道信號x和y之間的小波相位相干性值為：
[0090][0091]
則兩信號通道x和y之間的功能連接值fc
xy
為：
[0092]
[0093]
假設兩個腦區分別有n和m個測量通道，則這兩個腦區間的功能連接值fc為：
[0094][0095]
(2)左右兩側運動區的半球自主係數hai的計算方法為：
[0096][0097]
其中，n為該腦區的總通道數量，i為該腦區中某一通道的編號，cii為同側半球與通道i具有顯著功能連接的通道總數，ti為同側半球的總通道數，cci為對側半球與通道i具有顯著功能連接的通道總數，tc為對側半球的總通道數。
[0098]
為了判斷兩信號通道之間的功能連接是否為顯著功能連接，設置小波相位相干性值的閾值，具體方法為：針對每個通道的血氧數據，隨機生成100個與原始信號的功率譜和振幅分布相同，但是在相位上卻與原信號完全不相關的數據序列，計算100個數據序列兩兩之間的小波相位相干性值，以計算得到的所有值的均值加兩倍標準差作為小波相位相干性值的閾值。當兩通道之間的小波相位相干性值大於閾值時，該兩通道之間的連接為顯著功能連接。
[0099]
(3)左/右運動區指向左/右前額葉、枕葉和對側運動區的耦合強度值計算方法為：
[0100]
假設左側運動區為腦區a，共包含n個通道，其中某一通道為i。右側前額葉為腦區b，共包含m個通道，其中某一通道為j。首先通過小波變化提取i和j通道腦氧合血紅蛋白濃度變化信號在0.01
–
0.08hz頻段的相位信息，在此基礎上構建n個相位振子φi(i＝1,...,n)的耦合相位振蕩模型。基於貝葉斯推理構造似然函數，通過遞歸運算計算負對數似然函數的穩定點來推斷相位耦合模型的耦合係數則i指向j通道的耦合強度為：
[0101][0102]
其中，和分別為i和j通道的相位耦合模型的耦合係數。
[0103]
則左側運動區指向右側前額葉的耦合強度計算方法為：
[0104]
其他兩兩腦區之間耦合強度的計算方法與之類似。
[0105]
(4)左右兩側運動區的有向半球自主性係數的計算方法為：
[0106][0107][0108][0109]
其中，i表示任一通道，ni_in和ni_out分別為同側半球中指向通道i和指出通道i的顯著效應連接的數量，hi_in和hi_out分別為同側半球中可能存在的指向通道i和指出通道i的顯著效應連接的總數量；nc_in和nc_out分別為對側半球中指向通道i和指出通道i的
顯著效應連接的數量，hc_in和hc_out分別為對側半球中可能存在的指向通道i和指出通道i的顯著效應連接的總數量；ni_t和nc_t分別為同側半球和對側半球中與通道i有關的顯著效應連接的數量，hi_t和hc_t分別為同側半球和對側半球可能存在的與通道i有關的顯著效應連接的總數量；hai_in和hai_out分別代表指向和指出通道i的半球內連通性和半球間連通性的差異。hai_t代表與通道i相關的連接半球內連通性和半球間連通性的差異。
[0110]
對於一個通道，較高的hai值(hai_in、hai_out和hai_t)意味著更多的半球內連通性而不是半球間連通性。雙側大腦半球hai值的比較可以反映大腦的偏側化程度。取各腦區經絡hai值的平均值，比較不同狀態和大腦半球差異的變化。
[0111]
為了判斷兩信號通道之間的效應連接是否為顯著效應連接，設置耦合強度的閾值，具體方法為：針對每個通道的血氧數據，隨機生成100個與原始信號的功率譜和振幅分布相同，但是在相位上卻與原信號完全不相關的數據序列，計算100個數據序列兩兩之間的耦合係數，以計算得到的100個耦合係數值的均值加兩倍標準差作為耦合係數的閾值。當兩通道之間某一方向的耦合係數值大於該方向的閾值時，該兩通道之間的該方向之間的連接為顯著效應連接。
[0112]
(5)左右兩側肢體運動數據的頻域一致性指標的計算方法為：
[0113]
假設左右兩側肢體對應部位的九軸慣性運動數據序列分別為x1、x2……
x9,y1、y2……
y9，則兩個運動數據的頻域一致性指標cif
xy
為：
[0114][0115]
其中：*表示共軛，xi(f)和yi(f)分別表示xi和yi經時頻變換後提取的頻域能量值。
[0116]
(6)腦血氧數據與患肢運動數據之間的頻域一致性指標計算方法為：
[0117]
假設某個腦區共有n個腦血氧測量通道，其中某一測量通道i的腦血氧數據為ai，患肢的九軸慣性運動數據序列分別為b1、b2……
b9，則該腦區的腦血氧數據與患肢運動數據的頻域一致性指標cif
ab
為：
[0118][0119]
其中：*表示共軛，ai(f)和bj(f)分別表示ai和bj經時頻變換後提取的頻域能量值。
[0120]
根據一個具體的實施例，利用小波散射網絡結合svm分類器建立運動功能評估模型的方法為：
[0121]
建立若干受試者的評估指標資料庫，包含左右兩側運動區之間的功能連接強度、左右兩側運動區的半球自主係數、運動區指向其他腦區的耦合強度值、左右兩側肢體運動數據的頻域一致性指標、腦血氧數據與運動數據之間的頻域一致性指標以及fugl-meyer運動功能評估量表評分。
[0122]
根據受試者的fugl-meyer運動功能評估量表評分將其運動功能分為4個等級：96-100分為1級，85-95分為2級，50-84分為3級，50分以下為4級，等級越高，運動功能越差。將受試者的腦血氧數據和運動學原始數據序列輸入小波散射網絡進行特徵提取與優化，得到系列原始信號的小波散射算子，作為新的特徵值。將小波散射網絡得到的新的特徵以及步驟2和步驟3計算得到的各種腦功能和運動指標作為模型的特徵輸入，以svm作為分類器，以受
試者的運動等級作為分類器的輸出，建立運動功能評估模型。
[0123]
其中，利用小波散射網絡進行特徵提取與優化的具體步驟為：通過小波變換對原始的腦血氧信號和運動信號進行濾波，得到不同頻帶範圍內的信號，對濾波函數進行縮放和旋轉得到多解析度小波函數，即
[0124][0125]
其中，γ表示方向，j表示尺度。
[0126]
利用小波函數對信號f(x)進行小波變換，可以得到不通過尺度和方向上的一組小波特徵係數，可表示為：
[0127][0128]
對小波特徵係數進行如下取模操作：
[0129][0130]
將f(x)與縮放函數做卷積運算，可以得到低頻信息：
[0131][0132][0133]
最終得到小波變換的模算子為：
[0134][0135]
由於上述取模操作得到了信號的低頻信息，造成了高頻信息的丟失。為恢復丟失的高頻信息，對u
λ
進行迭代計算，得到下面的散射傳播子：
[0136][0137]
再通過不斷使用小波變換模算子將高頻信號映射為低頻信號：
[0138][0139]
當p＝0時，s(0)f＝f，所以sj(0)f＝ajf，最終得到散射算子：
[0140][0141]
將各測量通道的原始腦血氧信號和運動信號分別進行上述處理，得到各個通道信號的散射算子，並將所得到的散射算子作為新的特徵輸入到svm分類器進行肢體運動功能的分類識別。
[0142]
具體地，利用svm進行肢體運動功能分類識別的過程為：將步驟2和步驟3計算得到的腦功能指標、運動學指標以及腦與運動耦合指標，包括左右兩側運動區之間的功能連接強度、左右兩側運動區的半球自主係數、運動區指向其他腦區的耦合強度值、左右兩側運動區的有向半球自主係數、左右兩側肢體運動數據的頻域一致性指標、腦血氧數據與運動數據之間的頻域一致性指標，作為特徵輸入到svm分類器；同時，將步驟4基於各腦血氧信號和運動信號得到的新的特徵量也輸入到svm分類器；經分類器自動計算，輸出運動功能分類結果，為1級、2級、3級或4級，等級越高，代表運動功能越差。如圖2所示，本發明還提供了一種
融合腦功能指標的肢體運動功能評估系統，包括：數據採集終端1，主控制器2和顯示部件3。
[0143]
數據採集終端1包括基於近紅外光譜的腦血氧採集裝置1a、運動學採集裝置1b以及腦血氧與運動數據採集同步觸發裝置1c。其中，運動學採集裝置1b包括慣性傳感器1b1和關節角度傳感器1b2。同步觸發裝置1c分別與腦血氧採集裝置1a和運動學採集裝置1b相連。具體如圖3，腦血氧採集裝置1a佩戴在受試者頭部，採集通道覆蓋全腦；運動學採集裝置1b(慣性傳感器1b1和關節角度傳感器1b2)分別佩戴在人體的四肢上。
[0144]
主控制器2包括數據處理模塊2a，評估指標提取模塊2b和評估計算模塊2c。其中，數據處理模塊2a對原始腦血氧數據和運動學數據進行數據格式轉換、濾波等預處理。評估指標提取模塊2b內置各項評估指標計算的算法，可將數據處理模塊處理後的數據輸入評估指標提取計算模塊，得到左右兩側運動區之間的功能連接強度、左右兩側運動區的半球自主係數、運動區指向其他腦區的耦合強度、左右兩側運動區的有向半球自主係數、左右兩側肢體運動數據的頻域一致性指標以及腦血氧數據與運動數據之間的頻域一致性指標等各項評估指標的計算結果。評估計算模塊2c包含小波散射網絡模型2c1，可將數據處理模塊預處理後的腦血氧與運動學數據輸入模型得到優化的特徵值；評估計算模塊2c還包含基於svm的運動功能評估模型2c2，可根據評估指標提取模塊得到的各項指標以及小波散射網絡模型得到的特徵值進行運動功能的評估。
[0145]
顯示部件3包括顯示屏3a和軟體界面3b。其中，軟體界面3b包括數據採集界面3b1、數據預處理界面3b2、評估分析界面3b3和評估結果顯示界面3b4。顯示部件3可用於顯示運動功能評估結果。
[0146]
以上，僅是本發明的較佳實施例而已，並非對本發明作任何形式上的限制，雖然本發明已以較佳實施例揭示如上，然而並非用以限定本發明，任何本領域技術人員，在不脫離本發明技術方案範圍內，當可利用上述揭示的技術內容做出些許更動或修飾為等同變化的等效實施例，但凡是未脫離本發明技術方案內容，依據本發明的技術實質對以上實施例所作的任何簡介修改、等同變化與修飾，均仍屬於本發明技術方案的範圍內。