具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。

实施例1

如图1所示，本发明的实施例1提供了肌肉老化程度检测方法，包括以下步骤：

S1、获取待测者在指定运动状态下的多通道原始肌肉电信号；

S2、分别提取每一通道原始肌肉信号中用于表征肌肉老化程度的信号特征，得到信号特征矩阵；

S3、建立肌肉电信号样本集，采用分类器对所述肌肉电信号样本集进行训练，得到分类模型；

S4、将所述信号特征矩阵输入所述分类模型，得到所述原始肌肉电信号的老化类别，以实现肌肉老化程度检测。

为了提高肌肉老化程度的检测效率与用户体验，本实施例提供一种的分类模型算法实现待测者肌肉老化程度的分类。

首先进行信号采集，采集待测者在指定运动中的肌肉电信号。由于2型肌肉分布较为密集的肱二头肌是较为合适的研究对象，因此本实施例要求待测者用紧握姿势保持肌肉纤维长度不变情况下收缩肌肉，此时用64通道高分辨率电极矩阵A2采集原始肌肉电信号。具体采集部位如图2所示，图2中粗实线矩形框所标识的位置即本实施例中采集位置：肱二头肌A1。采集到的原始肌肉电信号如图3所示，图3中仅示出了10个通道的肌肉电信号。

提取原始肌肉电信号的信号特征，以信号特征值表示每一个通道，最后合成一个8x8像素的矩阵。本实施例提取的信号特征矩阵如图4所示，图4中示出了8x8的信号特征矩阵，采用灰度值表征信号特征值，从而将信号特征矩阵转换为图像的像素矩阵。

其次，建立肌肉电信号样本集，输入不同生理特征和不同年龄的受试者的信号特征向量进入分类器，采用机器学习分类器进行训练，得到分类模型，用于进行不同样本的分类。

最后，只需要将待测者的信号特征矩阵输入分类模型，即可得到待测者相应的年龄区间分类，实现肌肉老化程度的检测。

本发明提供的肌肉老化程度检测方法，只需要采集待测者在指定运动中的肌肉电信号，即可实现肌肉老化程度的检测，检测方式简单、无创，用户体验感好，且检测效率高，实现了更加可靠的肌肉老化程度的诊断。

从用户的角度出发，本发明提供的肌肉老化程度检测方式实现了高效无创的评估方式。无创的信号采集方案很大程度减轻了患者对医院的恐惧，且较短的信号采集时间让用户更容易接受这种检测方式，使得该检测方式可以成为常规健康护理的一部分。

优选的，基于肌肉老化机理假说特征选取所述信号特征。

假说是指按照预先设定，对某种现象进行的解释，即根据已知的科学事实和科学原理，对所研究的自然现象及其规律性提出的推测和说明，而且数据经过详细的分类、归纳与分析，得到一个暂时性但是可以被接受的解释。肌肉老化机理假说，是指针对肌肉老化机理进行推测得到的假说。肌肉老化有多种机理，因此基于不同的老化机理假说，不同的信号特征将会被提取使用，选取对肌肉老化程度较为敏感的信号特征即可。

随着近年的AI迅速发展，AI逐渐在赋能各个行业。而在医疗领域中，医疗AI的使用发展较为缓慢。这不仅因为人体临床的场景复杂，还因为医疗行业病理研究的严谨性。换句话说，数学层面上的准确性必须兼备临床上对应解释才会有更加强的说服力。而本发明的数据特征提取方式皆基于临床肌肉老化特征，这使得该模型让医生和临床科研人员更容易接受与使用。因此，从医生和临床科研人员的角度出发，本实施例提供了一种更具备可解释性的机械学习模型去解释肌肉老化特征。

作为优选实施例，所述信号特征为时域信号特征参数。

由于原始肌肉信号为时域信号，因此采用时域信号特征参数对其进行描述。例如，可以选择的信号特征有：均方根、偏度、峰度。

提取原始肌肉电信号的均方根，具体为：

其中，t₁为均方根，S_i为原始肌肉电信号第i个采集时刻的信号值，N为原始肌肉电信号的采集总量；

提取原始肌肉电信号的偏度，具体为：

其中，t₂为偏度，E()表示均值操作，μ为原始肌肉电信号的平均值，σ为原始肌肉电信号的标准差；

提取原始肌肉电信号的峰度，具体为：

其中，t₃为峰度。

本实施例根据肌肉老化机理假说选取了三种信号特征用于分类模型的训练以及肌肉老化程度的识别，三种信号特征分别为：均方根、偏度以及峰度。当然，在其他实施例中，还可以采取其他信号特征，在此不再赘述。

具体的，原始肌肉电信号的均方根表示肌肉电信号在用户执行动作过程的一个平均幅值，随着年龄增长，肌肉的运动神经单元产生的电信号强度会下降，即均方根会变小，因此可以用其表征肌肉老化程度。

原始肌肉电信号的偏度表示肌肉电信号在执行动作过程中分布的对称情况。临床测试表明，老化肌肉的二类肌肉纤维含量下降导致无氧呼吸强度下降，体现在时域信号的特征为峰值的右偏，因此可以用其表征肌肉老化程度。

原始肌肉电信号的峰度表示肌肉电信号在动作过程中概率密度分布曲线在平均值处峰值高低情况。临床测试表明，老化肌肉的二类肌肉纤维含量下降导致无氧呼吸强度下降，体现在时域信号的特征为峰值的尖锐程度下降，因此可以用其表征肌肉老化程度。

优选的，建立肌肉电信号样本集，采用分类器对所述肌肉电信号样本集进行训练，得到分类模型，具体为：

采集肌肉电信号的样本信号，计算所述样本信号的信号特征，得到信号特征向量，标记所述样本信号的年龄区间，得到标签类别；

以所述样本信号的信号特征向量作为输入，以所述样本信号的标签类别作为输出，对分类器进行训练，得到分类模型。

在训练分类器之前首先建立肌肉电信号样本集，肌肉电信号样本集中的样本信号尽量涵盖各种不同年龄阶段，以实现更好的分类效果。分类器的输入，即样本信号的信号特征，与上述选取的原始肌肉电信号的信号特征一致，例如均选择均方根，以便实现分类目的。分类器的输出，即样本信号的年龄区间根据分类精度进行划分，例如，如果对于分类精度要求不高，可以将年龄区间划分为0-50岁和50岁以上两个区间，为0-5岁的年龄区间的样本信号打上标签“1”，代表年轻人类别，为50岁以上的年龄区间的样本捏好打上标签“0”，代表老年人类别。肌肉电信号样本集建立完成后，对分类器进行训练，即可得到分类模型。本发明中分类器可以采用朴素贝叶斯分类器、AdaBoost分类器、支持向量机等实现。

优选的，以所述样本信号的信号特征向量作为输入，以所述样本信号的标签类别作为输出，对分类器进行训练，得到分类模型，具体为：

初始化分类器的各项参数；

将所述样本信号划分为训练样本和测试样本两类；

将所述训练样本的信号特征向量输入所述分类器，得到与所述训练样本相对应的预测类别；

将所述预测类别与对应的标签类别进行对比，根据对比结果对所述分类器的参数进行修正，得到分类模型；

采用所述测试样本对当前分类模型进行测试；

判断测试结果是否满足终止条件，如果是，则输出当前分类模型，否则采用下一个训练样本继续对所述分类器进行训练。

优选的，所述分类器为支持向量机，所述支持向量机的参数包括边界函数参数、决策函数参数以及损失函数参数。

采用支持向量机进行分类模型训练的过程具体如下：

所述分类器为支持向量机，初始化分类器的边界函数、决策函数以及损失函数；

将所述样本信号划分为训练样本和测试样本两类；

将所述训练样本的信号特征向量输入所述决策函数，得到与所述训练样本相对应的预测类别；

将所述预测类别与对应的标签类别进行对比，根据对比结果对所述边界函数进行修正；

采用所述测试样本对当前分类模型进行测试，并根据所述损失函数计算当前分类模型的损失值；

判断所述损失值是否大于设定阈值，如果是，则采用下一个训练样本继续对所述分类器进行训练，否则输出当前分类模型。

本实施例选用支持向量机作为分类器实现分类模型的训练，以下针对支持向量机对训练过程进行具体阐述。

初始化边界函数、决策函数，构建损失函数；

根据样本信号的年龄标签，把总样本分为2个年龄区间。把每一个样本信号的8x8信号特征矩阵展开为64x1的信号特征向量作为输入x_j，样本信号对应的类别标签y_j为两类结果：0代表老年人，1代表年轻人。

将训练样本等分为多个子集；

依次采用各子集对分类器进行训练，即将子集内的训练样本的信号特征向量输入决策函数，得到与训练样本相对应的预测类别，将预测类别与对应的标签类别进行对比，根据对比结果对所述边界函数进行修正；

完成一个子集的训练后，采用测试样本对当前分类模型进行测试，并根据损失函数计算当前分类模型的损失值；

判断损失值是否大于设定阈值，如果是，则采用下一个子集继续对分类器进行训练，否则输出当前分类模型。

优选的，所述边界函数为：

w*x+b＝0；

其中，w、b为待定参数，x为边界函数的自变量，即信号特征向量；

所述决策函数为：

y＝sign(w*x+b)；

其中，y为决策函数的因变量，即老化类别，x为决策函数的自变量，即信号特征向量，sign()表示取年龄所在年龄区间对应的老化类别；

所述损失函数为：

其中，γ为损失值，y_j(w*x_j+b)表示第j个测试样本的特征向量x_j到边界函数所在平面的距离，M为测试样本的数量。

具体的，如图5所示，图5中实现所示即为支持向量机的边界函数，实线两侧的虚线为支持向量，实心圆圈和空心圆圈分别代表两类训练样本，即年轻人和老年人。训练迭代过程的目标是让训练样本点到边界函数之间的距离最小，训练迭代过程的目标用公式表示为：

其中，Minimzie表示最小化，||||表示矩阵的范数；

即迭代目标为最小化损失函数，使得y_j(w*x_j+b)-1≥0。

分类模型训练完成后，将待测者的原始肌肉电信号的信号特征矩阵输入分类模型后，即可得到相应的老化类别，“0”或“1”，即待测者为年轻人或老年人。

本实施例在进行年龄区间的划分时，是以二分类为例进行说明的，得到的分类模型为二分类模型。应该理解的，年龄区间的划分可以更为细致，例如划分四个年龄区间、五个年龄区间等，训练得到多分类模型，以实现更为精细的肌肉老化程度检测。

具体的，仍然以支持向量机为例进行多分类模型的训练过程阐述。把肌肉电信号样本集划分为三个年龄区间0-20岁、20-50岁、50岁以上，并分别赋予类别标签“0”、“1”、“2”。

构建决策函数、损失函数、边界函数以及径向基核函数。

本实施例采用的径向基核函数为：

K(x_i,x_j)＝exp(-γ||x_i-x_j||²),γ>0；

其中，K(x,x_i)表示径向基核函数值，γ为基核参数，exp()表示求自然常数的指数函数；

训练过程与二分类模型的训练过程类似，在此不再赘述。多分类模型的训练迭代过程的目标同样为最小化损失函数，迭代目标表示为：

其中，ξ为松弛变量，c为惩罚因子，ξ_j为第j个测试样本的特征向量x_j的松弛变量值，Φ(ω，ξ)表示损失函数。

基核函数参数γ较小时，训练误差小，但是所有样本会集中在支持向量周围，导致支持向量机对于不同年龄区间分类实用性差，当基核函数参数γ较大时，支持向量的数量减少，误差增大，但是支持向量机的实用性会有所提高。惩罚因子c表示间隔大小和分类准确度的权重，惩罚因子c趋向于无穷大时，会导致过拟合，惩罚因子c趋向于0时，会出现欠拟合。

为了选择合适的基核函数参数γ和惩罚因子c，本实施例采用遗传算法对这两个参数进行优化，具体优化过程如下：

染色体编码：进行染色体编码建立初始种群，编码规则可以选用浮点数编码；

确定适应度函数：在进行神经网络训练时，将训练杨否作为网络的输入和期望输出，网络训练产生的预测输出，区网络训练产生的权值阈值，计算网络的误差平方和作为遗传算法的目标；

选择：暗适应度比例方法选择当前种群中生命力强的染色体个体，根据个体的适应度值计算个体被选择的概率；

交叉：浮点数编码的个体采用算术交叉较为合适，在两个个体之间进行算术交叉，形成两个新的个体；

变异：利用某一范围内均匀分布的随机数，以一较小的设定概率替换个体编码串中原有的基因实现变异；

将训练样本在进行交叉验证方法移一下的准确率达到最高时，选取惩罚因子最小的一组惩罚因子和核函数参数作为最优解。

优选的，建立肌肉电信号样本集，采用分类器对所述肌肉电信号样本集进行训练，得到分类模型，还包括：

对所述肌肉电信号样本集中样本信号的性别以及肌肉收缩程度进行标记，得到性别标签以及肌肉收缩程度标签，建立多标签的肌肉电信号样本集；

采用多标签的肌肉电信号样本集对所述分类器进行训练，得到多标签的分类模型。

在样本信号的多样性与数量的保证下，本发明中分类器可以进一步训练，从而细分受试者的具体年龄区间、性别、肌肉收缩程度等。

实施例2

本发明的实施例2提供了肌肉老化程度检测装置，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现实施例1提供的肌肉老化程度检测方法。

本发明实施例提供的肌肉老化程度检测装置，用于以实现肌肉老化程度检测方法，因此，肌肉老化程度检测方法所具备的技术效果，肌肉老化程度检测装置同样具备，在此不再赘述。

实施例3

本发明的实施例3提供了计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现实施例1提供的肌肉老化程度检测方法。

本发明实施例提供的计算机存储介质，用于以实现肌肉老化程度检测方法，因此，肌肉老化程度检测方法所具备的技术效果，计算机存储介质同样具备，在此不再赘述。

实施例4

本发明的实施例4提供了肌肉老化程度检测系统，具体可参阅图6，该系统包括所述肌肉老化程度检测装置1，还包括肌肉电信号采集装置2；

所述肌肉电信号采集装置2用于采集待测者在指定运动状态下的原始肌肉电信号，并将所述原始肌肉电信号发送至所述肌肉老化程度检测装置1；

所述肌肉老化程度检测装置1用于采用所述肌肉老化程度检测方法对所述原始肌肉电信号进行检测，得到待测者的老化类别，以实现肌肉老化程度检测。

本实施例中肌肉电信号采集装置2采用电极矩阵设备实现，肌肉老化程度检测装置1可以集成于与肌肉电信号采集装置2内，也可以为单独设置的检测终端。

本发明实施例提供的肌肉老化程度检测系统，包括肌肉老化程度检测装置1，因此，肌肉老化程度检测装置1所具备的技术效果，肌肉老化程度检测系统同样具备，在此不再赘述。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。