CN110558939A - 穿戴式膝关节测量系统 - Google Patents
穿戴式膝关节测量系统 Download PDFInfo
- Publication number
- CN110558939A CN110558939A CN201910802386.0A CN201910802386A CN110558939A CN 110558939 A CN110558939 A CN 110558939A CN 201910802386 A CN201910802386 A CN 201910802386A CN 110558939 A CN110558939 A CN 110558939A
- Authority
- CN
- China
- Prior art keywords
- knee joint
- human body
- angular velocity
- acceleration
- sensor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/112—Gait analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
- A61B5/4538—Evaluating a particular part of the muscoloskeletal system or a particular medical condition
- A61B5/4585—Evaluating the knee
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4842—Monitoring progression or stage of a disease
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physical Education & Sports Medicine (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Rheumatology (AREA)
- Physiology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种穿戴式膝关节测量系统,包括加速度传感器、角速度传感器、位置传感器、肌电传感器,柔性穿戴部件、腕部穿戴部件、外部智能终端,所述的加速度传感器,角速度传感器,肌电传感器、位置传感器至少各有两套,分别设置在人体的大腿位置和小腿位置,所述的柔性穿戴部件可以保证人体的正常生活不受影响。通过本发明的测量系统,可以实现膝关节性能的长期监控以及进行膝关节恶化的预防监测。
Description
技术领域
本发明涉及本发明涉及一种穿戴式监测系统,尤其涉及一种穿戴式膝关节特性测量系统。
背景技术
膝关节是人体最大的承重关节,膝骨关节炎是最常见的骨骼肌肉疾病,也是中老年人致残的主要原因,85%全膝关节置换是由于膝骨关节炎。全膝关节置换常见的难题之一是骨缺损的处理,骨缺损位置可发生于胫骨、股骨及髌骨,多见于胫骨平台骨缺损,股骨远端骨缺损较胫骨骨缺损的发生率低,但股骨远端骨缺损可增加膝关节的屈伸间隙,尤其是屈曲间隙。初次全膝关节置换骨缺损原因主要包括胫骨平台的磨损、骨坏死、髁发育不全、创伤、炎症反应等;全膝关节置换骨翻修术缺损的原因主要包括关节炎性、成角畸形、缺血性坏死、应力遮挡、胫骨高位截骨术史或全膝关节置换手术史及假体取出操作不当,或见于感染关节置换,第一期的清创阶段。因此,及时发现膝关节的变异是有效预防膝骨关节炎的有效手段。
但是现有的监测膝关节的装置都不是穿戴式的,都是在发生疾病进行恢复阶段使用的,不能进行有效预防,而且不能进行长期监控;同时,在进行膝关节的监控过程中,对于监控参数的选择以及参数的权重赋值,都存在缺陷,而这些困难的克服,有助于有效的进行膝关节的长期、可行性监测,且不影响人体的正常生活。
因此,有必要提供一种穿戴式的膝关节特效测量装置,可以通过合理的参数选择,对不同参数的合理的赋予权重,同时不影响受试者的生活的情况下,进行长期监控,以提高预防膝关节变异。
发明内容
本发明的穿戴式膝关节测量装置,包括加速度传感器、角速度传感器、位置传感器、肌电传感器,柔性穿戴部件、腕部穿戴部件、外部智能终端,所述的加速度传感器,角速度传感器,肌电传感器、位置传感器至少各有两套,分别设置在人体的大腿位置和小腿位置,所述的柔性穿戴部件可以保证人体的正常生活不受影响,所述的加速度传感器、角速度传感器、位置传感器、肌电传感器设置在柔性穿戴部件分别靠近大腿和小腿的位置,所述的柔性穿戴部件内部还包括处理器、存储器以及无线通信装置;所述的腕部穿戴部件设有触摸显示输入屏、MCU、无线通信装置;所述的加速度传感器分别采集人体不同运动场景下的加速度、位置传感器采集人体不同运动场景下的位置信号;所述的角速度传感器分别采集人体不同运动场景下的角速度、角度值;所述的肌电传感器采集人体在不同运动场景下的表面肌电信号sEMG;生成人体大腿在不同运动场景下的加速度信号序列、角速度信号序列、位置信号序列、肌电信号序列以及生成人体小腿在不同运动场景下的加速度信号序列、角速度信号序列、位置信号序列、肌电信号序列;所述的加速度传感器、角速度传感器、位置传感器、肌电传感器将采集生成的信号序列传输到柔性穿戴部件的处理器以及无线通信装置,通过该无线通信装置发送到外部智能终端;所述的腕部穿戴部件具有与穿戴式部件同步的装置,通过腕部穿戴部件的触摸输入屏可以输入用户在不同场景下的疼痛水平,腕部穿戴部件通过腕部穿戴部件的无线通信装置将用户输入的疼痛水平发送到外部智能终端。所述的外部智能终端根据柔性穿戴部件发送的信号数据和腕部穿戴部件发送的数据,判断人体膝关节的性能。
所述的外部智能终端根据以下步骤进行人体膝关节的性能分析:
(1)确定人体在不同运动场景下的大腿和小腿相对三维位置关系,通过测量相对位置变化来确定大腿和小腿间膝关节的相对运动;
(2)确定人体在不同时间同一运动场景下的大腿和小腿的间膝关节角速度和加速度变化;
(3)通过肌电信号确定人体在不同时间同一运动场景下的关节力矩以及应力分布、应变变化;
(4)通过人体输入的疼痛水平,确定人体在进行不同运动时的膝关节疼痛值;
(5)根据膝关节的相对运动、膝关节的角速度和角速度变化、关节力矩、应力分布、应变变化、输入的疼痛水平,进行多尺度特征融合,建立回归模型,进行膝关节性能评价。
根据本发明的一个实施例,所述的测量膝关节的相对运动,包括确定在走路、跑步、上楼、下楼四种运动场景下的大腿和小腿的位置,分别计算在四种运动场景下的大腿和小腿的欧式距离,定义为大腿和小腿间膝关节的相对运动;统计j段时间内的相对运动,并将其划分个n个基段,进行相似性评价:
S=aS走+bS跑+cS上+dS下,其中a,b,c,d为加权系数,可以根据需要进行动态调整,S走表示走路时的运动相似性,S跑表示走路时的运动相似性,S上表示上楼时的运动相似性,S下表示下楼时的运动相似性,S表示人体运动的综合相似性,其中:
其中,j为进行分段的个数,k为采样点的个数,i为运动的类型,i=1表示走路、i=2表示跑步、i=3表示上楼、i=4表示下楼,Z为欧式距离,建立相似性序列。
根据本发明的一个实施例,所述的确定人体在不同时间同一运动场景下的大腿和小腿的间膝关节角速度和加速度变化,具体为:
Δr((θ1,θ2),(g1,g2))=rm((θ1m,θ2m),(g1m,g2m))-rm-1((θ1m-1,θ2m-1),(g1m-1,g2m-1)),其中,θ1m表示大腿在m时刻的角速度,θ2m表示小腿在m时刻的角速度,g1m表示大腿在m时刻的加速度,g2m表示小腿在m时刻的加速度,θ1m-1表示大腿在m-1时刻的角速度,θ2m-1表示小腿在m-1时刻的角速度,g1m-1表示大腿在m-1时刻的加速度,g2m-1表示小腿在m时刻的加速度,Δr((θ1,θ2),(g1,g2))表示大腿和小腿间的膝关节角速度和加速度综合变化,θ1表示大腿在的角速度,θ2表示小腿的角速度,g1表示大腿的加速度,g2表示小腿的加速度。
优选地,所述的通过肌电信号确定人体在不同时间同一运动场景下的关节力矩以及应力分布、应变变化,具体为:运用串联弹性单元、并联弹性单元、收缩元的三元Hill模型为基础来构建肌力模型,肌肉活动程度是受神经信号刺激的结果,可以表示为表面肌电信号幅值的函数:
式中,a(u)表示肌电信号幅值的函数,u表示sEMG信号幅值序列;R是sEMG信号幅值的最大值;A是描述肌肉活动程度与sEMG信号幅值关系的非线性因子,其范围为-5<A<0;
通过增加加权系数来修正每处肌肉组织产生的作用力,因此可从肌肉模型得到膝关节力矩公式:
式中wt为肌力的加权系数;rt为肌力的力臂长度;Ft q为单处肌力大小,t为测量的次数;
由下肢末端力产生的膝关节力矩如下公式所示:
Ts=Fs*R (3)
式中,Fs为传感器获取的下肢末端作用力大小;R为下肢末端力的力臂长;
模型标定就是为了寻找合适的参数,使得公式(2)与公式(3)的结果相等;实际中,由于一些主观或客观的原因,并不能使它们完全相等,因此;寻找合适的参数,使得它们的差值尽可能小,如公式(4)所示:
式中,n为样本大小;t代表每个独立的样本;TsEMG是由肌肉模型得到的膝关节力矩;Ts则为下肢末端力产生的膝关节力矩。
为了快速获得模型的最优参数,选择模拟生物进化论演化而来的遗传算法对参数进行选择;
在得到肌力后,同时可以求解应变分布和应力分布。
优选地,所述的通过人体输入的疼痛水平,确定人体在进行不同运动时的膝关节疼痛值,具体为:输入人体在不同运动场景中的疼痛水平,若在运动场景中进行运动时,人体无任何疼痛感觉,则疼痛值为0;若在运动场景中进行运动时,人体有轻微的不适,则疼痛值为1;若人体在运动场景中运动时,感觉吃力,则疼痛值为2;若人体在运动场景中运动时,痛到无法运动时,则疼痛值为3;同时,腕部穿戴部件的MCU生成人体在不同场景下的疼痛输入序列,记为Pi,j,其中i为运动的类型,i=1表示走路、i=2表示跑步、i=3表示上楼、i=4表示下楼,j为进行分段的个数。
优选地,本发明采用熵权法选择权重参数,以进行膝关节性能的评价。
本发明的穿戴式膝关节测量系统,可以长期的进行监控,并且可以动态的调整影响膝关节变化的各个参数的权值,在测量过程中不影响使用者的生活,并且将使用者的疼痛水平增加到膝关节性能的评价中,可以有效地进行膝关节性能的评价,并且可以进行有效预测,在膝关节性能存在恶化时,可以通过智能终端的报警模块,比如发出报警音、发送短信给受试者的手机或者监护人等,可以有效进行早期预防监测,并且在出现疾病后可以监测恶化程度。
附图说明
图1是本发明的框架图;
图2是本发明的膝关节屈伸运动模型图。
具体实施方式
如图1所示,本发明的穿戴式膝关节测量装置,其特征在于,包括加速度传感器、角速度传感器、位置传感器、肌电传感器,柔性穿戴部件、腕部穿戴部件、外部智能终端,所述的加速度传感器,角速度传感器,肌电传感器、位置传感器至少各有两套,分别设置在人体的大腿位置和小腿位置,所述的柔性穿戴部件可以保证人体的正常生活不受影响,所述的加速度传感器、角速度传感器、位置传感器、肌电传感器设置在柔性穿戴部件分别靠近大腿和小腿的位置,所述的柔性穿戴部件内部还包括处理器、存储器以及无线通信装置;所述的腕部穿戴部件设有触摸显示输入屏、MCU、无线通信装置;所述的加速度传感器分别采集人体不同运动场景下的加速度、位置传感器采集人体不同运动场景下的位置信号;所述的角速度传感器分别采集人体不同运动场景下的角速度、角度值;所述的肌电传感器采集人体在不同运动场景下的表面肌电信号sEMG;生成人体大腿在不同运动场景下的加速度信号序列、角速度信号序列、位置信号序列、肌电信号序列以及生成人体小腿在不同运动场景下的加速度信号序列、角速度信号序列、位置信号序列、肌电信号序列;所述的加速度传感器、角速度传感器、位置传感器、肌电传感器将采集生成的信号序列传输到柔性穿戴部件的处理器以及无线通信装置,通过该无线通信装置发送到外部智能终端;所述的腕部穿戴部件具有与穿戴式部件同步的装置,通过腕部穿戴部件的触摸输入屏可以输入用户在不同场景下的疼痛水平,腕部穿戴部件通过腕部穿戴部件的无线通信装置将用户输入的疼痛水平发送到外部智能终端。
其中柔性穿戴部件可以为使用仿生的柔性皮肤制成或者为柔性的护膝等,其在进行监测过程中不影响人体的正常生活。
无线通信装置可以设置为通过红外、蓝牙、wifi、射频信号等进行传输。
加速度传感器为三轴加速度传感器,角速度传感器可以为恩智浦公司生产的陀螺仪等。所谓的运动场景是指人体行走、跑步、上楼、下楼等运动,因为人体在这些运动中对于膝关节的承重以及使用最多,因此,考虑选择这些运动场景,采集同一天、不同天的行走、跑步、上楼、下楼等过程中的位置、加速度、角速度数据。采集静态的在人体膝关节内曲、外伸过程中的加速度、角速度、位置、肌电数据,比如可以内曲10°、30°,外伸10°、30°等。这些数据被发送到外部智能终端,进行数据处理,以判断膝关节的性能。下面具体介绍外部智能终端的判断过程:
(1)确定人体在不同运动场景下的大腿和小腿相对三维位置关系,通过测量相对位置变化来确定大腿和小腿间膝关节的相对运动;
(2)确定人体在不同时间同一运动场景下的大腿和小腿的间膝关节角速度和加速度变化;
(3)通过肌电信号确定人体在不同时间同一运动场景下的关节力矩以及应力分布、应变变化;
(4)通过人体输入的疼痛水平,确定人体在进行不同运动时的膝关节疼痛值;
(5)根据膝关节的相对运动、膝关节的角速度和角速度变化、关节力矩、应力分布、应变变化、输入的疼痛水平,进行多尺度特征融合,建立回归模型,进行膝关节性能评价。
测量膝关节的相对运动,包括确定在走路、跑步、上楼、下楼四种运动场景下的大腿和小腿的位置,分别计算在四种运动场景下的大腿和小腿的欧式距离,定义为大腿和小腿间膝关节的相对运动;统计j段时间内的相对运动,并将其划分个n个基段,进行相似性评价:
S=aS走+bS跑+cS上+dS下,其中a,b,c,d为加权系数,可以根据需要进行动态调整,S走表示走路时的运动相似性,S跑表示走路时的运动相似性,S上表示上楼时的运动相似性,S下表示下楼时的运动相似性,S表示人体运动的综合相似性,其中:
其中,j为进行分段的个数,k为采样点的个数,i为运动的类型,i=1表示走路、i=2表示跑步、i=3表示上楼、i=4表示下楼,Z为欧式距离,建立相似性序列。
通过这种相似性判断,可以确定人体在同一运动场景下的膝关节变化,如果在同一运动场景下的相似性小于某个阈值,则可能是由于膝关节的变异造成的。因此,可以这种相似性变化是影响膝关节发生变化的一个重要因素。
人体在做同一运动时,由于膝关节的变异,也会造成角速度和加速度的变化。因此,可以通过确定这种变化来判断膝关节是否发生了恶化。
确定人体在不同时间同一运动场景下的大腿和小腿的间膝关节角速度和加速度变化,具体为:
Δr((θ1,θ2),(g1,g2))=rm((θ1m,θ2m),(g1m,g2m))-rm-1((θ1m-1,θ2m-1),(g1m-1,g2m-1)),其中,θ1m表示大腿在m时刻的角速度,θ2m表示小腿在m时刻的角速度,g1m表示大腿在m时刻的加速度,g2m表示小腿在m时刻的加速度,θ1m-1表示大腿在m-1时刻的角速度,θ2m-1表示小腿在m-1时刻的角速度,g1m-1表示大腿在m-1时刻的加速度,g2m-1表示小腿在m时刻的加速度,Δr((θ1,θ2),(g1,g2))表示大腿和小腿间的膝关节角速度和加速度综合变化,θ1表示大腿在的角速度,θ2表示小腿的角速度,g1表示大腿的加速度,g2表示小腿的加速度。
在人体骨关节处于不同位置时,骨关节运动的肌肉电信号变化也不同,因此,可以通过构建肌力模型,确定人体膝盖关节的肌力、力矩等,而肌力、力矩也是判断膝关节是否正常的一个因素。
肌肉通过募集运动单元使其收缩产生力,在肌肉未疲劳的情况下,通常肌肉所募集的运动单元越多,其产生的收缩力越大,对应肌肉活动程度越高。sEMG信号是神经-肌肉刺激中多个运动单元诱发的电场互相叠加的结果,因此可以利用sEMG信号表示肌肉活动程度。已有研究证实在静力收缩时,肌肉收缩力与sEMG信号的RMS值或AMP之间具有正相关性。肌肉活动程度是受神经信号刺激的结果,可以表示为表面肌电信号幅值的函数,如公式所示:
式中,u表示sEMG信号幅值序列;R是sEMG信号幅值的最大值;A是描述肌肉活动程度与sEMG信号幅值关系的非线性因子,其范围为-5<A<0。骨骼肌通过收缩带动骨骼和关节的运动从而产生对外的作用力,图2给出了膝关节屈伸的模型。膝关节的末端作用力除了与肌肉收缩力的大小有关之外,
还与肌力的作用力臂长度有关系,其长度也是随着膝关节角度的变化而改变的。
另一方面,肌肉作用力是与该动作相关的所有肌肉收缩力之和,在发明中,由于只采集了两处与膝关节动作相关肌肉组织的表面肌电信号,这里通过增加加权系数来修正每处肌肉组织产生的作用力,因此可从肌肉模型得到膝关节力矩如公式所示:
式中,wt为肌力的加权系数;rt为肌力的力臂长度;Ft q为单处肌力大小,t为测量的次数。
由下肢末端力产生的膝关节力矩如下面公式所示:
Ts=Fs*R (3)
式中,Fs为传感器获取的下肢末端作用力大小;R为下肢末端力的力臂长。
模型标定就是为了寻找合适的参数,使得公式(2)与公式(3)的结果相等。实际中,由于一些主观或客观的原因,并不能使它们完全相等,因此我们的目标是寻找合适的参数,使得它们的差值尽可能小,如公式(4)所示。
式中,n为样本大小;t代表每个独立的样本;TsEMG是由肌肉模型得到的膝关节力矩;Ts则为下肢末端力产生的膝关节力矩。
为了快速获得模型的最优参数,这里选择模拟生物进化论演化而来的遗传算法对参数进行选择。
在膝关节发生恶化时,人体在运动过程中也会感受到不同程度的不适或疼痛,而以往的监控装置都忽略了人的主观感受,本发明将人的感受考虑到膝关节变异的评价中,提供了供人体穿戴的手环、手表等腕部穿戴设备,穿戴设备提供触摸显示屏显示输入,人体可以输入在不同运动场景或者不同时人体的主观感受。具体为:输入人体在不同运动场景中的疼痛水平,若在运动场景中进行运动时,人体无任何疼痛感觉,则疼痛值为0;若在运动场景中进行运动时,人体有轻微的不适,则疼痛值为1;若人体在运动场景中运动时,感觉吃力,则疼痛值为2;若人体在运动场景中运动时,痛到无法运动时,则疼痛值为3;同时,腕部穿戴部件的MCU生成人体在不同场景下的疼痛输入序列,记为Pi,j,其中i为运动的类型,i=1表示走路、i=2表示跑步、i=3表示上楼、i=4表示下楼,j为进行分段的个数。
在得到上述可能影响膝关节的性能评价的各个因素的后,如何利用因素评价膝关节的性能,最重要的是对这些因素赋予不同的权重。由于膝关节的变化的各个阶段的权重系数是不同的,如何选择正确的评价指标权重系数对于准确评估膝关节的性能起着非常重要的作用。本发明采用熵权法计算指标权重,然后建立回归模型,进行膝关节性能评价。具体为:
根据所得到的表示相对运动、膝关节的角速度和加速度变化、关节力矩、应力分布、应变变化、输入的疼痛水平的信号序列,作监控参数,建立动态的赋予评估参数加权值的方法来进行评价:
设有m个受试者,n个监控参数,以xij表示第i个受试者的第j个监控参数的评价值,则各个受试者的评价矩阵为:
归一化后得到矩阵:
利用熵权法对各参数进行加权:
熵值的计算公式为:
最优参数集合r+由矩阵r中每一列的最大值构成:
r+={max ri1,max ri2,...,max rim},
最劣参数结合r-由矩阵r中每一列的最小值构成:
r-={min ri1,min ri2,...,min rim}
评估参数与r+和r-的距离和
计算各评价对象与最优参数的接近程度Ci,
Ci→1表明评估的参数越优,按照C的大小排序,给出最终的评价结果。
最终,在得到影响膝关节性能的各个参数的权重后,根据排序赋予权值,进行膝关节性能的评价。
本发明的穿戴式膝关节测量系统,可以长期的进行监控,并且可以动态的调整影响膝关节变化的各个参数的权值,在测量过程中不影响使用者的生活,并且将使用者的疼痛水平增加到膝关节性能的评价中,可以有效地进行膝关节性能的评价,并且可以进行有效预测,在膝关节性能存在恶化时,可以通过智能终端的报警模块,比如发出报警音、发送短信给受试者的手机或者监护人等,可以有效进行早期预防监测,并且在出现疾病后可以监测恶化程度。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种穿戴式膝关节测量系统,其特征在于,包括加速度传感器、角速度传感器、位置传感器、肌电传感器,柔性穿戴部件、腕部穿戴部件、外部智能终端,所述的加速度传感器,角速度传感器,肌电传感器、位置传感器至少各有两套,分别设置在人体的大腿位置和小腿位置,所述的柔性穿戴部件可以保证人体的正常生活不受影响,所述的加速度传感器、角速度传感器、位置传感器、肌电传感器设置在柔性穿戴部件分别靠近大腿和小腿的位置,所述的柔性穿戴部件内部还包括处理器、存储器以及无线通信装置;所述的腕部穿戴部件设有触摸显示输入屏、MCU、无线通信装置;所述的加速度传感器分别采集人体不同运动场景下的加速度、位置传感器采集人体不同运动场景下的位置信号;所述的角速度传感器分别采集人体不同运动场景下的角速度、角度值;所述的肌电传感器采集人体在不同运动场景下的表面肌电信号sEMG;生成人体大腿在不同运动场景下的加速度信号序列、角速度信号序列、位置信号序列、肌电信号序列以及生成人体小腿在不同运动场景下的加速度信号序列、角速度信号序列、位置信号序列、肌电信号序列;所述的加速度传感器、角速度传感器、位置传感器、肌电传感器将采集生成的信号序列传输到柔性穿戴部件的处理器以及无线通信装置,通过该无线通信装置发送到外部智能终端;所述的腕部穿戴部件具有与穿戴式部件同步的装置,通过腕部穿戴部件的触摸输入屏可以输入用户在不同场景下的疼痛水平,腕部穿戴部件通过腕部穿戴部件的无线通信装置将用户输入的疼痛水平发送到外部智能终端。
2.根据权利要求1所述的装置,其特征在于,所述的外部智能终端根据柔性穿戴部件发送的信号数据和腕部穿戴部件发送的数据,判断人体膝关节的性能。
3.根据权利要求2所述的装置,其特征在于,所述的外部智能终端根据以下步骤进行人体膝关节的性能分析:
(1)确定人体在不同运动场景下的大腿和小腿相对三维位置关系,通过测量相对位置变化来确定大腿和小腿间膝关节的相对运动;
(2)确定人体在不同时间同一运动场景下的大腿和小腿的间膝关节角速度和加速度变化;
(3)通过肌电信号确定人体在不同时间同一运动场景下的关节力矩以及应力分布、应变变化;
(4)通过人体输入的疼痛水平,确定人体在进行不同运动时的膝关节疼痛值;
(5)根据膝关节的相对运动、膝关节的角速度和角速度变化、关节力矩、应力分布、应变变化、输入的疼痛水平,进行多尺度特征融合,建立回归模型,进行膝关节性能评价。
4.根据权利要求2所述的装置,其特征在于,所述的测量膝关节的相对运动,包括确定在走路、跑步、上楼、下楼四种运动场景下的大腿和小腿的位置,分别计算在四种运动场景下的大腿和小腿的欧式距离,定义为大腿和小腿间膝关节的相对运动;统计j段时间内的相对运动,并将其划分个n个基段,进行相似性评价:
S=aS走+bS跑+cS上+dS下,其中a,b,c,d为加权系数,可以根据需要进行动态调整,S走表示走路时的运动相似性,S跑表示走路时的运动相似性,S上表示上楼时的运动相似性,S下表示下楼时的运动相似性,S表示人体运动的综合相似性,其中:
式中,j为进行分段的个数,k为采样点的个数,i为运动的类型,i=1表示走路、i=2表示跑步、i=3表示上楼、i=4表示下楼,Z为欧式距离,建立相似性序列。
5.根据权利要求4所述的装置,其特征在于,所述的确定人体在不同时间同一运动场景下的大腿和小腿的间膝关节角速度和加速度变化,具体为:
Δr((θ1,θ2),(g1,g2))=rm((θ1m,θ2m),(g1m,g2m))-rm-1((θ1m-1,θ2m-1),(g1m-1,g2m-1)),其中,θ1m表示大腿在m时刻的角速度,θ2m表示小腿在m时刻的角速度,g1m表示大腿在m时刻的加速度,g2m表示小腿在m时刻的加速度,θ1m-1表示大腿在m-1时刻的角速度,θ2m-1表示小腿在m-1时刻的角速度,g1m-1表示大腿在m-1时刻的加速度,g2m-1表示小腿在m时刻的加速度,Δr((θ1,θ2),(g1,g2))为表示大腿和小腿间的膝关节角速度和加速度综合变化的函数,θ1表示大腿在的角速度,θ2表示小腿的角速度,g1表示大腿的加速度,g2表示小腿的加速度。
6.根据权利要求5所述的装置,其特征在于,所述的通过肌电信号确定人体在不同时间同一运动场景下的关节力矩以及应力分布、应变变化,具体为:运用串联弹性单元、并联弹性单元、收缩元的三元Hill模型为基础来构建肌力模型,肌肉活动程度是受神经信号刺激的结果,可以表示为表面肌电信号幅值的函数:
式中,a(u)表示肌电信号幅值的函数,u表示sEMG信号幅值序列;R是sEMG信号幅值的最大值;A是描述肌肉活动程度与sEMG信号幅值关系的非线性因子,其范围为-5<A<0;
通过增加加权系数来修正每处肌肉组织产生的作用力,因此可从肌肉模型得到膝关节力矩公式:
式中,wt为肌力的加权系数;rt为肌力的力臂长度;Ft q为单处肌力大小,t为测量的次数;
由下肢末端力产生的膝关节力矩如下公式所示:
Ts=Fs*R (3)
式中,Fs为传感器获取的下肢末端作用力大小;R为下肢末端力的力臂长;
模型标定就是为了寻找合适的参数,使得公式(2)与公式(3)的结果相等;实际中,由于一些主观或客观的原因,并不能使它们完全相等,因此;寻找合适的参数,使得它们的差值尽可能小,如公式(4)所示:
式中,n为样本大小;t代表每个独立的样本;TsEMG是由肌肉模型得到的膝关节力矩;Ts则为下肢末端力产生的膝关节力矩;
为了快速获得模型的最优参数,选择模拟生物进化论演化而来的遗传算法对参数进行选择;
在得到肌力后,同时可以求解应变分布和应力分布。
7.根据权利要求6所述的装置,其特征在于,所述的通过人体输入的疼痛水平,确定人体在进行不同运动时的膝关节疼痛值,具体为:输入人体在不同运动场景中的疼痛水平,若在运动场景中进行运动时,人体无任何疼痛感觉,则疼痛值为0;若在运动场景中进行运动时,人体有轻微的不适,则疼痛值为1;若人体在运动场景中运动时,感觉吃力,则疼痛值为2;若人体在运动场景中运动时,痛到无法运动时,则疼痛值为3;同时,腕部穿戴部件的MCU生成人体在不同场景下的疼痛输入序列,记为Pi,j,其中i为运动的类型,i=1表示走路、i=2表示跑步、i=3表示上楼、i=4表示下楼,j为进行分段的个数。
8.根据权利要求7所述的装置,其特征在于,所述的根据膝关节的相对运动、膝关节的角速度和加速度变化、关节力矩、应力分布、应变变化、输入的疼痛水平,进行多尺度特征融合,建立回归模型,进行膝关节性能评价,具体为:
根据所得到的表示相对运动、膝关节的角速度和加速度变化、关节力矩、应力分布、应变变化、输入的疼痛水平的信号序列,作监控参数,建立动态的赋予评估参数加权值的方法来进行评价:
设有m个受试者,n个监控参数,以xij表示第i个受试者的第j个监控参数的评价值,则各个受试者的评价矩阵为:
归一化后得到矩阵:
利用熵权法对各参数进行加权:
熵值的计算公式为:
最优参数集合r+1 r-1由矩阵r中每一列的最大值构成:
r+={max ri1,max ri2,...,max rim},
最劣参数结合r-1由矩阵r中每一列的最小值构成:
r-={min ri1,min ri2,...,min rim}
评估参数与r+和r-的距离Di +和Di -,
计算各评价对象与最优参数的接近程度Ci,
Ci→1表明评估的参数越优,按照Ci的大小排序,给出最终的评价结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910802386.0A CN110558939A (zh) | 2019-08-28 | 2019-08-28 | 穿戴式膝关节测量系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910802386.0A CN110558939A (zh) | 2019-08-28 | 2019-08-28 | 穿戴式膝关节测量系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110558939A true CN110558939A (zh) | 2019-12-13 |
Family
ID=68776557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910802386.0A Withdrawn CN110558939A (zh) | 2019-08-28 | 2019-08-28 | 穿戴式膝关节测量系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110558939A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111110245A (zh) * | 2020-01-14 | 2020-05-08 | 北京精密机电控制设备研究所 | 一种人体下肢多传感测量系统 |
CN117357063A (zh) * | 2023-10-08 | 2024-01-09 | 中国人民解放军海军特色医学中心 | 一种基于生理信号的半月板损伤等级评估系统及方法 |
CN111110245B (zh) * | 2020-01-14 | 2024-06-04 | 北京精密机电控制设备研究所 | 一种人体下肢多传感测量系统 |
-
2019
- 2019-08-28 CN CN201910802386.0A patent/CN110558939A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111110245A (zh) * | 2020-01-14 | 2020-05-08 | 北京精密机电控制设备研究所 | 一种人体下肢多传感测量系统 |
CN111110245B (zh) * | 2020-01-14 | 2024-06-04 | 北京精密机电控制设备研究所 | 一种人体下肢多传感测量系统 |
CN117357063A (zh) * | 2023-10-08 | 2024-01-09 | 中国人民解放军海军特色医学中心 | 一种基于生理信号的半月板损伤等级评估系统及方法 |
CN117357063B (zh) * | 2023-10-08 | 2024-03-26 | 中国人民解放军海军特色医学中心 | 一种基于生理信号的半月板损伤等级评估系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109793500B (zh) | 膝关节负荷力学分析装置 | |
Kleissen et al. | Electromyography in the biomechanical analysis of human movement and its clinical application | |
Rowe et al. | Knee joint kinematics in gait and other functional activities measured using flexible electrogoniometry: how much knee motion is sufficient for normal daily life? | |
US8821417B2 (en) | Method of monitoring human body movement | |
CN105595995B (zh) | 生理数据检测系统、检测装置、终端设备、数据分析方法 | |
KR101492480B1 (ko) | 보행 단계에 기반한 표면 근전도 분석 시스템 | |
Malik et al. | An intelligent recovery progress evaluation system for ACL reconstructed subjects using integrated 3-D kinematics and EMG features | |
Atallah et al. | Gait asymmetry detection in older adults using a light ear-worn sensor | |
CN114366559A (zh) | 一种用于下肢康复机器人的多模态感知系统 | |
Jiang et al. | Exploration of gait parameters affecting the accuracy of force myography-based gait phase detection | |
KR101492478B1 (ko) | 퓨전 센서를 이용한 보행 패턴 인식 시스템 | |
CN110558939A (zh) | 穿戴式膝关节测量系统 | |
Wurdeman et al. | Amputation effects on the underlying complexity within transtibial amputee ankle motion | |
Perez-Rizo et al. | Application of a model to analyze shoulder biomechanics in adult patients with spinal cord injury when walking with crutches in two different gait patterns | |
Xia et al. | Predicting Free Achilles Tendon Strain From Motion Capture Data Using Artificial Intelligence | |
Arauz et al. | Biomechanics and pinch force of the index finger under simulated proximal interphalangeal arthrodesis | |
Huang et al. | A kinematic data based lower limb motor function evaluation method for post-stroke rehabilitation | |
CN114010453A (zh) | 一种基于运动信号的反馈穿戴系统及预处理方法 | |
An et al. | Smart wearable medical devices for isometric contraction of muscles and joint tracking with gyro sensors for elderly people | |
US20220313119A1 (en) | Artificial intelligence-based shoulder activity monitoring system | |
Paul et al. | Development of ultrasonic tachography system for gait analysis | |
Tarnita et al. | Experimental study of the treadmill inclination influence on the flexion angles of the lower limbs joints | |
Avvari et al. | Gait analysis: an effective tool to measure human performance | |
Nong et al. | Using plantar pressure and machine learning to automatically evaluate strephenopodia for rehabilitation exoskeleton: A pilot study | |
Nahi et al. | Lower Limb Analysis of the Biomechanical Gait Cycle at Various Phases in Real Time |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20191213 |