基于Android系统的膝骨性关节炎运动监测方法

1.一种基于Android系统的膝骨性关节炎运动监测方法，其特征在于：通过无线采集装置采集穿戴在人体大腿和小腿上的加速度传感器信号，并通过无线传输方式将信号传输到Android移动终端上，通过所述Android移动终端上设置的信号处理系统，由贝叶斯滤波算法将采集到的加速度信号进行滤波，并通过规则归纳法对动作规范性进行识别；所述贝叶斯滤波算法为扩展Kalman滤波算法的系统状态方程和输出方程为公式(1)～(3)所示：
式中 ωi(k)、αi(k)为系统状态变量，且分别为大、小腿抬高角度、角速度、角加速度；其中i＝1，2，i＝1表示大腿的数据，i＝2表示小腿的数据；y1(k)，y2(k)分别表示第k时刻大腿的加速度传感器的Z轴和X轴加速度信号观测数据；y3(k)，y4(k)分别表示第k时刻小腿上的加速度传感器的Z轴和X轴加速度信号观测数据，人体大腿和小腿上的加速度传感器Y轴由于垂直于膝关节运动平面，加速度数值为0；g为重力加速度9.8m/s2，Ts为采集系统的采样周期，l为下肢股骨长度，d1为髋关节至大腿的加速度传感器的距离，d2为膝关节至小腿上的加速度传感器的距离；经过扩展Kalman滤波处理后的数据采用Android的API中高级的SurfaceView控件绘出波形图及其坐标轴；在所述识别后通过调用Android的API中的TextToSpeech进行语音反馈；
其中加速度传感器包括穿戴在人体大腿上的第一加速度传感器和穿戴在人体小腿上的第二加速度传感器，且该第一、二加速度传感器的X轴平行于人体矢状面向下、Y轴平行于人体矢状面向左、Z轴平行于人体额状面向后；
所述贝叶斯滤波算法为扩展Kalman滤波算法，其是基于最小方差准则下的次优滤波器，主要通过将非线性模型的系统与观测方程做Taylor展开，保留一阶项而忽略其他高阶项实现线性化；
通过所述的规则归纳法对贝叶斯算法估计出的模型状态角度、角速度和角加速度数据进行规范性识别， e1，ω1，α1为设定的抬腿角度，大小腿角度差，角速度，角加速度阈值；
e2，ω2，α2为实际测量的角度，大小腿角度差，角速度，角加速度值；在迭代过程中，如果e1ω1且α2>α1，则作出抬腿速度太快的反馈；如果没有连续5s出现 则作出保持时间不足的反馈。
2.根据权利要求1所述的基于Android系统的膝骨性关节炎运动监测方法，其特征在于：所述的无线采集装置包括微处理器以及与该微处理器连接的无线发射模块；所述加速度传感器的输出端经信号调理电路与所述的微处理器连接。
3.根据权利要求2所述的基于Android系统的膝骨性关节炎运动监测方法，其特征在于：所述的无线发射模块为蓝牙串口模块。

基于Android系统的膝骨性关节炎运动监测方法\n技术领域\n[0001] 本发明涉及膝骨性关节炎(Knee Osteoarthritis，KOA)运动监测领域，特别是一种基于Android系统的膝骨性关节炎运动监测方法。\n背景技术\n[0002] 膝骨性关节炎运动监测是专门为膝骨性关节炎患者进行规范性康复训练的一套监测系统。规范地进行康复训练可有效地增强屈膝肌力及伸膝肌力，对病情的稳定、症状的缓解都起到好的作用，而不规范地康复训练将加重患者膝关节的负担，导致病情的恶化。因此对于膝关节运动监测的研究成为一种必要。目前，人体运动监测的主要手段有基于PC机的图像分析法和加速度分析两种。图像分析技术对实验环境光照条件要求高、系统庞大、造价昂贵、可携带性差，且实时效果差；而基于PC机的加速度分析技术同样造价昂贵，不便于使用者携带。\n发明内容\n[0003] 本发明的目的在于克服现有技术的不足，提供一种基于Android系统的膝骨性关节炎运动监测方法，该方法具有简单、使用的硬件设备成本低，而且能够较好的识别患者运动中出现的不规范动作，能够满足运动监测的应用要求。\n[0004] 为实现上述目的，本发明的技术方案是：一种基于Android系统的膝骨性关节炎运动监测方法，其特征在于：通过无线采集装置采集穿戴在人体大腿和小腿上的加速度传感器信号，并通过无线传输方式将信号传输到Android移动终端上，通过所述Android移动终端上设置的信号处理系统，由贝叶斯滤波算法将采集到的加速度信号进行滤波，并通过规则归纳法对动作规范性进行识别。\n[0005] 在本发明一实施例中，所述的无线采集装置包括微处理器以及与该微处理器连接的无线发射模块；所述加速度传感器的输出端经信号调理电路与所述的微处理器连接。\n[0006] 在本发明一实施例中，所述的无线发射模块为蓝牙串口模块。\n[0007] 在本发明一实施例中，所述的加速度传感器包括穿戴在人体大腿上的第一加速传感器和穿戴在人体小腿上的第二加速传感器，且该第一、二加速度传感器的X轴平行于人体矢状面向下、Y轴平行于人体矢状面向左、Z轴平行于人体额状面向后。\n[0008] 在本发明一实施例中，在采集信号时，待测者需完成以下训练动作：训练者平躺仰卧，一条腿弯曲，一条腿伸直，曲腿保持静止，直腿进行缓慢流畅抬高，抬高角度约为30°，保持5s后缓慢放下，每组10次。\n[0009] 在本发明一实施例中，所述贝叶斯滤波算法为扩展Kalman滤波算法，其是基于最小方差准则下的次优滤波器，主要通过将非线性模型的系统与观测方程做Taylor展开，保留一阶项而忽略其他高阶项实现线性化。\n[0010] 在本发明一实施例中，所述扩展Kalman滤波算法的系统状态方程和输出方程为公式（1）（~ 3）所示：\n[0011]                                     (1)\n[0012]                                  (2)\n[0013]                              (3)\n[0014] 式中 、 、 为系统状态变量，且分别为大、小腿抬高角度、角速度、角加速度；其中i=1，2，i=1表示大腿的数据，i=2表示小腿的数据；y1(k)，y2(k)和y3(k)，y4(k)分别表示第k时刻大腿和小腿上的加速度传感器的Z轴和X轴加速度信号观测数据，加速度传感器 Y轴由于垂直于膝关节运动平面，加速度数值为0；g为重力加速度9.8 m/s2， 为采集系统的采样周期，l为下肢股骨长度，d1为髋关节至传感器一的距离，d2为膝关节至传感器二的距离。\n[0015] 在本发明一实施例中，通过所述的规则归纳法对贝叶斯算法估计出的模型状态角度、角速度和角加速度数据进行规范性识别，j1，e1，w1，a1为设定的抬腿角度，大小腿角度差，角速度，角加速度阈值；j2，e2，w2，a2为实际测量的角度，大小腿角度差，角速度，角加速度值；在迭代过程中，如果e1< e2，则作出请保持大小腿伸直的反馈；如果w2>w1且a2>a1，则作出抬腿速度太快的反馈；如果没有连续5s出现j2>j1，则作出保持时间不足的反馈。\n[0016] 在本发明一实施例中，经过扩展Kalman滤波处理后的数据采用Android的API中高级的SurfaceView控件绘出波形图及其坐标轴。\n[0017] 在本发明一实施例中，在所述识别后通过调用Android的API中的TextToSpeech进行语音反馈。\n[0018] 本发明的有益效果是采用无线数据采集系统获取穿戴在人体大腿和小腿上的加速度传感器信号，Android移动终端通过贝叶斯滤波算法对采集到的加速度信号进行滤波，并通过规则归纳法对动作规范性进行识别与反馈，算法简单实用、系统小，且便于携带，从而让膝骨性关节炎患者自行康复训练。\n[0019] 下面结合附图及具体实施例对本发明作进一步的详细说明。\n附图说明\n[0020] 图1是本发明实施例的整体结构示意图。\n[0021] 图2是本发明实施例的无线采集系统结构示意图。\n[0022] 图3是本发明实施例的Android系统软件框架图。\n[0023] 图4是本发明实施例的膝骨性关节炎运动理疗法物理模型图。\n[0024] 图5是本发明实施例中EKF估计出的各状态变量时间序列图。\n[0025] 图6是本发明实施例中动作规范性识别流程图。\n具体实施方式\n[0026] 本发明基于Android系统的膝骨性关节炎运动监测方法，在图1所示的整体结构示意图中，膝骨性关节炎患者将加速度传感器一和加速度传感器二分别穿戴在人体的大腿和小腿上，且要求加速度传感器的X轴平行于人体矢状面向下方向、Y轴平行于人体矢状面向左方向、Z轴平行于人体额状面向后方向。规范性康复训练为训练者平躺仰卧，一条腿弯曲，一条腿伸直，曲腿保持静止，直腿进行缓慢流畅抬高，抬高角度约为30°，保持5s后缓慢放下，每组10次。在图2所示的无线采集系统结构示意图中，包括传感器、信号调理电路、微处理器、无线发射模块及Android移动终端。在图3所示的Android系统软件框架图中，信号的处理包括加速度信号的值域转换、贝叶斯滤波算法以及规则归纳法对动作规范性的识别，并作出反馈。\n[0027] 在本实施例中，上述微处理器为51单片机处理器，以51单片机作为主控制器采集三轴加速度传感器信号。\n[0028] 在本实施例中，上述无线发射模块为蓝牙串口模块，通过蓝牙串口模块将加速度信号传输到Android移动终端上。\n[0029] 在本实施例中，上述贝叶斯滤波算法为扩展Kalman滤波算法(Extended Kalman filter,EKF)，EKF是基于最小方差准则下的次优滤波器，主要通过将非线性模型的系统与观测方程做Taylor展开，保留一阶项而忽略其他高阶项实现线性化，虽然EKF不一定是最优的，但它工作得很好并成为处理非线性滤波问题中最经典且得到广泛应用的方法。本系统的非线性状态空间模型如图4所示，从中可以得出系统状态方程和输出方程为公式（1）~（3）所示。\n[0030]                                     (1)\n[0031]                                  (2)\n[0032]                              (3)\n[0033] 式中 、 、 为系统状态变量，且分别为大、小腿抬高角度、角速度、角加速度（其中i=1，2），i=1表示大腿的数据，i=2表示小腿的数据。y1(k)，y2(k)和y3(k)，y4(k)分别表示第k时刻大腿和小腿上的加速度传感器的Z轴和X轴加速度信号观测数据，加速度传感器 Y轴由于垂直于膝关节运动平面，加速度数值为0；g为重力加速度9.8 m/s2， 为采集系统的采样周期，l为下肢股骨长度，d1为髋关节至传感器一的距离，d2为膝关节至传感器二的距离。\n[0034] 在本实施例中，经过扩展Kalman滤波处理后的数据采用Android的API中高级的SurfaceView控件高速绘出波形图及其坐标轴。图5所示的波形就是EKF估计出的各状态变量时间序列，从图上可详细看出使用者在进行直腿抬高康复训练抬腿的角度、角速度及角加速度。根据估计出的状态变量，采用规则归纳法能够准确的识别出使用者康复训练中出现的不规范动作（包括保持时间太短、运动腿弯曲、抬腿速度太快），并通过调用Android的API中的TextToSpeech进行语音反馈。如图6所示，本实施例中，通过所述的规则归纳法对贝叶斯算法估计出的模型状态角度、角速度和角加速度数据进行规范性识别，j1，e1，w1，a1为设定的抬腿角度，大小腿角度差，角速度，角加速度阈值；j2，e2，w2，a2为实际测量的角度，大小腿角度差，角速度，角加速度值；在迭代过程中，如果e1< e2，则作出请保持大小腿伸直的反馈；如果w2>w1且a2>a1，则作出抬腿速度太快的反馈；如果没有连续5s出现j2>j1，则作出保持时间不足的反馈。