CN115251930A - 一种可穿戴设备及肌张力的动态测量方法 - Google Patents

一种可穿戴设备及肌张力的动态测量方法 Download PDF

Info

Publication number
CN115251930A
CN115251930A CN202210751372.2A CN202210751372A CN115251930A CN 115251930 A CN115251930 A CN 115251930A CN 202210751372 A CN202210751372 A CN 202210751372A CN 115251930 A CN115251930 A CN 115251930A
Authority
CN
China
Prior art keywords
data
wearer
body temperature
motion state
sensor
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
Application number
CN202210751372.2A
Other languages
English (en)
Inventor
田贵华
李健
李心怡
吴阳
郭天星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dongzhimen Hospital Of Beijing University Of Chinese Medicine
Beijing Institute of Technology BIT
Original Assignee
Dongzhimen Hospital Of Beijing University Of Chinese Medicine
Beijing Institute of Technology BIT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dongzhimen Hospital Of Beijing University Of Chinese Medicine, Beijing Institute of Technology BIT filed Critical Dongzhimen Hospital Of Beijing University Of Chinese Medicine
Priority to CN202210751372.2A priority Critical patent/CN115251930A/zh
Publication of CN115251930A publication Critical patent/CN115251930A/zh
Pending legal-status Critical Current

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
    • A61B5/22—Ergometry; Measuring muscular strength or the force of a muscular blow
    • A61B5/224—Measuring muscular strength
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/389—Electromyography [EMG]
    • A61B5/397—Analysis of electromyograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A61B5/681—Wristwatch-type devices
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device

Abstract

本说明书提供了一种可穿戴设备及肌张力的动态测量方法，其中可穿戴设备包括腕带、下壳体、上壳体、显示屏、肌电传感器、体温传感器和湿度传感器，上壳体和下壳体配合形成用于容纳电池和控制组件的空腔，电池与控制组件电连接，肌电传感器用于采集佩戴者的肌电数据，体温传感器用于采集佩戴者的体温数据，湿度传感器用于采集佩戴者的湿度数据；控制组件包括MPU6050芯片和主芯片，MPU6050芯片用于确定佩戴者的当前运动状态，主芯片用于基于佩戴者的肌电数据、体温数据、湿度数据和当前运动状态，确定佩戴者在当前运动状态下的肌张力等级。上述方案可以解决目前的可穿戴设备不能测量人体处于运动状态时的肌张力的技术问题。

Description

一种可穿戴设备及肌张力的动态测量方法
技术领域
本说明书实施例涉及可穿戴设备技术领域，特别涉及一种可穿戴设备及肌张力的动态测量方法。
背景技术
目前，智能手表和手环等可穿戴设备可以测量佩戴者的运动步数、心率、睡眠指数等体征数据，以记录健康状况。肌张力用于表征肌肉静止松弛状态下的紧张度，尤其对病人的康复有一定的指导意义。
相关技术中，目前的可穿戴设备通常可以测量人体处于静止状态(即等长运动)时的肌张力，而难以测量人体处于运动状态(即等张运动)时的肌张力。
因此，目前亟待需要一种可穿戴设备及肌张力的动态测量方法来解决上述技术问题。
发明内容
为了解决目前的可穿戴设备不能测量人体处于运动状态时的肌张力的技术问题，本说明书实施例提供了一种可穿戴设备及肌张力的动态测量方法。
第一方面，本说明书实施例提供了一种可穿戴设备，包括腕带、与所述腕带连接的下壳体、与所述下壳体连接的上壳体、设置于所述上壳体的显示屏以及设置于所述下壳体的肌电传感器、体温传感器和湿度传感器，所述上壳体和所述下壳体配合形成用于容纳电池和控制组件的空腔，所述电池与所述控制组件电连接，所述控制组件分别与所述显示屏、所述肌电传感器、所述体温传感器和所述湿度传感器电连接；
所述控制组件包括：MPU6050芯片和主芯片；
所述主芯片分别与所述肌电传感器、所述体温传感器、所述湿度传感器和所述MPU6050芯片电连接，用于接收所述佩戴者的肌电数据、体温数据、湿度数据和当前运动状态；
所述显示屏与所述主芯片电连接，以接收所述主芯片基于所述佩戴者的肌电数据、体温数据、湿度数据和当前运动状态生成的当前运动状态下的肌张力等级并进行显示。
在一种可能的设计中，还包括设置于所述下壳体的模式开关，所述模式开关与所述主芯片连接，通过控制所述模式开关来控制所述主芯片的工作模式；其中，所述工作模式包括测量佩戴者在运动状态时的肌张力等级的模式和测量佩戴者在静止状态时的肌张力等级的模式。
在一种可能的设计中，还包括设置于所述下壳体的设备开关，所述设备开关与所述电池连接，通过控制所述设备开关来控制所述电池与所述控制组件的通断。
在一种可能的设计中，所述肌电传感器的数量为三个，三个所述肌电传感器呈扇形排列。
在一种可能的设计中，所述控制组件包括主控电路板以及分别与所述主控电路板电连接的第一电路板和第二电路板，所述MPU6050芯片和所述主芯片设置于所述主控电路板上，所述第一电路板与所述显示屏电连接，所述第二电路板分别与所述肌电传感器、所述体温传感器和所述湿度传感器电连接。
在一种可能的设计中，所述主控电路板和所述第二电路板通过排针电连接，所述电池设置于所述主控电路板和所述第二电路板之间。
第二方面，本说明书实施例还提供了一种肌张力的动态测量方法，应用于如上述任一项所述的可穿戴设备，包括：
利用所述肌电传感器采集所述佩戴者的肌电数据；
利用所述体温传感器采集所述佩戴者的体温数据；
利用所述湿度传感器采集所述佩戴者的湿度数据；
利用所述MPU6050芯片确定所述佩戴者的当前运动状态；
利用所述主芯片基于所述佩戴者的肌电数据、体温数据、湿度数据和当前运动状态，确定所述佩戴者在当前运动状态下的肌张力等级。
在一种可能的设计中，所述基于所述佩戴者的肌电数据、体温数据、湿度数据和当前运动状态，确定所述佩戴者在当前运动状态下的肌张力等级，包括：
基于所述佩戴者的当前运动状态和预先存储好的第一映射关系，确定与当前运动状态对应的目标代价参数向量；其中，所述第一映射关系为运动状态与代价参数向量的映射关系；
对所述佩戴者的肌电数据、体温数据、湿度数据和所述目标代价参数向量进行矩阵运算，得到补偿后的肌电数据、体温数据和湿度数据；
基于所述佩戴者的当前运动状态和预先存储好的第二映射关系，确定与当前运动状态对应的目标等级评估模型；其中，所述第二映射关系为运动状态与等级评估模型的映射关系；
将补偿后的肌电数据、体温数据和湿度数据输入到所述目标等级评估模型中，输出所述佩戴者在当前运动状态下的肌张力等级。
在一种可能的设计中，所述肌电数据包括时域特征和频域特征，所述时域特征包括平均绝对值、波形长度、方差、方均根、威尔逊振幅和调整平均值，所述频域特征包括平均频率、频率方差、频率熵、能量密度、频率偏度和频率峰度；
所述等级评估模型为随机森林模型；
所述代价参数向量是通过如下方式得到的：
遍历训练数据中的每一个特征，将当前特征输入到待训练的随机森林模型中，对所述随机森林模型的各节点进行基尼指数的计算，输出当前特征的特征重要度；其中，所述训练数据包括肌电数据、体温数据和湿度数据；
将所述特征重要度作为当前特征在代价参数向量中对应位置的权重值。
本说明书实施例提供了一种可穿戴设备及肌张力的动态测量方法，通过利用肌电传感器采集佩戴者的肌电数据，利用体温传感器采集佩戴者的体温数据，利用湿度传感器采集佩戴者的湿度数据，利用MPU6050芯片确定佩戴者的当前运动状态，以及利用主芯片基于所述佩戴者的肌电数据、体温数据、湿度数据和当前运动状态，确定佩戴者在当前运动状态下的肌张力等级。因此，上述方案可以解决目前的可穿戴设备不能测量人体处于运动状态时的肌张力的技术问题。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本说明书的一些实施例，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是本说明书一实施例提供的可穿戴设备除腕带外的一种结构示意图；
图2是图1所示可穿戴设备的另一种结构示意图；
图3是本说明书一实施例提供的可穿戴设备除上壳体外的结构示意图；
图4是图3所示可穿戴设备除第一电路板外的结构示意图；
图5是本说明书一实施例提供的肌张力的动态测量方法的流程图；
图6是本说明书一实施例提供的特征重要度的示意图。
附图标记：
1-腕带；
21-下壳体；
22-上壳体；
3-显示屏；
41-肌电传感器；
42-体温传感器；
43-湿度传感器；
5-电池；
6-控制组件；
61-MPU6050芯片；
62-主芯片；
63-主控电路板；
64-第一电路板；
65-第二电路板；
7-模式开关；
8-设备开关。
具体实施方式
为使本说明书实施例的目的、技术方案和优点更加清楚，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本说明书一部分实施例，而不是全部的实施例，基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本说明书保护的范围。
图1是本说明书一实施例提供的可穿戴设备除腕带外的一种结构示意图；图2是图1所示可穿戴设备的另一种结构示意图；图3是本说明书一实施例提供的可穿戴设备除上壳体外的结构示意图；图4是图3所示可穿戴设备除第一电路板外的结构示意图。
请参阅图1至图4，本说明书实施例提供了一种可穿戴设备，包括腕带1、与腕带1连接的下壳体21、与下壳体21连接的上壳体22、设置于上壳体22的显示屏3以及设置于下壳体21的肌电传感器41、体温传感器42和湿度传感器43，上壳体22和下壳体21配合形成用于容纳电池5和控制组件6的空腔，电池5与控制组件6电连接，控制组件6分别与显示屏3、肌电传感器41、体温传感器42和湿度传感器43电连接；
控制组件6包括：MPU6050芯片61和主芯片62；
主芯片62分别与肌电传感器41、体温传感器42、湿度传感器43和MPU6050芯片61电连接，主芯片62用于接收佩戴者的肌电数据、体温数据、湿度数据和当前运动状态；
显示屏3与主芯片62电连接，以接收主芯片62基于佩戴者的肌电数据、体温数据、湿度数据和当前运动状态生成的当前运动状态下的肌张力等级并进行显示。
在本实施例中，通过利用肌电传感器41采集佩戴者的肌电数据，利用体温传感器42采集佩戴者的体温数据，利用湿度传感器43采集佩戴者的湿度数据，利用MPU6050芯片61确定佩戴者的当前运动状态，以及利用主芯片62基于佩戴者的肌电数据、体温数据、湿度数据和当前运动状态，确定佩戴者在当前运动状态下的肌张力等级。因此，上述方案可以解决目前的可穿戴设备不能测量人体处于运动状态时的肌张力的技术问题。
在一些实施方式中，可穿戴设备包括但不限于智能手表和手环等。
可以知道的是，MPU6050芯片集成了3轴MEMS陀螺仪、3轴MEMS加速度计以及一个可扩展的数字运动处理器DMP(Digital Motion Processor)。通过使用MPU6050芯片可以得到待测物体(如四轴飞行器、平衡小车等)x、y、z轴的倾角(俯仰角Pitch、翻滚角Roll、偏航角Yaw)。通过I2C读取到MPU6050的六个数据(三轴加速度AD值、三轴角速度AD值)经过姿态融合后就可以得到Pitch、Roll、Yaw角。DMP是MPU6050芯片中的数据处理模块，(内置卡尔曼滤波算法)获取陀螺仪和加速度传感器数据，并处理输出四元数，可以减轻外围微处理器的工作负担且避免了繁琐的滤波和数据融合。即通过在可穿戴设备中设置MPU6050芯片，可以完成对佩戴者当前的运动状态的识别，其中运动状态包括正常散步、慢跑和快跑等。
需要说明的是，主芯片62用于基于佩戴者的肌电数据、体温数据、湿度数据和当前运动状态，确定佩戴者在当前运动状态下的肌张力等级，具体的技术细节请参见下文。
在一些实施方式中，肌电数据包括时域特征和频域特征，时域特征包括平均绝对值、波形长度、方差、方均根、威尔逊振幅和调整平均值，频域特征包括平均频率、频率方差、频率熵、能量密度、频率偏度和频率峰度，这些特征以由本领域技术人员所熟知，在此对其不进行赘述。
例如，平均绝对值通过如下公式确定：
Figure BDA0003721233860000061
其中，Mav为平均绝对值，N为采样点的总个数，xi为第i个采样点的特征值；
波形长度通过如下公式确定：
Figure BDA0003721233860000062
其中，WLk为波形长度，xi为第i个采样点的特征值；
方差通过如下公式确定：
Figure BDA0003721233860000071
其中，VARk为方差，
Figure BDA0003721233860000075
为所有采样点的平均特征值的平方；
方均根通过如下公式确定：
Figure BDA0003721233860000072
其中，RMSk为方均根；
威尔逊振幅通过如下公式确定：
Figure BDA0003721233860000073
其中，WAMP为威尔逊振幅，th为预设的阈值；
调整平均值通过如下公式确定：
Figure BDA0003721233860000074
其中，MMAVlk为调整平均值。
在本说明书一个实施例中，主芯片62还用于基于佩戴者的肌电数据来确定佩戴者在静止状态时的肌张力等级；
可穿戴设备还包括设置于下壳体21的模式开关7，模式开关7与主芯片62连接，通过控制模式开关7来控制主芯片62的工作模式；其中，工作模式包括测量佩戴者在运动状态时的肌张力等级的模式和测量佩戴者在静止状态时的肌张力等级的模式。
在本实施例中，通过设置模式开关7，可以通过控制模式开关7来控制主芯片62的工作模式，从而有利于实现可穿戴设备的功能多元化。
需要说明的是，主芯片62基于佩戴者的肌电数据来确定佩戴者在静止状态时的肌张力等级的技术方案可以参见公开号为CN113509151A和CN113693604A的相关技术，在此不进行赘述。
在本说明书一个实施例中，可穿戴设备还包括设置于下壳体21的设备开关8，设备开关8与电池5连接，通过控制设备开关8来控制电池5与控制组件6的通断。
在本说明书一个实施例中，肌电传感器41的数量为三个，三个肌电传感器41呈扇形排列。
在本实施例中，由于肌肉是分区域的，单个肌电传感器41测量得到的肌电数据不能较好地表征肌张力等级，因此为了更准确地测量得到肌张力等级，可以考虑将肌电传感器41的数量设置为三个，且将三个肌电传感器41设置为扇形排列的方式。
在本说明书一个实施例中，控制组件6包括主控电路板63以及分别与主控电路板63电连接的第一电路板64和第二电路板65，MPU6050芯片61和主芯片62设置于主控电路板63上，第一电路板64与显示屏3电连接，第二电路板65分别与肌电传感器41、体温传感器42和湿度传感器43电连接。
在本实施例中，通过设置主控电路板63以及分别与主控电路板63电连接的第一电路板64和第二电路板65，使得控制组件6能够与显示屏3、肌电传感器41、体温传感器42和湿度传感器43电连接。
在本说明书一个实施例中，主控电路板63和第二电路板65通过排针电连接，电池5设置于主控电路板63和第二电路板65之间，如此可以保证电池5和控制组件6的结构更加紧凑。
在本说明书一个实施例中，显示屏3焊接于第一电路板64上，这样有利于保证显示屏3与第一电路板64的连接稳固性。
图5是本说明书一实施例提供的肌张力的动态测量方法的流程图。请参阅图5，本说明书实施例提供了一种肌张力的动态测量方法，应用于上述任一个实施例的可穿戴设备，该动态测量方法具体可以包括：
步骤S1、利用肌电传感器41采集佩戴者的肌电数据；
步骤S2、利用体温传感器42采集佩戴者的体温数据；
步骤S3、利用湿度传感器43采集佩戴者的湿度数据；
步骤S4、利用MPU6050芯片61确定佩戴者的当前运动状态；
步骤S5、利用主芯片62基于佩戴者的肌电数据、体温数据、湿度数据和当前运动状态，确定佩戴者在当前运动状态下的肌张力等级。
在本实施例中，通过利用肌电传感器41采集佩戴者的肌电数据，利用体温传感器42采集佩戴者的体温数据，利用湿度传感器43采集佩戴者的湿度数据，利用MPU6050芯片61确定佩戴者的当前运动状态，以及利用主芯片62基于佩戴者的肌电数据、体温数据、湿度数据和当前运动状态，确定佩戴者在当前运动状态下的肌张力等级。因此，上述方案可以解决目前的可穿戴设备不能测量人体处于运动状态时的肌张力的技术问题。
需要说明的是，步骤S1、步骤S2、步骤S3和步骤S4之间并不存在明显的先后顺序，故在此对这四个步骤的先后顺序不进行限定。
在静止状态下，采用托举不同重量的重物来模拟不同等级下的肌张力，提取对应状态下的肌电信号的时域特征和频域特征构建数据集进行分析，实现静态肌张力等级的辨识工作。
在运动状态下，肌张力等级的辨识工作由等长肌张力转变为等张肌张力，考虑到其在运动状态下的复杂度提升，为了实现运动状态下的肌张力等级辨识，现引入体温和皮肤湿度作为新的特征向量，同时设计一种根据佩戴者运动状态动态动态调整权重值的分类方法(即利用代价参数向量对特征数据进行补偿)，从而可以使得动态肌张力等级的测量更加准确。也就是说，在实际测量过程中，根据不同的运动状态调用不同的代价参数向量来调整特征数据，从而可以实现运动状态下肌张力等级的辨识工作。
在本说明书一个实施例中，步骤S5具体可以包括：
基于佩戴者的当前运动状态和预先存储好的第一映射关系，确定与当前运动状态对应的目标代价参数向量；其中，第一映射关系为运动状态与代价参数向量的映射关系；
对佩戴者的肌电数据、体温数据、湿度数据和目标代价参数向量进行矩阵运算，得到补偿后的肌电数据、体温数据和湿度数据；
基于佩戴者的当前运动状态和预先存储好的第二映射关系，确定与当前运动状态对应的目标等级评估模型；其中，第二映射关系为运动状态与等级评估模型的映射关系；
将补偿后的肌电数据、体温数据和湿度数据输入到目标等级评估模型中，输出佩戴者在当前运动状态下的肌张力等级。
在本实施例中，通过基于佩戴者的当前运动状态，可以确定出与当前运动状态相对应的目标代价参数向量和目标等级评估模型；然后通过对佩戴者的肌电数据、体温数据、湿度数据和目标代价参数向量进行矩阵运算，得到补偿后的肌电数据、体温数据和湿度数据；最后将补偿后的肌电数据、体温数据和湿度数据输入到目标等级评估模型中，输出佩戴者在当前运动状态下的肌张力等级。
需要说明的是，根据Ashworth量表，将肌张力分为多个等级，由此可以构建与等级数量相同的等级评估模型。
在本说明书一个实施例中，肌电数据包括时域特征和频域特征，时域特征包括平均绝对值、波形长度、方差、方均根、威尔逊振幅和调整平均值，频域特征包括平均频率、频率方差、频率熵、能量密度、频率偏度和频率峰度；
等级评估模型为随机森林模型；
代价参数向量是通过如下方式得到的：
遍历训练数据中的每一个特征，将当前特征输入到待训练的随机森林模型中，对随机森林模型的各节点进行基尼指数的计算，输出当前特征的特征重要度(请参阅图6，图6为14维特征数据分别对应的经过归一化处理的特征重要度的示意图)；其中，训练数据包括肌电数据、体温数据和湿度数据；
将特征重要度作为当前特征在代价参数向量中对应位置的权重值。
在本实施例中，通过将训练数据的每一个特征输入到待训练的随机森林模型中，对随机森林模型的各节点进行基尼指数的计算，从而可以输出当前特征的特征重要度，进而可以得到当前特征在代价参数向量中对应位置的权重值。
例如，某特征对分类模型的Gini指数的计算公式为：
Figure BDA0003721233860000101
对于特征值j与有该特征值出现的节点m，定义其基于特征值j的节点特征重要度如下：
VIMjm＝GIm-GIl-GIr
式中，GIm代表该中间节点的基尼指数，GIl、GIr分别代表该中间节点分裂出的左右节点的基尼指数；
定义特征值j出现的节点集合为M，则特征值j在决策树i中的特征重要度可由下式表述：
VIMij＝∑m∈MVIMjm
则特征值j在整个随机森林模型中的特征重要度为：
Figure BDA0003721233860000111
已知共有m个特征向量，则对特征值j在随机森林中的特征重要度进行归一化处理，有：
Figure BDA0003721233860000112
其中，
Figure BDA0003721233860000113
表示随机森林模型中所有特征值的特征重要度之和，依据上述特征重要度计算，进行各特征代价参数向量的构建。
基尼指数(Gini不纯度)表示在样本集合中一个随机选中的样本被分错的概率。Gini指数越小表示集合中被选中的样本被参错的概率越小，也就是说集合的纯度越高，反之，集合越不纯。当集合中所有样本为一个类时，基尼指数为0。
随机森林模型能够解决决策树模型的过拟合问题，随机森林模型用训练集生成多个决策树。在预测时，每个树的都会预测一个结果，每个结果加权表决，来避免过拟合。
可以理解的是，由于训练数据为14维，因此每个代价参数向量就是1*14的矩阵。
本说明书实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本说明书任一实施例中的一种可穿戴设备。
本说明书实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在被处理器执行时，使所述处理器执行本说明书任一实施例中的一种可穿戴设备。
具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本说明书的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个…”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后应说明的是：以上实施例仅用以说明本说明书的技术方案，而非对其限制；尽管参照前述实施例对本说明书进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本说明书各实施例技术方案的精神和范围。

Claims (10)

1.一种可穿戴设备，其特征在于，包括腕带(1)、与所述腕带(1)连接的下壳体(21)、与所述下壳体(21)连接的上壳体(22)、设置于所述上壳体(22)的显示屏(3)以及设置于所述下壳体(21)的肌电传感器(41)、体温传感器(42)和湿度传感器(43)，所述上壳体(22)和所述下壳体(21)配合形成用于容纳电池(5)和控制组件(6)的空腔，所述电池(5)与所述控制组件(6)电连接，所述控制组件(6)分别与所述显示屏(3)、所述肌电传感器(41)、所述体温传感器(42)和所述湿度传感器(43)电连接；
所述控制组件(6)包括：MPU6050芯片(61)和主芯片(62)；
所述主芯片(62)分别与所述肌电传感器(41)、所述体温传感器(42)、所述湿度传感器(43)和所述MPU6050芯片(61)电连接，用于接收所述佩戴者的肌电数据、体温数据、湿度数据和当前运动状态；
所述显示屏(3)与所述主芯片(62)电连接，以接收所述主芯片(62)基于所述佩戴者的肌电数据、体温数据、湿度数据和当前运动状态生成的当前运动状态下的肌张力等级并进行显示。
2.根据权利要求1所述的可穿戴设备，其特征在于，还包括设置于所述下壳体(21)的模式开关(7)，所述模式开关(7)与所述主芯片(62)连接，通过控制所述模式开关(7)来控制所述主芯片(62)的工作模式；其中，所述工作模式包括测量佩戴者在运动状态时的肌张力等级的模式和测量佩戴者在静止状态时的肌张力等级的模式。
3.根据权利要求1所述的可穿戴设备，其特征在于，还包括设置于所述下壳体(21)的设备开关(8)，所述设备开关(8)与所述电池(5)连接，通过控制所述设备开关(8)来控制所述电池(5)与所述控制组件(6)的通断。
4.根据权利要求1所述的可穿戴设备，其特征在于，所述肌电传感器(41)的数量为三个，三个所述肌电传感器(41)呈扇形排列。
5.根据权利要求1-4中任一项所述的可穿戴设备，其特征在于，所述控制组件(6)包括主控电路板(63)以及分别与所述主控电路板(63)电连接的第一电路板(64)和第二电路板(65)，所述MPU6050芯片(61)和所述主芯片(62)设置于所述主控电路板(63)上，所述第一电路板(64)与所述显示屏(3)电连接，所述第二电路板(65)分别与所述肌电传感器(41)、所述体温传感器(42)和所述湿度传感器(43)电连接。
6.根据权利要求5所述的可穿戴设备，其特征在于，所述主控电路板(63)和所述第二电路板(65)通过排针电连接，所述电池(5)设置于所述主控电路板(63)和所述第二电路板(65)之间。
7.根据权利要求5所述的可穿戴设备，其特征在于，所述显示屏(3)焊接于所述第一电路板(64)上。
8.一种肌张力的动态测量方法，其特征在于，应用于如权利要求1-7中任一项所述的可穿戴设备，包括：
利用所述肌电传感器(41)采集所述佩戴者的肌电数据；
利用所述体温传感器(42)采集所述佩戴者的体温数据；
利用所述湿度传感器(43)采集所述佩戴者的湿度数据；
利用所述MPU6050芯片(61)确定所述佩戴者的当前运动状态；
利用所述主芯片(62)基于所述佩戴者的肌电数据、体温数据、湿度数据和当前运动状态，确定所述佩戴者在当前运动状态下的肌张力等级。
9.根据权利要求8所述的肌张力的动态测量方法，其特征在于，所述基于所述佩戴者的肌电数据、体温数据、湿度数据和当前运动状态，确定所述佩戴者在当前运动状态下的肌张力等级，包括：
基于所述佩戴者的当前运动状态和预先存储好的第一映射关系，确定与当前运动状态对应的目标代价参数向量；其中，所述第一映射关系为运动状态与代价参数向量的映射关系；
对所述佩戴者的肌电数据、体温数据、湿度数据和所述目标代价参数向量进行矩阵运算，得到补偿后的肌电数据、体温数据和湿度数据；
基于所述佩戴者的当前运动状态和预先存储好的第二映射关系，确定与当前运动状态对应的目标等级评估模型；其中，所述第二映射关系为运动状态与等级评估模型的映射关系；
将补偿后的肌电数据、体温数据和湿度数据输入到所述目标等级评估模型中，输出所述佩戴者在当前运动状态下的肌张力等级。
10.根据权利要求9所述的肌张力的动态测量方法，其特征在于，所述肌电数据包括时域特征和频域特征，所述时域特征包括平均绝对值、波形长度、方差、方均根、威尔逊振幅和调整平均值，所述频域特征包括平均频率、频率方差、频率熵、能量密度、频率偏度和频率峰度；
所述等级评估模型为随机森林模型；
所述代价参数向量是通过如下方式得到的：
遍历训练数据中的每一个特征，将当前特征输入到待训练的随机森林模型中，对所述随机森林模型的各节点进行基尼指数的计算，输出当前特征的特征重要度；其中，所述训练数据包括肌电数据、体温数据和湿度数据；
将所述特征重要度作为当前特征在代价参数向量中对应位置的权重值。
CN202210751372.2A 2022-06-29 2022-06-29 一种可穿戴设备及肌张力的动态测量方法 Pending CN115251930A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210751372.2A CN115251930A (zh) 2022-06-29 2022-06-29 一种可穿戴设备及肌张力的动态测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210751372.2A CN115251930A (zh) 2022-06-29 2022-06-29 一种可穿戴设备及肌张力的动态测量方法

Publications (1)

Publication Number Publication Date
CN115251930A true CN115251930A (zh) 2022-11-01

Family

ID=83762716

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210751372.2A Pending CN115251930A (zh) 2022-06-29 2022-06-29 一种可穿戴设备及肌张力的动态测量方法

Country Status (1)

Country Link
CN (1) CN115251930A (zh)

Similar Documents

Publication Publication Date Title
Alshurafa et al. Designing a robust activity recognition framework for health and exergaming using wearable sensors
US8979774B2 (en) Activity monitoring device and method
CN109069066A (zh) 可穿戴和连接的步态分析系统
EP3734576A1 (en) Information processing device, information processing method, and program
Kataria et al. Human Activity Classification using G-XGB
CN108960430B (zh) 为人体运动活动生成个性化分类器的方法和设备
CN110659677A (zh) 一种基于可移动传感器组合设备的人体跌倒检测方法
US20160151672A1 (en) Recommending an exercise activity for a user
CN114286644A (zh) 用于确定高级生物力学步态参数值的方法和系统
JP6998518B2 (ja) 運動機能推定情報生成装置、運動機能推定システム、運動機能推定情報生成方法、運動機能推定方法及び記録媒体
Mortazavi et al. Context-aware data processing to enhance quality of measurements in wireless health systems: An application to met calculation of exergaming actions
EP4064986A1 (en) A wearable device for determining motion and/or a physiological state of a wearer
Negra et al. WBAN path loss based approach for human activity recognition with machine learning techniques
Mascret et al. A wearable sensor network with embedded machine learning for real-time motion analysis and complex posture detection
CN218738959U (zh) 一种可穿戴设备
CN113780223A (zh) 假肢的步态识别方法、装置及存储介质
CN115251930A (zh) 一种可穿戴设备及肌张力的动态测量方法
CN115579130A (zh) 一种患者肢体功能的评估方法、装置、设备及介质
JP7033362B1 (ja) 情報処理システム、サーバ、情報処理方法及びプログラム
Hosein et al. Wearable sensor selection, motion representation and their effect on exercise classification
CN115067949B (zh) 一种基于可穿戴设备对肌张力进行检测的方法和装置
WO2023280333A1 (en) Device, system, and method for monitoring a person's gait
Barsocchi et al. Detecting User's Behavior Shift with Sensorized Shoes and Stigmergic Perceptrons
Huang et al. Activity classification and analysis during a sports training session using a fuzzy model
Mahajan et al. Using machine learning approaches to identify exercise activities from a triple-synchronous biomedical sensor

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