CN110495896B - 一种基于gprs通讯的可穿戴式膝关节监测装置及监测方法 - Google Patents

Abstract

本发明提供一种基于GPRS通讯的可穿戴式膝关节监测装置及监测方法，监测装置包括一对膝关节绑带，两个所述膝关节绑带内侧分别设有一对传感器，传感器通过引线连接传感器变送器，传感器变送器通过RS‑485串口与GPRS数据采集模块连接，数据采集模块通过访问固定的域名和端口号，将采集到的压力值储存在服务器端；监测方法利用密度聚类原理，采用四个电阻应变式压力传感器采集膝关节半月板处的压力值，通过对各个传感器采集到的压力数据坐标化，再通过欧几里得度量作为度量依据支撑基于密度的聚类方法，分析半月板处压力的偏离程度，将实际偏离值与标准偏离值进行比较和判断。本发明实现了对潜在膝关节疾病患者的预防监测。

Description

一种基于GPRS通讯的可穿戴式膝关节监测装置及监测方法

技术领域

本发明属于膝关节监测技术领域，具体涉及一种基于GPRS通讯的膝关节参数测量监测装置及监测方法。

背景技术

随着社会的发展，人口老龄化是一个不可避免的趋势，给国家带来了巨大的挑战。老龄化对医疗保障制度提出新的挑战，同时也对医疗器械提出新的要求。如“X”型腿、“O”型腿等膝关节疾病会严重降低老年人的生活质量，传统的医疗器械无法满足对应人群的需求。

如常见的膝关节受力测量方法需要通过步态实验室中配备的运动捕捉系统和固定的测力台来实现，不仅价格昂贵，且使用的范围小，缺少对膝关节受力数据分析和反馈，对于膝关节疾病患者的预防监测和日常康复来说没有实际意义。

本发明拟提高一种基于GPRS通讯的可穿戴式膝关节监测装置及监测方法，针对潜在膝关节疾病患者的预防监测，设计一套基于可穿戴式膝关节部位受力测量的反馈系统，通过基于密度的聚类算法对采集的数据进行分析，监测潜在患者的膝关节受力情况。

发明内容

针对现有技术存在的问题，本发明为解决现有技术中存在的问题采用的技术方案如下：

一种基于GPRS通讯的可穿戴式膝关节监测装置，包括一对膝关节绑带，其特征在于：两个所述膝关节绑带内侧分别设有一对传感器，四个传感器均对称安装在膝关节绑带内侧对应膝关节半月板两侧处，传感器通过引线连接传感器变送器，传感器变送器通过RS-485串口与GPRS数据采集模块连接，数据采集模块通过访问固定的域名和端口号，将采集到的压力值储存在服务器端。

所述的四个传感器，均采用相同型号的电阻应变式压力传感器，如斯巴拓SBT760传感器，所述传感器变送器型号可选用斯巴拓SBT903传感器变送器。

所述基于GPRS通讯的可穿戴式膝关节监测装置的监测方法，具体为：利用密度聚类原理，采用四个电阻应变式压力传感器采集膝关节半月板处的压力值，通过对各个传感器采集到的压力数据坐标化，再通过欧几里得度量作为度量依据支撑基于密度的聚类方法，分析半月板处压力的偏离程度，将实际偏离值与标准偏离值进行比较和判断。

所述监测方法将左腿的两个压力传感器标为左A、左B；右腿的两个压力传感器标为右A、右B；其中将传感器采集到的压力数据坐标化具体包括以下几个步骤：

步骤1.1、将左A、左B、右A、右B采集的压力数据分别表示为X_L、Y_L、X_R、Y_R；

步骤1.2、将左腿和右腿分别划分为一个独立的个体，分别采集对应的10组数据为一类，表示为X_L1-X_L10、Y_L1-Y_L10、X_R1-X_R10、Y_R1-Y_R10；

步骤1.3、X作为横坐标，Y作为纵坐标，将(X_L，Y_L)，(X_R，Y_R)表示在坐标系中；

所述监测方法中对压力数据坐标化后，再进行欧几里得度量，具体包括以下步骤：

步骤2.1、分别求取X_L、Y_L、X_R、Y_R的平均值X′_L、Y′_L、X′_R、Y′_R并分别表示在坐标系中(X′_L，Y’_L)，(X’_R，Y’_R)；

步骤2.2、通过传统的欧几里得度量方法分别计算平均值和采集10个点之间的距离；

步骤2.3、假设X_i、Y_j为坐标系中的一点，与均值点的距离为D；

欧几里得度量公式如下(本次计算以二维空间的公式，X’_L、Y’_L为例)：

所述监测方法中基于密度的聚类方法，具体是通过判断样本分布的紧密程度划分出一个类，包括以下步骤：

步骤3.1、设在标准环境下实测得到100组数据,每10个数据组成一类、共十类得到的样本集P＝(P₁、P₂、P₃、P₄..P₁₀)；

步骤3.2、通过参数(∈，Minpoints)描述邻域的样本分布紧密程度，Minpoints为通过实际数据得出的最少点数量，∈-邻域是对于P_j∈P，其∈-邻域包含样本集P中与P_j的距离不大于∈的子样本集，即：

N_∈(P_j)＝{P_i∈P|distance(P_i，P_j)≤∈} (2)

此子样本集的个数标记为|N_∈(P_j)|；

步骤3.3、对于任一样本P_j∈P，如果其∈-邻域对应N_∈(P_j)至少包含Minpoints个样本，即如果|N_∈(P_j)|≥Minpoints，表示P_j为核心对象；

步骤3.1-3.3中参数(∈，Minpoints)中∈和Minpoints是由标准偏离值所确定，对于标准偏离值的∈是通过对腿部无任何弯曲变形的人采集数据之后进行欧几里得度量，取数据的均值，Minpoints为在以(X’_L，Y′_L)为圆心，∈为半径的若干个圆内所包含点最少点的圆内点数量。

进一步的，所述基于密度的聚类方法的算法，具体流程是测得标准参数(∈，Minpoints)后，计算数据点输出的簇，具体包括以下步骤：

步骤4.1、样本集P＝(P₁、P₂、…、P_n)，参数(∈，Minpoints)，P_j∈P且P_j是平均值点(X’_L，Y’_L)或(X’_R，Y’_R)；

步骤4.2、核心对象集合

聚类簇数，C＝0，未访问样本集合δ＝P，簇划分

步骤4.3、对于P_j∈P，j＝1、2、…、n，通过欧几里得度量方法，找到样本P_j的∈-邻域子样本集N_∈(P_j)，若子样本集样本个数满足|N_∈(P_j)|≥Minpoints，将样本P_j加入核心对象样本集合

步骤4.4、如果核心对象集合

则算法结束，否则指向步骤4.5；

步骤4.5、在核心对象集合θ中，随机选择一个核心对象

当前簇核心对象队列

聚类簇数C＝C+1，当前簇样本集合

未访问样本集合

步骤4.6、如果当前簇核心对象队列

则当前聚类簇ε_C生成完毕，更新簇划分ε＝{ε₁、ε₂、ε₃...ε_C}，更新核心对象

指向步骤4.4；

步骤4.7、在当前簇核心对象队列θ_c取出一个核心对象

通过邻域距离阈值∈找出所有的∈-邻域子样本集

令

更新当前簇样本集合ε_C＝ε_C∪γ，更新未访问样本集合δ＝δ-γ，更新当前簇核心对象队列

指向步骤4.6；

步骤4.8、输出簇ε＝{ε₁、ε₂、ε₃...ε_C}，同时采集异常点(即无法形成簇的噪声点)，判断腿的弯曲变形程度。

本发明具有如下优点：

1.实时传输数据采集模块采集的数据并存储在数据库中；

2.采集过程中，服务器设置报警功能，当采集的压力值数据超过正常预警值时，服务器会报警，反馈给医护人员；

3.可穿戴式膝关节检测装置结构简单，携带方便，日常走路和跑步均可使用；

4.可穿戴式膝关节检测装置服务器数据显示直观，可以折线或图形化展示近期采集的压力值；

5.客户端操作简单，开启设备即可采集压力值。

附图说明

图1是本发明基于GPRS通讯的可穿戴式膝关节检测装置的结构示意图；

图2为本发明基于GPRS通讯的可穿戴式膝关节检测方法的标准数据分布总图；

图3为本发明基于GPRS通讯的可穿戴式膝关节检测方法的标准数据分布局部图；

图4为本发明基于GPRS通讯的可穿戴式膝关节检测方法的偏离数据分布总图；

图5为本发明基于GPRS通讯的可穿戴式膝关节检测方法的偏离数据分布局部图；

图中：1.第一传感器，2.第二传感器，3.第三传感器，4.第四传感器，5.膝关节绑带，6.传感器变送器，7.GPRS数据采集模块。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明：本发明提供基于GPRS通讯的可穿戴式膝关节监测装置及方法，利用图1所示的装置实现，该装置包括四个传感器、膝关节绑带5、传感器变送器6、GPRS数据采集模块7，其中：四个传感器为电阻应变式压力传感器，分别是第一传感器1、第二传感器2、第三传感器3、第四传感器4，均采用相同型号的电阻应变式压力传感器(如SBT760传感器)，它们分别安装在左右两个膝关节绑带5内侧即半月板两侧处，并且各传感器均为对称安装，各传感器的引线均连接在该检测装置的传感器变送器6上，传感器变送器通过RS-485串口连接数据采集模块7，同时数据采集模块通过访问固定的域名和端口号，将采集到的压力值储存在服务器端，结构示意图如图1所示。

本发明提供的基于GPRS通讯的可穿戴式膝关节监测装置及方法，具体是：利用密度聚类原理，采用四个电阻应变式压力传感器采集膝关节半月板处的压力值，通过对各个传感器采集到的压力数据坐标化，再通过欧几里得度量作为度量依据支撑基于密度的聚类方法，分析半月板处压力的偏离程度，将实际偏离值与标准偏离值进行比较和判断。

本发明监测方法将左腿的两个压力传感器标为左A、左B；右腿的两个压力传感器标为右A、右B；其中将传感器采集到的压力数据坐标化具体包括以下几个步骤：

步骤1.1、将左A、左B、右A、右B采集的压力数据分别表示为X_L、Y_L、X_R、Y_R；

步骤1.2、将左腿和右腿分别划分为一个独立的个体，分别采集对应的10组数据为一类，表示为X_L1-X_L10、Y_L1-Y_L10、X_R1-X_R10、Y_R1-Y_R10；

步骤1.3、X作为横坐标，Y作为纵坐标，将(X_L，Y_L)，(X_R，Y_R)表示在坐标系中；

所述监测方法中对压力数据坐标化后，再进行欧几里得度量，具体包括以下步骤：

步骤2.1、分别求取X_L、Y_L、X_R、Y_R的平均值X’_L、Y’_L、X’_R、Y’_R并分别表示在坐标系中(X’_L，Y’_L)，(Y’_R，Y’_R)；

步骤2.2、通过传统的欧几里得度量方法分别计算平均值和采集10个点之间的距离；

步骤2.3、假设X_i、Y_j为坐标系中的一点，与均值点的距离为D；

欧几里得度量公式如下(本次计算以二维空间的公式，X’_L、Y’_L为例)，如图2、3所示：

本发明监测方法中基于密度的聚类方法，具体是通过判断样本分布的紧密程度划分出一个类，包括以下步骤：

步骤3.1、设在标准环境下实测得到100组数据,每10个数据组成一类、共十类得到的样本集P＝(P₁、P₂、P₃、P₄..P₁₀)；

步骤3.2、通过参数(∈，Minpoints)描述邻域的样本分布紧密程度，Minpoints为通过实际数据得出的最小点数量，∈-邻域是对于P_j∈P，其∈-邻域包含样本集P中与P_j的距离不大于∈的子样本集，即：

N_∈(P_j)＝{P_i∈P|distance(P_i，P_j)≤∈} (2)

此子样本集的个数标记为|N_∈(P_j)|；

步骤3.3、对于任一样本P_j∈P，如果其∈-邻域对应N_∈(P_j)至少包含Minpoints个样本，即如果|N_∈(P_j)|≥Minpoints，表示P_j为核心对象；

步骤3.1-3.3中参数(∈，Minpoints)中∈和Minpoints是由标准偏离值所确定，对于标准偏离值的∈是通过对腿部无任何弯曲变形的人采集数据之后进行欧几里得度量，取数据的均值，Minpoints为在以(X’_L，Y’_L)为圆心，∈为半径的圆内所包含点的数量的均值。

进一步的，基于密度的聚类方法的算法，具体流程是测得标准参数(∈，Minpoints)后，计算数据点输出的簇，具体包括以下步骤：

步骤4.1、样本集P＝(P₁、P₂、…、P_n)，参数(∈，Minpoints)，P_j∈P且P_j是平均值点(X’_L，Y′_L)或(X′_R，Y’_R)；

步骤4.2、核心对象集合

聚类簇数，C＝0，未访问样本集合δ＝P，簇划分

步骤4.3、对于P_j∈P，j＝1、2、…、n，通过欧几里得度量方法，找到样本P_j的∈-邻域子样本集N_∈(P_j)，若子样本集样本个数满足|N_∈(P_j)|≥Minpoints，将样本P_j加入核心对象样本集合

步骤4.4、如果核心对象集合

则算法结束，否则指向步骤4.5；

步骤4.5、在核心对象集合θ中，随机选择一个核心对象

当前簇核心对象队列

聚类簇数C＝C+1，当前簇样本集合

未访问样本集合

步骤4.6、如果当前簇核心对象队列

则当前聚类簇ε_C生成完毕，更新簇划分ε＝{ε₁、ε₂、ε₃...ε_C}，更新核心对象θ＝θ-ε_C，指向步骤4、4；

步骤4.7、在当前簇核心对象队列θ_c取出一个核心对象

通过邻域距离阈值∈找出所有的∈-邻域子样本集

令

更新当前簇样本集合ε_C＝ε_C∪γ，更新未访问样本集合δ＝δ-γ，更新当前簇核心对象队列

指向步骤4.6；

步骤4.8、输出簇ε＝{ε₁、ε₂、ε₃...ε_C}，同时采集异常点(即无法形成簇的噪声点)，判断腿的弯曲变形程度。

通过上述步骤，对患有“X”和“O”型腿患者采集数据，具体参数如表1和2所示，软件描点结果如图4,5所示：

表1标准偏离值表(单位：g)

	传感器1	传感器2	传感器3	传感器4
					1	303	307	308	305
2	354	360	359	353
					3	309	306	298	302
4	324	331	322	325
					5	319	330	316	321
6	345	351	340	347
					7	301	310	296	310
8	356	360	349	363
					9	310	318	301	320
10	332	337	335	331

表2实际偏离值表(单位：g)

通过对表1和表2的数据坐标化处理(如图2,4所示)，发现坐标点比较分散，此原因是行走过程中腿部压力值处于一个范围内，采用基于密度的聚类算法，可以对任意形状的稠密数据集进行处理，通过图3能够观察到正常人的腿部压力值处于一个正常范围的波动，在某些特殊情况下会出现异常点(例如道路的平坦度，时刻性的步姿不规范)，但是异常点靠近正常范围内，属于不可逆因素。但图5所示的点相对分散，出现大量的异常点，腿部压力值范围波动大，属于患病状态，通过聚类算法的处理让结果更加直观，清晰，可靠。

本发明的保护范围并不限于上述的实施例，显然，本领域的技术人员可以对本发明进行各种改动和变形而不脱离本发明的范围和精神。倘若这些改动和变形属于本发明权利要求及其等同技术的范围内，则本发明的意图也包含这些改动和变形在内。

Claims (5)

1.一种基于GPRS通讯的可穿戴式膝关节监测装置，所述监测装置包括一对膝关节绑带，其特征在于：两个所述膝关节绑带内侧分别设有一对传感器，四个传感器均对称安装在膝关节绑带内侧对应膝关节半月板两侧处，传感器通过引线连接传感器变送器，传感器变送器通过RS-485串口与GPRS数据采集模块连接，数据采集模块通过访问固定的域名和端口号，将采集到的压力值储存在服务器端；所述的四个传感器，均采用相同型号的电阻应变式压力传感器；利用密度聚类原理，采用四个电阻应变式压力传感器采集膝关节半月板处的压力值，通过对各个传感器采集到的压力数据坐标化，再通过欧几里得度量作为度量依据支撑基于密度的聚类方法，分析半月板处压力的偏离程度，将实际偏离值与标准偏离值进行比较和判断。

2.如权利要求1所述的一种基于GPRS通讯的可穿戴式膝关节监测装置，其特征在于：所述监测装置将左腿的两个压力传感器标为左A、左B；右腿的两个压力传感器标为右A、右B；其中将传感器采集到的压力数据坐标化具体包括以下几个步骤：

步骤1.1、将左A、左B、右A、右B采集的压力数据分别表示为X_L、Y_L、X_R、Y_R；

步骤1.2、将左腿和右腿分别划分为一个独立的个体，分别采集对应的10组数据为一类，表示为X_L1-X_L10、Y_L1-Y_L10、X_R1-X_R10、Y_R1-Y_R10；

步骤1.3、X作为横坐标，Y作为纵坐标，将(X_L，Y_L)，(X_R，Y_R)表示在坐标系中。

3.如权利要求2所述的一种基于GPRS通讯的可穿戴式膝关节监测装置，其特征在于：所述监测装置中对压力数据坐标化后，再进行欧几里得度量，具体包括以下步骤：

步骤2.1、分别求取X_L、Y_L、X_R、Y_R的平均值X’_L、Y’_L、X’_R、Y’_R并分别表示在坐标系中(X’_L，Y’_L)，(X’_R，Y’_R)；

步骤2.2、通过传统的欧几里得度量方法分别计算平均值和采集10个点之间的距离；

步骤2.3、假设X_i、Y_j为坐标系中的一点，与均值点的距离为D；

欧几里得度量公式如下：

4.如权利要求3所述的一种基于GPRS通讯的可穿戴式膝关节监测装置，其特征在于：所述监测装置中基于密度的聚类方法，具体是通过判断样本分布的紧密程度划分出一个类，包括以下步骤：

步骤3.1、设在标准环境下实测得到100组数据，每10个数据组成一类、共十类得到的样本集P＝(P₁、P₂、P₃、P₄、......、P₁₀)；

步骤3.2、通过参数(∈，Minpoints)描述邻域的样本分布紧密程度，Minpoints为通过实际数据得出的最少点数量，∈-邻域是对于P_j∈P，其∈-邻域包含样本集P中与P_j的距离不大于∈的子样本集，即：

N_∈(P_j)＝{P_i∈P|distance(P_i，P_j)≤∈} (2)

此子样本集的个数标记为|N_∈(P_j)|；

步骤3.3、对于任一样本P_j∈P，如果其∈-邻域对应N_∈(P_j)至少包含Minpoints个样本，即如果|N_∈(P_j)|≥Minpoints，表示P_j为核心对象；

步骤3.1-3.3中参数(∈，Minpoints)中∈和Minpoints是由标准偏离值所确定，对于标准偏离值的∈是通过对腿部无任何弯曲变形的人采集数据之后进行欧几里得度量，取数据的均值，Minpoints为在以(X’_L，Y’_L)为圆心，∈为半径的若干个圆内所包含点最少点的圆内点数量。

5.如权利要求4所述的一种基于GPRS通讯的可穿戴式膝关节监测装置，其特征在于：进一步的，所述基于密度的聚类方法的算法，具体流程是测得标准参数(∈，Minpoints)后，计算数据点输出的簇，具体包括以下步骤：

步骤4.1、样本集P＝(P₁、P₂、...、P_n)，参数(∈，Minpoints)，P_j∈P且P_j是平均值点(X’_L，Y’_L)或(X’_R，Y’_R)；

步骤4.2、核心对象集合

聚类簇数C＝0，未访问样本集合δ＝P，簇划分

步骤4.3、对于P_j∈P，j＝1、2、...、n，通过欧几里得度量方法，找到样本P_j的∈-邻域子样本集N_∈(P_j)，若子样本集样本个数满足|N_∈(P_j)|≥Minpoints，将样本P_j加入核心对象样本集合θ＝θ∪{P_j}；

步骤4.4、如果核心对象集合

则算法结束，否则指向步骤4.5；

步骤4.5、在核心对象集合θ中，随机选择一个核心对象

当前簇核心对象队列

聚类簇数C＝C+1，当前簇样本集合

未访问样本集合

步骤4.6、如果当前簇核心对象队列

则当前簇样本集合ε_C生成完毕，更新簇划分ε＝{ε₁、ε₂、ε₃、......、ε_C}，更新核心对象集合θ＝θ-ε_C，指向步骤4.4；

步骤4.7、在当前簇核心对象队列θ_c取出一个核心对象

通过邻域距离阈值∈找出所有的∈-邻域子样本集

令

更新当前簇样本集合ε_C＝ε_C∪γ，更新未访问样本集合δ＝δ-γ，更新当前簇核心对象队列

指向步骤4.6；

步骤4.8、输出簇划分ε＝{ε₁、ε₂、ε₃、......、ε_C}，同时采集异常点，即无法形成簇的噪声点，判断腿的弯曲变形程度。

Images