膝骨性關(guān)節(jié)炎運(yùn)動(dòng)質(zhì)量評(píng)估系統(tǒng)設(shè)計(jì)

洪匯隆 李玉榕* 陳建國 杜 民

1(福州大學(xué)電氣工程與自動(dòng)化學(xué)院，福州 350000)

2(福建省醫(yī)療器械和醫(yī)藥技術(shù)重點(diǎn)實(shí)驗(yàn)室，福州 350000)

引言

膝骨性關(guān)節(jié)炎(knee osteoarthritis，KOA)是骨科臨床常見疾病之一。隨著人口結(jié)構(gòu)的老齡化，其發(fā)病率越來越高，危害也越來越大，患者在發(fā)病后，會(huì)出現(xiàn)反復(fù)發(fā)作性關(guān)節(jié)疼痛，嚴(yán)重者會(huì)導(dǎo)致關(guān)節(jié)面廣泛破壞，甚至關(guān)節(jié)畸形［1］。西醫(yī)對(duì)于膝骨性關(guān)節(jié)炎，主要是單純的藥物治療，嚴(yán)重者可進(jìn)行關(guān)節(jié)部位相關(guān)的手術(shù)和置換術(shù)治療。但是西藥中都含有不同劑量的皮質(zhì)激素，長期服用可能會(huì)導(dǎo)致全身免疫力的下降。中醫(yī)主要是通過內(nèi)服、外洗的方法，并配合針灸、推拿等外治法進(jìn)行綜合治療。步態(tài)修正技術(shù)是通過步態(tài)分析技術(shù)對(duì)行走中人體重心位移、各關(guān)節(jié)活動(dòng)的力矩、功率及整體能量消耗等隨時(shí)間變化的參數(shù)，據(jù)此做出全面、綜合的客觀評(píng)價(jià)，借助外部設(shè)備改變膝關(guān)節(jié)的受力調(diào)整步態(tài)，幫助患者恢復(fù)［2－3］。這些治療都有一定確切的療效，但是不能根本解決骨性關(guān)節(jié)炎對(duì)患者預(yù)后的功能活動(dòng)帶來的影響［4］。如果患者運(yùn)用適當(dāng)?shù)闹?、被?dòng)功能鍛煉，可增強(qiáng)下肢肌力及耐力，促進(jìn)血液循環(huán)，增加關(guān)節(jié)活動(dòng)度，保持關(guān)節(jié)的穩(wěn)定性，對(duì)穩(wěn)定病情、緩解癥狀都起到積極的作用，因此運(yùn)動(dòng)理療法對(duì)膝骨性關(guān)節(jié)炎具有巨大的臨床應(yīng)用價(jià)值。直腿抬高訓(xùn)練是膝骨性關(guān)節(jié)炎運(yùn)動(dòng)理療法中具有代表性的訓(xùn)練之一，該訓(xùn)練的規(guī)范動(dòng)作是訓(xùn)練者平躺仰臥，一條腿彎曲，一條腿伸直，直腿進(jìn)行調(diào)高訓(xùn)練，盡量慢且流暢，抬高約30°，保持10 s后緩慢放下，每組10次［5］。每次進(jìn)行若干組訓(xùn)練。如果訓(xùn)練不規(guī)范，例如抬腿過高，抬高過程中腿部沒能保持伸直狀態(tài)，或者直腿抬高以后保持時(shí)間太短等，都有可能加重患者的膝關(guān)節(jié)部的負(fù)擔(dān)，達(dá)不到功能訓(xùn)練的效果，甚至可能導(dǎo)致病情的惡化。因此本研究設(shè)計(jì)一種基于ZigBee技術(shù)的無線穿戴式運(yùn)動(dòng)監(jiān)護(hù)系統(tǒng)，確?；颊咴谝欢ǖ囊?guī)范下進(jìn)行這項(xiàng)訓(xùn)練。

人體運(yùn)動(dòng)狀態(tài)的識(shí)別目前主要有基于視頻的檢測(cè)技術(shù)和基于運(yùn)動(dòng)加速度檢測(cè)技術(shù)兩種技術(shù)?；谝曨l的檢測(cè)技術(shù)具有識(shí)別率高、算法成熟等優(yōu)點(diǎn)，但是由于需要特殊裝置用于高速圖像處理，且要求實(shí)驗(yàn)環(huán)境光照條件良好，測(cè)試者在視距范圍內(nèi)相機(jī)才能記錄下快速人體運(yùn)動(dòng);導(dǎo)致系統(tǒng)結(jié)構(gòu)復(fù)雜、造價(jià)昂貴、可攜帶性差;而基于運(yùn)動(dòng)加速度檢測(cè)技術(shù)避免了動(dòng)態(tài)環(huán)境對(duì)數(shù)據(jù)采集的影響，且穿戴式檢測(cè)技術(shù)能夠減少測(cè)試者心理負(fù)擔(dān)，從而準(zhǔn)確的采集運(yùn)動(dòng)信息，系統(tǒng)結(jié)構(gòu)簡(jiǎn)單，具有實(shí)時(shí)性好、準(zhǔn)確性高、性價(jià)比高、便于攜帶等優(yōu)點(diǎn)［6］。通過直接人體運(yùn)動(dòng)的加速度信息，避免了視頻檢測(cè)系統(tǒng)中動(dòng)態(tài)環(huán)境多方面的因素對(duì)檢測(cè)產(chǎn)生的不利影響，降低了數(shù)據(jù)的處理難度。并且本系統(tǒng)的定位為便攜式人體運(yùn)動(dòng)監(jiān)護(hù)系統(tǒng)，即患者能夠使用本系統(tǒng)在非實(shí)驗(yàn)室環(huán)境中也能正常的使用，視頻檢測(cè)系統(tǒng)則無法滿足這一需求。因而采用基于加速度檢測(cè)技術(shù)對(duì)人體的運(yùn)動(dòng)狀態(tài)進(jìn)行監(jiān)測(cè)，并且使用了靈敏度為200 mV/g的mma7361加速度傳感器采集人體的加速度信息。

Taylor等利用5個(gè)加速度傳感器采集人體下肢加速度信息進(jìn)行動(dòng)作平均識(shí)別率達(dá)到了80%，但其并沒有對(duì)特征量進(jìn)行提取和篩選，導(dǎo)致進(jìn)行分類的特征量過多，不利于實(shí)時(shí)的監(jiān)測(cè)［7－8］。

本研究所設(shè)計(jì)的基于ZigBee的人體下肢運(yùn)動(dòng)監(jiān)護(hù)系統(tǒng)，應(yīng)用小波分析對(duì)采集的運(yùn)動(dòng)加速度信號(hào)頻域特性進(jìn)行分析，并利用粒子群算法提取特征向量，最后應(yīng)用BP神經(jīng)網(wǎng)絡(luò)對(duì)運(yùn)動(dòng)質(zhì)量進(jìn)行分類評(píng)估。

1 方法

1.1 系統(tǒng)描述

系統(tǒng)主要的設(shè)計(jì)目的是為膝骨性關(guān)節(jié)炎患者，在進(jìn)行康復(fù)保健操訓(xùn)練時(shí)提供一種無監(jiān)護(hù)下的運(yùn)動(dòng)質(zhì)量評(píng)估系統(tǒng)。讓使用者在沒有醫(yī)護(hù)人員監(jiān)護(hù)的情況下，也能夠自主的規(guī)范的完成康復(fù)訓(xùn)練。

系統(tǒng)框架圖如圖1所示，主要有:1)采集用戶運(yùn)動(dòng)加速度信號(hào)的信號(hào)采集與上傳模塊，該模塊主要由兩個(gè)ZigBee終端模塊和一個(gè)ZigBee協(xié)調(diào)器模塊組成。兩個(gè)終端模塊分別穿戴在人體直腿的大腿和小腿上，模塊應(yīng)平行于人體冠狀面穿戴在腿部的上表平面，并且穿戴在大腿和小腿的中部位置，并使兩個(gè)終端模塊保持在一條直線上，協(xié)調(diào)器模塊在接收到終端模塊的加速度信息后上傳給上位機(jī)。2)加速度信號(hào)處理的信號(hào)分析模塊。信號(hào)的分析與處理由上位機(jī)來完成。

終端ZigBee模塊的電路主要是RF射頻發(fā)送電路和數(shù)據(jù)采集電路，采用收發(fā)公用天線的方案，并且為了模塊的小型化采用了印制電路板天線。其外圍電路主要包括晶振時(shí)鐘電路、復(fù)位電路、射頻輸入/輸出匹配電路、微控制接口電路和加速度信號(hào)采集電路等5個(gè)部分組成。協(xié)調(diào)器的ZigBee模塊電路與終端模塊電路不同之處在于去掉了加速度采集模塊，增加了串口通信模塊。

圖1 無線采集系統(tǒng)Fig.1 Wireless data acquisition system

MMA7361為三軸小量程加速傳感器是檢測(cè)物件運(yùn)動(dòng)和方向的傳感器，它根據(jù)物件運(yùn)動(dòng)和方向改變輸出信號(hào)的電壓值。各軸的信號(hào)在不運(yùn)動(dòng)或不被重力作用的狀態(tài)下0g，其中g(shù)為重力加速度，即9.8 m/s2。其輸出為1.65 V。如果某一軸只受到重力加速度的作用1g，則該軸的輸出電壓為2.45 V。如果沿著某一個(gè)方向活動(dòng)，或者受到重力作用，輸出電壓就會(huì)根據(jù)其運(yùn)動(dòng)方向以及設(shè)定的傳感器靈敏度而改變其輸出電壓。因此用單片機(jī)的A/D轉(zhuǎn)換器讀取此輸出信號(hào)，就可以檢測(cè)其運(yùn)動(dòng)和方向。終端1和終端2的XY平面平行人體的冠狀面，且X軸方向平行于人體的垂直軸指向腿的根部;Y軸平行于人體的冠狀軸朝外指向;Z軸平行于人體的矢狀軸朝下指向。所以當(dāng)人體平躺準(zhǔn)備訓(xùn)練時(shí)X軸、Y軸、Z軸的加速度大小分別為0g、0g、1g。

1.2 數(shù)據(jù)處理部分設(shè)計(jì)

數(shù)據(jù)的處理工作主要是由上位機(jī)來完成，對(duì)數(shù)據(jù)的處理包括加速度信號(hào)的濾波去噪、特征值的提取與選擇和設(shè)計(jì)分類器對(duì)采集的加速度信號(hào)進(jìn)行動(dòng)作的判斷。

1.2.1 信號(hào)的平滑與加窗

若由終端采集的信息有比較多的毛刺，則需要對(duì)其進(jìn)行濾波處理。采用五點(diǎn)三次的平滑器對(duì)信號(hào)進(jìn)行平滑濾波，同時(shí)運(yùn)用固定閾值法對(duì)加速度信息進(jìn)行加窗處理判斷動(dòng)作的始終點(diǎn)，且將靜止時(shí)的平均加速度作為固定的閾值。

1.2.2 基于小波變換的特征值的提取

在對(duì)加速度信號(hào)在頻域上分析時(shí)，發(fā)現(xiàn)加速度信號(hào)主要集中在0～10 Hz頻率范圍內(nèi)，這段頻率范圍之內(nèi)，保存著加速度信號(hào)的絕大部分信息和重力加速度的分量信息。加速度傳感器是壓電傳感器，這個(gè)分量在運(yùn)動(dòng)過程中是變化的，但由于加速度傳感器在每個(gè)人下肢上的位置固定，所以影響是幾乎相同的，因此采用小波分析對(duì)0～10 Hz的頻域信息進(jìn)行分析與提取，避免了利用其它特征量，例如AR系數(shù)而引入的隨機(jī)誤差等因素，有利于降低系統(tǒng)的設(shè)計(jì)難度。

小波分析是一種窗口面積固定但其形狀可改變的時(shí)域局部化分析方法，這里的窗口包括時(shí)間窗和頻率窗;在低頻部分具有較高的頻率分辨率和較低時(shí)間分辨率，在高頻部分有較高的時(shí)間分辨率和較低的頻率分辨率，因而小波分析能夠聚焦到信號(hào)的細(xì)節(jié)部分。一般情況下，在利用小波變換進(jìn)行特征提取時(shí)，大多選擇某一尺度上的小波系數(shù)代替原始信號(hào)進(jìn)行識(shí)別處理，而不同尺度下的小波系數(shù)代表信號(hào)不同頻率區(qū)域分量的大小，若其它尺度上的小波系數(shù)被丟棄，則會(huì)使得分辨率下降［9］。所以，采用保留全部系數(shù)的Haar小波變換對(duì)加速度信號(hào)進(jìn)行4層的小波變換，首先對(duì)原始信號(hào)進(jìn)行第一層的分解，將信號(hào)分解為0～50 Hz的低頻系數(shù)向量和50～100 Hz的高頻系數(shù)的系數(shù)向量;再將低頻的系數(shù)向量繼續(xù)分解，分解為0～25 Hz的低頻系數(shù)向量和25～50 Hz的高頻系數(shù)向量，依此類推，最后得到5個(gè)頻率段的小波的系數(shù)向量分別為最后得到5個(gè)頻率段的小波的系數(shù)向量分別為:CD1、CD2、CD3、CD4、CD5，并將5個(gè)小波系數(shù)向量合并。

1.2.3 特征值的選擇

在設(shè)計(jì)一個(gè)分類器的時(shí)候，必須要設(shè)法減少特征的數(shù)目，這樣一方面可以得到較高的維數(shù)比率，避免維數(shù)過多而造成維數(shù)災(zāi)難，提高分類器的推廣能力，另一方面可以得到和理論值相近的正確率率估計(jì)值［3］。也就是特征值的選擇問題，簡(jiǎn)單來說，就是剔除對(duì)樣本的識(shí)別沒有價(jià)值的特征量，保留有利于樣本特征識(shí)別的特征子集，也就是剔除冗余特征的過程。

粒子群算法(particle swarm optimization，PSO)是模擬鳥群的捕食行為，也就是鳥群在某區(qū)域內(nèi)尋找未知位置食物的過程，雖然不知道食物的具體位置，可是他們知道本身離食物的位置有多遠(yuǎn)，所以最簡(jiǎn)單最快找到食物的方法就是搜索當(dāng)前離食物最近的鳥的周邊區(qū)域。則算法的基本思想是每次迭代都是通過跟蹤更新局部最優(yōu)解和全局最優(yōu)解來更新自己的位置，最終找到最優(yōu)解的過程。PSO算法更新為式中，v是粒子的速度，present是粒子的當(dāng)前位置，pbest為粒子的局部最優(yōu)解，gbest為粒子群的全局最優(yōu)解。rand是(0，1)之間的隨機(jī)數(shù)，c1和c2被稱作學(xué)習(xí)因子。通常，c1=c2=2。w是加權(quán)系數(shù)(慣性權(quán)重)，取值在0.1到0.9之間。粒子通過不斷學(xué)習(xí)更新，最終飛至解空間中最優(yōu)解所在的位置，搜索過程結(jié)束。最后輸出的 gbest就是全局最優(yōu)解［10］。

本算法選取的目標(biāo)函數(shù)為函數(shù)的擬合誤差RMSE如式(3)所示。其中g(shù)(i)為加速度小波分解后特征量的幅值大小，f(i)為擬合函數(shù)的幅值大小;擬合方法采用的是線性插值擬合，擬合函數(shù)f(x)的公式如式(4)所示，其中ai為所選取的特征值對(duì)應(yīng)的頻率的大小。

本系統(tǒng)需要利用粒子群算法來實(shí)現(xiàn)多目標(biāo)的尋優(yōu)，也就是要通過粒子群算法來求得一組最優(yōu)解集。即將一組特征集視作一個(gè)n維的粒子(n為特征集的大小，設(shè)置為10)，所選擇的適應(yīng)度函數(shù)為曲線的擬合方差大小，所以經(jīng)過多目標(biāo)粒子群算法優(yōu)化后得到的為失真度最小的特征向量集，且特征向量維數(shù)也降至10維。相對(duì)于其他的多目標(biāo)尋優(yōu)如基于遺傳算法的多目標(biāo)尋優(yōu)算法、基于蟻群算法的多目標(biāo)尋優(yōu)算法等，基于粒子群算法的多目標(biāo)尋優(yōu)算法的優(yōu)化過程要快得多，更加適用于實(shí)時(shí)的監(jiān)護(hù)系統(tǒng)設(shè)計(jì)。

1.2.4 BP分類器的設(shè)計(jì)

在提取出特征量以后將設(shè)計(jì)一分類器對(duì)所采集的加速度信息進(jìn)行分類，本系統(tǒng)所需要設(shè)計(jì)的是一種針對(duì)于多分類的分類器。本研究的多輸出型的BP分類器的結(jié)構(gòu)采用的是一個(gè)多輸出的三層BP網(wǎng)絡(luò)結(jié)構(gòu)，其拓?fù)浣Y(jié)構(gòu)為20-15-4。網(wǎng)絡(luò)中輸入層的節(jié)點(diǎn)數(shù)即為特征矢量的維數(shù)，在前面分析中已經(jīng)分別將大腿和小腿上的加速度信號(hào)經(jīng)過特征提取后降為10維的特征向量，故將輸入層的節(jié)點(diǎn)數(shù)設(shè)置為20個(gè)節(jié)點(diǎn);隱含層的節(jié)點(diǎn)個(gè)數(shù)由經(jīng)驗(yàn)公式取得;輸出層的節(jié)點(diǎn)個(gè)數(shù)由動(dòng)作的輸出類別決定，因此將輸出層設(shè)置成4個(gè)節(jié)點(diǎn)，分別對(duì)應(yīng)規(guī)范抬腿、保持時(shí)間太短、抬腿過高和非平行抬腿。

網(wǎng)絡(luò)的傳輸函數(shù)選擇非線性的S型函數(shù)Sigmoid函數(shù)，實(shí)現(xiàn)非線性的輸出到輸入的映射。網(wǎng)絡(luò)選取［01］之間的隨機(jī)數(shù)作為初始的權(quán)值，節(jié)點(diǎn)閾值均設(shè)置為零。如果網(wǎng)絡(luò)的輸出層輸出樣本的類別為j，則輸出的第j個(gè)節(jié)點(diǎn)輸出為1，而其余的節(jié)點(diǎn)輸出為0。

由于運(yùn)動(dòng)加速度信息在小波分解后特征量的規(guī)律性并不強(qiáng)，而且受患者個(gè)體性的影響，每位患者的運(yùn)動(dòng)信息會(huì)有較大的差異，BP網(wǎng)絡(luò)的自適應(yīng)性和容錯(cuò)性能很好的解決這類因素的影響，并且在網(wǎng)絡(luò)訓(xùn)練完成后數(shù)據(jù)處理的時(shí)間將大大減少，相比其他分類器也更加適合于實(shí)時(shí)的監(jiān)護(hù)系統(tǒng)。

2 結(jié)果

圖2為在訓(xùn)練階段從終端2采集到的原始的三軸加速度信號(hào)，從圖中可以看出加速度曲線有較多的毛刺。

圖2 終端2三軸加速度原始信號(hào)Fig.2 Triaxial accelerometer signal of terminal 2

圖3為進(jìn)過五點(diǎn)三次的平滑濾波和閾值加窗后的加速度波形，從圖中可以看出，加速度曲線變得平滑，同時(shí)有效的提取了抬腿時(shí)的加速度信號(hào)。

對(duì)上述處理后的加速度信號(hào)進(jìn)行小波分解，圖4表示加速度信號(hào)經(jīng)過Haar小波變換后的波形曲線。經(jīng)過小波變換后將加速度信號(hào)變換成200維的小波特征向量。

將得到的200維的特征向量運(yùn)用粒子群優(yōu)化算法進(jìn)行特征量的提取。如圖5所示，經(jīng)過特征值提取后所得到的10維的小波特征量，有效地降低了特征向量的維數(shù)。

圖3 經(jīng)平滑加窗后的加速度信號(hào)Fig.3 Smoothing and windowing processing of the acceleration signal

圖4 加速度信號(hào)小波分解曲線Fig.4 Acceleration signal wavelet decomposition graph

圖5 特征向量經(jīng)特征值提取后曲線圖Fig.5 The characteristic value extraction graph

最后采用K-折交叉驗(yàn)證來對(duì)分類法的準(zhǔn)確率進(jìn)行評(píng)價(jià)。K-重交叉驗(yàn)證是將初始的數(shù)據(jù)均等分成 k組分別記為 S1，S2，S3，…，Sk。然后從 k 組中選擇第i組作為測(cè)試組，其余k－1組作為訓(xùn)練組訓(xùn)練BP網(wǎng)絡(luò)，如果測(cè)試的準(zhǔn)確率大于RATE(RATE為給定的準(zhǔn)確率)，則結(jié)束此輪的學(xué)習(xí);否則將測(cè)試樣本作為訓(xùn)練樣本訓(xùn)練BP網(wǎng)絡(luò)。其中準(zhǔn)確率=測(cè)試樣本的正確分類數(shù)/測(cè)試樣本總數(shù)。如此反復(fù)訓(xùn)練和測(cè)試k次。即對(duì)i=1，2，3…，k進(jìn)行 k次迭代，最終獲得的準(zhǔn)確率是k次迭代中所有的正確分類數(shù)除以樣本總數(shù)的大小。

針對(duì)可能出現(xiàn)的不規(guī)范動(dòng)作:保持時(shí)間太短、抬腿過高和非平行抬腿三個(gè)不規(guī)范動(dòng)作和規(guī)范抬腿動(dòng)作等4類動(dòng)作進(jìn)行采樣和分類實(shí)驗(yàn)。實(shí)驗(yàn)對(duì)象為年齡在24～30周歲之間的20名健康男性，將他們從1到20進(jìn)行編號(hào)。實(shí)驗(yàn)中要求測(cè)試者分別進(jìn)行規(guī)范抬腿、保持時(shí)間太短、抬腿過高和非平行抬腿的訓(xùn)練，每個(gè)動(dòng)作的訓(xùn)練均為40次。將每個(gè)訓(xùn)練者的160組數(shù)據(jù)分成8等份進(jìn)行8重的交叉驗(yàn)證。

在對(duì)實(shí)驗(yàn)樣本進(jìn)行檢驗(yàn)和識(shí)別的過程中可能發(fā)生兩種錯(cuò)誤:

1)當(dāng)原樣本為真時(shí)拒絕原樣本，稱作棄真錯(cuò)誤，即α錯(cuò)誤;

2)當(dāng)原樣本為假時(shí)沒有拒絕原樣本，稱作取偽錯(cuò)誤，即β錯(cuò)誤。

測(cè)試過程中用取真概率1－P(α)和去偽概率1－P(β)這兩個(gè)指標(biāo)來評(píng)價(jià)系統(tǒng)的性能。

從表1的測(cè)試結(jié)果中可以看出交叉驗(yàn)證中的取真概率平均值在85%以上，其中對(duì)于訓(xùn)練中保持時(shí)間太短這一不規(guī)范動(dòng)作的識(shí)別最為精確，對(duì)規(guī)范抬腿的識(shí)別率最低;去偽的概率也在91%以上，能有效排除非本標(biāo)簽的動(dòng)作類別;且各類動(dòng)作的平均取真率最低為89.1%，平均取真率最高為93.4%，各類動(dòng)作的取真率和去偽率的標(biāo)準(zhǔn)差均小于2.3%，具有良好的準(zhǔn)確性和穩(wěn)定性。

3 討論與結(jié)論

通過以上實(shí)驗(yàn)表明通過采集加速度信息，并對(duì)其進(jìn)行濾波、加窗、小波分解和特征值提取后，最后在分類器上實(shí)現(xiàn)動(dòng)作的分類。能夠有效的區(qū)分動(dòng)作差異不大的同類動(dòng)作，并且對(duì)規(guī)范抬腿、抬腿過高、保持時(shí)間太短和非平行抬腿這4類訓(xùn)練取真率的均值和標(biāo)準(zhǔn)差也分別達(dá)到了(89.1±2.0)%、(93.4±1.7)%、(89.5±2.3)%、(90.1±1.8)%。達(dá)到了預(yù)期的分類效果。

本研究提出了基于ZigBee的膝骨性關(guān)節(jié)炎保健操運(yùn)動(dòng)質(zhì)量評(píng)估系統(tǒng)設(shè)計(jì)，具有低功耗、方便、直接、有效的優(yōu)點(diǎn)。并且通過實(shí)驗(yàn)，系統(tǒng)對(duì)于直腿抬高訓(xùn)練中的不規(guī)范動(dòng)作的識(shí)別率都達(dá)到了預(yù)期的效果，能夠?qū)⑷N不規(guī)范動(dòng)作有效地識(shí)別。該系統(tǒng)性價(jià)比高、體積小、功耗低，在針對(duì)膝骨性關(guān)節(jié)炎保健操的運(yùn)動(dòng)監(jiān)護(hù)領(lǐng)域具有實(shí)際應(yīng)用的價(jià)值。

表1 交叉驗(yàn)證測(cè)試結(jié)果Tab.1 Cross-validation test results

本研究?jī)H對(duì)基于加速度傳感器的骨性關(guān)節(jié)炎運(yùn)動(dòng)監(jiān)護(hù)系統(tǒng)的信息處理算法的有效性進(jìn)行了驗(yàn)證，所設(shè)計(jì)系統(tǒng)最終目的在于實(shí)時(shí)評(píng)判患者的運(yùn)動(dòng)狀態(tài)，并以聽覺或觸覺等形式對(duì)患者進(jìn)行結(jié)果反饋，使患者進(jìn)行主動(dòng)訓(xùn)練。運(yùn)動(dòng)結(jié)束后，將本次運(yùn)動(dòng)治療的動(dòng)作質(zhì)量狀況傳遞給醫(yī)護(hù)人員，幫助醫(yī)護(hù)人員了解患者的治療情況，并制定下一步的運(yùn)動(dòng)處方。因此下一步的研究工作有兩個(gè)方向，一是在智能手機(jī)等通用的手持設(shè)備中進(jìn)行信息處理，進(jìn)行實(shí)時(shí)評(píng)判和反饋，訓(xùn)練結(jié)束后將患者的動(dòng)作完成情況發(fā)送給醫(yī)生;二是研究更合適的數(shù)據(jù)處理算法，以提高規(guī)范性判別的準(zhǔn)確率，并將該方案推廣到膝骨性關(guān)節(jié)炎其他的運(yùn)動(dòng)療法中。

［1］梁平，李勝利.膝骨性關(guān)節(jié)炎的臨床治療進(jìn)展［J］.中國中醫(yī)骨傷科雜志，2006，14(3):65 －67.

［2］Shull P，Lurie K，Shin M，et al.Haptic gait retraining for knee osteoarthritis treatment［C］//Proceedings of the IEEE Haptics Symposium 2010.Waltham:IEEE，2010:409 －416.

［3］Wrigley TV，Simic M，Hunt MA，et al.Real-time movement biofeedback for walking gait modification in knee osteoarthritis［C］//Proceedings of the Virtual Rehabilitation International Conference 2009.Haifa:IEEE，2009:132 －135.

［4］沈欽榮.中醫(yī)藥治療膝骨性關(guān)節(jié)炎實(shí)驗(yàn)研究進(jìn)展［J］.中國中醫(yī)藥科技雜志，2004，11(6):389 －390.

［5］郝高庭，黃有榮.自然療法治療膝骨性關(guān)節(jié)炎近況［J］.浙江中西醫(yī)結(jié)合雜志，2010，20(5):326－327.

［6］李聲飛.基于WSN的穿戴式人體姿態(tài)與健康監(jiān)護(hù)系統(tǒng)的研制［D］.重慶:重慶大學(xué)，2010.

［7］Taylor PE，Almeida JM，Kanade T，et al.Classifying human motion quality for knee osteoarthritis using accelerometers［C］//Proceedings of the 32nd Annual International Conference of the IEEE EMBS Buenos Aires.Argentina:IEEE，2010:339 －343.

［8］Taylor PE，Almeida DA，Hodgins JK，et al. Multi-label classification for the analysis of human motion quality［C］//Proceedings of the 34th Annual International Conference of the IEEE EMBS.San Diego:IEEE，2012:2214 －2218.

［9］Nyan MN，Tay FE，Murugasu E.A wearable system forpreimpaet fall detection［J］.Joumai of Biomechanics，2008，41(12):3475－3481.

［10］王昌喜，揚(yáng)先軍，徐強(qiáng)，等.基于三維加速度傳感器的上肢動(dòng)作識(shí)別系統(tǒng)［J］.傳感技術(shù)學(xué)報(bào)，2010，23(6):816 －819.

［11］Wu Guangrong，Zhang Jiaxiong.Realization of wireless sensor network based on CC2430［J］.Modern Electronics Technique，2008，31(12):121 －123.

［12］YunXiaoping，Bachmarm E，McGheeR. A simplified quaternion based algorithm for orientation estimation from Earth gravityand magnetic field measurements［J］.IEEE Transactions on Instrumentatfon and Measurement，2008，57(3):638 －650.

［13］鄧亞平，楊佳，胡亞明.動(dòng)態(tài)分簇的導(dǎo)構(gòu)傳感器網(wǎng)絡(luò)安全路由協(xié)議［J］.重慶郵電大學(xué)學(xué)報(bào)，自然科學(xué)版，2011，23(3):336－342.

［14］Tentori M，F(xiàn)avela J.Activity-aware computing for healthcare［J］.IEEE Pervasive Computing，2008，8(5):51 －57.

［15］Stiefmeier T，Roggen D，Ogris G，et al.Wearable activity tracking in car manufacturing［J］.IEEE Pervasive Computing，2008，7(2):55 －62.

［16］Choudhury T，Borriello G，Consolvo S，et al.The mobile sensing platform:an embedded activity recognition system［J］.IEEE Pervasive Computing，2008，7(2):32－41.

［17］Yang Junying，Wang Jeenshing，Chen Yenping. Usingacceleration measurements for activity recognition:an effective learning algorithm for constructing neural classifiers［J］.Pattern Recognition Letters，2008，29(1):2213 －2220.

［18］田建勛，陳香，李云，等.一種基于加速度與表面肌電信息融合和統(tǒng)計(jì)語言模型的連續(xù)手語識(shí)別方法［J］.中國生物醫(yī)學(xué)工程學(xué)報(bào)，2011，30(3):333 －339.

［19］肖金壯，齊佳龍，王洪瑞.基于小波分析的人體平衡指標(biāo)提取方法研究［J］.中國生物醫(yī)學(xué)工程學(xué)，2012，31(7):507－511.

［20］高春芳，呂寶糧，馬家昕.一種用小波包變換提取眼電信號(hào)警覺度特征的方法［J］.中國生物醫(yī)學(xué)工程學(xué)報(bào)，2012，31(5):641－648.

［21］支聯(lián)合，譚素敏，楊建國.基于小波包變換的特征提取方法分析fMRI數(shù)據(jù)［J］.中國生物醫(yī)學(xué)工程學(xué)報(bào)，2012，31(6):956－961.