CN110151177A

CN110151177A - 基于表面肌电信号的足下垂检测装置及检测方法

Info

Publication number: CN110151177A
Application number: CN201910449520.3A
Authority: CN
Inventors: 宫玉琳; 陈晓娟; 胡命嘉; 吴洁; 曲畅; 南春岩; 孙越
Original assignee: Changchun University of Science and Technology
Current assignee: Changchun University of Science and Technology
Priority date: 2019-05-28
Filing date: 2019-05-28
Publication date: 2019-08-23

Abstract

基于表面肌电信号的足下垂检测装置及检测方法，涉及康复医疗技术领域，解决现有技术无法在病情早期，足下垂尚未明显表征时，即能根据表面肌电信号检测患者是否患有足下垂的问题，包括阵列电极、信号调理电路、FPGA和上位机；所述阵列电极通过信号调理电路与FPGA连接，所述FPGA与上位机连接；所述阵列电极采集下肢动作时产生的表面肌电信号，将所述表面肌电信号经过信号调理电路，进行放大和滤波处理后传输到FPGA中，所述FPGA对接收的信号进行去噪处理以及A/D转换后，对信号进行检测，检测出动作的起始点与终止点后，采用无线传输的方式将信号传输至上位机。检测方法通过信号采集和预处理，特征提取以及模型构建的步骤检测出病人的人体健康状况。

Description

基于表面肌电信号的足下垂检测装置及检测方法

技术领域

本发明涉及康复医疗技术领域，具体涉及一种基于表面肌电信号的足下垂检测装置及检测方法。

背景技术

足下垂是由于背屈肌肉瘫痪无力而导致不能完全抬高或无法抬高足尖的一种现象。多是由中风、偏瘫等原因引起的，是一种常见的疾病，病人的数量庞大，且每年在不断地增加，患有足下垂的病人行动不便，足下垂的治疗过程极其麻烦漫长，给患者本人及其家庭都带来极大的不便，因此，若能够及早的发现患者是否患有足下垂显得意义重大。但是仅仅靠医生和患者本人根据经验与自身感觉判断患者是否患有足下垂，不能及时有效的发现问题，因此需要一种更完善的检测方法。

由于表面肌电信号富含丰富的信息，且不同种动作表现出来的肌电信号不同，并且病态与常态的肌肉所表现的肌电信号也不同，因而，近些年，表面肌电信号广泛应用于康复医疗、机械假肢等领域。但以往对于表面肌电信号的研究多在于病情已经发生之后，未考虑到肌电信号在预防阶段的应用，若能在疾病未发生之前，即能通过表面肌电信号对尚未明显表现出来病情有所预测，做到早发现，早治疗，不但可以达到更好的治疗效果，也能在很大程度上缓解公共医疗压力。

发明内容

本发明为解决现有技术无法在病情早期，足下垂尚未明显表征时，即能根据表面肌电信号检测患者是否患有足下垂的问题，提供一种基于表面肌电信号的足下垂检测装置及检测方法。

基于表面肌电信号的足下垂检测装置，该检测装置包括阵列电极、信号调理电路、FPGA和上位机；

所述阵列电极通过信号调理电路与FPGA连接，所述FPGA与上位机连接；

所述阵列电极采集下肢动作时产生的表面肌电信号，将所述表面肌电信号经过信号调理电路，进行放大和滤波处理后传输到FPGA中，所述FPGA对接收的信号进行去噪处理以及A/D转换后，对信号进行检测，检测出动作的起始点与终止点后，采用无线传输的方式将信号传输至上位机。

基于表面肌电信号的足下垂检测方法，该方法由以下步骤实现：

步骤一、信号采集与预处理；

选择采集的对象，具体选择健康人群和足下垂患者，采用阵列电极分别对其采集小腿处的胫骨前肌和腓肠肌在动作时所产生的表面肌电信号；

所述信号调理电路对所述表面肌电信号进行放大和滤波处理后，通过FPGA进行信号的去噪及A/D转换，并检测动作的起始点与终止点，然后采用无线传输的方式将信号传输至上位机；

步骤二、特征提取；

所述上位机对步骤一采集的表面肌电信号进行特征参数的提取，获得八种不同的特征参数，分别为：绝对均值、均方根、短时傅里叶变换、平均频率、中值频率、积分肌电值、绝对值均值比、离散小波变换；

步骤三、模型构建；

采用步骤二获得的特征参数构建识别足下垂的模型；

具体过程为：采用深度置信网络作为分类器，将健康人群的特征参数记为N₀，足下垂患者的特征参数记为N₁；将N₀、N₁全部代入到分类器中进行训练，将健康人的训练结果记为0，重度足下垂患者的训练结果记为1，设定当训练结果大于0.4时，将测试者视为患有足下垂，完成模型的构建；

将新的测试者的特征参数带入到识别后的足下垂模型中，根据测试结果判断测试者是否患有足下垂。

本发明的有益效果：本发明所述的检测装置中采用了多通道柔性电极，可更好的与腿部肌肤贴合，能采集到更优良的表面肌电信号，处理电路在对信号进行预处理后，通过无线传输的方式将信号传至上位机，整个装置可固定在腿部，大大提升了实验的可操作性。通过提取数据时域、频域以及时频域的特征，获得了更为良好的特征参数，能达到更为良好的分类效果。之后本发明选用了，可自行调节系统参数的深度置信网络作为分类器以构建模型。在模型的使用过程中，系统可将测试者的数据收入到模型中，达到扩大模型数据库的目的，提高模型的分类准确率，来不断优化与升级模型。

本发明所述的检测方法通过利用表面肌电信号搭建可判断病患是否患有足下垂的模型，用于对人体健康状况的检测，其主要流程可分为三个步骤：信号采集和预处理，特征提取以及模型构建。其中信号预处理是对采集的表面肌电信号去除噪声干扰；特征提取是为了去除多余干扰数据，挖掘表面肌电信号中隐藏的有用信息；模式识别部分是为了构建用于检测出病人的人体健康状况。

附图说明

图1为本发明所述的基于表面肌电信号的足下垂检测装置的示意图；

图2为本发明所述的基于表面肌电信号的足下垂检测装置中信号处理电路原理框图；

图3为本发明所述的基于表面肌电信号的足下垂检测装置的佩戴示意图；

图4为本发明所述的基于表面肌电信号的足下垂检测方法中深度置信网络模型分类识别流程图。

具体实施方式

具体实施方式一、结合图1至图3说明本实施方式，基于表面肌电信号的足下垂检测装置，该装置是基于FPGA的无线信号采集装置，包括两个阵列电极、信号调理电路、FPGA和上位机；

通过两个阵列电极采集下肢动作时产生的表面肌电信号，将采集到的表面肌电信号经过信号调理电路，进行信号放大和去除工频干扰，再将信号传输到FPGA中，利用小波去噪对信号进行去噪处理，通过A/D转换，将模拟信号转换为数字信号，再对信号进行活动段检测，判断出动作的起始点与终止点，提取出动作部分的数据，之后通过蓝牙技术将数据传输到上位机。对于试验对象的选取有两类：健康人与足下垂患者，分别采集每位测试者做同种动作时表现出来的表面肌电信号供实验所用。

具体实施方式二、结合图1至图4说明本实施方式，基于表面肌电信号的足下垂检测方法，利用表面肌电信号搭建可判断病患是否患有足下垂的模型，用于对人体健康状况的检测，其主要流程可分为三个步骤：信号采集和预处理，特征提取以及模型构建。其中信号预处理是对采集的表面肌电信号去除噪声干扰；特征提取是为了去除多余干扰数据，挖掘表面肌电信号中隐藏的有用信息；模式识别部分是为了构建用于检测出病人的人体健康状况。具体步骤如下：

步骤1：信号采集与预处理。对于信号的采集，应采集能充分表征下肢动作模式的信号，分别采集其小腿处的胫骨前肌和腓肠肌在动作时所产生的表面肌电信号，根据实验目的的要求，对于实验对象的选取应分为两类：健康人与足下垂患者。在数据采集过程中，要求健康人与足下垂患者做出几组不同的动作，并对应存储。为方便在人体动作时采集信号，设计了一种无线信号采集处理装置，其结构图如附图1所示，主要由信号采集装置和信号调理电路组成。考虑到腓肠肌与胫骨前肌的面积较大，单个电极不能有效的采集信号，本实施方式选用2个16通道阵列电极来采集两处肌肉信号，阵列电极由16个铜质圆形电极组成，为降低皮肤与电极间的接触阻抗，在电极的表面镀有2μm厚度的镍层和0.035μm厚度的金层，电极直径大小为2.5mm，电极间横向、纵向的间距为15mm，每一个电极都会引出一根导线将采集到的信号传输到信号调理电路中，其中电极与导线都固定在柔性电路板中，再在信号调理电路中对采集的信号进行放大滤波等处理，硬件电路原理结构框图如2所示。具体处理流程如下：将采集到的信号先传输到信号调理电路中，对信号进行1000倍的放大，该功能由运算放大器AD8220和外围器件共同完成，再通过设计双T型陷波电路以去除50Hz的工频干扰，该电路由一个运放和外围电阻电容实现，之后将信号传输到FPGA中，利用小波去噪方法，对信号进行降噪处理，再通过A/D转换，将模拟信号转换成数字信号，该部分由TCL549完成。为提高在步骤3中对动作的识别率，在FPGA中通过移动平均值法与阈值法，对信号做活动段检测，保留人体动作时的数据，再通过蓝牙模块将已处理的信号发送至上位机端，再进行后续处理，整个装置都由锂电池供电。图3为设备佩戴示意图，在使用过程中通过尼龙搭扣将信号处理模块固定在小腿上，在有电极的一面的柔性带上附有医用双面胶，在使用时可将双面胶上的揭纸撕下，将柔性带粘在皮肤上使得能电极紧附在肌肉上，打开电源，系统即可正常工作。整个装置都可以固定在小腿上，方便实验使用。

步骤2：特征提取。上位机端接收到信号后对数据进行特征提取，通过提取八种不同的特征参量，分别为：绝对均值MAV、均方根RMS、积分肌电值IEMG、绝对值均值比MAV、离散小波变换DWT、平均频率MNF、中值频率MF和短时傅里叶变换STFT。特征参量表述如下：

(1)绝对均值MAV，绝对均值是通过将肌电信号中的幅值取绝对值后求平均得到的，其表达式如下：

其中，x(i)是每个通道采集的数据，N为采样点个数；

(2)均方根RMS，均方根是基于肌肉收缩时产生的肌电信号的高斯随机过程的假设，其表达式为：

其中，N是采样点个数，x(i)是每个通道采集的数据；

(3)波形长度WL，该特征的数学表达为：

其中，N是采样点个数，x(δ)是每个通道采集的数据；

(3)积分肌电值IEMG,其计算公式为：

其中，L为滑动窗的长度，x_c为当前提取数据，M为通道数据长度；

(4)绝对值均值比MAVR,其表达式为：

其中，MAV_a为通道a的平均绝对值，T为通道数；

(5)离散小波变换DWT，离散小波变换和离散小波基函数分别为：

其中，m，n均为整数，为基本小波；为的复共轭。

(6)平均频率MNF，其数学表征为：

其中，f(τ)是功率谱分量，P(τ)对应的频率值，β是功率谱分量P(τ)的长度。

(7)中值频率(median frequency)，其表达式为：

其中，z_mz为待求取的中值频率；

(8)短时傅里叶变换(STFT)，其表达式为：

其中，g(ω-r)为窗函数，j为虚数单位，μ为频率，r为时窗长度，y(ω)为信号。

步骤3：模型构建。经步骤2所述的特征对数据进行处理，得到多个特征参数，根据得到的参数构建出判断足下垂的模型。

本发明中将深度置信网络作为分类器，将经特征提取后健康人的特征参数记为N₀，足下垂患者的特征参数记为N₁。把N₀、N₁全部放入到分类器中进行训练，训练步骤如下，如图4所示：

步骤(1)，设计隐藏层层数B＝4

步骤(2)，底层RBM(受限玻尔兹曼机)进行学习，设定迭代次数为100次，当学习次数达到设置的迭代次数时，停止学习；

步骤(3)，将前一层得到的输出结果作为下一层的RBM输入，带入到下一层的RBM中，依次步骤逐层训练RBM，得到各层网络参数，将得到的各层参数作为深度置信网络的初始参数；

步骤(4)，利用BP算法对整个深层DBM框架有监督地进行参数优化和调整，自上向下微调整个模型，最终使网络达到全局最优，完成对分类器的网络训练。

步骤(5)，考虑到训练结果多在一定范围内波动，令健康人的训练结果为0，重度足下垂患者的训练结果为1。在此设定，当训练结果为大于0.4时，可将测试者视为患有足下垂。当有新的测试者时，即可将其数据提取特征参数后带入到分类器中，根据测试结果，判断其是否患有足下垂，并且系统可将新案例收入到分类器中，不断完善分类模型。

Claims

1.基于表面肌电信号的足下垂检测装置，其特征是：该检测装置包括阵列电极、信号调理电路、FPGA和上位机；

2.根据权利要求1所述的基于表面肌电信号的足下垂检测装置，其特征在于：所述阵列电极由16个铜质圆形电极组成，电极直径大小为2.5mm，电极间横向、纵向的间距均为15mm。

3.根据权利要求1或2所述的基于表面肌电信号的足下垂检测装置的检测方法，其特征是：该方法由以下步骤实现：

步骤一、信号采集与预处理；

步骤二、特征提取；

步骤三、模型构建；

采用步骤二获得的特征参数构建识别足下垂的模型；

4.根据权利要求3所述的基于表面肌电信号的足下垂检测方法，其特征在于；步骤二中，八种特征参数的具体表示形式为：绝对均值MAV用公式表示为：

式中，绝对均值MAV通过将肌电信号中的幅值取绝对值后求平均获得的x(i)是每个通道采集的数据，N为采样点个数；

均方根RMS用公式表示为：

积分肌电值IEMG的表达式为：

式中，L为滑动窗的长度，x_c为当前提取数据，M为通道数据长度；

绝对值均值比MAVR的表达式为：

式中，MAV_a为通道a的平均绝对值，T为通道数；

离散小波变换和离散小波基函数分别为：

式中，m，n均为整数，为基本小波，为的复共轭；

平均频率MNF的表达式为：

式中，f(τ)为功率谱分量，P(τ)对应的频率值，β是功率谱分量P(τ)的长度；

中值频率的表达式为：

式中，z_mz为待求取的中值频率；

短时傅里叶变换的表达式为：

式中，g(ω-r)为窗函数，j为虚数单位，μ为频率，r为时窗长度，y(ω)为信号。

5.根据权利要求3所述的基于表面肌电信号的足下垂检测方法，其特征在于；步骤三中，在深度置信网络中进行训练的具体过程为：

步骤A、设计隐藏层层数i＝4；

步骤B、底层RBM进行学习，设定迭代次数为100次，当学习次数达到设置的迭代次数时，停止学习；

步骤C、将前一层得到的输出结果作为下一层的RBM输入，带入到下一层的RBM中，依次进行逐层训练RBM，获得各层网络参数，将获得的各层参数作为深度置信网络的初始参数；

步骤D、采用BP算法对整个深层DBM框架有监督地进行参数优化和调整，自上向下调整个模型，最终使网络达到全局最优，训练结束。