基于物联网的集成化步态、距离、相对体重、脑电波同步传感分析系统技术方案

本发明专利技术公开了一种基于物联网的集成化步态、距离、相对体重、脑电波同步传感分析系统，包括：传感器、放大及转换电路处理单元、单片计算机、无线通讯控制单元和互联网数据服务器。互联网数据服务器包括一个适于实现各指令的处理器、适于存储多条指令的存贮设备。处理器对于接受到的每个移动终端发送的数据实时处理，包括眼动电波和额肌电波、步行时的加速度信号、压力波形数据，生成上述数据分析报表，以电子方式传送到医生中心工作站。本发明专利技术可以解决在各种环境状态下，利用无线移动互联网技术，实现人的行走步态、距离、相对体重、脑电波同步特征的物联网云自动分析计算问题。

【技术实现步骤摘要】
基于物联网的集成化步态、距离、相对体重、脑电波同步传感分析系统
本专利技术涉及一种在各种环境状态下，利用多信道无线移动互联网技术，实现自动计算走步步态、距离、相对体重、脑电波特征的可穿戴系统。
技术介绍
当今时代互联网技术和通讯技术是引领科学技术进步的支撑力量之一，结合临床医疗服务，在互联网平台上以无线通讯手段实现医疗信息集成交换，开创新的医疗服务模式。利用公共通讯和互联网服务平台实现医疗服务的新模式，在不稳定的移动互联网上实现稳定的信号传输，可以节省开创此项服务的大量投资，降低使用者的成本，随之可以将此项医疗服务扩展到农村、边远地区等地域中。是医疗信息化发展的趋势之一。在实现了新的诊疗模式下，医疗单位的诊疗过程可以发生改变。医疗单位的服务范围扩展了，诊断过程可以精细化分工，提供了大量的技术手段和技术服务岗位，在生物医学信号处理技术的辅助下，自动诊断、信息化管理、多中心并发信息处理等智能诊疗技术的实施，使医生可以借助可穿戴和互联网技术实现对患者居家的主动医疗服务，甚至医生在回到家里的情况下也可以开展诊疗服务。针对养老中的健康问题，以及老年人医疗预后的生活质量和健康状态，提供了重要的信息分析内容和诊疗。建立家庭医疗(HOMECARE)服务体系，形成家庭-社区-大型医疗中心一体化的服务模式，是“基于中心医院的以信息技术为支撑平台的区域医疗”体系的深入和具体化，对整个体系构架的完善具有重要的意义。老年人居家的生活质量以及脑对于行走的协调能力，是反映老年人疾病发生和康复的主要内容，特别是体重变化以及行走距离，对于预判老年人寿命和疾病预后的主要指标。脑的协调能力优势预测老年人脑部疾病发生的有效手段，特别是建立了老年人行走的脑电波特征表现的大数据，获得老年人的脑电波特征基础值，对于脑梗心梗的预判将起到重要作用。目前针对老年人的可穿戴行走距离脑协同和相对体重的监护系统处于空白状态，相关研究没有涉及脑电波在行走时的特征表现，专利技术一种能够满足这些要求的可穿戴传感器及互联网云计算和大数据的实时监护和分析系统，具有重大社会意义和医疗、智慧养老的价值。
技术实现思路
：本专利技术的目的是提供一种基于物联网的集成化步态、距离、相对体重、脑电波同步传感分析系统，可以解决在各种环境状态下，利用无线移动互联网技术，实现人的行走步态、距离、相对体重、脑电波同步特征的物联网云自动分析计算问题。为了实现上述专利技术目的，本专利技术所采用的技术方案如下：基于物联网的集成化步态、距离、相对体重、脑电波同步传感分析系统，其特征在于，包括：传感器，实时采集包含脑电信号、步行压力信号、步行加速度信号；放大及转换电路处理单元，对传感器输出信号进行前置放大、模数转换处理；单片计算机，对传感器输出的数据进行加密、压缩，将数据送到无线通讯控制单元；无线通讯控制单元，将单片机输出数据通过TCP/IP协议包装，并直接将其发送到互联网数据服务器；互联网数据服务器，该互联网数据服务器包括一个适于实现各指令的处理器；以及适于存储多条指令的存贮设备，所述指令由处理器加载并执行：接收所有的由传感器、放大及转换电路处理单元和单片机组成的移动信息采集传输终端发送的数据，每个移动信息采集传输终端设定唯一的地址编码，由机器号加服务器的固定IP地址组成：对于接受到的每个移动终端发送的数据实时处理，包括自动分解脑电波数据中混合的眼动电波和额肌电波；对于步行时的加速度信号，计算加速度波形的特征数值，计算采用复合算法，模式识别、波形识别、微积分；提取出波形中包括斜率、变化率、波形面积、拐点数据，整合为一个指数，反应行走距离；对于压力波形数据，计算两点的时间间隔，实时计算两点的幅度数值，求取当前幅度和标准幅度的占比；生成上述数据分析报表，以电子方式传送到医生中心工作站。基于物联网的集成化步态、距离、相对体重、脑电波同步传感分析系统，传感器包括第一单元，生理、生命信号采集换能器，第二单元，生命信息采集传输终端主机；脑电、体重、加速度传感器的波形信号采集换能器，连续采集额部双侧的脑电波和行走时的重力、加速度，包括一组金属电极片和压力、加速度传感器；金属电极传感脑电波信号的波形数据，金属电极分为左侧框上部位和右侧框上部位两个脑电信号的引导电极，以及双耳耳垂部两个脑电信号参考电极，组合后分别采集左右脑的脑电波信号；重力和加速度传感器配置于脚底和脚腕部位，分别采集行走时的加速度波形和重力压力波形信号。所述自动分解脑电波数据中混合的眼动电波和额肌电波，以采样频率为500/s、采样时间窗口为2.5s、采样精度为10位bite的离散化处理，采用波形识别、功率谱分析算法，采用功率谱公式：可以获得脑电波中功率谱的各个成分，包括αβδθ波段的数值，Fsef，Fmax等边缘频率，优势频率等数值：F＝{α，β，δ，θ，Fsef，Fmax}；针对脑电波原始波形数据，求取分布于脑电图的常规节律和高频节律；采用模式识别算法中的波形识别算法提取出数据的特征点：T(x)∈z；T：特征值向量；x：脑电波离散数据；z：时域空间；向量T(x)中的特征数据包含特异点、幅度、变异、斜率、面积，计算来自于基本算法：数据序列：y(t)＝(f(j)-f(j-1))/Δtj：离散数据下标；f(j)：脑电波原始数据函数获取序列y(t)中最大数值，可以获得特征指数之一，其中的正负反相点，就是特异点，特异点的数量由t值的大小表示；对f(j)序列数据施加迭代微分算法：d(j，k)＝∑(f(j+k)-f(j+k-1)/(Δt+k))Δt：采样时间间隔；k：Δt的增量，从1..N，j：数值序号；对于矩阵d(j，k)中的各个向量，将向量中的数据点排序以及相加，选取每个向量中的最大值和相加和，作为斜率和幅度，获得脑电波时域中的特征向量：T(x)∈z；结合波形识别所得到的特征向量，组合成为一组涵盖了时域和频域的数据向量组：G(x)＝{T，F}；j：特征值序号；数据向量G(x)组，作为脑电波的一次处理结果，被命名为脑电波一级处理的元数据组，可以被作为二次计算的基础数据；经过数据加权，得到以下计算公式：E＝{c}*{G}；c：加权系数；对E数据施加归一化计算：行走脑电波特征指标D＝(exp(E))×100。所述对于步行时的加速度信号，计算加速度波形的特征数值，计算采用复合算法，模式识别、波形识别、微积分；提取出波形中包括斜率、变化率、波形面积、拐点数据，整合为一个指数，反应行走距离；以采样频率为1500/秒、连续数据点计算、采样精度为10位bite的离散化处理，生成波形信号的向量组：Xi＝[x1x2x3…xm-2xm-1xm]其中，m为向量中元素个数，m数值可变，求得波形数据的一个极值变化时的值为准；元素x：波形某点的幅值，并且相邻两元素间的时间间隔Δt相等；本文档来自技高网...

【技术保护点】
1.基于物联网的集成化步态、距离、相对体重、脑电波同步传感分析系统，其特征在于，包括：/n传感器，实时采集包含脑电信号、步行压力信号、步行加速度信号；/n放大及转换电路处理单元，对传感器输出信号进行前置放大、模数转换处理；/n单片计算机，对传感器输出的数据进行加密、压缩，将数据送到无线通讯控制单元；/n无线通讯控制单元，将单片机输出数据通过TCP/IP协议包装，并直接将其发送到互联网数据服务器；/n互联网数据服务器，该互联网数据服务器包括一个适于实现各指令的处理器；以及适于存储多条指令的存贮设备，所述指令由处理器加载并执行：/n接收所有的由传感器、放大及转换电路处理单元和单片机组成的移动信息采集传输终端发送的数据，每个移动信息采集传输终端设定唯一的地址编码，由机器号加服务器的固定IP地址组成：/n对于接受到的每个移动终端发送的数据实时处理，包括自动分解脑电波数据中混合的眼动电波和额肌电波；/n对于步行时的加速度信号，计算加速度波形的特征数值，计算采用复合算法，模式识别、波形识别、微积分；提取出波形中包括斜率、变化率、波形面积、拐点数据，整合为一个指数，反应行走距离。/n对于压力波形数据，计算两点的时间间隔，实时计算两点的幅度数值，求取当前幅度和标准幅度的占比；/n生成上述数据分析报表，以电子方式传送到医生中心工作站。/n...

【技术特征摘要】
1.基于物联网的集成化步态、距离、相对体重、脑电波同步传感分析系统，其特征在于，包括：
传感器，实时采集包含脑电信号、步行压力信号、步行加速度信号；
放大及转换电路处理单元，对传感器输出信号进行前置放大、模数转换处理；
单片计算机，对传感器输出的数据进行加密、压缩，将数据送到无线通讯控制单元；
无线通讯控制单元，将单片机输出数据通过TCP/IP协议包装，并直接将其发送到互联网数据服务器；
互联网数据服务器，该互联网数据服务器包括一个适于实现各指令的处理器；以及适于存储多条指令的存贮设备，所述指令由处理器加载并执行：
接收所有的由传感器、放大及转换电路处理单元和单片机组成的移动信息采集传输终端发送的数据，每个移动信息采集传输终端设定唯一的地址编码，由机器号加服务器的固定IP地址组成：
对于接受到的每个移动终端发送的数据实时处理，包括自动分解脑电波数据中混合的眼动电波和额肌电波；
对于步行时的加速度信号，计算加速度波形的特征数值，计算采用复合算法，模式识别、波形识别、微积分；提取出波形中包括斜率、变化率、波形面积、拐点数据，整合为一个指数，反应行走距离。
对于压力波形数据，计算两点的时间间隔，实时计算两点的幅度数值，求取当前幅度和标准幅度的占比；
生成上述数据分析报表，以电子方式传送到医生中心工作站。


2.根据权利要求1所述的基于物联网的集成化步态、距离、相对体重、脑电波同步传感分析系统；脑电、体重、加速度传感器的波形信号采集换能器，连续采集额部双侧的脑电波和行走时的重力、加速度，包括一组金属电极片和压力、加速度传感器；金属电极传感脑电波信号的波形数据，金属电极分为左侧框上部位和右侧框上部位两个脑电信号的引导电极，以及双耳耳垂部两个脑电信号参考电极，组合后分别采集左右脑的脑电波信号；重力和加速度传感器配置于脚底和脚腕部位，分别采集行走时的加速度波形和重力压力波形信号。


3.根据权利要求1所述的基于物联网的集成化步态、距离、相对体重、脑电波同步传感分析系统，其特征在于，所述自动分解脑电波数据中混合的眼动电波和额肌电波，以采样频率为500/s、采样时间窗口为2.5s、采样精度为10位bite的离散化处理，采用波形识别、功率谱分析算法，采用功率谱公式：



可以获得脑电波中功率谱的各个成分，包括αβδθ波段的数值，Fsef，Fmax等边缘频率，优势频率等数值：
F＝{α，β，δ，θ，Fsef，Fmax}；
针对脑电波原始波形数据，求取分布于脑电图的常规节律和高频节律；采用模式识别算法中的波形识别算法提取出数据的特征点：
T(x)∈z；
T：特征值向量；x：脑电波离散数据；z：时域空间；
向量T(x)中的特征数据包含特异点、幅度、变异、斜率、面积，计算来自于基本算法：
数据序列：
y(t)＝(f(j)-f(j-1))/Δt
j：离散数据下标；f(j)：脑电波原始数据函数
获取序列y(t)中最大数值，可以获得特征指数之一，其中的正负反相点，就是特异点，特异点的数量由t值的大小表示；
对f(j)序列数据施加迭代微分算法：
d(...

【专利技术属性】
技术研发人员：冯艺，吴一兵，
申请(专利权)人：北京易飞华通科技开发有限公司，
类型：发明
国别省市：北京;11