本发明属于可穿戴系统应用领域，具体涉及一种基于可穿戴的脚部肌肉恢复系统。
背景技术：
随着医学研究与技术的发展，越来越多的医学难关得以突破。特别是现在的可穿戴设备，例如脚部可穿戴设备，可以使脚部直接和外部环境进行信息交互，通过对脚部检测信号进行处理与分析，可以实现对人类关键的健康状况的监控，以及检测某些神经系统疾病，甚至可以用脚部检测信号实现外界的控制。随着临床上的不断应用，越来越多的脚部可穿戴设备也逐渐被用在日常生活中监控人体活动水平，比如注意力集中水平检测，疲劳程度检测等，还可以通过观测分析脚部检测信号研究睡眠等相关数据。
可穿戴设备获取信息的基本原理是根据分析解读由外界刺激或思维活动引起的脚部活动变化，将其转化为相应的命令传递给外部设备，具体的信号采集原理是将人的脚趾、脚部表面或者脚部内神经元活动等特定区域的神经细胞产生的信号进行采集，然后将模拟信号经过一系列变换之后变成易于计算机识别和处理的数字信号输入计算机系统中，作为系统的输入信号，其产生方式有诱发式和自发式，诱发式的检测信号起源于感官刺激，自发式的脚部检测信号不依赖于外部的刺激，例如感知运动区的eeg节律。通过系统的分析所采集的信号，就可以实现上面所述的健康监控、健康检测和预警等功能。
上述采集中最为关键也是最核心的就是所采集到的脚部检测信号的处理。然而，由于脚部检测信号记录存在很多不稳定性因素，并且用户自身状态对采集信号的影响也很大，信号处理算法也较复杂，需要考虑算法复杂度对系统性能的影像，噪音抑制，以及如何从单一域、结合域以及非线性动力学领域中提取更有效的特征，以及如何提高分类的准确率，同时降低算法的复杂度。这均是摆在该领域的难题。
技术实现要素：
鉴于以上分析，本发明的主要目的在于提供一种基于可穿戴的脚部肌肉恢复系统，其基于可穿戴的运动神经元检测子系统，特别是提出了有效的基于可穿戴的运动神经元脚部检测信号采集的噪音去除、特征提取和分类识别算法，可以在提高信号处理算法效率的情况下，降低计算复杂度，同时也能保证分类识别的准确率，进而提高运动过程中指示脚部肌肉恢复情况的准确度。
本发明的目的是通过以下技术方案实现的。
一种基于可穿戴的脚部肌肉恢复系统，包括彼此连接的可穿戴的运动神经元检测子系统和阈值判断与预警子系统，所述阈值判断与预警子系统根据所述可穿戴的运动神经元检测子系统产生的预警信息以及预先确定的脚部神经元疲劳阈值进行比较且根据比较结果给出指示脚部肌肉恢复情况信息，所述预先确定的脚部神经元疲劳阈值是根据个人通过实验得到的经验值确定的。
进一步地，所述可穿戴的运动神经元检测子系统包括依次相连的可穿戴式信号采集模块、预处理模块、特征提取模块、分类识别模块、以及信息输出模块。
进一步地，其中该可穿戴式信号采集设备将电极置于测试者皮肤表面，将测试者产生的离子电流转化为测量设备能够检测到的电子电流。
进一步地，所述预处理模块用于消除噪音，其将采集到的信号进行小波变换，得到小波系数，然后在小波变换域上利用信号与噪音的不同性质，对高频系数进行限值化处理，再对去噪效果进行衡量利，用重构算法重构信号。
进一步地，所述限值化处理包括将信号的绝对值与限值进行比较，小于或等于限值的点变为0，大于该值的点变为该点值与限值的差值。
进一步地，所述特征提取包括如下步骤：
1、对两个通道各自提取至少10个特征值，组成相对应的特征矩阵，用伯格算法估计采集值的4阶ar模型，将得到的模型参数作为特征；
2、计算功率谱的四个特征，包括功率谱的峰值、功率谱的峰值对应的频率、每个采集值信号段10-12hz的信号能量值e以及功率谱的一阶谱矩，其中信号能量值e计算如下:
3、估计脚部检测信号的双谱，计算与其相关的4个特征即双谱的峰值、双谱的峰值所在的频率横坐标、双谱的峰值所在的频率纵坐标、双谱的对角切片的一阶谱矩。
进一步地，所述分类识别模块包括采用梯度进行分类，具体包括给定一个训练集，训练集中包括数据点和相应的标识，定义对数递归模型中的伯努利对数似然函数，建立对数递归模型，不断地最大化对数递归模型，得到弱分类器的权值，对多个弱分类器进行迭代获得一个强分类器，由此得到一个新的对数递归值，再计算迭代最优值，从而得到分类结果。
进一步地，所述分类识别模块包括如下分类步骤：
1、获得具有特征信息的采样信息；
2、选定一个感知函数，函数结果能够体现分类器的性能，并且感知函数的极值解对应的分类器是最佳分类器；
3、通过最优化处理，求出相应极值解，
利用相应极值解构建线性判定函数，通过线性判定函数就可以对采样信息处理得到其所属的类别。
附图说明
图1示出了本发明的基于可穿戴的脚部肌肉恢复系统的结构框图。
图2示出了本发明的基于可穿戴的运动神经元检测子系统的结构框图。
具体实施方式
实施例一
如图1所示的基于可穿戴的脚部肌肉恢复系统，包括彼此连接的可穿戴的运动神经元检测子系统和阈值判断与预警子系统，所述阈值判断与预警子系统根据所述可穿戴的运动神经元检测子系统产生的预警信息以及预先确定的脚部神经元疲劳阈值进行比较且根据比较结果给出指示脚部肌肉恢复情况信息，所述预先确定的脚部神经元疲劳阈值是根据个人通过实验得到的经验值确定的。
如图2所示，所述可穿戴的运动神经元检测子系统包括依次相连的可穿戴式信号采集模块、预处理模块、特征提取模块、分类识别模块、以及信息输出模块。
其中该可穿戴式信号采集设备将电极置于测试者皮肤表面，将测试者产生的离子电流转化为测量设备能够检测到的电子电流。
所述预处理模块用于消除噪音，其将采集到的信号进行小波变换，得到小波系数，然后在小波变换域上利用信号与噪音的不同性质，对高频系数进行限值化处理，再对去噪效果进行衡量利，用重构算法重构信号。
所述限值化处理包括将信号的绝对值与限值进行比较，小于或等于限值的点变为0，大于该值的点变为该点值与限值的差值。
所述特征提取包括如下步骤：
1、对两个通道各自提取至少10个特征值，组成相对应的特征矩阵，用伯格算法估计采集值的4阶ar模型，将得到的模型参数作为特征；
2、计算功率谱的四个特征，包括功率谱的峰值、功率谱的峰值对应的频率、每个采集值信号段10-12hz的信号能量值e以及功率谱的一阶谱矩，其中信号能量值e计算如下:
3、估计脚部检测信号的双谱，计算与其相关的4个特征即双谱的峰值、双谱的峰值所在的频率横坐标、双谱的峰值所在的频率纵坐标、双谱的对角切片的一阶谱矩。
所述分类识别模块包括采用梯度进行分类，具体包括给定一个训练集，训练集中包括数据点和相应的标识，定义对数递归模型中的伯努利对数似然函数，建立对数递归模型，不断地最大化对数递归模型，得到弱分类器的权值，对多个弱分类器进行迭代获得一个强分类器，由此得到一个新的对数递归值，再计算迭代最优值，从而得到分类结果。
实施例二
与所述实施例一其余结构均相同，实施例二的分类识别模块包括如下分类步骤：
1、获得具有特征信息的采样信息；
2、选定一个感知函数，函数结果能够体现分类器的性能，并且感知函数的极值解对应的分类器是最佳分类器；
3、通过最优化处理，求出相应极值解，
利用相应极值解构建线性判定函数，通过线性判定函数就可以对采样信息处理得到其所属的类别。