基于肌电与肌氧复合阵列信息的腰背痛识别系统及方法

1.本发明涉及生物医学工程技术领域，更具体地，涉及一种基于肌电与肌氧复合阵列信息的腰背痛识别系统及方法。


背景技术：

2.腰背痛(low back pain，lbp)是指腰背、腰骶和骶髂部的疼痛，有时伴有下肢感应痛或放射痛，通常表现在下腰椎和腰骶、骶髂部，因此也被称为“下背痛”或“腰痛”。由于慢性腰背痛长久不愈，反复发作，需长期康复治疗，严重影响患者的正常生活和工作。
3.在现有技术中，专利申请cn201480057113.3提出了用于恢复腰椎的肌肉功能的系统和方法。该系统包括耦合于可植入脉冲发生器(ipg)的电极、传输刺激命令到ipg的手持式激活器、以及传输编程数据到ipg的外部编程器，其中可编程控制器根据刺激命令生成编程数据来刺激组织。该系统可包括基于软件的编程系统，该基于软件的编程系统在计算机上运行，使得治疗医生可编程和调节刺激参数。然而，该系统只是利用电刺激来恢复腰椎的肌肉功能，从而以达到减轻背痛的目的，并没有涉及到背痛分类与诊断。
4.专利申请cn201710001886.5公开了一种阵列式肌电信号采集装置及下背痛辅助诊断系统。其中阵列式肌电信号采集装置包括腰带本体和无线发射模块，所述腰带本体的内侧嵌设有多个呈阵列式分布的电极，所述电极通过内嵌导线连接于无线发射模块，所述电极用于采集人体腰部的表面肌电信号并传输至无线发射模块，所述无线发射模块用于以无线电的形式发出所述表面肌电信号。然而，该系统只是通过基于电极阵列式分布的肌电信号采集装置来获取背部的肌电信息，并根据肌电信息分析出特征值，从而判断是否患有下背痛病症，其所获肌电信号准确性受限，并且只是通过提取背部肌电信号的相关特征参数来判断背痛症状，对临床诊断的参考意义不大。
5.专利申请cn202210081133.0公开了一种基于多源特征的腰痛患者肢体功能障碍自动评估方法，首先，使用u-net神经网络对腰部核磁共振(mri)影像中的多裂肌、竖脊肌进行自动分割，并采用最大类间方差法实现肌肉横截面积、脂肪浸润度等影像学特征的提取；其次，通过对临床常用的腰痛患者评估量表进行筛选，提取量表特征；随后，使用支持向量机递归特征消除算法(svm-rfe)对所有特征进行筛选，降低特征冗余，确定最优的特征组合；最后，选用机器学习中的支持向量机(svm)方法构建腰痛患者肢体功能障碍评估模型，实现对腰痛患者功能障碍的自动评估和判别。然而，该方案只是通过对腰部多裂肌、竖脊肌的mri影像的相关特征提取，并结合腰疼患者评估量表，以达到评估腰痛患者肢体功能障碍程度，并不涉及肌电等生理信息的采集和对腰背疼痛的诊断分析。
6.经分析，目前的腰背痛诊断方式，多以病人主诉与医生经验判断为主，缺乏客观的检测和分类标准，易发生误诊影响治疗效果。而采用生理电信号或医学影响的方式诊断腰背痛，多是通过腰背部的肌电信号或者通过腰背部肌肉的医学影像，来评估肌肉获得状态来判断腰背痛情况。这种以单一模式的生理信息的检测或腰背痛患者主观评估量表的形式来分析腰背痛症状，无法准确有效地诊断腰背痛。研究表明，腰背痛的发生与神经肌肉的生
物电活动及血流活动高度相关，而当前腰背痛诊断方法存在以下缺陷：一是腰背部肌肉收缩模式和腰背痛神经肌肉电生理-血氧信息特征的关系不明；二是腰背部神经肌肉电生理-血氧信息特征和腰背痛类别的准确映射关系不明。


技术实现要素：

7.本发明的目的是克服上述现有技术的缺陷，提供一种基于肌电与肌氧复合阵列信息的腰背痛识别系统及方法。
8.根据本发明的第一方面，提供一种基于肌电与肌氧复合阵列信息的腰背痛识别系统。该系统包括：
9.数据生成模块：用于根据腰背部的肌电信息和肌氧信息生成肌电地形图和肌氧地形图；
10.特征处理模块：用于对所述肌电地形图和所述肌氧地形图进行特征提取，获得肌电地形图特征数据和肌氧地形图特征数据，其中肌电地形图特征数据和肌氧地形图特征数据是强活动区域的形态学特征；
11.分析与诊断模块：用于将所述肌电地形图特征数据和所述肌氧地形图特征数据输入到经训练的神经网络模型，获得腰背痛类别识别结果。
12.根据本发明的第二方面，提供一种基于肌电与肌氧复合阵列信息的腰背痛识别方法。该方法包括以下步骤：
13.根据腰背部的肌电信息和肌氧信息生成肌电地形图和肌氧地形图；
14.对所述肌电地形图和所述肌氧地形图进行特征提取，获得肌电地形图特征数据和肌氧地形图特征数据，其中肌电地形图特征数据和肌氧地形图特征数据是强活动区域的形态学特征；
15.将所述肌电地形图特征数据和所述肌氧地形图特征数据输入到经训练的神经网络模型，获得腰背痛类别识别结果。
16.与现有技术相比，本发明的优点在于，提出一种基于肌电和肌氧复合阵列信息的腰背痛识别系统及方法，通过确定腰背痛神经肌肉活动的双模生理信息特征与疼痛之间的对应关系，提高了腰背痛检测和分类的客观性与准确性，改善了腰背痛的治疗和康复效果，从而为腰背痛的精确客观诊断及治疗方法提供了技术支持。
17.通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
附图说明
18.被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。
19.图1是根据本发明一个实施例的基于肌电与肌氧复合阵列信息的腰背痛识别系统的框图；
20.图2是根据本发明一个实施例的腰背部肌电地形图示意；
21.图3是根据本发明一个实施例的腰背部肌氧地形图示意；
22.图4是根据本发明一个实施例的基于阈值的形态特征提取方法的流程图；
23.图5是根据本发明一个实施例的多层前馈神经网络框架图；
24.图6是根据本发明一个实施例的监督式深度卷积神经网络框架图；
25.图7是根据本发明一个实施例的基于肌电与肌氧复合阵列信息的腰背痛识别方法的流程图。
具体实施方式
26.现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
27.以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
28.对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
29.在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
30.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
31.参见图1所示，本发明提出的基于肌电与肌氧复合阵列信息的腰背痛识别系统包括数据生成模块110、特征处理模块120、分析与诊断模块130。其中数据生成模块110根据腰背部的肌电肌氧信息生成肌电地形图和肌氧地形图；特征处理模块120用于提取疼痛类别可分性强的最优生理信息图特征参数；分析与诊断模块130采用神经网络自主学习模型，生成腰背部神经肌肉电生理-血氧信息特征和腰背痛类别的相互映射关系，从而建立疼痛分类模型，实现腰背疼痛的精准客观分类。
32.在一个实施例中，数据生成模块110根据腰背部的肌电信息和肌氧信息，通过三次样条插值等方法生成腰背部的肌电地形图和肌氧地形图，以获得腰背部肌电肌氧信息的高分辨率图。
33.具体地，对腰背部肌电信息进行三次样条插值计算，并与腰背部多部位的肌电特征值一起组成一个矩阵结构，其中肌电特征值包括均方根值rms、自回归模型系数ar、平均频率值mnf、中位频率值mdf等；将矩阵中各元素，通过线性化的方法转换到[0,1]范围内，然后将新元素对应成一个三原色光模式(rgb)颜色，最终可显示为一个可视化的地形图，即肌电地形图。如图2所示，肌电地形图可包括rms地形图、ar地形图、mdf地形图、mdf地形图等。
[0034]
图3是腰背部肌氧地形图示意。具体地，对腰背部肌氧信息及其脱氧血红蛋白hb、含氧血红蛋白hbo、总血红蛋白hbt进行三次插值计算，可以得到整个腰背部待测区域内肌肉血氧浓度的分布，从而实现血氧信息的近红外光谱成像，以获得肌氧地形图，包括hb地形图、hbo地形图、hbt地形图等。通过插值计算，在获得肌电地形图和肌氧地形图的基础上，可以提升计算效率。
[0035]
在一个实施例中，特征处理模块120根据肌电肌氧双模生理信息图来获取实现最佳腰背分类效果的特征参数。例如，基于图像处理技术，对肌电地形图和肌氧地形图进行特征提取。
[0036]
具体地，参见图4所示，可采用基于阈值的形态特征提取方法，包括以下过程：
[0037]
步骤s1，基于设定的灰度阈值分割图像。
[0038]
例如，设置一个灰度阈值t来区分目标和背景，阈值t以上的认为是目标，阈值t之下的认为是背景；通过设置这个阈值t，将肌电和肌氧地形图的原始彩色图像的像素转换为黑白二值图像，以达到对图像的分割。设输入图像为f(x,y)，分割后的图像g(x,y)，则：
[0039][0040]
阈值的选取可采用人工选择法或通过仿真确定。例如，通过有经验的医生，利用先验知识，观察原始图像，进行多次试验，最终选择一个适当的阈值，应用于所有原始图像，以将强活动区域与弱活动区域分割开。
[0041]
步骤s2，对分割图像进行形态学处理，获得形态学处理后地形图。
[0042]
例如，对分割后的强活动区域图像做形态学处理(包括但不限于腐蚀、膨胀、开闭运算等)，以去除图像噪声的同时加强了图像的边缘细节，实现目标图像边缘的平滑化。
[0043]
步骤s3，从形态学处理后地形图提取强活动区域的形态学特征.
[0044]
具体地，提取强活动区域的形态学特征，如大小特征和位置分布特征。强活动区域的大小特征可以通过计算强活动区域的面积、宽度和高度特征来获得，而位置分布信息则较难确定。考虑到人体解剖学结构，健康人的腰背部肌肉是由脊柱左右两侧对称分布的，通过将地形图由中间脊柱向左右两边分开分析，计算左右两边地形图特征的差值，可以间接反映出完整地形图强活动区域的位置分布信息。
[0045]
在一个实施例中，分类与诊断模块130通过建立神经网络分析模型，对腰背痛肌电和肌氧的双模生理信息图的特征数据进行训练学习，以获得腰背部神经肌肉电生理-血氧信息特征和腰背痛类别的相互映射关系，最终提供一种客观准确的腰背痛多分类方法，实现腰背痛类别的准确识别。
[0046]
神经网络模型可以是传统神经网络模型或深度神经网络模型等多种类型。另外，为确定适合个体的最优腰背痛多分类方法，通过k-fold交叉验证方法，比较上述两种模型的性能(如分类准确率、计算效率等)，以选取最优模型来实现对腰背痛多类别的准确识别。
[0047]
例如，对于传统神经网络模型，通过基于肌电肌氧生理信息图的特征数据，训练传统前馈多层神经网络模型，以实现对腰背痛类别的判别。
[0048]
具体地，根据所获得的肌电和肌氧地形图的高强度活动区域的特征参数，构建多层前馈神经网络，采用sigmoid激活函数，运用基于梯度下降策略的误差逆传播算法，迭代更新各神经元的连接权和阈值，最小化训练集的累积误差和学习时间，以获得最优的人工神经网络模型，实现对腰背痛多类别的准确识别。图5是多层前馈神经网络的框架图，其包含输入层、多层隐层和输出层。隐层的数量可根据对分类准确性和计算效率的要求设置。
[0049]
对于深度神经网络模型，通过基于肌电肌氧生理信息图的原始像素数据，训练监督式深度卷积神经网络模型，以实现腰背痛类别的判别。
[0050]
具体地，根据肌电和肌氧地形图(时域和频率特征)的原始像素数据，训练监督式深度卷积神经网络模型，将两种像素数据进行融合，建立不同类别腰背痛的关系，以达到对腰背痛多类型的准确识别。如图6是监督式深度卷积神经网络框图，由9层网络构成，分别是3个卷积层、3个池化层、1个flatten层(展平层)、1个全连接层和1个输出层。
[0051]
输入层用于将肌电地形图和肌氧地形图的原始图像像素导入卷积神经网络结构，并产生第一个卷积层的输入。
[0052]
卷积层负责特征的学习和融合。该层通过卷积计算连接到输入层或者上一层的局部区域的神经元的输出来提取特征，每个神经元与前一层的区域连接为稀疏连接；卷积层的深度与前一层的feature maps(特征图)数量保持一致，以达到对feature maps中特征的融合；一个可学习的卷积核与前一层若干个feature maps做卷积，将所有元素累加后再加上一个偏置，传给relu激活函数。
[0053]
池化层通过减少相似特征点实现feature maps的降维，并可以降低噪声和扩大接受域。池化层可采用max-pooling(最大池化)或mean-pooling(平均池化)的策略实现特征降维。
[0054]
flatten层用于将输入“压平”，即将多维的输入一维化，用于与全连接层的过渡。
[0055]
全连接层的每个神经单元都与上一层进行全连接，最终得到一个多维的特征向量。
[0056]
输出层可采用softmax分类器，对分布式特征进行概率量化，计算每一个腰背痛类别的概率。
[0057]
在训练深度神经网络模型过程中，基于softmax的损失函数，通过误差逆传播(bp)算法，迭代训练优化卷积网络参数，获得最优卷积神经网络模型，实现对腰背痛多类别的准确识别。
[0058]
相应地，本发明还提供一种基于肌电与肌氧复合阵列信息的腰背痛识别方法。参见图7所示，该方法包括：步骤s110，根据腰背部的肌电信息和肌氧信息生成肌电地形图和肌氧地形图；步骤s120，对所述肌电地形图和所述肌氧地形图进行特征提取，获得肌电地形图特征数据和肌氧地形图特征数据，其中肌电地形图特征数据和肌氧地形图特征数据是强活动区域的形态学特征；步骤s130，将所述肌电地形图特征数据和所述肌氧地形图特征数据输入到经训练的神经网络模型，获得腰背痛类别识别结果。
[0059]
应理解的是，在本文中，神经网络模型的类型、层数、激活函数、损失函数等均可以根据实际需要选取或设置。
[0060]
综上所述，为了有效治疗和康复腰背痛，需要对其病理和病因进行准确诊断，然而目前85％的腰背痛为非特异性腰背痛(即病因诊断不明的腰背痛)，导致腰背痛的诊断更像是症状的描述，而非病理的诊断。为了提升对腰背痛识别的准确性，本发明通过对神经肌肉电生理与血氧信息的融合分析，获得反应神经肌肉活动的双模生理信息图，并利用神经网络模型获得疼痛类别的映射关系。经验证，本发明能够客观准确地检测疼痛特征信息并定量分类疼痛类型，为腰背痛的精准客观分类提供了诊断参考，进而提升了腰背痛的治疗和康复效果。
[0061]
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
[0062]
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器
(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
[0063]
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
[0064]
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++、python等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。
[0065]
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
[0066]
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
[0067]
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
[0068]
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程
序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
[0069]
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。

技术特征：
1.一种基于肌电与肌氧复合阵列信息的腰背痛识别系统，包括：数据生成模块：用于根据腰背部的肌电信息和肌氧信息生成肌电地形图和肌氧地形图；特征处理模块：用于对所述肌电地形图和所述肌氧地形图进行特征提取，获得肌电地形图特征数据和肌氧地形图特征数据，其中肌电地形图特征数据和肌氧地形图特征数据是强活动区域的形态学特征；分析与诊断模块：用于将所述肌电地形图特征数据和所述肌氧地形图特征数据输入到经训练的神经网络模型，获得腰背痛类别识别结果。2.根据权利要求1所述的系统，其特征在于，所述肌电地形图包括均方根值地形图、自回归模型系数地形图、平均频率值地形图和中位频率值地形图，所述肌氧地形图包括脱氧血红蛋白地形图、含氧血红蛋白地形图和总血红蛋白地形图。3.根据权利要求2所述的系统，其特征在于，所述肌电地形图和所述肌氧地形图根据以下步骤获得：对腰背部肌电信息进行三次样条插值计算，并与腰背部多部位的肌电特征值一起组成矩阵结构，其中肌电特征值包括均方根值、自回归模型系数、平均频率值和中位频率值；对于矩阵中各元素，通过线性化方法转换到[0,1]范围内；将转换后的元素对应成三原色光模式颜色，进而显示为可视化的肌电地形图；对腰背部肌氧信息及其脱氧血红蛋白、含氧血红蛋白、总血红蛋白进行三次插值计算，获得腰背部待测区域内肌肉血氧浓度的分布，实现血氧信息的近红外光谱成像，以获得肌氧地形图。4.根据权利要求1所述的系统，其特征在于，所述肌电地形图特征数据和所述肌氧地形图特征数据根据以下步骤获得：利用设定的灰度阈值t将肌电地形图和肌氧地形图的原始彩色图像的像素转换为黑白二值图像，获得分割图像，其中所述分割图像包含强活动区域和弱活动区域；以去除图像噪声和加强图像的边缘细节为目标，对所述分割图像进行形态学处理，获得形态学处理后地形图；从所述形态学处理后地形图提取强活动区域的形态学特征，作为所述肌电地形图特征数据和所述肌氧地形图特征数据，其中所述强活动区域的形态学特征包含大小特征和位置分布特征，所述位置分布特征通过将肌电地形图和肌氧地形图由中间脊柱向左右两边分开，计算左右两边地形图特征的差值来获取。5.根据权利要求1所述的系统，其特征在于，所述神经网络模型是多层前馈神经网络并采用sigmoid激活函数进行非线性处理，包括输入层、多层隐层和输出层。6.根据权利要求1所述的系统，其特征在于，所述神经网络模型是深度卷积神经网络模型，依次包括输入层、多层卷积层、与卷积层对应的多层池化层、一层展平层、一层全连接层和输出层。7.根据权利要求6所述的系统，其特征在于，根据以下步骤训练所述卷积神经网络模型：输入层将肌电地形图和肌氧地形图的原始图像像素导入卷积神经网络模型；多层卷积层用于进行特征学习和融合；
多层池化层通过减少相似特征点对学习到的特征进行降维；展平层用于将多层池化层输出的多维特征进行一维化处理；全连接层的每个神经单元都与上一层进行全连接，得到一个多维的分布式特征向量；输出层采用softmax分类器，对所述分布式特征向量进行概率量化，计算各腰背痛类别的概率；基于softmax的损失函数，通过误差逆传播算法，迭代训练优化卷积神经网络模型参数。8.根据权利要求1所述的系统，其特征在于，所述神经网络模型是通过对多种类型的预训练模型进行k-fold交叉验证所选取的性能最优模型。9.一种基于肌电与肌氧复合阵列信息的腰背痛识别方法，包括以下步骤：根据腰背部的肌电信息和肌氧信息生成肌电地形图和肌氧地形图；对所述肌电地形图和所述肌氧地形图进行特征提取，获得肌电地形图特征数据和肌氧地形图特征数据，其中肌电地形图特征数据和肌氧地形图特征数据是强活动区域的形态学特征；将所述肌电地形图特征数据和所述肌氧地形图特征数据输入到经训练的神经网络模型，获得腰背痛类别识别结果。10.一种计算机可读存储介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现根据权利要求9所述的方法的步骤。

技术总结
本发明公开了一种基于肌电与肌氧复合阵列信息的腰背痛识别系统及方法。该系统包括：数据生成模块，用于根据腰背部的肌电信息和肌氧信息生成肌电地形图和肌氧地形图；特征处理模块，用于对所述肌电地形图和所述肌氧地形图进行特征提取，获得肌电地形图特征数据和肌氧地形图特征数据，其中肌电地形图特征数据和肌氧地形图特征数据是强活动区域的形态学特征；分析与诊断模块，用于将所述肌电地形图特征数据和所述肌氧地形图特征数据输入到经训练的神经网络模型，获得腰背痛类别识别结果。本发明提高了腰背痛检测和分类的客观性与准确性，进而能够改善腰背痛的治疗和康复效果。进而能够改善腰背痛的治疗和康复效果。进而能够改善腰背痛的治疗和康复效果。


技术研发人员：姜乃夫 曹江浪 方鹏 李光林
受保护的技术使用者：中国科学院深圳先进技术研究院
技术研发日：2023.04.28
技术公布日：2023/7/7