CN101766509B - 一种基于单点采集肌音信号的假肢实时控制方法 - Google Patents

一种基于单点采集肌音信号的假肢实时控制方法 Download PDF

Info

Publication number
CN101766509B
CN101766509B CN2009102006656A CN200910200665A CN101766509B CN 101766509 B CN101766509 B CN 101766509B CN 2009102006656 A CN2009102006656 A CN 2009102006656A CN 200910200665 A CN200910200665 A CN 200910200665A CN 101766509 B CN101766509 B CN 101766509B
Authority
CN
China
Prior art keywords
signal
artificial limb
forearm
grabbing
actuating
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN2009102006656A
Other languages
English (en)
Other versions
CN101766509A (zh
Inventor
夏春明
杨正宜
曾勇
曹炜
苗露
王爱林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
East China University of Science and Technology
Original Assignee
East China University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by East China University of Science and Technology filed Critical East China University of Science and Technology
Priority to CN2009102006656A priority Critical patent/CN101766509B/zh
Publication of CN101766509A publication Critical patent/CN101766509A/zh
Application granted granted Critical
Publication of CN101766509B publication Critical patent/CN101766509B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Prostheses (AREA)

Abstract

一种基于单点采集肌音信号的假肢实时控制方法，包括以下步骤：通过声音传感器采集肌肉声音信号；通过数据采集卡采集肌肉声音信号中手进行抓握动作时前臂发出的前臂抓握声音信号；去除前臂抓握声音信号的噪音；将声音信号转化为数字信号；将采集到的数字信号分成短时帧，并对每帧信号进行方差计算；每帧信号的方差超过第一阈值，则截取其后的数据段作为动作信号段，连续三帧的方差值超过第二阈值，则截取其后的数据段作为动作信号段；提取动作信号段中动作信号的时域特征；将时域特征输入线性分类模型，得到动作判别的结果；将动作判别结果转化为电信号用于控制假肢的抓握动作。本发明成本低、受干扰小、硬件要求低，操作简单，不易受干扰。

Description

一种基于单点采集肌音信号的假肢实时控制方法
技术领域
本发明涉及假肢控制，特别是涉及一种基于单点采集肌音信号的假肢实时控制方法。
背景技术
目前用于假肢控制的控制信号主要有人体自身的肌电信号、脑电信号、神经电信号和声音等。其中，肌电信号由于诸多优点一直是研究的主要方向，但是肌电信号仍然存在着一些不足之处，例如对采集表面要求严格，传感器昂贵，受阻抗影响大，抗干扰能力差等等。
发明内容
本发明所要解决的技术问题就是为了克服上述先用技术存在的缺陷而提供一种基于单点采集肌音信号的假肢实时控制方法。
本发明的目的可以通过以下技术方案来实现：一种基于单点采集肌音信号的假肢实时控制方法，其特征在于，包括以下步骤：
A.数据采集：
a1)通过声音传感器采集肌肉声音信号；
a2)通过数据采集卡采集肌肉声音信号中手进行抓握动作时前臂发出的前臂抓握声音信号；
a3)去除前臂抓握声音信号的噪音；
a4)将去除噪音后的前臂抓握声音信号转化为数字信号；
B.数据处理：
b1)将采集到的数字信号分成短时帧，并对每帧信号进行方差计算；
b2)检测每帧信号的方差是否超过第一阈值，若是，则截取其后的数据段作为动作信号段，若否，则检测连续三帧的方差值是否超过第二阈值，若是，则截取其后的数据段作为动作信号段；
b3)提取动作信号段中动作信号的时域特征；
b4)将时域特征输入线性分类模型，得到动作判别的结果；
C.假肢控制：
c1)将实时处理得到的动作判别结果转化为电信号用于控制假肢的抓握动作。
所述的短时帧为每帧0.1S。
所述的时域特征包括均值、方差、峰度、偏度、短时过零率以及AR模型参数。
所述的步骤b4)进一步包括：首先采集一段时间的信号作分析，提取其时域特征作为训练样本得到线性分类器模型，然后将实时采集到的时域特征作为验证样本，通过线性分类模型得到动作判别结果。
所述的第一阈值为2，所述的第二阈值为1。
与现有技术相比，本发明具有以下优点：
一、不需要直接接触皮肤：对于手部受伤需包扎的病人或其它特殊情况也可以采集到有用的信号；
二、成本低：声音传感器价格低廉，由于声音传感器的成本比现在常用的肌电传感器大大降低，可以降低采集系统成本；
三、受干扰小：相比于肌电信号，肌肉声音信号强，且声音信号不受体表的电子干扰；
四、对硬件要求少：肌音信号的运算处理简单，可减少对硬件的要求，应用DSP等硬件就能实现信号的处理，可进一步降低成本；
总之，利用较低的成本就达到了很好的判别效果，切操作简单，不易受干扰。
具体实施方式
下面对本发明做进一步说明。
一种基于单点采集肌音信号的假肢实时控制方法，其特征在于，包括以下步骤：
A.数据采集：
a1)通过声音传感器采集肌肉声音信号；
a2)通过数据采集卡采集肌肉声音信号中手进行抓握动作时前臂发出的前臂抓握声音信号；
a3)去除前臂抓握声音信号的噪音；
a4)将去除噪音后的前臂抓握声音信号转化为数字信号；
B.数据处理：
b1)将采集到的数字信号分成短时帧，并对每帧信号进行方差计算；
b2)检测每帧信号的方差是否超过第一阈值，若是，则截取其后的数据段作为动作信号段，若否，则检测连续三帧的方差值是否超过第二阈值，若是，则截取其后的数据段作为动作信号段；
b3)提取动作信号段中动作信号的时域特征；
b4)将时域特征输入线性分类模型，得到动作判别的结果；
C.假肢控制：
c1)将实时处理得到的动作判别结果转化为电信号用于控制假肢的抓握动作。
所述的短时帧为每帧0.1S。
所述的时域特征包括均值、方差、峰度、偏度、短时过零率以及AR模型参数。
所述的步骤b4)进一步包括：首先采集一段时间的信号作分析，提取其时域特征作为训练样本得到线性分类器模型，然后将实时采集到的时域特征作为验证样本，通过线性分类模型得到动作判别结果。
所述的第一阈值为2，所述的第二阈值为1。
本方法主要分为两大部分：
1.数据采集部分：利用一个声音传感器采集肌肉声音信号并建立数据采集系统，利用数据采集卡采集手进行抓握动作时前臂发出的声音，采集系统中采用滤波电路去除噪音，提高肌音信号信噪比。将声音信号转化为数字信号输入电脑为后续处理做准备。
2.数据处理部分：将采集到的数字信号分为每帧0.1S的短时帧，对每帧计算方差，当方差超过阈值时判断动作发生，然后截取其后的数据段作为动作信号段；提取动作信号的7个时域特征，包括均值、方差、峰度、偏度、短时过零率、和AR模型的两个参数等等；首先采集一段时间的信号作分析，提取其时域特征作为训练样本得到线性分类器模型，然后将验证样本通过分类器得到分类结果。
分类识别中常用的分类器包括线性分类(Linear Discriminant Analysis)、二次型分类(Quadratic Discriminant Analysis)、支持向量机(Supported Vector Machine)方法和神经网络(Neural Network)分类方法等等，出于实时性考虑，减少运算时间，本系统采用最简单的线性分类方法对信号的特征进行监督学习和分类。对特征矩阵Xi＝{xi1，xi2，xi3，…，xi7}进行监督学习，其中xij为第i个动作样本的第j个特征值。取一实验对象的n个动作样本，作为训练样本用于训练，得到分类器模型；然后将实时采集分析得到的样本通过分类器模型得到动作判断的结果。
利用训练样本训练分类器后，将验证样本导入分类器分辨出动作类型为抓还是放。实验证明，线性分类器对抓放动作判别正确率达到95.63±2.55％，满足实用需要。
3.假肢控制部分：将实时处理得到的动作判别结果转化为电信号用于控制假肢的抓握动作，实验证明，判别率高，控制效果好。
通过试验共对8个健康个体进行采样分析，实验对象年龄25±3岁，其中男性6名，女性2名。
实验过程中对每位对象采集4组数据，由于实验对象动作快慢不一样，不同对象动作样本总计为143～211个不等。通过具体的实验，判断别动作的正确率达到95.63±2.55％，完全可以满足实用需要。

Claims (1)

1.一种基于单点采集肌音信号的假肢实时控制方法，其特征在于，包括以下步骤：
A.数据采集：
a1)通过声音传感器采集肌肉声音信号；
a2)通过数据采集卡采集肌肉声音信号中手进行抓握动作时前臂发出的前臂抓握声音信号；
a3)去除前臂抓握声音信号的噪音；
a4)将去除噪音后的前臂抓握声音信号转化为数字信号；
B.数据处理：
b1)将采集到的数字信号分成短时帧，并对每帧信号进行方差计算；
b2)检测每帧信号的方差是否超过第一阈值，若是，则截取其后的数据段作为动作信号段，若否，则检测连续三帧的方差值是否超过第二阈值，若是，则截取其后的数据段作为动作信号段；
b3)提取动作信号段中动作信号的时域特征；
b4)将时域特征输入线性分类模型，得到动作判别的结果；
C.假肢控制：
c1)将实时处理得到的动作判别结果转化为电信号用于控制假肢的抓握动作；
所述的短时帧为每帧0.1S；
所述的时域特征包括均值、方差、峰度、偏度、短时过零率以及AR模型参数；
所述的步骤b4)进一步包括：首先采集一段时间的信号作分析，提取其时域特征作为训练样本得到线性分类器模型，然后将实时采集到的时域特征作为验证样本，通过线性分类模型得到动作判别结果；
所述的第一阈值为2，所述的第二阈值为1。
CN2009102006656A 2009-12-24 2009-12-24 一种基于单点采集肌音信号的假肢实时控制方法 Expired - Fee Related CN101766509B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2009102006656A CN101766509B (zh) 2009-12-24 2009-12-24 一种基于单点采集肌音信号的假肢实时控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2009102006656A CN101766509B (zh) 2009-12-24 2009-12-24 一种基于单点采集肌音信号的假肢实时控制方法

Publications (2)

Publication Number Publication Date
CN101766509A CN101766509A (zh) 2010-07-07
CN101766509B true CN101766509B (zh) 2011-11-30

Family

ID=42499717

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2009102006656A Expired - Fee Related CN101766509B (zh) 2009-12-24 2009-12-24 一种基于单点采集肌音信号的假肢实时控制方法

Country Status (1)

Country Link
CN (1) CN101766509B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102013016B (zh) * 2010-11-23 2013-05-08 华东理工大学 可用于假肢手控制的基于肌音信号手部动作模式识别方法
CN102258403A (zh) * 2011-05-04 2011-11-30 上海理工大学 肌肉力比例调速假手控制系统及方法
CN102614061A (zh) * 2012-03-01 2012-08-01 上海理工大学 基于肌音信号的人体上肢功能康复训练实现方法
CN103294199B (zh) * 2013-06-09 2017-09-12 华东理工大学 一种基于脸部肌音信号的无声信息识别系统
CN105311792B (zh) * 2014-07-02 2018-12-11 北京蝶禾谊安信息技术有限公司 康复训练器及康复训练器的数据采集方法
CN104267807A (zh) * 2014-09-16 2015-01-07 华东理工大学 基于手部动作肌音信号的人机交互方法及交互系统
CN104666052A (zh) * 2015-02-02 2015-06-03 上海交通大学 面向外骨骼机器人的下肢肌音信号处理系统及方法
CN104825256B (zh) * 2015-04-30 2017-05-31 南京信息工程大学 一种带有感知反馈功能的假肢系统
CN104850231B (zh) * 2015-05-25 2017-12-19 上海念通智能科技有限公司 一种基于表面肌电和肌音信号融合的人机接口系统
CN113143676B (zh) * 2020-12-15 2023-04-11 天津大学 一种基于脑肌电协同的外肢体手指的控制方法

Also Published As

Publication number Publication date
CN101766509A (zh) 2010-07-07

Similar Documents

Publication Publication Date Title
CN101766509B (zh) 一种基于单点采集肌音信号的假肢实时控制方法
CN106726030B (zh) 基于临床脑电信号控制机械手运动的脑机接口系统及其应用
CN102697493B (zh) 一种快速的脑电信号中眼电伪迹自动识别和去除的方法
CN110179643A (zh) 一种基于环带传感器的颈部康复训练系统和训练方法
CN102499797B (zh) 假肢控制方法及系统
CN103294199B (zh) 一种基于脸部肌音信号的无声信息识别系统
CN106803081A (zh) 一种基于多分类器集成的脑电分类方法
CN202288542U (zh) 假肢控制装置
CN107822629A (zh) 四肢表面肌电轴的检测方法
CN102013016B (zh) 可用于假肢手控制的基于肌音信号手部动作模式识别方法
CN108563324B (zh) 一种面向过程控制的运动想象脑-机接口设计方法
CN106228200A (zh) 一种不依赖于动作信息采集设备的动作识别方法
CN102306303B (zh) 一种基于小训练样本的脑电信号特征提取方法
CN109589114A (zh) 基于ceemd和区间阈值的肌电消噪方法
CN113598759B (zh) 一种基于肌电特征优化的下肢动作识别方法及系统
CN114469124B (zh) 一种运动过程中异常心电信号的识别方法
CN108958474A (zh) 一种基于误差权重的动作识别多传感信息融合方法
CN105286860A (zh) 一种基于双树复小波能量差的运动想象脑电信号识别方法
CN113116361A (zh) 一种基于单导脑电的睡眠分期方法
CN107080545A (zh) 一种基于脑电的测谎系统
CN109858537A (zh) 改进的eemd与csp结合的脑电信号特征提取方法
CN102961129A (zh) 一种远程医疗的异常心电张量分析方法
CN106927029A (zh) 一种基于单通道脑电波诱发的脑控四轴飞行器
CN205083477U (zh) 基于体表肌电的实时控制装置
CN105686827B (zh) 一种基于微控制器的肌电信号处理及特征提取方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20111130

Termination date: 20151224

EXPY Termination of patent right or utility model