一种基于多模态生理数据采集的腕部工作负荷的预测方法和装置与流程

[0001]
本发明涉及一种腕部工作负荷预测的技术领域，尤其涉及一种基于多模态生理数据采集的腕部工作负荷的预测方法和装置。


背景技术：

[0002]
目前，越来越多的证据表明，长时间使用计算机、弹奏乐器、体育运动等，与某些腕关节疾患，如腕关节疼痛、腕管综合征等，有着密切的关系。现代生活方式的变化，使得越来越多的人有机会使用计算机、进行各种体育活动，罹患腕关节相关疾患的人也越来越多。
[0003]
但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
[0004]
长期腕关节活动的增多，使得腕部长期超负荷工作，进而导致累积性的创伤疾病的发生，使得此类疾病没有很好的预防性措施进行预防。


技术实现要素：

[0005]
本申请实施例通过提供一种基于多模态生理数据采集的腕部工作负荷的预测方法，解决了因腕部长期超负荷工作引起的创伤性疾病的发生的技术问题，达到了通过对腕部各生理数据的采集进而预防累积性创伤疾病的发生的技术效果。
[0006]
本申请实施例提供了一种基于多模态生理数据采集的腕部工作负荷的预测方法，其中，所述方法应用于一腕部智能穿戴设备，所述腕部智能穿戴设备可通过电极与第一用户的腕部连接，所述方法包括：根据所述电极获得第一肌电信号、第二肌电信号、第三肌电信号和第四肌电信号；根据所述第一肌电信号，获得第一输入信息；根据所述第二肌电信号，获得第二输入信息；根据所述第三肌电信号，获得第三输入信息；根据所述第四肌电信号，获得第四输入信息；将所述第一输入信息、第二输入信息、第三输入信息和第四输入信息输入运动预测模型，获得第一运动指标，所述第一运动指标为所述第一用户腕部工作负荷指标；获得预定腕部负荷阈值；判断所述第一运动指标是否在所述预定腕部负荷阈值之内；如果所述第一运动指标不在所述预定腕部负荷阈值之内，获得第一预警信息，所述第一预警信息用于提醒所述第一用户腕部工作超负荷。
[0007]
另一方面，本申请还提供了一种基于多模态生理数据采集的腕部工作负荷的预测装置，其中，所述装置包括：第一获得单元：所述第一获得单元用于根据所述电极获得第一肌电信号、第二肌电信号、第三肌电信号和第四肌电信号；第二获得单元：所述第二获得单元用于根据所述第一肌电信号，获得第一输入信息；第三获得单元：所述第三获得单元用于根据所述第二肌电信号，获得第二输入信息；第四获得单元：所述第四获得单元用于根据所述第三肌电信号，获得第三输入信息；第五获得单元：所述第五获得单元用于根据所述第四肌电信号，获得第四输入信息；第一输入单元：所述第一输入单元用于将所述第一输入信息、第二输入信息、第三输入信息和第四输入信息输入运动预测模型，获得第一运动指标，
所述第一运动指标为所述第一用户腕部工作负荷指标；第六获得单元：所述第六获得单元用于获得预定腕部负荷阈值；第一判断单元：所述第一判断单元用于判断所述第一运动指标是否在所述预定腕部负荷阈值之内；第七获得单元：所述第七获得单元用于如果所述第一运动指标不在所述预定腕部负荷阈值之内，获得第一预警信息，所述第一预警信息用于提醒所述第一用户腕部工作超负荷。
[0008]
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
[0009]
通过获得所述第一用户的腕部肌电信号，并将所述腕部肌电信号输入训练模型不断的训练，获得准确的所述第一用户的腕部工作负荷指标，并将所述腕部工作负荷指标与预定腕部负荷阈值进行对比，当超出预定腕部负荷阈值时，可对所述第一用户进行预警提醒，达到了通过对腕部各生理数据的采集进而预防累积性创伤疾病的发生、进而影响日常的腕关节活动的技术效果。
[0010]
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
[0011]
图1为本申请实施例一种基于多模态生理数据采集的腕部工作负荷的预测方法的流程示意图；
[0012]
图2为本申请实施例一种基于多模态生理数据采集的腕部工作负荷的预测装置的结构示意图；
[0013]
图3为本申请实施例示例性电子设备的结构示意图。
[0014]
附图标记说明：第一获得单元11，第二获得单元12，第三获得单元13，第四获得单元14，第五获得单元15，第一输入单元16，第六获得单元17，第一判断单元18，第七获得单元19，总线300，接收器301，处理器302，发送器303，存储器304，总线接口305。
具体实施方式
[0015]
本申请实施例通过提供一种基于多模态生理数据采集的腕部工作负荷的预测方法，解决了因腕部长期超负荷工作引起的创伤性疾病的发生的技术问题，达到了通过对腕部各生理数据的采集进而预防累积性创伤疾病的发生的技术效果。
[0016]
下面，将参考附图详细的描述根据本申请的示例实施例。显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
[0017]
申请概述
[0018]
目前，越来越多的证据表明，长时间使用计算机、弹奏乐器、体育运动等，与某些腕关节疾患，如腕关节疼痛、腕管综合征等，有着密切的关系。现代生活方式的变化，使得越来越多的人有机会使用计算机、进行各种体育活动，罹患腕关节相关疾患的人也越来越多。长期腕关节活动的增多，使得腕部长期超负荷工作，进而导致累积性的创伤疾病的发生，使得此类疾病没有很好的预防性措施进行预防。
[0019]
针对上述技术问题，本申请提供的技术方案总体思路如下：
[0020]
本申请实施例提供了一种基于多模态生理数据采集的腕部工作负荷的预测方法，其中，所述方法应用于一腕部智能穿戴设备，所述腕部智能穿戴设备可通过电极与第一用户的腕部连接，所述方法包括：根据所述电极获得第一肌电信号、第二肌电信号、第三肌电信号和第四肌电信号；根据所述第一肌电信号，获得第一输入信息；根据所述第二肌电信号，获得第二输入信息；根据所述第三肌电信号，获得第三输入信息；根据所述第四肌电信号，获得第四输入信息；将所述第一输入信息、第二输入信息、第三输入信息和第四输入信息输入运动预测模型，获得第一运动指标，所述第一运动指标为所述第一用户腕部工作负荷指标；获得预定腕部负荷阈值；判断所述第一运动指标是否在所述预定腕部负荷阈值之内；如果所述第一运动指标不在所述预定腕部负荷阈值之内，获得第一预警信息，所述第一预警信息用于提醒所述第一用户腕部工作超负荷。
[0021]
为了更好地理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
[0022]
实施例一
[0023]
如图1所示，本申请实施例提供了一种基于多模态生理数据采集的腕部工作负荷的预测方法，其中，所述方法应用于一腕部智能穿戴设备，所述腕部智能穿戴设备可通过电极与第一用户的腕部连接，所述方法包括：
[0024]
步骤s100：根据所述电极获得第一肌电信号、第二肌电信号、第三肌电信号和第四肌电信号；
[0025]
具体而言，基于腕部智能穿戴设备对腕部工作负荷进行采集，所述腕部智能穿戴设备可通过四个电极与第一用户的腕部连接进行数据采集，可根据所述四个电极分别获得第一肌电信号即尺侧腕屈肌的肌肉电信号、第二肌电信号即桡侧腕屈肌的肌肉电信号、第三肌电信号即尺侧腕短伸肌的肌肉电信号和第四肌电信号即桡侧腕短伸肌的肌肉电信号等。
[0026]
步骤s200：根据所述第一肌电信号，获得第一输入信息；
[0027]
步骤s300：根据所述第二肌电信号，获得第二输入信息；
[0028]
步骤s400：根据所述第三肌电信号，获得第三输入信息；
[0029]
步骤s500：根据所述第四肌电信号，获得第四输入信息；
[0030]
具体而言，已知获得第一肌电信号、第二肌电信号、第三肌电信号和第四肌电信号，可基于所述肌电信号作为评估腕部工作负荷的指标，可分别根据所述第一肌电信号、所述第二肌电信号、所述第三肌电信号和所述第四肌电信号获得第一输入信息、第二输入信息、第三输入信息和第四输入信息，可将所述输入信息输入训练模型进行训练以获得精确的训练结果。
[0031]
步骤s600：将所述第一输入信息、第二输入信息、第三输入信息和第四输入信息输入运动预测模型，获得第一运动指标，所述第一运动指标为所述第一用户腕部工作负荷指标；
[0032]
具体而言，将所述第一输入信息、第二输入信息、第三输入信息和第四输入信息输入运动预测模型，不断地进行训练，可以使得输出的训练结果更加精确。所述运动预测模型是一个神经网络模型即机器学习中的神经网络模型，神经网络(neural networks，nn)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂神经网络系统，它反
映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络(artificial neural networks)，是对人类大脑系统的一阶特性的一种描述。简单地讲，它是一个数学模型。在本申请实施例中，将所述第一输入信息、第二输入信息、第三输入信息和第四输入信息输入运动预测模型，用标识的第一运动指标信息对所述神经网络模型进行训练。
[0033]
进一步来说，所述训练神经网络模型的过程实质为监督学习的过程。所述多组训练数据具体为：所述第一输入信息、第二输入信息、第三输入信息、第四输入信息和标识第一运动指标信息的标识信息。通过输入所述第一输入信息、第二输入信息、第三输入信息和第四输入信息，神经网络模型会输出第一结果，其中，所述第一结果为第一运动指标即所述第一用户腕部工作负荷指标，通过将所述输出信息与所述起标识作用的第一运动指标信息进行校验，如果所述输出信息与所述起标识作用的第一运动指标信息要求相一致，则本数据监督学习完成，则进行下一组数据监督学习；如果所述输出信息与所述起标识作用的第一运动指标信息要求不一致，则神经网络学习模型自身进行调整，直到神经网络学习模型输出结果与所述起标识作用的第一运动指标信息要求相一致，进行下一组数据的监督学习。通过训练数据使神经网络学习模型自身不断地修正、优化，通过监督学习的过程来提高神经网络学习模型处理所述信息的准确性，进而达到使得获得的所述第一用户腕部工作负荷指标的结果信息更加精确的技术效果。
[0034]
步骤s700：获得预定腕部负荷阈值；
[0035]
具体而言，所述预定腕部负荷阈值为预定的腕部负荷的阈值，即腕部所能承受的负荷的极限值，若超过腕部负荷阈值，则腕部将会出现创伤性疾病的发生，影响腕部的正常工作。
[0036]
步骤s800：判断所述第一运动指标是否在所述预定腕部负荷阈值之内；
[0037]
步骤s900：如果所述第一运动指标不在所述预定腕部负荷阈值之内，获得第一预警信息，所述第一预警信息用于提醒所述第一用户腕部工作超负荷。
[0038]
具体而言，对所述第一运动指标即所述第一用户腕部工作负荷指标进行判断，判断所述第一运动指标是否在所述预定腕部负荷阈值之内，即判断所述第一用户腕部工作负荷指标是否在预定腕部负荷的正常值范围内，若所述第一运动指标不在所述预定腕部负荷阈值之内，即所述第一运动指标超出了正常腕部负荷值，则获得第一预警信息，所述第一预警信息为提醒所述第一用户腕部工作超负荷，达到了提醒所述第一用户腕部工作超负荷，进而预防创伤性疾病的发生的技术效果。
[0039]
将所述第一输入信息、第二输入信息、第三输入信息和第四输入信息输入运动预测模型之前，步骤s600还包括：
[0040]
步骤s610：对所述第一肌电信号、第二肌电信号、第三肌电信号和第四肌电信号进行预处理；
[0041]
步骤s620：将预处理后的所述第一肌电信号、第二肌电信号、第三肌电信号和第四肌电信号作为第一输入信息、第二输入信息、第三输入信息和第四输入信息。
[0042]
具体而言，已知获得所述第一肌电信号、第二肌电信号、第三肌电信号和第四肌电信号，由于采集到的信号不能直接进行计算，可先对其进行预处理，所述预处理包括对所述肌电信号进行滤波处理、降噪等预处理，滤波是将信号中特定波段频率滤除的操作，是抑制
和防止干扰的一项重要措施，降噪，顾名思义就是减少噪音对人的影响，通过对所述肌电信号进行滤波、降噪等预处理，可获得更加准确的肌电信号，从而建立关节动力学模型进行腕关节负荷预测，通过对所述肌电信号进行预处理，达到了获得干扰更小、噪音更小、更易于处理的信号的技术效果。
[0043]
获得预定腕部负荷阈值，步骤s700还包括：
[0044]
步骤s710：将所述第一输入信息、第二输入信息、第三输入信息和第四输入信息输入运动预测模型，获得所述第一用户实时的腕部关节角度信息与腕部关节力矩信息；
[0045]
步骤s720：根据所述腕部关节角度信息，获得第一标准单位时间内的平均角度信息；
[0046]
步骤s730：根据所述腕部关节力矩信息，获得第一标准单位时间内的平均力矩信息；
[0047]
步骤s740：获得第一权重值；
[0048]
步骤s750：根据所述第一权重值，对所述第一标准单位时间内的平均角度信息和所述第一标准单位时间内的平均力矩信息进行加权平均计算，获得预定腕部负荷阈值。
[0049]
具体而言，通过将所述第一输入信息、第二输入信息、第三输入信息和第四输入信息输入运动预测模型，所述运动预测模型由多组数据训练所得，其中，所述多组数据包括：所述第一输入信息、第二输入信息、第三输入信息、第四输入信息和用来标识所述第一用户实时的腕部关节角度信息与腕部关节力矩信息的标识信息，通过多组数据不断地进行训练可获得所述第一用户实时的腕部关节角度信息与腕部关节力矩信息，所述腕部关节角度信息为腕关节运动时通过的转动角度信息，所述腕部关节力矩信息为腕关节运动时，力对腕关节产生转动作用的物理量，当力矩越大时，腕关节转动状态就越容易改变。进一步，可根据所述腕部关节角度信息，获得第一标准单位时间内的平均角度信息，所述平均角度信息为第一标准时间内的腕部关节平均角度信息，根据所述腕部关节力矩信息，获得第一标准单位时间内的平均力矩信息，所述平均力矩信息为第一标准时间内的腕部关节平均力矩信息，可根据所述平均角度信息和所述平均力矩信息，获得第一权重值，所述第一权重值为所述平均角度信息和所述平均力矩信息的权重占比，进而根据所述第一权重值，对所述第一标准单位时间内的平均角度信息和所述第一标准单位时间内的平均力矩信息进行加权平均计算，获得预定腕部负荷阈值，通过获得所述第一用户实时的腕部关节角度信息与腕部关节力矩信息，进而进行加权计算，获得所述预定腕部负荷阈值，达到了基于可靠的数据计算进而得到精确的预定腕部负荷阈值的技术效果。
[0050]
将所述第一输入信息、第二输入信息、第三输入信息和第四输入信息输入运动预测模型，获得第一运动指标，步骤s600还包括：
[0051]
步骤s630：将所述第一输入信息、第二输入信息、第三输入信息和第四输入信息输入运动预测模型，获得所述第一用户实时的腕部关节角度信息与腕部关节力矩信息；
[0052]
步骤s640：获得第二权重值，其中，所述第二权重值与所述第一权重值相同；
[0053]
步骤s650：根据所述第二权重值，对所述腕部关节角度信息与腕部关节力矩信息进行加权平均计算，获得第一运动指标。
[0054]
具体而言，已知所述第一输入信息、第二输入信息、第三输入信息和第四输入信息，可将所述输入信息输入运动预测模型，所述运动预测模型通过多组训练数据训练所得，
通过不断地数据训练，可以获得所述第一用户实时的腕部关节角度信息与腕部关节力矩信息，进而根据所述腕部关节角度信息与所述腕部关节力矩信息获得第二权重值，所述第二权重值是所述第一用户实时的腕部关节角度信息与腕部关节力矩信息的权重占比，所述第二权重值与所述第一权重值相同，进而根据所述第二权重值，对所述腕部关节角度信息与腕部关节力矩信息进行加权平均计算，通过加权平均计算，最终获得第一运动指标，所述第一运动指标为所述第一用户腕部工作负荷指标，通过对所述第一用户实时的腕部关节角度信息与腕部关节力矩信息进行加权平均计算，达到了使得获得的所述第一运动指标更加精确、更加稳定的技术效果。
[0055]
为了对所述第一用户的腕部健康状态有更加清晰地认知，本申请实施例还包括:
[0056]
步骤s1010：获得中正神经远端潜伏期信息；
[0057]
步骤s1020：获得符合肌肉动作电位信息；
[0058]
步骤s1030：获得腕-肘段运动传导速度信息；
[0059]
步骤s1040：获得中正神经感觉传导速度信息；
[0060]
步骤s1050：根据所述中正神经远端潜伏期信息、符合肌肉动作电位信息、腕-肘段运动传导速度信息和中正神经感觉传导速度信息，获得第一识别结果，所述第一识别结果表示所述第一用户的腕部健康状态。
[0061]
具体而言，为了获得所述第一用户的腕部健康状态，可提取所述第一用户的腕部生理信号特征，所述生理信号特征包含中正神经远端潜伏期信息、符合肌肉动作电位信息、腕-肘段运动传导速度信息和中正神经感觉传导速度信息等信息，具体为在手环的绑带内侧安装尺神经表面电极和正中神经表面电极，通过所述尺神经表面电极和正中神经表面电极，可采集工作中的肌肉电信号，进而对所述生理信号特征进行提取，最终根据所述生理信号特征获得第一识别结果，所述第一识别结果为所述第一用户的腕部健康状态，通过获得所述第一用户的腕部生理信号特征，达到了获得更为精准的所述第一用户的腕部健康状态，为所述第一用户的腕部健康状态评定提供了可靠的数据支撑的技术效果。
[0062]
根据所述中正神经远端潜伏期信息、符合肌肉动作电位信息、腕-肘段运动传导速度信息和中正神经感觉传导速度信息，获得第一识别结果，步骤s1050还包括：
[0063]
步骤s1051：将所述中正神经远端潜伏期信息、符合肌肉动作电位信息、腕-肘段运动传导速度信息和中正神经感觉传导速度信息输入分类神经网络模型，获得第一识别结果。
[0064]
具体而言，为了获得更加精确地所述第一用户的腕部健康状态，可将所述中正神经远端潜伏期信息、符合肌肉动作电位信息、腕-肘段运动传导速度信息和中正神经感觉传导速度信息输入分类神经网络模型，所述分类神经网络模型是一个神经网络模型即机器学习中的神经网络模型，通过将所述中正神经远端潜伏期信息、符合肌肉动作电位信息、腕-肘段运动传导速度信息和中正神经感觉传导速度信息输入分类神经网络模型，所述神经网络模型不断地经过数据训练，最终获得第一识别结果，所述第一识别结果为所述第一用户的腕部健康状态信息，通过训练数据使神经网络学习模型自身不断地修正、优化，通过监督学习的过程来提高神经网络学习模型处理所述信息的准确性，进而达到使得获得的所述第一用户的腕部健康状态信息更加精确的技术效果。
[0065]
为了获得更加准确的所述第一用户的腕部生理信号特征，本申请实施例还包括：
[0066]
步骤s1110：根据所述电极获得第五肌电信号；
[0067]
步骤s1120：对所述第五肌电信号进行特征提取，获得中正神经远端潜伏期信息；
[0068]
步骤s1130：根据所述电极获得第六肌电信号；
[0069]
步骤s1140：对所述第六肌电信号进行特征提取，获得符合肌肉动作电位信息；
[0070]
步骤s1150：根据所述电极获得第七肌电信号；
[0071]
步骤s1160：对所述第七肌电信号进行特征提取，获得腕-肘段运动传导速度信息；
[0072]
步骤s1170：根据所述电极获得第八肌电信号；
[0073]
步骤s1180：对所述第八肌电信号进行特征提取，获得中正神经感觉传导速度信息。
[0074]
具体而言，为了获得更加准确的所述第一用户的腕部生理信号特征，可根据所述电极获得第五肌电信号，所述第五肌电信号为包含中正神经远端潜伏期信息，对所述第五肌电信号进行特征提取，可获得中正神经远端潜伏期信息，以此类述，可根据所述第六肌电信号提取到符合肌肉动作电位信息，根据所述第七肌电信号提取到腕-肘段运动传导速度信息，根据所述第八肌电信号提取到中正神经感觉传导速度信息，通过分别借助肌电信号提取包含所述中正神经远端潜伏期信息、符合肌肉动作电位信息、腕-肘段运动传导速度信息和中正神经感觉传导速度信息的生理信号特征，达到了获得更加准确的所述第一用户的腕部生理信号特征的技术效果。
[0075]
综上所述，本申请实施例所提供的一种基于多模态生理数据采集的腕部工作负荷的预测方法和装置具有如下技术效果：
[0076]
1、通过获得所述第一用户的腕部肌电信号，并将所述腕部肌电信号输入训练模型不断的训练，获得准确的所述第一用户的腕部工作负荷指标，并将所述腕部工作负荷指标与预定腕部负荷阈值进行对比，当超出预定腕部负荷阈值时，可对所述第一用户进行预警提醒，达到了通过对腕部各生理数据的采集进而预防累积性创伤疾病的发生、进而影响日常的腕关节活动的技术效果。
[0077]
2、通过将所述第一用户的腕部生理信号特征输入分类神经模型进行不断训练，使神经网络学习模型自身不断地修正、优化，通过监督学习的过程来提高神经网络学习模型处理所述信息的准确性，进而达到使得获得的所述第一用户的腕部健康状态信息更加精确的技术效果。
[0078]
实施例二
[0079]
基于与前述实施例中一种基于多模态生理数据采集的腕部工作负荷的预测方法同样发明构思，本发明还提供了一种基于多模态生理数据采集的腕部工作负荷的预测装置，如图2所示，所述装置包括：
[0080]
第一获得单元11：所述第一获得单元11用于根据所述电极获得第一肌电信号、第二肌电信号、第三肌电信号和第四肌电信号；
[0081]
第二获得单元12：所述第二获得单元12用于根据所述第一肌电信号，获得第一输入信息；
[0082]
第三获得单元13：所述第三获得单元13用于根据所述第二肌电信号，获得第二输入信息；
[0083]
第四获得单元14：所述第四获得单元14用于根据所述第三肌电信号，获得第三输
入信息；
[0084]
第五获得单元15：所述第五获得单元15用于根据所述第四肌电信号，获得第四输入信息；
[0085]
第一输入单元16：所述第一输入单元16用于将所述第一输入信息、第二输入信息、第三输入信息和第四输入信息输入运动预测模型，获得第一运动指标，所述第一运动指标为所述第一用户腕部工作负荷指标；
[0086]
第六获得单元17：所述第六获得单元17用于获得预定腕部负荷阈值；
[0087]
第一判断单元18：所述第一判断单元18用于判断所述第一运动指标是否在所述预定腕部负荷阈值之内；
[0088]
第七获得单元19：所述第七获得单元19用于如果所述第一运动指标不在所述预定腕部负荷阈值之内，获得第一预警信息，所述第一预警信息用于提醒所述第一用户腕部工作超负荷。
[0089]
进一步的，所述装置还包括：
[0090]
第一处理单元：所述第一处理单元用于对所述第一肌电信号、第二肌电信号、第三肌电信号和第四肌电信号进行预处理；
[0091]
进一步的，所述装置还包括：
[0092]
第二输入单元：所述第二输入单元用于将所述第一输入信息、第二输入信息、第三输入信息和第四输入信息输入运动预测模型，获得所述第一用户实时的腕部关节角度信息与腕部关节力矩信息；
[0093]
第八获得单元：所述第八获得单元用于根据所述腕部关节角度信息，获得第一标准单位时间内的平均角度信息；
[0094]
第九获得单元：所述第九获得单元用于根据所述腕部关节力矩信息，获得第一标准单位时间内的平均力矩信息；
[0095]
第十获得单元：所述第十获得单元用于获得第一权重值；
[0096]
第十一获得单元：所述第十一获得单元用于根据所述第一权重值，对所述第一标准单位时间内的平均角度信息和所述第一标准单位时间内的平均力矩信息进行加权平均计算，获得预定腕部负荷阈值。
[0097]
进一步的，所述装置还包括：
[0098]
第三输入单元：所述第三输入单元用于将所述第一输入信息、第二输入信息、第三输入信息和第四输入信息输入运动预测模型，获得所述第一用户实时的腕部关节角度信息与腕部关节力矩信息；
[0099]
第十二获得单元：所述第十二获得单元用于获得第二权重值，其中，所述第二权重值与所述第一权重值相同；
[0100]
第十三获得单元：所述第十三获得单元用于根据所述第二权重值，对所述腕部关节角度信息与腕部关节力矩信息进行加权平均计算，获得第一运动指标。
[0101]
进一步的，所述装置还包括：
[0102]
第十四获得单元：所述第十四获得单元用于获得中正神经远端潜伏期信息；
[0103]
第十五获得单元：所述第十五获得单元用于获得符合肌肉动作电位信息；
[0104]
第十六获得单元：所述第十六获得单元用于获得腕-肘段运动传导速度信息；
[0105]
第十七获得单元：所述第十七获得单元用于获得中正神经感觉传导速度信息；
[0106]
第十八获得单元：所述第十八获得单元用于根据所述中正神经远端潜伏期信息、符合肌肉动作电位信息、腕-肘段运动传导速度信息和中正神经感觉传导速度信息，获得第一识别结果，所述第一识别结果表示所述第一用户的腕部健康状态。
[0107]
进一步的，所述装置还包括：
[0108]
第四输入单元：所述第四输入单元用于将所述中正神经远端潜伏期信息、符合肌肉动作电位信息、腕-肘段运动传导速度信息和中正神经感觉传导速度信息输入分类神经网络模型，获得第一识别结果。
[0109]
进一步的，所述装置还包括：
[0110]
第十九获得单元：所述第十九获得单元用于根据所述电极获得第五肌电信号；
[0111]
第二十获得单元：所述第二十获得单元用于对所述第五肌电信号进行特征提取，获得中正神经远端潜伏期信息；
[0112]
第二十一获得单元：所述第二十一获得单元用于根据所述电极获得第六肌电信号；
[0113]
第二十二获得单元：所述第二十二获得单元用于对所述第六肌电信号进行特征提取，获得符合肌肉动作电位信息；
[0114]
第二十三获得单元：所述第二十三获得单元用于根据所述电极获得第七肌电信号；
[0115]
第二十四获得单元：所述第二十四获得单元用于对所述第七肌电信号进行特征提取，获得腕-肘段运动传导速度信息；
[0116]
第二十五获得单元：所述第二十五获得单元用于根据所述电极获得第八肌电信号；
[0117]
第二十六获得单元：所述第二十六获得单元用于对所述第八肌电信号进行特征提取，获得中正神经感觉传导速度信息。
[0118]
前述图1实施例一中的一种基于多模态生理数据采集的腕部工作负荷的预测方法的各种变化方式和具体实例同样适用于本实施例的一种基于多模态生理数据采集的腕部工作负荷的预测装置，通过前述对一种基于多模态生理数据采集的腕部工作负荷的预测方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于多模态生理数据采集的腕部工作负荷的预测装置的实施方法，所以为了说明书的简洁，再次不再详述。
[0119]
实施例三
[0120]
下面参考图3来描述本申请实施例的电子设备。
[0121]
图3图示了根据本申请实施例的电子设备的结构示意图。
[0122]
基于与前述实施例中一种基于多模态生理数据采集的腕部工作负荷的预测方法的发明构思，本发明还提供一种基于多模态生理数据采集的腕部工作负荷的预测装置，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种基于多模态生理数据采集的腕部工作负荷的预测方法的任一方法的步骤。
[0123]
其中，在图3中，总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之
类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
[0124]
本申请实施例提供了一种基于多模态生理数据采集的腕部工作负荷的预测方法，其中，所述方法应用于一腕部智能穿戴设备，所述腕部智能穿戴设备可通过电极与第一用户的腕部连接，所述方法包括：根据所述电极获得第一肌电信号、第二肌电信号、第三肌电信号和第四肌电信号；根据所述第一肌电信号，获得第一输入信息；根据所述第二肌电信号，获得第二输入信息；根据所述第三肌电信号，获得第三输入信息；根据所述第四肌电信号，获得第四输入信息；将所述第一输入信息、第二输入信息、第三输入信息和第四输入信息输入运动预测模型，获得第一运动指标，所述第一运动指标为所述第一用户腕部工作负荷指标；获得预定腕部负荷阈值；判断所述第一运动指标是否在所述预定腕部负荷阈值之内；如果所述第一运动指标不在所述预定腕部负荷阈值之内，获得第一预警信息，所述第一预警信息用于提醒所述第一用户腕部工作超负荷。
[0125]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0126]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0127]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0128]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0129]
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
[0130]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围
之内，则本发明也意图包含这些改动和变型在内。