一种基于机器学习的肌肉运动状态监测方法及系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113367698A(43)申请公布日2021.09.10(21)申请号202110529422.8(22)申请日2021.05.14(71)申请人华南理工大学地址510640广东省广州市天河区五山路381号(72)发明人谢龙汉魏昫阳陈彦(74)专利代理机构广州粤高专利商标代理有限公司44102代理人何淑珍江裕强(51)Int.Cl.A61B5/22(2006.01)A61B5/389(2021.01)G06F17/18(2006.01)G06N20/00(2019.01)G16H15/00(2018.01)权利要求书2页说明书5页附图2页(54)发明名称一种基于机器学习的肌肉运动状态监测方法及系统(57)摘要本发明公开了一种基于机器学习的肌肉运动状态监测方法，应用于各类肌肉运动状态实时监测的场景，包括如下步骤：基于简要生理信息选取肌群数学模型；校准环节采集目标肌肉肌力与对应sEMG样本点；基于SVR对样本点进行回归分析并实现肌肉激活程度的标准化；在虚拟环境对肌肉骨骼模型进行实时渲染。本发明还公开了相应的系统：数据采集模块；校准预测模块；映射与可视化模块；监测显示模块。本发明提供的方法及系统能够提供肌肉激活程度以及各种异常情况的实时可视化监测功能。CN113367698ACN113367698A权利要求书1/2页1.一种基于机器学习的肌肉运动状态监测方法，其特征在于，包括以下步骤：基于生理信息和最大肌力预测数学模型获取理论肌肉力量极限值，所述最大肌力预测数学模型为kFmax＝C×Ccom×WFmax为理论肌肉力量极限，C为回归系数，Ccom为校正系数，W为体重，k为回归斜率；采集目标肌肉肌力与对应sEMG样本点；基于SVR回归模型对样本点进行回归，得到肌力‑sEMG回归曲线，并结合所述肌力‑sEMG回归曲线对实时的sEMG信号进行肌肉激活程度的标准化，得到标准化后的肌肉激活程度；在虚拟环境对肌肉骨骼模型进行实时渲染。2.根据权利要求1所述的基于机器学习的肌肉运动状态监测方法，其特征在于，所述生理信息包括年龄、性别、体重以及目标肌群信息。3.根据权利要求1所述的基于机器学习的肌肉运动状态监测方法，其特征在于，所述采集目标肌肉肌力与对应sEMG样本点中，在目标肌群处放置肌电采集装置来采集。4.根据权利要求1所述的基于机器学习的肌肉运动状态监测方法，其特征在于，所述采集目标肌肉肌力与对应sEMG样本点，以等长收缩的方式随机进行若干组发力，记录肌力数值与对应的sEMG信号。5.根据权利要求1所述的基于机器学习的肌肉运动状态监测方法，其特征在于，所述标准化后的肌肉激活程度获取方式的步骤包括：将sEMG样本点输入SVR回归模型，选用核函数生成回归曲线；基于理论肌肉力量极限值在回归曲线上截取标准化基准值，对实时sEMG信号进行标准化。6.根据权利要求5所述的基于机器学习的肌肉运动状态监测方法，其特征在于，所述标准化基准值为最大肌电特征值Emax，基于所述最大肌电特征值Emax进行标准化，得到肌肉激活程度s；7.根据权利要求5所述的基于机器学习的肌肉运动状态监测方法，其特征在于，所述核函数采用线性核、多项式核或高斯核函数中任一种。8.根据权利要求1‑7任一所述的基于机器学习的肌肉运动状态监测方法，其特征在于，所述在虚拟环境对肌肉骨骼模型进行实时渲染，包括：在三维建模软件中建立肌肉骨骼模型；在虚拟环境中，将标准化肌肉激活程度数值与RGB空间进行映射，形成可视化基础；在虚拟环境中，基于标准化肌肉激活程度数值，对肌肉骨骼模型贴图进行色彩渲染；基于显示设备进行肌肉状态实时展示。9.根据权利要求8所述的基于机器学习的肌肉运动状态监测方法，其特征在于，所述三维建模软件为Maya、Blender和3DMax中的任一种。10.一种基于机器学习的肌肉运动状态监测系统，其特征在于，用于实现权利要求1‑9任一所述的方法，包括：数据采集模块，用于采集使用者基本信息以及肌力和sEMG信号数据；2CN113367698A权利要求书2/2页校准预测模块，用于对sEMG样本点进行回归分析，从而预测最大肌力及对应sEMG指标数值；映射与可视化模块，用于将肌肉激活程度与虚拟环境三维模型的色彩空间进行映射，实现实时可视化；监测显示模块，用于将肌肉激活程度可视化结果进行展示。3CN113367698A说明书1/5页一种基于机器学习的肌肉运动状态监测方法及系统技术领域[0001]本发明涉及康复数据可视化领域，特别涉及一种基于机器学习的肌肉运动状态监测方法及系统。背景技术[0002]脑卒中引起的偏瘫极大影响着患者的日常生活。随着医疗水平的提升，偏瘫康复需要更为科学的监测与诊断方式。传统康复方法依赖康复师主观的