CN114271836A - 一种基于小波变换的智能肌电检测处理方法及装置 - Google Patents

Abstract

本发明涉及领域，公开了一种基于小波变换的智能肌电检测处理方法，包括以下步骤:获取肌体表面肌电信号；通过预设异常检测规则获取表面肌电信号内的异常突变信号的频率和产生时间以及结束时间；将频率和产生时间以及结束时间按照预设特征处理规则处理为特征数据后，发送肌肉健康评估模型，由肌肉健康评估模型判断肌体是否出现异常；肌肉健康评估模型为训练完成的深度学习模型，如此可以大幅度的提升肌肉健康检测的效率和精准度，更好的防止中老年人应为肌肉衰减不易察觉所导致的危险情况的发生。

Description

一种基于小波变换的智能肌电检测处理方法及装置

技术领域

本发明涉及肌肉健康预测技术领域，具体涉及一种基于小波变换的智能肌电检测处理方法及装置。

背景技术

随着年龄的增加，人体肌肉会减少，会出现以骨骼肌纤维数量减少和肌肉力量下降为主要特征的中老年人多发病征，随之会造成中老年人跌倒和骨折风险增加、活动能力和生活质量下降的情况。

因此，现有的一些肌肉状态检测技术能够对肌肉的疲劳状态进行检测，通过对下肢的表面肌电信号进行采集，再通过对表面肌电信号进行积分计算，可以得到与肌肉的疲劳程度相关的肌电信号积分，从而对使用人员进行提醒。

但是，上述针对肌肉健康状态的检测方法和相关装置并不全面，而且也不能够对肌肉健康状态进行更加细致的评测，无法更准确的掌握肌肉健康情况。

发明内容

本发明的目的在于提供一种基于小波变换的智能肌电检测处理方法及装置，解决以下技术问题：

如何提升肌肉健康评估的准确性和效率。

本发明的目的可以通过以下技术方案实现：

一种基于小波变换的智能肌电检测处理方法，包括以下步骤:

获取肌体表面肌电信号；

通过预设异常检测规则获取所述表面肌电信号内的异常突变信号的频率和产生时间以及结束时间；

将所述频率和所述产生时间以及结束时间按照预设特征处理规则处理为特征数据后，发送肌肉健康评估模型，由所述肌肉健康评估模型判断所述肌体是否出现异常；所述肌肉健康评估模型为训练完成的深度学习模型。

作为本发明进一步的方案：所述预设异常检测规则包括小波变换法，所述小波变换法的公式为：

其中，α为尺度，τ为平移量。

作为本发明进一步的方案：所述预设特征处理规则包括：

其中，P_n为第n个异常突变信号所对应的特征单值，f_n为第n个异常突变信号所对应的频率，h_n为第n个异常突变信号所对应的结束时间与起始时间的差值，d_n为第n个异常突变信号所对应的起始时间与第n-1个异常突变信号所对应的结束时间的差值，n为大于2的整数；

PK_n＝[P₁,P₂,P₃,…P_K]，PK_n为K个异常突变信号所对应的特征数据，K>n。

作为本发明进一步的方案：所述肌肉健康评估模型包括异常检测模型，所述异常检测模型为训练完成的深度学习模型。

作为本发明进一步的方案：所述异常检测模型通过以下步骤得到：

基于预设的异常样本向量集中的异常样本对深度学习模型进行训练，得到所述异常检测模型；所述异常样本包括训练向量样本YK_L和与所述训练向量样本YK_L匹配的分类标签；所述分类标签包括有异常和无异常；

其中，Y_n为训练向量样本YK_L中的第n个异常信号样本所对应的特征单值；所述训练向量样本YK_L为预设数据。

作为本发明进一步的方案：通过预设疲劳检测规则获取所述表面肌电信号预设时段内的肌电信号积分，并判断所述肌体的疲劳状态。

作为本发明进一步的方案：所述预设疲劳检测规则包括肌电信号积分公式，所述肌电信号积分公式为：

其中，x(t)为表面肌电信号的瞬时值，t₁为采样起始时间，t₂为采样截止时间，dt为采样时间周期。

一种基于小波变换的智能肌电检测装置，包括：

采样单元，用于获取肌体表面肌电信号；

处理单元，与所述采样单元连接，用于通过预设异常检测规则获取所述表面肌电信号内的异常突变信号的频率和产生时间以及结束时间；

无线处理模块，与所述处理单元连接，用于将所述频率和所述产生时间以及结束时间按照预设特征处理规则处理为特征数据；

服务器，与所述无线处理模块连接；所述服务器包括用于接收所述特征数据的肌肉健康评估模型，由所述肌肉健康评估模型判断所述肌体是否出现异常。

本发明的有益效果：

(1)本发明通过预设异常检测规则获取表面肌电信号内的异常突变信号的频率和产生时间以及结束时间，然后整理为特征数据后由肌肉健康评估模型接收，肌肉健康评估模型针对特征数据所对应的异常突变信号进行自动的健康评估，如此可以大幅度的提升肌肉健康检测的效率和精准度，更好的防止中老年人应为肌肉衰减不易察觉所导致的危险情况的发生；

(2)使用者可将采样单元设置在下肢肌肉表面，由采样单元获取下肢肌体表面肌电信号，然后处理单元，与采样单元连接，用于通过预设异常检测规则获取表面肌电信号内的异常突变信号的频率和产生时间以及结束时间，然后无线处理模块将频率和产生时间以及结束时间处理为与该异常突变信号对应的特征数据后发送服务器中的肌肉健康评估模型，由肌肉健康评估模型判断肌体是否出现异常。

附图说明

下面结合附图对本发明作进一步的说明。

图1是本发明的肌电检测方法框图；

图2是本发明的肌电检测装置的模块连接图；。

具体实施方式

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、完整地描述，显然，所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1所示，本发明为一种基于小波变换的智能肌电检测处理方法，包括以下步骤:

获取肌体表面肌电信号；

通过预设异常检测规则获取表面肌电信号内的异常突变信号的频率和产生时间以及结束时间；

将频率和产生时间以及结束时间按照预设特征处理规则处理为特征数据后，发送肌肉健康评估模型，由肌肉健康评估模型判断肌体是否出现异常；肌肉健康评估模型为训练完成的深度学习模型。

本发明通过预设异常检测规则获取表面肌电信号内的异常突变信号的频率和产生时间以及结束时间，然后整理为特征数据后由肌肉健康评估模型接收，肌肉健康评估模型针对特征数据所对应的异常突变信号进行自动的健康评估，如此可以大幅度的提升肌肉健康检测的效率和精准度，更好的防止中老年人应为肌肉衰减不易察觉所导致的危险情况的发生。

预设异常检测规则包括小波变换法，小波变换法的公式为：

其中，a为尺度，τ为平移量。尺度a控制上述小波函数的伸缩，平移量τ控制上述小波函数的平移，尺度a对应于频率，平移量τ对应于时间。

进一步的，预设特征处理规则包括：

其中，P_n为第n个异常突变信号所对应的特征单值，f_n为第n个异常突变信号所对应的频率，h_n为第n个异常突变信号所对应的结束时间与起始时间的差值，d_n为第n个异常突变信号所对应的起始时间与第n-1个异常突变信号所对应的结束时间的差值，n为大于2的整数；

PK_n＝[P₁,P₂,P₃,…P_K]，PK_n为K个异常突变信号所对应的特征数据，K>n。

如此设置，因为随着第n个异常突变信号所对应的结束时间与起始时间的差值h_n的变大和第n个异常突变信号所对应的起始时间与第n-1个异常突变信号所对应的结束时间的差值的d_n变小，意味着异常突变信号所产生的持续时间和频率都在增加，此时可以认为肌肉健康状态不佳，可以据此由肌肉健康评估模型输出相应级别的不健康信号。

作为本发明进一步的方案：肌肉健康评估模型包括异常检测模型，异常检测模型为训练完成的深度学习模型。

该异常检测模型通过以下步骤得到：

基于预设的异常样本向量集中的异常样本对深度学习模型进行训练，得到异常检测模型；异常样本包括训练向量样本YK_L和与训练向量样本YK_L匹配的分类标签；分类标签包括有异常和无异常；异常的分类标签还包括多个级别的不健康分类。

其中，Y_n为训练向量样本YK_L中的第n个异常信号样本所对应的特征单值；训练向量样本YK_L为预设数据。

其中，K的值可以人为进行预先设定，但是需要保证异常检测模型在训练和使用时，训练过程中的K值是大于等于使用时的K值的，如此可以保证判断的精准度。

作为本发明进一步的方案：通过预设疲劳检测规则获取表面肌电信号预设时段内的肌电信号积分，并判断肌体的疲劳状态。

预设疲劳检测规则包括肌电信号积分公式，肌电信号积分公式为：

其中，x(t)为表面肌电信号的瞬时值，t₁为采样起始时间，t₂为采样截止时间，dt为采样时间周期。

如图2所示，一种基于小波变换的智能肌电检测装置，包括：

采样单元，用于获取肌体表面肌电信号；

处理单元，与采样单元连接，用于通过预设异常检测规则获取表面肌电信号内的异常突变信号的频率和产生时间以及结束时间；

无线处理模块，与处理单元连接，用于将频率和产生时间以及结束时间按照预设特征处理规则处理为特征数据；

服务器，与无线处理模块连接；服务器包括用于接收特征数据的肌肉健康评估模型，由肌肉健康评估模型判断肌体是否出现异常；

疲劳检测单元，与处理单元和无线处理模块连接，用于预设疲劳检测规则获取表面肌电信号预设时段内的肌电信号积分，并判断肌体的疲劳状态，并将疲劳状态通过无线处理模块向服务器传输。

服务器还可包括用于储存表面肌电信号及对应特征数据的储存单元。

本发明的工作原理：使用者可将采样单元设置在下肢肌肉表面，由采样单元获取下肢肌体表面肌电信号，然后处理单元，与采样单元连接，用于通过预设异常检测规则获取表面肌电信号内的异常突变信号的频率和产生时间以及结束时间，然后无线处理模块将频率和产生时间以及结束时间处理为与该异常突变信号对应的特征数据后发送服务器中的肌肉健康评估模型，由肌肉健康评估模型判断肌体是否出现异常；

服务器可在该特征数据生成时将相关的无线处理模块将频率和产生时间以及结束时间发送使用者持有的终端进行确认，询问使用者是否感觉到异常，若使用者确认存在异常的肌肉感受，并确认不健康分类的等级，此时可以通过终端向服务器发送针对该特征数据的不健康分类的等级，此时服务器可将该特征数据储存至相关的训练数据库中，在预设时间后可将该训练数据库中的数据作为训练样本对肌肉健康评估模型进行再次训练，以提升肌肉健康评估模型的判断准确度。

在本发明的描述中，需要理解的是，术语“上”、“下”、“左”、“右”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以及特定的方位构造和操作，因此，不能理解为对本发明的限制。此外，“第一”、“第二”仅由于描述目的，且不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。因此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者多个该特征。本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”“相连”“连接”等应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接连接，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (8)

1.一种基于小波变换的智能肌电检测处理方法，其特征在于，包括以下步骤:

获取肌体表面肌电信号；

通过预设异常检测规则获取所述表面肌电信号内的异常突变信号的频率和产生时间以及结束时间；

将所述频率和所述产生时间以及结束时间按照预设特征处理规则处理为特征数据后，发送肌肉健康评估模型，由所述肌肉健康评估模型判断所述肌体是否出现异常；所述肌肉健康评估模型为训练完成的深度学习模型。

2.根据权利要求1所述的基于小波变换的智能肌电检测处理方法，其特征在于，所述预设异常检测规则包括小波变换法，所述小波变换法的公式为：

其中，a为尺度，τ为平移量。

3.根据权利要求2所述的基于小波变换的智能肌电检测处理方法，其特征在于，所述预设特征处理规则包括：

其中，P_n为第n个异常突变信号所对应的特征单值，f_n为第n个异常突变信号所对应的频率，h_n为第n个异常突变信号所对应的结束时间与起始时间的差值，d_n为第n个异常突变信号所对应的起始时间与第n-1个异常突变信号所对应的结束时间的差值，n为大于2的整数；

PK_n＝[P₁，P₂，P₃，...P_K]，PK_n为K个异常突变信号所对应的特征数据，K>n。

4.根据权利要求3所述的基于小波变换的智能肌电检测处理方法，其特征在于，所述肌肉健康评估模型包括异常检测模型，所述异常检测模型为训练完成的深度学习模型。

5.根据权利要求4所述的基于小波变换的智能肌电检测处理方法，其特征在于，所述异常检测模型通过以下步骤得到：

基于预设的异常样本向量集中的异常样本对深度学习模型进行训练，得到所述异常检测模型；所述异常样本包括训练向量样本YK_L和与所述训练向量样本YK_L匹配的分类标签；所述分类标签包括有异常和无异常；

YK_L＝[Y₁，Y₂，Y₃...Y_n...Y_L]，

L>＝K>n；

其中，Y_n为训练向量样本YK_L中的第n个异常信号样本所对应的特征单值；所述训练向量样本YK_L为预设数据。

6.根据权利要求1所述的基于小波变换的智能肌电检测处理方法，其特征在于，通过预设疲劳检测规则获取所述表面肌电信号预设时段内的肌电信号积分，并判断所述肌体的疲劳状态。

7.根据权利要求6所述的基于小波变换的智能肌电检测处理方法，其特征在于，所述预设疲劳检测规则包括肌电信号积分公式，所述肌电信号积分公式为：

其中，x(t)为表面肌电信号的瞬时值，t₁为采样起始时间，t₂为采样截止时间，dt为采样时间周期。

8.一种基于小波变换的智能肌电检测装置，其特征在于，包括：

采样单元，用于获取肌体表面肌电信号；

处理单元，与所述采样单元连接，用于通过预设异常检测规则获取所述表面肌电信号内的异常突变信号的频率和产生时间；

无线处理模块，与所述处理单元连接，用于将所述频率和所述产生时间按照预设特征处理规则处理为特征数据；

服务器，与所述无线处理模块连接；所述服务器包括用于接收所述特征数据的肌肉健康评估模型，由所述肌肉健康评估模型判断所述肌体是否出现异常。

Images