一种基于人体生理信号的健康状态分类方法及装置与流程

本发明涉及人体生理信号处理技术领域，特别涉及一种基于人体生理信号的健康状态分类方法及装置。

背景技术：

下背痛是一组以下背、腰骶臀部疼痛为主要症状的综合征，是康复医学、临床医学和运动医学领域的常见疾病，调查研究表明，下背痛是仅次于上呼吸道感染而居第二位的常见疾病，其终身流行率可高达60％-90％，年流行率为15％-45％，多发于35—50岁之间。近年来，随着科技和工业化的加快，人们生活压力的不断提高，下背痛病症患病年龄有明显下降趋势。不仅仅是中年和老年群体下背痛患病率高之外，青年群体下背痛患病率也成增长趋势，主要是以肌源性下背痛为主。而易患病职业主要为汽车司机、伏案工作人群、手术医生、护士和职业运动员等，患病后约有40％的人会减少娱乐活动，20％的人日常生活明显受限，5％的人日常生活活动严重受限。由于下背痛治疗周期的漫长及反复，导致治疗费用也比较较高，美国早在20世纪90年代初期每年用于治疗下背痛的费用就高达150-500亿美元。下背痛已经成为引起功能障碍、致残误工、增加社会经济负担和影响人类生活质量的重要原因。

然而，由于人们对下背痛病症缺乏足够的认识和重视，很多下背痛疼痛患者在起初有轻微症状的时候，往往会忽略治疗，并未去医院就医或者去康复机构进行正确的康复训练来阻断出现腰椎键盘突出病症，而选择休息和一些按摩等方式来减轻病症，长此以往在不正确的工作姿势和压力强度下使得这种病症的反复性和严重程度不断加重，最终导致腰椎键盘突出，严重者将引起功能障碍和致残。

现在临床上，对腰椎间盘突出的诊断主要是通过mri磁共振扫描或者ct扫描进行判断，这种诊断方式往往是疼痛患者选择在疼痛难忍的情况下进行的诊断选择，通常的诊断结果是已经患上了腰椎间盘突出疾病。且这种方式是静态的采集疼痛患者特定部位的影像学图形，并不能动态实时、不定期的获得疼痛患者的局部部位动态变化情况。而如何较早的发现下背痛的症状，并及时进行康复训练或者采取简单的措施进行调节，以此来避免疼痛患者的症状演变成腰椎间盘突出就显得尤为重要。

人体的运动是以骨骼为杠杆、关节为枢纽、肌肉收缩为动力，并在神经系统的支配下协调完成。肌肉收缩在人体运动中起发动机的作用，为人体运动提供动力。下背痛病症限制腰部肌肉活动，造成肌肉功能退化，而腰背肌的收缩能力的下降可直接影响腰部脊柱的结构稳定性，造成椎间小关节及其周围韧带组织和椎间盘的损伤，从而造成下背痛。躯干肌肉收缩时产生的张力保护脊柱，同时产生的压力作用于脊柱，因此当脊柱受到损伤出现结构性改变时，肌肉系统往往先于其他结构发生变化。因此，各种原因的的下背痛都在不同程度上与肌肉系统功能障碍有关，特别是维持腰椎稳定相关的核心肌群。腰椎核心稳定肌群作为脊椎主动子系统的主要组成部分，对于维持脊椎的稳定性和活动性有着重要的作用。

下背痛疼痛患者长期的劳作，或者过劳使得腰部肌肉发生病变，从而引起运动神经元发放冲动减慢，工作能力下降。肌肉结构的变化在运动过程中会使肌肉的生理电信号发生变化，目前采集这种生理电信号主要是通过表面肌电信号设备获取。表面肌电信号是一种非平稳的微电信号，它比肢体运动一般超前30—150ms产生，其幅值在0.01—10mv，主要能量集中在0—500hz之间，蕴含信息丰富，采集技术成熟，并且是无创采集，因而受到众多研究者的青睐。而根据小波分解理论，信号可以通过小波分解一层一层分解到不同的频率通道上，更加能真实的反应信号某一频率上的特征性，由于分解后的信号在频率成分上比原始信号单一，并且小波分解对信号作了平滑，因此分解后信号的平稳性比原始信号好得多。

例如，发明专利201510232056.4提出一种基于小波分解与重构的方式将人体脉搏信号中直流和交流分量分离，该方式通过小波分解和重构的方式将脉搏信号中的直流和交流分量分离，但该专利仅仅是采用小波分解进行脉搏信号的直流和交流分量分离，仅仅是一种分离波形的方式，对于分离后的信号处理并没有进行更加深入的研究。

技术实现要素：

本发明提供了一种基于人体生理信号的健康状态分类方法及装置，旨在至少在一定程度上解决现有技术中的上述技术问题之一。

为了解决上述问题，本发明提供了如下技术方案：

一种基于人体生理信号的健康状态分类方法，包括：

步骤a：对采集的人体表面肌电信号进行小波分解处理，获得每层低频小波系数和高频小波系数；

步骤b：对所述每层低频小波系数和高频小波系数进行复杂度处理，得到每层低频小波系数和高频小波系数的复杂度值；

步骤c：分别比较所述每层低频小波系数和高频小波系数的样本熵值和复杂度值，确定小波系数差异性参数，根据所述小波系数差异性参数对人体健康状态进行分类。

本发明实施例采取的技术方案还包括：所述步骤a还包括：采集人体疼痛部位的表面肌电信号；所述表面肌电信号采集方式为：受试者采用预定的站立姿势连续进行一定次数，在所述站立姿势的进行过程中采集人体疼痛部位的表面肌电信号。

本发明实施例采取的技术方案还包括：所述步骤a还包括：采用matlab2010b对采集到的表面肌电信号进行去噪滤波处理。

本发明实施例采取的技术方案还包括：在所述步骤b中，所述对所述每层低频小波系数和高频小波系数进行复杂度处理具体包括：对每层低频小波系数和高频小波系数分别进行二值粗粒化处理，并采用lempel_ziv算法对二值粗粒化处理后的数据进行复杂度处理。

本发明实施例采取的技术方案还包括：在所述步骤a中，所述表面肌电信号小波分解层数为四层；在所述步骤c中，所述分别比较所述每层低频小波系数和高频小波系数的样本熵值和复杂度值，确定小波系数差异性参数具体为：先比较低频小波系数和高频小波系数进行二值粗粒化处理前后的样本熵值，然后比较低频小波系数和高频小波系数进行进行二值粗粒化处理后的样本熵值和复杂度值，得到小波系数差异性参数；所述小波系数差异性参数为第四层低频小波系数复杂度值。

本发明实施例采取的另一技术方案为：一种基于人体生理信号的健康状态分类装置，包括：

小波分解模块：用于对采集的人体表面肌电信号进行小波分解处理，获得每层低频小波系数和高频小波系数；

复杂度处理模块：用于对所述每层低频小波系数和高频小波系数进行复杂度处理，得到每层低频小波系数和高频小波系数的复杂度值；

参数计算模块：用于分别比较所述每层低频小波系数和高频小波系数的样本熵值和复杂度值，确定小波系数差异性参数，根据所述小波系数差异性参数对人体健康状态进行分类。

本发明实施例采取的技术方案还包括信号采集模块，所述信号采集模块用于采集人体疼痛部位的表面肌电信号；所述表面肌电信号采集方式为：受试者采用预定的站立姿势连续进行一定次数，在所述站立姿势的进行过程中采集人体疼痛部位的表面肌电信号。

本发明实施例采取的技术方案还包括信号滤波模块，所述信号滤波模块用于采用matlab2010b对采集到的表面肌电信号进行去噪滤波处理。

本发明实施例采取的技术方案还包括粗粒化处理模块，所述粗粒化处理模块用于对每层低频小波系数和高频小波系数分别进行二值粗粒化处理，所述复杂度处理模块采用lempel_ziv算法对二值粗粒化处理后的数据进行复杂度处理。

本发明实施例采取的技术方案还包括：所述小波分解模块将表面肌电信号小波分解层数为四层；所述参数计算模块确定小波系数差异性参数具体包括：先比较低频小波系数和高频小波系数进行二值粗粒化处理前后的样本熵值，然后比较低频小波系数和高频小波系数进行进行二值粗粒化处理后的样本熵值和复杂度值，得到小波系数差异性参数；所述小波系数差异性参数为第四层低频小波系数复杂度值。

相对于现有技术，本发明实施例产生的有益效果在于：本发明实施例的基于人体生理信号的健康状态分类方法及装置通过对疼痛部位的表面肌电信号进行小波分解，提取出每层低频小波系数和高频小波系数，并对每层小波系数进行二值粗粒化处理，对处理后的系数进行lempel_ziv复杂度算法处理，提取出能真实、客观的反映疼痛患者和健康者之间的差异性的复杂度值，从而客观有效的对受试者的健康状态进行分类，便于医生做出更加正确的病理诊断。本发明无创、无痛、操作简单，成本低廉，实时性和可视性好，安全卫生，疼痛患者容易接受，易于实现；在临床应用、康复训练中可以定期不断的对疼痛患者的康复效果进行实时监测，及时了解疼痛患者的病症变化情况，有助于医生和康复师进行治疗措施和训练方式的调整，帮助疼痛患者早日康复。

附图说明

图1是本发明实施例的基于人体生理信号的健康状态分类方法的流程图；

图2是为小波分解后的各层小波系数示意图；

图3是低频小波系数和高频小波系数样本熵和复杂度曲线图；

图4(a)为健康者低频小波系数和高频小波系数样本熵和复杂度曲线图，图4(b)为疼痛患者低频小波系数和高频小波系数样本熵和复杂度曲线图；

图5为疼痛患者和健康者表面肌电信号小波分解低频小波系数复杂度比较示意图；

图6是本发明实施例的基于人体生理信号的健康状态分类装置的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明实施例的基于人体生理信号的健康状态分类方法及装置使用matlab软件对采集的疼痛部位的表面肌电信号进行小波分解，提取出每层低频小波系数和高频小波系数，并对每层小波系数进行二值粗粒化处理，对处理后的系数进行lempel_ziv复杂度算法处理，提取出能表现出下背痛疼痛患者和健康者之间差异的复杂度值，从而对受试者疼痛部位的健康状态进行分类。在以下实施例中，本发明仅以疼痛部位为下背部为例进行具体说明，可以理解，在本发明其他实施例中，疼痛部位还可以包括其他部位，例如颈椎、腰椎或四肢等。

请参阅图1，是本发明实施例的基于人体生理信号的健康状态分类方法的流程图。本发明实施例的基于人体生理信号的健康状态分类方法包括以下步骤：

步骤100：采集多位受试者腰部多裂肌肌肉的表面肌电信号；

在步骤100中，受试者分别包括疼痛患者和健康者，信号采集方式为：受试者采用标准姿势直立站立，然后尽可能的使躯干前倾弯曲，达到自身弯曲最大位置后，返回站立位，连续进行一定次数(本发明实施例优选为四次)，并在直立站立—躯干向前尽力弯曲—返回站立位的过程中，采集受试者腰部左右侧多裂肌的表面肌电信号；在本发明其他实施例中，表面肌电信号的信号采集方式及采集部位根据疼痛部位的不同而不同。

步骤200：对采集到的多裂肌肌肉表面肌电信号进行去噪滤波处理，对滤波后的表面肌电信号进行小波分解处理，并获得每层低频小波系数和高频小波系数；

在步骤200中，去噪滤波处理方式为采用matlab2010b进行去噪滤波，在本发明其他实施例中，也可采取其他去噪滤波方式。对采集的表面肌电信号进行去噪滤波处理后，将表面肌电信号小波分解为4层，具体如图2所示，为小波分解后的各层小波系数示意图，其中，低频层为ca1、ca2、ca3、ca4，高频层为cd1、cd2、cd3、cd4。

步骤300：对每层低频小波系数和高频小波系数分别进行二值粗粒化处理；

步骤400：采用lempel_ziv算法对二值粗粒化处理后的数据进行复杂度处理，分别得到每层低频小波系数和高频小波系数的复杂度值；

步骤500：分别比较每层低频小波系数和高频小波系数的样本熵值和复杂度值，确定小波系数差异性参数；

在步骤500中，小波系数比较方式为：先比较低频小波系数和高频小波系数进行二值粗粒化处理前后的样本熵值，然后比较低频小波系数和高频小波系数进行进行二值粗粒化处理后的样本熵值和复杂度值，得到表面肌电信号小波系数差异性参数，作为区分疼痛患者和健康者之间的差异性参数。

其中，样本熵值和复杂度值都是体现信号复杂程度的指标，但是对于下背痛病症的疼痛患者，研究发现复杂度值与样本熵值有较大的区别，如图3所示，是低频小波系数和高频小波系数样本熵和复杂度曲线图。其中，上方曲线表示小波分解后未进行二值粗粒化处理的低频小波系数和高频小波系数样本熵；中间曲线表示小波分解后进行二值粗粒化处理的低频小波系数和高频小波系数样本熵；下发曲线表示小波分解后进行二值粗粒化处理的低频小波系数和高频小波系数复杂度。比较样本熵和复杂度曲线，结果显示：未进行二值粗粒化处理和进行二值粗粒化处理后，低频小波系数样本熵值存在很大区别，但是基本趋势一致，而高频小波系数样本熵值无显著差异；进行二值粗粒化后，低频小波系数样本熵和复杂度有显著差异，并且趋势也有一定差异，而高频小波系数样本熵和复杂度无显著差异性。请一并参阅图4(a)和图4(b)，图4(a)为健康者低频小波系数和高频小波系数样本熵和复杂度曲线图，图4(b)为疼痛患者低频小波系数和高频小波系数样本熵和复杂度曲线图。比较健康者和疼痛患者小波系数的样本熵和复杂度，在小波分解后未进行二值粗粒化处理的小波系数中，低频(ca1、ca2、ca3、ca4)小波系数和高频(cd1、cd2、cd3、cd4)小波系数样本熵值在疼痛患者和健康者中均未表现出显著的差异性；在小波分解进行二值粗粒化处理后的小波系数样本熵值，在疼痛患者和健康者中各低频(ca1、ca2、ca3、ca4)小波系数和高频(cd1、cd2、cd3、cd4)小波系数也未表现出显著的群体特性；而在小波分解进行二值粗粒化处理后，对小波系数进行lempel_ziv复杂度计算，结果发现在疼痛患者和健康者中，仅第四层低频小波系数ca4复杂度有显著差异，因此以第四层低频小波系数ca4复杂度值为小波系数差异性参数，对受试者的健康状态进行分类。

步骤600：根据小波系数差异性参数对受试者疼痛部位的健康状态进行分类。

在步骤600中，本发明实施例以表面肌电信号第四层低频小波系数复杂度值ca4作为小波系数差异性参数，区分疼痛患者和健康者，具体如图5所示，为疼痛患者和健康者表面肌电信号小波分解低频小波系数复杂度比较示意图。结果表明，对表面肌电信号进行小波分解后，低频小波系数ca4复杂度值能反映出，疼痛患者和健康者之间显著的差异性。因此，通过多裂肌肌肉运动时本身的生理放电特性，通过小波分解处理，再加上二值粗粒化处理和lempel_ziv复杂度处理后的第四层低频小波系数复杂度值，能真实、客观的反映疼痛患者和健康者之间的差异性。由于这种方式无创、无痛、操作简单、可以进行实时监测，在临床应用、康复训练中可以定期不断的对疼痛患者进行监测，及时了解疼痛患者的病症变化情况，有助于医生和康复师进行治疗措施和训练方式的调整，帮助疼痛患者早日康复。

请参阅图6，是本发明实施例的基于人体生理信号的健康状态分类装置的结构示意图。本发明实施例的基于人体生理信号的健康状态分类装置包括信号采集模块、信号滤波模块、小波分解模块、粗粒化处理模块、复杂度处理模块和参数计算模块。具体地：

信号采集模块：用于采集多位受试者腰部多裂肌肌肉的表面肌电信号；其中，受试者分别包括疼痛患者和健康者，信号采集方式为：受试者采用标准姿势直立站立，然后尽可能的使躯干前倾弯曲，达到自身弯曲最大位置后，返回站立位，连续进行一定次数，并在直立站立—躯干向前尽力弯曲—返回站立位的过程中，采集受试者腰部左右侧多裂肌的表面肌电信号；在本发明其他实施例中，表面肌电信号的采集部位根据疼痛部位的不同而不同。

信号滤波模块：用于对采集到的多裂肌肌肉表面肌电信号进行去噪滤波处理；去噪滤波处理方式为采用matlab2010b进行去噪滤波，在本发明其他实施例中，也可采取其他去噪滤波方式。

小波分解模块：用于对滤波后的表面肌电信号进行小波分解处理，并获得每层低频小波系数和高频小波系数；表面肌电信号进行去噪滤波处理后，小波分解模块将表面肌电信号小波分解为4层，具体如图2所示，为小波分解后的各层小波系数示意图，其中，低频层为ca1、ca2、ca3、ca4，高频层为cd1、cd2、cd3、cd4。

粗粒化处理模块：用于对每层低频小波系数和高频小波系数分别进行二值粗粒化处理；

复杂度处理模块：用于采用lempel_ziv算法对二值粗粒化处理后的数据进行复杂度处理，分别得到每层低频小波系数和高频小波系数的复杂度值；

参数计算模块：用于分别比较每层低频小波系数和高频小波系数的样本熵值和复杂度值，确定小波系数差异性参数，根据小波系数差异性参数对受试者疼痛部位的健康状态进行分类。其中，小波系数比较方式为：先比较低频小波系数和高频小波系数进行二值粗粒化处理前后的样本熵值，然后比较低频小波系数和高频小波系数进行进行二值粗粒化处理后的样本熵值和复杂度值，得到表面肌电信号小波系数差异性参数，作为区分疼痛患者和健康者之间的差异性参数。

样本熵值和复杂度值都是体现信号复杂程度的指标，但是对于下背痛病症的疼痛患者，研究发现复杂度值与样本熵值有较大的区别，如图3所示，是低频小波系数和高频小波系数样本熵和复杂度曲线图。其中，上方曲线表示小波分解后未进行二值粗粒化处理的低频小波系数和高频小波系数样本熵；中间曲线表示小波分解后进行二值粗粒化处理的低频小波系数和高频小波系数样本熵；下发曲线表示小波分解后进行二值粗粒化处理的低频小波系数和高频小波系数复杂度。比较样本熵和复杂度曲线，结果显示：未进行二值粗粒化处理和进行二值粗粒化处理后，低频小波系数样本熵值存在很大区别，但是基本趋势一致，而高频小波系数样本熵值无显著差异；进行二值粗粒化后，低频小波系数样本熵和复杂度有显著差异，并且趋势也有一定差异，而高频小波系数样本熵和复杂度无显著差异性。请一并参阅图4(a)和图4(b)，图4(a)为健康者低频小波系数和高频小波系数样本熵和复杂度曲线图，图4(b)为疼痛患者低频小波系数和高频小波系数样本熵和复杂度曲线图。比较健康者和疼痛患者小波系数的样本熵和复杂度，在小波分解后未进行二值粗粒化处理的小波系数中，低频(ca1、ca2、ca3、ca4)小波系数和高频(cd1、cd2、cd3、cd4)小波系数样本熵值在疼痛患者和健康者中均未表现出显著的差异性；在小波分解进行二值粗粒化处理后的小波系数样本熵值，在疼痛患者和健康者中各低频(ca1、ca2、ca3、ca4)小波系数和高频(cd1、cd2、cd3、cd4)小波系数也未表现出显著的群体特性；而在小波分解进行二值粗粒化处理后，对小波系数进行lempel_ziv复杂度计算，结果发现在疼痛患者和健康者中，仅第四层低频小波系数ca4复杂度有显著差异，因此以第四层低频小波系数ca4复杂度值为小波系数差异性参数，对受试者疼痛部位的健康状态进行分类。具体如图5所示，为疼痛患者和健康者表面肌电信号小波分解低频小波系数复杂度比较示意图。结果表明，对表面肌电信号进行小波分解后，低频小波系数复杂度值ca4能反映出，疼痛患者和健康者之间显著的差异性。因此，通过多裂肌肌肉运动时本身的生理放电特性，通过小波分解处理，再加上二值粗粒化处理和lempel_ziv复杂度处理后的第四层低频小波系数复杂度值，能真实、客观的反映疼痛患者和健康者之间的差异性。

基于上述实施例，本发明采集了101例护士前倾运动中的多裂肌肌肉的表面肌电信号，通过滤波处理后，对表面肌电信号进行小波分解，获得低频小波系数和高频小波系数，并比较了不同处理操作下小波系数的特性差异，得到了经过二值粗粒化和lempel_ziv处理后的第四层低频小波系数复杂度值，证明了第四层低频小波系数复杂度值可以客观、有效的区分下背痛患者和健康群体。

本发明实施例的基于人体生理信号的健康状态分类方法及装置通过对疼痛部位的表面肌电信号进行小波分解，提取出每层低频小波系数和高频小波系数，并对每层小波系数进行二值粗粒化处理，对处理后的系数进行lempel_ziv复杂度算法处理，提取出能真实、客观的反映疼痛患者和健康者之间的差异性的复杂度值，从而客观有效的对受试者的健康状态进行分类，便于医生做出更加正确的病理诊断。本发明无创、无痛、操作简单，成本低廉，实时性和可视性好，安全卫生，疼痛患者容易接受，易于实现；在临床应用、康复训练中可以定期不断的对疼痛患者的康复效果进行实时监测，及时了解疼痛患者的病症变化情况，有助于医生和康复师进行治疗措施和训练方式的调整，帮助疼痛患者早日康复。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。