基于表面肌电的面瘫患者针灸疗效检测可视化系统及方法

摘要

本发明涉及一种基于表面肌电的面瘫患者针灸疗效检测可视化系统及方法，所述系统由sEMG信号采集电极、sEMG信号放大器、sEMG信号AD转换器、sEMG信号分析装置和显示器依次连接；采集sEMG信号，通过sEMG信号放大器进行放大，并通过sEMG信号AD转换器传输到sEMG信号分析装置进行预处理，提取时域和频域特征，组建成特征向量，采用PCA方法对特征向量降维，并利用kmeans聚类方法计算健康侧与患侧的类别中心距，将类别中心距拟合，得到AR模型，预测患者的康复趋势；本发明在无创便捷的条件下，准确的检测面瘫患者面部双侧肌肉恢复程度，并进一步预测患者的康复趋势，为医生的临床治疗与患者的康复效果评价提供辅助性参考指标。

说明书

技术领域

本发明涉及医疗康复效果量化评估设备领域，尤其涉及一种基于sEMG的 面瘫患者针灸疗效检测可视化系统及方法。

背景技术

面瘫是一种以面部表情肌群运动功能障碍为主要特征的一种常见病。目前， 临床上面瘫患者疗效评价主要依赖医生的治疗经验，通过观察患者抬眉、鼓腮、 撅嘴、噤鼻子等动作，从而对面瘫恢复情况进行主观评价；此外，Facial Disability  Index(FDI)量表[1]，House Brackmann面神经分级标准[2]，Sunnybrook面神经分 级标准[3]和Yanagihara面神经分级标准[4]等主观评价量表也广泛的应用于面瘫 患者疗效的评价。这些分级量表都是基于医生和患者感受描述的主观评价方法， 不能实时的给予面瘫患者客观准确的可视化反馈信息。

另一方面，Feng Zhao等[5]利用1-甲基-4-苯基-1,2,3,6-四氢吡啶（MPTP） 制作恒河猴的帕金森综合症模型，使其右臂肌肉僵直。针刺足三里（ST36），检 测患臂的sEMG信号。对于健康的恒河猴，针灸对其没有任何影响；对于患病 恒河猴，经过一段时间的针灸治疗，肌肉僵直情况有明显改善。在文献[6]中， 针刺受试者对耳轮、对耳珠等位置，与此同时，受试者提起、放下单位重量的 负载，采集相应部位——肩部三角肌与斜方肌的EMG信号。通过实验前中后的 信号分析对比，发现60%收缩比下的EMG有大幅提高。上述这些研究，仅仅是 利用表面肌电信号验证针灸对某种疾病的治疗效果，并没有提出一个明确的参 数化指标，对受试对象的康复效果进行评价。现有的研究只能检测面瘫患者面 部双侧肌肉sEMG信号，而无法给出准确的恢复程度，也无法对针灸治疗效果 给出客观准确的评价，不能进一步预测患者的康复趋势。

[1]Kwon HJ,Kim JI,Lee MS,Choi JY,et al.Acupuncture for sequelae of Bell′s palsy:a randomized controlled  trial protocol.Trials.2011Mar9;12:71.

[2]Xia F,Han J,Liu X,Wang J,Jiang Z,Wang K,et al.Prednisolone and acupuncture in Bell’s palsy:study  protocol for a randomized,controlled trial.Trials2011;12:158.

[3]Kanerva M,Poussa T,A.Sunnybrook and House-Brackmann Facial Grading Systems:intrarater repeatability and interrater agreement.Otolaryngol Head Neck Surg.2006Dec;135(6):865-871.

[4]Ikeda M,Nakazato H,Hiroshige K,Abiko Y,Sugiura M.To what extent doevaluations of facial paralysis by  physicians coincide with self-evaluations by patients:comparison of the Yanagihara method,the  House-Brackmann method,and self-evaluation by patients.OtolNeurotol.2003Mar;24(2):334-338.

[5]Feng Zhao,Xiaotong Fan,Richard Grondin,Ramsey Edwards,Eric Forman,Jennifer Moorehead,Greg  Gerhardt,XiaominWang,Zhiming Zhang,Improved methods for electroacupuncture and electromyographic  recordings in normal and parkinsonian rhesus monkeys,Journal of Neuroscience Methods192(2010)199–206.

[6]Fabiano Politti,Cesar Ferreira Amorim,Lilian Calili,Adriano de Oliveira Andrade,Evanisi T.Palomari,The  use of surface electromyography for the study of auricular acupuncture,Journal of Bodywork &Movement  Therapies(2010)14,219226.

发明内容

针对现有技术的不足，本发明提供一种基于sEMG的面瘫患者针灸疗效检测 可视化系统及其方法。该系统通过sEMG信号分析装置的预处理，提取时域和频 域特征，组建成特征向量，降维等过程得到AR模型，准确的检测面瘫患者面部 双侧肌肉恢复程度，并进一步预测患者的康复趋势，为医生的临床治疗与患者 的康复效果评估提供直观的量化的参考指标。

本发明为实现上述目的所采用的技术方案是：一种基于基于表面肌电的面 瘫患者针灸疗效检测可视化系统，sEMG信号放大器的输入端连接sEMG信号采 集电极，sEMG信号放大器的输出端连接到sEMG信号AD转换器的输入端，sEMG 信号分析装置的输入端连接sEMG信号AD转换器的输出端，sEMG信号分析装置 的输出端连接显示器。

所述sEMG信号采集电极为电极片，且电极片形状适合肌肉形状和区域大 小。

所述sEMG信号分析装置为对sEMG信号进行全面分析处理，实现实时检 测、滤波、特征提取、特征向量降维、聚类功能，预测面瘫患者康复趋势的嵌 入式系统。

一种基于表面肌电的面瘫患者针灸疗效检测方法，

将sEMG信号采集电极置于两侧面部肌肉，采集两侧面部肌肉的sEMG信 号；

将得到的sEMG信号通过sEMG信号放大器进行放大，并通过sEMG信号 AD转换器，将模拟sEMG信号转换成数字sEMG信号；

将数模转换后的sEMG信号传输到sEMG信号分析装置进行预处理；

提取预处理后的sEMG信号的时域和频域特征，组建成特征向量；

采用PCA方法对特征向量降维，并利用kmeans聚类方法计算健康侧与患 侧的类别中心距；

利用多次测量的sEMG健康侧与患侧的类别中心距，拟合得到AR模型， 预测患者下一次针刺治疗后，能够达到的康复效果。

所述预处理为对sEMG信号进行除野值、陷波以及滤波的处理过程。

所述时域和频域特征包括绝对值积分、过零次数、中值频率和一阶AR模型 系数。

所述绝对值积分包括以下提取过程：

$\mathrm{IAV}=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}\left|x_i\right|$

所述过零次数的提取过程为：

$\mathrm{ZC}=\underset{i=1}{\overset{N}{\Sigma }}\mathrm{sgn}(-x_i{x}_{i+1})$

所述中值频率的提取过程为：

${\int }_0^{\mathrm{MDF}}P\left(\omega \right)\mathrm{d\omega }={\int }_{\mathrm{MDF}}^{\infty }P\left(\omega \right)\mathrm{d\omega }=\frac{1}{2}{\int }_0^{\infty }P\left(\omega \right)\mathrm{d\omega }$

所述一阶AR模型系数的提取过程为：

x_i＝a·x_i-1+v

其中，IAV为绝对值积分，ZC为过零次数，MDF为中值频率，x_i为sEMG数 据的第i个采样点，N为sEMG时间窗的总长度，P(ω)是sEMG的功率谱密度， a是一阶AR模型系数，$\mathrm{sgn}\left(x\right)=\left(\begin{array}{cc}1& x>0\\ 0& \mathrm{otherwise}\end{array}\right).$

所述组建成特征向量包括以下过程：

健康侧的sEMG特征向量为：

fv_h＝[IAV_h ZC_h ARC_h MDF_h]

患侧的sEMG特征向量为：

fv_d＝[IAV_d ZC_d ARC_d MDF_d]

IAV_h＝[iav_1,h,iav_2,h,…,iav_m,h]^T,IAV_d＝[iav_1,d,iav_2,d,…,iav_m,d]^T

ZC_h＝[zc_1,h,zc_2,h,...,zc_m,h]^T,ZC_d＝[zc_1,d,zc_2,d,...,zc_m,d]^T

ARC_h＝[a_1,h,a_2,h,...,a_m,h]^T,ARC_d＝[a_1,d,a_2,d,...,a_m,d]^T

MDF_h＝[mdf_1,h,mdf_2,h,...,mdf_m,h]^T,MDF_d＝[mdf_1,d,mdf_2,d,...,mdf_m,d]^T

其中：IAV为绝对值积分，ZC为过零次数，MDF为中值频率，ARC为一阶AR 模型系数，m为sEMG时间窗的序号，h表示健康侧，d表示患侧，T表示向量 的转置。

所述采用PCA方法对特征向量降维包括以下步骤：

步骤1）：以健康侧的特征向量作为基础样本，构建basis矩阵：

${\mathrm{basis}=\left(\begin{array}{cccc}{\mathrm{IAV}}_h& {\mathrm{ZC}}_h& {\mathrm{ARC}}_h& {\mathrm{MDF}}_h\end{array}\right)}_{m\times 4}$

$={\left(\begin{array}{cccc}{\mathrm{iav}}_{1h}& {\mathrm{zc}}_{1h}& a_{1h}& {\mathrm{mdf}}_{1h}\\ {\mathrm{iav}}_{2h}& {\mathrm{zc}}_{2h}& a_{2h}& {\mathrm{mdf}}_{2h}\\ ...& ...& ...& ...\\ {\mathrm{iav}}_{\mathrm{mh}}& {\mathrm{zc}}_{\mathrm{mh}}& a_{\mathrm{mh}}& {\mathrm{mdf}}_{\mathrm{mh}}\end{array}\right)}_{m\times 4}$

其中，iav_iξ,zc_iξ,a_iξ,mdf_iξ分别为绝对值积分、过零次数、一阶AR模型系数和 中值频率，h表示健康侧，d表示患侧，m表示sEMG时间窗序号；

步骤2）：计算basis矩阵的协方差矩阵：

H_4×4=cov(basis)=S^TS

$S={\left(\begin{array}{cccc}{\mathrm{iav}}_{1h}-{\mu }_{1h}& {\mathrm{zc}}_{1h}-{\mu }_{2h}& a_{1h}-{\mu }_{3h}& {\mathrm{mdf}}_{1h}-{\mu }_{4h}\\ {\mathrm{iav}}_{2h}-{\mu }_{1h}& {\mathrm{zc}}_{2h}-{\mu }_{2h}& a_{2h}-{\mu }_{3h}& {\mathrm{mdf}}_{2h}-{\mu }_{4h}\\ ...& ...& ...& ...\\ {\mathrm{iav}}_{\mathrm{mh}}-{\mu }_{1h}& {\mathrm{zc}}_{\mathrm{mh}}-{\mu }_{2h}& a_{\mathrm{mh}}-{\mu }_{3h}& {\mathrm{mdf}}_{\mathrm{mh}}-{\mu }_{4h}\end{array}\right)}_{m\times 4}$

其中μ_i为S矩阵的各列的均值；

步骤3）：将协方差矩阵对角化，得到特征向量与对应的特征值：

v_4×4=[β₁，β₂，β₃，β₄]

$d_{4\times 4}=\left(\begin{array}{cccc}{\lambda }_1& 0& 0& 0\\ 0& {\lambda }_2& 0& 0\\ 0& 0& {\lambda }_3& 0\\ 0& 0& 0& {\lambda }_4\end{array}\right)$

式中β₁,β₂,β₃,β₄为特征向量，λ₁,λ₂,λ₃,λ₄为特征向量对应的特征值

步骤4）：将特征向量单位正交化，得到主要模式，并取前两列为传递矩阵

PM＝[η₁,η₂,η₃,η₄]_4×4＝orthonormalized(v_4×4)

TM＝[η₁,η₂]_4×2

其中，PM为主要模式，TM为传递矩阵，η₁,η₂,η₃,η₄为所述特征向量β₁,β₂,β₃,β₄单位正交化后的结果；

步骤5）：利用步骤4）中TM将特征向量降维成2m×2维矩阵COEFF：

${\mathrm{COEFF}}_h={\left(\begin{array}{cccc}{\mathrm{IAV}}_h& {\mathrm{ZC}}_h& {\mathrm{ARC}}_h& {\mathrm{MDF}}_h\end{array}\right)}_{m\times 4}·{[{\eta }_1,{\eta }_2]}_{4\times 2}$

$=\left(\begin{array}{cc}{\mathrm{pc}}_{11}^h& {\mathrm{pc}}_{12}^h\\ {\mathrm{pc}}_{21}^h& {\mathrm{pc}}_{22}^h\\ ...& ...\\ {\mathrm{pc}}_{m1}^h& {\mathrm{pc}}_{m2}^h\end{array}\right)$

${\mathrm{COEFF}}_d={\left(\begin{array}{cccc}{\mathrm{IAV}}_d& {\mathrm{ZC}}_d& {\mathrm{ARC}}_d& {\mathrm{MDF}}_d\end{array}\right)}_{m\times 4}·{[{\eta }_1,{\eta }_2]}_{4\times 2}$

$=\left(\begin{array}{ccc}{\mathrm{pc}}_{11}^d& & {\mathrm{pc}}_{12}^d\\ {\mathrm{pc}}_{21}^d& & {\mathrm{pc}}_{22}^d\\ ...& ...& ...\\ {\mathrm{pc}}_{m1}^d& & {\mathrm{pc}}_{m2}^d\end{array}\right)$

$\mathrm{COEFF}={\left(\begin{array}{c}{\mathrm{COEFF}}_h\\ {\mathrm{COEFF}}_d\end{array}\right)}_{2m\times 2}$

表示降维后的特征向量。

所述AR模型如下：

${\hat{d}}_k=a_1^k{d}_{k-1}+a_2^k{d}_{k-2}+...+a_n^k{d}_{k-n}$

其中i＝1,2...,n为待辨识的AR模型系数，n为AR模型的阶次， d_k-1,d_k-2,...,d_k-n分别为第（k-1，k-2，…，k-n）次检测得到的健康侧与患侧的 类别中心距，为预测得到的第k的健康侧与患侧的类别中心距离。

本发明具有以下有益效果及优点：

1.本发明采用敏感精确的表面肌电信号，检测面瘫患者面部肌肉活性，从而 有效排除医生与患者临床感受等主观因素的影响，实现对面瘫治疗效果的定量 客观评价，并提供给医生一个直观的可视化反馈，从而辅助医生进行临床治疗 与评估；

2.本发明采用四阶巴特沃斯带通滤波、50HZ工频陷波等方法，对肌电信号 进行预处理，能够有效滤除环境噪声对表面肌电的影响；

3.本发明提取表面肌电信号的时频域特征，组建特征向量，从而更全面的对 面瘫治疗效果进行评价与预测，并使用PCA算法对特征向量降维，提高数据的 稳定性；

4.本发明中采用kmeans算法对降维后的特征向量进行非监督聚类，并以健康 侧与患侧的类别中心距作为评估面瘫治疗效果的量度，即健康侧与患侧的类别 中心距越小，说明双侧肌肉活性差距越小，面瘫治疗有效果；

5.本发明中根据健康侧与患侧的类别中心距拟合得到AR模型，利用以往的 sEMG数据，预测下一次针灸治疗后，患者将会达到的治疗效果。

附图说明

图1是本发明系统结构框图；

图2是本发明中芯片连接图；

图3是本发明的方法流程图；

图4是本发明的结果实时显示图；

图5是本发明的针灸治疗效果评价图；

图6是本发明的k-means聚类结果图；

图7是本发明的类别中心距趋势图。

具体实施方式

下面结合附图和实施例对本专利做进一步说明。

如图1所示为本发明的系统结构框图，sEMG信号放大器的输入端连接 sEMG信号采集电极，sEMG信号放大器的输出端连接到sEMG信号AD转换器 的输入端，sEMG信号分析装置的输入端连接sEMG信号AD转换器的输出端， sEMG信号分析装置的输出端连接显示器。

其中sEMG信号分析装置为S3C2410型芯片。

如图2所示为本发明中芯片连接图，幅值500uV左右的原始sEMG在增益 500倍、共模抑制比100分贝的前置信号放大器（U2～U7）的作用下，变为幅值 0.5V左右的模拟电压信号，并输入AD采集芯片LTC1867L(U9)，以2000HZ的 频率进行模拟/数字转换，数字信号通过SPI协议(SDO和SDI)与S3C2410(U1) 通信(SPIMISO0和SPIMOSI0口)；信号截取按钮，连接上拉电阻，接入 S3C2410(U1)的AIN6口，作为标志信号，高电平时系统截取保存对应的肌肉自 主收缩sEMG。即，计算机串口U10与sEMG分析装置的U1相连；sEMG放大 电极U2～U7分别与AD采集芯片U9的CH0～CH5引脚相连；U9通过SDI和SDO 与U1相连；U1通过GPC和GPD引脚与显示屏U8相连。

如图3所示为本发明的方法流程图.

1)采集患者面部双侧额肌、提上唇肌和咬肌六块肌肉的sEMG，其中咬肌采 用左三角型电极片，提上唇肌与额肌采用分离式电极片，电极片根据肌肉形状 及区域大小而定。

与此同时，患者在医生的示意下，在针灸治疗的前后，分别完成抬眉、鼓 腮、撅嘴、龇牙、噤鼻子等动作，每个动作持续时间两秒，动作间隔时间3秒； 医生在患者每一个动作开始与结束的时候，摁动按钮，完成肌肉自主收缩sEMG 信号的截取。

幅值500uV左右的原始sEMG在增益500倍、共模抑制比100分贝的前置 信号放大器（U2～U7）的作用下，变为幅值0.5V左右的模拟电压信号，并输入 sEMG信号AD转换器，以2000HZ的频率进行模拟/数字转换。

sEMG预处理：原始sEMG信号中，可能包含有环境噪声与工频干扰信号。 因此将通过去除野值、工频50Hz陷波、4阶10Hz～500Hz的ButterWorth带通滤 波等方法对信号进行预处理。

sEMG特征提取：sEMG信号属于非平稳信号，直接处理难度较大，因此本 发明将利用128ms的时间窗，32ms的滑动窗提取其时域、频域以及时频域的特 征，包括：

绝对值积分(IntegralofAbsoluteValue,IAV)

$\mathrm{IAV}+\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}\left|x_i\right|$

过零次数(Zero Crossing)

$\mathrm{ZC}=\underset{i=1}{\overset{N}{\Sigma }}\mathrm{sgn}(-x_i{x}_{i+1})$

中值频率(Median Frequency,MDF)

${\int }_0^{\mathrm{MDF}}P\left(\omega \right)\mathrm{d\omega }={\int }_{\mathrm{MDF}}^{\infty }P\left(\omega \right)\mathrm{d\omega }=\frac{1}{2}{\int }_0^{\infty }P\left(\omega \right)\mathrm{d\omega }$

一阶AR模型系数(Auto-Regression Coefficients,ARC)

x_i＝a·x_i-1+v

其中，x_i的sEMG数据的第i个采样点，N为sEMG时间窗的总长度，P(ω) 是sEMG的功率谱密度，a是一阶AR模型系数，$\mathrm{sgn}\left(x\right)=\left(\begin{array}{cc}1& x>0\\ 0& \mathrm{otherwise}\end{array}\right).$

3)组建特征向量：为了全面反映sEMG的特征，本发明将IAV,ZC,MDF和ARC 组建特征向量：fv_h＝[IAV_h ZC_h ARC_h MDF_h]和fv_d＝[IAV_d ZC_d ARC_d MDF_d]分别表示 健康侧与患侧的sEMG特征向量。其中：

IAV_h＝[iav_1,h,iav_2,h,…,iav_m,h]^T,IAV_d＝[iav_1,d,iav_2,d,…,iav_m,d]^T

ZC_h＝[zc_1,h,zc_2,h,...,zc_m,h]^T,ZC_d＝[zc_1,d,zc_2,d,...,zc_m,d]^T

ARC_h＝[a_1,h,a_2,h,...,a_m,h]^T,ARC_d＝[a_1,d,a_2,d,...,a_m,d]^T

MDF_h＝[mdf_1,h,mdf_2,h,...,mdf_m,h]^T,MDF_d＝[mdf_1,d,mdf_2,d,...,mdf_m,d]^T，m表示 时间窗的序号，h和d分别代表健康侧与患侧，T表示向量的转置。

4)特征向量PCA方法降维：为了提高特征向量数据的稳定性，我们将对特 征向量采用PCA方法进行降维。

i.以健康侧的特征向量作为基础样本(basissample):

$\mathrm{basis}={\left(\begin{array}{cccc}{\mathrm{IAV}}_h& {\mathrm{ZC}}_h& {\mathrm{ARC}}_h& {\mathrm{MDF}}_h\end{array}\right)}_{m\times 4}$

$={\left(\begin{array}{cccc}{\mathrm{iav}}_{1h}& {\mathrm{zc}}_{1h}& a_{1h}& {\mathrm{mdf}}_{1h}\\ {\mathrm{iav}}_{2h}& {\mathrm{zc}}_{2h}& a_{2h}& {\mathrm{mdf}}_{2h}\\ ···& ···& ···& ···\\ {\mathrm{iav}}_{\mathrm{mh}}& {\mathrm{zc}}_{\mathrm{mh}}& a_{\mathrm{mh}}& {\mathrm{mdf}}_{\mathrm{mh}}\end{array}\right)}_{m\times 4}---\left(1\right)$

其中，iav_iξ,zc_iξ,arc_iξ,mdf_iξ等变量如3）中所述，h表示健康侧，d表示患侧， m表示sEMG时间窗序号。

ii.计算basis矩阵的协方差矩阵：

H_4×4=cov(basis)=S^TS   (2)

其中$S={\left(\begin{array}{cccc}{\mathrm{iav}}_{1h}-{\mu }_{1h}& {\mathrm{zc}}_{1h}-{\mu }_{2h}& a_{1h}-{\mu }_{3h}& {\mathrm{mdf}}_{1h}-{\mu }_{4h}\\ {\mathrm{iav}}_{2h}-{\mu }_{1h}& {\mathrm{zc}}_{2h}-{\mu }_{2h}& a_{2h}-{\mu }_{3h}& {\mathrm{mdf}}_{2h}-{\mu }_{4h}\\ ...& ...& ...& ...\\ {\mathrm{iav}}_{\mathrm{mh}}-{\mu }_{1h}& {\mathrm{zc}}_{\mathrm{mh}}-{\mu }_{2h}& a_{\mathrm{mh}}-{\mu }_{3h}& {\mathrm{mdf}}_{\mathrm{mh}}-{\mu }_{4h}\end{array}\right)}_{m\times 4},$μ_i指S矩阵的各列的均 值，iav,zc,a,mdf等特征如3）中定义。

iii.对角化H_4×4矩阵，得到特征向量与对应的特征值。

v_4×4=[β₁，β₂，β₃，β₄]

$d_{4\times 4}=\left(\begin{array}{cccc}{\lambda }_1& 0& 0& 0\\ 0& {\lambda }_2& 0& 0\\ 0& 0& {\lambda }_3& 0\\ 0& 0& 0& {\lambda }_4\end{array}\right)$

式中β₁,β₂,β₃,β₄为特征向量，λ₁,λ₂,λ₃,λ₄为对应的特征值

iv.单位正交化特征向量，得到主要模式(Principal Modes)，并取前两列为传 递矩阵(Transfer Matrix)

PM＝[η₁,η₂,η₃,η₄]_4×4＝orthonormalized(v_4×4)

TM＝[η₁,η₂]_4×2

其中，PM为主要模式，TM为传递矩阵，TM将进一步用于特征矩阵的降 维，η₁,η₂,η₃,η₄为所述特征向量β₁,β₂,β₃,β₄单位正交化后的结果。

v.因此，原始特征向量可以降维成2m×2维矩阵。

${\mathrm{COEFF}}_h={\left(\begin{array}{cccc}{\mathrm{IAV}}_h& {\mathrm{ZC}}_h& {\mathrm{ARC}}_h& {\mathrm{MDF}}_h\end{array}\right)}_{m\times 4}·{[{\eta }_1,{\eta }_2]{}_{}}_{4\times 2}$

$=\left(\begin{array}{cc}{\mathrm{pc}}_{11}^h& {\mathrm{pc}}_{12}^h\\ {\mathrm{pc}}_{21}^h& {\mathrm{pc}}_{22}^h\\ ...& ...\\ {\mathrm{pc}}_{m1}^h& {\mathrm{pc}}_{m2}^h\end{array}\right)$

${\mathrm{COEFF}}_d={\left(\begin{array}{cccc}{\mathrm{IAV}}_d& {\mathrm{ZC}}_d& {\mathrm{ARC}}_d& {\mathrm{MDF}}_d\end{array}\right)}_{m\times 4}·{[{\eta }_1,{\eta }_2]}_{4\times 2}$

$\left(\begin{array}{ccc}{\mathrm{pc}}_{11}^d& & {\mathrm{pc}}_{12}^d\\ {\mathrm{pc}}_{21}^d& & {\mathrm{pc}}_{22}^d\\ ···& ···& ···\\ {\mathrm{pc}}_{m1}^d& & {\mathrm{pc}}_{m2}^d\end{array}\right)---\left(3\right)$

$\mathrm{COEFF}={\left(\begin{array}{c}{\mathrm{COEFF}}_h\\ {\mathrm{COEFF}}_d\end{array}\right)}_{2m\times 2}$

其中[IAV_h ZC_h ARC_h MDF_h]和[IAV_d ZC_d ARC_d MDF_d]如权利要求 8中定义，h表示健康侧，d表示患侧，m表示sEMG时间窗序号，等表示降维后的特征向量。

5)K-means聚类。对于得到的降维后的特征向量，采用k-means聚类方法进 行聚类，并计算类别中心距离。具体方法如下：

i.任意选择2个初始中心点，例如

ii.对于COEFF中的所有点，分别与c[1]，c[2]比较，假定与c[i]差值最少， 就标记为i，i=1,2；

iii.对于所有标记为i点，重新计算c[i]={所有标记为i的点之和}/标记为i 的个数；

iv.重复(2)(3)，直到所有c[i]值的变化小于给定阈值。

得到的c[i],i=1,2即分别为健康侧与患侧的类别中心，以其二者之间的欧氏 距离d作为量测面瘫康复情况的定量指标。

6)AR模型预测患者康复趋势。根据患者每次治疗后的sEMG，由上述方法 计算得到健康侧与患侧的类别中心距离d，拟合得到四阶的AR模型：

${\hat{d}}_k=a_1^k{d}_{k-1}+a_2^k{d}_{k-2}+...+a_n^k{d}_{k-n}$

其中i＝1,2...,n为待辨识的AR模型系数，n为AR模型的阶次， d_k-1,d_k-2,...,d_k-n分别为第（k-1，k-2，…，k-n）次检测得到的健康侧与患侧的 类别中心距，为预测得到的第k的健康侧与患侧的类别中心距离；

将已有的n次中心距数据d_k,d_k-1,d_k-2,...,d_k-n代入上述AR模型中，即可辨识得 到AR模型的系数i＝1,2...,n，并以此预测第n+1次中心距d_k+1，即第n+1 次的治疗效果。

如图4所示为本发明的结果实时显示图：

S3C2410通过UART0接口实现与计算机的RS232(U10)通信，并实时保存 所有sEMG数据，以便进一步分析。此外，S3C2410通过GPC、GPD接口连接 外部LCD屏幕，将上述sEMG信号、针灸疗效评价结果实时显示出来。

图4，能够实时显示六通道sEMG数据，从左至右分别为健康侧与患侧的咬 肌、提上唇肌和额肌。

图5即为针灸治疗效果评价，不同颜色的柱状图，分别代表健康侧与患侧 不同肌肉的差距，柱状图越高，表明双侧差距越大，面瘫程度越严重，由图中 我们可以看到，随着一段时间的治疗，双侧差距逐渐缩小，针灸治疗面瘫有效 果。

图6即为k-means聚类结果，星号代表健康侧样本，圆圈代表患侧样本，两 个类别彼此界限分明，二者的类别中心距离作为评价面瘫康复水平的量度。

图7即为6～10号病人多次针灸治疗后sEMG的类别中心距趋势图，横坐标 表示采集sEMG的次数，纵坐标表示每次健康侧与患侧的类别中心距离，可以 看到健康侧与患侧的类别中心距在不断减小，说明面瘫康复效果良好。

通过现有的临床实验数据分析，本发明提出的sEMG分析方法及AR模型， 在检测面瘫患者康复效果并预测康复水平上表现优秀，准确率达到92.8%以上。