CN113367698B - 一种基于机器学习的肌肉运动状态监测方法及系统 - Google Patents

Abstract

本发明公开了一种基于机器学习的肌肉运动状态监测方法，应用于各类肌肉运动状态实时监测的场景，包括如下步骤：基于简要生理信息选取肌群数学模型；校准环节采集目标肌肉肌力与对应sEMG样本点；基于SVR对样本点进行回归分析并实现肌肉激活程度的标准化；在虚拟环境对肌肉骨骼模型进行实时渲染。本发明还公开了相应的系统：数据采集模块；校准预测模块；映射与可视化模块；监测显示模块。本发明提供的方法及系统能够提供肌肉激活程度以及各种异常情况的实时可视化监测功能。

Description

一种基于机器学习的肌肉运动状态监测方法及系统

技术领域

本发明涉及康复数据可视化领域，特别涉及一种基于机器学习的肌肉运动状态监测方法及系统。

背景技术

脑卒中引起的偏瘫极大影响着患者的日常生活。随着医疗水平的提升，偏瘫康复需要更为科学的监测与诊断方式。传统康复方法依赖康复师主观的经验判断，存在较大的个体差异。而各类量表虽然经过大量临床实验的应用，但是由于其使用过程耗费大量的人力和时间，往往对患者造成较大的生理和心理负担。

基于严肃游戏的康复训练和评估系统仅仅使用宏观的肢体运动信息进行交互，虽然可以有效提高患者的康复兴趣，但是由于信息来源单一以及患者的表达能力下降等原因，运动意图不易被康复师获得。同时，由于肌肉状态肉眼不易观察，当通过运动或表情等方式表现时往往已经对肌肉组织造成了伤害，因此可以实时检测肌肉状态的技术手段十分有必要。表面肌电信号(sEMG)是一种可以反映患者的运动意图的生理指标，通过非侵入方式就可获取。尽管已经有对肌肉激活程度可视化的方法，但是由于其基于对历史数据的简单标准化，并不能形成可以实时处理的运动状态监测手段。

发明内容

本发明的目的是提出一种基于机器学习的肌肉运动状态监测方法，从而用易于获取的生理信息对肌肉激活程度进行标准化，解决对各类运动障碍患者的肌肉运动状态实时监测问题。

为解决上述技术问题，本发明提供的一种基于机器学习的肌肉运动状态监测方法，包括如下步骤：

基于生理信息和最大肌力预测数学模型获取理论肌肉力量极限值,所述最大肌力预测数学模型为

F_max＝C×C_com×W^k

F_max为理论肌肉力量极限，C为回归系数，C_com为校正系数，W为体重，k为回归斜率；

采集目标肌肉肌力与对应sEMG样本点；

基于SVR回归模型对样本点进行回归，得到肌力-sEMG回归曲线，并结合所述肌力-sEMG回归曲线对实时的sEMG信号进行肌肉激活程度的标准化，得到标准化后的肌肉激活程度；

在虚拟环境对肌肉骨骼模型进行实时渲染。

对本发明方案的进一步改进，所述基于简要生理信息选取肌群数学模型，包括：

获取使用者年龄、性别、体重以及目标肌群信息；

选取适配的最大肌力预测数学模型。

对本发明方案的进一步改进，所述生理信息包括年龄、性别、体重以及目标肌群信息。

对本发明方案的进一步改进，所述采集目标肌肉肌力与对应sEMG样本点中，在目标肌群处放置肌电采集装置来采集。

对本发明方案的进一步改进，所述采集目标肌肉肌力与对应sEMG样本点，以等长收缩的方式随机进行若干组发力，记录肌力数值与对应的sEMG信号。

对本发明方案的进一步改进，所述标准化后的肌肉激活程度获取方式的步骤包括：

将sEMG样本点输入SVR回归模型，选用核函数生成回归曲线；由于不同性别、年龄段的使用者样本分布不同，在使用线性核、多项式核或高斯核等核函数时拟合结果会有明显不同。在实际使用时应提前对特定人群的样本进行不同核函数拟合效果的对比，并选用拟合效果最好的核函数作为合适的方案。

基于理论肌肉力量

极限值在回归曲线上截取标准化基准值，对实时sEMG信号进行标准化。

对本发明方案的进一步改进，所述标准化基准值为最大肌电特征值E_max，基于所述最大肌电特征值E_max进行标准化，得到肌肉激活程度s；

对本发明方案的进一步改进，所述核函数采用线性核、多项式核或高斯核函数中任一种。

对本发明方案的进一步改进，所述在虚拟环境对肌肉骨骼模型进行实时渲染，实现对肌肉运动状态监测，包括：

所述在虚拟环境对肌肉骨骼模型进行实时渲染，包括：

在三维建模软件中建立肌肉骨骼模型；

在虚拟环境中，将标准化肌肉激活程度数值与RGB空间进行映射，形成可视化基础；

在虚拟环境中，基于标准化肌肉激活程度数值，对肌肉骨骼模型贴图进行色彩渲染；

基于显示设备进行肌肉状态实时展示。

本发明还提供一种基于机器学习的肌肉运动状态监测系统，用于实现前述的方法，包括：

数据采集模块，用于收集使用者基本信息以及肌力和sEMG信号数据；

校准预测模块，用于对样本点进行回归分析，从而预测最大肌力及对应sEMG指标数值；

映射与可视化模块，用于将肌肉激活程度与虚拟环境三维模型的色彩空间进行映射，实现实时可视化；

监测显示模块，用于将肌肉激活程度可视化结果展示给使用者。

与现有技术相比，本发明能够实现的有益效果至少如下：

基本生理信息用于推算最大肌肉力量，机器学习方法用于根据少数采样点建立起患者肌力与sEMG映射关系，两个环节即可绕过对实际最大自主收缩峰值的测量，大大减少患者在对肌肉激活程度进行量化过程中产生的负担。可以通过该可视化方法对各种不同康复阶段的患者进行肌肉运动状态的监测。

附图说明

图1为本发明实施例中基于机器学习的肌肉运动状态监测方法流程示意图。

图2是本发明实施例中肌肉运动状态监测系统的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将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、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，本发明提供的一种基于机器学习的肌肉运动状态监测方法，应用于集成了肌肉运动状态监测系统的嵌入设备中，包括如下步骤：

步骤1：基于生理信息和最大肌力预测数学模型获取理论肌肉力量极限值。所述最大肌力预测数学模型为：

F_max＝C×C_com×W^k

F_max为理论肌肉力量极限(即最大肌力)，C为回归系数，C_com为校正系数，W为体重，k为回归斜率。

在本发明其中一个实施例中，本步骤具体包括：

步骤1.1：在UI界面输入生理信息，所述生理信息包括使用者年龄、性别、体重以及目标肌群信息；

上面F_max的公式是通用的最大肌力预测数学模型，对于不同的年龄、性别和目标肌群对应的具体实施例，除了体重以外的，C(回归系数)，C_com(校正系数)和k(回归斜率)均需要调整为对应数值，以获得较为准确的预测结果。目标肌群信息具体指的是肘关节、肩关节等具体需要进行监测的肌肉区域，不同的肌肉区域由于其生理结构和屈肌/伸肌类型，参数的取值会不同。

在本发明其中一个实施例中，在输入生理信息后还存在一个判断步骤：判断预测模型是否存在这个环节的目的主要是验证输入信息的完整与否。当使用者在UI界面未完整输入或者输入了错误格式的年龄、性别、体重和目标肌群等信息时，将不会对预测模型的参数进行生成，并返回UI界面重新输入，直到符合预测模型的生成需求为止。

步骤1.2：根据步骤1.1输入的生理信息，结合最大肌力预测数学模型求取理论肌肉力量极限F_max。

在本实施例中，选取健康中国男性肘关节进行示例说明，回归系数C在屈肌和伸肌中分别取值4.256和22.85，校正系数C_com在屈肌和伸肌中分别取值0.598和0.434，回归斜率k在屈肌和伸肌中分别取值0.97和0.53，根据最大肌力预测数学模型即可获得理论肌肉力量极限F_max。

步骤2：校准环节，采集目标肌肉肌力与对应sEMG样本点。

在本发明其中一个实施例中，本步骤具体包括：

步骤2.1：设置拉力采集平台，并在目标肌群处放置肌电采集装置；

步骤2.2：以等长收缩的方式随机进行若干组发力，记录肌力数值与其对应sEMG信号。校准环节的目的主要是通过采集肌力-sEMG样本点，为接下来的分析步骤对受试者的发力特点进行自适应调整。

步骤3：基于SVR回归模型对样本点进行回归，得到肌力-sEMG回归曲线，并结合所述肌力-sEMG回归曲线对实时的sEMG信号进行肌肉激活程度的标准化，得到标准化后的肌肉激活程度；

具体的，步骤3包括以下步骤：

步骤3.1：将样本点输入SVR回归模型，选用核函数生成回归曲线，该回归曲线的数学表达式即为该受试者肌力与sEMG的映射关节模型；

传统的线性回归模型与多项式回归模型分别适用于不同的样本分布，在通用的数据处理方法中表现不佳。SVR回归模型在对样本进行分析时，可以仅仅依据可容忍损失范围内的支持向量来做超平面的决策，无需依赖全部数据。同时，可以依据不同性别、年龄段受试者的样本分布特点，选用线性核、多项式核或高斯核等核函数，从而灵活处理各种实际情况。

由于不同性别、年龄段的使用者样本分布不同，在使用线性核、多项式核或高斯核等核函数时拟合结果会有明显不同。在实际使用时应提前对特定人群的样本进行不同核函数拟合效果的对比，并选用拟合效果最好的核函数作为合适的方案。

在本发明其中一个实施例中，受试者为健康男性，肌力与sEMG呈现较高线性相关性，因此选用线性核函数。

在本发明其中一个实施例中，当肌力-sEMG样本点个数n≤3时，预测精度较差，则重新进入步骤2的样本采集环节。

步骤3.2：基于步骤1.2得到的理论肌肉力量极限F_max数值在回归直线上截取最大肌电特征值E_max，并以该数值作为基准值，对实时sEMG信号E_real进行肌肉激活程度的标准化，生成肌肉激活程度s，所述标准化通过以下公式实现：

步骤4：在虚拟环境对肌肉骨骼模型进行实时渲染，实现对肌肉运动状态监测。

具体的，步骤4包括以下子步骤：

步骤4.1：在三维建模软件建立目标肌群的肌肉骨骼模型；

在本发明其中一个实施例中，所述三维建模软件为Maya。当然，在其他实施例中，也可以采用其他三维建模软件，如Blender、3D Max等。

步骤4.2：在Unity3D虚拟环境中，通过脚本编写肌肉激活程度s与RGB色彩空间进行映射，形成可视化基础。

在本发明其中一个实施例中，当激活程度为[0,1]范围数值时通过颜色变化区分肌肉状态；当激活程度超过1时通过闪烁的光线效果提示异常状态；

步骤4.3：在Unity3D虚拟环境中，基于肌肉骨骼模型的贴图进行脚本挂载，完成映射关系具体实现。在实时sEMG信号通过TCP通讯传输至基于Unity3D开发的虚拟环境时，程序根据通道号以及最大肌电特征值E_max对模型贴图进行色彩渲染；

步骤4.4：通过PC端显示器向使用者进行虚拟现实的肌肉激活程度可视化；通过带有摄像头的移动设备向使用者提供增强现实的肌肉运动状态监测。

本发明中，基本生理信息用于推算最大肌肉力量，机器学习方法用于根据少数采样点建立起患者肌力与sEMG映射关系，两个环节即可绕过对实际最大自主收缩峰值的测量，大大减少患者在对肌肉激活程度进行量化过程中产生的负担。使用者可以通过该可视化方法对各种不同康复阶段的患者进行肌肉运动状态的监测。

请参阅图2，在本发明其中一个实施例中，还提供了肌肉运动状态监测系统，包括：

数据采集模块，用于收集使用者基本信息以及肌力和sEMG信号数据；

校准预测模块，用于对样本点进行回归分析，从而预测最大肌力及对应sEMG指标数值；

映射与可视化模块，用于将肌肉激活程度与虚拟环境三维模型的色彩空间进行映射，实现实时可视化；

监测显示模块，用于将肌肉激活程度可视化结果展示给使用者。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种基于机器学习的肌肉运动状态监测方法，其特征在于，包括以下步骤：

基于生理信息和最大肌力预测数学模型获取理论肌肉力量极限值,所述最大肌力预测数学模型为

F_max＝C×C_com×W^k

F_max为理论肌肉力量极限，C为回归系数，C_com为校正系数，W为体重，k为回归斜率；

采集目标肌肉肌力与对应sEMG样本点；

基于SVR回归模型对样本点进行回归，得到肌力-sEMG回归曲线，并结合所述肌力-sEMG回归曲线对实时的sEMG信号进行肌肉激活程度的标准化，得到标准化后的肌肉激活程度；

在虚拟环境对肌肉骨骼模型进行实时渲染；

所述标准化后的肌肉激活程度获取方式的步骤包括：

将sEMG样本点输入SVR回归模型，选用核函数生成回归曲线；

基于理论肌肉力量极限值在回归曲线上截取标准化基准值，对实时sEMG信号进行标准化；

所述标准化基准值为最大肌电特征值E_max，基于所述最大肌电特征值E_max进行标准化，得到肌肉激活程度s；

2.根据权利要求1所述的基于机器学习的肌肉运动状态监测方法，其特征在于，所述生理信息包括年龄、性别、体重以及目标肌群信息。

3.根据权利要求1所述的基于机器学习的肌肉运动状态监测方法，其特征在于，所述采集目标肌肉肌力与对应sEMG样本点中，在目标肌群处放置肌电采集装置来采集。

4.根据权利要求1所述的基于机器学习的肌肉运动状态监测方法，其特征在于，所述采集目标肌肉肌力与对应sEMG样本点，以等长收缩的方式随机进行若干组发力，记录肌力数值与对应的sEMG信号。

5.根据权利要求1所述的基于机器学习的肌肉运动状态监测方法，其特征在于，所述核函数采用线性核、多项式核或高斯核函数中任一种。

6.根据权利要求1-5任一所述的基于机器学习的肌肉运动状态监测方法，其特征在于，所述在虚拟环境对肌肉骨骼模型进行实时渲染，包括：

在三维建模软件中建立肌肉骨骼模型；

在虚拟环境中，将标准化肌肉激活程度数值与RGB空间进行映射，形成可视化基础；

在虚拟环境中，基于标准化肌肉激活程度数值，对肌肉骨骼模型贴图进行色彩渲染；

基于显示设备进行肌肉状态实时展示。

7.根据权利要求6所述的基于机器学习的肌肉运动状态监测方法，其特征在于，所述三维建模软件为Maya、Blender和3D Max中的任一种。

8.一种基于机器学习的肌肉运动状态监测系统，其特征在于，用于实现权利要求1-7任一所述的方法，包括：

数据采集模块，用于采集使用者基本信息以及肌力和sEMG信号数据；

校准预测模块，用于对sEMG样本点进行回归分析，从而预测最大肌力及对应sEMG指标数值；

映射与可视化模块，用于将肌肉激活程度与虚拟环境三维模型的色彩空间进行映射，实现实时可视化；

监测显示模块，用于将肌肉激活程度可视化结果进行展示。