本实用新型涉及信号分析技术领域，具体涉及一种信号采集装置、移动终端和信号分析系统。
背景技术：
表面肌电信号(surfaceelectromyography，semg)是肌肉收缩时伴随的电信号，是在体表无创检测肌肉活动的重要方法。由于它在一定程度上关联着肌肉的活动状态与功能状态，因此也能够反映一定的神经肌肉活动状况，故在表面肌电信号在临床医学(如神经肌肉疾病诊断)、康复医学(如肌肉功能评价)、体育科学(如疲劳判定、运动技术合理性分析、肌纤维类型和无氧阈值的无损伤性预测)等方面均有重要的利用价值。目前缺少一种能够比较精确地根据表面肌电信号分析肌肉状态的系统。
技术实现要素：
有鉴于此，本实用新型提供了一种信号采集装置、移动终端和信号分析系统，可以根据表面肌电信号比较精确地分析肌肉状态。
第一方面，本实用新型实施例提供一种信号采集装置，用于采集人体表面肌电信号，所述装置包括：
采集单元，被配置为获取表面肌电信号；
控制单元；以及
第一无线通信单元，被配置为受控于所述控制单元发送所述表面肌电信号。
优选地，所述信号采集单元包括：
至少一个电极贴，用于采集表面肌电信号。
优选地，所述采集单元还包括：
信号处理电路，与所述电极贴连接，被配置为处理所述表面肌电信号；
所述处理包括对所述表面肌电信号进行放大和/或整流和/或积分。
优选地，所述第一无线通信单元为蓝牙传输模块。
第二方面，本实用新型实施例提供一种移动终端，所述移动终端包括：
第二无线通信单元，被配置接收信号采集装置发送的表面肌电信号并转发，以及接收所述表面肌电信号的状态分类信息；以及
显示单元，被配置为显示所述表面肌电信号的状态分类信息。
第三方面，本实用新型实施例提供一种信号分析系统，所述系统包括：
信号采集装置，被配置为获取表面肌电信号并发送；
移动终端，被配置为接收所述信号采集装置发送的表面肌电信号并转发；以及
服务器，被配置为接收所述移动终端发送的表面肌电信号，并获取所述表面肌电信号的状态分类信息。
优选地，所述服务器还被配置为发送所述表面肌电信号的状态分类信息。
优选地，所述移动终端还被配置为接收所述服务器发送的状态分类信息并显示。
本实用新型实施例的技术方案通过信号采集装置获取表面肌电信号并发送至移动终端，移动终端接收所述表面肌电信号并转发，服务器接收所述移动终端发送的表面肌电信号，并获取所述表面肌电信号的状态分类信息，将所述状态分类信息发送至移动终端。由此，可以通过表面肌电信号获取状态分类信息来比较精确地分析肌肉的状态。
附图说明
通过以下参照附图对本实用新型实施例的描述，本实用新型的上述以及其它目的、特征和优点将更为清楚，在附图中：
图1是本实用新型实施例信号分析系统的结构示意图；
图2是本实用新型实施例信号采集装置的结构示意图；
图3是本实用新型实施例服务器获取状态分类信息的方法流程图；
图4是本实用新型实施例服务器确定状态分类信息的信号流向图；
图5是本实用新型一个实施例卷积神经网络的结构示意图。
具体实施方式
以下基于实施例对本实用新型进行描述，但是本实用新型并不仅仅限于这些实施例。在下文对本实用新型的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本实用新型。为了避免混淆本实用新型的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。
此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。
除非上下文明确要求，否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。
在本实用新型的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本实用新型的描述中，除非另有说明，“多个”的含义是两个或两个以上。
图1是本实用新型实施例信号分析系统的结构示意图。如图1所示，所述信号分析系统包括信号采集装置1、移动终端2和服务器3。所述信号采集装置1用于获取表面肌电信号并发送至所述移动终端2。移动终端2将接收到所述信号采集装置1发送的表面肌电信号后转发给服务器3。服务器3根据接收到的表面肌电信号获取其状态分类信息，并将状态分类信息发送至移动终端2。移动终端2将所述状态分类信息显示。
在本实施例中，信号采集装置1和移动终端2之间以无线的方式进行通信。优选地，所述无线通信方式为蓝牙通信方式。具体地，蓝牙(bluetooth)是一种近距离的无线通信技术，具有低功率、低成本、低延时等优点。应理解，也可以通过远程无线网络例如nb-iot(窄带物联网，narrowbandinternetofthings)、lora、zigbee或gprs(通用分组无线服务技术，generalpacketradioservice)等无线网络进行通信。
在本实施例中，所述移动终端2可以为专用的无线通信终端，也可是具有无线通信功能的通用数据处理设备，例如装载有控制应用程序的手机、平板电脑、笔记本计算机或台式计算机等设备。
在本实施例中，所述移动终端2和服务器3之间通过运营商网络或无线网关进行通信。
本实施例通过信号采集装置获取表面肌电信号并发送至所述移动终端，移动终端将接收到的表面肌电信号转发给服务器，服务器根据所述表面肌电信号获取其状态分类信息，并将状态分类信息发送至移动终端，移动终端将所述状态分类信息显示。由此，即可根据所述表面肌电信号获取状态分类信息来比较精确地获取肌肉的状态。
图2是本实用新型实施例信号采集装置的结构示意图。如图2所示，所述信号采集装置1包括采集单元11、控制单元12和第一无线通信单元13。其中，采集单元11被配置为获取表面肌电信号。第一无线通信单元13被配置为受控于所述控制单元12发送所述表面肌电信号。
在本实施例中，采集单元11包括至少一个电极贴，用于采集表面肌电信号。本实施例的采集单元11以两个电极贴为例，包括第一电极贴11a和第二电极贴11b。优选地，所述电极贴为贴在人体皮肤表面的表面电极，所述表面电极能够根据其所在位置附近肌肉的运动生成表面肌电信号。
在一个可选的实现方式中，所述采集单元11还包括信号处理电路，与所述电极贴连接，被配置为处理所述电极贴获取的表面肌电信号，所述处理包括对所述表面肌电信号进行放大和/或整流和/或积分等。
应理解，所述采集单元11发送给可以对采集到的表面肌电信号进行放大和/或整流和/或积分等处理后，通过第一无线通信单元13发送。也可以将采集到的表面肌电信号直接通过所述第一无线通信单元13发送。具体可根据实际应用场合选择是否要对所述表面肌电信号进行处理。
在本实施例中，控制单元12被配置为控制所述第一无线通信单元13发送所述表面肌电信号。优选地，所述控制单元12可以通过mcu(microcontrollerunit，微控制单元)、plc(programmablelogiccontroller，可编程逻辑控制器)、fpga(field－programmablegatearray，现场可编程门阵列)、dsp(digitalsignalprocessor，数字信号处理器)或专用集成电路来实现。
在本实施例中，第一无线通信单元13为蓝牙传输模块。蓝牙传输模块是指集成蓝牙功能的芯片基本电路集合，用于进行无线网络通讯。同时，具有无线通信功能的通用数据处理设备(例如智能手机、平板电脑等)大多数都具有蓝牙通信功能，使得信号采集装置与所述移动终端的通信更加方便，同时，可以减少通信费用和模块成本。
优选地，所述信号采集装置1中的控制单元12和第一无线通信单元13集合在一个臂包中，以方便使用。
由此，信号采集装置可以通过采集单元获取表面肌电信号，进而由控制单元控制第一无线通信单元将所述表面肌电信号发送给移动终端。
在本实施例中，所述移动终端2包括第二无线通信单元和显示单元。所述第二无线通信单元被配置接收并转发表面肌电信号，以及接收所述表面肌电信号的状态分类信息。所述显示单元被配置为显示所述表面肌电信号的状态分类信息。
优选地，所述移动终端2可以为专用的无线通信终端，也可是具有无线通信功能的通用数据处理设备，例如装载有控制应用程序的手机、平板电脑、笔记本计算机或台式计算机等设备。
由此，移动终端接受所述信号采集装置发送的表面肌电信号，并将所述表面肌电信号转发给服务器。
在本实施例中，服务器3被配置为接收所述移动终端发送的表面肌电信号，并获取所述表面肌电信号的状态分类信息。由于表面肌电信号是浅层肌肉和神经干上电活动在皮肤表面的综合效应，能反映神经肌肉的活动，由此，可以根据所述表面肌电信号分析肌肉的状态。
图3是本实用新型实施例服务器获取状态分类信息的方法流程图。如图3所示，所述服务器3获取所述表面肌电信号的状态分类信息包括如下步骤：
步骤s310、接收待检测表面肌电信号和预定的评价库中的对比表面肌电信号。
在本实施例中，所述服务器3接收移动终端2发送的表面肌电信号和预定的评价库中的对比表面肌电信号。
步骤s320、通过卷积神经网络输出第一误差参数和第二误差参数。
在本实施中，所述卷积神经网络为s-net，s-net是自行设计的一种卷积神经网络，s-net是一个轻量级的，能够端到端地自行学习输入与输出之间的关系的卷积神经网络。输入待检测表面肌电信号和对比表面肌电信号，输出的第一误差参数和第二误差参数。由此，可以根据所述第一误差参数和第二误差参数计算两段信号所代表的肌肉运动模式的相似性。s-net具有计算量小、效率高、准确率高等优势，可以发现人无法直接发现的肌肉运动特征。
由于对待检测表面肌电信号进行分类时，评价库中的集合可能存在两个以上，如果使用普通的分类方法，卷积神经网络需要根据评价库中的集合数量分出多类，对应着多个误差参数。然而，对卷积神经网络而言，学习如何回归两个以上的误差参数的难度要大于两个误差参数。因此，本实施例采用similaritylearning(相似性学习)的思想将两个以上的分类问题转化为二分类问题。具体地，将卷积神经网络学习待检测表面肌电信号与对比表面肌电信号这两个信号的特征相似程度，之后再通过与评价库中的各集合对比以得到待检测表面肌电信号的分类信息。而不是学习待检测表面肌电信号的特征与评价库中的各集合的直接对应关系。由此可以降低卷积神经网络的学习难度。同时，通过采用similaritylearning思想，可以使得输入由一个信号的特征变为两个信号特征的组合，从而达到了扩增训练数据量的作用。
步骤s330、根据第一误差参数和第二误差参数计算所述待检测表面肌电信号与所对比表面肌电信号属于同一集合的概率。。
步骤s340、获取所述概率满足预定条件的对比表面肌电信号的集合。
步骤s350、根据所述对比表面肌电信号的集合确定状态分类信息。
在本实施例中，评价库中包括多个集合，所述多个集合分别与不同的误差参数或误差参数所在区间相对应，获取所述误差参数满足预定条件的对比表面肌电信号的集合。
图4是本实用新型实施例服务器确定状态分类信息的信号流向图。如图4所示，服务器3确定状态分类信息包括如下步骤：
在步骤s410，接收移动终端发送的待检测表面肌电信号。
在本实施例中，移动终端2接收信号采集装置1发送的待检测表面肌电信号，并将所述待检测表面肌电信号转发至服务器3。
在步骤s420，获取评价库中的各对比表面肌电信号。
在本实施例中，评价库中包括多个对比表面肌电信号，多个对比表面肌电信号根据应用场景分为不同的集合。例如，响应于检测肌肉的疲劳程度，可以将所述评价库分为轻度疲劳、中度疲劳和极度疲劳三个集合。又例如，响应于根据肌肉的僵直和震颤获取帕金森病的病情，可以根据国际统一帕金森病评定标准将所述评价库分为评分为0-5五个评分集合。
在步骤s430，获取第一误差参数和第二误差参数。
在本实施例中，通过卷积神经网络分别获取所述待检测表面肌电信号和各对比表面肌电信号的误差参数。所述误差参数用于计算待检测表面肌电信号与对比表面肌电信号属于同一集合的概率。
在步骤s440，获取与所述误差参数匹配的集合。
在步骤s450，根据匹配集合确定肌肉的状态分类信息。
例如，响应于检测肌肉的疲劳程度，且匹配的集合为中度疲劳，则状态分类信息为肌肉处于中度疲劳状态。又例如，响应于根据肌肉的僵直和震颤获取帕金森病的病情，匹配的集合为病情评分为3的集合，则获取的状态分类信息为帕金森病病情评分为3。
由此，服务器3即可获取待检测表面肌电信号的状态分类信息。
在步骤s460，发送所述状态分类信息。
服务器3获取待检测表面肌电信号的状态分类信息后，将所述状态分类信息发送至移动终端2，移动终端2将所述状态分类信息显示。
应理解，本实用新型实施例的服务器不仅可以用来分析表面肌电信号，还可以用来分析其它类型的电信号。例如，通过分析电网中各路电流可以判断当前电网中是否存在过流的情况，从而预测可能存在的危险，以便及时处理。
在一个实施例中，响应于检测帕金森病，所述卷积神经网络s-net的结构可参照图5。图5是本实用新型一个实施例卷积神经网络的结构示意图。如图5所示，在本实施例的卷积神经网络包括由归一化层a、四个卷积层a1、a2、a3和a4以及两个全连接层c1和c2。归一化层a用于将待检测表面肌电信号和对比表面肌电信号的特征向量进行特征归一化。四个卷积层a1、a2、a3和a4用于提取所述待检测表面肌电信号和对比表面肌电信号的局部特征。两个全连接层c1和c2，用于根据所述局部特征获取全局信息，并输出所述第一误差参数和第二误差参数。
在本实施例中，待检测表面肌电信号和对比表面肌电信号为2048维向量。考虑到训练数据集对于高效特征学习可能仍旧太小，本实施例使用了十二个手工制作的特征，包括平均绝对值(meanabsolutevalue，mav)、均方值(meansquarevalue，msv)、均方根(rootmeansquare，rms)、方差(variance，var)、标准偏差(standarddeviation，std)、波形长度(waveformlength，wl)、willison幅值(willisonamplitude，wamp)、对数检测器(logdetector，log)、斜坡信号变化(slopesignchange，ssc)、过零点数(zerocrossing，zc)、平均光谱频率(meanspectralfrequency，msf)和中值频率(medianfrequency，mf)。由此，对于每个表面肌电信号都可以表示为一个十二维的特征向量。
在本实施例中，所述归一化层a的输入是分别从待检测表面肌电信号和对比表面肌电信号中提取的一对十二维的特征向量(12*1*2)，用于将输入的特征向量进行特征归一化，以减少所选特征的数据范围的差异。例如，wl特征值一般比ssc特征值大两个数量级，这可能会给网络带来不必要的数值不稳定性，降低训练过程中的模型收敛速度。
在本实施例中，归一化层a之后为卷积核大小为1*1，步幅为1的四个卷积层。这四个卷积层使用线性整流(rectifiedlinearunit,relu，relu)激活函数和批标准化(batchnormalization)，将输入的2维向量非线性映射成64维向量，因此，最后一层卷积层b4的输出的是12个64维向量(12*1*64)。具体地，线性整流激活函数和批标准化可参照文献：s.ioffeandc.szegedy，“batchnormalization:acceleratingdeepnetworktrainingbyreducinginternalcovariateshift，”arxivpreprintarxiv:1502.03167,2015.
在本实施例中，卷积神经网络的最后两层为全连接层c1和c2，用于捕获全局信息，输出两个误差参数y1和y2。其中y1和y2为分对数(logit)值，且y1和y2都没有大小限制的，也就是从负无穷大到正无穷大。由此，即可根据y1和y2计算获取待检测表面肌电信号和对比表面肌电信号属于或不属于同一分类集合的概率。具体地，可参照如下公式：
其中，p表征概率，sl()表征表面肌电信号的集合，a表征待检测表面肌电信号，b表征对比表面肌电信号。
在公式(1)中，
在训练所述卷积神经网络时，假设两个输入信号的真实标签为属于同一集合，且产生的预测结果为属于同一集合的概率p1在0.5-1之间，即0.5<p1<1，表征预测结果是正确的，此时，损失为-log(p1)。如果产生的预测结果为属于同一集合的概率p2在0-0.5之间，即0<p2<0.5，表征预测结果是错误的，此时，损失为-log(p2)。由于p1>p2，所以-log(p1)<-log(p2)。由此，可知预测错比预测对的损失要大，预测错得离谱比预测错得轻微的损失要大。基于此，即可对所述卷积神经网络进行训练。
由此，可通过训练好的卷积神经网络对待检测表面肌电信号进行分类。具体地，将对比表面肌电信号分为i个等级的集合，根据国际统一帕金森病评定标准，i＝0，1，2，3，4，假设集合si中样本数为ni，可参照如下公式计算待检测表面肌电信号和对比表面肌电信号属于同一集合的概率：
由此，根据公式(3)和(4)选取与待检测表面肌电信号最接近的对比表面肌电信号的集合。进而可以获取帕金森病的病情严重程度。
本实施例通过使用卷积神经网络对待检测表面肌电信号进行分类，以获取最接近的集合，进而获取帕金森病的病情严重程度，可以避免临床医学中帕金森病情评分量表的主观性，提高医疗效率与准确率。
应理解，对于卷积神经网络的结构、特征的选取、公式以及评价库中集合的分类可根据具体的应用场合作作适应性的修改。
本实施例通过信号采集装置获取表面肌电信号并发送至所述移动终端，移动终端将接收到的表面肌电信号转发给服务器，服务器根据所述表面肌电信号获取其状态分类信息，并将状态分类信息发送至移动终端，移动终端将所述状态分类信息显示。由此，即可根据所述表面肌电信号获取状态分类信息来比较精确地获取肌肉的状态。
以上所述仅为本实用新型的优选实施例，并不用于限制本实用新型，对于本领域技术人员而言，本实用新型可以有各种改动和变化。凡在本实用新型的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本实用新型的保护范围之内。
1.一种信号采集装置，用于采集人体表面肌电信号，其特征在于，所述装置包括：
采集单元，被配置为获取表面肌电信号；
控制单元；以及
第一无线通信单元，被配置为受控于所述控制单元发送所述表面肌电信号。
2.根据权利要求1所述的装置，其特征在于，所述采集单元包括：
至少一个电极贴，用于采集表面肌电信号。
3.根据权利要求2所述的装置，其特征在于，所述采集单元还包括：
信号处理电路，与所述电极贴连接，被配置为处理所述表面肌电信号；
所述处理包括对所述表面肌电信号进行放大和/或整流和/或积分。
4.根据权利要求1所述的装置，其特征在于，所述第一无线通信单元为蓝牙传输模块。
5.一种移动终端，其特征在于，所述移动终端包括：
第二无线通信单元，被配置接收信号采集装置发送的表面肌电信号并转发，以及接收所述表面肌电信号的状态分类信息；以及
显示单元，被配置为显示所述表面肌电信号的状态分类信息。
技术总结