CN117338301B - 一种基于肌电信号的糖尿病足风险等级评测系统 - Google Patents

一种基于肌电信号的糖尿病足风险等级评测系统 Download PDF

Info

Publication number
CN117338301B
CN117338301B CN202311342067.9A CN202311342067A CN117338301B CN 117338301 B CN117338301 B CN 117338301B CN 202311342067 A CN202311342067 A CN 202311342067A CN 117338301 B CN117338301 B CN 117338301B
Authority
CN
China
Prior art keywords
step width
electromyographic
width time
time
array
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
Application number
CN202311342067.9A
Other languages
English (en)
Other versions
CN117338301A (zh
Inventor
禹媛
郭建明
吴蕊
郭连瑞
李海燕
张帆
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.)
Xuanwu Hospital
Original Assignee
Xuanwu Hospital
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 Xuanwu Hospital filed Critical Xuanwu Hospital
Priority to CN202311342067.9A priority Critical patent/CN117338301B/zh
Publication of CN117338301A publication Critical patent/CN117338301A/zh
Application granted granted Critical
Publication of CN117338301B publication Critical patent/CN117338301B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/251—Means for maintaining electrode contact with the body
    • A61B5/256—Wearable electrodes, e.g. having straps or bands
    • 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
    • A61B5/1036—Measuring load distribution, e.g. podologic studies
    • A61B5/1038—Measuring plantar pressure during gait
    • 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
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
    • A61B5/296—Bioelectric electrodes therefor specially adapted for particular uses for 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Fuzzy Systems (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Dentistry (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开一种基于肌电信号的糖尿病足风险等级评测系统，先判定采集到的肌电信号是否有异缺情况，有异缺则判定异缺肌电信号的步宽时间数量，当数量较多时则需重新采集评测，当数量较少时，即使将有异缺肌电信号丢掉，保留下的步宽时间对应的肌电信号样本也足够多，则直接将存在异缺信号的步宽时间对应的所有肌电信号均丢弃，当数量处于较少和较多间时，判定可修正的步宽时间数量，若加上可修正的步宽时间数量后正常肌电信号对应的步宽时间数量较多则可对可修正的肌电信号进行修正，若加上可修正的步宽时间数量后正常肌电信号对应的步宽时间还不够数量，则需重新采集评测。此种信号处理操作使得评测结果更为准确。

Description

一种基于肌电信号的糖尿病足风险等级评测系统
技术领域
本发明涉及糖尿病足检测技术领域，特别是涉及一种基于肌电信号的糖尿病足风险等级评测系统。
背景技术
糖尿病周围神经病变(简称DPN)，是糖尿病最常见的并发症之一，其中远端感觉神经病变占所有糖尿病周围神经病变的50％以上，也就是我们常说的糖尿病足。糖尿病足是糖尿病常见病症，一旦发病对于患者的工作以及生活都是严重的影响，严重的可能导致患者发生截肢。
专利申请号为2022115711621、专利名称为一种基于多参数融合的一体化糖尿病足预测系统的发明专利，设计了基于足底压力、足部经皮氧分压、足底温度、振动区域信息来预测评估糖尿病足的技术。专利号为2021111652988、专利名称为一种基于梯度提升决策树模型算法的糖尿病足预测方法的发明专利，设计了基于足底压力和震动阈值来评估糖尿病足风险等级的技术。但是现有不具有仅仅利用肌电信号来评估糖尿病足风险及其风险等级的技术。
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糖尿病足风险等级评测系统。
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糖尿病足风险等级评测系统，其特征在于，其包括设置有下位机的智能长筒靴和上位机，所述下位机和上位机进行信息交互，所述智能长筒靴包括鞋本体和长筒本体，所述鞋本体的内底部前部与待测人员的足底前部相对应的位置和内底部后部与待测人员的足底后部相对应的位置均固定有压力传感器，所述鞋本体的内底部中部与待测人员的足弓部相对应的位置固定有第一阵列肌电传感器，所述鞋本体的内底部后部与待测人员的足跟部相对应的位置固定有第二阵列肌电传感器，所述鞋本体的内顶部与待测人员的足背部相对应的位置固定有第三阵列肌电传感器，所述长筒本体的内侧与待测人员的腓骨长肌部相对应的位置固定有第四阵列肌电传感器，所述长筒本体的内侧与待测人员的腓骨短肌部相对应的位置固定有第五阵列肌电传感器，所述长筒本体的内侧与待测人员的胫骨后肌部相对应的位置固定有第六阵列肌电传感器，所述长筒本体的内侧与待测人员的外裸后部相对应的位置固定有第七阵列肌电传感器，所述长筒本体的内侧与待测人员的小腿外侧部相对应的位置固定有第八阵列肌电传感器，所述长筒本体上设置有无线通讯模块、计时器和扬声器，各个阵列肌电传感器中各个肌电采集点呈矩阵排列；
所述上位机用于发出一糖尿病足风险等级评测指令给下位机，所述下位机用于通过无线通讯模块接收该糖尿病足风险等级评测指令后，启动各压力传感器、各阵列肌电传感器、计时器和扬声器，控制扬声器发出提示穿戴此智能长筒靴的待测人员开始行走的信息；
每一所述压力传感器均用于实时检测待测人员的足底压力值，每一所述阵列肌电传感器均用于实时检测待测人员的对应部位的肌电信号；
所述下位机用于接收每一压力传感器传来的足底压力值，在每一压力传感器传来的足底压力值均由不为零突增时开始设定检测时间的计时，在每一压力传感器传来的足底压力值均由零突增的时刻记录此时时刻，开始计时时刻到第一个由零突增的时刻记为第一个步宽时间，前后两个由零突增的时刻记为一个步宽时间；
所述下位机用于将每个步宽时间内收到的各个阵列肌电传感器传来的肌电信号作为一个信号采集单元利用无线通讯模块传输给上位机；
所述下位机用于在设定检测时间到时发出提示待测人员暂停行走的信息；
所述上位机用于对每个步宽时间内各个阵列肌电传感器的肌电信号进行信号预处理操作，判断每个步宽时间内各个阵列肌电传感器的经预处理后肌电信号是否存在异缺信号，在判断出不存在异缺信号时进入特征提取操作；在判断出步宽时间内部分/全部阵列肌电传感器的肌电信号存在异缺信号时，判断步宽时间内存在异缺信号的步宽时间数量是否小于等于第一设定数量，在为是时则直接将存在异缺信号的步宽时间对应的所有肌电信号均丢弃，丢弃后存留的步宽时间对应的所有肌电信号均为正常肌电信号，对丢弃后存留的各个步宽时间内的所有肌电信号进入特征提取操作；在为否时判断步宽时间内存在异缺信号的步宽时间数量是否大于等于第二设定数量，在为是时则直接告知下位机重新评测；在为否时统计步宽时间内异缺信号可矫正的可矫正步宽时间数量，设定检测时间内步宽时间总数量-存在异缺信号的步宽时间数量+可矫正步宽时间数量是否大于等于第二设定数量，在为是时则对步宽时间内的异缺信号进行异缺信号矫正操作，矫正好后进入特征提取操作；在为否时则对步宽时间内异缺信号不进行矫正操作，直接告知下位机重新评测，第二设定数量大于第一设定数量；
所述上位机用于对每个步宽时间内各个阵列肌电传感器对应的正常肌电信号进行特征提取，以获得每个步宽时间内各个阵列肌电传感器对应的多个肌电特征值，将每个步宽时间内各个阵列肌电传感器对应的多个肌电特征值作为一个输入样本按照时序依次输入至训练好的糖尿病足风险有无神经网络模型中以确定待测人员是否有无糖尿病足风险，在确定待测人员无糖尿病足风险时输出待测人员无糖尿病足风险的信息，在确定待测人员有糖尿病足风险时再将每个步宽时间内各个阵列肌电传感器对应的多个肌电特征值作为一个输入样本按照时序依次输入至训练好的糖尿病足风险等级评估神经网络模型中以确定待测人员所处的糖尿病足风险等级并输出。
本发明的创新点在于：
1、现有技术一般是直接利用足底压力来评估糖尿病足的风险，而本发明中足底压力并不是直接用来评估糖尿病足的风险的，而是用来获取待测人员行走时每一个步宽时间的，现有不具有利用足底压力来获取待测人员行走时每一个步宽时间的技术。
2、现有一般是利用足底压力、血流速度等来评估糖尿病足的风险，而本发明中是利用肌电信号来评测待测人员是否有糖尿病足的风险以及有糖尿病足的风险时具体处于何种风险等级，经检索发现现有不具有仅仅利用肌电信号来评测待测人员是否有糖尿病足的风险以及有糖尿病足的风险时具体处于何种风险等级的技术。
3、本发明中并不是对采集到的肌电信号直接利用来评测，而是先判定采集到的肌电信号是否有异常、缺失的情况，在有异常、缺失的情况，并不是直接对其进行非正常肌电信号矫正，而是先判定异常、缺失的肌电信号的步宽时间数量，当数量较多时，表明此次采集的肌电信号不可用，需要重新采集肌电信号进行评测，当数量较少时，即使将有异缺的肌电信号丢掉，保留下来的步宽时间对应的肌电信号样本也足够多，不影响最终评测结果，则直接将存在异缺信号的步宽时间对应的所有肌电信号均丢弃，利用保留下来的步宽时间对应的肌电信号进行糖尿病足的风险评测，当数量处于较少和较多之间时，判定可修正的步宽时间数量，若加上可修正的步宽时间数量后正常肌电信号对应的步宽时间数量较多则可以对可修正的肌电信号进行修正，若加上可修正的步宽时间数量后正常肌电信号对应的步宽时间还不够数量，则表明此次采集的肌电信号不可用，需要重新采集肌电信号进行评测。本发明此种信号处理操作使得最终参与神经网络模型评测的肌电信号均是正常的肌电信号，从而使得评测结果更为准确。
附图说明
图1为本发明较佳实施例的智能长筒靴的结构示意图。
图2为本发明较佳实施例的糖尿病足风险等级评测系统的结构框图。
图3为本发明较佳实施例的人体部位图。
图4为本发明较佳实施例的每个3*3阵列肌电传感器的结构示意图。
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和图2所示，本实施例提供一种基于肌电信号的糖尿病足风险等级评测系统，其包括设置有下位机的智能长筒靴100和上位机200，下位机和上位机进行信息交互。
如图1所示，智能长筒靴100包括鞋本体101和长筒本体102，鞋本体101的内底部前部与待测人员的足底前部相对应的位置和内底部后部与待测人员的足底后部相对应的位置均固定有压力传感器103，此压力传感器103可以采用现有柔性压力传感器或薄膜式压力传感器。
如图1所示，鞋本体101的内底部中部与待测人员的足弓部相对应的位置固定有第一阵列肌电传感器104，鞋本体101的内底部后部与待测人员的足跟部相对应的位置固定有第二阵列肌电传感器105，鞋本体101的内顶部与待测人员的足背部相对应的位置固定有第三阵列肌电传感器106。各个阵列肌电传感器中各个肌电采集点呈矩阵排列，如各个阵列肌电传感器可以采用3*3阵列肌电传感器(见图4)、4*3阵列肌电传感器或4*4阵列肌电传感器等。
如图1和图3所示，长筒本体102的内侧与待测人员的腓骨长肌部相对应的位置固定有第四阵列肌电传感器107，长筒本体102的内侧与待测人员的腓骨短肌部相对应的位置固定有第五阵列肌电传感器108，长筒本体102的内侧与待测人员的胫骨后肌部相对应的位置固定有第六阵列肌电传感器109，长筒本体102的内侧与待测人员的外裸后部相对应的位置固定有第七阵列肌电传感器110，长筒本体102的内侧与待测人员的小腿外侧部相对应的位置固定有第八阵列肌电传感器111。
长筒本体102上设置有壳体112，壳体112内设置有无线通讯模块113、计时器114、扬声器115和下位机116，下位机116可以采用STM32系列的单片机，各个阵列肌电传感器中各个肌电采集点呈矩阵排列，如各个阵列肌电传感器可以采用3*3阵列肌电传感器(见图4)、4*3阵列肌电传感器或4*4阵列肌电传感器等。
待测人员穿戴智能长筒靴100，若待测人员将此智能长筒靴100穿在右脚上，则鞋本体101的内底部前部的压力传感器103与待测人员的右脚足底前部位置相对应紧贴，鞋本体101的内底部后部的压力传感器103与待测人员的右脚足底后部位置相对应紧贴。
鞋本体101的内底部中部的第一阵列肌电传感器104与待测人员的右脚足弓部位置相对应紧贴，鞋本体101的内底部后部的第二阵列肌电传感器105与待测人员的右脚足跟部位置相对应紧贴，鞋本体101的内顶部的第三阵列肌电传感器106与待测人员的足背部位置相对应紧贴。
长筒本体102的内侧的第四阵列肌电传感器107与待测人员的腓骨长肌部位置相对应紧贴，长筒本体102的内侧的第五阵列肌电传感器108与待测人员的腓骨短肌部位置相对应紧贴，长筒本体102的内侧的第六阵列肌电传感器109与待测人员的胫骨后肌部位置相对应紧贴，长筒本体102的内侧的第七阵列肌电传感器110与待测人员的外裸后部位置相对应紧贴，长筒本体102的内侧的第八阵列肌电传感器111与待测人员的小腿外侧部位置相对应紧贴。
若待测人员将此智能长筒靴100穿在左脚上，以此类推。
待测人员的右脚穿戴此智能长筒靴100，则待测人员步行时左脚先行；待测人员的左脚穿戴此智能长筒靴100，则待测人员步行时右脚先行。
上位机200用于发出一糖尿病足风险等级评测指令给下位机116，下位机116用于通过无线通讯模块113接收该糖尿病足风险等级评测指令后，启动各压力传感器103、各阵列肌电传感器104-111、计时器114和扬声器115，控制扬声器115发出提示穿戴此智能长筒靴的待测人员开始行走的信息。
每一压力传感器103均用于实时检测待测人员的足底压力值，各个阵列肌电传感器104-111均用于实时检测待测人员的对应部位的肌电信号。
下位机116用于接收每一压力传感器103传来的足底压力值，在每一压力传感器103传来的足底压力值均由不为零突增时开始设定检测时间的计时，在每一压力传感器103传来的足底压力值均由零突增的时刻记录此时时刻，开始计时时刻到第一个由零突增的时刻记为第一个步宽时间，前后两个由零突增的时刻记为一个步宽时间。
在本实施例中，利用足底压力来获取待测人员行走时每一步的步宽时间，行走开始前，待测人员站立，两个压力传感器103均检测到不为零的压力值，当检测到的压力由不为零压力突然增大时表明待测人员开始行走，此时开始计时，作为设定检测时间的开始时间点，当检测到的压力由零突然增大时表明待测人员一步走完了，记录此刻时间，由此就可以得出第一个步宽时间＝第一个由零突增的时刻-开始计时时刻，除了第一个步宽时间以外的其他步宽时间＝后一个由零突增的时刻-前一个由零突增的时刻。
下位机116用于将每个步宽时间内收到的各个阵列肌电传感器104-111传来的肌电信号作为一个信号采集单元利用无线通讯模块113传输给上位机200。
下位机116用于在设定检测时间到时发出提示待测人员暂停行走的信息。
上位机200用于对每个步宽时间内各个阵列肌电传感器104-111的肌电信号进行信号预处理操作，判断每个步宽时间内各个阵列肌电传感器104-111的经预处理后肌电信号是否存在异缺信号，在判断出不存在异缺信号时，表明每个步宽时间内各个阵列肌电传感器104-111的肌电信号均是正常的肌电信号，对这些正常的肌电信号进入特征提取操作。其中对每个步宽时间内各个阵列肌电传感器104-111的肌电信号进行降噪滤波和去除基线漂移预处理。这里的异缺信号指的是异常信号和缺失信号，异常信号是指有信号值但是信号值明显有异于正常的信号值，缺失信号是指无信号值。
上位机200用于在判断出步宽时间内部分/全部阵列肌电传感器的肌电信号存在异缺信号时，判断步宽时间内存在异缺信号的步宽时间数量是否小于等于第一设定数量(如30)，在为是时则直接将存在异缺信号的步宽时间对应的所有肌电信号均丢弃，丢弃后存留的步宽时间对应的所有肌电信号均为正常肌电信号，对丢弃后存留的各个步宽时间内的所有肌电信号进入特征提取操作。
例如：设定检测时间内步宽时间数量为100个，有28个步宽时间内存在异缺信号，则将这28个步宽时间内的所有肌电信号均丢弃，丢弃后存留的步宽时间数量为72个，这72个步宽时间对应的所有肌电信号均为正常肌电信号，此次采集100个步宽时间对应的肌电信号，即使将有异缺的肌电信号丢掉，保留下来的步宽时间对应的肌电信号样本也足够多，不影响最终评测结果，则直接将存在异缺信号的步宽时间对应的所有肌电信号均丢弃，利用保留下来的步宽时间对应的肌电信号进行糖尿病足的风险评测。
在判断出步宽时间内存在异缺信号的步宽时间数量大于第一设定数量(如30)时，进一步判断步宽时间内存在异缺信号的步宽时间数量是否大于等于第二设定数量(如70)，在为是时，表明此次采集的肌电信号不可用，则直接告知下位机重新采集肌电信号评测。
在判断步宽时间内存在异缺信号的步宽时间数量小于第二设定数量(如70)且大于第一设定数量(如30)时，统计步宽时间内异缺信号可矫正的可矫正步宽时间数量，设定检测时间内步宽时间总数量-存在异缺信号的步宽时间数量+可矫正步宽时间数量是否大于等于第二设定数量(如70)，在为是时则表明经矫正后可达到目标样本数量，对步宽时间内的异缺信号进行异缺信号矫正操作，矫正好后进入特征提取操作；在为否时则表明即使进行矫正也达不到目标样本数量，则对步宽时间内异缺信号不进行矫正操作，直接告知下位机重新评测，第二设定数量大于第一设定数量。
例如：设定检测时间内步宽时间数量为100个，40个步宽时间内存在异缺信号，统计40个步宽时间内异缺信号可矫正的可矫正步宽时间数量，统计出这40个步宽时间内有8个步宽时间内异缺信号可矫正，则可矫正步宽时间数量为8个，设定检测时间内步宽时间总数量-存在异缺信号的步宽时间数量+可矫正步宽时间数量＝100-40+8＝68个，68个小于70个，则表明即使进行矫正也达不到目标样本数量70个，对这40个步宽时间内异缺信号不进行矫正操作，直接告知下位机重新采集肌电信号评测。
统计40个步宽时间内异缺信号可矫正的可矫正步宽时间数量，统计出这40个步宽时间内有14个步宽时间内异缺信号可矫正，则可矫正步宽时间数量为14个，设定检测时间内步宽时间总数量-存在异缺信号的步宽时间数量+可矫正步宽时间数量＝100-40+14＝74个，74个大于70个，表明经矫正后可达到目标样本数量，对这40个步宽时间内异缺信号进行矫正操作，矫正好后进入特征提取操作。
其中，步宽时间内异缺信号可矫正的判定方式为：判断步宽时间内与异缺信号对应的信号采集点横向相邻的信号采集点和纵向相邻的信号采集点同一采集时刻下的肌电信号是否均为正常肌电信号，在为是时则判定步宽时间内该异缺信号可矫正，在为否时则判定步宽时间内该异缺信号不可矫正。
异缺信号矫正操作：利用该步宽时间内异缺信号对应的信号采集点、横向相邻的信号采集点和纵向相邻的信号采集点对应的各个采集时刻下的肌电信号中同一采集时刻的肌电信号都是正常的肌电信号，以横向相邻的信号采集点和纵向相邻的信号采集点对应的各个采集时刻下的正常肌电信号为输入，以异缺信号对应的信号采集点对应的同一采集时刻下的正常肌电信号为输出，构建多项式函数，将与异缺信号处于同一采集时刻下的正常肌电信号输入至构建好的多项式函数关系中以输出正常肌电信号来替换掉对应的异缺信号。
例如：某一步宽时间内有20个采集时刻点，信号采集点A1在第二采集时刻点下采集到的肌电信号为异常肌电信号，判断该步宽时间内与异常信号对应的信号采集点A1横向相邻的信号采集点A2和纵向相邻的信号采集点A4在第二采集时刻下的肌电信号是否均为正常肌电信号，在为是时则判定该步宽时间内该异常信号可矫正。具体异常信号矫正操作为：利用该步宽时间内异缺信号对应的信号采集点A1、横向相邻的信号采集点A2和纵向相邻的信号采集点A4对应的各个采集时刻下的肌电信号中同一采集时刻的肌电信号都是正常的肌电信号，如信号采集点A1、信号采集点A2和信号采集点A4在第一采集时刻下、第三-九采集时刻下及第十一-二十采集时刻下同时采集的肌电信号都是正常的肌电信号，以信号采集点A2和信号采集点A4第一采集时刻下、第三-九采集时刻下及第十一-二十采集时刻下同时采集的肌电信号为输入，以信号采集点A1第一采集时刻下、第三-九采集时刻下及第十一-二十采集时刻下同时采集的肌电信号为输出，构建多项式函数，将信号采集点A2和信号采集点A4第二采集时刻下的正常肌电信号输入至构建好的多项式函数关系中以输出正常肌电信号来替换掉对应的第二采集时刻下的异常信号。
上位机200用于对每个步宽时间内各个阵列肌电传感器对应的正常肌电信号进行特征提取，以获得每个步宽时间内各个阵列肌电传感器对应的多个肌电特征值，将每个步宽时间内各个阵列肌电传感器对应的多个肌电特征值作为一个输入样本按照时序依次输入至训练好的糖尿病足风险有无神经网络模型中以确定待测人员是否有无糖尿病足风险，在确定待测人员无糖尿病足风险时输出待测人员无糖尿病足风险的信息，在确定待测人员有糖尿病足风险时再将每个步宽时间内各个阵列肌电传感器对应的多个肌电特征值作为一个输入样本按照时序依次输入至训练好的糖尿病足风险等级评估神经网络模型中以确定待测人员所处的糖尿病足风险等级并输出，糖尿病足风险等级糖包括低风险等级、中风险等级和高风险等级。
例如：经上述矫正处理后得到74个步宽时间对应的肌电信号，这些肌电信号都是正常的肌电信号，这74个步宽时间中，每个步宽时间内各个阵列肌电传感器对应的多个肌电特征值作为一个输入样本，这样可得到74个输入样本，这74个输入样本按照先后时序关系依次输入至训练好的糖尿病足风险有无神经网络模型中，从而输出待测人员是否有无糖尿病足风险，若待测人员无糖尿病足风险则显示或提示待测人员，若待测人员有糖尿病足风险则进一步判断具体处于何种风险等级，这74个输入样本按照先后时序关系依次输入至训练好的糖尿病足风险等级评估神经网络模型中，从而输出待测人员所处的糖尿病足风险等级。
本实施例中，糖尿病足风险有无神经网络模型利用各个历史患者的各个步宽时间内各个阵列肌电传感器对应的多个肌电特征值作为输入样本按照时序依次输入，对应历史患者的无糖尿病足风险/有糖尿病足风险作为输出样本进行学习训练而获得。
本实施例中，糖尿病足风险等级神经网络模型利用各个有糖尿病足的历史患者的各个步宽时间内各个阵列肌电传感器对应的多个肌电特征值作为输入样本按照时序依次输入，对应有糖尿病足的历史患者的糖尿病足风险等级作为输出样本进行学习训练而获得。
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 (6)

1.一种基于肌电信号的糖尿病足风险等级评测系统，其特征在于，其包括设置有下位机的智能长筒靴和上位机，所述下位机和上位机进行信息交互，所述智能长筒靴包括鞋本体和长筒本体，所述鞋本体的内底部前部与待测人员的足底前部相对应的位置和内底部后部与待测人员的足底后部相对应的位置均固定有压力传感器，所述鞋本体的内底部中部与待测人员的足弓部相对应的位置固定有第一阵列肌电传感器，所述鞋本体的内底部后部与待测人员的足跟部相对应的位置固定有第二阵列肌电传感器，所述鞋本体的内顶部与待测人员的足背部相对应的位置固定有第三阵列肌电传感器，所述长筒本体的内侧与待测人员的腓骨长肌部相对应的位置固定有第四阵列肌电传感器，所述长筒本体的内侧与待测人员的腓骨短肌部相对应的位置固定有第五阵列肌电传感器，所述长筒本体的内侧与待测人员的胫骨后肌部相对应的位置固定有第六阵列肌电传感器，所述长筒本体的内侧与待测人员的外裸后部相对应的位置固定有第七阵列肌电传感器，所述长筒本体的内侧与待测人员的小腿外侧部相对应的位置固定有第八阵列肌电传感器，所述长筒本体上设置有无线通讯模块、计时器和扬声器，各个阵列肌电传感器中各个肌电采集点呈矩阵排列；
所述上位机用于发出一糖尿病足风险等级评测指令给下位机，所述下位机用于通过无线通讯模块接收该糖尿病足风险等级评测指令后，启动各压力传感器、各阵列肌电传感器、计时器和扬声器，控制扬声器发出提示穿戴此智能长筒靴的待测人员开始行走的信息；
每一所述压力传感器均用于实时检测待测人员的足底压力值，每一所述阵列肌电传感器均用于实时检测待测人员的对应部位的肌电信号；
所述下位机用于接收每一压力传感器传来的足底压力值，在每一压力传感器传来的足底压力值均由不为零突增时开始设定检测时间的计时，在每一压力传感器传来的足底压力值均由零突增的时刻记录此时时刻，开始计时时刻到第一个由零突增的时刻记为第一个步宽时间，前后两个由零突增的时刻记为一个步宽时间；
所述下位机用于将每个步宽时间内收到的各个阵列肌电传感器传来的肌电信号作为一个信号采集单元利用无线通讯模块传输给上位机；
所述下位机用于在设定检测时间到时发出提示待测人员暂停行走的信息；
所述上位机用于对每个步宽时间内各个阵列肌电传感器的肌电信号进行信号预处理操作，判断每个步宽时间内各个阵列肌电传感器的经预处理后肌电信号是否存在异缺信号，在判断出不存在异缺信号时进入特征提取操作；在判断出步宽时间内部分/全部阵列肌电传感器的肌电信号存在异缺信号时，判断步宽时间内存在异缺信号的步宽时间数量是否小于等于第一设定数量，在为是时则直接将存在异缺信号的步宽时间对应的所有肌电信号均丢弃，丢弃后存留的步宽时间对应的所有肌电信号均为正常肌电信号，对丢弃后存留的各个步宽时间内的所有肌电信号进入特征提取操作；在为否时判断步宽时间内存在异缺信号的步宽时间数量是否大于等于第二设定数量，在为是时则直接告知下位机重新评测；在为否时统计步宽时间内异缺信号可矫正的可矫正步宽时间数量，设定检测时间内步宽时间总数量-存在异缺信号的步宽时间数量+可矫正步宽时间数量是否大于等于第二设定数量，在为是时则对步宽时间内的异缺信号进行异缺信号矫正操作，矫正好后进入特征提取操作；在为否时则对步宽时间内异缺信号不进行矫正操作，直接告知下位机重新评测，第二设定数量大于第一设定数量；
所述上位机用于对每个步宽时间内各个阵列肌电传感器对应的正常肌电信号进行特征提取，以获得每个步宽时间内各个阵列肌电传感器对应的多个肌电特征值，将每个步宽时间内各个阵列肌电传感器对应的多个肌电特征值作为一个输入样本按照时序依次输入至训练好的糖尿病足风险有无神经网络模型中以确定待测人员是否有无糖尿病足风险，在确定待测人员无糖尿病足风险时输出待测人员无糖尿病足风险的信息，在确定待测人员有糖尿病足风险时再将每个步宽时间内各个阵列肌电传感器对应的多个肌电特征值作为一个输入样本按照时序依次输入至训练好的糖尿病足风险等级评估神经网络模型中以确定待测人员所处的糖尿病足风险等级并输出；
步宽时间内异缺信号可矫正的判定方式为：判断步宽时间内与异缺信号对应的信号采集点横向相邻的信号采集点和纵向相邻的信号采集点同一采集时刻下的肌电信号是否均为正常肌电信号，在为是时则判定步宽时间内该异缺信号可矫正，在为否时则判定步宽时间内该异缺信号不可矫正。
2.如权利要求1所述的基于肌电信号的糖尿病足风险等级评测系统，其特征在于，异缺信号矫正操作：针对步宽时间内某一可矫正的异缺信号，利用该异缺信号同一采集时刻下的横向相邻的肌电信号和纵向相邻的肌电信号对该异缺信号进行矫正。
3.如权利要求2所述的基于肌电信号的糖尿病足风险等级评测系统，其特征在于，利用该步宽时间内异缺信号对应的信号采集点、横向相邻的信号采集点和纵向相邻的信号采集点对应的各个采集时刻下的肌电信号中同一采集时刻的肌电信号都是正常的肌电信号，以横向相邻的信号采集点和纵向相邻的信号采集点对应的各个采集时刻下的正常肌电信号为输入，以异缺信号对应的信号采集点对应的同一采集时刻下的正常肌电信号为输出，构建多项式函数，将与异缺信号处于同一采集时刻下的正常肌电信号输入至构建好的多项式函数关系中以输出正常肌电信号来替换掉对应的异缺信号。
4.如权利要求1所述的基于肌电信号的糖尿病足风险等级评测系统，其特征在于，信号预处理操作：对每个步宽时间内各个阵列肌电传感器的肌电信号进行降噪滤波和去除基线漂移预处理。
5.如权利要求1所述的基于肌电信号的糖尿病足风险等级评测系统，其特征在于，糖尿病足风险有无神经网络模型利用各个历史患者的各个步宽时间内各个阵列肌电传感器对应的多个肌电特征值作为输入样本按照时序依次输入，对应历史患者的无糖尿病足风险/有糖尿病足风险作为输出样本进行学习训练而获得。
6.如权利要求1所述的基于肌电信号的糖尿病足风险等级评测系统，其特征在于，糖尿病足风险等级神经网络模型利用各个有糖尿病足的历史患者的各个步宽时间内各个阵列肌电传感器对应的多个肌电特征值作为输入样本按照时序依次输入，对应有糖尿病足的历史患者的糖尿病足风险等级作为输出样本进行学习训练而获得。
CN202311342067.9A 2023-10-17 2023-10-17 一种基于肌电信号的糖尿病足风险等级评测系统 Active CN117338301B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311342067.9A CN117338301B (zh) 2023-10-17 2023-10-17 一种基于肌电信号的糖尿病足风险等级评测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311342067.9A CN117338301B (zh) 2023-10-17 2023-10-17 一种基于肌电信号的糖尿病足风险等级评测系统

Publications (2)

Publication Number Publication Date
CN117338301A CN117338301A (zh) 2024-01-05
CN117338301B true CN117338301B (zh) 2024-03-29

Family

ID=89360849

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311342067.9A Active CN117338301B (zh) 2023-10-17 2023-10-17 一种基于肌电信号的糖尿病足风险等级评测系统

Country Status (1)

Country Link
CN (1) CN117338301B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1995012352A1 (de) * 1993-11-04 1995-05-11 Paromed Medizintechnik Gmbh Vorrichtung und verfahren zur ulcusprophylaxe und zur früherkennung der neuropathie beim diabetischen fuss
WO2017048979A1 (en) * 2015-09-15 2017-03-23 The Arizona Board Of Regents On Behalf Of The University Of Arizona Smart textile to predict risk of diabetic foot ulcer
CN107788991A (zh) * 2017-10-26 2018-03-13 复旦大学 可穿戴式下肢康复评估系统
WO2019175899A1 (en) * 2018-03-15 2019-09-19 On My Own Technology Pvt Ltd Wearable device for gait analysis
CN111329484A (zh) * 2020-02-24 2020-06-26 华南理工大学 基于足底压力信息时空域特征的糖尿病足风险预警装置
CN112244803A (zh) * 2020-10-30 2021-01-22 中国科学院合肥物质科学研究院 一种糖尿病足风险检测设备
CN115067879A (zh) * 2022-06-08 2022-09-20 陕西科技大学 一种糖尿病足足部压力阈值测试装置及方法
CN116013514A (zh) * 2022-12-08 2023-04-25 中国科学院合肥物质科学研究院 一种基于多参数融合的一体化糖尿病足预测系统
CN116807457A (zh) * 2023-07-03 2023-09-29 北京航空航天大学杭州创新研究院 一种基于单肌电传感器的步态事件检测方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1995012352A1 (de) * 1993-11-04 1995-05-11 Paromed Medizintechnik Gmbh Vorrichtung und verfahren zur ulcusprophylaxe und zur früherkennung der neuropathie beim diabetischen fuss
WO2017048979A1 (en) * 2015-09-15 2017-03-23 The Arizona Board Of Regents On Behalf Of The University Of Arizona Smart textile to predict risk of diabetic foot ulcer
CN107788991A (zh) * 2017-10-26 2018-03-13 复旦大学 可穿戴式下肢康复评估系统
WO2019175899A1 (en) * 2018-03-15 2019-09-19 On My Own Technology Pvt Ltd Wearable device for gait analysis
CN111329484A (zh) * 2020-02-24 2020-06-26 华南理工大学 基于足底压力信息时空域特征的糖尿病足风险预警装置
CN112244803A (zh) * 2020-10-30 2021-01-22 中国科学院合肥物质科学研究院 一种糖尿病足风险检测设备
CN115067879A (zh) * 2022-06-08 2022-09-20 陕西科技大学 一种糖尿病足足部压力阈值测试装置及方法
CN116013514A (zh) * 2022-12-08 2023-04-25 中国科学院合肥物质科学研究院 一种基于多参数融合的一体化糖尿病足预测系统
CN116807457A (zh) * 2023-07-03 2023-09-29 北京航空航天大学杭州创新研究院 一种基于单肌电传感器的步态事件检测方法及系统

Also Published As

Publication number Publication date
CN117338301A (zh) 2024-01-05

Similar Documents

Publication Publication Date Title
US8251905B2 (en) Blood glucose measuring device and method of measuring average postprandial blood glucose
WO2011002788A2 (en) Method of assessing human fall risk using mobile systems
CN108814617A (zh) 冻结步态识别方法和装置及步态检测仪
CN117457229B (zh) 基于人工智能的麻醉深度监测系统及方法
CN109567812B (zh) 基于智能鞋垫的步态分析系统
CN111035395B (zh) 血氧饱和度信号分析方法、装置、计算机设备和存储介质
CN113796852B (zh) 一种基于梯度提升决策树模型算法的糖尿病足预测方法
CN113057627B (zh) 基于弱足cop特征的步态特征提取方法及跌倒风险判别系统
CN114343620A (zh) 目标步态体态评估方法、装置、设备及介质
CN113128585B (zh) 一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法
CN107212506A (zh) 智能鞋及监控左右脚受力的方法和装置
CN117338301B (zh) 一种基于肌电信号的糖尿病足风险等级评测系统
CN109688923B (zh) 乳酸性作业阈值推测装置以及乳酸性作业阈值推测方法
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
CN117547287B (zh) 一种基于多生理参数的糖尿病足风险评估系统
CN115770028A (zh) 血压检测方法、系统、装置及存储介质
CN110547805A (zh) 一种实时的基于足底压力的步态分析方法
CN116168834A (zh) 一种基于多数据融合的糖尿病足分析预测方法及系统
CN105662423A (zh) 脚掌落地方式检测设备及方法、包括该设备的鞋垫和鞋
KR102614602B1 (ko) 비침습 생체정보의 교정 방법
KR20200102162A (ko) 착용형 보행 분석 장치
CN111632361B (zh) 基于足底压力的足旋前检测方法和装置
CN117357063B (zh) 一种基于生理信号的半月板损伤等级评估系统及方法
EP4059424A1 (en) System for monitoring gastro-intestinal disorders
KR102474407B1 (ko) 빠른 속도 보행에서의 보행 변인을 이용한 노인 인지장애 심각도 예측 방법 및 시스템

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