摘要利用系统辨识方法研究脊髓多节段硬化病人与正常对照组的髌韧带反射特性，抽取一系列系统特征参数。在此基础上，探讨利用人工神经网络对测量的系统参数进行分级和评定的方法及效果，证明这种方法对腱反射特征的定量评估是行之有效的。

中图分类号R496文献标识码A文章编号1007－5496(2000)05－0647－03

Quantitative assessment of muscle spasticity using artificial neural network

WANG Guang-zhi

(Biomedical Engineering Institute, Tsinghua University, Beijing 100084,China)

ZHANG Li-Qun.

(Biomedical Engineering Institute, Tsinghua University, Beijing 100084,China)

Abstract Patellar tendon reflexes were studied in normal subjects and multiple sclerosis (MS) patients. The input－ output properties of the system were characterized using several system parameters. Based on those parameters, an artificial neural network was used to assess the severity of spasticity. The results indicate the potential values of this method in clinical practice as an approach towards quantification of the tendon jerk, a key clinical measure of spasticity.

Key words neural network;spasticity;quantitative assessment;tendon jerk

1前言

肌肉痉挛（Spasticity）是一种伴随上运动神经元损伤，如脊髓损伤、脊髓多节段硬化、中风以及帕金森病等出现的并发症。其表现包括肌张力升高、肌肉僵硬、抽搐性痉挛等临床症状，影响患者的日常活动能力。目前对肌肉痉挛的评估尚无公认的有效方法，影响了对疾病的准确诊断和对病情以及药物作用的准确判断。在临床和生物医学工程领域，人们一直在探讨对肌肉痉挛程度的客观评价方法，目前常用的方法包括:临床分级测评、摆动实验、肌肉反射与腱反射等，其中只有临床分级测评比较广泛地得到应用。但是，临床分级评估方法是主观标准，不够精确和敏感，不易重复，且不同评测者间难于统一标准，这些因素阻碍了它在量化评估方面的作用。

2髌韧带反射的特征参数

髌韧带反射是一种常见的运动神经反射，也是对运动神经控制特性评价的重要指标，当用叩诊锤敲击髌韧带时，绝大多数人会产生反射，表现为股四头肌收缩，小腿伸展。髌韧带反射特性变化与肌肉痉挛有密切关系^[1～3］，但目前尚未见对其定量关系的具体描述。为研究髌韧带反射与肌肉痉挛程度的关系，对不同程度脊髓多节段硬化病人(13例)和正常对照组(13例)的反射特性进行了测量，测量采用自制的测试系统^[4,5]。测量中受试对象坐在测试椅上，通过调节座椅位置，将膝关节屈伸轴线与6分量力传感器的轴线重合，并在一定关节角度下将该位置锁定，然后在等长条件下利用装有力传感器的小锤叩击测试对象的髌韧带，由体表电极测量股四头肌反射收缩的肌电(EMG)信号，由力传感器测量膝关节反射力矩。对每一个受试者重复测试20～30次，实验中对叩击力、股四头肌的肌电信号和反射力矩信号进行采集，采样频率为500Hz，对采集到的肌电信号全波整流和低通滤波后进行归一化处理，对力和力矩信号进行低通滤波和解耦处理，并进行了坐标转换^[4,5］。

在上述实验基础上采用两种系统辨识方法得到系统的冲击响应函数(Impulse Response Function，IRF)，方法一是将重复测量得到的输入输出序列,利用相关分析(Correlation Analysis)方法辨识系统的冲击响应函数；另一种方法是将叩击力量考虑为冲击输入，用输出反射力矩对叩击力进行归一化处理，近似得到每次敲击所对应冲击响应。对上述测量数据，可以分析响应的平均值、方差等参数，以及参数变异情况^[5～7]。

对辨识得到的系统冲击响应曲线，为得到定量的评价指标，需要抽取其特征参数。研究中从系统冲击响应曲线上选取了6个特征参数：腱反射增益(Gtr),即系统冲击响应的峰值反射环路延时(Td)，收缩时间(Tc)，半恢复时间(Thr),收缩率(Rc)，半恢复率(Rhr)，此外还考虑了测量的系统输出参数，即力矩峰值(Mp)和肌电峰值(EMGp)。图1给出了典型IRF曲线和各特征参数的含义。

图1IRF曲线与特征参数的含义

为验证上述特征参数是否能作为评价肌肉痉挛的指标，对各参数进行了统计分析处理，利用方差分析(ANOVA)和假设检验(t－test)方法对估计得到的两个对照组的上述8个特征参数进行了对比。为了解上述参数与临床评价指标的相关程度，计算了各组参数的皮尔森相关系数(pearson product－moment correlation coefficient)。

方差分析和假设检验证明，在上述6个特征参数中，Gtr,Td、Thr、Rc、Rhr这5个参数在对照组间存在显著性差异(置信度99％)，而Tc的差异则不显著^[7,8］。由于大多数参数在对照组间存在显著性差异，表明这些参数可以作为区分对照组的指标。

通过计算各组参数的皮尔森相关系数，对比测量参数与临床指标(Ashworth指标和Reflex指标)的相关程度，可以看到部分系统参数(如Gtr、Rc、Rhr等)与临床评价指标有较强的相关性，而且各参数之间也具有较强的相关性^[7,8］。因此提取的特征参数有可能成为一种客观定量的评价指标，作为对病情精确评价的依据。

虽然上述研究表明系统测量参数可以区分不同测试对象组间的显著性差异，测量参数与临床分级指标有较强的相关性。但从这些参数尚无法直接得到对痉挛程度的评价,其主要原因包括：(1)虽然从统计意义上，不同样本组的参数有显著性差异，但具体到每个测试对象，各参数的表现是很复杂的，无法直接根据参数值进行评定。(2)反射特征参数与肌肉痉挛程度之间尚不具备直接确定的关系，无法以特征参数表示病情的程度。(3)肌肉痉挛程度的评价应是病人运动系统功能的综合描述，利用个别测量特征参数难以表示复杂的病情。因此需要探讨如何综合特征参数，对病情进行分类。研究证明，有可能利用测量参数与临床指标样本作为训练集，训练神经网络进行分级工作。利用神经网络可以综合分析测量参数，作出总体的判断，同时，利用神经网络的泛化能力，有可能在较少病例基础上建立对病情较精确的分级系统，且可以随着病例的积累，不断训练和完善网络，达到更好的性能。

3利用人工神经网络进行分类

3.1人工神经网络^[9,10］人工神经网络是在对大脑生理研究成果基础上，模拟大脑的某些机理与机制而发展起来的。生理学研究表明，人脑记忆与思维的最基本单位是神经元，神经元间通过突触形成网络，传递彼此间的兴奋与抑制。全部大脑神经元构成及其复杂的网络群体，并由这一网络群体实现记忆与思维。人工神经网络与此对应，是由处理单元经过加权有向连接而构成的网络。其中处理单元是对生理神经元的模拟，而有向连接则对应神经的轴突－树突连接，权值代表了处理单元间影响的强弱。在人工神经网络中，全部加权有向连接构成的互联强度矩阵对应于人脑中信息的长期记忆，而处理单元通常用非线性函数实现单元输入与输出的非线性映射，对应短期记忆。

人工神经网络的研究始于20世纪40年代，经过初期的缓慢发展，中期的衰落，到80年代以后的大发展，已经取得了很大成就。目前提出的神经网络已经有近40种，广泛涉及计算机视觉、语音识别、理解与合成、优化计算、智能控制以及复杂系统的决策等方面。利用神经网络的非线性处理和网络综合能力，可以对复杂问题进行处理，解决传统处理方法无法处理的问题。神经网络应用中的关键问题主要包括：网络类型与结构的选取或设计、处理单元的选取、网络的学习训练、网络性能的评价等，在处理实际问题时应根据目标进行设计。

3.2网络类型及结构的选取上述临床分级问题，实际是一个模糊识别的问题，研究的目标是选择和训练神经网络，根据髌韧带反射特征参数对肌肉痉挛程度进行分级工作。许多神经网络都可以完成模式识别和模式分类的工作^[9,10］，例如感知器、线性神经网络、多层前向网络、自组织特征映射网络等。在研究中对多种网络结构和不同的算法进行了试验，对其训练效率、分类性能、泛化能力等方面进行了对比。

神经网络的输入向量具有8个分量，输出为临床分级指标(即Ashworth指标)，分为0～4级。为确定这些向量是否线性可分，首先采用具有多个神经元的单层感知器网络进行了试算。结果表明，上述向量不是线性可分的，感知器神经网络无法找到正确的分类方案。因此需采用较为复杂的多层网络。研究中主要考察了两类网络，即多层前向网络(MLFN)和自组织特征映射（SOFM）网络。实践证明，采用多层前向网络具有比较好的效果。

在处理中考虑到输入向量中的分量值差异很大^[8]，若对其进行归一化(Normalization)处理，可能会收到好的效果，同时对输出向量也可以进行归一化处理。多层前向网络的输出为连续变量，通过