肌肉运动事件的识别系统及其方法
【技术领域】
[0001]本发明涉及的是一种医学检测领域的技术，具体是一种肌肉运动事件的识别系统及其方法。
【背景技术】
[0002]运动控制和运动失常的神经生理检测与诊断目前主要采用同时采集肌肉活动信号(如表面肌电图)以及脑活动信号(如脑电图)，并根据相应运动事件同时分析脑活动和肌肉活动关联性的方法。然而，目前相应运动事件的选定和判别主要依靠人工完成，需要富有经验的医师在大量的记录数据中人工标记出相应运动时间的起止时刻，才能够实现进一步的脑活动和肌肉活动关联性分析。另外，目前肌肉活动信号和脑活动信号的采集往往需要病人来到专业的医疗机构进行采集，并且采集设备的安装和使用十分复杂，需要专业的医师进行操作，病人无法在医疗机构外自行操作。从而使得肌肉和脑活动信号的采集往往会给病人造成时间和经济上的负担，给医师造成较大的工作负担，同时也给进行信号检测和诊断的医生造成较大的工作负担。
[0003]经过对现有技术的检索发现，中国专利文献号CN101057795，公开(公告)日2007.10.24，公开了一种采用肌电和脑电协同控制的假肢手及其控制方法，采用肌电和脑电协同控制的假肢手，肌电脑电拾电电极、肌电脑电信号处理模块、A/D转换数据采集、肌电信号运动模式识别和轨迹预测模块，电动假肢手、触滑觉一体化传感器，系统反馈刺激装置、力量及速度调节模块。采用肌电和脑电协同控制假肢手的方法，包括下列步骤:肌电信号进行采集和放大；特征提取和模式识别；检测被抓物体的抓取情况；当被抓物没有抓取好，给操控者一定形式的物理刺激信号；检测脑电信息；输出到力量及速度调节模块；输出信号完成对电动手的进一步控制。该技术的特征提取和模式识别需要连续实时的窗口信号处理，即在信号采集的同时，连续截取一定时间窗口中的信号数值，并对之应用相应的特征提取和模式识别。这种方式可以保证对有效肌电信号的实时处理，但需要消耗大量运算，浪费大量运算处理无效肌电信号，常常造成运算量过大、运算延时高的问题。另外，在运动控制和运动失常的神经生理检测与诊断领域，医师并不需要实时的肌电信号处理，而是长时程的肌电信号采集，并高效找出有效肌电信号并对其进行处理分析。因此该技术应用于神经生理检测与诊断领域会造成过多无效运算，运算量过大，运算延时高，系统功耗高的问题。
【发明内容】
[0004]本发明针对现有技术存在的上述不足，提出一种肌肉运动事件的识别系统及其方法，能够在神经生理检测与诊断领域高效标记出有效肌电信号，即肌电信号事件，并对所标记的肌电和脑电信号事件进行精确的分析处理，大幅提高了运算速率，降低了运算延时和系统设备功耗。
[0005]本发明是通过以下技术方案实现的:
[0006]本发明涉及一种肌肉运动事件的识别系统，包括:由肌电采集模块和脑电采集模块组成的信号采集模块、信号处理模块和信号识别模块，其中:信号处理模块对信号采集模块采集的数据进行信号处理并进行事件探测，信号识别模块对探测到的事件进行识别并标记分类。
[0007]所述的肌电采集模块由单个或多个体积较小的无线肌电传感器组成，可贴在人体的表面皮肤处以采集表面肌电信号，并通过无线方式将所采集数据传输至信号处理模块。
[0008]所述的脑电采集模块由单个多导的无线脑电采集设备构成，该无线脑电采集设备为16至64通道标准脑电采集设备，并通过内置的无线信号发射设备发射采集到的脑电信号或接收控制指令。
[0009]所述的信号处理模块包括:共平均参考单元、自适应滤波单元、窗口事件探测单元和事件触发标记单元和信号分割单元，其中:共平均参考单元接收脑电采集模块的脑电模拟信号并将有效脑电信息输出至信号分割单元，自适应滤波单元与肌电采集模块相连并接收肌电模拟信号，经滤波处理后由窗口事件探测单元对肌电数字信号进行时序窗口标记，事件触发标记单元从标记后的肌电数字信号中进行上升沿或下降沿的检测，并将肌电有效事件信息输出至信号分割单元，信号分割单元根据触发时间对来自共平均参考单元的有效脑电信息和肌电有效事件信息进行分割并进行降维处理，并输出至信号识别模块。
[0010]所述的降维处理是指:降低信号的采样率以及将多通道信号拼接为一维信号。
[0011]所述的自适应滤波单元包括:功率谱计算组件、噪音陷波组件和带通滤波组件，其中:功率谱计算模块将肌电模拟信号进行模数转换后进行功率谱计算，并与内置功率谱阈值进行比较，将计算得到的脑电数字信号和肌电数字信号输出至噪音陷波组件，噪音陷波组件进行滤波滤噪处理并将得到的去噪信息由带通滤波组件进行滤波后输出至窗口事件探测单元。
[0012]所述的窗口事件探测单元包括:窗口移动组件、均方根计算组件和阈值探测组件，其中:窗口移动组件接收带通滤波后的去噪信息，并采用矩形窗进行切分处理，将切分后信号依次输出至均方根计算组件进行均方根计算，阈值探测组件对均方根计算后的功率信号进行阈值判断，并将任一窗口信号的均方根/功率值大于该窗口内信号均方根/功率的平均值的预设倍数的窗口信号输出至事件触发标记单元。
[0013]所述的均方根计算组件将切分后的窗口信号进行均方根计算，并判断该窗口信号中的后半部分的均方根/功率是否大于前半部分均方根/功率的均方根倍数，当大于时将该窗口信号输出至阈值探测组件，否则舍弃该窗口信号。
[0014]所述的信号识别模块包括:模式识别单元和事件标记反馈单元，其中:模式识别单元根据分割后的脑电模拟信号进行模式识别并得到分类信息，事件标记反馈单元提供人机交互界面供用户进行手动核对和更新标记结果和分类信息，相应的手动修改记录将保存入模式识别单元的模型库中，使模式识别算法能够不断存储数据并提高识别精确度。
[0015]所述的模式识别采用监督学习算法、半监督学习算法和无监督学习算法对事件信号进行模式识别和分类。
[0016]所述的分类信息中的类别包括但不限于:正常运动、非自主运动、震颤运动、心理性运动失常、肌无力型运动失常和神经性运动失常。
技术效果
[0017]与现有技术相比，本发明实现系统运算速率较现有技术提升50%以上，系统功耗较现有技术降低33%，使得医师在进行相关神经生理检测与诊断时可大幅提高工作效率，降低信号处理和分析时间。
[0018]本发明亦可直接在可穿戴硬件上运行，降低了运算消耗，使运用可穿戴硬件进行长时程记录和分析可行。现有技术由于功耗过大难以直接运行在可穿戴硬件上，使得医师可以更加方便对各类肌电信号事件和脑电信号事件进行标记、分类和处理。高效快速建立相应数学统计模型。
【附图说明】
[0019]图1为本发明处理简图；
[0020]图2为本发明方法示意图；
[0021 ] 图3为自适应滤波处理示意图；
[0022]图4为窗口事件探测处理示意图。
【具体实施方式】
[0023]如图1和图2所示，本实施例涉及上述系统的识别方法，具体包括以下步骤:
[0024]步骤1、采集肌肉活动模拟信号以及脑部活动模拟信号；
[0025]本实施例通过信号采集模块实现采集，该信号采集模块由肌电采集模块和脑电采集模块组成。
[0026]所述的肌电采集模块由单个或多个体积较小的无线肌电传感器组成，传感器数量为1?20个，优选4个，可贴在人体的表面皮肤处，采集表面肌电信号，采用无线通讯的方式将所采集数据传输至信号处理模块。
[0027]本实施例中采用蓝牙4.0作为所述的无线通讯的方式。
[0028]所述的脑电采集模块由单个多导的无线脑电采集设备构成，该无线脑电采集设备的通道数为4?64个，优选32个。
[0029]步骤2、对采集的信号进行处理并进行事件探测，具体为:对肌电模拟信号依次进行自适应滤波、窗口事件探测和事件触发时刻标记处理，得到肌电有效事件信息；同时对脑电模拟信号进行共平均参考处理，得到有效脑电信息；最后根据肌电有效事件的时间和所设窗口宽度得到待识别事件集。
[0030]如图3所示，所述的自适应滤波，包括以下步骤:
[0031]步骤1、对肌电信号和脑电信号分别进行信号预处理，具体为:采用共平均参考(CAR)、卡尔曼滤波、动窗平均方法滤去所有通道中的噪音信号。
[0032]步骤2、信号功率谱计算、与预设功率谱对比，具体为:计算信号功率谱，将结果与预设功率谱数据组进行模式识别，模式识别方法采用KNN、高斯混合模型、最大似然近似、神经网络。
[0033]步骤3、噪音陷波和肌电信号带通滤波，从采集信号中得到有效的肌电信号，具体为:采用高通滤波、低通滤波、带通滤波方法滤去无效信号部分，保留有效信号。采用诺奇滤波方法陷波去除工频干扰和特征频率。
[0034]如图4所示，所述的窗口事件探测，包括以下步骤:
[0035]步骤1、划分窗口，具体为:将信号划分为一个个小片段分别进行事件探测，具体步骤为:窗口宽度