CN117547287A - 一种基于多生理参数的糖尿病足风险评估系统 - Google Patents
一种基于多生理参数的糖尿病足风险评估系统 Download PDFInfo
- Publication number
- CN117547287A CN117547287A CN202311508267.7A CN202311508267A CN117547287A CN 117547287 A CN117547287 A CN 117547287A CN 202311508267 A CN202311508267 A CN 202311508267A CN 117547287 A CN117547287 A CN 117547287A
- Authority
- CN
- China
- Prior art keywords
- step width
- abnormal
- time
- width time
- tested
- 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.)
- Granted
Links
- 206010012601 diabetes mellitus Diseases 0.000 title claims abstract description 40
- 238000012502 risk assessment Methods 0.000 title claims abstract description 31
- 230000003183 myoelectrical effect Effects 0.000 claims abstract description 47
- 238000003062 neural network model Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 3
- 230000002159 abnormal effect Effects 0.000 claims description 118
- 208000008960 Diabetic foot Diseases 0.000 claims description 45
- 238000004891 communication Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 210000003205 muscle Anatomy 0.000 claims description 3
- 230000007812 deficiency Effects 0.000 claims 2
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 208000032131 Diabetic Neuropathies Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010034620 Peripheral sensory neuropathy Diseases 0.000 description 1
- 238000002266 amputation Methods 0.000 description 1
- 244000309466 calf Species 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 201000005572 sensory peripheral neuropathy Diseases 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
- A61B5/25—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
- A61B5/24—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
-
- 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
- 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)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于多生理参数的糖尿病足风险评估系统，在向训练好的糖尿病足风险有无神经网络模型/糖尿病足风险等级神经网络模型中输入输入样本时，输入样本不仅包括待测人员每个步宽时间内各个无线阵列肌电传感器对应的由正常肌电信号提取出的多个肌电特征值，还包括待测人员的数值化的基本信息，进一步提高本发明的待测人员是否患有糖尿病足以及患有糖尿病足风险等级的准确性。将智能长筒靴的鞋本体和长筒本体都设计成弹性的，使得智能长筒靴与待测人员人体待测部位紧密相贴，以降低待测人员行走时阵列肌电传感器脱离待测人员相应部位的可能性。对采集到的表面肌电信号进行充分优化处理，采用5级优化处理，处理更加优化、更加合理。
Description
技术领域
本发明涉及糖尿病足风险评估技术领域，特别是涉及一种基于多生理参数的糖尿病足风险评估系统。
背景技术
糖尿病周围神经病变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。
本发明设计人在本发明申请日之前申请了一个发明专利(专利申请号为2023113420679、专利名称为一种基于肌电信号的糖尿病足风险等级评测系统)，此已经申请发明专利涉及了仅仅利用采集的多个部位的肌电信号来评估糖尿病足风险及其风险等级的技术，但是该发明专利申请并未考虑到患者的基本信息(如患者年龄、性别、身高和体重)对糖尿病足的影响，也未考虑到如何使得智能长筒靴与待测人员人体待测部位紧密相贴以便降低待测人员行走时阵列肌电传感器脱离待测人员相应部位的可能性，减少未采集到相应部位的表面肌电信号或采集到的相应部位的表面肌电信号为异常肌电信号的可能性，还未对采集到的表面肌电信号进行充分优化处理。
发明内容
本发明针对现有技术存在的问题和不足，提供一种基于多生理参数的糖尿病足风险评估系统。
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多生理参数的糖尿病足风险评估系统，其特点在于，其包括设置有下位机的智能长筒靴和上位机，下位机和上位机无线通讯连接，智能长筒靴包括弹性鞋本体和弹性长筒本体，弹性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，弹性鞋本体和弹性长筒本体的内侧上设置有多个无线阵列肌电传感器，每个无线阵列肌电传感器均与待测人员的人体相应部位相对应，弹性鞋本体或弹性长筒本体上设有无线通讯模块、计时器和扬声器，各个无线阵列肌电传感器中各个肌电采集点呈矩阵排布；
上位机用于发出一糖尿病足风险评估指令给下位机，下位机用于通过无线通讯模块接收该糖尿病足风险评估指令后，启动各压力传感器、各无线阵列肌电传感器、计时器和扬声器，控制扬声器发出提示信息，提示信息为待测人员右脚穿戴此智能长筒靴则左腿先开始行走、左脚穿戴此智能长筒靴则右腿先开始行走的信息；
每一压力传感器均用于实时检测待测人员的足底压力值，每一无线阵列肌电传感器均用于实时检测待测人员的对应部位的表面肌电信号；
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压力值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对应由零突增的时刻则记录此时时刻，开始计时时刻到第一个由零突增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；
下位机用于将每个步宽时间内收到的各个无线阵列肌电传感器传来的表面肌电信号作为一个信号采集包利用无线通讯模块传输给上位机，并在设定检测时间到时控制扬声器发出提示待测人员暂停行走的信息；
上位机用于解析各个步宽时间对应的信号采集包，计算设定检测时间内步宽时间的总数量，判断某个步宽时间内无线阵列肌电传感器的表面肌电信号是否存在异缺信号，在判断出所有步宽时间内各个无线阵列肌电传感器的表面肌电信号均不存在异缺信号时对其直接进行信号预处理操作；在判断出步宽时间内部分/全部无线阵列肌电传感器的表面肌电信号存在异缺信号时，进一步判断步宽时间内存在异缺信号的步宽时间数量即异缺步宽时间数量与第一设定数量和第二设定数量之间的关系，在判断出异缺步宽时间数量≤第一设定数量时直接将存在异缺信号的步宽时间即异缺步宽时间对应的所有表面肌电信号均丢弃，对丢弃后存留的各个步宽时间内的所有表面肌电信号进行预处理，在判断出异缺步宽时间数量≥第二设定数量时直接向下位机重发糖尿病足风险评估指令，在判断出第一设定数量＜异缺步宽时间数量＜第二设定数量时进一步判断是否存在异缺步宽时间内异缺信号均为同一采集时刻的，在为是时统计异缺信号均为同一采集时刻的步宽时间数量作为可正常步宽时间数量，计算异缺步宽时间数量与可正常步宽时间数量的差值，此差值≤第一设定数量时，将可正常步宽时间内同一采集时刻的异缺信号丢弃，则每一可正常步宽时间内丢弃后的所有表面肌电信号均为正常肌电信号，再将可正常步宽时间以外的异缺步宽时间对应的所有表面肌电信号均丢弃，对丢弃后存留的各个步宽时间内的所有表面肌电信号进行预处理，此差值＞第一设定数量时，统计除了可正常步宽时间以外的异缺步宽时间内异缺信号可矫正的可矫正步宽时间数量，计算步宽时间总数量-(异缺步宽时间数量-可正常步宽时间数量)+可矫正步宽时间数量的数值，判断是否此数值≥第二设定数量，在为是时则对可矫正步宽时间内的异缺信号进行异缺信号矫正操作，矫正好后对无异缺步宽时间内的表面肌电信号进行信号预处理操作，在为否时直接向下位机重发糖尿病足风险评估指令，第二设定数量大于第一设定数量；
上位机用于对经信号预处理后的每个步宽时间内各无线阵列肌电传感器对应的表面肌电信号进行特征提取，以获得每个步宽时间内各个无线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无线阵列肌电传感器对应的多个肌电特征值和待测人员的数值化的基本信息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输出待测人员是否有无糖尿病足风险，在输出待测人员有糖尿病足风险时再将每个步宽时间内各个无线阵列肌电传感器对应的多个肌电特征值和待测人员的数值化的基本信息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输出待测人员所处的糖尿病足风险等级并输出。
本发明的积极进步效果在于：
1、本发明中，考虑到了患者的基本信息对糖尿病足的影响，在向训练好的糖尿病足风险有无神经网络模型/糖尿病足风险等级神经网络模型中输入输入样本时，输入样本不仅包括待测人员每个步宽时间内各个无线阵列肌电传感器对应的由正常肌电信号提取出的多个肌电特征值，还包括待测人员的数值化的基本信息，进一步提高本发明的待测人员是否患有糖尿病足以及患有糖尿病足风险等级的准确性。
2、本发明中，将智能长筒靴的鞋本体和长筒本体都设计成弹性的，使得智能长筒靴与待测人员人体待测部位紧密相贴，以降低待测人员行走时阵列肌电传感器脱离待测人员相应部位的可能性，减少未采集到相应部位的表面肌电信号或采集到的相应部位的表面肌电信号为异常肌电信号的可能性。
3、本发明中，对采集到的表面肌电信号进行充分优化处理，采用5级优化处理，使得对采集到的表面肌电信号的处理更加优化、更加合理。
附图说明
图1为本发明较佳实施例的糖尿病足风险评估系统的结构框图。
图2为本发明较佳实施例的智能长筒靴的结构示意图。
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所示，本实施例提供一种基于多生理参数的糖尿病足风险评估系统，其包括智能长筒靴100和上位机200，智能长筒靴100上设有下位机，下位机和上位机200无线通讯连接。
如图2所示，智能长筒靴100包括弹性鞋本体101和弹性长筒本体102，使得智能长筒靴与待测人员人体待测部位紧密相贴。
如图2所示，弹性鞋本体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2所示，弹性鞋本体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无线阵列肌电传感器104，弹性鞋本体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无线阵列肌电传感器105，弹性鞋本体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无线阵列肌电传感器106。第一无线阵列肌电传感器104、第二无线阵列肌电传感器105和第三无线阵列肌电传感器106中各个肌电采集点均呈矩阵排布，如各个无线阵列肌电传感器可以采用3*3阵列肌电传感器(见图4)、4*4阵列肌电传感器或4*3阵列肌电传感器。
如图2-3所示，弹性长筒本体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无线阵列肌电传感器107，弹性长筒本体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无线阵列肌电传感器108，弹性长筒本体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无线阵列肌电传感器109，弹性长筒本体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无线阵列肌电传感器110，弹性长筒本体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无线阵列肌电传感器111。第四无线阵列肌电传感器107、第五无线阵列肌电传感器108、第六无线阵列肌电传感器109、第七无线阵列肌电传感器110和第八无线阵列肌电传感器111中各个肌电采集点均呈矩阵排布，如各个无线阵列肌电传感器可以采用3*3阵列肌电传感器(见图4)、4*4阵列肌电传感器或4*3阵列肌电传感器。
如图2所示，弹性长筒本体102上设置有壳体112，下位机113、无线通讯模块114和计时器115均设置在壳体112内，扬声器116嵌设在壳体112上。
上位机200用于发出一糖尿病足风险评估指令给下位机113，下位机113用于通过无线通讯模块114接收该糖尿病足风险评估指令后，启动各压力传感器103、各无线阵列肌电传感器104-111、计时器115和扬声器116，控制扬声器116发出提示信息，提示信息为待测人员右脚穿戴此智能长筒靴则左腿先开始行走、左脚穿戴此智能长筒靴则右腿先开始行走的信息。
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。
每一无线阵列肌电传感器104-111均用于实时检测待测人员的对应部位的表面肌电信号。
下位机113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压力值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对应由零突增的时刻则记录此时时刻，开始计时时刻到第一个由零突增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。
利用足底压力值得出待测人员在行走时的每一步的步宽时间，待测人员在行走开始前处于站立状态，两只脚都受力，则两个压力传感器103都能够检测到不为零的压力值，当检测到的压力由不为零的压力值突然增大时表明待测人员开始行走，此时开始设定检测时间的计时，当检测到的压力由零突然增大时，表明待测人员一步已走完，记录此刻时间，基于各个记录时间，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113用于将每个步宽时间内收到的各个无线阵列肌电传感器104-111传来的表面肌电信号作为一个信号采集包利用无线通讯模块114传输给上位机200，并在设定检测时间到时控制扬声器116发出提示待测人员暂停行走的信息。
上位机200用于解析各个步宽时间对应的信号采集包，计算设定检测时间内步宽时间的总数量，然后进行充分优化处理操作：
1)判断某个步宽时间内无线阵列肌电传感器的表面肌电信号是否存在异缺信号，在判断出所有步宽时间内各个无线阵列肌电传感器的表面肌电信号均不存在异缺信号时，表明所采集的每个步宽时间内的所有表面肌电信号均是正常的肌电信号，对其直接进行降噪滤波和去除基线漂移等信号预处理操作。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。
2)在判断出步宽时间内部分/全部无线阵列肌电传感器的表面肌电信号存在异缺信号时，进一步判断步宽时间内存在异缺信号的步宽时间数量即异缺步宽时间数量与第一设定数量(如30)和第二设定数量(如70)之间的关系，在判断出异缺步宽时间数量≤第一设定数量(如30)时，直接将存在异缺信号的步宽时间即异缺步宽时间对应的所有表面肌电信号均丢弃，对丢弃后存留的各个步宽时间内的所有表面肌电信号进行预处理。即使将异缺步宽时间对应的所有表面肌电信号均丢弃，剩下的正常的步宽时间对应的样本数量也足够，可用于后续糖尿病足风险评估，所以可以对异缺步宽时间对应的所有表面肌电信号采用丢弃操作。
3)在判断出异缺步宽时间数量≥第二设定数量(如70)时，表明此次采集的肌电信号异缺率太高，采集的肌电信号不可用，直接向下位机重发糖尿病足风险评估指令。
4)在判断出第一设定数量(如30)＜异缺步宽时间数量＜第二设定数量(如70)时，进一步判断是否存在异缺步宽时间内异缺信号均为同一采集时刻的，在为是时统计异缺信号均为同一采集时刻的步宽时间数量作为可正常步宽时间数量，计算异缺步宽时间数量与可正常步宽时间数量的差值，此差值≤第一设定数量时，将可正常步宽时间内同一采集时刻的异缺信号丢弃，则每一可正常步宽时间内丢弃后的所有表面肌电信号均为正常肌电信号，再将可正常步宽时间以外的异缺步宽时间对应的所有表面肌电信号均丢弃，对丢弃后存留的各个步宽时间内的所有表面肌电信号进行预处理。
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，即具有40个异缺步宽时间数量，进一步判断出存在异缺步宽时间内异缺信号均为同一采集时刻的，统计异缺信号均为同一采集时刻的步宽时间数量作为可正常步宽时间数量为12个，如每个步宽时间内有20个采集时刻点，第一个步宽时间内的异缺信号均为第二个采集时刻点，则将第一个步宽时间内第二个采集时刻点下的肌电信号均丢弃，这样第一个步宽时间内还有19个采集时刻点对应的表面肌电信号，且这些表面肌电信号都是正常的肌电信号。计算异缺步宽时间数量与可正常步宽时间数量的差值，40-12＝28个，此差值28≤第一设定数量30，将可正常步宽时间内同一采集时刻的异缺信号丢弃，则每一可正常步宽时间内丢弃同一采集时刻的异缺信号后的所有表面肌电信号均为正常肌电信号，再将可正常步宽时间以外的异缺步宽时间对应的所有表面肌电信号均丢弃，对丢弃后存留的各个步宽时间内的所有表面肌电信号进行预处理。此操作中，可正常步宽时间数量+正常(本来就无异缺信号)的步宽时间数量就大于第二设定数量70了，样本数量足够，可用于后续糖尿病足风险评估。
5)此差值＞第一设定数量时，统计除了可正常步宽时间以外的异缺步宽时间内异缺信号可矫正的可矫正步宽时间数量，计算步宽时间总数量-(异缺步宽时间数量-可正常步宽时间数量)+可矫正步宽时间数量的数值，判断是否此数值≥第二设定数量，在为是时则对可矫正步宽时间内的异缺信号进行异缺信号矫正操作，矫正好后对无异缺步宽时间内的表面肌电信号进行信号预处理操作，在为否时直接向下位机重发糖尿病足风险评估指令，第二设定数量大于第一设定数量。
例如：具有40个异缺步宽时间数量，8个可正常步宽时间数量，异缺步宽时间数量40-可正常步宽时间数量8＝32个，此差值32＞第一设定数量30，统计除了可正常步宽时间以外的异缺步宽时间内异缺信号可矫正的可矫正步宽时间数量，若可矫正步宽时间数量为4个，计算步宽时间总数量100-(异缺步宽时间数量40-可正常步宽时间数量8)+可矫正步宽时间数量的数值4，判断此数值72≥第二设定数量70，则对可矫正步宽时间内的异缺信号进行异缺信号矫正操作，矫正好后对无异缺步宽时间内的表面肌电信号进行信号预处理操作。
其中，除了可正常步宽时间以外的异缺步宽时间内异缺信号可矫正的判定方式为：判断异缺步宽时间内与异缺信号所处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在同一采集时刻下的表面肌电信号是否均为正常表面肌电信号，在为是时则判断出此异缺步宽时间内此异缺信号可矫正，在为否时则判断出此异缺步宽时间内此异缺信号不可矫正。
对可矫正步宽时间内的异缺信号进行异缺信号矫正操作：利用此异缺步宽时间内此异缺信号所处的信号采集点、横向相邻的信号采集点和纵向相邻的信号采集点在同一采集时刻下的正常的表面肌电信号，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表面肌电信号为输入，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表面肌电信号为输出，构建多项式函数，将与异缺信号处于同一采集时刻下的横向相邻的信号采集点和纵向相邻的信号采集点对应的正常表面肌电信号输入至构建好的多项式函数关系中以输出一个表面肌电信号，此输出的表面肌电信号用于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A5在第5采集时刻点下采集到的表面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A5横向相邻的信号采集点A4及信号采集点A6和纵向相邻的信号采集点A2及信号采集点8在第5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A4及信号采集点A6和纵向相邻的信号采集点A2及信号采集点8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A5、信号采集点A4、信号采集点A6、信号采集点A2和信号采集点A8在第1-4采集时刻下及第6-20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A4、信号采集点A6、信号采集点A2和信号采集点A8第1-4采集时刻下及第6-20采集时刻下同时采集的肌电信号为输入，以信号采集点A5第1-4采集时刻下及第6-20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A4、信号采集点A6、信号采集点A2和信号采集点A8第5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5采集时刻下的异常信号。
上位机200用于对经信号预处理后的每个步宽时间内各无线阵列肌电传感器104-111对应的表面肌电信号进行特征提取，以获得每个步宽时间内各个无线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无线阵列肌电传感器对应的多个肌电特征值和待测人员的数值化的基本信息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输出待测人员是否有无糖尿病足风险，在输出待测人员有糖尿病足风险时再将每个步宽时间内各个无线阵列肌电传感器104-111对应的多个肌电特征值和待测人员的数值化的基本信息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输出待测人员所处的糖尿病足风险等级并输出。
其中，待测人员的数值化的基本信息是指对待测人员的基本信息进行数值化处理，待测人员的基本信息包括性别、年龄、身高和体重，糖尿病足风险等级包括轻度糖尿病足风险等级、中度糖尿病足风险等级和重度糖尿病足风险等级。
糖尿病足风险有无神经网络模型利用多个历史患者的各个步宽时间内各个无线阵列肌电传感器对应的多个肌电特征值和历史患者的数值化的基本信息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，从而获得训练好的糖尿病足风险有无神经网络模型，其中，历史患者的一个步宽时间内对应的所有肌电特征值和历史患者的数值化的基本信息作为一个输入样本。
糖尿病足风险等级神经网络模型利用多个有糖尿病足的历史患者的各个步宽时间内各个无线阵列肌电传感器对应的多个肌电特征值和历史患者的数值化的基本信息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，从而获得训练好的糖尿病足风险等级神经网络模型，其中，历史患者的一个步宽时间内对应的所有肌电特征值和历史患者的数值化的基本信息作为一个输入样本。
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 (8)
1.一种基于多生理参数的糖尿病足风险评估系统，其特征在于，其包括设置有下位机的智能长筒靴和上位机，下位机和上位机无线通讯连接，智能长筒靴包括弹性鞋本体和弹性长筒本体，弹性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，弹性鞋本体和弹性长筒本体的内侧上设置有多个无线阵列肌电传感器，每个无线阵列肌电传感器均与待测人员的人体相应部位相对应，弹性鞋本体或弹性长筒本体上设有无线通讯模块、计时器和扬声器，各个无线阵列肌电传感器中各个肌电采集点呈矩阵排布；
上位机用于发出一糖尿病足风险评估指令给下位机，下位机用于通过无线通讯模块接收该糖尿病足风险评估指令后，启动各压力传感器、各无线阵列肌电传感器、计时器和扬声器，控制扬声器发出提示信息，提示信息为待测人员右脚穿戴此智能长筒靴则左腿先开始行走、左脚穿戴此智能长筒靴则右腿先开始行走的信息；
每一压力传感器均用于实时检测待测人员的足底压力值，每一无线阵列肌电传感器均用于实时检测待测人员的对应部位的表面肌电信号；
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压力值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对应由零突增的时刻则记录此时时刻，开始计时时刻到第一个由零突增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；
下位机用于将每个步宽时间内收到的各个无线阵列肌电传感器传来的表面肌电信号作为一个信号采集包利用无线通讯模块传输给上位机，并在设定检测时间到时控制扬声器发出提示待测人员暂停行走的信息；
上位机用于解析各个步宽时间对应的信号采集包，计算设定检测时间内步宽时间的总数量，判断某个步宽时间内无线阵列肌电传感器的表面肌电信号是否存在异缺信号，在判断出所有步宽时间内各个无线阵列肌电传感器的表面肌电信号均不存在异缺信号时对其直接进行信号预处理操作；在判断出步宽时间内部分/全部无线阵列肌电传感器的表面肌电信号存在异缺信号时，进一步判断步宽时间内存在异缺信号的步宽时间数量即异缺步宽时间数量与第一设定数量和第二设定数量之间的关系，在判断出异缺步宽时间数量≤第一设定数量时直接将存在异缺信号的步宽时间即异缺步宽时间对应的所有表面肌电信号均丢弃，对丢弃后存留的各个步宽时间内的所有表面肌电信号进行预处理，在判断出异缺步宽时间数量≥第二设定数量时直接向下位机重发糖尿病足风险评估指令，在判断出第一设定数量＜异缺步宽时间数量＜第二设定数量时进一步判断是否存在异缺步宽时间内异缺信号均为同一采集时刻的，在为是时统计异缺信号均为同一采集时刻的步宽时间数量作为可正常步宽时间数量，计算异缺步宽时间数量与可正常步宽时间数量的差值，此差值≤第一设定数量时，将可正常步宽时间内同一采集时刻的异缺信号丢弃，则每一可正常步宽时间内丢弃后的所有表面肌电信号均为正常肌电信号，再将可正常步宽时间以外的异缺步宽时间对应的所有表面肌电信号均丢弃，对丢弃后存留的各个步宽时间内的所有表面肌电信号进行预处理，此差值＞第一设定数量时，统计除了可正常步宽时间以外的异缺步宽时间内异缺信号可矫正的可矫正步宽时间数量，计算步宽时间总数量-(异缺步宽时间数量-可正常步宽时间数量)+可矫正步宽时间数量的数值，判断是否此数值≥第二设定数量，在为是时则对可矫正步宽时间内的异缺信号进行异缺信号矫正操作，矫正好后对无异缺步宽时间内的表面肌电信号进行信号预处理操作，在为否时直接向下位机重发糖尿病足风险评估指令，第二设定数量大于第一设定数量；
上位机用于对经信号预处理后的每个步宽时间内各无线阵列肌电传感器对应的表面肌电信号进行特征提取，以获得每个步宽时间内各个无线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无线阵列肌电传感器对应的多个肌电特征值和待测人员的数值化的基本信息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输出待测人员是否有无糖尿病足风险，在输出待测人员有糖尿病足风险时再将每个步宽时间内各个无线阵列肌电传感器对应的多个肌电特征值和待测人员的数值化的基本信息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输出待测人员所处的糖尿病足风险等级并输出。
2.如权利要求1所述的基于多生理参数的糖尿病足风险评估系统，其特征在于，弹性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无线阵列肌电传感器，弹性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无线阵列肌电传感器，弹性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无线阵列肌电传感器，弹性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无线阵列肌电传感器，弹性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无线阵列肌电传感器，弹性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无线阵列肌电传感器，弹性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无线阵列肌电传感器，弹性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无线阵列肌电传感器。
3.如权利要求1所述的基于多生理参数的糖尿病足风险评估系统，其特征在于，弹性长筒本体上设置有壳体，下位机、无线通讯模块和计时器均设置在壳体内，扬声器嵌设在壳体上。
4.如权利要求1所述的基于多生理参数的糖尿病足风险评估系统，其特征在于，除了可正常步宽时间以外的异缺步宽时间内异缺信号可矫正的判定方式为：判断异缺步宽时间内与异缺信号所处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在同一采集时刻下的表面肌电信号是否均为正常表面肌电信号，在为是时则判断出此异缺步宽时间内此异缺信号可矫正，在为否时则判断出此异缺步宽时间内此异缺信号不可矫正。
5.如权利要求4所述的基于多生理参数的糖尿病足风险评估系统，其特征在于，对可矫正步宽时间内的异缺信号进行异缺信号矫正操作：利用此异缺步宽时间内此异缺信号所处的信号采集点、横向相邻的信号采集点和纵向相邻的信号采集点在同一采集时刻下的正常的表面肌电信号，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表面肌电信号为输入，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表面肌电信号为输出，构建多项式函数，将与异缺信号处于同一采集时刻下的横向相邻的信号采集点和纵向相邻的信号采集点对应的正常表面肌电信号输入至构建好的多项式函数关系中以输出一个表面肌电信号，此输出的表面肌电信号用于替换掉对应的异缺信号。
6.如权利要求1所述的基于多生理参数的糖尿病足风险评估系统，其特征在于，糖尿病足风险有无神经网络模型利用多个历史患者的各个步宽时间内各个无线阵列肌电传感器对应的多个肌电特征值和历史患者的数值化的基本信息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，从而获得训练好的糖尿病足风险有无神经网络模型，其中，历史患者的一个步宽时间内对应的所有肌电特征值和历史患者的数值化的基本信息作为一个输入样本。
7.如权利要求1所述的基于多生理参数的糖尿病足风险评估系统，其特征在于，糖尿病足风险等级神经网络模型利用多个有糖尿病足的历史患者的各个步宽时间内各个无线阵列肌电传感器对应的多个肌电特征值和历史患者的数值化的基本信息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，从而获得训练好的糖尿病足风险等级神经网络模型，其中，历史患者的一个步宽时间内对应的所有肌电特征值和历史患者的数值化的基本信息作为一个输入样本。
8.如权利要求1所述的基于多生理参数的糖尿病足风险评估系统，其特征在于，待测人员的数值化的基本信息是指对待测人员的基本信息进行数值化处理，待测人员的基本信息包括性别、年龄、身高和体重，糖尿病足风险等级包括轻度糖尿病足风险等级、中度糖尿病足风险等级和重度糖尿病足风险等级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311508267.7A CN117547287B (zh) | 2023-11-14 | 2023-11-14 | 一种基于多生理参数的糖尿病足风险评估系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311508267.7A CN117547287B (zh) | 2023-11-14 | 2023-11-14 | 一种基于多生理参数的糖尿病足风险评估系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117547287A true CN117547287A (zh) | 2024-02-13 |
| CN117547287B CN117547287B (zh) | 2024-04-09 |
Family
ID=89822626
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311508267.7A Active CN117547287B (zh) | 2023-11-14 | 2023-11-14 | 一种基于多生理参数的糖尿病足风险评估系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117547287B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108720842A (zh) * | 2018-05-23 | 2018-11-02 | 上海交通大学 | 基于肌电信号反馈的可穿戴下肢康复系统 |
| WO2018205424A1 (zh) * | 2017-05-09 | 2018-11-15 | 深圳市科迈爱康科技有限公司 | 基于肌电的生物识别方法、终端及计算机可读存储介质 |
| 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 |
| CN113599048A (zh) * | 2021-09-28 | 2021-11-05 | 首都医科大学附属北京世纪坛医院 | 一种实时监测步态、表面肌电及足部血供的下肢康复支具 |
| CN113796852A (zh) * | 2021-09-30 | 2021-12-17 | 太原理工大学 | 一种基于梯度提升决策树模型算法的糖尿病足预测方法 |
| CN113967006A (zh) * | 2021-10-29 | 2022-01-25 | 重庆大学 | 一种便携式糖尿病足生理参数监测系统 |
| WO2022158848A1 (ko) * | 2021-01-20 | 2022-07-28 | 서울대학교병원 | 당뇨발 분석 장치 및 당뇨발 관리 시스템 |
| CN116196020A (zh) * | 2023-03-24 | 2023-06-02 | 苏州海臻医疗器械有限公司 | 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 |
-
2023
- 2023-11-14 CN CN202311508267.7A patent/CN117547287B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018205424A1 (zh) * | 2017-05-09 | 2018-11-15 | 深圳市科迈爱康科技有限公司 | 基于肌电的生物识别方法、终端及计算机可读存储介质 |
| CN108720842A (zh) * | 2018-05-23 | 2018-11-02 | 上海交通大学 | 基于肌电信号反馈的可穿戴下肢康复系统 |
| 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 |
| WO2022158848A1 (ko) * | 2021-01-20 | 2022-07-28 | 서울대학교병원 | 당뇨발 분석 장치 및 당뇨발 관리 시스템 |
| CN113599048A (zh) * | 2021-09-28 | 2021-11-05 | 首都医科大学附属北京世纪坛医院 | 一种实时监测步态、表面肌电及足部血供的下肢康复支具 |
| CN113796852A (zh) * | 2021-09-30 | 2021-12-17 | 太原理工大学 | 一种基于梯度提升决策树模型算法的糖尿病足预测方法 |
| CN113967006A (zh) * | 2021-10-29 | 2022-01-25 | 重庆大学 | 一种便携式糖尿病足生理参数监测系统 |
| CN116196020A (zh) * | 2023-03-24 | 2023-06-02 | 苏州海臻医疗器械有限公司 | 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117547287B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9295576B2 (en) | Computerized orthotic prescription system | |
| US8823526B2 (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 | |
| EP1358842A1 (en) | Apparatus for measuring physiological data and exercise machines | |
| US11666244B2 (en) | Foot sole pressure measurement instrument, information provision device, and information provision method | |
| TWI498103B (zh) | 組織壓力受損風險管理系統與方法 | |
| WO2006124768A1 (en) | Method and apparatus for blood pressure measurement and analysis | |
| CN108836344B (zh) | 步长步频估算方法和装置及步态检测仪 | |
| TW201325659A (zh) | 人體下肢力學行為評估系統與方法 | |
| CN109567812B (zh) | 基于智能鞋垫的步态分析系统 | |
| CN114343620A (zh) | 目标步态体态评估方法、装置、设备及介质 | |
| KR102346791B1 (ko) | 체내 삽입용 센서의 교정 민감도를 계산하는 방법 | |
| CN117547287B (zh) | 一种基于多生理参数的糖尿病足风险评估系统 | |
| CN117338301B (zh) | 一种基于肌电信号的糖尿病足风险等级评测系统 | |
| KR102251104B1 (ko) | 착용형 보행 분석 장치 | |
| CN115770028A (zh) | 血压检测方法、系统、装置及存储介质 | |
| CN111632361B (zh) | 基于足底压力的足旋前检测方法和装置 | |
| CN117042688A (zh) | 非侵入式生物信息的校正方法 | |
| CN210673316U (zh) | 一种精确检测步行时足底正应力和剪切力的传感器 | |
| CN113413143A (zh) | 一种胰岛素输注自适应控制系统 | |
| Zequera et al. | Study of the plantar pressure distribution on the sole of the foot of normal and diabetic subjects in the early stages by using a hydrocell pressure sensor | |
| EP4059424A1 (en) | System for monitoring gastro-intestinal disorders | |
| EP4139931A1 (en) | Analysis system and method for analysing the movement of a portion of the body and/or of a human prosthesis | |
| KR102404850B1 (ko) | 보행 변인을 이용한 노쇠 예측 방법 및 시스템 | |
| EP4059413A1 (en) | System for monitoring gastro-intestinal disorders |
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 |