一种基于人体生理信号的健康状态分类方法及装置制造方法及图纸

本发明专利技术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。所述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。本发明专利技术操作简单，成本低廉，能够客观有效的对受试者的健康状态进行分类。

A method and device for classification of health state based on human physiological signal

The invention relates to the technical field of human physiological signal processing, in particular to a health state classification method and device based on the physiological signal of the human body. The health state classification method based on physiological signals comprises the following steps: A: the sEMG signal acquisition by wavelet decomposition, each wavelet coefficient and high frequency wavelet coefficients; step B: the complexity of processing of the each layer low frequency coefficients and high frequency coefficients are complexity value each layer of low frequency coefficients and high frequency wavelet coefficients; step C: To compare each of the low frequency wavelet coefficients and wavelet coefficients of the sample entropy and complexity value, determine the wavelet coefficient difference parameter, according to parameter of the small wave coefficient differences on human health status classification. The invention has the advantages of simple operation and low cost, and can objectively and effectively classify the healthy state of the subjects.

【技术实现步骤摘要】
一种基于人体生理信号的健康状态分类方法及装置
本专利技术涉及人体生理信号处理
，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。
技术介绍
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，专利技术专利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。
技术实现思路
本专利技术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，本专利技术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。本专利技术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。本专利技术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。本专利技术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。本专利技术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。本专利技术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。本专利技术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。本专利技术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。本专利技术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。本专利技术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本文档来自技高网...

【技术保护点】
一种基于人体生理信号的健康状态分类方法，其特征在于，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。

【技术特征摘要】
1.一种基于人体生理信号的健康状态分类方法，其特征在于，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。2.根据权利要求1所述的基于人体生理信号的健康状态分类方法，其特征在于，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。3.根据权利要求2所述的基于人体生理信号的健康状态分类方法，其特征在于，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。4.根据权利要求3所述的基于人体生理信号的健康状态分类方法，其特征在于，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。5.根据权利要求4所述的基于人体生理信号的健康状态分类方法，其特征在于，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...

【专利技术属性】
技术研发人员：杜文静，李慧慧，王磊，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：广东,44