CN116269450B - 一种基于肌电信号的患者肢体康复状态评估系统及方法 - Google Patents
一种基于肌电信号的患者肢体康复状态评估系统及方法 Download PDFInfo
- Publication number
- CN116269450B CN116269450B CN202310275232.7A CN202310275232A CN116269450B CN 116269450 B CN116269450 B CN 116269450B CN 202310275232 A CN202310275232 A CN 202310275232A CN 116269450 B CN116269450 B CN 116269450B
- Authority
- CN
- China
- Prior art keywords
- myoelectric
- signal
- signals
- electrode
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 12
- 230000003183 myoelectrical effect Effects 0.000 claims abstract description 370
- 238000012545 processing Methods 0.000 claims abstract description 50
- 230000009471 action Effects 0.000 claims abstract description 21
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 230000003321 amplification Effects 0.000 claims abstract description 14
- 238000006243 chemical reaction Methods 0.000 claims abstract description 14
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims description 37
- 238000013527 convolutional neural network Methods 0.000 claims description 26
- 230000033001 locomotion Effects 0.000 claims description 20
- 238000003062 neural network model Methods 0.000 abstract description 14
- 238000012937 correction Methods 0.000 abstract description 2
- 210000003414 extremity Anatomy 0.000 description 62
- 238000005452 bending Methods 0.000 description 9
- 210000001364 upper extremity Anatomy 0.000 description 9
- 230000005856 abnormality Effects 0.000 description 7
- 238000012217 deletion Methods 0.000 description 5
- 230000037430 deletion Effects 0.000 description 5
- 206010008190 Cerebrovascular accident Diseases 0.000 description 2
- 208000006011 Stroke Diseases 0.000 description 2
- 230000002490 cerebral effect Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Classifications
-
- 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]
-
- 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
- A61B5/72—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明基于肌电信号的患者肢体康复状态评估系统及方法：中央处理器获取患者的肢体动作；多通道信号采集器以设定采集频率采集设定时间内各个肌电电极对应的肌电信号；多通道前置放大器对该些肌电信号进行信号放大处理；多通道滤波器对信号放大后的该些肌电信号进行信号滤波处理；多通道模数转换器对滤波后的该些肌电信号进行模数转换；中央处理器用于对模数转换后的该些肌电信号进行分析修正，将修正好后所有肌电电极的肌电信号输入至患者的肢体动作对应的已训练好的肢体康复状态评估对应的卷积神经网络模型中进行模型训练预测，以评估出患者的肢体康复状态；显示器输出评估出患者的肢体康复状态，评估出的患者的肢体康复状态相对准确。
Description
技术领域
本发明涉及患者康复状态评估技术领域，特别是涉及一种基于肌电信号的患者肢体康复状态评估系统及患者肢体康复状态评估系统方法，适用于脑卒中、帕金森等运动神经类疾病患者。
背景技术
脑卒中、帕金森等运动神经类疾病患者在做肢体康复训练过程中，需要对患者的肢体康复状态进行评估，以便及时了解该患者的肢体康复情况。现有一般对患者的生理信号进行采集，基于采集的生理信号来判定患者的肢体康复状态，基于患者的肢体康复状态制定或调整后续肢体康复方案。
一方面，患者在做某些肢体动作时，可能会使得肌电电极与患者接触不良，导致某个时刻采集到的肌电信号异常甚至是缺失；另一方面，采集通道网络出现问题也会导致某个时刻采集到的肌电信号异常甚至是缺失。现有一些技术未考虑到肌电信号异常甚至是缺失的情况，而是直接利用存在肌电信号异常甚至是缺失的肌电信号数据进行患者肢体康复状态的判定评估，导致判定评估出的患者的肢体康复状态不准确。
发明内容
本发明针对现有技术存在的问题和不足，提供一种基于肌电信号的患者肢体康复状态评估系统及方法。
本发明是通过下述技术方案来解决上述技术问题的：
本发明提供一种基于肌电信号的患者肢体康复状态评估系统，其特点在于，其包括多个肌电电极、多通道信号采集器、多通道前置放大器、多通道滤波器、多通道模数转换器、中央处理器和显示器，所述多个肌电电极与多通道一一对应，各个所述肌电电极用于基于患者待做肢体动作贴设在患者肢体对应位置上，所述中央处理器内存储有人体肢体动作、肌电电极数量及其编号、以及一个肌电电极的肌电信号作为输入样本、另一个肌电电极的肌电信号作为输出样本的已训练好的信号卷积神经网络模型、已训练好的肢体康复状态评估对应的卷积神经网络模型；
所述中央处理器用于获取患者的肢体动作；
所述多通道信号采集器用于以一设定采集频率采集设定时间内各个肌电电极对应的肌电信号，同一采集时刻采集的各个肌电电极对应的肌电信号相匹配映射；
所述多通道前置放大器用于对该些肌电信号进行信号放大处理；
所述多通道滤波器用于对信号放大后的该些肌电信号进行信号滤波处理；
所述多通道模数转换器用于对滤波后的该些肌电信号进行模数转换以传输对应数字肌电信号至中央处理器；
所述中央处理器用于对模数转换后的该些肌电信号进行分析：判断任一肌电电极对应的设定时间内的肌电信号中是否存在肌电信号异常或肌电信号缺失，在判定出每一个肌电电极对应的肌电信号中均有肌电信号异常或缺失情况，则控制多通道信号采集器重新采集，在判定出至少有一个肌电电极对应的肌电信号中无肌电信号异常或缺失情况，则将该肌电电极作为参考肌电电极，该肌电电极的肌电信号作为参考肌电信号，从有肌电信号异常或缺失的肌电电极中选择一个作为待修正肌电电极，查找出参考肌电电极的肌电信号作为输入样本、待修正肌电电极的肌电信号作为输出样本的已训练好的信号卷积神经网络模型作为目标信号卷积神经网络模型，将参考肌电信号中除了与待修正肌电电极的肌电信号中待修正肌电信号相映射的肌电信号以外的肌电信号数据作为输入样本，待修正肌电电极的肌电信号中待修正肌电信号以外的肌电信号数据作为输出样本，输入至目标信号卷积神经网络模型中进行训练，再将参考肌电信号中与待修正肌电信号相映射的肌电信号数据作为输入代入至已训练好的目标信号卷积神经网络模型中，从而输出的数据作为待修正肌电信号的数值以替换掉原来的肌电信号异常值或缺失值；
所述中央处理器用于将修正好之后的所有肌电电极的肌电信号输入至患者的肢体动作对应的已训练好的肢体康复状态评估对应的卷积神经网络模型中进行模型训练预测，以评估出患者的肢体康复状态；
所述显示器用于输出评估出患者的肢体康复状态。
本发明还提供一种基于肌电信号的患者肢体康复状态评估方法，其特点在于，其利用上述患者肢体康复状态评估系统实现，所述患者肢体康复状态评估方法包括以下步骤：
S1、所述中央处理器获取患者的肢体动作；
S2、所述多通道信号采集器以一设定采集频率采集设定时间内各个肌电电极对应的肌电信号，同一采集时刻采集的各个肌电电极对应的肌电信号相匹配映射；
S3、所述多通道前置放大器对该些肌电信号进行信号放大处理；
S4、所述多通道滤波器对信号放大后的该些肌电信号进行信号滤波处理；
S5、所述多通道模数转换器对滤波后的该些肌电信号进行模数转换；
S6、所述中央处理器对模数转换后的该些肌电信号进行分析：判断任一肌电电极对应的设定时间内的肌电信号中是否存在肌电信号异常或肌电信号缺失，在判定出每一个肌电电极对应的肌电信号中均有肌电信号异常或缺失情况，则控制多通道信号采集器重新采集，在判定出至少有一个肌电电极对应的肌电信号中无肌电信号异常或缺失情况，则将该肌电电极作为参考肌电电极，该肌电电极的肌电信号作为参考肌电信号，从有肌电信号异常或缺失的肌电电极中选择一个作为待修正肌电电极，查找出参考肌电电极的肌电信号作为输入样本、待修正肌电电极的肌电信号作为输出样本的已训练好的信号卷积神经网络模型作为目标信号卷积神经网络模型，将参考肌电信号中除了与待修正肌电电极的肌电信号中待修正肌电信号相映射的肌电信号以外的肌电信号数据作为输入样本，待修正肌电电极的肌电信号中待修正肌电信号以外的肌电信号数据作为输出样本，输入至目标信号卷积神经网络模型中进行训练，再将参考肌电信号中与待修正肌电信号相映射的肌电信号数据作为输入代入至已训练好的目标信号卷积神经网络模型中，从而输出的数据作为待修正肌电信号的数值以替换掉原来的肌电信号异常值或缺失值；
S7、所述中央处理器将修正好之后的所有肌电电极的肌电信号输入至患者的肢体动作对应的已训练好的肢体康复状态评估对应的卷积神经网络模型中进行模型训练预测，以评估出患者的肢体康复状态；
S8、所述显示器输出评估出患者的肢体康复状态。
本发明的积极进步效果在于：
本发明考虑到了肌电信号异常甚至是缺失的情况，利用没有肌电信号异常或缺失的肌电信号对有肌电信号异常或缺失的肌电信号进行修正，从而获得均没有肌电信号异常或缺失的肌电信号，利用均没有肌电信号异常或缺失的肌电信号数据进行患者肢体康复状态的判定评估，评估出的患者的肢体康复状态相对准确。
附图说明
图1为本发明较佳实施例的基于肌电信号的患者肢体康复状态评估系统的结构框图。
图2为本发明较佳实施例的基于肌电信号的患者肢体康复状态评估方法的流程图。
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、完整地描述，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的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。
如图1所示，本实施例提供一种基于肌电信号的患者肢体康复状态评估系统，其包括多个肌电电极10、多通道信号采集器20、多通道前置放大器30、多通道滤波器40、多通道模数转换器50、中央处理器60和显示器70，多个肌电电极10与多通道一一对应，即每个肌电电极10对应一个通道。
各个肌电电极10用于基于患者待做肢体动作贴设在患者肢体对应位置上，如患者待做肢体动作为上肢弯曲动作，则将该些肌电电极10贴在患者上肢对应位置上。
中央处理器60内存储有人体肢体动作、肌电电极数量及其编号、每个肌电电极的肌电信号范围值、以及一个肌电电极的肌电信号作为输入样本、另一个肌电电极的肌电信号作为输出样本的已训练好的信号卷积神经网络模型、已训练好的肢体康复状态评估对应的卷积神经网络模型。
例如：中央处理器60内存储有：上肢弯曲动作，4个肌电电极分别为肌电电极1、肌电电极2、肌电电极3和肌电电极4，肌电电极1的肌电信号范围值、肌电电极2的肌电信号范围值、肌电电极3的肌电信号范围值和肌电电极4的肌电信号范围值，肌电电极1的肌电信号作为输入样本、肌电电极2的肌电信号作为输出样本的已训练好的信号卷积神经网络模型12，肌电电极1的肌电信号作为输入样本、肌电电极3的肌电信号作为输出样本的已训练好的信号卷积神经网络模型13，肌电电极1的肌电信号作为输入样本、肌电电极4的肌电信号作为输出样本的已训练好的信号卷积神经网络模型14，肌电电极2的肌电信号作为输入样本、肌电电极1的肌电信号作为输出样本的已训练好的信号卷积神经网络模型21，肌电电极2的肌电信号作为输入样本、肌电电极3的肌电信号作为输出样本的已训练好的信号卷积神经网络模型23，……已训练好的肢体康复状态评估对应的卷积神经网络模型。
中央处理器60内还存储有：下肢伸展动作，5个肌电电极……。
下面具体介绍基于肌电信号的患者肢体康复状态评估系统的具体实现功能：
中央处理器60用于获取患者的肢体动作如上肢弯曲动作。
获取方式有两种：
利用摄像头拍摄患者的图像，中央处理器基于摄像头拍出的图像信息利用图像识别技术分析出患者的肢体动作为上肢弯曲动作。
显示器70为触摸显示屏，利用触摸显示屏输入患者的肢体动作，中央处理器获知患者的肢体动作为上肢弯曲动作。
多通道信号采集器20用于以一设定采集频率采集设定时间(如2分钟)内各个肌电电极对应的肌电信号，同一采集时刻采集的各个肌电电极对应的肌电信号相匹配映射。
多通道前置放大器30用于对该些肌电信号进行信号放大处理。
多通道滤波器40用于对信号放大后的该些肌电信号进行信号滤波处理，具体依次为高通滤波、低通滤波及陷波滤波处理。
多通道模数转换器50用于对滤波后的该些肌电信号进行模数转换以传输对应数字肌电信号至中央处理器。
中央处理器60用于对模数转换后的该些肌电信号进行分析：判断任一肌电电极对应的设定时间内的肌电信号中是否存在肌电信号异常或肌电信号缺失的情况，在判定出每一个肌电电极对应的肌电信号中均有肌电信号异常或缺失情况，则表明采集出的每个肌电电极的肌电信号都有缺陷，无法采用这些肌电信号，控制多通道信号采集器重新采集，在判定出至少有一个肌电电极对应的肌电信号中无肌电信号异常或缺失情况，则将该肌电电极作为参考肌电电极，该肌电电极的肌电信号作为参考肌电信号，从有肌电信号异常或缺失的肌电电极中选择一个作为待修正肌电电极，查找出参考肌电电极的肌电信号作为输入样本、待修正肌电电极的肌电信号作为输出样本的已训练好的信号卷积神经网络模型作为目标信号卷积神经网络模型，将参考肌电信号中除了与待修正肌电电极的肌电信号中待修正肌电信号相映射的肌电信号以外的肌电信号数据作为输入样本，待修正肌电电极的肌电信号中除待修正肌电信号以外的肌电信号数据作为输出样本，输入至目标信号卷积神经网络模型中进行训练，再将参考肌电信号中与待修正肌电信号相映射的肌电信号数据作为输入代入至已训练好的目标信号卷积神经网络模型中，从而输出的数据作为待修正肌电信号的数值以替换掉原来的肌电信号异常值或缺失值。
其中，中央处理器用于基于患者的肢体动作查找出每个肌电电极的肌电信号范围值，判断任一肌电电极对应的设定时间内的肌电信号中是否存在肌电信号不在查找出的该肌电电极对应的肌电信号范围值内，在存在时则表明该肌电电极的肌电信号异常。
例如：判断4个肌电电极(肌电电极1、肌电电极2、肌电电极3和肌电电极4)对应的2分钟内的肌电信号中是否存在肌电信号异常或肌电信号缺失的情况，若在判定出这4个肌电电极中每个肌电电极对应的肌电信号中均有肌电信号异常或缺失情况，则表明采集出的每个肌电电极的肌电信号都有缺陷，此时无法采用这些肌电信号，控制多通道信号采集器重新采集。
若在判定出这4个肌电电极中，肌电电极1对应的肌电信号中没有肌电信号异常或缺失情况，肌电电极2对应的肌电信号中有肌电信号异常或缺失情况，肌电电极3对应的肌电信号中有肌电信号异常或缺失情况，肌电电极4对应的肌电信号中没有肌电信号异常或缺失情况。见下面：
肌电电极1：J101、J102、J103、J104、……、J110、J111、……
肌电电极2：J201、J202、J203、J204、……、J210……
肌电电极3：J301、J302、J303、J304、……、J310、J311、……
肌电电极4：J401、J402、J403、J404、……、J410……
其中，肌电电极2的J210肌电信号不在上肢弯曲动作对应的肌电电极2的肌电信号范围值内，则表明肌电电极2的J210肌电信号异常。肌电电极3的J311肌电信号缺失。
将肌电电极1作为参考肌电电极，肌电电极1的肌电信号作为参考肌电信号，选肌电电极2作为待修正肌电电极，查找出参考肌电电极(肌电电极1)的肌电信号作为输入样本、待修正肌电电极(肌电电极2)的肌电信号作为输出样本的已训练好的信号卷积神经网络模型作为目标信号卷积神经网络模型，将肌电电极1的除了与肌电电极2的J210肌电信号相映射的J110肌电信号以外的肌电信号数据作为输入样本，肌电电极2除了J210肌电信号以外的肌电信号数据作为输出样本，输入样本和输出样本输入至目标信号卷积神经网络模型中进行训练，再将J110肌电信号数据作为输入代入至已训练好的目标信号卷积神经网络模型中，从而输出的数据作为J210肌电信号的数值以替换掉原来的J210肌电信号的异常值。
将肌电电极1作为参考肌电电极，肌电电极1的肌电信号作为参考肌电信号，选肌电电极3作为待修正肌电电极，查找出参考肌电电极(肌电电极1)的肌电信号作为输入样本、待修正肌电电极(肌电电极3)的肌电信号作为输出样本的已训练好的信号卷积神经网络模型作为目标信号卷积神经网络模型，将肌电电极1的除了与肌电电极3的J311肌电信号相映射的J111肌电信号以外的肌电信号数据作为输入样本，肌电电极3除了J311肌电信号以外的肌电信号数据作为输出样本，输入样本和输出样本输入至目标信号卷积神经网络模型中进行训练，再将J111肌电信号数据作为输入代入至已训练好的目标信号卷积神经网络模型中，从而输出的数据作为J311肌电信号的数值以替换掉原来的J311肌电信号的缺失值。
中央处理器60用于将修正好之后的所有肌电电极的肌电信号输入至患者的肢体动作(如上肢弯曲动作)对应的已训练好的肢体康复状态评估对应的卷积神经网络模型中进行模型训练预测，以评估出患者的肢体康复状态。
将上肢弯曲动作对应的患者的4个肌电电极的历史肌电信号作为输入样本、患者的历史肢体康复状态作为输出样本，输入至卷积神经网络模型中进行网络训练，以获得训练好的上肢弯曲动作对应的肢体康复状态评估的卷积神经网络模型。
显示器70用于输出评估出患者的肢体康复状态。
如图2所示，本实施例还提供一种基于肌电信号的患者肢体康复状态评估方法，其利用上述患者肢体康复状态评估系统实现，患者肢体康复状态评估方法包括以下步骤：
步骤101、中央处理器获取患者的肢体动作。
步骤102、多通道信号采集器以一设定采集频率采集设定时间内各个肌电电极对应的肌电信号，同一采集时刻采集的各个肌电电极对应的肌电信号相匹配映射。
步骤103、多通道前置放大器对该些肌电信号进行信号放大处理。
步骤104、多通道滤波器对信号放大后的该些肌电信号进行信号滤波处理。
步骤105、多通道模数转换器对滤波后的该些肌电信号进行模数转换。
步骤106、中央处理器对模数转换后的该些肌电信号进行分析：判断任一肌电电极对应的设定时间内的肌电信号中是否存在肌电信号异常或肌电信号缺失，在判定出每一个肌电电极对应的肌电信号中均有肌电信号异常或缺失情况，则控制多通道信号采集器重新采集，在判定出至少有一个肌电电极对应的肌电信号中无肌电信号异常或缺失情况，则将该肌电电极作为参考肌电电极，该肌电电极的肌电信号作为参考肌电信号，从有肌电信号异常或缺失的肌电电极中选择一个作为待修正肌电电极，查找出参考肌电电极的肌电信号作为输入样本、待修正肌电电极的肌电信号作为输出样本的已训练好的信号卷积神经网络模型作为目标信号卷积神经网络模型，将参考肌电信号中除了与待修正肌电电极的肌电信号中待修正肌电信号相映射的肌电信号以外的肌电信号数据作为输入样本，待修正肌电电极的肌电信号中待修正肌电信号以外的肌电信号数据作为输出样本，输入至目标信号卷积神经网络模型中进行训练，再将参考肌电信号中与待修正肌电信号相映射的肌电信号数据作为输入代入至已训练好的目标信号卷积神经网络模型中，从而输出的数据作为待修正肌电信号的数值以替换掉原来的肌电信号异常值或缺失值。
步骤107、中央处理器将修正好之后的所有肌电电极的肌电信号输入至患者的肢体动作对应的已训练好的肢体康复状态评估对应的卷积神经网络模型中进行模型训练预测，以评估出患者的肢体康复状态。
步骤108、显示器输出评估出患者的肢体康复状态。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。
Claims (7)
1.一种基于肌电信号的患者肢体康复状态评估系统，其特征在于，其包括多个肌电电极、多通道信号采集器、多通道前置放大器、多通道滤波器、多通道模数转换器、中央处理器和显示器，所述多个肌电电极与多通道一一对应，各个所述肌电电极用于基于患者待做肢体动作贴设在患者肢体对应位置上，所述中央处理器内存储有人体肢体动作、肌电电极数量及其编号、以及一个肌电电极的肌电信号作为输入样本、另一个肌电电极的肌电信号作为输出样本的已训练好的信号卷积神经网络模型、已训练好的肢体康复状态评估对应的卷积神经网络模型；
所述中央处理器用于获取患者的肢体动作；
所述多通道信号采集器用于以一设定采集频率采集设定时间内各个肌电电极对应的肌电信号，同一采集时刻采集的各个肌电电极对应的肌电信号相匹配映射；
所述多通道前置放大器用于对该些肌电信号进行信号放大处理；
所述多通道滤波器用于对信号放大后的该些肌电信号进行信号滤波处理；
所述多通道模数转换器用于对滤波后的该些肌电信号进行模数转换以传输对应数字肌电信号至中央处理器；
所述中央处理器用于对模数转换后的该些肌电信号进行分析：判断任一肌电电极对应的设定时间内的肌电信号中是否存在肌电信号异常或肌电信号缺失，在判定出每一个肌电电极对应的肌电信号中均有肌电信号异常或缺失情况，则控制多通道信号采集器重新采集，在判定出至少有一个肌电电极对应的肌电信号中无肌电信号异常或缺失情况，则将该肌电电极作为参考肌电电极，该肌电电极的肌电信号作为参考肌电信号，从有肌电信号异常或缺失的肌电电极中选择一个作为待修正肌电电极，查找出参考肌电电极的肌电信号作为输入样本、待修正肌电电极的肌电信号作为输出样本的已训练好的信号卷积神经网络模型作为目标信号卷积神经网络模型，将参考肌电信号中除了与待修正肌电电极的肌电信号中待修正肌电信号相映射的肌电信号以外的肌电信号数据作为输入样本，待修正肌电电极的肌电信号中待修正肌电信号以外的肌电信号数据作为输出样本，输入至目标信号卷积神经网络模型中进行训练，再将参考肌电信号中与待修正肌电信号相映射的肌电信号数据作为输入代入至已训练好的目标信号卷积神经网络模型中，从而输出的数据作为待修正肌电信号的数值以替换掉原来的肌电信号异常值或缺失值；
所述中央处理器用于将修正好之后的所有肌电电极的肌电信号输入至患者的肢体动作对应的已训练好的肢体康复状态评估对应的卷积神经网络模型中进行模型训练预测，以评估出患者的肢体康复状态；
所述显示器用于输出评估出患者的肢体康复状态；
所述中央处理器内还存储有每个肌电电极的肌电信号范围值；
所述中央处理器用于基于患者的肢体动作查找出每个肌电电极的肌电信号范围值，判断任一肌电电极对应的设定时间内的肌电信号中是否存在肌电信号不在查找出的该肌电电极对应的肌电信号范围值内，在存在时则表明该肌电电极的肌电信号异常。
2.如权利要求1所述的基于肌电信号的患者肢体康复状态评估系统，其特征在于，所述患者康复状态评估系统还包括摄像头，所述摄像头用于拍摄患者的图像，所述中央处理器用于基于图像信息利用图像识别技术分析出患者的肢体动作。
3.如权利要求1所述的基于肌电信号的患者肢体康复状态评估系统，其特征在于，所述显示器为触摸显示屏，所述触摸显示屏用于供输入患者的肢体动作。
4.如权利要求1所述的基于肌电信号的患者肢体康复状态评估系统，其特征在于，所述多通道滤波器用于对每一个通道的信号放大后的肌电信号进行高通滤波、低通滤波及陷波滤波处理。
5.一种基于肌电信号的患者肢体康复状态评估方法，其特征在于，其利用如权利要求1所述的患者肢体康复状态评估系统实现，所述患者肢体康复状态评估方法包括以下步骤：
S1、所述中央处理器获取患者的肢体动作；
S2、所述多通道信号采集器以一设定采集频率采集设定时间内各个肌电电极对应的肌电信号，同一采集时刻采集的各个肌电电极对应的肌电信号相匹配映射；
S3、所述多通道前置放大器对该些肌电信号进行信号放大处理；
S4、所述多通道滤波器对信号放大后的该些肌电信号进行信号滤波处理；
S5、所述多通道模数转换器对滤波后的该些肌电信号进行模数转换；
S6、所述中央处理器对模数转换后的该些肌电信号进行分析：判断任一肌电电极对应的设定时间内的肌电信号中是否存在肌电信号异常或肌电信号缺失，在判定出每一个肌电电极对应的肌电信号中均有肌电信号异常或缺失情况，则控制多通道信号采集器重新采集，在判定出至少有一个肌电电极对应的肌电信号中无肌电信号异常或缺失情况，则将该肌电电极作为参考肌电电极，该肌电电极的肌电信号作为参考肌电信号，从有肌电信号异常或缺失的肌电电极中选择一个作为待修正肌电电极，查找出参考肌电电极的肌电信号作为输入样本、待修正肌电电极的肌电信号作为输出样本的已训练好的信号卷积神经网络模型作为目标信号卷积神经网络模型，将参考肌电信号中除了与待修正肌电电极的肌电信号中待修正肌电信号相映射的肌电信号以外的肌电信号数据作为输入样本，待修正肌电电极的肌电信号中待修正肌电信号以外的肌电信号数据作为输出样本，输入至目标信号卷积神经网络模型中进行训练，再将参考肌电信号中与待修正肌电信号相映射的肌电信号数据作为输入代入至已训练好的目标信号卷积神经网络模型中，从而输出的数据作为待修正肌电信号的数值以替换掉原来的肌电信号异常值或缺失值；
S7、所述中央处理器将修正好之后的所有肌电电极的肌电信号输入至患者的肢体动作对应的已训练好的肢体康复状态评估对应的卷积神经网络模型中进行模型训练预测，以评估出患者的肢体康复状态；
S8、所述显示器输出评估出患者的肢体康复状态；
所述中央处理器内还存储有每个肌电电极的肌电信号范围值；
在步骤S6中，所述中央处理器基于患者的肢体动作查找出每个肌电电极的肌电信号范围值，判断任一肌电电极对应的设定时间内的肌电信号中是否存在肌电信号不在查找出的该肌电电极对应的肌电信号范围值内，在存在时则表明该肌电电极的肌电信号异常。
6.如权利要求5所述的基于肌电信号的患者肢体康复状态评估方法，其特征在于，在步骤S1中，所述中央处理器基于摄像头拍摄的患者图像信息利用图像识别技术分析出患者的肢体动作。
7.如权利要求5所述的基于肌电信号的患者肢体康复状态评估方法，其特征在于，在步骤S1中，所述中央处理器基于显示器输入获取患者的肢体动作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310275232.7A CN116269450B (zh) | 2023-03-21 | 2023-03-21 | 一种基于肌电信号的患者肢体康复状态评估系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310275232.7A CN116269450B (zh) | 2023-03-21 | 2023-03-21 | 一种基于肌电信号的患者肢体康复状态评估系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116269450A CN116269450A (zh) | 2023-06-23 |
| CN116269450B true CN116269450B (zh) | 2023-12-19 |
Family
ID=86779483
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310275232.7A Active CN116269450B (zh) | 2023-03-21 | 2023-03-21 | 一种基于肌电信号的患者肢体康复状态评估系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116269450B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117297595B (zh) * | 2023-11-14 | 2024-03-19 | 中国人民解放军海军特色医学中心 | 一种用于单兵训练后肌肉损伤分析系统及方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003199719A (ja) * | 2002-01-07 | 2003-07-15 | K & S:Kk | 血圧測定装置 |
| CN104398254A (zh) * | 2014-11-14 | 2015-03-11 | 中国科学院深圳先进技术研究院 | 一种心电图分析系统、分析设备及预测模型采集设备 |
| CN110487271A (zh) * | 2019-09-26 | 2019-11-22 | 哈尔滨工程大学 | 一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法 |
| CN111724879A (zh) * | 2020-06-29 | 2020-09-29 | 中金育能教育科技集团有限公司 | 康复训练评估处理方法、装置及设备 |
| CN112231133A (zh) * | 2020-10-16 | 2021-01-15 | 杭州中奥科技有限公司 | 一种数据修复处理方法、装置及电子设备 |
| CN113419902A (zh) * | 2021-06-29 | 2021-09-21 | 上海大学 | 基于长短时记忆网络的多通道脑电信号相关性分析与数据恢复方法 |
| CN114081513A (zh) * | 2021-12-13 | 2022-02-25 | 苏州大学 | 基于肌电信号的异常驾驶行为检测方法及系统 |
| CN114145759A (zh) * | 2021-11-11 | 2022-03-08 | 歌尔股份有限公司 | 肌电信号的补偿方法、装置、肌电检测设备及存储介质 |
| CN114266270A (zh) * | 2021-11-22 | 2022-04-01 | 南京航空航天大学 | 一种基于递归神经网络与集成学习的肌电信号解码方法 |
| CN114587388A (zh) * | 2022-03-02 | 2022-06-07 | 北京航空航天大学 | 一种基于传感器时空融合模型的神经性运动功能辅助诊断臂环及其使用方法 |
| CN115300325A (zh) * | 2022-08-09 | 2022-11-08 | 新乡医学院 | 一种穿戴式肢体康复训练系统 |
| CN115579130A (zh) * | 2022-11-10 | 2023-01-06 | 中国中医科学院望京医院(中国中医科学院骨伤科研究所) | 一种患者肢体功能的评估方法、装置、设备及介质 |
| CN115618273A (zh) * | 2022-09-15 | 2023-01-17 | 哈尔滨工业大学 | 一种基于并行图卷积神经网络的铁路轨道状态评估方法及系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9239760B2 (en) * | 2013-10-24 | 2016-01-19 | General Electric Company | Systems and methods for detecting, correcting, and validating bad data in data streams |
| GB2578430B (en) * | 2018-10-25 | 2023-01-18 | Kalibrate Tech Limited | Data communication |
| US20220189630A1 (en) * | 2020-12-14 | 2022-06-16 | Medtronic Minimed, Inc. | Machine learning models for detecting outliers and erroneous sensor use conditions and correcting, blanking, or terminating glucose sensors |
| US11823354B2 (en) * | 2021-04-08 | 2023-11-21 | GE Precision Healthcare LLC | System and method for utilizing a deep learning network to correct for a bad pixel in a computed tomography detector |
| US20220366316A1 (en) * | 2021-05-12 | 2022-11-17 | Capital One Services, Llc | Ensemble machine learning for anomaly detection |
| US20220383128A1 (en) * | 2021-05-28 | 2022-12-01 | Zebra Technologies Corporation | Image-based anomaly detection based on a machine learning analysis of an object |
-
2023
- 2023-03-21 CN CN202310275232.7A patent/CN116269450B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003199719A (ja) * | 2002-01-07 | 2003-07-15 | K & S:Kk | 血圧測定装置 |
| CN104398254A (zh) * | 2014-11-14 | 2015-03-11 | 中国科学院深圳先进技术研究院 | 一种心电图分析系统、分析设备及预测模型采集设备 |
| CN110487271A (zh) * | 2019-09-26 | 2019-11-22 | 哈尔滨工程大学 | 一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法 |
| CN111724879A (zh) * | 2020-06-29 | 2020-09-29 | 中金育能教育科技集团有限公司 | 康复训练评估处理方法、装置及设备 |
| CN112231133A (zh) * | 2020-10-16 | 2021-01-15 | 杭州中奥科技有限公司 | 一种数据修复处理方法、装置及电子设备 |
| CN113419902A (zh) * | 2021-06-29 | 2021-09-21 | 上海大学 | 基于长短时记忆网络的多通道脑电信号相关性分析与数据恢复方法 |
| CN114145759A (zh) * | 2021-11-11 | 2022-03-08 | 歌尔股份有限公司 | 肌电信号的补偿方法、装置、肌电检测设备及存储介质 |
| CN114266270A (zh) * | 2021-11-22 | 2022-04-01 | 南京航空航天大学 | 一种基于递归神经网络与集成学习的肌电信号解码方法 |
| CN114081513A (zh) * | 2021-12-13 | 2022-02-25 | 苏州大学 | 基于肌电信号的异常驾驶行为检测方法及系统 |
| CN114587388A (zh) * | 2022-03-02 | 2022-06-07 | 北京航空航天大学 | 一种基于传感器时空融合模型的神经性运动功能辅助诊断臂环及其使用方法 |
| CN115300325A (zh) * | 2022-08-09 | 2022-11-08 | 新乡医学院 | 一种穿戴式肢体康复训练系统 |
| CN115618273A (zh) * | 2022-09-15 | 2023-01-17 | 哈尔滨工业大学 | 一种基于并行图卷积神经网络的铁路轨道状态评估方法及系统 |
| CN115579130A (zh) * | 2022-11-10 | 2023-01-06 | 中国中医科学院望京医院(中国中医科学院骨伤科研究所) | 一种患者肢体功能的评估方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116269450A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116269450B (zh) | 一种基于肌电信号的患者肢体康复状态评估系统及方法 | |
| EP3698708A1 (en) | Ecg information processing method and ecg workstation | |
| CN116196020A (zh) | 一种基于表面肌电信号的患者肌肉疲劳度评估系统及方法 | |
| CN101032393A (zh) | 基于计算机的多功能医疗检测及监控方法和装置 | |
| CN110840454B (zh) | 一种脑电信号采集装置和方法 | |
| CN117503153B (zh) | 基于人工智能的患者术后康复评价方法 | |
| KR101029386B1 (ko) | 실시간 심전도 모니터링 시스템을 위한 큐알에스 검출 방법 | |
| CN114587389A (zh) | 一种适用于神经性运动障碍患者的辅助诊断系统及其使用方法 | |
| CN108968950A (zh) | 一种数字化心电采集方法、装置及系统 | |
| CN109431499B (zh) | 植物人家庭看护辅助系统和辅助方法 | |
| CN116530981A (zh) | 一种基于面部识别气血状态分析系统及方法 | |
| CN105411568A (zh) | 一种自动化医疗监护方法 | |
| CN113171111B (zh) | 一种上肢运动方向神经解码方法和装置 | |
| CN115067878A (zh) | 基于EEGNet的静息态脑电意识障碍分类方法及系统 | |
| CN114550932A (zh) | 一种睡眠呼吸暂停风险评估方法、装置、设备及存储介质 | |
| CN112394818A (zh) | 基于脑可塑的动作辅助装置的运动意图辨识方法 | |
| CN1207684C (zh) | 视频眼震电图仪及视频眼震电图的自动生成方法 | |
| CN113598791B (zh) | 基于静息态脑电图使用时空卷积神经网络的意识障碍分类方法 | |
| CN215017649U (zh) | 一种分布式心电信号识别系统 | |
| CN114869296B (zh) | 定位qrs-t波参考水平的方法、系统、设备及介质 | |
| CN211633314U (zh) | 一种用于情感识别的信号采集装置 | |
| CN114098714B (zh) | 基于机器视觉建立冻结步态识别模型的方法 | |
| CN116115255A (zh) | 心音信号人工智能处理方法、可读存储介质、装置及电子设备 | |
| CN114496212A (zh) | 一种智能心音听诊辅助心脏疾病诊断系统及辅助诊断方法 | |
| CN113741691A (zh) | 一种运动意图精准捕捉的脑肌电信息同步系统及方法 |
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 |