CN102133139A - 一种假手控制系统及其控制方法 - Google Patents
一种假手控制系统及其控制方法 Download PDFInfo
- Publication number
- CN102133139A CN102133139A CN2011100271673A CN201110027167A CN102133139A CN 102133139 A CN102133139 A CN 102133139A CN 2011100271673 A CN2011100271673 A CN 2011100271673A CN 201110027167 A CN201110027167 A CN 201110027167A CN 102133139 A CN102133139 A CN 102133139A
- Authority
- CN
- China
- Prior art keywords
- module
- eeg
- semg
- parameter
- main control
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 36
- 230000033001 locomotion Effects 0.000 claims abstract description 26
- 101000739754 Homo sapiens Semenogelin-1 Proteins 0.000 claims description 64
- 102100037550 Semenogelin-1 Human genes 0.000 claims description 64
- 238000012549 training Methods 0.000 claims description 35
- 238000001914 filtration Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 7
- 230000009017 pursuit movement Effects 0.000 claims description 6
- 238000006467 substitution reaction Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000013500 data storage Methods 0.000 abstract 3
- 238000002567 electromyography Methods 0.000 abstract 1
- 210000004761 scalp Anatomy 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 239000007943 implant Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000036982 action potential Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Abstract
本发明公开了一种假手控制系统及其方法,包括信号采集模块、反馈模块、数据存储模块、数字信号处理模块、驱动模块,主控模块分别与信号采集模块、反馈模块、数据存储模块、数字信号处理模块和驱动模块相连接,主控模块用于协调管理信号采集模块、反馈模块、数据存储模块、数字信号处理模块和驱动模块,信号采集模块连接有用于记录EEG的8个电极、用于记录SEMG的2个电极;该系统能够综合EEG和SEMG信息,实时地解码手部运动的速度、加速度和轨迹,从而实现对假手的灵活控制,且使用自然,无需植入电极,便于维护。
Description
技术领域
本发明涉及手部运动参数预测技术,具体涉及一种假手控制系统及其控制方法。
背景技术
手部运动参数(包括速度、加速度和轨迹)的预测是实现假手控制的难点。目前,基于手部运动参数预测的假手控制系统主要有两种:(1)通过分析残肢肌肉所发放的动作电位,提取反映手部运动意愿的有效特征,从而建立特征向量与手部运动参数之间的映射关系来实现控制功能,该系统受到肌电解码能力的限制,控制假手运动的自由度不高。(2)植入电极记录大脑或者上肢的神经信号,并预测手部运动参数,该系统使用自然,控制效果好,但具有手术风险,且不易维护。
发明内容
为克服现有技术存在的缺点和不足,本发明专利旨在提供一种假手控制系统,与现有技术相比,本发明无需植入电极采集头皮电信号和表面肌电信号,并利用头皮电信号和表面肌电信号相互辅助,在一定程度上弥补各自解码能力的不足。
本发明的另一目的在于提供上述假手控制系统的控制方法。
本发明通过下述技术方案实现:
一种假手控制系统,包括用于记录EEG和SEMG的信号采集模块,该信号采集模块将采集到的EEG和SEMG信号进行放大并转换为数字信号,然后传给主控模块;
用于帮助患者训练的反馈模块,反馈模块提供图形用户界面,让患者控制假手跟踪一个引导球的连续运动,引导球的运动参数预先保存在数据存储模块,测试时,反馈模块从主控模块获取跟踪过程中假手的运动参数,并依据该参数在图形用户界面上显示相应的假手运动,使得患者及时了解控制假手进行跟踪运动的效果,以便患者更快地适应假手控制系统;
用于存储EEG和SEMG信号、特征向量、引导球运动参数、假手运动参数以及回归模型参数的数据存储模块;
用于对EEG和SEMG进行多频带滤波,提取特征向量,训练回归模型参数以及预测手部运动参数的数字信号处理模块,数字信号处理模块将训练好的回归模型参数和实时预测的手部运动参数传给主控模块;
用于控制假手运动的驱动模块,该驱动模块从主控模块获取已预测的手部运动参数来驱动假手运动;
上述主控模块分别与信号采集模块、反馈模块、数据存储模块、数字信号处理模块和驱动模块相连接,主控模块用于协调管理信号采集模块、反馈模块、数据存储模块、数字信号处理模块和驱动模块。
所述数字信号模块包括:用于对EEG和SEMG进行多频带滤波的预处理模块;
用于计算各频带EEG和SEMG信号幅值或功率的特征提取模块;
用于学习回归模型参数的训练模块,该训练模块的学习算法基于训练数据集内EEG和SEMG的特征以及相应的引导球运动参数;
用于将测试数据集内EEG和SEMG的特征代入回归模型、以预测手部运动参数的预测模块;
用于将学习好的回归模型参数或预测所得的手部运动参数传送给主控模块的结果输出模块;
在训练时,所述预处理模块、特征提取模块、训练模块、结果输出模块依次连接;在测试时,所述预处理模块、特征提取模块、预测模块、结果输出模块依次连接。
所述信号采集模块还连接有用于记录EEG的8个电极、用于记录SEMG的2个电极,所述驱动模块包括可编程步进电动机控制器和步进电动机驱动器,控制假手按照预测的运动参数动作。
上述假手控制系统的控制方法,包括下述步骤:
(1)系统启动后,主控模块负责调度并完成数据存储模块、反馈模块、数字信号处理模块、信号采集模块和驱动模块的自检;
(2)主控模块从数据存储模块中调出预设的引导球运动参数,将其传给反馈模块;
(3)反馈模块将引导球的运动显示在图形用户界面上,提示患者使用EEG和SEMG控制假手跟踪引导球运动,然后判断是否为训练状态:
若是,则执行步骤为,(1)主控模块接收来自信号采集模块的EEG和SEMG数据,将它们与引导球运动参数对应起来,生成训练数据集,并保存在数据存储模块;(2)经过一定量的训练,数字信号处理模块从数据存储模块中调用训练数据集,先通过预处理模块对EEG和SEMG进行多频带滤波;然后通过特征提取模块计算各频带EEG和SEMG的幅值或功率特征;接着通过训练模块,学习回归模型参数;最后将学习好的回归模型参数传给主控模块;(3)主控模块将学习好的回归模型参数存入数据存储模块;
若否,则执行步骤为,(a)主控模块先从数据存储模块中调出已学习好的回归模型参数,将其传给数字信号处理模块;然后接收当前来自信号采集模块的EEG和SEMG数据,将它们传给数字信号处理模块;(b)数字信号处理模块接收已学习好的回归模型参数和当前待预测的EEG和SEMG,先通过预处理模块对EEG和SEMG进行多频带滤波;然后通过特征提取模块计算EEG和SEMG在各频带的幅度或功率特征,接着通过预测模块,将EEG和SEMG的特征代入已学习好的回归模型,估计相应的手部运动参数,并将其传给主控模块;(c)主控模块将已预测的手部运动参数传给驱动模块,控制假手运动;将引导球运动参数、预测的手部运动参数传给反馈模块;(d)反馈模块依据引导球运动参数和预测的手部运动参数,将引导球的运动和假手的跟踪运动同时显示在图形用户界面上。
上述预处理模块对EEG和SEMG的预处理包括选择合适的带通频段以及提取EEG和SEMG特征所用的数据长度,即预测步长。
本发明相对于现有技术具有如下的优点及有益效果:
(1)本发明控制方法以EEG和SMG作为信号源,采集方便,成本低廉,无手术风险;
(2)本发明假手控制系统具有可视的反馈模块,实时地反映患者对假手的控制状态,便于患者适应和掌握。
(3)本发明假手控制系统不仅具有较强的数据处理能力,预测速度快,控制灵活,而且便于维护和升级。
附图说明
图1是本发明假手控制系统的硬件结构图;
图2是本发明假手控制系统中反馈模块的图形用户界面;
图3是本发明假手控制系统的控制方法中数字信号处理模块的流程示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
如图1所示,本发明假手控制系统,包括下述模块:
用于记录EEG和SEMG的信号采集模块,该信号采集模块将采集到的EEG和SEMG信号进行放大并转换为数字信号,然后传给主控模块;
用于帮助患者训练的反馈模块,反馈模块提供图形用户界面,让患者控制假手跟踪一个引导球的连续运动,引导球的运动参数预先保存在数据存储模块,测试时,反馈模块从主控模块获取跟踪过程中假手的运动参数,并依据该参数在图形用户界面上显示相应的假手运动,使得患者及时了解控制假手进行跟踪运动的效果,以便患者更快地适应假手控制系统;
用于存储EEG和SEMG信号、特征向量、引导球运动参数、假手运动参数以及回归模型参数的数据存储模块;
用于对EEG和SEMG进行多频带滤波,提取特征向量,训练回归模型参数以及预测手部运动参数的数字信号处理模块,数字信号处理模块将训练好的回归模型参数和实时预测的手部运动参数传给主控模块;
用于控制假手运动的驱动模块,该驱动模块从主控模块获取已预测的手部运动参数来驱动假手运动;
上述主控模块分别与信号采集模块、反馈模块、数据存储模块、数字信号处理模块和驱动模块相连接,主控模块用于协调管理信号采集模块、反馈模块、数据存储模块、数字信号处理模块和驱动模块;
上述信号采集模块还连接有用于记录EEG的8个电极、用于记录SEMG的2个电极。
在训练时,主控模块先从数据存储模块调出预设的引导球参数,将其传给反馈模块;然后接收来自信号采集模块的EEG和SEMG数据,将EEG和SEMG与引导球运动参数对应起来,并将它们写入数据存储模块生成训练数据集;最后主控模块将数字信号处理模块输出的回归模型参数存入数据存储模块。
在测试时,主控模块接收来自信号采集模块的EEG和SEMG数据,并将它们写入数据存储模块生成测试数据集;从数据存储模块中调出训练好的回归模型参数和测试数据,并将它们传给数字信号处理模块;把数字信号处理模块输出的手部运动参数传给驱动模块。
所述的数字信号模块设有DSP芯片及相应的DDR内存、Flash芯片等外围器件,所述Flash芯片用于固化回归模型参数学习算法和手部运动参数预测算法,DDR内存用于实现数据运算。
所述数据存储模块可由串口硬盘实现;
所述信号采集模块中用于记录EEG的电极有8个,分别粘贴在左右脑头皮的前运动区、主运动区、感觉运动区和后顶骨区。用于记录SEMG的电极有2个,分别粘贴在尺侧腕伸肌和尺侧腕屈肌外皮肤表面。信号采集模块还包括模拟信号放大器和采样器。
所述驱动模块包括可编程步进电动机控制器和步进电动机驱动器,控制假手按照预测的运动参数动作。
所述主控模块可由现场可编程逻辑阵列(Field Programmable Gate Array,FPGA)实现;采用ARM内核或PPC内核,用于控制和管理信号采集模块、数字信号处理模块、数据存储模块和驱动模块。
上述信号采集模块、反馈模块、数字信号处理模块、数据存储模块及驱动模块,均通过主控模块实现接口适配。
所述数字信号模块包括下述模块:
用于对EEG和SEMG进行多频带滤波的预处理模块;
用于计算各频带EEG和SEMG信号幅值或功率的特征提取模块;
用于学习回归模型参数的训练模块,该训练模块的学习算法基于训练数据集内EEG和SEMG的特征以及相应的引导球运动参数;
用于将测试数据集内EEG和SEMG的特征代入回归模型、以预测手部运动参数的预测模块;
用于将学习好的回归模型参数或预测所得的手部运动参数传送给主控模块的结果输出模块;
在训练时,所述预处理模块、特征提取模块、训练模块、结果输出模块依次连接;在测试时,所述预处理模块、特征提取模块、预测模块、结果输出模块依次连接。
上述假手控制系统的控制方法,通过下述步骤实现:
(1)系统启动后,主控模块负责调度并完成数据存储模块、反馈模块、数字信号处理模块、信号采集模块和驱动模块的自检;
(2)主控模块从数据存储模块中调出预设的引导球运动参数,将其传给反馈模块;
(3)反馈模块将引导球的运动显示在图形用户界面上,提示患者使用EEG和SEMG控制假手跟踪引导球运动,然后判断是否为训练状态:
若是,则执行步骤为,(1)主控模块接收来自信号采集模块的EEG和SEMG数据,将它们与引导球运动参数对应起来,生成训练数据集,并保存在数据存储模块;(2)经过一定量的训练,数字信号处理模块从数据存储模块中调用训练数据集,先通过预处理模块对EEG和SEMG进行多频带滤波;然后通过特征提取模块计算各频带EEG和SEMG的幅值或功率特征;接着通过训练模块,学习回归模型参数;最后将学习好的回归模型参数传给主控模块;(3)主控模块将学习好的回归模型参数存入数据存储模块;
若否,则执行步骤为,(a)主控模块先从数据存储模块中调出已学习好的回归模型参数,将其传给数字信号处理模块;然后接收当前来自信号采集模块的EEG和SEMG数据,将它们传给数字信号处理模块;(b)数字信号处理模块接收已学习好的回归模型参数和当前待预测的EEG和SEMG,先通过预处理模块对EEG和SEMG进行多频带滤波;然后通过特征提取模块计算EEG和SEMG在各频带的幅度或功率特征,接着通过预测模块,将EEG和SEMG的特征代入已学习好的回归模型,估计相应的手部运动参数,并将其传给主控模块;(c)主控模块将已预测的手部运动参数传给驱动模块,控制假手运动;将引导球运动参数、预测的手部运动参数传给反馈模块;(d)反馈模块依据引导球运动参数和预测的手部运动参数,将引导球的运动和假手的跟踪运动同时显示在图形用户界面上。
所述预处理模块对EEG和SEMG的预处理包括选择合适的带通频段以及提取EEG和SEMG特征所用的数据长度,即预测步长。
如上所述便可较好的实现本发明。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (4)
1.一种假手控制系统,其特征在于:包括用于记录EEG和SEMG的信号采集模块,该信号采集模块将采集到的EEG和SEMG信号进行放大并转换为数字信号,然后传给主控模块;
用于帮助患者训练的反馈模块,反馈模块提供图形用户界面,让患者控制假手跟踪一个引导球的连续运动,引导球的运动参数预先保存在数据存储模块,测试时,反馈模块从主控模块获取跟踪过程中假手的运动参数,并依据该参数在图形用户界面上显示相应的假手运动,使得患者及时了解控制假手进行跟踪运动的效果,以便患者更快地适应假手控制系统;
用于存储EEG和SEMG信号、特征向量、引导球运动参数、假手运动参数以及回归模型参数的数据存储模块;
用于对EEG和SEMG进行多频带滤波,提取特征向量,训练回归模型参数以及预测手部运动参数的数字信号处理模块,数字信号处理模块将训练好的回归模型参数和实时预测的手部运动参数传给主控模块;
用于控制假手运动的驱动模块,该驱动模块从主控模块获取已预测的手部运动参数来驱动假手运动;
上述主控模块分别与信号采集模块、反馈模块、数据存储模块、数字信号处理模块和驱动模块相连接,主控模块用于协调管理信号采集模块、反馈模块、数据存储模块、数字信号处理模块和驱动模块;
上述信号采集模块还连接有用于记录EEG的8个电极、用于记录SEMG的2个电极。
2.根据权利要求1所述的假手控制系统,其特征在于:所述数字信号模块包括:用于对EEG和SEMG进行多频带滤波的预处理模块;
用于计算各频带EEG和SEMG信号幅值或功率的特征提取模块;
用于学习回归模型参数的训练模块,该训练模块的学习算法基于训练数据集内EEG和SEMG的特征以及相应的引导球运动参数;
用于将测试数据集内EEG和SEMG的特征代入回归模型、以预测手部运动参数的预测模块;
用于将学习好的回归模型参数或预测所得的手部运动参数传送给主控模块的结果输出模块;
在训练时,所述预处理模块、特征提取模块、训练模块、结果输出模块依次连接;在测试时,所述预处理模块、特征提取模块、预测模块、结果输出模块依次连接。
所述驱动模块包括可编程步进电动机控制器和步进电动机驱动器,控制假手按照预测的运动参数动作。
3.根据权利要求1或2中任一项所述假手控制系统的控制方法,其特征在于,包括下述步骤:
(1)系统启动后,主控模块负责调度并完成数据存储模块、反馈模块、数字信号处理模块、信号采集模块和驱动模块的自检;
(2)主控模块从数据存储模块中调出预设的引导球运动参数,将其传给反馈模块;
(3)反馈模块将引导球的运动显示在图形用户界面上,提示患者使用EEG和SEMG控制假手跟踪引导球运动,然后判断是否为训练状态:
若是,则执行步骤为,(1)主控模块接收来自信号采集模块的EEG和SEMG数据,将它们与引导球运动参数对应起来,生成训练数据集,并保存在数据存储模块;(2)经过一定量的训练,数字信号处理模块从数据存储模块中调用训练数据集,先通过预处理模块对EEG和SEMG进行多频带滤波;然后通过特征提取模块计算各频带EEG和SEMG的幅值或功率特征;接着通过训练模块,学习回归模型参数;最后将学习好的回归模型参数传给主控模块;(3)主控模块将学习好的回归模型参数存入数据存储模块;
若否,则执行步骤为,(a)主控模块先从数据存储模块中调出已学习好的回归模型参数,将其传给数字信号处理模块;然后接收当前来自信号采集模块的EEG和SEMG数据,将它们传给数字信号处理模块;(b)数字信号处理模块接收已学习好的回归模型参数和当前待预测的EEG和SEMG,先通过预处理模块对EEG和SEMG进行多频带滤波;然后通过特征提取模块计算EEG和SEMG在各频带的幅度或功率特征,接着通过预测模块,将EEG和SEMG的特征代入已学习好的回归模型,估计相应的手部运动参数,并将其传给主控模块;(c)主控模块将已预测的手部运动参数传给驱动模块,控制假手运动;将引导球运动参数、预测的手部运动参数传给反馈模块;(d)反馈模块依据引导球运动参数和预测的手部运动参数,将引导球的运动和假手的跟踪运动同时显示在图形用户界面上。
4.根据权利要求3所述假手控制系统的控制方法,其特征在于,所述预处理模块对EEG和SEMG的预处理包括选择合适的带通频段以及提取EEG和SEMG特征所用的数据长度,即预测步长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110027167 CN102133139B (zh) | 2011-01-21 | 2011-01-21 | 一种假手控制系统及其控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110027167 CN102133139B (zh) | 2011-01-21 | 2011-01-21 | 一种假手控制系统及其控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102133139A true CN102133139A (zh) | 2011-07-27 |
CN102133139B CN102133139B (zh) | 2013-05-15 |
Family
ID=44293158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110027167 Expired - Fee Related CN102133139B (zh) | 2011-01-21 | 2011-01-21 | 一种假手控制系统及其控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102133139B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102309365A (zh) * | 2011-08-30 | 2012-01-11 | 西安交通大学苏州研究院 | 一种可穿戴的脑控智能假肢 |
CN103690281A (zh) * | 2014-01-04 | 2014-04-02 | 张江杰 | 一种脑电波控制假肢系统 |
CN104398325A (zh) * | 2014-11-05 | 2015-03-11 | 西安交通大学 | 基于场景稳态视觉诱发的脑-肌电控制假肢的装置及方法 |
CN105676639A (zh) * | 2016-01-12 | 2016-06-15 | 西安交通大学 | 一种假手完整抓取操作的并行多模态脑控方法 |
CN107378944A (zh) * | 2017-06-20 | 2017-11-24 | 东南大学 | 一种基于主成分分析法的多维表面肌电信号假手控制方法 |
CN111127521A (zh) * | 2019-10-25 | 2020-05-08 | 上海联影智能医疗科技有限公司 | 用于生成和跟踪目标的形状的系统和方法 |
CN112370340A (zh) * | 2020-11-10 | 2021-02-19 | 四川大学华西医院 | 基于机器学习的足部刺激训练装置的实现方法 |
CN112370339A (zh) * | 2020-11-10 | 2021-02-19 | 四川大学华西医院 | 基于机器学习的手部刺激训练装置的实现方法 |
CN112370341A (zh) * | 2020-11-10 | 2021-02-19 | 四川大学华西医院 | 基于机器学习的耳部刺激训练装置的实现方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5950002A (en) * | 1996-08-13 | 1999-09-07 | General Electric Company | Learn mode script generation in a medical imaging system |
WO2004016182A1 (en) * | 2002-08-19 | 2004-02-26 | Orthosoft Inc. | Graphical user interface for control of implant devices |
CN101057795A (zh) * | 2007-05-18 | 2007-10-24 | 天津大学 | 采用肌电和脑电协同控制的假肢手及其控制方法 |
US20080250341A1 (en) * | 2006-04-06 | 2008-10-09 | Ethicon Endo-Surgery, Inc. | Gui With Trend Analysis for an Implantable Restriction Device and a Data Logger |
WO2008135863A2 (en) * | 2007-05-03 | 2008-11-13 | Motek Bv | Method and system for real tlme interactive dynamic alignment of prosthetics |
CN101711709A (zh) * | 2009-12-07 | 2010-05-26 | 杭州电子科技大学 | 利用眼电和脑电信息的电动假手控制方法 |
-
2011
- 2011-01-21 CN CN 201110027167 patent/CN102133139B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5950002A (en) * | 1996-08-13 | 1999-09-07 | General Electric Company | Learn mode script generation in a medical imaging system |
WO2004016182A1 (en) * | 2002-08-19 | 2004-02-26 | Orthosoft Inc. | Graphical user interface for control of implant devices |
US20080250341A1 (en) * | 2006-04-06 | 2008-10-09 | Ethicon Endo-Surgery, Inc. | Gui With Trend Analysis for an Implantable Restriction Device and a Data Logger |
WO2008135863A2 (en) * | 2007-05-03 | 2008-11-13 | Motek Bv | Method and system for real tlme interactive dynamic alignment of prosthetics |
CN101057795A (zh) * | 2007-05-18 | 2007-10-24 | 天津大学 | 采用肌电和脑电协同控制的假肢手及其控制方法 |
CN101711709A (zh) * | 2009-12-07 | 2010-05-26 | 杭州电子科技大学 | 利用眼电和脑电信息的电动假手控制方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102309365A (zh) * | 2011-08-30 | 2012-01-11 | 西安交通大学苏州研究院 | 一种可穿戴的脑控智能假肢 |
CN103690281A (zh) * | 2014-01-04 | 2014-04-02 | 张江杰 | 一种脑电波控制假肢系统 |
CN104398325A (zh) * | 2014-11-05 | 2015-03-11 | 西安交通大学 | 基于场景稳态视觉诱发的脑-肌电控制假肢的装置及方法 |
CN104398325B (zh) * | 2014-11-05 | 2016-08-03 | 西安交通大学 | 基于场景稳态视觉诱发的脑-肌电控制假肢的装置及方法 |
CN105676639A (zh) * | 2016-01-12 | 2016-06-15 | 西安交通大学 | 一种假手完整抓取操作的并行多模态脑控方法 |
CN105676639B (zh) * | 2016-01-12 | 2018-12-07 | 西安交通大学 | 一种假手完整抓取操作的并行多模态脑控方法 |
CN107378944A (zh) * | 2017-06-20 | 2017-11-24 | 东南大学 | 一种基于主成分分析法的多维表面肌电信号假手控制方法 |
CN111127521A (zh) * | 2019-10-25 | 2020-05-08 | 上海联影智能医疗科技有限公司 | 用于生成和跟踪目标的形状的系统和方法 |
CN111127521B (zh) * | 2019-10-25 | 2024-03-01 | 上海联影智能医疗科技有限公司 | 用于生成和跟踪目标的形状的系统和方法 |
CN112370340A (zh) * | 2020-11-10 | 2021-02-19 | 四川大学华西医院 | 基于机器学习的足部刺激训练装置的实现方法 |
CN112370339A (zh) * | 2020-11-10 | 2021-02-19 | 四川大学华西医院 | 基于机器学习的手部刺激训练装置的实现方法 |
CN112370341A (zh) * | 2020-11-10 | 2021-02-19 | 四川大学华西医院 | 基于机器学习的耳部刺激训练装置的实现方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102133139B (zh) | 2013-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102133139B (zh) | 一种假手控制系统及其控制方法 | |
Tangermann et al. | Review of the BCI competition IV | |
US6952687B2 (en) | Cognitive state machine for prosthetic systems | |
CN104383637B (zh) | 一种培训辅助设备和培训辅助方法 | |
CN110555468A (zh) | 一种联合递归图和cnn的脑电信号识别方法及系统 | |
Tavakolan et al. | Classifying three imaginary states of the same upper extremity using time-domain features | |
Norani et al. | A review of signal processing in brain computer interface system | |
CN105708436A (zh) | 一种心理调节方法及装置 | |
Nsugbe et al. | Phantom motion intent decoding for transhumeral prosthesis control with fused neuromuscular and brain wave signals | |
WO2020118797A1 (zh) | 假肢控制方法、装置、系统、设备和存储介质 | |
CN109976525A (zh) | 一种用户界面交互方法、装置及计算机设备 | |
Gauthaam et al. | EMG controlled bionic arm | |
Ha et al. | Decoding two-class motor imagery EEG with capsule networks | |
CN104793493A (zh) | 一种基于实时神经网络的半自动睡眠分期装置 | |
CN111700718A (zh) | 一种识别握姿的方法、装置、假肢及可读存储介质 | |
Nsugbe et al. | Shoulder girdle recognition using electrophysiological and low frequency anatomical contraction signals for prosthesis control | |
Kim et al. | Enhanced recognition of amputated wrist and hand movements by deep learning method using multimodal fusion of electromyography and electroencephalography | |
CN103488995A (zh) | 一种识别颈部转动的方法 | |
Hu et al. | Real-time continuous hand motion myoelectric decoding by automated data labeling | |
Wang et al. | Upper limb movement recognition utilising EEG and EMG signals for rehabilitative robotics | |
Golz et al. | Prediction of immediately occurring microsleep events from brain electric signals | |
Guo et al. | Research on multi-modal emotion recognition based on speech, EEG and ECG signals | |
Swaminathan et al. | Brain computer interface used in health care technologies | |
Hua et al. | Recognition of Electromyographic Signal Time Series on Daily Hand Motions Based on Long Short-Term Memory Network. | |
CN113146618A (zh) | 机械臂的控制方法、系统、电子设备及存储介质 |
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: 20130515 |
|
CF01 | Termination of patent right due to non-payment of annual fee |