智能护膝及膝关节损伤预警方法
技术领域
本发明属于生物医学工程领域，具体涉及一种智能护膝及膝关节损伤预警方法。
背景技术
膝关节是人体的重要关节，其组成包括胫骨关节和髌骨关节双关节，在日常活动和体育运动中起到支撑、稳定和力的传导作用。同时，膝关节也很容易受到急性和慢性的运动伤害。在运动过程中由于没有采取正确姿势动作，很容易造成膝关节半月板急性损伤，两侧韧带和十字韧带的撕裂等运动损伤。而长期的行走姿势不良，有可能诱发和加速骨关节炎的发生。由于膝关节的屈曲动作十分复杂，至今没有建立起膝关节屈曲的精准模型。
一般的运动护膝的设计目标是对膝关节加强紧固力、运动防护和保暖，不具有对膝关节活动进行监测、提醒、保护等的功能。现有的监测膝部活动状态的方法主要是指实验室里基于光学追踪的方法，以实现对膝关节活动状态进行建模采集膝关节活动数据。但此种方法仅限在实验室测试，且成本高，并且无法针对活动者进行实时监测数据以实时矫正活动者膝关节活动姿势。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种膝关节智能护膝及膝关节损伤预警方法。本发明要解决的技术问题通过以下技术方案实现：
本发明实施例提供了一种智能护膝，包括：
采集装置101，用于采集膝关节特征信息；
分析装置102，与所述采集装置101连接，用于根据所述膝关节特征信息和预先训练好的分类模型获得膝关节损伤信息以形成膝关节告警信号；
预警装置103，与所述分析装置102连接，用于根据所述对膝关节告警信号进行告警。
在本发明的一个实施例中，所述采集装置101包括：
第一采集装置1011，与所述分析装置102连接，设置于膝关节上方，用于采集所述膝关节运动信号；
第二采集装置1012，与所述分析装置102连接，设置于大腿上方，用于采集所述大腿的姿态信息；
第三采集装置1013，与所述分析装置102连接，设置于小腿上方，用于采集所述小腿的姿态信息。
在本发明的一个实施例中，还包括通信装置104，所述通信装置104与所述分析装置102连接。
在本发明的一个实施例中，还包括电源装置，与所述采集装置101、所述分析装置102、所述预警装置103均连接。
在本发明的一个实施例中，所述分析装置102包括：数据处理装置和存储装置，所述数据处理装置与所述存储装置连接，所述数据处理装置与所述采集装置101和所述预警装置103均连接。
在本发明的一个实施例中，所述第一采集装置1011包括：加速度传感器和声学传感器，所述加速度传感器和所述声学传感器均与所述数据处理装置连接。
本发明的另一个实施例提供了一种智能护膝的膝关节损伤预警方法，所述智能护膝的膝关节损伤预警方法用于如权利要求1-9任一项所述的智能护膝，所述智能护膝的膝关节损伤预警方法包括如下步骤：
采集膝关节特征信息；
根据所述膝关节特征信息和预先训练好的分类模型获得膝关节损伤信息以形成膝关节告警信号；
根据所述对膝关节告警信号进行告警。
在本发明的一个实施例中，所述膝关节特征信息包括：膝关节运动信号、大腿的姿态信息、小腿的姿态信息。
在本发明的一个实施例中，所述膝关节特征信息还包括：人体特征信息，其中，所述人体特征信息包括人体的年龄、身高、体重、性别属性的至少一种。
在本发明的一个实施例中，所述预先训练好的分类模型为支持向量机模型。
与现有技术相比，本发明的有益效果：
1、本发明的智能护膝，用户仅需要穿戴该护膝进行运动即可对过度运动导致的膝关节损伤进行实时性预测和提醒，不需要额外佩戴其它预测装置，且设备内的预测装置小型化、轻量化，穿戴方便；
2、本发明的智能护膝，通过预先设置好的分类模型对采集的膝关节运动信号进行分类预测方法科学、准确。
附图说明
图1为本发明实施例提供的一种智能护膝的结构示意图；
图2为本发明实施例提供的另一种智能护膝的结构示意图；
图3为本发明实施例提供的一种智能护膝的膝关节损伤预警方法的流程示意图；
图4为本发明实施例提供的一种膝关节损伤分类模型的训练方法的流程示意图；
图5为本发明实施例提供的一种传感器模块的结构示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
实施例一
请参见图1和图2，图1为本发明实施例提供的一种智能护膝的结构示意图，图2为本发明实施例提供的另一种智能护膝的结构示意图；该智能护膝包括：
采集装置101，用于采集膝关节特征信息；
分析装置102，与所述采集装置101连接，用于根据所述膝关节特征信息和预先训练好的分类模型获得膝关节损伤信息以形成膝关节告警信号；
预警装置103，与所述分析装置102连接，用于根据所述对膝关节告警信号进行告警。
其中，所述采集装置101包括：
第一采集装置1011，与所述分析装置102连接，设置于髌骨上方，用于采集膝关节运动信号；
第二采集装置1012，与所述分析装置102连接，设置于大腿骨前部，用于采集大腿的姿态信息；
第三采集装置1013，与所述分析装置102连接，设置于小腿骨前部，用于采集小腿的姿态信息。
其中，所述第一采集装置1011包括：加速度传感器和声学传感器。
需要说明的是，膝关节运动信号包括：膝关节振动信号和膝关节声音信号，其中，膝关节内部各骨骼和软组织等结构之间，由于膝关节的运动而产生振动信号，受损膝关节产生的振动信号可以区别于未受损的膝关节产生的振动信号，因此，可以使用加速度传感器获取到人体的膝关节的振动信号。此外，膝关节内部各骨骼和软组织等结构之间由于膝关节运动产生声音，也即膝关节的声音信号。因此，可以使用声学传感器获取膝关节产生的膝关节声音信号。
实际应用中，加速度传感器可以为MEMS数字三轴加速度计；声学传感器可以为MEMS数据麦克风。
需要说明的是，MEMS传感器即微机电系统(Microelectro Mechanical Systems)与传统的传感器相比，它具有体积小、重量轻、成本低、功耗低、可靠性高、适于批量化生产、易于集成和实现智能化的特点。同时，在微米量级的特征尺寸使得它可以完成某些传统机械传感器所不能实现的功能。MEMS三轴加速度传感器的好处就是在预先不知道物体运动方向的场合下，只有应用三维加速度传感器来检测加速度信号。三维加速度传感器具有体积小和重量轻特点，可以测量空间加速度，能够全面准确反映物体的运动性质。
其中，第二采集装置1012和第三采集装置1013均包括陀螺仪和加速度计；具体的，第二采集装置汇总的陀螺仪和加速度计用于采集大腿的姿态信息；第三采集装置1013的陀螺仪和加速度计用于采集小腿的姿态信息。
其中，智能护膝还包括电源装置，与所述采集装置101、所述分析装置102、所述预警装置103均连接，用以提供电源。
其中，所述分析装置102包括：数据处理装置和存储装置，所述数据处理装置与所述存储装置连接，所述数据处理装置与所述采集装置101和所述预警装置103均连接。
其中，数据处理装置可以为低功耗MCU芯片，用以降低智能护膝的耗能。
其中，存储装置可以为存储器，优选为TF存储卡，方便用户提取数据以用于后续对数据的备份、统计、分析、监控。
其中，所述智能护膝还包括通信装置104，用于输入人体特征信息和在预设的时间频度更新所述预先训练好的分类模型。具体地，通信装置104为蓝牙或者无线方式，可以为4G无线通信方式。
其中，所述预警装置103为振动器，用于通过振动方式提醒用户膝关节损伤情况。优选地，预警装置103包括第一振动器1031和第二振动器1032，对称设置于膝盖两侧。
具体地，可根据膝关节损伤级别设置不同的振动时间，损伤轻微时振动时间短，损伤严重时振动时间长。为了防止第一振动器1031和第二振动器1032振动提醒时影响膝关节运动信号的采集，可以设置当振动器振动时停止对膝关节运动信号的采集，待振动器振动停止时继续采集膝关节运动信号。
其中，所述智能护膝还包括弹性护膝带，所述护膝带为矩形，护膝带两侧为粘贴区域，可以缠绕到使用者腿部并固定。
下述实施例提供了一种第一采集模块的详细结构，请参考图5，图5为本发明实施例提供的一种传感器模块的结构示意图。其中，第一采集模块1011包括：加速度计10111、声音传感器10112、传感器模块盖板10113和传感器模块底板10114，其中，传感器模块盖板10113通过4个螺钉和传感器模块底板10114连接，传感器模块盖板10113与传感器模块底板10114盖合后形成圆柱形空腔，用于保护加速度计10111；传感器模块底板10114的底部为球面，直接与人体髌骨关节部位接触；加速度计10111直接粘贴到传感器模块底板10114中央；声音传感器10112设置于所述传感器模块盖板10113侧面内壁；传感器模块盖板10113侧面开通通孔用于与信号传输线303连接。
为了方便说明，图5所示的传感器模块盖板10113的顶面为透明可见，但在实际应用中，传感器模块盖板10113的顶面的材质为具有一定韧性和硬度的材质。
本智能护膝的工作原理如下：
使用之前，需要对智能护膝进行初始化，用户通过手机或者终端通过智能护膝的通信设备将用户的人体特征信息输入到存储装置进行保存；
使用时，使用者佩戴该智能护膝，将采集带的第一采集装置1011区域设置在髌骨上方，以保证智能护膝的第二采集装置1012和第三采集装置1013分别设置在大腿骨前部和小腿骨前部；使用者运动时，智能护膝的第一采集装置1011、第二采集装置1012、第三采集装置1013分别采集膝关节运动信号、大腿姿态信息、小腿姿态信息，并通过数据处理装置将膝关节运动信号、大腿姿态信息、小腿姿态信息处理形成膝关节特征值，同时将膝关节特征值输入到预先训练好的分类模型中，得到分类结果，根据分类结果得到膝关节是否损伤和损伤级别，且预设时间段内任一个损伤级别的次数超过设定的阈值次数，则表示膝关节受损，产生膝关节受损告警信号发送到预警装置103振动器中，预警装置103通过振动方式通知用户膝关节受损和受损级别。
本发明的智能护膝，用户仅需要穿戴该护膝进行运动即可对过度运动导致的膝关节损伤进行实时提醒，不需要额外佩戴其它预测装置，且设备内的预测装置小型化、轻量化，穿戴方便。
实施例三
本实施例在上述实施例的基础上，重点对一种智能护膝的膝关节损伤预警方法进行详细描述。请参考图3，图3为本发明实施例提供的一种智能护膝的膝关节损伤预警方法的流程示意图；该预警方法适用于上述任一实施例所述的智能护膝，包括如下步骤：
S302：采集膝关节特征信息；
其中，所述膝关节特征信息包括：膝关节运动信息、大腿的姿态信息、小腿的姿态信息。
需要说明的是，膝关节运动信息是指膝关节在伸展和弯曲运动时髌骨中部产生的振动信号。人体在运动时，膝关节也处于运动状态，随着人体的姿态不同，膝关节中各骨骼的结合方式以及各骨骼的受压程度也不同，可以理解的，在人体运动状态下的膝关节的状态与在人体坐卧等静止状态下的膝关节的状态不同；同时，由于处于运动状态的受损的膝关节所产生的膝关节运动信号，与处于运动状态的未受损的膝关节所产生的膝关节运动信号之间的差异较大，因此，膝关节运动信号可以表征人体运动状态下膝关节的受损程度。
进一步地，由于膝关节的运动而产生振动信号，受损膝关节产生的振动信号可以区别于未受损的膝关节产生的振动信号，因此，可以使用加速度传感器获取到人体的膝关节的振动信号。此外，膝关节内部各骨骼和软组织等结构之间由于膝关节运动产生声音，也即膝关节的声音信号。通过膝关节振动信号和膝关节声音信号拟合后产生的膝关节运动信号更能准确表征膝关节的受损程度。其中，膝关节运动信号的加权公式为：
F()＝a1×Fv()+a2×Fs()
其中，F()表示t时刻的膝关节运动信号，Fv()为t时刻的膝关节振动信号，Fs()为t时刻的膝关节声音信号，a1和a2为权重系数，优选地，
a1＝a2＝0.5。
同时，运动时腿部的姿态也影响和膝关节受力，不正确的腿部姿态，比如外八字、内八字、高抬腿跑、左右用力不均等都会对膝关节造成不良影响，同时，膝关节受损后，同样会影响大腿的跑步姿态和腿部的用力情况。因此，大腿的姿态信息和小腿的姿态信息也是表征人体运动状态下膝关节是否受损的参数；其中，大腿的姿态信息可以包括大腿的速度、加速度和弯曲角度，同理，小腿的姿态信息可以包括小腿的速度、加速度和弯曲角度。
其中，所述膝关节特征信息还包括：人体特征信息，其中，所述人体特征信息是指人体的年龄、身高、体重、性别属性的至少一种。因为不同年龄人体的膝关节振动规律不同，不同的身高与体重比，不同的性别都会使膝关节在受损和非受损情况下的膝关节运动信号规律不同。因此，加入人体特征信息可以使分类结果更加精确。具体地，在智能护膝使用之前需要进行初始化设置，以输入人体特征信息。
S304：根据所述膝关节特征信息和预先训练好的分类模型获得膝关节损伤信息以形成膝关节告警信号；
其中，所述预先训练好的分类模型可以为机器学习分类模型，分类模型采用的算法可以为：深度学习算法、K-近邻算法、贝叶斯算法、SVM等；其中，分类模型是预先训练好的，即为预先训练好的分类模型；
具体的，当分类模型采用的算法为SVM算法时，分类模型可以是基于径向基函数(Radial Basis Function，RBF)核的分类模型。当然，也可以根据实际情况，选择其他核函数，比如，多项式核函数、拉普拉斯核函数、Sigmoid核函数等。
具体的，分类模型可以是二分类分类模型，对应的分类结果为两类，两类分类结果对应的膝关节的受损程度分别为未受损和受损；分类模型也可以是多分类分类模型，对应的分类结果可以为至少三类，分类结果对应的膝关节的受损程度可以分别为未受损和受损，其中，受损可以至少分为轻度受损、重度受损等。
进一步地，多分类分类模型对应的分类结果也可以为四类、五类或者更多，通常情况下，可以对受损进行细分，使得最终确定的膝关节的受损程度更加精确。比如，当预先训练好的模型为二分类分类模型，可以在训练原始的二分类分类模型时，设置未受损的膝关节产生的膝关节运动信号对应的分类结果的期望值为1，设置受损的膝关节产生的膝关节运动信号对应的分类结果的期望值为-1，那么，当分类结果为1，可以确定膝关节未受损，当分类结果为-0时，可以确定膝关节受损。
具体地，智能护膝的存储装置中默认存储一套预先训练好的分类模型，该分类模型可以是在出厂时，根据已有的数据样本对SVM原始模型进行训练得到。同时，该存储在存储装置中的分类模型也可以通过现有网络服务器进行定时更新。也即，随着厂家对分类模型本身或者数据样本的不断迭代和更新，可以对分类模型进行修正或者替代，以使基于预先训练好的分类模型产生的分类结果更加精确。
其中，当分类结果达到一定的阈值次数时，则说明膝关节已经受损，产生膝关节告警信号。具体地，阈值次数为预选设定的达到阈值的次数。
具体地，如果分类结果为5分类，即不受损、一级受损、二级受损、三级受损、四级受损，则此时，设定阈值次数为3次，即如果分类结果为一级受损超过3次，则产生一级受损告警信号；同理，可以产生二级受损告警信号、三级受损告警信号、四级受损告警信号，否则，表示不受损，不需要产生膝关节告警信号。
S306：根据所述对膝关节告警信号进行告警。
根据膝关节告警信号提示用户膝关节受损程度，尽早提示用户膝关节受损并进行监控和运动改善，以防止膝关节进一步受损。
本发明的智能护膝，通过预先设置好的分类模型对采集的膝关节运动信号进行分类预测方法科学、准确。
实施例四
本实施例在上述实施例的基础上，当分类模型为神经网络算法模型等机器学习算法模型时，本发明实施例提供了一种分类模型的训练方法。重点对一种膝关节损伤分类模型训练方法进行详细描述。请参见图4，图4为本发明实施例提供的一种膝关节损伤分类模型的训练方法的流程示意图，如图4所示，分类模型的训练方法如下：
步骤402，获取预设数量的膝关节特征信息样本。
在本步骤中，可以获取预设数量的膝关节特征信息样本，用于训练分类模型，其中，每个上述膝关节特征信息样本可以包膝关节运动信号以及对应的预设的分类结果。
具体的，分类结果为膝关节运动信号对应的膝关节的受损程度，，每个膝关节运动信号对应的受损程度为已知的。比如，设置受损程度为未受损时对应的预设的分类结果为1，设置受损程度为一级受损时对应的预设的分类结果为-1，设置受损程度为二级受损时对应的预设的分类结果为-2，设置受损程度为三级受损时对应的预设的分类结果为-3，设置受损程度为四级受损时对应的预设的分类结果为-4；那么，若膝关节特征信息样本A中的膝关节的受损程度为未受损，则膝关节特征信息样本A中的预设的分类结果为1，若膝关节特征信息样本B中的膝关节的受损程度为二级受损，则膝关节特征信息样本B中的预设的分类结果为-2。
可以理解的，预设数量越大，且膝关节特征信息样本之间的差异越大，越有利于训练出能够准确确定膝关节受损程度的分类模型。
步骤404，将上述预设数量的膝关节特征信息样本输入原始的分类模型，计算损失函数值，判断损失函数值是否小于预设的函数阈值，若为是，则执行步骤406。
在本步骤中，可以将步骤402获取到的预设数量的膝关节特征信息样本输入到原始的分类模型中，以使用预设数量的膝关节特征信息样本对上述原始的分类模型进行训练，以及预设的损失函数的损失函数值，其中，预设的损失函数的损失函数值用于衡量分类模型的训练程度；判断损失函数值是否小于预设的函数阈值，若为是，则说明分类模型已经训练完成，若为否，则说明分类模型尚未训练完成，还需要通过迭代继续训练。
其中，原始的分类模型可以是二分类分类模型，也可以是多分类分类模型，具体可以根据实际情况来确定。
步骤406，得到训练好的分类模型。
在本步骤中，若损失函数值是否小于预设的函数阈值，则说明分类模型训练完成，可以用于基于膝关节的膝关节特征信息，确定膝关节的受损程度。
可见，本发明实施例中的分类模型的训练方法，可以使用预设数量的膝关节特征信息样本，对分类模型进行训练，以便基于膝关节的膝关节特征信息，准确确定膝关节的受损程度。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
