CN112315458A - 一种运动功能障碍识别装置、系统及方法 - Google Patents
一种运动功能障碍识别装置、系统及方法 Download PDFInfo
- Publication number
- CN112315458A CN112315458A CN202011321192.8A CN202011321192A CN112315458A CN 112315458 A CN112315458 A CN 112315458A CN 202011321192 A CN202011321192 A CN 202011321192A CN 112315458 A CN112315458 A CN 112315458A
- Authority
- CN
- China
- Prior art keywords
- module
- wireless transmission
- confidence interval
- graph
- patient
- 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.)
- Granted
Links
Images
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
- A61B5/1118—Determining activity level
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Neurology (AREA)
- Physiology (AREA)
- Neurosurgery (AREA)
- Developmental Disabilities (AREA)
- Computer Networks & Wireless Communication (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种运动功能障碍识别装置、系统及方法,包括多个检测件,多个所述检测件均通过信号线与无线传输机构连接,所述无线传输机构与监控终端无线连接,能够将多个传感器采集的信号传输给监控终端,所述检测件及无线传输机构均连接有绑带,能够通过绑带与患者的身体设定部位固定,本发明的装置及系统识别客观准确。
Description
技术领域
本发明涉及医疗器械技术领域,具体涉及一种运动功能障碍识别装置、系统及方法。
背景技术
这里的陈述仅提供与本发明相关的背景技术,而不必然地构成现有技术。
运动功能障碍是一种主要由外力伤害、脑损伤或神经系统病变引起的中枢神经系统受损,进而导致神经肌肉系统功能异常的疾病,临床表现多为:1.不自主动作;2.动作缺失或缓慢而无瘫痪;3.姿势及肌张力异常。导致运动功能障碍的原因众多,比如神经性疾病导致,包括癫痫、帕金森、脑瘫、小儿麻痹症以及外力伤害致神经系统受损;也可由外力因素造成运动器官受损导致;还有随着年龄增长造成的运动器官功能改变,骨骼肌量减少、肌力减弱等等。它严重影响着患者的正常工作和生活,如不及时进行干预治疗,轻则导致患者运动失能,重则危及患者生命。
目前,随着全球范围的老龄化,老年人数众多,年龄增长是诱发运动功能障碍的一大因素;同时,身患运动神经性疾病的病人数量也是不计其数。因此,由于运动功能障碍需要长期管理与康复的人数众多,而目前临床上主要依靠医生当面检查、询问等传统方式进行运动功能障碍进行判断,发明人发现,这些方法敏感性较低,不能发现轻微的运动功能异常,不利于病情的早期诊断。而且存在较多的人为因素,难以消除不同检测者主观差异造成的影响,不利于医生对病人病情的纵向观察和对疾病进展的评价,这样既不客观也不准确。
发明内容
本发明的目的是为克服现有技术的不足,提供一种运动功能障碍识别装置,方便佩戴,能够实时采集患者的运动信息,反应患者的真实运动情况,方便对患者的运动功能障碍进行准备的识别。
为实现上述目的,本发明采用如下技术方案:
第一方面,本发明的实施例提供了一种运动功能障碍识别装置,包括多个检测件,多个所述检测件均通过信号线与无线传输机构连接,所述无线传输机构与监控终端无线连接,能够将多个传感器采集的信号传输给监控终端,所述检测件及无线传输机构均连接有绑带,能够通过绑带与患者的身体设定部位固定。
进一步的,所述检测件包括内部具有空腔的检测件外壳,所述外壳内设置有传感器芯片,所述传感器芯片与设置在外壳内的第一电源连接,第一电源用于对传感器芯片进行供电;
进一步的,所述检测件外壳粘结固定有压板,压板与检测件外壳之间设有绑带,压板将绑带压紧在检测件外壳上。
进一步的,所述检测件外壳包括第一外壳部和第二外壳部,所述第一外壳部和第二外壳部插接固定。
进一步的,所述无线传输机构包括无线传输模块外壳,所述无线传输模块外壳内部设有隔板,隔板将无需传输模块外壳内部空间分为第一空间和第二空间,第一空间内安装有无线传输模块,第二空间内安装有第二电源,第二电源与无线传输模块连接,用于对无需传输模块进行供电;
进一步的,所述无线传输模块外壳固定有至少两个U型板,绑带穿过U型板与无线传输模块外壳之间的空间,实现绑带与无线传输模块外壳之间的连接。
第二方面,本发明提供了一种运动功能障碍识别系统,包括:
采集模块:其被配置为采集患者多维运动信息;
图建模模块:其被配置为根据采集的患者的多维运动信息,建立多个不重叠时间段多维运动信息对应的均值图模型;
健康指标计算模型:其被配置为计算相邻时间段对应的均值图模型之间的欧式距离,得到健康指标;
识别模块:其被配置为将得到的健康指标与置信区间进行比较,如果健康指标落入置信区间,则不发出报警信号,如果健康指标未落入置信区间,则发出报警信号。
进一步的,所述图建模模块包括:
时刻图模型建立模块:用于建立时间段内多个时刻的多维运动信息的图模型;
平均值模块:用于将时间段中多个时刻对应的多维运动信息的图模型求平均值,得到时间段对应的均值图模型。
进一步的,所述识别模块包括:
置信区间计算模块:用于根据当前时刻之前的所有健康指标计算置信区间的最小值和最大值;
比较模块:用于判断当前时刻的健康指标与置信区间的关系。
第三方面,本发明提供了一种运动功能障碍识别方法,包括以下步骤:
采集患者多维运动信息;
根据采集的患者的多维运动信息,建立多个不重叠时间段多维运动信息对应的均值图模型;
计算相邻时间段对应的图模型之间的欧式距离,得到健康指标;
将得到的健康指标与置信区间进行比较,如果健康指标落入置信区间,则不发出报警信号,如果健康指标未落入置信区间,则发出报警信号。
第四方面,本发明提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现第三方面所述的运动功能障碍识别方法。
第五方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第三方面所述的运动功能障碍识别方法。
本发明的有益效果:
1.本发明的运动功能障碍识别装置,能够利用检测件采集患者的精确的多维运动信息,并且检测件能够通过无线传输机构将采集的信息传输给监控终端,能够最大程度的还原和反应患者自然状态下的各种运动指标,有利于医生更加准确地对病人进行科学有效的病情分析,并且方便医生实时监控,无需医生当面检查、询问,且检测件和无线传输机构能够通过绑带与患者身体固定,穿戴方便,不妨碍患者的运动。
2.本发明的运动功能障碍识别装置,通过传感器采集多维运动信息,能够识别轻微的运动功能异常,有利于病情的早期诊断,且通过采集的数据对功能异常进行判断,消除链轮不同医生主观差异造成的影响。
3.本发明的运动功能障碍识别系统,采用构建图模型的方法对运动功能障碍进行识别,简单高效,同时具有较好的实时性。
4.本发明的运动障碍识别系统,时间段内采用多个时刻图模型的平均值作为该时间段的图模型,避免了噪声等不确定信号的干扰,进而避免了可能存在偏离实际情况信号,进而导致后续识别出现偏差的情况,使得识别更加准确。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的限定。
图1为本发明实施例1整体结构示意图;
图2为本发明实施例1工作原理图;
图3为本发明实施例1检测件外壳结构示意图;
图4为本发明实施例1第二外壳部结构示意图;
图5为本发明实施例1第一外壳部结构示意图;
图6为本发明实施例1检测件外壳与绑带连接示意图;
图7为本发明实施例1压板与绑带配合示意图;
图8为本发明实施例1无线传输模块外壳结构示意图;
图9为本发明实施例2系统示意图;
图10为本发明实施例3方法流程图;
图11为本发明实施例3均值图模型求解示意图;
图12为本发明实施例3运动功能异常状态判断示意图;
图13为本发明实施例3诊断流程图;
其中,1.检测件,2.信号线,3.无线传输机构,4.监控终端,5.绑带,6.第一电源,7.第二电源,8.第一外壳部,9.第二外壳部,10.插孔,11.插住,12.安装板,13.开关预留口,14.充电口,15.压板,16.无线传输模块外壳,17.隔板,18.第一空间,19.第二空间,20.U型板,21.连接指示灯。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
正如背景技术所介绍的,目前临床上主要依靠医生检查、询问来识别运动功能障碍,既不客观也不准确,针对上述问题,本申请提出了一种运动功能障碍识别装置。
本申请的一种典型实施方式中,如图1-图8所示,一种运动功能障碍识别装置,包括多个检测件,所述检测件1包括检测件外壳和安装在检测件外壳内的传感器芯片,所述检测件设置有12个,12个检测件分别设置在人体的肩关节、肘关节、腕关节、胯关节、膝关节及踝关节位置处,用于设置在一侧的肩关节、肘关节及腕关节的检测件通过信号线2连接并通过信号线与无线传输机构3连接,用于设置在一侧的胯关节、膝关节及踝关节的检测件通过信号线连接并通过信号线与无线传输机构连接,所述无线传输机构用于设置在人体的腹部位置,所述无线传输机构通过无线传输与监控终端4连接,能够将传感器采集的各个关节的多维运动信息通过无线传输传输给监控终端,所述检测件及无线传输机构均连接有绑带5,能够通过绑带绑扎固定在患者身体的设定部位。
本实施例中,所述传感器芯片采用MPU6050尔曼角度传感器芯片。可以测量三个维度的位移、速度、加速度;通信速率:400Khz;工作温度:-40℃-85℃;通信接口:IIC接口;模块尺寸:16mm*18mm。
该传感器可以满足测量人体的详细运动数据,并且工作温度范围广,可以涵盖人体活动的各种环境;通信速率快,信号的实时性好;通信协议为工业界常用的IIC协议,接口应用起来方便快捷;结构尺寸小,不会对人体的正常活动造成影响。根据不同的需要,该穿戴设备的传感器可以安装在人体不同的位置。
所述传感器芯片安装在检测件外壳内部,所述检测件外壳包括第一外壳部8和第二外壳部9,所述第一外壳部设置有插孔10,第二外壳部的四个角处设置有插柱11,第二外壳部和第一外壳部通过插孔和插住插接固定,便于安装和拆卸,所述第一外壳部通过插槽插接有安装板12,所述安装板上安装传感器芯片,安装板一侧的空间安装有第一电源,所述第一电源6采用锂电池,锂电池与传感器芯片连接,能够对传感器进行供电。
所述第二外壳部的侧部壳壁上还留有开关预留口13和充电口14,工作人员能够通过开关预留口打开或关闭传感器芯片的开关,启动或关闭传感器芯片,通过充电口能够将锂电池与充电电源连接,对锂电池进行充电。
与传感器芯片连接的锂电池容量:1200mAH,尺寸:8mm×30mm×40mm。该款微型电池用于传感器的供电,传感器为测量的直接设备,使用时会分布在人体各个部分,使用微型大容量电池可以满足测量需求同时具有较长的待机时间。
所述外壳上还设置有连接指示灯21,用于显示传感器芯片的工作状态,第一电源与充电模块连接。充电模块的外壳采用光敏树脂材料3D打印制成,经光敏树脂打印而成的壳体是透明的,可以方便查看充电模块的指示灯。
本实施例中,所述第二外壳部和第一外壳部均采用高分子粉末材料经3D打印而成。
所述第一外壳部用于与患者身体接触的端面还粘贴固定有压板15,压板设有压槽,所述压板与第一外壳部的端面之间设有绑带5,绑带穿过压槽,压板与第一外壳部将绑带压紧固定,绑带能够与患者身体绑扎固定,进而实现检测件与患者身体的固定。
所述无线传输机构包括无线传输模块外壳16,所述无线传输模块外壳采用高分子粉末材料3D打印而成,所述无线传输模块外壳内部设置有隔板17,隔板将无线传输模块外壳内的空间分隔为第一空间18和第二空间19,所述第一空间内安装有无线传输模块,第二空间内放置有第二电源7,本实施例中,所述第二电源采用锂电池。所述锂电池与无线传输模块连接,能够对无线传输模块进行供电。
第二电源采用的锂电池电池容量:20000mAH,尺寸:67mm×67mm×23mm。第二电源的锂电池与充电模块连接,所述充电模块采用DFR0208充电模块,最大充电电流:1000mA,准确度:1.5%,运行环境温度:-40℃-85℃,尺寸:32mm×27mm×10mm,并且配备有充电指示灯。
所述无线传输模块采用WIFI模块,WIFI模块为FireBeetle Board-ESP32控制器,所有硬件均为低功耗设计,深度睡眠模式下功耗仅为10μA;并且支持USB和外界3.7V锂电池两种供电方式供电,可实现双电源下自动切换电源的功能;体积小巧,模块尺寸:29mm×58mm;支持目前工业界通用的IIC通信协议;通信速率:400Khz,响应速度快;工作温度:-40℃-85℃,适应多种环境条件下工作。
所述无线传输模块外壳的一侧端面设置有两个U型板20,U型板与无线传输模块外壳之间的空间穿过有绑带,实现无线传输模块外壳与绑带的连接,通过绑带能够将无线传输机构绑扎固定在患者的腹部。
本实施例的识别装置,结构简单,通过绑带穿戴方便,不妨碍患者的正常运动,并且利用传感器能够采集患者的精确的多维运动信息,并且传感器能够通过无线传输机构将采集的信息传输给监控终端,能够最大程度的还原和反应患者自然状态下的各种运动指标,有利于医生更加准确地对病人进行科学有效的病情分析,并且方便医生实时监控,无需医生当面检查、询问,而且通过传感器采集多维运动信息,能够识别轻微的运动功能异常,有利于病情的早期诊断,且通过采集的数据对功能异常进行判断,消除不同医生主观差异造成的影响。
实施例2:
本实施例公开了一种运动功能障碍识别系统,如图9所示,包括:
1.采集模块:其被配置为采集患者多维运动信息,能够接收传感器采集的相应患者部位的速度、加速度和位移信息。
2.图建模模块:其被配置为根据采集的患者的多维运动信息,建立多个不重叠时间段多维运动信息对应的图模型;
图模型作为一种新兴的建模方式,可有效地应用于运动健康状况评估领域。图模型(G)是由点(V)和边(L)组成的用以描述系统的图形,点之间的距离指标通常作为权值赋予给相应的边。借助图模型的相关知识,提取信号的多尺度信息,本实施例的图建模模块,利用传感器采集到的多维运动状态信号进行图建模。对原始的多维运动状态信号按时间顺序以无重叠滑动窗的方式进行图建模,滑动窗代表了一个设定长度的时间段。
所述图建模模块包括:
2.1时刻图模型建立模块:用于建立时间段内多个时刻的多维运动信息的图模型;
每个滑动窗内部根据滑动窗的时间段长度可以构建若干个时刻的图模型。
2.2平均值模块:用于将时间段中多个时刻对应的多维运动信息的图模型求平均值,得到时间段对应的图模型。
某单一时刻所构建的图模型由于可能受到噪声等不确定信号的干扰,所以可能存在偏离实际情况的信号,进而导致后续的运动状态评估出现偏差,所以对每一个滑动窗内部多个图模型采用求均值的方法,得到一个滑动窗内部的平均水平,这样使得到的图模型更加准确地反应出真实的运动状态,每个滑动窗时间段内部构建的多个图模型计算出一个均值图作为该滑动窗内部信号的特征,这样原始信号就可以由一系列的图模型来进行动态描述。
某个具体时刻的图模型的构建具体方法为:
在滑动窗内部,将多维运动信号具体某时刻的每一个数据点作为图模型G的节点,节点两两连接得到图模型G的边lij。每条边lij的权重dij通过计算节点i和节点j之间的欧式距离得到,即dij=|vi-vj|,然后对其进行赋值。将计算得到的欧式距离以邻接矩阵的形式表示,得到图模型的矩阵表示。矩阵表示如下:
其中,n是多维运动状态信号的维数。
再将每个滑动窗内部的图模型计算出一个均值图,公式如下:
因此,原始信号就被表示为一系列的图G,用以对病人运动状况进行动态的描述。
3.健康指标计算模块:其被配置为计算相邻时间段对应的图模型之间的欧式距离,得到健康指标;
对于图建模模块得到的均值图模型,包含了人体运动状态下的丰富信息,由于其为高维邻接矩阵的形式,直接使用会带来许多不便并且会增加计算复杂度。因此,本实施例基于相似性度量的方法,计算相邻均值图模型的距离指标,将高维图模型转化为一维信息,用于反映被测人体的动态健康指标。该健康指标通过计算相邻图模型之间的欧氏距离得到,计算公式如下所示:
ht即为t时刻计算得到的健康指标,Gt为t时刻的均值图模型,di,j和d′i,j对应为Gt和Ct-l每条边的权重。
4.识别模块:其被配置为将得到的健康指标与置信区间进行比较,如果健康指标落入置信区间,则不发出报警信号,如果健康指标未落入置信区间,则发出报警信号。利用得到的ht,基于正态分布假设,依据拉依达准采用假设检验的方式进行患者异常状态检测。该模块工作方法为,若当前时刻健康指标服从先前的分布(即超出了3sigma置信区间),则没有出现异常状态,若当前时刻数据不符合先前分布,这说明当前时刻出现了异常状态。
所述识别模块包括:
4.1置信区间计算模块:用于根据当前时刻之前的所有健康指标计算置信区间的最小值和最大值;
具体的,计算当前时刻之间所有健康指标的均值和标准差,公式如下:
则置信区间为(μt-1-6σt-1,μt-1+6σt-1)
4.2比较模块:用于判断当前时刻的健康指标与置信区间的关系。
具体的:
H0:|ht-μt-1|≤6σt-1
H1:|ht-μt-1|>6σt-1
H0代表未发生运动功能异常,不发出警告信号,H1代表发生运动功能异常,发出警告信号。
本实施例的系统还可以进一步包括障碍评估模块,检测到运动功能障碍后,障碍评估模块能够利用KNN算法对运动功能障碍进行诊断和识别。例如判断运动功能障碍是否为肌张力障碍或共济失调或震颤手抖或肌阵挛等,KNN是理论上比较成熟的方法,且是最简单的机器学习算法之一,使用起来方便高效,具有较低的运算复杂度。同时,所建图模型也可以搭配其他模式识别的方式如:支持向量机(SVM),人工神经网络(ANN),极限学习机(ELM)等,进行运动功能障碍的识别和诊断。
均值图模型表示为邻接矩阵的形式,在输入KNN算法之前需将其转换为行向量。经过KNN模式识别后,可以诊断出病人的运动功能具体情况如何,是否存在运动障碍并进行分类评估,然后医生就可根据病情提供具体准确的治疗方案。
本发明的运动功能障碍识别系统,采用构建图模型的方法对运动功能障碍进行识别,简单高效,同时具有较好的实时性。
实施例3:
本实施例公开了一种运动功能障碍识别方法,如图10所示,包括以下步骤:
包括:
步骤1:采集患者多维运动信息,接收传感器采集的相应患者部位的速度、加速度和位移信息。
步骤2:根据采集的患者的多维运动信息,建立多个不重叠时间段多维运动信息对应的图模型;
图模型作为一种新兴的建模方式,可有效地应用于运动健康状况评估领域。图模型(G)是由点(V)和边(L)组成的用以描述系统的图形,点之间的距离指标通常作为权值赋予给相应的边。借助图模型的相关知识,提取信号的多尺度信息,本实施例利用传感器采集到的多维运动状态信号进行图建模。对原始的多维运动状态信号按时间顺序以无重叠滑动窗的方式进行图建模,滑动窗代表了一个设定长度的时间段。
如图11所示,步骤2具体包括:
步骤2.1建立时间段内多个时刻的多维运动信息的图模型;
每个滑动窗内部根据滑动窗的时间段长度可以构建若干个时刻的图模型。
步骤2.2将时间段中多个时刻对应的多维运动信息的图模型求平均值,得到时间段对应的图模型。
某单一时刻所构建的图模型由于可能受到噪声等不确定信号的干扰,所以可能存在偏离实际情况的信号,进而导致后续的运动状态评估出现偏差,所以对每一个滑动窗内部多个图模型采用求均值的方法,得到一个滑动窗内部的平均水平,这样使得到的图模型更加准确地反应出真实的运动状态,每个滑动窗时间段内部构建的多个图模型计算出一个均值图作为该滑动窗内部信号的特征,这样原始信号就可以由一系列的图模型来进行动态描述。
某个具体时刻的图模型的构建具体方法为:
在滑动窗内部,将多维运动信号具体某时刻的每一个数据点作为图模型G的节点,节点两两连接得到图模型G的边lij。每条边lij的权重dij通过计算节点i和节点j之间的欧式距离得到,即dij=|vi-vj|,然后对其进行赋值。将计算得到的欧式距离以邻接矩阵的形式表示,得到图模型的矩阵表示。矩阵表示如下:
其中,n是多维运动状态信号的维数。
再将每个滑动窗内部的图模型计算出一个均值图,公式如下:
因此,原始信号就被表示为一系列的图G,用以对病人运动状况进行动态的描述。
步骤3.计算相邻时间段对应的图模型之间的欧式距离,得到健康指标;
对于图建模模块得到的均值图模型,包含了人体运动状态下的丰富信息,由于其为高维邻接矩阵的形式,直接使用会带来许多不便并且会增加计算复杂度。因此,本实施例基于相似性度量的方法,计算相邻均值图模型的距离指标,将高维图模型转化为一维信息,用于反映被测人体的动态健康指标。该健康指标通过计算相邻图模型之间的欧氏距离得到,计算公式如下所示:
ht即为t时刻计算得到的健康指标,Gt为t时刻的均值图模型,di,j和d′i,j对应为Gt和Gt-l每条边的权重。
步骤4:将得到的健康指标与置信区间进行比较,如果健康指标落入置信区间,则不发出报警信号,如果健康指标未落入置信区间,则发出报警信号。利用得到的ht,基于正态分布假设,依据拉依达准采用假设检验的方式进行患者异常状态检测。该模块工作方法为,若当前时刻健康指标服从先前的分布(即超出了3sigma置信区间),则没有出现异常状态,若当前时刻数据不符合先前分布,这说明当前时刻出现了异常状态。
步骤4的具体步骤为:
步骤4.1:根据当前时刻之前的所有健康指标计算置信区间的最小值和最大值;
具体的,计算当前时刻之间所有健康指标的均值和标准差,公式如下:
则置信区间为(μt-1-6σt-1,μt-1+6σt-1)
步骤4.2:判断当前时刻的健康指标与置信区间的关系。
具体的:
H0:|ht-μt-1|≤6σt-1
H1:|ht-μt-1|>6σt-1
H0代表未发生运动功能异常,不发出警告信号,H1代表发生运动功能异常,发出警告信号。如图12所示,状态变化点处开始健康指标位于置信区间外部,判断发生运动功能障碍。
如图13所示,检测到运动功能障碍后,利用KNN算法对运动功能障碍进行诊断和识别。例如判断运动功能障碍是否为肌张力障碍或共济失调或震颤手抖或肌阵挛等,KNN是理论上比较成熟的方法,且是最简单的机器学习算法之一,使用起来方便高效,具有较低的运算复杂度。同时,所建图模型也可以搭配其他模式识别的方式如:支持向量机(SVM),人工神经网络(ANN),极限学习机(ELM)等,进行运动功能障碍的识别和诊断。
均值图模型表示为邻接矩阵的形式,在输入KNN算法之前需将其转换为行向量。经过KNN模式识别后,可以诊断出病人的运动功能具体情况如何,是否存在运动障碍并进行分类评估,然后医生就可根据病情提供具体准确的治疗方案。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种运动功能障碍识别装置,其特征在于,包括多个检测件,多个所述检测件均通过信号线与无线传输机构连接,所述无线传输机构与监控终端无线连接,能够将多个传感器采集的信号传输给监控终端,所述检测件及无线传输机构均连接有绑带,能够通过绑带与患者的身体设定部位固定。
2.如权利要求1所述的运动功能障碍识别装置,其特征在于,所述检测件包括内部具有空腔的检测件外壳,所述外壳内设置有传感器芯片,所述传感器芯片与设置在外壳内的第一电源连接,第一电源用于对传感器芯片进行供电;
进一步的,所述检测件外壳粘结固定有压板,压板与检测件外壳之间设有绑带,压板将绑带压紧在检测件外壳上。
3.如权利要求1所述的运动功能障碍识别装置,其特征在于,所述检测件外壳包括第一外壳部和第二外壳部,所述第一外壳部和第二外壳部插接固定。
4.如权利要求1所述的运动功能障碍识别装置,其特征在于,所述无线传输机构包括无线传输模块外壳,所述无线传输模块外壳内部设有隔板,隔板将无需传输模块外壳内部空间分为第一空间和第二空间,第一空间内安装有无线传输模块,第二空间内安装有第二电源,第二电源与无线传输模块连接,用于对无需传输模块进行供电;
进一步的,所述无线传输模块外壳固定有至少两个U型板,绑带穿过U型板与无线传输模块外壳之间的空间,实现绑带与无线传输模块外壳之间的连接。
5.一种运动功能障碍识别系统,其特征在于,包括:
采集模块:其被配置为采集患者多维运动信息;
图建模模块:其被配置为根据采集的患者的多维运动信息,建立多个不重叠时间段多维运动信息对应的均值图模型;
健康指标计算模型:其被配置为计算相邻时间段对应的均值图模型之间的欧式距离,得到健康指标;
识别模块:其被配置为将得到的健康指标与置信区间进行比较,如果健康指标落入置信区间,则不发出报警信号,如果健康指标未落入置信区间,则发出报警信号。
6.如权利要求5所述的运动功能障碍识别系统,其特征在于,所述图建模模块包括:
时刻图模型建立模块:用于建立时间段内多个时刻的多维运动信息的图模型;
平均值模块:用于将时间段中多个时刻对应的多维运动信息的图模型求平均值,得到时间段对应的均值图模型。
7.如权利要求5所述的运动功能障碍识别系统,其特征在于,所述识别模块包括:
置信区间计算模块:用于根据当前时刻之前的所有健康指标计算置信区间的最小值和最大值;
比较模块:用于判断当前时刻的健康指标与置信区间的关系。
8.一种运动功能障碍识别方法,其特征在于,包括以下步骤:
采集患者多维运动信息;
根据采集的患者的多维运动信息,建立多个不重叠时间段多维运动信息对应的均值图模型;
计算相邻时间段对应的均值图模型之间的欧式距离,得到健康指标;
将得到的健康指标与置信区间进行比较,如果健康指标落入置信区间,则不发出报警信号,如果健康指标未落入置信区间,则发出报警信号。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求8所述的运动功能障碍识别方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求8所述的运动功能障碍识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011321192.8A CN112315458B (zh) | 2020-11-23 | 2020-11-23 | 一种运动功能障碍识别装置、系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011321192.8A CN112315458B (zh) | 2020-11-23 | 2020-11-23 | 一种运动功能障碍识别装置、系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112315458A true CN112315458A (zh) | 2021-02-05 |
CN112315458B CN112315458B (zh) | 2021-08-20 |
Family
ID=74322758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011321192.8A Active CN112315458B (zh) | 2020-11-23 | 2020-11-23 | 一种运动功能障碍识别装置、系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112315458B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113616190A (zh) * | 2021-08-10 | 2021-11-09 | 山东大学 | 一种慢性病患者健康趋势监测与预警系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100013502A (ko) * | 2008-07-31 | 2010-02-10 | 연세대학교 산학협력단 | 자세교정과 근경직 모니터링을 위한 근력강화 옷보조기 |
CN101996410A (zh) * | 2010-12-07 | 2011-03-30 | 北京交通大学 | 动态背景下的运动目标检测方法及系统 |
CN103989480A (zh) * | 2014-06-12 | 2014-08-20 | 福州大学 | 基于Android系统的膝骨性关节炎运动监测方法 |
CN204636378U (zh) * | 2015-04-10 | 2015-09-16 | 北京师范大学 | 人体三维本体感觉测试设备 |
CN105260620A (zh) * | 2015-11-09 | 2016-01-20 | 上海温尔信息科技有限公司 | 基于人体体温建模的健康评估方法及专家系统 |
CN206470942U (zh) * | 2017-02-20 | 2017-09-05 | 广东威尔实业有限公司 | 一种运动监测传感器的无线实时通信系统 |
US20200015681A1 (en) * | 2018-07-12 | 2020-01-16 | Zheng Li | Smart phone-controlled audio and video monitoring device for detecting physiological information |
CN210433471U (zh) * | 2019-04-30 | 2020-05-01 | 河北农业大学 | 一种穿戴式老年人健康体征监测装置 |
-
2020
- 2020-11-23 CN CN202011321192.8A patent/CN112315458B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100013502A (ko) * | 2008-07-31 | 2010-02-10 | 연세대학교 산학협력단 | 자세교정과 근경직 모니터링을 위한 근력강화 옷보조기 |
CN101996410A (zh) * | 2010-12-07 | 2011-03-30 | 北京交通大学 | 动态背景下的运动目标检测方法及系统 |
CN103989480A (zh) * | 2014-06-12 | 2014-08-20 | 福州大学 | 基于Android系统的膝骨性关节炎运动监测方法 |
CN204636378U (zh) * | 2015-04-10 | 2015-09-16 | 北京师范大学 | 人体三维本体感觉测试设备 |
CN105260620A (zh) * | 2015-11-09 | 2016-01-20 | 上海温尔信息科技有限公司 | 基于人体体温建模的健康评估方法及专家系统 |
CN206470942U (zh) * | 2017-02-20 | 2017-09-05 | 广东威尔实业有限公司 | 一种运动监测传感器的无线实时通信系统 |
US20200015681A1 (en) * | 2018-07-12 | 2020-01-16 | Zheng Li | Smart phone-controlled audio and video monitoring device for detecting physiological information |
CN210433471U (zh) * | 2019-04-30 | 2020-05-01 | 河北农业大学 | 一种穿戴式老年人健康体征监测装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113616190A (zh) * | 2021-08-10 | 2021-11-09 | 山东大学 | 一种慢性病患者健康趋势监测与预警系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112315458B (zh) | 2021-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105769173B (zh) | 一种具有心电信号去噪功能的心电监测系统 | |
US20130109989A1 (en) | Method and apparatus for obtaining and processing ballistocardiograph data | |
KR101718555B1 (ko) | 사람의 보행을 검출하기 위한 시스템 및 방법 | |
EP3010408A2 (en) | Sensor system and process for measuring electric activity of the brain, including electric field encephalography | |
US20220287651A1 (en) | Method and system for analyzing biomechanical activity and exposure to a biomechanical risk factor on a human subject in a context of physical activity | |
TW201336475A (zh) | 擁有即時學習機制之癲癇發作預測方法、模組及裝置 | |
AU2010235197B2 (en) | Method of determining body exit of an ingested capsule | |
CN112263242A (zh) | 基于fmcw雷达的呼吸检测及模式分类方法 | |
CN112315458B (zh) | 一种运动功能障碍识别装置、系统及方法 | |
CN111544006B (zh) | 帕金森病人运动障碍量化及识别的可穿戴设备 | |
WO2018140429A1 (en) | Method, system, and device for analyzing ankle joint kinematics | |
KR20160107390A (ko) | 심전도 신호 측정장치 | |
WO2004084725A1 (en) | Motion analysis system and method | |
CN111012339A (zh) | 一种基于脑电信号和生物阻抗数据生理状况监控设备 | |
CN112263254A (zh) | 一种基于表面肌电信号传感器的人体能量消耗预测系统及其预测方法 | |
CN117213777A (zh) | 一种基于mems边缘计算的桥梁损伤检测方法 | |
CN108784720B (zh) | 基于肌张力传感器的痉挛检测的控制系统及其检测方法 | |
Chen et al. | Sarcopenia Recognition System Combined with Electromyography and Gait Obtained by the Multiple Sensor Module and Deep Learning Algorithm. | |
CN115644858A (zh) | 基于多传感器数据融合技术的穿戴式智能化步态分析仪 | |
KR20200141751A (ko) | 보행 시간-주파수 분석에 기초한 건강 상태 예측 방법 및 시스템 | |
CN117980927A (zh) | 产后出血检测方法及系统 | |
CN115474897A (zh) | 可穿戴的音频与非音频振动体征的智能监测及识别系统 | |
KR20220082664A (ko) | 반려 동물의 건강을 진단하기 위한 시스템 및 방법 | |
KR101174729B1 (ko) | 유비쿼터스 헬스케어 장치 및 이를 구비한 다기능 신발 | |
WO2009091239A1 (en) | System and method for monitoring pressure within a living body |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |