[发明专利]基于表面肌电信号的足下垂检测装置及检测方法

权利要求书

1.基于表面肌电信号的足下垂检测装置，其特征是：该检测装置包括阵列电极、信号调理电路、FPGA和上位机；

所述阵列电极通过信号调理电路与FPGA连接，所述FPGA与上位机连接；

所述阵列电极采集下肢动作时产生的表面肌电信号，将所述表面肌电信号经过信号调理电路，进行放大和滤波处理后传输到FPGA中，所述FPGA对接收的信号进行去噪处理以及A/D转换后，对信号进行检测，检测出动作的起始点与终止点后，采用无线传输的方式将信号传输至上位机。

2.根据权利要求1所述的基于表面肌电信号的足下垂检测装置，其特征在于：所述阵列电极由16个铜质圆形电极组成，电极直径大小为2.5mm，电极间横向、纵向的间距均为15mm。

3.根据权利要求1或2所述的基于表面肌电信号的足下垂检测装置的检测方法，其特征是：该方法由以下步骤实现：

步骤一、信号采集与预处理；

选择采集的对象，具体选择健康人群和足下垂患者，采用阵列电极分别对其采集小腿处的胫骨前肌和腓肠肌在动作时所产生的表面肌电信号；

所述信号调理电路对所述表面肌电信号进行放大和滤波处理后，通过FPGA进行信号的去噪及A/D转换，并检测动作的起始点与终止点，然后采用无线传输的方式将信号传输至上位机；

步骤二、特征提取；

所述上位机对步骤一采集的表面肌电信号进行特征参数的提取，获得八种不同的特征参数，分别为：绝对均值、均方根、短时傅里叶变换、平均频率、中值频率、积分肌电值、绝对值均值比、离散小波变换；

步骤三、模型构建；

采用步骤二获得的特征参数构建识别足下垂的模型；

具体过程为：采用深度置信网络作为分类器，将健康人群的特征参数记为N₀，足下垂患者的特征参数记为N₁；将N₀、N₁全部代入到分类器中进行训练，将健康人的训练结果记为0，重度足下垂患者的训练结果记为1，设定当训练结果大于0.4时，将测试者视为患有足下垂，完成模型的构建；

将新的测试者的特征参数带入到识别后的足下垂模型中，根据测试结果判断测试者是否患有足下垂。

4.根据权利要求3所述的基于表面肌电信号的足下垂检测方法，其特征在于；步骤二中，八种特征参数的具体表示形式为：绝对均值MAV用公式表示为：

式中，绝对均值MAV通过将肌电信号中的幅值取绝对值后求平均获得的x(i)是每个通道采集的数据，N为采样点个数；

均方根RMS用公式表示为：

积分肌电值IEMG的表达式为：

式中，L为滑动窗的长度，x_c为当前提取数据，M为通道数据长度；

绝对值均值比MAVR的表达式为：

式中，MAV_a为通道a的平均绝对值，T为通道数；

离散小波变换和离散小波基函数分别为：

式中，m，n均为整数，为基本小波，为的复共轭；

平均频率MNF的表达式为：

式中，f(τ)为功率谱分量，P(τ)对应的频率值，β是功率谱分量P(τ)的长度；

中值频率的表达式为：

式中，z_mz为待求取的中值频率；

短时傅里叶变换的表达式为：

式中，g(ω-r)为窗函数，j为虚数单位，μ为频率，r为时窗长度，y(ω)为信号。

5.根据权利要求3所述的基于表面肌电信号的足下垂检测方法，其特征在于；步骤三中，在深度置信网络中进行训练的具体过程为：

步骤A、设计隐藏层层数i＝4；

步骤B、底层RBM进行学习，设定迭代次数为100次，当学习次数达到设置的迭代次数时，停止学习；

步骤C、将前一层得到的输出结果作为下一层的RBM输入，带入到下一层的RBM中，依次进行逐层训练RBM，获得各层网络参数，将获得的各层参数作为深度置信网络的初始参数；

步骤D、采用BP算法对整个深层DBM框架有监督地进行参数优化和调整，自上向下调整个模型，最终使网络达到全局最优，训练结束。