膝关节摩擦音检测装置和双陀螺仪动态角度监测方法与流程

本发明属于医疗器械领域，尤其涉及膝关节摩擦音检测装置和双陀螺仪动态角度监测方法。
背景技术：
：膝关节损伤是一种以膝关节局限性疼痛，部分患者有打软腿或膝关节交锁现象，股四头肌萎缩，膝关节间隙固定的局限性压痛为主要表现的疾病。膝关节损伤多由扭转外力引起，当一腿承重，小腿固定在半屈曲、外展位时，身体及股部猛然内旋，内侧半月板在股骨髁与胫骨之间受到旋转压力，而致半月板撕裂。目前对于膝关节疾病诊断的金标准是物理检查结合影像学检查。然而，影像学检查有时不可靠，且只针对器质性结构完整性进行检查，物理检查主要是一些主观检查如疼痛、关节活动度以及一些特殊测试，这些检查的阳性率低，诊断价值不高。技术实现要素：本发明所要解决的技术问题是针对
背景技术：
的不足提供了一种膝关节摩擦音检测装置和双陀螺仪动态角度监测方法，其能够通过对关节摩擦音进行采集，然后进行数据处理，从而判断所检测关节是否损伤以及损伤程度。本发明为解决上述技术问题采用以下技术方案：一种膝关节摩擦音检测装置，包括微型声音采集器和一对陀螺仪，所述微型声音采集器包括有固定装置和集音装置；所述集音装置包括一半球形罩体，所述半球形罩体设置为双层，双层之间的间隙为真空隔音层；所述陀螺仪带有固定件；两个陀螺仪和微型声音采集器均共同连接一个主控模块，主控模块内置有卡尔曼滤波器，主控模块与计算机通过无线传输或者有线传输。进一步的，所述固定装置为设置在半球形罩体下的环形硅胶帖。进一步的，所述环形硅胶帖中部为防护网。进一步的，所述固定件采用硅胶帖。进一步的，所述主控模块为单片机控制器，所述单片机控制器通过魔术贴固定于患者腿部。进一步的，所述单片机控制器具有蓝牙模块并通过蓝牙传输协议将信息传递给手机app或者计算机。进一步的，两个陀螺仪，陀螺仪内置有传感器模块、主控模块、蓝牙模块；包括步骤如下：sl，将两个陀螺仪分别设置在使用者同一条腿的大腿和小腿上；s2，让使用者腿部进行“坐-站-坐”的动作，传感器模块将会捕捉使用者的腿部的动态角度，然后两个传感器模块将动态角度传递给主控模块，由主控模块计算得出两个传感器模块之间的动态角度差值；s3，滤波处理，主控模块内置卡尔曼滤波器，采用卡尔曼滤波器实时的对陀螺仪的数据进行滤波处理，得到各个时刻的最优的动态角度差值；s4，蓝牙通讯协议，主控模块通过蓝牙模块的蓝牙腾讯协议将获得的最优的动态角度差值传输至计算机中；s5，计算机对获得的数据进行显示和存储。本发明采用以上技术方案与现有技术相比，具有以下技术效果：本实验通过对膝关节膝关节损伤患者的关节音检测，为我们提供了膝关节疾病诊断的新思路。其原理主要是通过对由于关节摩擦音进行采集，通过算法计算出熵值，声能等客观数据，同时配合加速度传感器采集关节运动过程中的加速度。将所得数据进行健患侧或与常模进行比较，从而判断所检测关节是否损伤以及损伤程度。相比于传统的检查，关节音的监测具有低成本，省时，无创，客观，操作简单等优点，并且可以动态的监测患者在运动过程中的关节音变化。本实验在于探究膝关节损伤与关节音之间的联系，通过试验发现膝关节损伤患者的健患侧关节音的表现有规律性的差异。附图说明图1为实施例一的整体结构示意图；图2为实施例一中声音采集器的采集端的结构示意图；图3为实施例一中左右膝“坐-站-坐”的对比折线图；图4为实施例一左右膝“站立位踏步”的对比折线图。图中，1、微型声音采集器；11、半球形罩体；111、真空隔音层；12、硅胶帖；121、防护网；2、陀螺仪；3、计算机；4、plc微型控制器；41、魔术贴；5、手机。具体实施方式下面结合附图对本发明的技术方案做进一步的详细说明：实施例一，一种膝关节损伤的关节摩擦音检测装置，如图1和2所示，包括微型声音采集器1和一对陀螺仪2，所述微型声音采集器1包括有固定装置和集音装置；所述陀螺仪2带有固定件。两个陀螺仪2和微型声音采集器1均共同连接一个主控模块，主控模块内置有卡尔曼滤波器，主控模块与计算机3或手机5通过无线传输或者有线传输。所述主控模块为单片机控制器，型号选用mcs-51单片机，所述单片机控制器1通过魔术贴固定于患者腿部。本发明的单片机控制器具有蓝牙模块并通过蓝牙传输协议将信息传递给手机5的app中或者计算机3的软件中。集音装置包括一半球形罩体11。半球形罩体11设置有双层，双层之间的间隙为真空隔音层111，用于格挡外界的干扰音，同时半球形罩体11也能够起到收音的作用。固定装置为设置在半球形罩体11下的环形硅胶帖12，环形硅胶帖12能够很好的与患者的皮肤贴合固定，操作方便。环形硅胶帖12中部为防护网121，防护网121能够避免硅胶帖12对声音的遮挡，利于收音。固定件采用硅胶帖12。具体实施说明：本发明能够检测患者在进行各种运动时，大腿和小腿所呈现的不同角度下的半月板关节摩擦音，以此来为膝关节损伤诊断提供数据支持。以下结合实例进行分析：所需环境和所需设备：安静独立的空间，50cm高凳子一张，带有声动分析平台软件raven1.5.0的笔记本电脑，膝关节损伤的关节摩擦音检测装置。操作步骤：1、将微型声音采集器1放置于胫骨结节外侧，用硅胶帖12或者弹力胶带将其固定，将两个陀螺仪2分别放置在患者大腿和小腿的上并通过硅胶帖12固定。接着，将微型声音采集器1、陀螺仪2与单片机控制器连接。2、在安静的环境下，让患者完成“坐—站—坐”，“站立位踏步”两个动作，各重复15次。3、微型声音采集器1将患者腿部在运动过程中的声音通过主控模块传递给计算机3，两个陀螺仪将会捕捉使用者的腿部的动态角度，然后将动态角度传递给主控模块——单片机控制器，由单片机控制器计算得出两个传感器模块之间的动态角度差值；单片机控制器内置卡尔曼滤波器，采用卡尔曼滤波器实时的对陀螺仪的数据进行滤波处理，得到各个时刻的最优的动态角度差值；单片机控制器通过蓝牙模块的蓝牙腾讯协议将获得的最优的动态角度差值传输至计算机中。然后，计算机利用声动分析平台软件raven1.5.0进行标注和数据提取、对比。膝关节损伤患者在运动中的关节摩擦音健患侧(左右膝)有差异。选取的10名受试者中，1名受试者缺失部分试验数据，一名受试者中途因疼痛无法配合试验而排除，最终入组受试者8名。数据处理分析过程如下：1、以下截取患者双膝“坐-站-坐”动作时的部分测试数据：selection患侧平均值健侧平均值aggentropy(bits)3.8973753.55325avgamp(u)-0.0125-0.375avgentropy(bits)3.1508753.207875avgpower(db)41.535.625maxamp(u)15757.6251989.75maxentropy(bits)6.0896.588875maxpower(db)85.387576.6375minamp(u)-12136.125-1831.625minentropy(bits)1.0681251.167peakamp(u)16067.252129.875peakpower(db)85.387576.6375绘制患者双膝的“坐-站-坐”对比折线图，参见附图3。2、以下截取“站立位踏步”的部分测试数据：selection患侧平均值健侧平均值aggentropy(bits)2.644752.679875avgamp(u)0.275-0.0625avgentropy(bits)2.536252.726625avgpower(db)46.012545.8125energy(db)101.225101.5maxamp(u)7567.55091.625maxentropy(bits)6.57156.25maxpower(db)88.762588.875minamp(u)-6318.125-5406minentropy(bits)0.8601250.94675peakamp(u)7624.256053.625peakpower(db)88.762588.875绘制“站立位踏步”左右膝对比折线图，参见附图4。得出结论：经过对基本参数的分析，膝关节损伤患者在完成“坐-站-坐”动作时aggentropy(bits)，avgpower(db)，maxamp(u)，maxpower(db)，peakamp(u)，peakpower(db)表现为患侧值大于健侧。在完成“踏步”动作时，avgpower(db)，maxamp(u)，maxentropy(bits)，peakamp(u)表现为患侧大于健侧。数据的差异性在“坐-站-坐”时差距最大，在“踏步”时差距最小。对于膝关节损伤的诊断和治疗，关节音的检测可以作为一项辅助诊疗手段。目前对于膝关节疾病诊断的金标准是物理检查结合影像学检查。然而，影像学检查有时不可靠，且只针对器质性结构完整性进行检查，物理检查主要是一些主观检查如疼痛、关节活动度以及一些特殊测试，这些检查的阳性率低，诊断价值不高。本实验通过对膝关节膝关节损伤患者的关节音检测，为我们提供了膝关节疾病诊断的新思路。其原理主要是通过对由于关节摩擦音进行采集，通过算法计算出熵值，声能等客观数据，同时配合加速度传感器采集关节运动过程中的加速度。将所得数据进行健患侧或与常模进行比较，从而判断所检测关节是否损伤以及损伤程度。相比于传统的检查，关节音的监测具有低成本，省时，无创，客观，操作简单等优点，并且可以动态的监测患者在运动过程中的关节音变化。实施例二，一种双陀螺仪动态角度监测方法，包括部件有，两个陀螺仪，陀螺仪内置有传感器模块、主控模块、蓝牙模块；包括步骤如下：s1，将两个陀螺仪分别设置在使用者同一条腿的大腿和小腿上；s2，让使用者腿部进行“坐-站-坐”的动作，传感器模块将会捕捉使用者的腿部的动态角度，然后两个传感器模块将动态角度传递给主控模块，由主控模块计算得出两个传感器模块之间的动态角度差值；s3，滤波处理，主控模块内置卡尔曼滤波器，采用卡尔曼滤波器实时的对陀螺仪的数据进行滤波处理，得到各个时刻的最优的动态角度差值；s4，蓝牙通讯协议，主控模块通过蓝牙模块的蓝牙腾讯协议将获得的最优的动态角度差值传输至计算机中；s5，计算机对获得的数据进行显示和存储。其中，卡尔曼滤波器是一种描述数据滤波问题的递归解决方案的算法。这是一个可以在线性和非线性系统中实现的估算器。它接收并处理所有可用的测量值，并根据这些测量值估算出状态间变量的实际值。作为所谓的线性二次问题的估计，其试图估计受噪声干扰的瞬时动态线性状态系统。对于任何二次误差估计函数，得到的估计是静态最优的。陀螺仪采用的是mpu9250集成九轴传感器的运动处理芯片，mpu9250包括三轴加速度计、三轴陀螺仪和三轴磁力计。因为加速度/磁力计具有高频噪声(需要低通滤波)，将加速度/磁力计的信号看成是音频信号，它们的信号会有很多“毛刺”，也就是说它们的瞬时值不够精确，解算出来的姿态会震荡，但长期来看姿态方向是对的。而陀螺仪具有低频噪声(需要高通滤波)，即每个时刻的得到的角速度是比较精确的，使用积分就能得到旋转角度(姿态)，但是积分会累积误差，因此积分到后面姿态就不对了，也就是漂移现象。加速度/磁力计和陀螺仪在频域上的特性互补，可以融合这三种传感器的数据，提高精度和系统的动态特性。陀螺仪在产生角度数据时，由于是mems器件会使得数据精度低且发散。系统中采用卡尔曼滤波器实时将陀螺仪的数据融合，提高数据精度。卡尔曼滤波，是最优估计理论中十分重要的一个部分。卡尔曼滤波与状态观测器非常相似。状态观测器利用原系统的输入输出来估计系统状态，对原系统建模(状态方程，输出方程)，把观测器的输出与原系统输出的差乘上一个增益反馈给观测器的状态，这样构成一个闭环系统使得观测器状态跟踪原系统状态。卡尔曼滤波中，同样要对系统建模得到状态方程，输出方程则取决于你的测量手段，因此改称量测方程。卡尔曼同样要预测量测值，并把预测值与真实量测值比较，乘上一个增益返回给状态。不同之处在于，状态观测器不考虑噪声，要求系统可检测，并且增益通常是时不变的，而卡尔曼滤波则详细考虑了噪声和初始估计误差，智能的计算每一步的增益，以达到对状态的最优的估计。实际工程常常面临这样的情况：变量x无法直接测量，能测量的是一些与x相关的量z，通常可以得到确定的函数关系：z＝h(x)，例如要用mpu9250测量转动欧拉角(ψ，θ，γ)t，无法直接测量，但是加速度计的测量值与欧拉角有关系：由测量值z估计状态x，典型的方法-最小二乘估计，即对x的估计-x^应当使得e{(z-h(x^))(z-h(x^))t}最小。典型例子如用直尺测量一支笔的长度，多次测量取平均值就是一个最简单的最小二乘估计。实际工程中，对状态x可以通过建模，给出x的动力学过程：x＝f(x，t)，若能确定初始时刻的状态x0，那么显然初始时刻以后的状态都可以确定，对状态x的确定就是一个微分方程求解的问题。然而实际系统f(x，t)多具有复杂的形式，给出x的解析解是一件困难甚至不可能的事。好在我们并不要求x绝对精确的值，只需要满足精度需求的值，那么我们可以依靠数值积分方法给出状态x的解，只要步长δt取得足够小，龙格库塔法正是其中的一种典型方法。x的动力学过程与对z的测量都包含有关于x的信息，卡尔曼滤波正是综合运用了这两种信息来给出状态x的最优估计。卡尔曼滤波包含两个基本方程-状态方程和测量方程，这也是卡尔曼滤波最根本的地方，但凡要实现一个卡尔曼滤波器，只要写出状态方程和量测方程，剩下的就只是代公式了，如果连状态方程和测量方程都写不出来搞不清楚，那也别谈什么实现卡尔曼滤波器。状态方程：x(k)＝φ(k，k-1)x(k-1)+γ(k-1)w(k-1)；状态方程描述了k时刻的系统状态x(k)的动力学过程，φ(k，k-1)是从k-1时刻到k时刻的状态转移矩阵，γ(k-1)是k-1时刻的噪声输入矩阵，w(k-1)是k-1时刻的系统噪声。测量方程：zk＝h(k)x(k)+v(k)；测量方程描述了状态与测量的关系，v(k)是k时刻的测量噪声。h(k)是测量系统的参数，对于多测量系统，h(k)为矩阵。上述两个方程是标准线性卡尔曼的基本方程，它要求两个方程是线性的，还要求系统噪声w和测量噪声v都是白噪声。若在k-1时刻估计状态为x^(k-1)，在k时刻有一个测量值z(k)，卡尔曼滤波器能够得到k时刻的最优均方误差，从而得到k时刻的最优状态估计x^(k)。而要求得最优均方误差需要用到以下公式。状态方程：x(k)＝φ(k，k-1)x(k-1)+γ(k-1)w(k-1)测量方程：z(k)＝h(k)x(k)+v(k)以及必要的假设：系统噪声w和测量噪声v都是白噪声，且具有如下统计特性：即，e(wk)＝0，e(wkwtj)＝qkδkj，e(vk)＝0，e(vkvtj)＝rkδkj，并且假设k-1时刻状态估计为x^(k-1)，误差协方差为p(k-1)＝e(x(k-1)-x^(k-1))[x(k-1)-x^(k-1)]t；其中，qkδkj和rkδkj为kronecker6函数，t为时间。首先，既然在k-1时刻已经估计出状态为x^(k-1)，那么k时刻的状态按照状态的一步预测方程就应当预测为：x^(k，k-1)＝φ(k，k-1)x^(k-1)；x^(k，k-1)被称为状态一步预测值。既然对k时刻状态做出预测，那么显然可以根据量测方程再对k时刻的测量值做出预测：z^(k)＝h(k)x^(k，k-1)。既然对测量做出了预测，又获得了一个真正的测量值z(k)，那么显然它们的差z(k)-z^(k)反映了预测状态与真实状态的差。所以毫无疑问，需要利用这个差对状态做出修正：x^(k)＝x^(k，k-1)+k(k)(z(k)-h(k)x^(k，k-1))；k(k)是增益阵，那么剩下的问题就是如何选取k(k)。选取k(k)的原则是使得误差协方差阵e[x(k)-x^(k)][x(k)-x^(k)]t最小，按照上式，对k(k)的选取既要考虑x^(k，k-1)的误差协方差，也要考虑测量的噪声阵r(k)，记p(k，k-1)为x^(k，k-1)的误差协方差阵，则k(k)为：k(k)＝p(k，k-1)h(k)t[h(k)p(k，k-1)h(k)t+r(k)]-1；而p(k，k-1)与上一步的误差协方差p(k-1)和系统噪声q(k-1)有关：p(k，k-1)＝φ(k，k-1)p(k-1)φ(k，k-1)t+γ(k-1)q(k-1)γ(k-1)t；到这里就确定了增益k，给出了估计x^(k)，最后一步是计算x^(k)的误差协方差p(k)，p(k)表示k时刻的最优均方误差：p(k)＝[i-k(k)h(k)]p(k，k-1)。最后，根据k-1时刻的状态估计x^(k-1)和k时刻的最优均方误差p(k)得到k时刻的最优状态估计x^(k)。从上述过程可以看出，卡尔曼滤波遵循“预测-修正”的思想，通过对比测量真实值与测量预测值来修正状态估计。确定增益阵k是卡尔曼滤波的核心也是精髓所在，对增益阵的计算充分考虑了初始估计误差，系统噪声，测量噪声，给出了误差最小意义下的状态最优估计。本
技术领域：
技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。上面对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以再不脱离本发明宗旨的前提下做出各种变化。当前第1页12