CN114010453A - 一种基于运动信号的反馈穿戴系统及预处理方法 - Google Patents
一种基于运动信号的反馈穿戴系统及预处理方法 Download PDFInfo
- Publication number
- CN114010453A CN114010453A CN202111124279.0A CN202111124279A CN114010453A CN 114010453 A CN114010453 A CN 114010453A CN 202111124279 A CN202111124279 A CN 202111124279A CN 114010453 A CN114010453 A CN 114010453A
- Authority
- CN
- China
- Prior art keywords
- limb
- affected limb
- affected
- movement
- motion
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000007781 pre-processing Methods 0.000 title claims abstract description 30
- 210000003414 extremity Anatomy 0.000 claims abstract description 220
- 238000001514 detection method Methods 0.000 claims abstract description 71
- 210000003205 muscle Anatomy 0.000 claims abstract description 50
- 230000003183 myoelectrical effect Effects 0.000 claims abstract description 39
- 210000001364 upper extremity Anatomy 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 230000009471 action Effects 0.000 claims abstract description 16
- 238000004891 communication Methods 0.000 claims abstract description 8
- 230000001133 acceleration Effects 0.000 claims description 66
- 210000000707 wrist Anatomy 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 10
- 238000009825 accumulation Methods 0.000 claims description 7
- 230000008602 contraction Effects 0.000 claims description 7
- 230000000284 resting effect Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 230000009916 joint effect Effects 0.000 claims description 6
- 238000005728 strengthening Methods 0.000 claims description 6
- 238000010835 comparative analysis Methods 0.000 claims description 3
- 210000002310 elbow joint Anatomy 0.000 claims description 3
- 210000000629 knee joint Anatomy 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 7
- 230000002650 habitual effect Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 13
- 208000006011 Stroke Diseases 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000021688 musculoskeletal movement Effects 0.000 description 5
- 238000002560 therapeutic procedure Methods 0.000 description 5
- 230000003042 antagnostic effect Effects 0.000 description 4
- 210000004247 hand Anatomy 0.000 description 4
- 238000011084 recovery Methods 0.000 description 3
- 206010049816 Muscle tightness Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000000386 athletic effect Effects 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009207 exercise therapy Methods 0.000 description 2
- 230000007659 motor function Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 210000000245 forearm Anatomy 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002346 musculoskeletal system Anatomy 0.000 description 1
- 230000003274 myotonic effect Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 210000002027 skeletal muscle Anatomy 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H1/00—Apparatus for passive exercising; Vibrating apparatus; Chiropractic devices, e.g. body impacting devices, external devices for briefly extending or aligning unbroken bones
- A61H1/02—Stretching or bending or torsioning apparatus for exercising
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H2201/00—Characteristics of apparatus not provided for in the preceding codes
- A61H2201/12—Driving means
- A61H2201/1253—Driving means driven by a human being, e.g. hand driven
- A61H2201/1261—Driving means driven by a human being, e.g. hand driven combined with active exercising of the patient
- A61H2201/1269—Passive exercise driven by movement of healthy limbs
- A61H2201/1276—Passive exercise driven by movement of healthy limbs by the other leg or arm
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H2201/00—Characteristics of apparatus not provided for in the preceding codes
- A61H2201/50—Control means thereof
- A61H2201/5058—Sensors or detectors
- A61H2201/5084—Acceleration sensors
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H2230/00—Measuring physical parameters of the user
- A61H2230/08—Other bio-electrical signals
- A61H2230/085—Other bio-electrical signals used as a control parameter for the apparatus
Landscapes
- Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Pain & Pain Management (AREA)
- Physical Education & Sports Medicine (AREA)
- Rehabilitation Therapy (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开一种基于运动信号的反馈穿戴系统及预处理方法,系统包括健肢运动检测装置及患肢运动检测装置健肢运动检测装置与患肢运动检测装置通讯连接;患肢运动检测装置用于通过滤波预处理获取患肢实际的主动运动信息,并通过与健肢主动运动信息进行对比分析及对患肢肌肉骨骼进行模型分析,提醒、指导患肢运动;方法包括步骤:对肌电信号进行数据滤波;利用TKEO算子判断患肢肌肉动作初始时刻;对非运动状态肌电信号进行特征滤波。实施本发明,通过将患肢肌电信号进行特征性提取并线性化,可自动识别受试者上肢的运动模式和运动轨迹,获取患肢相对健肢的运动程度,进而针对运动轨迹和运动程度进行反馈提醒患肢运动,避免患肢的“习得性废用”发生。
Description
技术领域
本发明涉及康复的运动信号反馈设备技术领域,特别涉及一种基于运动信号的反馈穿戴系统及预处理方法。
背景技术
中国是全球卒中终生风险最高的国家,每年新增脑卒中患者约200万人,其中70%~80%因为残疾不能独立生活。脑卒中患者生存质量的高低主要取决于偏瘫肢体运动功能恢复的程度。因此,如何促进偏瘫患者运动功能的恢复,最大程度的提高自理能力,改善生存质量,成为目前康复研究的重点。
在日常生活中,无论治疗师如何强调使用患肢的重要性,患者总会无意间地倾向于使用健侧肢体。这是由于患者使用患侧肢体的企图往往导致失败,而使用健侧肢体常能获得完全或部分成功。随着时间的推移,患者不使用患侧肢体的倾向获得了明显的强化,形成了“习得性废用”,长期以往会掩盖了患侧肢体参与运动活动的潜能,导致患肢运动功能下降。
根据传统研究,欧美国家主张采用强制性运动疗法(CIMT),并证实该方式可以提高患肢功能。近年来,国内一些专家团队研发提出了提醒治疗法(RTM),首次将“提醒方案”作为成年中风病人活动偏瘫上肢的疗法,用以治疗因单侧注意力不足导致的上肢运动习得性废用。
现有技术存在的问题:强制性运动疗法过度强调患侧上肢的单独运动,而忽视了双侧上肢的协同配合运动,这种方式只能促进患侧肢体运动功能的恢复,却不能将这一效果有效地转移到日常生活中。而且多数患者在训练时常常感到不舒适,这种负性情绪的体验不利于康复护理的进行。而感知提醒穿戴设备采取加速度传感器分析健患侧手的运动情况,但无法区分开主被动以及患肢的运动意图,对提醒、指导患者进行运动时存在局限性。不能够准确预测患肢所需进行的运动。
发明内容
现有解决习得性废用的技术中,强制性运动疗法(CIMT)过度强调患侧上肢的单独运动,而忽视了双侧上肢的协同配合运动,感知提醒穿戴设备采取加速度传感器分析健患侧手的运动情况,但无法区分开主被动以及患肢的运动意图,对提醒、指导患者进行运动时存在局限性。
针对上述问题,一种基于运动信号的反馈穿戴系统及预处理方法,通过采集受试者的肌电信号和加速度信号作为生物运动信息,将偏瘫患者患肢肌电信号与运动信号在运动过程中出现的同步性作为判断,筛选出被动运动与主动运动过程中不同客观情况造成的伪迹问题;将健肢和患肢的加速度信号前后进行各自算法运算和合并分析,可得到患肢相对健肢的运动程度;将患肢的肌电信号进行特征性提取并线性化,输入数字信息化的人体上肢肌肉骨骼运动模型,可自动识别受试者上肢的运动模式和运动轨迹。通过监测脑卒中患者日常活动的患肢运动情况,针对运动轨迹和运动程度进行反馈提醒患肢运动。
第一方面,一种基于运动信号的反馈穿戴系统,包括:
健肢运动检测装置;
患肢运动检测装置;
所述健肢运动检测装置与所述患肢运动检测装置通讯连接,分别设置在健肢及患肢上;
所述健肢运动检测装置用于获取健肢主动运动信息,并将所述健肢主动运动信息传输给所述患肢运动检测装置;
所述患肢运动检测装置用于通过滤波预处理获取患肢实际的主动运动信息,并通过与健肢主动运动信息进行对比分析及对患肢肌肉骨骼进行模型分析,提醒、指导患肢运动。
结合本发明所述的反馈穿戴系统,第一种可能的实施方式中,所述健肢运动检测装置包括:
第一加速度检测单元;
第一计算单元;
所述第一加速度检测单元用于获取特定时间内健肢加速度变化量;
所述第一计算单元用于将所述加速度积累变化量与设定阈值比较计算确定健肢是否在运动并计算所述加速度积累变化量,以获取健肢运动程度信息。
结合本发明第一种可能的实施方式,第二种可能实施方式中,所述患肢运动检测装置包括:
第二加速度检测单元;
第二计算单元;
肌电信号检测单元;
预处理单元;
模型分析单元;
所述第二加速度检测单元用于获取特定时间内患肢加速度变化量;
所述肌电信号检测单元用于获取患肢肌群的肌电信号;
所述第二计算单元用于通过对患肢加速度运动信号与肌电信号的同步性及加速度积累量进行计算分析,以获取患肢实际的主动运动信息;
所述预处理单元用于对所述肌电信号进行数据滤波、肌肉动作起始时刻检测及静息状态特征性滤波;
所述模型分析单元用于通过构建上肢肌肉骨骼进行虚拟模型,采用肌电信号输入反映上肢屈伸肌的协同收缩模式,以获取患肢常进行的运动类型。
结合本发明第二种可能的实施方式,第三种可能实施方式中,所述反馈穿戴系统还包括:
对比分析单元;
提醒单元;
所述对比分析单元用于根据患肢和健肢主动运动数据,并根据患肢加速度积累量及实际的主动运动信息计算患肢相对于健肢的运动程度,根据习得性废用指数及治疗参数输出提醒指令;
所述提醒单元用于根据所述提醒指令对患肢进行振动或者灯光提醒。
结合本发明第三种可能的实施方式,第四种可能实施方式中,所述肌电信号检测单元包括:
肌电信号采集仪及多个肌电信号传感器;
所述肌电信号传感器分别设置在腕前区、腕背区、肱二头肌处及肱三头肌处,用于获取患肢腕部及肘部肌群的肌电信号;
所述肌电信号采集仪用于对所述肌电信号进行采样。
结合本发明第四种可能的实施方式,第五种可能实施方式中,所述模型分析单元采用积分肌电值iEMG表示患肢结构活跃指数:
患肢肘关节活跃指数=iEMG肱二头肌平均值/iEMG肱三头肌平均值;
患肢膝关节活跃指数=iEMG腕屈肌处平均值/iEMG腕伸肌处平均值。
结合本发明第五种可能的实施方式,第六种可能实施方式中,所述第二计算单元用于通过:
患肢加速度运动数据方差平均值超过特定阈值;
及
肌电信号的均方根值超过静息状态阈值;
来分析计算患肢实际的主动运动信息。
结合本发明第六种可能的实施方式,第七种可能实施方式中,所述第一加速度检测单元、第二加速度检测单元分别包括三轴加速度传感器,所述三轴加速度加速度传感器采样频率为20Hz。
第二方面,一种肌电信号预处理方法,用于对第一方面的肌电信号进行预处理,包括步骤:
采用数字高通滤波器对采集到的肌电信号进行数据滤波;
利用TKEO算子判断患肢肌肉动作初始时刻;
对非运动状态的肌张力特征提前进行时域和频域提取,对所述肌张力肌电信号进行特征滤波。
结合第二方面所述的肌电信号预处理方法,第一种可能的实施方式中,所述步骤:利用TKEO算子判断患肢肌肉动作初始时刻,包括子步骤:
预先在采集的肌电信号数据序列中截取长度为M的底噪信号;
利用式子(1)、(2)分别计算所述底噪信号的均值μ0及第一标准差δ0,
其中,x(n)为需要处理的肌电数据序列,x(i)截取底噪信号的起始时刻点;
利用式子(3)对窗口长度为W对需要处理的肌电数据求取第二标准差std(n),
其中,n=M+W,M+W+1,……;
利用式子(4)将所述第一标准差与所述第二标准差进行比较,获取比较差值s(n)
s(n)=sign[std(n)-h·δ0](4)
其中,h为放大倍数因子,用于确定合适阈值数值;
对所述比较差值s(n)进行判断,若为1,则判定肌肉动作已经发起;
利用式子(5)选取时刻最小的t0作为肌肉动作的起始时刻,
实施本发明所述的一种基于运动信号的反馈穿戴系统及预处理方法,通过采集受试者的肌电信号和加速度信号作为生物运动信息,将偏瘫患者患肢肌电信号与运动信号在运动过程中出现的同步性作为判断,筛选出被动运动与主动运动过程中不同客观情况造成的伪迹问题;将健肢和患肢的加速度信号前后进行各自算法运算和合并分析,可得到患肢相对健肢的运动程度;将患肢的肌电信号进行特征性提取并线性化,输入数字信息化的人体上肢肌肉骨骼运动模型,可自动识别受试者上肢的运动模式和运动轨迹。通过监测脑卒中患者日常活动的患肢运动情况,针对运动轨迹和运动程度进行反馈提醒患肢运动。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明中一种基于运动信号的反馈穿戴系统组成示意图;
图2是本发明中反馈穿戴系统中健肢运动检测装置组成示意图;
图3是本发明中反馈穿戴系统中患肢运动检测装置组成示意图;
图4是本发明中反馈穿戴系统中健肢运动检测装置及患肢运动检测装置产品结构实施例示意图;
图5是本发明中反馈穿戴系统中健肢运动检测装置及患肢运动检测装置产品结构分解实施例示意图;
图6是本发明中一种肌电信号预处理方法第一实施例示意图;
图7是本发明中一种肌电信号预处理方法第二实施例示意图;
附图中各数字所指代的部位名称为:100——健肢运动检测装置、200——通讯单元、300——患肢运动检测装置、110——第一加速度检测单元、120——第一计算单元、210——第二加速度检测单元、220——肌电信号检测单元、230——预处理单元、240——第二计算单元、250——模型分析单元。
具体实施方式
下面将结合发明中的附图,对本发明中的技术方案进行清楚、完整地描述,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。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的其他实施例,都属于本发明保护的范围。
现有解决习得性废用的技术中,强制性运动疗法(CIMT)过度强调患侧上肢的单独运动,而忽视了双侧上肢的协同配合运动,感知提醒穿戴设备采取加速度传感器分析健患侧手的运动情况,但无法区分开主被动以及患肢的运动意图,对提醒、指导患者进行运动时存在局限性。
针对上述问题,一种基于运动信号的反馈穿戴系统及预处理方法。
第一方面,一种基于运动信号的反馈穿戴系统,如图1,图1是本发明中一种基于运动信号的反馈穿戴系统及预处理方法组成示意图,包括健肢运动检测装置100及患肢运动检测装置300;健肢运动检测装置100与患肢运动检测装置300通讯连接,分别设置在健肢及患肢上;健肢运动检测装置100用于获取健肢主动运动信息,并将健肢主动运动信息传输给患肢运动检测装置300;患肢运动检测装置300用于通过滤波预处理获取患肢实际的主动运动信息,并通过与健肢主动运动信息进行对比分析及对患肢肌肉骨骼进行模型分析,提醒、指导患肢运动。
具体地,如图2,图2是本发明中反馈穿戴系统中健肢运动检测装置100组成示意图,健肢运动检测装置100包括第一加速度检测单元110及第一计算单元120;第一加速度检测单元110用于获取特定时间内健肢加速度变化量;第一计算单元120用于将加速度积累变化量与设定阈值比较计算确定健肢是否在运动并计算加速度积累变化量,以获取健肢运动程度信息。
优选地,健肢运动检测装置100置于健侧上肢小臂,健肢运动检测装置100中的第一加速度检测单元110检测健肢的加速度信息,第一计算单元120计算一段时间内的健肢加速度变化积累量并根据该健肢加速度变化积累量超过一定阈值来判定是否在进行运动,从而利用积累变化量评价健侧肢体运动程度。将健肢运动检测装置100收集分析的健侧运动数据,通过通讯单元200,例如蓝牙无线通讯,传输至患肢运动检测装置300,作为标准衡量患肢运动程度的相对运动程度。
具体地,如图3,图3是本发明中反馈穿戴系统中患肢运动检测装置300组成示意图,患肢运动检测装置300包括第二加速度检测单元210、第二计算单元240、肌电信号检测单元220、预处理单元230及模型分析单元250;第二加速度检测单元210用于获取特定时间内患肢加速度变化量;肌电信号检测单元220用于获取患肢肌群的肌电信号;第二计算单元240用于通过对患肢加速度运动信号与肌电信号的同步性及加速度积累量进行计算分析,以获取患肢实际的主动运动信息;预处理单元230用于对肌电信号进行数据滤波、肌肉动作起始时刻检测及静息状态特征性滤波;模型分析单元250用于通过构建上肢肌肉骨骼进行虚拟模型,采用肌电信号输入反映上肢屈伸肌的协同收缩模式,以获取患肢常进行的运动类型。
优选地,第一加速度检测单元110、第二加速度检测单元210分别包括三轴加速度传感器,三轴加速度加速度传感器采样频率为20Hz。肌电信号采集仪为六通道肌电信号采集仪,采样频率为100HZ。
患肢运动检测装置300得到的运动数据包括主动运动信息和被动运动信息。患肢运动检测装置300还通过对患侧加速度信号和肌电信号进行同步性时域分析,通过嵌入式的内置程序,去除一定时间内与肌电信号非同步产生的加速度信号,获得患肢实际的主动运动信息,即患肢主动运动程度数据。
优选地,第二计算单元240用于通过患肢加速度运动数据方差平均值超过特定阈值及肌电信号的均方根值超过静息状态阈值来分析计算患肢实际的主动运动信息。
优选地,健肢运动检测装置100及患肢运动检测装置300采用表状结构,佩戴在患者的腕部,第一加速度检测单元110、第二加速度检测单元210分别设置在表状结构内,肌电信号检测单元220中的传感器分别通过连接线与主体连接,通过连接线将肌电信号传输到主机中,如图4,图4是本发明中反馈穿戴系统中健肢运动检测装置100及患肢运动检测装置300产品结构实施例示意图,装置主机包括超大续航电池,肌电信号传感器通过连接线与肌电信号采集仪连接,采用双芯片处理器及高灵敏度触摸屏,提醒单元采用振动马达及扬声器,如图5,图5是本发明中反馈穿戴系统中健肢运动检测装置100及患肢运动检测装置300产品结构分解实施例示意图。
通过在一段时间内,患肢加速度运动数据方差平均值变化积累量超过一定阈值来判定患肢在进行运动,若在同步时间内任意肌群的肌电信号的均方根值(RMS)超过静息状态阈值,则表示患肢在进行主动运动,对数据进行记录;否则为被动运动即无效。提取患侧肢体主动运动时的加速度积累变化量评价患肢主动运动量。
通过采集受试者的肌电信号和加速度信号作为生物运动信息,将偏瘫患者患肢肌电信号与运动信号在运动过程中出现的同步性作为判断,筛选出被动运动与主动运动过程中不同客观情况造成的伪迹问题;将健肢和患肢的加速度信号前后进行各自算法运算和合并分析,可得到患肢相对健肢的运动程度
预处理单元230中的数据滤波:在运动过程中常会将运动伪迹带入肌电信号,运动伪迹的频率一般低于20Hz,因此采用数字高通滤波器对采集到的肌电信号进行处理;原始肌电信号也可能含有其他高频噪声,可通过数字低通信号滤波处理将肌电信号频带外的高频信号滤除;一般放大电路无法滤除工频干扰,因此肌电信号工频干扰较为严重,需要釆用数字工频陷波器滤除工频噪声。
利用TKEO算子判断患肢肌肉动作初始时刻:
其步骤包括以下流程:
预先在采集的肌电信号数据序列中截取长度为M的底噪信号;
利用式子(1)、(2)分别计算底噪信号的均值μ0及第一标准差δ0,
其中,x(n)为需要处理的肌电数据序列,x(i)截取底噪信号的起始时刻点;
利用式子(3)对窗口长度为W对需要处理的肌电数据求取第二标准差std(n),
其中,n=M+W,M+W+1,……;
利用式子(4)将第一标准差与第二标准差进行比较,获取比较差值s(n)
s(n)=sign[std(n)-h·δ0] (4)
其中,h为放大倍数因子,用于确定合适阈值数值;
对比较差值s(n)进行判断,若为1,则判定肌肉动作已经发起;
利用式子(5)选取时刻最小的t0作为肌肉动作的起始时刻,
将患肢的肌电信号进行特征性提取并线性化,输入模型分析单元250中的人体上肢肌肉骨骼运动模型,可自动识别受试者上肢的运动模式和运动轨迹。
肌张力状态特征性滤过:由于脑卒中患者上肢可能存在肌张力过高的情况,不利于对肌力和运动轨迹的判断,因此通过对非运动状态的肌张力提前进行时域和频域的特征性提取,进而对采集的肌电信号进行滤除。
优选地,肌电信号检测单元220包括肌电信号采集仪及多个肌电信号传感器;肌电信号传感器分别设置在腕前区、腕背区、肱二头肌处及肱三头肌处,用于获取患肢腕部及肘部肌群的肌电信号;肌电信号采集仪用于对肌电信号进行采样。
肌电信号检测单元220一个优选实施方式为具有六个肌电信号传感器,分别置于腕前区、腕背区、肱二头肌处、肱三头肌处,分别采集患肢腕部和肘部大肌群的肌电信号。
进一步地,反馈穿戴系统还包括对比分析单元及提醒单元;对比分析单元用于根据患肢和健肢主动运动数据,并根据患肢加速度积累量及实际的主动运动信息计算患肢相对于健肢的运动程度,根据习得性废用指数及治疗参数输出提醒指令;提醒单元用于根据提醒指令对患肢进行振动或者灯光提醒。
对比分析单元输入来自患者的患肢主动运动数据,和通讯单元200接收到的健肢主动运动数据,综合比对患肢主动运动数据与健肢主动运动数据,计算患肢相对健肢的运动程度;利用习得性废用指数及治疗参数,主机输出提醒功能,患者根据提醒运动患侧上肢。
优选地,模型分析单元250采用积分肌电值iEMG表示患肢结构活跃指数:
患肢肘关节活跃指数=iEMG肱二头肌平均值/iEMG肱三头肌平均值;
患肢膝关节活跃指数=iEMG腕屈肌处平均值/iEMG腕伸肌处平均值。
模型分析单元250的一个优选实施例为:
构建上肢生物力学APP,包括:一是通过简化的上肢刚体运动,结合人体上肢的骨骼结构、肌肉与骨骼之间的连带关系,构建虚拟的上肢肌肉骨骼运动模型;二是使用肌电信号作为肌肉骨骼模型的输入反映上肢屈伸肌的协同收缩模式,进而了解患侧上肢常进行的运动类型。
虚拟的上肢肌肉骨骼运动模型把人体的上臂、前臂和手分别简化成三个刚性体,各刚体之间均设为转动关节联接,根据人体上肢的骨骼结构、肌肉结点进行全面建模,并注入了上肢骨骼肌肉的相关力学参数和肌肉之间的拮抗、协同关系。
对于肌电信号的输入运算,采用积分肌电值(iEMG)来表示肌肉的活化程度。通过将每个部位采集的肌电信号,分别输入虚拟上肢肌肉骨骼模型相应的腕前区、腕背区、肱二头肌处、肱三头肌处进行运算。针对主动肌与拮抗肌,采用活化程度比值反应两肌肉的协同收缩方式,用测试时间内的平均iEMG屈肌与平均iEMG伸肌的比值来反映某一时间段内的互为拮抗的屈伸肌的协同收缩情况,该比值越大说明屈肌比伸肌的活跃程度越大,即屈肌模式的越强。
当比值变大时,结合加速度传感器收集的运动数据,可以得知患肢进行屈肌运动,即屈肘、屈腕运动;比值变小时则表示进行伸肘、伸腕运动。通过收集一段时间的比值数据,可以得知患肢常进行的运动类型。结合对比分析模块,若缺乏运动可确定缺乏运动的类型,最后进行提醒、指导患肢运动。
模型分析单元250实施例中的上肢生物力学APP系统可通过分析各肌群的肌电信号改变情况,计算主动肌与拮抗肌的活跃程度比值,反映上肢屈伸肌的协同收缩模式,进而了解受试者上肢常进行的运动类型,结合对比分析模块所得的患侧肢体相对健侧肢体的运动情况,得出患肢是否缺乏运动以及所缺乏的运动类型,最后进行提醒、指导患肢运动。通过监测脑卒中患者日常活动的患肢运动情况,针对运动轨迹和运动程度进行反馈提醒患肢运动。
第二方面,一种肌电信号预处理方法,如图6,图6是本发明中一种肌电信号预处理方法第一实施例示意图,用于对第一方面的肌电信号进行预处理,包括步骤:
步骤100:采用数字高通滤波器对采集到的肌电信号进行数据滤波;
步骤200:利用TKEO算子判断患肢肌肉动作初始时刻;
步骤300:对非运动状态的肌张力特征提前进行时域和频域提取,对肌张力肌电信号进行特征滤波。
优选地,如图7,图7是本发明中一种肌电信号预处理方法第二实施例示意图,步骤200包括子步骤:
步骤210:预先在采集的肌电信号数据序列中截取长度为M的底噪信号;
步骤220:利用式子(1)、(2)分别计算底噪信号的均值μ0及第一标准差δ0,
其中,x(n)为需要处理的肌电数据序列,x(i)截取底噪信号的起始时刻点;
步骤230:利用式子(3)对窗口长度为W对需要处理的肌电数据求取第二标准差std(n),
其中,n=M+W,M+W+1,……;
步骤240:利用式子(4)将第一标准差与第二标准差进行比较,获取比较差值s(n)
s(n)=sign[std(n)-h·δ0] (4)
其中,h为放大倍数因子,用于确定合适阈值数值;
步骤250:对比较差值s(n)进行判断,若为1,则判定肌肉动作已经发起;
步骤260:利用式子(5)选取时刻最小的t0作为肌肉动作的起始时刻,
实施本发明的一种基于运动信号的反馈穿戴系统及预处理方法,通过采集受试者的肌电信号和加速度信号作为生物运动信息,将偏瘫患者患肢肌电信号与运动信号在运动过程中出现的同步性作为判断,筛选出被动运动与主动运动过程中不同客观情况造成的伪迹问题;将健肢和患肢的加速度信号前后进行各自算法运算和合并分析,可得到患肢相对健肢的运动程度;将患肢的肌电信号进行特征性提取并线性化,输入数字信息化的人体上肢肌肉骨骼运动模型,可自动识别受试者上肢的运动模式和运动轨迹。通过监测脑卒中患者日常活动的患肢运动情况,针对运动轨迹和运动程度进行反馈提醒患肢运动。
以上仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于运动信号的反馈穿戴系统,其特征在于,包括:
健肢运动检测装置;
患肢运动检测装置;
所述健肢运动检测装置与所述患肢运动检测装置通讯连接,分别设置在健肢及患肢上;
所述健肢运动检测装置用于获取健肢主动运动信息,并将所述健肢主动运动信息传输给所述患肢运动检测装置;
所述患肢运动检测装置用于通过滤波预处理获取患肢实际的主动运动信息,并通过与健肢主动运动信息进行对比分析及对患肢肌肉骨骼进行模型分析,提醒、指导患肢运动。
2.根据权利要求1所述的反馈穿戴系统,其特征在于,所述健肢运动检测装置包括:
第一加速度检测单元;
第一计算单元;
所述第一加速度检测单元用于获取特定时间内健肢加速度变化量;
所述第一计算单元用于将加速度积累变化量与设定阈值比较计算确定健肢是否在运动并计算所述加速度积累变化量,以获取健肢运动程度信息。
3.根据权利要求2所述的反馈穿戴系统,其特征在于,所述患肢运动检测装置包括:
第二加速度检测单元;
第二计算单元;
肌电信号检测单元;
预处理单元;
模型分析单元;
所述第二加速度检测单元用于获取特定时间内患肢加速度变化量;
所述肌电信号检测单元用于获取患肢肌群的肌电信号;
所述第二计算单元用于通过对患肢加速度运动信号与肌电信号的同步性及加速度积累量进行计算分析,以获取患肢实际的主动运动信息;
所述预处理单元用于对肌电信号进行数据滤波、肌肉动作起始时刻检测及静息状态特征性滤波;
所述模型分析单元用于通过构建上肢肌肉骨骼进行虚拟模型,采用肌电信号输入反映上肢屈伸肌的协同收缩模式,以获取患肢常进行的运动类型。
4.根据权利要求3所述的反馈穿戴系统,其特征在于,所述反馈穿戴系统还包括:
对比分析单元;
提醒单元;
所述对比分析单元用于根据患肢和健肢主动运动数据,并根据患肢加速度积累量及实际的主动运动信息计算患肢相对于健肢的运动程度,根据习得性废用指数及治疗参数输出提醒指令;
所述提醒单元用于根据提醒指令对患肢进行振动或者灯光提醒。
5.根据权利要求4所述的反馈穿戴系统,其特征在于,所述肌电信号检测单元包括:
肌电信号采集仪及多个肌电信号传感器;
所述肌电信号传感器分别设置在腕前区、腕背区、肱二头肌处及肱三头肌处,用于获取患肢腕部及肘部肌群的肌电信号;
所述肌电信号采集仪用于对肌电信号进行采样。
6.根据权利要求5所述的反馈穿戴系统,其特征在于,所述模型分析单元采用积分肌电值iEMG表示患肢结构活跃指数:
患肢肘关节活跃指数=iEMG肱二头肌平均值/iEMG肱三头肌平均值;
患肢膝关节活跃指数=iEMG腕屈肌处平均值/iEMG腕伸肌处平均值。
7.根据权利要求6所述的反馈穿戴系统,其特征在于,所述第二计算单元用于通过:
患肢加速度运动数据方差平均值超过特定阈值;
及
肌电信号的均方根值超过静息状态阈值;
来分析计算患肢实际的主动运动信息。
8.根据权利要求7所述的反馈穿戴系统,其特征在于,所述第一加速度检测单元、第二加速度检测单元分别包括三轴加速度传感器,所述三轴加速度加速度传感器采样频率为20Hz。
9.一种肌电信号预处理方法,用于对权利要求3-8中任一中的肌电信号进行预处理,其特征在于,包括步骤:
采用数字高通滤波器对采集到的肌电信号进行数据滤波;
利用TKEO算子判断患肢肌肉动作初始时刻;
对非运动状态的肌张力特征提前进行时域和频域提取,对所述肌张力肌电信号进行特征滤波。
10.根据权利要求7所述的肌电信号预处理方法,其特征在于,所述步骤:利用TKEO算子判断患肢肌肉动作初始时刻,包括子步骤:
预先在采集的肌电信号数据序列中截取长度为M的底噪信号;
利用式子(1)、(2)分别计算所述底噪信号的均值μ0及第一标准差δ0,
其中,x(n)为需要处理的肌电数据序列,x(i)截取底噪信号的起始时刻点;
利用式子(3)对窗口长度为W对需要处理的肌电数据求取第二标准差std(n),
其中,n=M+W,M+W+1,……;
利用式子(4)将所述第一标准差与所述第二标准差进行比较,获取比较差值s(n)
s(n)=sign[std(n)-h·δ0] (4)
其中,h为放大倍数因子,用于确定合适阈值数值;
对所述比较差值s(n)进行判断,若为1,则判定肌肉动作已经发起;
利用式子(5)选取时刻最小的t0作为肌肉动作的起始时刻,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111124279.0A CN114010453A (zh) | 2021-09-24 | 2021-09-24 | 一种基于运动信号的反馈穿戴系统及预处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111124279.0A CN114010453A (zh) | 2021-09-24 | 2021-09-24 | 一种基于运动信号的反馈穿戴系统及预处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114010453A true CN114010453A (zh) | 2022-02-08 |
Family
ID=80055052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111124279.0A Pending CN114010453A (zh) | 2021-09-24 | 2021-09-24 | 一种基于运动信号的反馈穿戴系统及预处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114010453A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115349876A (zh) * | 2022-09-22 | 2022-11-18 | 北京市神经外科研究所 | 一种可穿戴无线面部肌电采集装置及肌电采集系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103054585A (zh) * | 2013-01-21 | 2013-04-24 | 杭州电子科技大学 | 基于生物运动信息的上肢肩肘腕关节运动功能评价方法 |
CN104337666A (zh) * | 2014-11-05 | 2015-02-11 | 中山大学 | 多肌肉协同肌电反馈康复训练系统和方法 |
CN106308809A (zh) * | 2016-08-15 | 2017-01-11 | 河北工业大学 | 大腿残肢者的步态识别方法 |
CN107198509A (zh) * | 2016-08-26 | 2017-09-26 | 常州市钱璟康复股份有限公司 | 基于表面肌电的特征提取方法及系统 |
CN109259739A (zh) * | 2018-11-16 | 2019-01-25 | 西安交通大学 | 一种手腕关节运动力矩的肌电估计方法 |
CN109770914A (zh) * | 2019-03-06 | 2019-05-21 | 南方医科大学深圳医院 | 一种偏瘫习得性废用评估和治疗装置及方法 |
CN112221110A (zh) * | 2020-06-03 | 2021-01-15 | 中国人民解放军陆军军医大学 | 一种超越障碍运动腕关节保护装置及检测方法 |
-
2021
- 2021-09-24 CN CN202111124279.0A patent/CN114010453A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103054585A (zh) * | 2013-01-21 | 2013-04-24 | 杭州电子科技大学 | 基于生物运动信息的上肢肩肘腕关节运动功能评价方法 |
CN104337666A (zh) * | 2014-11-05 | 2015-02-11 | 中山大学 | 多肌肉协同肌电反馈康复训练系统和方法 |
CN106308809A (zh) * | 2016-08-15 | 2017-01-11 | 河北工业大学 | 大腿残肢者的步态识别方法 |
CN107198509A (zh) * | 2016-08-26 | 2017-09-26 | 常州市钱璟康复股份有限公司 | 基于表面肌电的特征提取方法及系统 |
CN109259739A (zh) * | 2018-11-16 | 2019-01-25 | 西安交通大学 | 一种手腕关节运动力矩的肌电估计方法 |
CN109770914A (zh) * | 2019-03-06 | 2019-05-21 | 南方医科大学深圳医院 | 一种偏瘫习得性废用评估和治疗装置及方法 |
CN112221110A (zh) * | 2020-06-03 | 2021-01-15 | 中国人民解放军陆军军医大学 | 一种超越障碍运动腕关节保护装置及检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115349876A (zh) * | 2022-09-22 | 2022-11-18 | 北京市神经外科研究所 | 一种可穿戴无线面部肌电采集装置及肌电采集系统 |
CN115349876B (zh) * | 2022-09-22 | 2023-09-15 | 北京市神经外科研究所 | 一种肌电采集系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106971059B (zh) | 一种基于神经网络自适应健康监测的可穿戴设备 | |
CN105561567B (zh) | 一种计步及运动状态评估装置 | |
EP3065628B1 (en) | Biomechanical activity monitoring | |
Roy et al. | A combined sEMG and accelerometer system for monitoring functional activity in stroke | |
CN105595995B (zh) | 生理数据检测系统、检测装置、终端设备、数据分析方法 | |
CN104159644A (zh) | 分析高尔夫挥杆的装置和方法 | |
Lipperts et al. | Clinical validation of a body-fixed 3D accelerometer and algorithm for activity monitoring in orthopaedic patients | |
Wagenaar et al. | Continuous monitoring of functional activities using wearable, wireless gyroscope and accelerometer technology | |
CN109793500B (zh) | 膝关节负荷力学分析装置 | |
CN106821388A (zh) | 脑卒中病人下肢康复定量评估方法 | |
CN108514421A (zh) | 提升混合现实与日常健康监测的方法 | |
US20190320944A1 (en) | Biomechanical activity monitoring | |
CN116312947B (zh) | 基于上肢运动信号的沉浸式踝足康复训练方法及电子设备 | |
CN113749652A (zh) | 一种肌肉运动监测方法及装置 | |
Tepe et al. | Classification of emg finger data acquired with myo armband | |
CN114010453A (zh) | 一种基于运动信号的反馈穿戴系统及预处理方法 | |
CN205493832U (zh) | 颈部姿态监控服装 | |
Pan et al. | Evaluation of hemiplegic gait based on plantar pressure and inertial sensors | |
Celić et al. | WBAN for physical activity monitoring in health care and wellness | |
CN110558939A (zh) | 穿戴式膝关节测量系统 | |
Immonen et al. | Comparison of accelerometry-based features for fall risk assessment measured from two sensor locations | |
CN117133465B (zh) | 一种慢性病康复治疗效果评价方法、设备及存储介质 | |
Chen et al. | The classification of surface electromyographic for ankle eversion and inversion based on cerebellar model neural networks | |
Jayaraman et al. | Smartwatch as a kinaesthetic system for shoulder function assessment | |
CN115399791A (zh) | 基于肌电运动多数据融合的卒中下肢功能评估方法及系统 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230621 Address after: No.1333, Xinhu Road, Bao'an District, Shenzhen, Guangdong 518000 Applicant after: SHENZHEN HOSPITAL OF SOUTHERN MEDICAL University Address before: 523808 room 415, building 2, No. 16, Keji 4th Road, Songshanhu Park, Dongguan City, Guangdong Province Applicant before: Avatar rehabilitation technology (Dongguan) Co.,Ltd. Applicant before: SHENZHEN HOSPITAL OF SOUTHERN MEDICAL University |
|
TA01 | Transfer of patent application right |