基于肌电的佩戴式肌肉阈值监测系统的制作方法

1.本发明涉及一种肌肉运动状态的智能感知系统。特别是涉及一种基于肌电的佩戴式肌肉 阈值监测系统。


背景技术：

2.老年人的脏器功能已发生生理性衰退，肠道蠕动能力下降，易导致粪便滞留在肠道内而 排泄不出。老年人的直肠肌和腹肌已发生萎缩，肌张力低下，致使排便无力，导致粪便不易 排出。因此，老年人往往容易出现便秘的情况，而65岁以上老人又多有高血压、冠心病等慢 性病。老年便秘患者排便时，用力过大会引起腹壁肌和膈肌强烈收缩，使腹压增高，进而引 起血压升高，心率也会加快。从而导致心肌耗氧量增加，心肌发生严重而持久的急性缺血， 冠脉内斑块破裂，引发血栓形成，导致心肌梗塞，因此容易引发心肌梗死或者血压骤升可导 致脑溢血，心肌耗氧量的增加可诱发心绞痛、心肌梗塞及严重的心律失常，造成猝死。
3.另外，大小便失禁患者中臀部肌肉松弛、张力降低而且年老或某些疾病引起肛门括约肌 萎缩或收缩无力。因此，监测大小便患者臀部和腹部肌肉的状态，进而实现监测老年人排便 用力过大和大小便失禁患者排便预提示。
4.随着科学技术的发展，肌电信号的智能识别及应用逐渐走入日常生活，成为智能化生活 的一个体现。采集人体肌肉电信号，进行分类识别，理解人体肌肉意图，进而做出相关的响 应，渐渐成为一个智能化生活的一个重要趋势。
5.每当手部的细胞被电击刺激或者通过神经使其激活的时候，人体就会产生相应的肌肉电 位。所以，在此时测量人体肌肉的电信号，这样就可以检测和分析人体相应的肌肉运动情况， 或者了解神经元被刺激的水平。因此，在肌肉收缩或舒张时，发送的电信号，在一定程度上 可以体现神经和肌肉的运动情况，再利用算法进行训练分类。随着深度学习的兴起，和计算 能力的提升，根据算法的分类判断，进而实时判断人体运动已经成为可能。
6.人体电信号采集技术是一种建立人体与计算机之间信息通路的新方式。人体电信号采集 技术通过对被试者的手部肌电信号进行采集和分析，提取蕴含在肌电信号中的丰富特征，进 而判断被试者的手部动作状态，以后可能会用在假体运动控制，临床手部疾病检测，运动损 伤的临床诊断，医疗检测以及医疗康复和改善日常生活活动，甚至在一些游戏娱乐领域。
7.然而，现有的多通道肌电采集设备大多存在价格昂贵、体积笨重、操作繁琐，不能实时 分类等不便之处，佩戴式肌电采集设备则普遍存在精度不足、通道较少等缺点。因此，设计 并开发一套高精度、多通道的佩戴式肌电采集设备，并用于人体电信号采集领域是非常必要 的。
8.高性能、低成本、低功耗的嵌入式单片机(stm32)微处理器被广泛应用于工业控制、 消费电子、物联网、通讯设备、医疗服务、安防监控等应用领域。基于stm32运行的稳定性 和高性能理念设计的佩戴式肌电采集设备解决了通道较少，无线传输等问题。因此本发
明采 用stm32作为佩戴式肌电采集设备的主控芯片，配合高精度生物电信号采集模块，设备的采 集精度也能得到满足。
9.肌电信号是一种生物电流信号，它产生于任意组织器官，一般是一种时间和一系列的振 幅、频率和波形函数。肌电信号是伴随肌肉收缩动作产生的一种生物电信号,采集皮肤表面的 肌电信号称为表面肌电信号semg。semg肌电信号是人体表面肌肉通过收缩产生的生物电 流。神经系统控制肌肉的活动(收缩或者放松)，在表面皮肤不同的肌肉纤维运动单元在同一 时间产生相互不同的信号。所以肌电信号具有非线性、非稳态、噪声干扰严重等特点。
10.近年来，深度学习在目标检测、语音识别和自然语言处理等领域展示出其强大的潜力。 深度卷积神经网络作为深度学习中成功应用的代表，能够对栅格状数据中的特征进行有效的 提取。多层神经元的自编码神经网络和深度卷积神经网络的模型，能够发挥各自组成部分的 相应优势，提取相对应的肌电信号的时域频域特征，进而实现对被试者手部动作的准确识别。


技术实现要素：

11.本发明所要解决的技术问题是，提供一种能够对患者臀部和腹部肌肉的状态进行快速、 准确的初步辨识进而提示预警以保护佩戴者安全的基于肌电的佩戴式肌肉阈值监测系统。
12.本发明所采用的技术方案是：基于低功耗的ads采集芯片设计的可佩戴设备用于采集人 体表面肌肉电信号(semg)，在采集过程中，semg信号经过滤波，放大，数字化，再经无 线传输设备传输到手机端，在手机专用的app中，进行数字滤波，运用深度学习算法进行训 练和分类。此项研究搭建开发了数据分析的手机端软件平台，可快速、准确对患者臀部和腹 部肌肉的状态进行分类，分类效果能达到较高水平，并且在手机端的app中，可以查看到 semg肌电信号的实时波形。在采集信号后可将预测的信号传输到手机端，进行下一步的监 测。另外，可在手机端进行监控，方便了解对佩戴者的实时动态。较高的准确率表明这套系 统功能是具有可行性的。在本发明中，给出了详细的基于神经网络训练的算法结构。
附图说明
13.图1是本发明基于肌电的佩戴式肌肉阈值监测系统的构成框图；
14.图2是本发明中佩戴式肌电采集设备构成框图；
15.图3是本发明中无线传输模块构成框图；
16.图4是本发明中rcnn算法构成框图；
具体实施方式
17.下面结合实例和附图对本发明的基于肌电的佩戴式肌肉阈值监测系统做出详细说明。
18.如图1所示，基于肌电的佩戴式肌肉阈值监测系统，包括有依次连接的：佩戴式肌电采 集设备(1)、肢体肌电主动训练界面(2)、生理状态分析模块(3)和预警模块(4)。其特征 在于，使用者通过所述的手部肌电主动训练界面(2)，应用所述的佩戴式手部肌电采集
设备 (1)从使用者手部采集semg肌电信号。
19.所述的生理状态分析模块(3)接收semg肌电信号，并结合递归卷积神经网络算法 (rcnn)，智能辨识佩戴者臀部和腹部的肌肉状态。在本发明中，搭建开发了数据分析的手 机端软件平台，即可以在手机端实现所述的生理状态分析模块(3)的功能，并且可以查看各 个通道semg肌电采集设备的的波形。在手机端利用递归卷积神经网络算法(rcnn)进行 智能辨识后，通过无线远程设备，控制预警设备(4)。另外，手机端也通过无线远程设备， 与网络结合，方便家人的远程监控。
20.所述的预警模块(4)以生理状态分析模块(3)作为基础，通过无线远程设备，控制预 警设备(4)做出与肢体肌肉状态的相对应的响应。预警设备(4)的提示包括语音提示，震 动提示和灯光提示。
21.如图2所示，所述的基于肌电的佩戴式肌肉阈值监测系统，其特征在于，所述的佩戴式 肌电采集设备(1)包括有：依次连接的用于采集semg肌电信号的电极贴及其导联线(11)， 用于肌电信号放大和转换的生物电信号采集模块(12)、用于控制肌电信号的采集以及向生理 状态分析模块(2)传输semg肌电信号的stm32微处理器(13)和wifi无线数据传输电 路(14)，分别连接生物电信号采集模块(12)和stm32微处理器(13)的系统供电电路(15)， 其中，所述的电极贴及其导联线(11)中的电极贴采集臀部和腹部不同肌肉的semg肌电信 号，通过导联线及pj313b接口与生物电信号采集模块(12)相连接，用于生物电信号的采集 和传输；电极贴粘贴在患者臀部和腹部，肌电采集设备所测的肌肉为：腹壁肌、膈肌和肛门 括约肌。
22.所述的生物电信号采集模块(12)是由数片集成了用于接收电极贴采集的人体表面肌肉 电压semg信号的高共模抑制比模拟输入ad模块、用于进行测量肌电压semg，将肌电信 号放大的低噪声可编程增益放大器和用于将模拟信号转换为数字信号的高分辨率同步采样模 数转换器的生物电信号采集芯片组成。
23.所述的stm32微处理器(13)用于调整生物电信号采集模块的采集模式与调整和控制 wifi无线数据传输模块(14)输出semg肌电信号，发送到手机端，以供生理状态分析模块 (3)进行数据分析，并将分析结果发送到预警设备(4)。
24.所述的wifi无线数据传输模块(14)工作在ap模式下，最高传输速率4mbps，在stm32 微处理器(13)的控制下，周期性地将采集到的semg肌电信号以数据包的形式通过wifi 无线数据传输模块(14)向肢体肌电主动训练界面(2)和手机端的生理状态分析模块(3) 输出semg肌电信号；
25.所述的系统供电电路(15)，输入电压为3.7v，由锂电池(16)进行供电，通过电压转 换模块提供系统不同芯片的工作电压分别为
‑
2.5v，2.5v，3.3v。
26.本发明所述的基于肌电的佩戴式肌肉阈值监测系统，预警设备(4)具体为在接收到生理 状态分析模块(3)的分类结果后，在手机端做出不同级别的响应，以防止危险的发生，另外， 手机端通过无线远程设备传输给采集设备。采集设备根据不同级别的响应进行不同级别的提 示包括语音提示，震动提示和灯光提示。
27.本发明所述的基于肌电的佩戴式肌肉阈值监测系统，其特征在于，所述的生理状态分析 模块(3)具有在线实时分类功能,实时在线分类功能能够分类腹部和臀部肌肉运动的剧烈程 度。
28.首先，通过佩戴式肌电采集设备采集被试者的semg肌电信号，周期性地将采集到的 semg肌电信号通过wifi无线数据传输模块(14)向肢体肌电主动训练界面(2)发送数据， 然后通过转换算法，从a/d转换结果解析出semg肌电信号实际电压值，最后训练深度学习 卷积神经网络cnn模型，在训练完成后，通过wifi无线数据传输模块(14)向生理状态分 析模块(3)发送semg肌电信号，其中，再次通过转换算法，从a/d转换结果解析出semg 肌电信号实际电压值，送入生理状态分析模块(3)，进行在线实时分类。
29.本发明所述的基于肌电的佩戴式肌肉阈值监测系统，其特征在于，所述的通过转换算法， 从a/d转换结果解析出semg肌电信号实际电压值，包括如下步骤：
30.1)确定生物电信号采集模块(12)的参考电压v
ref
以及可编程增益放大器的放大倍数g
pga
；
31.2)将每个通道的原始的十六进制a/d转换结果v
16
，转化为十进制a/d转换结果v
10
；
32.3)按照下列公式，计算semg肌电信号实际电压值v
in
：
[0033][0034]
其中
[0035]
本发明所述的基于肌电的佩戴式肌肉阈值监测系统，其特征在于，所述的基于卷积神经 网络(cnn)与长短时记忆神经网络(lstm)结合的递归卷积神经网络rcnn算法包括如下 步骤：
[0036]
1)获取原始semg肌电信号其中，n为原始semg肌电信号通道数， l为每个通道原始semg肌电信号的数据长度，表示原始semg肌电信号中第c个电极采集 的原始semg肌电信号中第g个数值；
[0037]
2)对原始semg肌电信号进行数字带通滤波，并进行50hz陷波滤波，去除工频干扰，得到 处理后的semg肌电信号其中，x
c,g
表示滤波后第c个电极对应的semg肌电信 号中第g个数值；
[0038]
3)基于数字化滤波的semg肌电信号在滤波后构建多个样本集。
[0039]
4)进入参数微调阶段，将每位使用者数字滤波后的semg肌电信号，依次送入初始深度的递 归卷积神经网络模型(rcnn)，进行训练和梯度修正。
[0040]
本发明所述的基于肌电的佩戴式肌肉阈值监测系统，其特征在于，步骤2)所述的对原始 semg肌电信号进行数字化滤波，是采用带通滤波器，所述带通滤波器的第一阻带频率 f
stop1
＝0.001hz，第一通带频率f
pass1
＝10hz，第二通带频率f
pass2
＝30hz，第二阻带频率 f
stop2
＝40hz，第一阻带衰减率5db，第二阻带衰减百分比5db。
[0041]
本发明所述的基于肌电的佩戴式肌肉阈值监测系统，其特征在于，步骤4)所述的每位使 用者数字滤波后的semg肌电信号样本集，依次送入初始深度的递归卷积神经网络模型 (rcnn)。对递归卷积神经网络模型(rcnn)进行全监督训练，模型初始学习率设为0.004， 学习率以指数形式衰减，以防止固定的学习率得不到最优模型，共进行500周期的
循环训练， batchsize大小为128，并设置了earlystopping早停机制。可获得训练所有周期中，训练模型 最好的模型。在预训练的基础上不必进行模型参数微调，在本发明中在设计递归卷积神经网 络模型时，采集了很多人的肌电数据，来进行训练，使得深度学习模型具有跨被试的泛化能 力。所述递归卷积神经网络模型的输出即为生理状态分析模块(2)输出的与预警模块(4) 相对应的结果。与许多传统的机器学习算法相比，cnn使用多层结构来提高识别模型的泛化 性能和抽象性能，为了提高跟踪精度并减少模型数量使用了lstm对时间序列进行特征提取 与分类。经过多次实验表明，利用本发明中所应用的rcnn算法关于多通道semg信号处理 是一种用于臀部与腹部肌肉运动状态识别的高效方法。
[0042]
在递归卷积神经网络模型中，主要是利用正向传播和反向传播。首先，通过所有cnn层 分析原始的semg肌电信号样本，前向传播的semg肌电信号数据集，以获得输出值。然后 计算输出值和期望值之间的误差，再经过lstm进行新的输出值与期望值的误差计算。最终 确定输出的准确性。接下来，使用误差反向传播过程来修改权重值。这两个过程由迭代操作 系统重复执行，直到网络的损耗值最小为止。然后使用梯度下降算法修改加权值。为防止过 度修改权值，致使最终的模型并不是最优模型，因此在本发明中，设置了earlystopping早停 机制，用于减少过度拟合，为取测试损失函数最小值的模型设为目前训练最优的模型。
[0043]
递归卷积神经网络模型包括两个部分，第一部分中，首先的输入为数字化滤波后的semg 肌电信号，送入一个卷积神经网络cnn，深度卷积神经网络侧重点在时域和频域中提取一维 的数据，并且在maxpooling层中减小时域和频域特征的维度，最终输出动作预测结果，利用 多个卷积层、池化层进行特征提取。递归卷积神经网络模型的卷积层，池化层，足够深，且 十分稳定，能够有效的提取semg肌电信号的时频域特征。然后进入第二部分，经过长短时 记忆神经网络(lstm)，融合已经经过cnn提取的时域与频域特征，以内部/外部运动的时 间序列的方式来提取经cnn提取时域和频域特征。经大量实验证明，有非常良好的分类效果。
[0044]
在递归卷积神经网络模型中，使用相同的初始化方法来初始化卷积神经网络中的卷积核 权重和lstm的初始值，尽量使输出和输入尽可能服从相同的概率分布。在递归卷积神经网 络模型中，l2正则化应用于整个全连接层。复杂度指标模型被添加到损失函数中，以提高模 型识别随机噪声的能力。该模型采用adam优化器，损失降低规则采用梯度下降算法。
[0045]
递归卷积神经网络(rcnn)依次包括：
[0046]
(1)一个数据输入层，输入数据为数字化滤波后的semg肌电信号样本；
[0047]
(2)第一卷积层，卷积核数量为32个卷积核，大小为1
×
4，步长为(1,1)。卷积核选择relu 作为激活函数，
[0048]
(3)第二卷积层，卷积核数量为64个，卷积核大小为4
×
1，步长为(1,1)。卷积核选择relu 作为激活函数，
[0049]
(4)第一最大池化层，池化核大小为2
×
1，步长为(1,1)，对当前池化核覆盖下的输
入数据 的元素提取最大值作为输出；
[0050]
(5)第三卷积层，卷积核数量为64个，卷积核大小为1
×
4，步长为(1,1)。卷积核选择relu 作为激活函数，
[0051]
(6)第二最大池化层，池化核大小为2
×
1，步长为(1,1)对当前池化核覆盖下的输入数据 的元素提取最大值作为输出；
[0052]
(7)第一lstm层，单元数为64个，选择tanh作为激活函数，
[0053]
(8)第二lstm层，单元数为128个，选择tanh作为激活函数，
[0054]
(9)第一个dropout层，防止过拟合提升模型泛化能力，随机选择上一层的神经元，使该 神经元不输出，选择概率为0.5；
[0055]
(10)第一个全连接层，选择节点数为128，选择relu作为激活函数，选择l2范数作为正 则化项，l2范数设置为0.004；
[0056]
(11)第二个dropout层，防止过拟合提升模型泛化能力，随机选择上一层的神经元，使该 神经元不输出，选择概率为0.5；
[0057]
(12)第二个全连接层输出分类结果，选择节点数为4，选择softmax作为激活函数，softmax 函数本质上是归一化的指数函数，定义为其中e为自然对数值，z
h
为第h 个神经元的输出，式子中的分母充当了正则项的作用，使得将卷积神经网络提取的时域和频域特征，进行特征融合，再经过长短时记忆神经网络(lstm) 以一种全新的时间序列方式提取时域和频域特征，再进入全连接层，最后进行分类。所述全 连接层的输出即为生理状态分析模块(2)的输出，如图4所示。
[0058]
本发明所述的基于肌电的佩戴式肌肉阈值监测系统，其特征在于，在进入深度学习算法 之前，将采集的8个通道的semg肌电信号以250次为一个样本，使算法更好的提取semg 肌电信号的时域和频域的特征，送入深度学习算法。
[0059]
本发明所述的基于肌电的佩戴式肌肉阈值监测系统，其特征在于，在semg肌电信号中， 每一个通道的肌电数据，都可以表示为一个所测肌肉通道的波形数据。因此本发明中，在深 度学习模型进行语义分割时，并未采用规则形状nxn的常规空间卷积池化，而是采用狭长卷 积和条带池化。方形卷积层和池化层限制了捕获实时手部动作中semg肌电信号的对每一个 通道的上下的相关性和灵活性。
[0060]
为了更有效地捕获semg肌电信号的对每一个通道中上下信息的相关性和灵活性，本发 明中利用狭长卷积和条带池化来扩大深度学习模型的接收范围并收集semg肌电信号上下数 据信息的相关性特征。在递归卷积神经网络rcnn中，根据semg肌电信号的频率特征，肌 电频率主要分布在0
‑
500hz，在经过数字化滤波后，semg肌电信号的频率虽然全部处于 0
‑
500hz的频率范围内，但本发明所采集的semg肌电信号的臀部和腹部的肌肉状态中，
频 率分布特征较为显著。在深度学习模型中，在第一卷积层中，为提取semg肌电信号的频率 特征，应用1
×
4的狭长卷积，提取semg肌电信号的频域特征。提取的频域特征可以有效地 表征semg肌电信号的多元时间序列，输入的semg肌电信号经过水平和竖直狭长卷积核卷 积计算h
×
1和1
×
w，再经过狭长池化后变为h
×
1和1
×
w，对池化核内的元素值求最大 值，并以该值作为池化输出值。此外，在第二卷积层中，通过4
×
1大小的的狭长卷积，提取 semg肌电信号的时域特征。在对本发明中的各个动作的频率分布进行了多次的特征融合和 降维，在应用条带池化层后，maxpooling有局部不变性而且可以提取显著特征的同时降低模 型的参数，从而降低模型的过拟合。maxpooling只提取了semg肌电信号的显著特征，并舍 弃了不显著的信息，提取的时频域特征可以有效地表征semg肌电信号的多元时间序列，由 于模型的参数减少了，从而一定程度上可以缓解过拟合的产生。并在三卷积层中，依次重复 提取semg肌电信号的频域特征与时域特征。然后再次进行在应用条带池化运算。进而进入 长短时记忆神经网络(lstm)。
[0061]
本发明所述的基于肌电的佩戴式肌肉阈值监测系统，其特征在于，所使用的的狭长卷积 的计算公式为：
[0062][0063]
本发明所述的基于肌电的佩戴式肌肉阈值监测系统的应用，预警模块(4)，其特征在于， 包括：
[0064]
(1)在权利要求7所述的生理状态分析模块(2)所输出的结果，通过wifi无线数据传输 电路(14)发送信号控制预警模块(4)。
[0065]
本发明所述的基于肌电的佩戴式肌肉阈值监测系统的应用，其特征在于，包括：
[0066]
(1)为保证电极贴与皮肤完全接触；，在测量肌电信号semg前，先用酒精棉擦拭被试者的 惯用手的被测位置的皮肤，被试者要求保持静坐，眼部注释屏幕，并完成肢体肌电主动训练 界面所要求的动作；在确保系统供电电路(16)正常后，开启系统，通过佩戴式肌电采集设 备采集semg肌电信号并传送至生理状态分析模块，完成肌电采集工作；
[0067]
(2)生理状态分析模块自动对采集的semg肌电信号进行数字化滤波；
[0068]
(3)分类识别系统基于预先训练好的递归卷积神经网络模型，根据数字化滤波的semg肌电 信号进行分类识别；
[0069]
(4)通过wifi无线数据传输电路(14)将分类结果发送信号控制预警模块(4)。