本发明涉及肌疲劳预测,特别是涉及一种基于多元信号融合的肌疲劳预测方法、系统及电刺激器。
背景技术:
1、功能性电刺激技术经过多年研究,目前已被广泛应用于上、下肢康复治疗领域,主要面对神经肌肉受损导致自主运动障碍的患者。功能性电刺激(functional electricalstimulation,fes)通过不断输出电脉冲作用于受损的神经肌肉位置,实现肌肉自主收缩功能恢复和神经功能重建效果,但长时间的脉冲刺激或不适当的刺激参数设置均会引起刺激部位肌肉收缩异常以及患者不适。由于患者往往存在神经和肢体受损,无法自主反馈肌肉疲劳状态,在治疗过程中需要实时观测患者肌肉状态,进而调整治疗手段。
2、电刺激引起的肌电信号中的复合动作电位信号(m波)和肌肉收缩产生的机械肌图信号(mmg)的幅值、中值频率等参数均与电刺激作用的肌肉疲劳状态相关。但使用肌电采集设备进行信号采集时,采集到的信号往往由刺激伪迹和m波组成,需要对m波进行提取才可用来表征肌疲劳状态。而且刺激过程中,电刺激引起的肌肉收缩产生的mmg信号易与自主运动收缩产生的mmg信号混合,容易对肌疲劳的判定造成干扰,需要对混合信号进行分解才可用于肌疲劳表征。对于以上信号采集问题和电刺激技术应用现状,研究出一种可利用混合信号预测肌肉疲劳的预测方案至关重要。
技术实现思路
1、本发明的目的是提供一种基于多元信号融合的肌疲劳预测方法、系统及电刺激器,能够通过获取m波以及mmg信号的时频域特征量训练肌疲劳预测模型,通过肌疲劳预测模型快速、准确进行肌疲劳预测,为电刺激器调整治疗手段提供可靠依据。
2、为实现上述目的,本发明提供了如下方案:
3、本发明提供了一种基于多元信号融合的肌疲劳预测方法,包括以下步骤:
4、获取m波的神经传导延迟时间和时频域特征量以及mmg信号的时频域特征量,作为肌电信号特征量的数据集;
5、获取所述数据集中各肌电信号特征量与电刺激诱发肌力值的斯皮尔曼相关系数,将所述斯皮尔曼相关系数作为所述肌电信号特征量的标签;
6、采用层次聚类算法对所述数据集中的肌电信号特征量进行降维;
7、利用降维后的数据集训练随机森林预测模型,得到肌疲劳预测模型;
8、基于所述肌疲劳预测模型,进行肌疲劳预测,得到肌疲劳预测结果。
9、进一步地,所述获取m波的神经传导延迟时间和时频域特征量,包括:
10、在第三级时序中,刺激器在脉冲输出的同时发送同步信号至肌电信号采集端,根据同步信号,在混合肌电信号中定位电刺激脉冲的起始时刻和结束时刻,在结束时刻和下一次开始时刻间的数据段搜寻最大值点,得到m波负向峰值点,计算起始时刻至m波负向峰值点间的时间段作为m波的神经传导延迟时间;
11、在第三级时序中,获取电刺激脉冲诱发出的未被刺激伪迹干扰的所有m波的峰值点,基于每个m波的峰值点,向左向右截取相同时间段内的数据点进行均值计算,用此均值表征此单式次m波;
12、在第二级时序中,将一次刺激脉冲的所有单式次m波进行包络线绘制,对绘制得到的包络线进行时频域特征提取,得到m波的时频域特征量。
13、进一步地,所述获取mmg信号的时频域特征量,包括:
14、对所述mmg信号进行等权重融合,得到融合后mmg信号;
15、对融合后mmg信号进行滤波处理;
16、采用与获取m波的时频域特征量相同的方法,获取mmg信号的时频域特征量。
17、进一步地,所述获取所述数据集中各肌电信号特征量与电刺激诱发肌力值的斯皮尔曼相关系数之前,对所述肌电信号特征量进行归一化处理。
18、进一步地,所述采用层次聚类算法对所述数据集中的肌电信号特征量进行降维,包括:
19、步骤1,获取两两所述肌电信号特征量之间的欧式距离;
20、步骤2,将欧式距离最小的两个肌电信号特征量合并成一个新特征量;
21、步骤3,获取所述新特征量与任一所述肌电信号特征量之间的欧式距离;
22、步骤4,重复步骤2至步骤3,直到所有类最后合并成一类,得到降维后的数据集。
23、进一步地,所述利用降维后的数据集训练随机森林预测模型,得到肌疲劳预测模型,包括:
24、从降维后的数据集中,采用bootstrap有放回的随机抽取一部分肌电信号特征量以及对应的标签组成训练集,此过程重复多次,得到多个训练集;
25、用每个训练集作为训练样本训练出对应的决策树,每个决策树均会对训练样本做出判断;
26、使用所有决策树的预测值的加权平均值作为预测结果;
27、基于训练后的决策树,构建肌疲劳预测模型。
28、进一步地,所述方法还包括:
29、根据所述肌疲劳预测结果,确定电刺激器的预设模式,所述预设模式包括不疲劳、开始疲劳以及一般疲劳;
30、根据所述预设模式,调整电刺激器的刺激参数。
31、本发明还提供一种基于多元信号融合的肌疲劳预测系统,包括:
32、数据集获取模块,用于获取m波的神经传导延迟时间和时频域特征量以及mmg信号的时频域特征量,作为肌电信号特征量的数据集;
33、标签获取模型,用于获取所述数据集中各肌电信号特征量与电刺激诱发肌力值的斯皮尔曼相关系数,将所述斯皮尔曼相关系数作为所述肌电信号特征量的标签;
34、降维处理模块,用于采用层次聚类算法对所述数据集中的肌电信号特征量进行降维;
35、模型训练模块,用于利用降维后的数据集训练随机森林预测模型,得到肌疲劳预测模型;
36、预测模块,用于基于所述肌疲劳预测模型,进行肌疲劳预测,得到肌疲劳预测结果。
37、本发明还提供一种电刺激器,包括:嵌入式多核心处理器以及与嵌入式多核心处理器电性连接的wifi模块、uart通讯模块和触摸屏,所述嵌入式多核心处理器用于执行上述任一种所述的基于多元信号融合的肌疲劳预测方法,所述wifi模块和uart通讯模块用于接收各类传感器采集到的原始肌电信号,所述触摸屏用于显示肌疲劳预测结果。
38、根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供的基于多元信号融合的肌疲劳预测方法、系统及电刺激器,通过获取m波的神经传导延迟时间和时频域特征量以及mmg信号的时频域特征量,作为肌电信号特征量的数据集,无需对原始信号进行复杂提取,简化了信号处理流程,实现了快速处理原始信号的功能;之后使用层次聚类算法对数据集进行特征优化,缩短了随机森林算法的计算时间,提高了实时预测速度;通过训练好的肌疲劳预测模型快速、准确进行肌疲劳预测,为电刺激器进行康复治疗提供可靠的数据依据。
1.一种基于多元信号融合的肌疲劳预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于多元信号融合的肌疲劳预测方法,其特征在于,所述获取m波的神经传导延迟时间和时频域特征量,包括:
3.根据权利要求1所述的基于多元信号融合的肌疲劳预测方法,其特征在于,所述获取mmg信号的时频域特征量,包括:
4.根据权利要求1所述的基于多元信号融合的肌疲劳预测方法,其特征在于,所述获取所述数据集中各肌电信号特征量与电刺激诱发肌力值的斯皮尔曼相关系数之前,对所述数据集中的各肌电信号特征量进行归一化处理。
5.根据权利要求1所述的基于多元信号融合的肌疲劳预测方法,其特征在于,所述采用层次聚类算法对所述数据集中的肌电信号特征量进行降维,包括:
6.根据权利要求1所述的基于多元信号融合的肌疲劳预测方法,其特征在于,所述利用降维后的数据集训练随机森林预测模型,得到肌疲劳预测模型,包括:
7.根据权利要求1所述的基于多元信号融合的肌疲劳预测方法,其特征在于,所述方法还包括:
8.一种基于多元信号融合的肌疲劳预测系统,其特征在于,包括:
9.一种电刺激器,其特征在于,包括:嵌入式多核心处理器以及与嵌入式多核心处理器电性连接的wifi模块、uart通讯模块和触摸屏,所述嵌入式多核心处理器用于执行如权利要求1-7任一所述的基于多元信号融合的肌疲劳预测方法,所述wifi模块和uart通讯模块用于接收各类传感器采集到的原始肌电信号,所述触摸屏用于显示肌疲劳预测结果。