发明内容
针对现有技术中,使用固定采样频率采集的数据无法精确地反映大脑活动/神经肌肉活动的实时变化的频域特征,单位数据存储空间内的采集的数据的质量较低,导致分析结果准确度不高或者分析速度较慢,无法适应市场对于更加准确、更加高效的生理电信号测量分析技术的需求的技术问题,本发明提供一种基于Micro:bit微处理器的生理电信号测量分析方法及系统。本发明提供的技术方案为:
本发明提供一种基于Micro:bit微处理器的生理电信号测量分析方法,其包括如下步骤:
步骤1,将测试部位通过生理电信号采集组件接入测量电路;
步骤2,以动态采样频率采集生理电信号样本数据,即每当测量到的生理电信号发生改变,Micro:bit微处理器就会采集一个生理电信号样本数据;
步骤3,基于经验模式分解的预处理方法将生理电信号样本数据进行分解,得到若干个不同频段的内在模式函数分量和一个余项;
步骤4,针对不同频段的内在模式函数分量进行过滤、筛选、重新整合处理;
步骤5,采用特征抽取结合深度学习算法对降低噪声的信号进行处理,分类识别得出生理活动的模式类型。
本发明提供的基于Micro:bit微处理器的生理电信号测量分析方法,优选地,在步骤1完成后步骤2开始前,将生理电信号样本数据的模拟信号转换为0~0.5V的标准的肌电信号。
本发明提供的基于Micro:bit微处理器的生理电信号测量分析方法,优选地,步骤“将生理电信号样本数据的模拟信号转换为0~0.5V的标准的肌电信号”具体包括下列步骤:
首先,将生理电信号样本数据的模拟信号转换为0~3.3V的输出信号,转换公式为:
其中,Vout是输出电压,单位V;AO是从Micro:bit微处理器获取的模拟信号;Vmax是最大电压值3.3V;AOmax是最大模拟信号值1023;
然后,采用分压电路将0~3.3V的输出信号转换为0~0.5V的标准的肌电信号,转换公式为:
其中,Vout,1为经转换后得到的0~0.5V的标准的肌电信号;R1=270KΩ;R2=56KΩ。
本发明提供的基于Micro:bit微处理器的生理电信号测量分析方法,优选地,步骤5中的特征抽取涉及包括熵值在内的20个特征数据;这些特征数据用在包括深度学习的多种机器学习算法中,对脑波特征进行有效分类学习并建立可靠的机器学习模型。
本发明提供的基于Micro:bit微处理器的生理电信号测量分析方法,优选地,20个特征数据具体为:非等长的区间段δ(0.5–4Hz),θ(4–7Hz),α(8–12Hz),β(12–30Hz),和γ(30–100Hz)上的功率谱强度和相对强度比形成的10个特征数据;Petrosian分形维数;Higuchi分形维数;Hjorth的机动性和复杂性;谱熵;SVD熵;Fisher信息;近似熵;无趋势扰动分析;Hurst指数。
本发明提供的基于Micro:bit微处理器的生理电信号测量分析方法,优选地,步骤4包括:在全部频段的内在模式函数分量中选择最高频率对应的区间段的内在模式函数分量对应的波形,根据波形判断是否出现低频漂移;如果出现的低频漂移,则过滤掉低频段的内在模式函数分量;如果未出现的低频漂移,则保留低频段的内在模式函数分量。
本发明提供的基于Micro:bit微处理器的生理电信号测量分析方法,优选地,采用加速计传感器测量受试者的运动数据;采用磁力计传感器测量受试者的方位数据。
本发明提供的基于Micro:bit微处理器的生理电信号测量分析方法,优选地,步骤2采集的生理电信号样本数据或者受试者的运动数据和方位数据可由蓝牙无线通讯模块传送到计算机、手机或其他移动计算设备上。
本发明还提供一种基于Micro:bit微处理器的生理电信号测量分析系统,其包括Micro:bit微处理器板和生理电信号采集组件;所述生理电信号采集组件通过分压电路与所述Micro:bit微处理器板串联;所述Micro:bit微处理器板上集成有微控制器、存储模块、通讯模块、由阵列排布的LED显示区和I/O装置;所述微控制器包括全速USB 2.0OTG控制器;
所述生理电信号采集组件用于以动态采样频率采集生理电信号样本数据,即每当测量到的生理电信号发生改变,就会采集一个生理电信号样本数据,并将生理电信号样本数据通过所述I/O装置输送至所述Micro:bit微处理器板;
生理电信号样本数据经所述全速USB 2.0OTG控制器和所述分压电路转换为0~0.5V的标准的肌电信号后,经过所述微控制器的计算处理,分类识别得出生理活动的模式类型,并通过所述LED显示区输出该生理活动的模式类型;
所述存储模块用于存储生理电信号样本数据和/或分析得出的生理活动的模式类型;
所述通讯模块用于将采集的生理电信号样本数据和/或分析得出的生理活动的模式类型传送到计算机、手机或其他移动设备上。
本发明提供的基于Micro:bit微处理器的生理电信号测量分析系统,优选地,所述Micro:bit微处理器板上还设置有加速计传感器和磁力计传感器;所述加速计传感器和所述磁力计传感器均通过I2C总线接入所述Micro:bit微处理器板;所述加速计传感器分别与所述微控制器、所述存储模块和所述通讯模块电性连接;所述磁力计传感器分别与所述微控制器、所述存储模块和所述通讯模块电性连接。
本发明具有的优点或者有益效果:
本发明提供一种基于Micro:bit微处理器的生理电信号测量分析方法,以Micro:bit微处理器为中心,通过动态采样频率而不是采用固定采样频率采集生理电信号样本数据,根据生理电信号的变化而采集人体信号,该方法能更加精准地反映生理电信号的的实时变化的频域特征,减少无用数据和噪声,大大提升单位数据存储空间内的采集的数据的质量,便于数据特征抽取,从而实现对生理电信号更加准确、更加高效的进行测量分析,能够很好地适应市场对于更加准确、更加高效的生理电信号测量分析技术的需求。通过基于EMD预处理、过滤、筛选、重新整合得到新的时间序列,并采用特征抽取结合深度学习算法对基于该时间序列进行处理,最终分类识别得出生理活动的模式类型,可以保证数据分析的有效性、准确度和高效性。另一方面,由于Micro:bit微处理器具有体积小的特点、能耗低、成本低廉的特点,因此,采用本发明的方法测量分析生理电信号相较于现有技术可以大大降低生产和使用成本,并且由于体积小,使得携带更加方便;配合干电极作为生理电信号采集组件,由于干电极片不需要额外的增加导电性的措施,使得穿戴使用更加便捷。此外,通过本发明的方法原则上可以采集人体任何部位的生理电信号,具有适用性广的优点。
本发明还提供与上述方法相应的基于Micro:bit微处理器的生理电信号测量分析系统,该系统成本低廉、性价比高,采用动态信号采样频率采集生理电信号,该方法能正确反映人脑状态的频域特征,减少无用数据和噪声,便于数据特征抽取;同时该系统可以采集人体任何部位的生理电信号具有适用性广的特点。
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的说明,显然所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。因此,以下对附图中提供的本发明实施例中的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明的保护范围。
现有技术中,使用固定采样频率采集的数据无法精确地反映例如大脑活动或者神经肌肉活动等生理状况的实时变化的频域特征,单位数据存储空间内的采集的数据的质量较低,导致分析结果准确度不高或者分析速度较慢,无法适应市场对于更加准确、更加高效的生理电信号测量分析技术的需求。
实施例1
针对现有技术中,使用固定采样频率采集的数据存在的问题,实施例1提供一种基于Micro:bit微处理器的生理电信号测量分析方法,如图1所示,其包括如下步骤:
步骤1,将测试部位通过生理电信号采集组件接入测量电路;例如,当测量脑电信号时,脑电信号采集组件可以是干电极片1和导线,通过将剪裁后的干电极片1和导线2焊接后(剪裁焊接后的电极片如图2和图3所示),如图4所示,将干电极片1放置在人体的头部5的位置,与图4的A、B点分别相接。附图标记3为R1,其与Micro:bit微处理器板的3.3V输出接口电性连接;附图标记4为R2,其接地;R1与R2并联后,与Micro:bit微处理器板串联,A、B可分别与两个电极电性连接。当两个电极片合拢时,显示0.5V左右的读数。每当两电极之间检测到的人体电信号发生改变,Micro:bit微处理器就会采集一个读数。
步骤2,以动态采样频率采集生理电信号样本数据,即每当测量到的生理电信号发生改变,Micro:bit微处理器就会采集一个生理电信号样本数据;具体可以通过实时计算和监测生理电信号随时间的变化率,通过设定能够容许的变化率的偏差阈值,只有变化率超过该偏差阈值,则视为生理电信号发生改变,这时Micro:bit微处理器就会采集一个生理电信号样本数据;其中,以测量脑电为例,当生理电信号采集组件每秒钟能够读取的最大信号点数是128左右时,通过动态采样频率采集脑电信号样本数据,当人体脑电信号的活动减少的时候,采样频率也会减少,当人体脑电信号的活动增加的时候,采样频率会相应增加。如此,单位数据存储空间内的采集的数据的质量较传统的固定采样频率的方式大大提升,采用这种生理电信号的采集方式可以有效减少无用的数据量并在一定程度上减少噪声,对后续的数据处理、特征抽取和数据分析都有益处。
步骤3,基于经验模式分解(Empirical Mode Decomposition,EMD)的预处理方法将生理电信号样本数据(例如,原始EEG波形)进行分解,得到若干个不同频段的内在模式函数(Intrinsic Mode Function,IMF)分量和一个余项rk[n];设原始EEG波形为x[n],则EMD可将x[n]分解为:
其中,IMFi[n]是第i个IMF,rk[n]是余项,k是IMF的个数。EEG波形的长度、非线性性和不稳定性等特征决定了k的大小。
通过对生理电信号样本数据的原始数据需经过EMD前序处理,可以便于后序的数据分析,提高分析速度和准确性。
步骤4,用EMD对时间序列数据进行分解和过滤之后,既可以把剩余的IMF重新整合成新的时间序列,也可以将每个IMF作为新的时间序列进行特征抽取。一般而言,将每个IMF作为新的时间序列进行特征抽取具有更好的机器分类效果。针对不同频段的IMF分量进行过滤、筛选、重新整合处理,包括但不限于以下列方式,在全部频段的IMF分量中选择最高频率对应的区间段的IMF分量对应的波形,根据波形判断是否出现低频漂移(low frequencydrift);如果出现低频漂移,则过滤掉低频段的IMF分量;如果未出现低频漂移,则保留低频段的IMF分量。经过适当过滤、筛选、重新整合处理的生理电信号,躁声量和人工挠动(artifacts)因素都大幅度减少,为后续的特征抽取和机器学习提供高质量的数据。
步骤5,采用特征抽取结合深度学习算法对降低噪声的信号进行处理,分类识别得出生理活动的模式类型。
以脑电信号为例,采用特征抽取技术和深度学习算法,能够准确地区分大脑的不同状态,图5显示了基于熵值的脑波模型的分辩效果,不同类型的点代表不同大脑状态的脑波采样,通过调整参数,深度学习模型可以清楚地进行分辩不同的大脑状态。具体如何根据熵值分析脑波模型属于本领域的公知常识,在此不予赘述。
本发明的实施例1提供的基于Micro:bit微处理器的生理电信号测量分析方法,以Micro:bit微处理器为中心,通过动态采样频率而不是采用固定采样频率采集生理电信号样本数据,根据生理电信号的变化而采集人体信号,该方法能更加精准地反映生理电信号的的实时变化的频域特征,减少无用数据和噪声,大大提升单位数据存储空间内的采集的数据的质量,便于数据特征抽取,从而实现对生理电信号更加准确、更加高效的进行测量分析,能够很好地适应市场对于更加准确、更加高效的生理电信号测量分析技术的需求。通过基于EMD预处理、过滤、筛选、重新整合得到新的时间序列,并采用特征抽取结合深度学习算法对基于该时间序列进行处理,最终分类识别得出生理活动的模式类型,可以保证数据分析的有效性、准确度和高效性。另一方面,由于Micro:bit微处理器具有体积小的特点、能耗低、成本低廉的特点,因此,采用本发明的方法测量分析生理电信号相较于现有技术可以大大降低生产和使用成本,并且由于体积小,使得携带更加方便;配合干电极作为生理电信号采集组件,由于干电极片不需要额外的增加导电性的措施,使得穿戴使用更加便捷。此外,通过本发明的方法原则上可以采集人体任何部位的生理电信号,具有适用性广的优点。
由于标准的肌电信号是在0.5V左右,为了便于后续分析。实施例1提供的基于Micro:bit微处理器的生理电信号测量分析方法,优选地,在步骤1完成后步骤2开始前,将生理电信号样本数据的模拟信号转换为0~0.5V的标准的肌电信号。通过该步骤可以将脑电信号等其他非肌电信号转换为0.5V左右进行分析,统一了生理电信号分析的基准,有利于提高后续数据分析的效率。
实施例1提供的基于Micro:bit微处理器的生理电信号测量分析方法,具体地,步骤“将生理电信号样本数据的模拟信号转换为0~0.5V的标准的肌电信号”具体包括下列步骤:
首先,将生理电信号样本数据的模拟信号转换为0~3.3V的输出信号,转换公式为:
其中,Vout是输出电压,单位V;AO是从Micro:bit微处理器获取的模拟信号;Vmax是最大电压值3.3V;AOmax是最大模拟信号值1023;
之所以将生理电信号样本数据的模拟信号转换为0~3.3V的输出信号,是因为Micro:bit微处理器是基于PCB板制造的,而PCB板常用的电压是3.3V,因此,首先需要将模拟信号转换为适用于Micro:bit微处理器的0~3.3V范围以内,以保证Micro:bit微处理器的顺利工作;
例如可以通过全速USB 2.0OTG控制器实现从USB输入电压(4.5~5.25V)至0~3.3V电压之间的转换。
然后,采用分压电路将0~3.3V的输出信号转换为0~0.5V的标准的肌电信号,转换公式为:
其中,Vout,1为经转换后得到的0~0.5V的标准的肌电信号;R1=270KΩ;R2=56KΩ。
其中,分压电路的部分电路构造简图如图6所示。其中附图标记3为R1,其与Micro:bit微处理器板的3.3V输出接口电性连接;附图标记4为R2,其接地;R1与R2并联后,与Micro:bit微处理器板串联,A、B分别与两个电极电性连接。
实施例1提供的基于Micro:bit微处理器的生理电信号测量分析方法,优选地,步骤5中的特征抽取涉及包括熵值在内的20个特征数据;这些特征数据用在包括深度学习的多种机器学习算法中,对脑波特征进行有效分类学习并建立可靠的机器学习模型。实施例1提供的方法利用多元化时间序列数据特征抽取技术具有数据特征抽取方便的特点。
实施例1提供的基于Micro:bit微处理器的生理电信号测量分析方法,具体地,20个特征数据具体为:非等长的区间段δ(0.5–4Hz),θ(4–7Hz),α(8–12Hz),β(12–30Hz),和γ(30–100Hz)上的功率谱强度和相对强度比形成的10个特征数据;Petrosian分形维数;Higuchi分形维数;Hjorth的机动性和复杂性;谱熵;SVD熵;Fisher信息;近似熵;无趋势扰动分析;Hurst指数。详细说明如下:
a.常用的非等长的区间段δ(0.5–4Hz),θ(4–7Hz),α(8–12Hz),β(12–30Hz)和γ(30–100Hz)上的功率谱强度和相对强度比形成的10个特征数据;
假设时间序列[x1,x2,...,xN]的快速富里叶变换是[X1,X2,...,XN],把从低频至高频的连续的频带划分成K个宽度相同或不同的区间段,这些区间段的边界组成一个向量band=[f1,f2,...,fK],其中第i个区间段的最低和最高频率分别为fi和fi+1;脑电波和肌电波常用的非等长的区间段相应的边界频率向量是band=[0.5,4,7,12,30,100];
第k个区间段的功率谱强度是:
其中,fs是采样频率,N是序列长度;
相对强度比是:
b.时间序列的Petrosian分形维数:
其中,N是序列长度,Nδ是信号导函数的正负号变化的次数;
c.Higuchi分形维数:
从时间序列[x1,x2,...,xN]中计算出k个新的序列:
其中,m=1,2,...,k;
每个新的序列的长度L(m,k)为:
序列的平均长度为:
这个过程从k=1到kmax重复kmax次,然后用最小二乘法计算以ln(1/k)为自变量和以ln(1/k)为因变量的最佳拟合函数的斜率,该斜率为Higuchi分形维数;
d.Hjorth的机动性和复杂性:
对时间序列[x1,x2,...,xN],Hjorth的机动性定义为:
Hjorth的复杂性定义为:
其中,TP=∑xi/N,M2=∑di/N,M4=∑(di-di-1)2/N,di=xi-xi-1;
e.谱熵:
其中,RIR是相对强度比,K是区间段个数;
f.SVD熵:
奇异点值分解定义的熵,对时间序列[x1,x2,...,xN],构造一个延迟向量:
y(i)=[xi,xi+τ,...,xi+(dE-1)τ]:
其中,τ是延迟,dE是嵌入维数,然后构造嵌入空间:
Y=[y(l),y(2),...,y(N-(dE-1)τ)]T
对矩阵Y作奇异点值分解产生M个奇异点值σ1,...,σM,,SVD熵为:
g.Fisher信息:
h.近似熵:
近似熵是量化时间序列的规律性的统计参数,由下面的步骤计算:
对时间序列[x1,x2,...,xN]构造子序列x(i,m)=[xi,xi+1,...,xi+m-1],1≤i≤N–m,其中m是序列长度;
定义噪声过滤水平r=k×SD,k=0,0.1,0.2,...,0.9,构造子序列
{x(i,m)}={x(j,m)|j∈[1..N-m]};对每个x(i,m)∈{x(j,m)},计算
其中,
得到,
i.无趋势扰动分析:
对时间序列[x1,x2,...,xN]的无趋势扰动分析计算如下:
把x融入一个新的序列y=[y(1),...,y(N)],其中
把新序列切割成长度为n的等长区块,对每一个区块,用最小方差法找一条拟合数据的最佳直线,代表那个区块的趋势,用yn(k)代表水平线区块的y坐标值;
新序列的均方差扰动F(n)由下式计算:
扰动被定义为以logn为自变量,以logF(n)为因变量的直线的斜率;
j.Hurst指数
对时间序列[x1,x2,...,xN],第一步先计算在区间T中的累计均差:
然后,计算R(T)/S(T):
Hurst指数是以ln(n)为自变量和以ln(R(n)/S(n))为应变量的直线的斜率,其中n∈[2,...,N]。
为了适应多样化信号采集的市场需求,实施例1提供的基于Micro:bit微处理器的生理电信号测量分析方法,优选地,采用加速计传感器测量受试者的运动数据;采用磁力计传感器测量受试者的方位数据。实施例1提供的基于Micro:bit微处理器的生理电信号测量分析方法在采集生理电信号的同时还可以采集受试者的运动数据和方位数据,实现多样化信号采集的功能。
实施例1提供的基于Micro:bit微处理器的生理电信号测量分析方法,优选地,步骤2采集的生理电信号样本数据或者受试者的运动数据和方位数据可由蓝牙无线通讯模块传送到计算机、手机或其他移动计算设备上,包括但不限于配对(pairing)或者闪烁(flashing)的方式和在有效蓝牙无线通讯范围内的计算设备建立连接。
实施例2
实施例2提供一种成本低廉、可快速高效地分析生理电信号的基于Micro:bit微处理器的生理电信号测量分析系统,其包括Micro:bit微处理器板和生理电信号采集组件;生理电信号采集组件通过分压电路与Micro:bit微处理器板串联;Micro:bit微处理器板上集成有微控制器、存储模块、通讯模块、由阵列排布的LED显示区和I/O装置;微控制器包括全速USB 2.0OTG控制器;
其中,生理电信号采集组件用于以动态采样频率采集生理电信号样本数据,即每当测量到的生理电信号发生改变,就会采集一个生理电信号样本数据,具体可以通过实时计算和监测生理电信号随时间的变化率,通过设定能够容许的变化率的偏差阈值,只有变化率超过该偏差阈值,则视为生理电信号发生改变,这时Micro:bit微处理器就会采集一个生理电信号样本数据;其中,以测量脑电为例,当生理电信号采集组件每秒钟能够读取的最大信号点数是128左右时,通过动态采样频率采集脑电信号样本数据,当人体脑电信号的活动减少的时候,采样频率也会减少,当人体脑电信号的活动增加的时候,采样频率会相应增加。如此,单位数据存储空间内的采集的数据的质量较传统的固定采样频率的方式大大提升,采用这种生理电信号的采集方式可以有效减少无用的数据量并在一定程度上减少噪声,对后续的数据处理、特征抽取和数据分析都有益处。生理电信号采集组件还用于将生理电信号样本数据通过I/O装置输送至Micro:bit微处理器板;
生理电信号样本数据经全速USB 2.0OTG控制器和分压电路转换为0~0.5V的标准的肌电信号后,经过微控制器的计算处理,分类识别得出生理活动的模式类型,并通过LED显示区输出该生理活动的模式类型;
微控制器包括但不限于16MHz 32位ARM Cortex-M0微控制器(主微控制器)和48MHzARM Cortex-M0+core微控制器(辅助微控制器);其中,48MHz ARM Cortex-M0+core微控制器包括一个全速USB 2.0On-The-Go(OTG)控制器,负责提供USB和主微控制器之间的通信接口,同时负责从USB输入电压(4.5-5.25伏)到PCB板所用的常规3.3伏电压间的转换。
I/O装置包括3个环形连接器(和一个电源接地端)可以用鳄鱼夹或者香蕉插头连接,25-针边缘连接器(带有2到3个PWM输出),6到17个GPIO针,6个模拟输入,串行I/O,SPI,和I2C。
存储模块用于存储生理电信号样本数据和/或分析得出的生理活动的模式类型;存储模块包括但不限于以256闪存、16KB静态内存等形式;
通讯模块用于将采集的生理电信号样本数据和/或分析得出的生理活动的模式类型传送到计算机、手机或其他移动设备上。通讯模块包括但不限于2.4GHz蓝牙低能耗无线网络通讯装置。
实施例2提供的基于Micro:bit微处理器的生理电信号测量分析系统成本低廉、性价比高,采用动态信号采样频率采集生理电信号,该方法能正确反映人脑状态的频域特征,减少无用数据和噪声,便于数据特征抽取;同时该系统可以采集人体任何部位的生理电信号具有适用性广的特点。
实施例2提供的基于Micro:bit微处理器的生理电信号测量分析系统,优选地,Micro:bit微处理器板上还设置有加速计传感器和磁力计传感器;加速计传感器和磁力计传感器均通过I2C总线接入Micro:bit微处理器板;加速计传感器分别与微控制器、存储模块和通讯模块电性连接;磁力计传感器分别与微控制器、存储模块和通讯模块电性连接。优选地,加速计传感器为3-轴加速计传感器;磁力计传感器为3-轴磁力计传感器。实施例2提供的基于Micro:bit微处理器的生理电信号测量分析系统可以实现多样化信号采集,即不但可以采集生理电信号数据,还可以采集运动和方位数据。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。