1.一种基于可穿戴式体感网的帕金森静息态震颤评估方法，其特征在于：该方法包括以下步骤：步骤1，在人体手部和手臂部署传感器，对传感器进行初始化，消除传感器零飘，并进行初始标定，设置传感器采样频率；通过部署的传感器采集人体姿态信号以及人体表面肌电信号；

步骤2，根据静息态震颤频率响应特征，将姿态信号和肌电信号分别通过带通滤波器进行滤波，得到滤波后的姿态信号和肌电信号，根据姿态信号计算姿态角变化量；

步骤3，将步骤2输出的姿态角变化量离散数据、肌电信号离散数据分别保存于数据集中；按时间轴分别剔除数据集 和 的前后p％的数据，更新数据集 和步骤4，将数据集 和 分别进行等步长窗口化处理，并将处理后的数据集 和 组合，选取其中q％作为训练集，用于HMM模型参数学习，其余的1-q％作为测试集，用于HMM模型识别；

步骤5，分别对训练集和测试集中窗口化数据提取帕金森震颤在静息态的姿态角变化时域和频域特征以及肌电信号特征；

步骤6，根据UPDRS帕金森评定量表，定义HMM模型隐含状态集；根据训练集中提取的特征，分别为各数据段设置状态标签；

步骤7，初始化HMM模型参数，将训练集中提取的特征参数作为训练观测序列，进行模型训练，计算HMM模型最佳参数，得到训练好的HMM模型；

步骤8，将测试集中提取的特征参数作为测试观测序列，输入已训练好的HMM模型中，求解当观测序列出现的概率最大时的隐含状态序列，输出当前最优隐含状态，得到震颤状态评估结果。

2.根据权利要求1所述的一种基于可穿戴式体感网的帕金森静息态震颤评估方法，其特征在于：所述步骤1，在上臂、下壁、手部分别部署IMU传感器，同时在上臂部署EMG传感器；

通过IMU传感器采集人体姿态数据，通过EMG传感器采集人体表面肌肉电信号；所述IMU传感器含有三轴加速度计、三轴陀螺仪和三轴磁力计，IMU传感器采集的姿态信号以四元数形式输出。

3.根据权利要求2所述的一种基于可穿戴式体感网的帕金森静息态震颤评估方法，其特征在于：设置IMU传感器采样频率为100Hz，EMG传感器采样频率为50Hz。

4.根据权利要求2所述的一种基于可穿戴式体感网的帕金森静息态震颤评估方法，其特征在于：选用型号为GY953的九轴IMU传感器，EMG传感器型号为OYmotion。

5.根据权利要求2所述的一种基于可穿戴式体感网的帕金森静息态震颤评估方法，其特征在于：所述步骤2，设置当前坐标系为地球坐标系x,y,z，计算姿态角变化量，方法如下：定义姿态角θ1,θ2,θ3，姿态角变化量△θ1,△θ2,△θ3，其中θ1,θ2,θ3分别为肘关节弯曲-伸展角、下臂内转-外转角、腕关节弯曲-伸展角，△θ1,△θ2,△θ3分别为肘关节弯曲-伸展角变化量、下臂内转-外转角变化量、腕关节弯曲-伸展角变化量；

根据上臂、下臂、手部IMU传感器姿态四元数分别计算上臂、下臂、手部IMU传感器姿态角在坐标系x,y,z轴的投影αx,αy,αz、βx,βy,βz、γx,γy,γz；

根据手臂几何结构得到：

△θ1x＝△αx+△βx △θ3x＝△βx+△γx

△θ1y＝△αy+△βy，△θ3y＝△βy+△γy

△θ1z＝△αz+△βz △θ3z＝△βz+△γz

其中△θ1x,△θ1y,△θ1z、△θ3x,△θ3y,△θ3z分别为肘关节弯曲-伸展角变化量△θ1、腕关节弯曲-伸展角变化量△θ3在坐标系x,y,z轴的投影；△αx,△αy,△αz为上臂姿态角在x,y,z轴的投影的角度变化量；△βx,△βy,△βz为下臂姿态角在x,y,z轴的投影的角度变化量；△γx,△γy,△γz为手部姿态角在x,y,z轴的投影的角度变化量；

分别求姿态角变化量△θ1,△θ3，表达式如下：

姿态角变化量△θ2直接由下臂IMU传感器输出的四元数导出。

6.根据权利要求5所述的一种基于可穿戴式体感网的帕金森静息态震颤评估方法，其特征在于：所述步骤5，提取帕金森震颤在静息态的姿态角变化时域和频域特征，具体如下：特征1：采用帕金森震颤在静息态的角变化时域下的平均角变化率 描述震颤程度，分别计算姿态角θ1,θ2,θ3的平均角变化率 计算公式如下：其中n表示数据长度，n＝t*fs，t为窗口时长，fs为IMU传感器采样频率；

特征2：采用帕金森震颤在静息态的角度变化频域下的能量作为特征描述震颤程度；

将训练集中的姿态信号数据作离散傅里叶变换，转换为频域数据，计算能量值：其中E为能量值，f表示频点，P(f)为信号能量谱密度；a,b分别为静息态震颤的频率范围边界值；

特征3：采用帕金森震颤在静息态的角度变化的信息熵作为特征描述震颤程度；定义信息熵T如下：其中 为频点f对应的出现概率，对数log取2为底。

7.根据权利要求1所述的一种基于可穿戴式体感网的帕金森静息态震颤评估方法，其特征在于：所述步骤5，提取肌电信号特征描述帕金森震颤，具体如下：特征4：选择肌电信号峰度系数作为特征描述帕金森震颤；定义峰度系数k如下：其中μ为数据均值，Λ为数学期望，σ为标准差，x为肌电信号离散数据；

特征5：选择肌电信号过零率作为特征描述帕金森震颤；将肌电信号标准归一化，测量归一化后的肌电数据为零的个数 即为过零率；所述归一化方法为：将肌电数据映射至[-

1,1]区间，得到新的数据，计算公式为：x′＝(x-xmean)/(xmax-xmin)，其中xmean为数据均值，xmax为最大值，xmin为最小值。

8.根据权利要求1所述的一种基于可穿戴式体感网的帕金森静息态震颤评估方法，其特征在于：所述步骤6，根据UPDRS帕金森评定量表，定义HMM模型隐含状态集，设震颤幅度为h，隐含状态集包括：状态0：无震颤；

状态1：轻微震颤，即发生震颤且0

状态2：中度震颤，即发生震颤且1

状态3：严重震颤，即发生震颤且3

状态4：重度震颤，即发生震颤且h>10cm；

根据训练集中提取的特征，分别为各数据段设置状态标签0、1、2、3、4。

9.根据权利要求1所述的一种基于可穿戴式体感网的帕金森静息态震颤评估方法，其特征在于：所述步骤7，所述HMM模型参数包括HMM隐含状态数M、初始概率π、状态观察概率B；

初始化HMM隐含状态数M＝5，初始概率π＝[1,0,0,0,0]，状态观察概率B用一组混合高斯密度表示；令参数λ＝(A,B,π)，A代表隐含状态转移概率；

将训练集中提取的特征参数作为训练观测序列，利用Baum-Welch算法进行模型训练，迭代计算HMM模型最佳参数λ。

10.根据权利要求1-9任一所述的一种基于可穿戴式体感网的帕金森静息态震颤评估方法，其特征在于：所述步骤8，将测试集中提取的特征参数Λ′作为测试观测序列，输入已训练好的HMM模型中，使用Viterbi算法求解当P(Λ′|λ)最大时的隐含状态序列，输出当前最优隐含状态；其中，特征参数Λ′为角度特征和肌电特征集合；P(Λ′|λ)表示Viterbi算法求解给定HMM模型参数λ时，观测序列Λ′出现的概率。