CN102178524A - 基于同步似然的脑肌电协同性分析方法 - Google Patents
基于同步似然的脑肌电协同性分析方法 Download PDFInfo
- Publication number
- CN102178524A CN102178524A CN 201110134902 CN201110134902A CN102178524A CN 102178524 A CN102178524 A CN 102178524A CN 201110134902 CN201110134902 CN 201110134902 CN 201110134902 A CN201110134902 A CN 201110134902A CN 102178524 A CN102178524 A CN 102178524A
- Authority
- CN
- China
- Prior art keywords
- signal
- electromyographic
- signals
- electrode
- likelihood
- 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
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及康复工程领域及运动机制研究领域。为能够完整保留脑电信号与肌电信号的全波段信息,在时域与频域均得到全面的协同性评价结果,从而改善医疗辅助设施的评价参数及运动机制评价参数,本发明采取的技术方案是,基于同步似然的脑肌电协同性分析方法,包括下列步骤:(1)信号采集包括:1.1脑电信号采集;1.2肌电信号采集;(2)数据处理包括:1.1数据预处理:使用巴特沃斯三阶带通滤波器分别对脑电信号和肌电信号进行滤波处理,根据信号的有效频段特征,选取脑电信号截止频率:2Hz和40Hz;肌电信号截止频率:2Hz和200Hz;1.2同步似然分析方法。本发明主要应用于康复器械设计制造。
Description
技术领域
本发明涉及康复工程领域及运动机制研究领域,具体是涉及基于同步似然的脑肌电协同性分析方法。
背景技术
脑电(EEG)信号与肌电(EMG)信号,分别作为人体指令中心和执行末端的代表性信号,在机体运动功能领域的重要性不言而喻。二十世纪末,对于两信号相关性分析的研究就已展开。1995年,Conway等人同时记录下平稳握力状态的脑磁信号(MEG)与肌电数据,通过分析不同信号的自功率谱及信号间互谱信息,初步得到不同波段范围脑电与肌电的相关信息。之后的研究逐渐使用脑电信号获取脑部信息,并着重于进一步探究脑皮质-肌肉的相关性(Corticomuscular coherence)。进入二十一世纪以后,对于脑皮质-肌肉的相关性研究趋于多样化:针对如皮质下中风、帕金森症等与运动机制的多种疾病的疾病,对其病理机制,运动障碍产生来源等进行初步探究(Mima和Toma,2001;Mckeown和Palmer,2006;Muthuraman和Reathjen,2008);针对如芭蕾舞者,运动员等不同人群,对其不同肌肉功能水平,运动协调能力作出相关脑源性分析(Reathjeh和Lindemann,2002;Muthuraman和Heute,2010);针对不同脑电及同步化频率波段,对脑电与肌电相关性来源进行全面的功能性分析(Omlor和Patino,2007;Kristeva和Patino,2007;Chakarov和Naranjo,2009)。相对于独立的信号分析,相关性分析可以更加直接准确地反映信号间的联系,这使得基于脑电肌电相关性分析的研究具有广泛的应用价值:可深入了解某些运动障碍性疾病(例如帕金森症)的病理机制,为病后功能修复和替代提供有效依据及新途径;可有效改善运动型损伤恢复期的康复方法;可提高人体运动水平和平衡能力的评估研究手段。
传统的相关性分析主要通过相干系数来判定信号间的协同关系。由相干系数定义可知,它是用功率谱对多谱进行规范化的结果,可以反映出信号间不同频率的协同关系。但相干系数有其局限性,仅可反应出信号频谱分析部分波段的信息。
发明内容
为克服现有技术的不足,提供基于同步似然的脑肌电协同性分析方法,该方法能够完整保留脑电信号与肌电信号的全波段信息,在时域与频域均得到全面的协同性评价结果,从而改善医疗辅助设施的评价参数及运动机制评价参数,为达上述目的,本发明采取的技术方案是,基于同步似然的脑肌电协同性分析方法,包括下列步骤:
(1)信号采集包括:
1.1脑电信号采集
脑电信号的采集采用国际标准10-20电极放置标准,通过电极帽将电极与头皮相连,采用单级导联法,A1、A2导联分别连接到左右耳垂作为无关电极使用;
1.2肌电信号采集;
(2)数据处理包括:
1.1数据预处理:
使用含50Hz工频陷波巴特沃斯三阶带通滤波器分别对脑电信号和肌电信号进行滤波处理,根据信号的有效频段特征,选取脑电信号截止频率:2Hz和40Hz;肌电信号截止频率:2Hz和200Hz;
1.2同步似然分析方法
同步似然的定义如下:
首先,对实时记录的长为M的序列xk,i(其中k表示所采集第k道信号,i表示每列信号点数)进行“时间驰豫”延拓,重新生成嵌入向量Xk,i
Xk,i=(xk,i,xk,i+1,xk,i+21,...,xk,i+(m1)1) (1)
其中i表示延迟长度,m表示嵌入维数;
对于每列信号(第k道)的每个时间点(第i点)定义嵌入向量与其他各点距离小于ε的概率值Pε k,i
此处|·|表示欧式距离,θ表示阶跃函数,即x≤0时,θ(x)=0且x≥0时,θ(x)=1;w1和w2分别为两窗宽,w1,w2需满足条件w1<<w2<<N,而临界距离εk,i的取值由Pε k,i=pref取得,而pref依靠经验值选取,且取值上pref<<1,在满足窗函数条件(w1<|i-j|<w2)下,嵌入向量Xk,i和Xk,j的距离小于临界距离εk,i的信号列的个数Hi,j:
对于每道信号(第k道)以及离散时间对(i,j)的同步似然Sk,i,j:
若
若|Xk,i-Xk,j|≥εk,i,Sk,i,j=0 (5)
通过对所有满足条件j值求和,最终得到对于时间的同步似然Sk,i:
同步似然Sk,i是衡量第k道信号与其他M-1道信号同步化程度高低与否的数值,其数值范围为0-1。
所述肌电信号采集具体为:
肌电数据采集过程中所涉及肌肉是尺侧腕屈肌,尺侧腕屈肌的作用是屈腕、内收腕关节,电极放置于右侧前臂尺侧腕屈肌肌腹最丰满处稍下方,即右肱骨内上髁与豌豆骨连线的上1/5处,体表皮肤经处理后,粘贴电极,固定导联线,伸展手掌数次,在线记录肌电信号约20s,检查信噪比负荷要求,采集前需先测定各位使用者最大自主等长收缩(Maximal VoluntaryIsometric Contraction,MVIC)状态下的肌电信号,测定MVC实验中采取的动作是使用者坐姿,右侧上臂紧贴躯干,肘部保持弯曲约90°,手心朝上,手握握力传感器用力,要求使用者使出其最大肌力动作持续4-5秒,不使用爆发力,重复三次,取最大值的均值为结果,采集中,受试者握力分别达到20%MVC、40%MVC、60%MVC、80%MVC。
本发明具有以下技术效果:
本发明利用同步似然新方法进行脑电与肌电信号的协同性分析,通过同步采集不同外源刺激下脑电与肌电数据,从源信号自身特点出发,完整保留脑电信号与肌电信号的全波段信息,在时域与频域均得到全面的协同性评价结果,从而改善医疗辅助设施的评价参数及运动机制评价参数,并获得可观的社会效益和经济效益
附图说明
图1系统数据采集界面。
图2脑电导联示意图。
图3表面电极定位于尺侧腕屈肌肌腹稍下方。
图4参考电极定位于豌豆骨。
图518s内同步似然值随时间变化结果(四组EEG信号同步似然结果)。
图6肌电信号同步似然值随时间变化结果。
图7四种握力状态下EMG信号的同步似然值握力期与非握力期的差值结果。
具体实施方式
电生理信号就其来源而言,可看作从由多个相互影响子系统组成的复杂系统中所采集的信号,这就使得脑电信号和肌电信号具有非线性,非平稳的特点,而相干系数等频谱分析方法仅对线性和相互依存对称的数据具有最大敏感度。本发明所设计的同步似然方法就是针对非线性非平稳系统所产生的多元信号而进行的以时域为主的评价技术,通过利用同步似然对脑电肌电协同性的分析,可获得在不同外源刺激下,脑电肌电同步化的准确信息。
1.1系统设置及数据采集
图1为本系统数据采集的交互式人机界面,可以用来建立真实仪器仪表的操作面板,前面板上的握力值可实时显示实验不同握力输入产生的电压信号,脑电可实时多道脑电信号幅值,同理,肌电可显示不同外界条件的实时握力幅值。显示采样时间可以通过前面板调整,采集到的电压信号以txt文件格式存储,供后续研究分析使用。
系统使用过程中,需要每名使用者在固定肌电电极和脑电电极后,静坐在屏幕前,随着握力值指示灯的提示变化进行相应握力操作。
1.1.1脑电信号采集
脑电信号的采集采用国际标准10-20电极放置标准,通过电极帽将电极与头皮相连。因为大脑控制人体的运动区域在C3、C4,F3、F4区域比较明显,所以EEG信号在C3、C4、F3、F4处进行采集。采用单级导联法,A1、A2导联分别连接到左右耳垂作为无关电极使用,如图2所示:
1.1.2肌电信号采集
肌电数据采集过程中所涉及肌肉是尺侧腕屈肌。尺侧腕屈肌的作用是屈腕、内收腕关节。电极放置于右侧前臂尺侧腕屈肌肌腹最丰满处稍下方,即右肱骨内上髁与豌豆骨连线的上1/5处。体表皮肤经处理后,粘贴电极,固定导联线。伸展手掌数次,在线记录肌电信号约20s,检查信噪比负荷要求。
采集前需先测定各位使用者最大自主等长收缩(Maximal Voluntary IsometricContraction,MVIC)状态下的肌电信号。测定MVC实验中采取的动作是使用者坐姿,右侧上臂紧贴躯干,肘部保持弯曲约90°,手心朝上,手握握力传感器用力。要求使用者使出其最大肌力动作持续4-5秒,不使用爆发力,重复三次,取最大值的均值为结果。采集中,受试者握力分别达到20%MVC、40%MVC、60%MVC、80%MVC。
1.2数据处理
1.2.1数据预处理
由于收集的原始数据混有大量背景噪声,在数据分析之前,需要对原始数据进行预处理,使用巴特沃斯三阶带通滤波器(含50Hz工频陷波)分别对脑电信号和肌电信号进行滤波处理,根据信号的有效频段特征,选取脑电信号截止频率:2Hz和40Hz;肌电信号截止频率:2Hz和200Hz。
1.2.2同步似然分析方法
同步似然的定义如下:
首先,我们对实时记录的长为M的序列xk,i(其中k表示所采集第k道信号,i表示每列信号点数)进行“时间驰豫”延拓,重新生成嵌入向量Xk,i
Xk,i=(xk,i,xk,i+1,xk,i+21,...,xk,i+(m1)1) (1)
其中i表示延迟长度,m表示嵌入维数。
对于每列信号(第k道)的每个时间点(第i点)定义嵌入向量与其他各点距离小于ε的概率值Pε k,i
此处|·|表示欧式距离,θ表示阶跃函数,即x≤0时,θ(x)=0且x≥0时,θ(x)=1。w1和w2分别为两窗宽,w1,w2需满足条件w1<<w2<<N。而临界距离εk,i的取值由Pε k,i=pref取得。而pref依靠经验值选取,且取值上pref<<1。这样我们就可以定义,在满足窗函数条件(w1<|i-j|<w2)下,嵌入向量Xk,i和Xk,j的距离小于临界距离εk,i的信号列的个数Hi,j:
下一步就可以定义对于每道信号(第k道)以及离散时间对(i,j)的同步似然Sk,i,j:
若
若|Xk,i-Xk,j|≥εk,i,Sk,i,j=0 (5)
通过对所有满足条件j值求和,最终得到对于时间的同步似然Sk,i:
同步似然Sk,i是衡量第k道信号与其他M-1道信号同步化程度高低与否的数值。其数值范围为0-1。
有益效果
为了考察本发明在脑电肌电协同性分析方面的可靠性和可行性,进行了相关的外源激励测试。遵照上文所示测试流程,通过同时采集相关导联脑电信号与肌电信号,经同步似然分析,得到初步结果。
本次测试对一个周期(18s)内四组脑电信号及一组肌电信号进行同步似然值计算。其中在5s-13s(即一周期的中心8s)阶段为握力输出状态,而0s-5s及13s-18s为放松状态。图5为四道脑电信号的同步似然值结果,对应关系如下:
Channel 1-C3道EEG信号;
Channel 2-C4道EEG信号;
Channel 3-F3道EEG信号;
Channel 4-F4道EEG信号;
图6显示了肌电信号的同步似然值结果。
通过对多组数据进行图形分析,发现EMG信号相较其他多道EEG信号,在握力段的变化规律更为明显。我们取EMG信号的同步似然值作为对象,分析了在四种握力状态下,每握力周期内握力期与非握力期的同步似然差值,结果显示如图7所示。
通过对不同测试对象不同次实验的不同握力周期的同步似然值计算,发现同步似然在握力状态下相比于非握力状态均有下降趋势。而通过对一位测试对象的不同次实验结果观察,发现通过对比握力状态与非握力状态的均值差,随着握力的增加,该差值有逐渐增大趋势。该测试初步验证了同步似然在脑肌电协同性分析中的实用前景,在克服信号本身非线性非平稳性的基础上,得到明显的测试效果,为进一步应用于实际领域,如运动辅助设施监测及人体运动水平评估等方面,提供了良好的科学依据和应用基础。
本发明提供了用于脑电肌电协同性分析的新方法,针对脑电信号和肌电信号自身非平稳非线性的特点,有效捕捉源信号的同步信息,从而为康复辅助设备监测和机体运动水平评估提供新评价参数,在康复工程领域及运动机制研究领域均有实用的应用前景。最佳实施方案拟采用专利转让、技术合作或产品开发。
Claims (2)
1.一种基于同步似然的脑肌电协同性分析方法,其特征是,包括以下步骤:
(1)信号采集包括:
1.1脑电信号采集
脑电信号的采集采用国际标准10-20电极放置标准,通过电极帽将电极与头皮相连,采用单级导联法,A1、A2导联分别连接到左右耳垂作为无关电极使用;
1.2肌电信号采集;
(2)数据处理包括:
1.1数据预处理:
使用巴特沃斯三阶带通滤波器(含50Hz工频陷波)分别对脑电信号和肌电信号进行滤波处理,根据信号的有效频段特征,选取脑电信号截止频率:2Hz和40Hz;肌电信号截止频率:2Hz和200Hz;
1.2同步似然分析方法
同步似然的定义如下:
首先,对实时记录的长为M的序列xk,i(其中k表示所采集第k道信号,i表示每列信号点数)进行“时间驰豫”延拓,重新生成嵌入向量Xk,i
Xk,i=(xk,i,xk,i+1,xk,i+21,...,xk,i+(m1)1) (1)
其中i表示延迟长度,m表示嵌入维数;
对于每列信号(第k道)的每个时间点(第i点)定义嵌入向量与其他各点距离小于ε的概率值Pε k,i
此处|·|表示欧式距离,θ表示阶跃函数,即x≤0时,θ(x)=0且x≥0时,θ(x)=1;w1和w2分别为两窗宽,w1,w2需满足条件w1<<w2<<N,而临界距离εk,i的取值由Pε k,i=pref取得,而pref依靠经验值选取,且取值上pref<<1,在满足窗函数条件(w1<|i-j|<w2)下,嵌入向量Xk,i和Xk,j的距离小于临界距离εk,i的信号列的个数Hi,j:
对于每道信号(第k道)以及离散时间对(i,j)的同步似然Sk,i,j:
若
若|Xk,i-Xk,j|≥εk,i,Sk,i,j=0 (5)
通过对所有满足条件j值求和,最终得到对于时间的同步似然Sk,i:
同步似然Sk,i是衡量第k道信号与其他M-1道信号同步化程度高低与否的数值,其数值范围为0-1。
2.如权利要求1所述的方法,其特征是,所述肌电信号采集具体为:
肌电数据采集过程中所涉及肌肉是尺侧腕屈肌,尺侧腕屈肌的作用是屈腕、内收腕关节,电极放置于右侧前臂尺侧腕屈肌肌腹最丰满处稍下方,即右肱骨内上髁与豌豆骨连线的上1/5处,体表皮肤经处理后,粘贴电极,固定导联线,伸展手掌数次,在线记录肌电信号约20s,检查信噪比负荷要求,采集前需先测定各位使用者最大自主等长收缩(MaximalVoluntary Isometric Contraction,MVIC)状态下的肌电信号,测定MVC实验中采取的动作是使用者坐姿,右侧上臂紧贴躯干,肘部保持弯曲约90°,手心朝上,手握握力传感器用力,要求使用者使出其最大肌力动作持续4-5秒,不使用爆发力,重复三次,取最大值的均值为结果,采集中,受试者握力分别达到20%MVC、40%MVC、60%MVC、80%MVC。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110134902A CN102178524B (zh) | 2011-05-23 | 2011-05-23 | 基于同步似然的脑肌电协同性分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110134902A CN102178524B (zh) | 2011-05-23 | 2011-05-23 | 基于同步似然的脑肌电协同性分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102178524A true CN102178524A (zh) | 2011-09-14 |
CN102178524B CN102178524B (zh) | 2012-09-05 |
Family
ID=44564937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110134902A Active CN102178524B (zh) | 2011-05-23 | 2011-05-23 | 基于同步似然的脑肌电协同性分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102178524B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102488514A (zh) * | 2011-12-09 | 2012-06-13 | 天津大学 | 基于自主、刺激动作模态下的脑肌电相关性的分析方法 |
CN102488515A (zh) * | 2011-12-09 | 2012-06-13 | 天津大学 | 基于自主动作、想象动作下脑肌电信号联合分析方法 |
CN102613972A (zh) * | 2012-03-28 | 2012-08-01 | 西安电子科技大学 | 运动想象脑电信号特征的提取方法 |
CN105205317A (zh) * | 2015-09-10 | 2015-12-30 | 清华大学 | 一种用于反映至少两个参与者的协作程度的方法以及设备 |
CN109247935A (zh) * | 2018-10-31 | 2019-01-22 | 山东大学 | 一种人体夜间睡眠异常状态监测系统及方法 |
CN109318207A (zh) * | 2018-11-07 | 2019-02-12 | 西安交通大学 | 一种利用肌电定时的下肢运动准备电位检测系统及方法 |
CN109864740A (zh) * | 2018-12-25 | 2019-06-11 | 北京津发科技股份有限公司 | 一种运动状态的表面肌电信号采集传感器和设备 |
CN110464343A (zh) * | 2019-08-16 | 2019-11-19 | 杭州电子科技大学 | 一种基于自主手部动作的增强型脑肌相干方法 |
CN115114962A (zh) * | 2022-07-19 | 2022-09-27 | 歌尔股份有限公司 | 基于表面肌电信号的控制方法、装置及可穿戴设备 |
CN116269434A (zh) * | 2023-02-27 | 2023-06-23 | 江苏乐易智慧科技有限公司 | 一种脑电肌电信号采集装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006121455A1 (en) * | 2005-05-10 | 2006-11-16 | The Salk Institute For Biological Studies | Dynamic signal processing |
CN101352337A (zh) * | 2007-12-25 | 2009-01-28 | 天津大学 | 站起想象动作脑电的信号采集和特征提取方法 |
CN101869477A (zh) * | 2010-05-14 | 2010-10-27 | 北京工业大学 | 一种自适应脑电信号中眼电伪迹的自动去除方法 |
-
2011
- 2011-05-23 CN CN201110134902A patent/CN102178524B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006121455A1 (en) * | 2005-05-10 | 2006-11-16 | The Salk Institute For Biological Studies | Dynamic signal processing |
CN101352337A (zh) * | 2007-12-25 | 2009-01-28 | 天津大学 | 站起想象动作脑电的信号采集和特征提取方法 |
CN101869477A (zh) * | 2010-05-14 | 2010-10-27 | 北京工业大学 | 一种自适应脑电信号中眼电伪迹的自动去除方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102488514A (zh) * | 2011-12-09 | 2012-06-13 | 天津大学 | 基于自主、刺激动作模态下的脑肌电相关性的分析方法 |
CN102488515A (zh) * | 2011-12-09 | 2012-06-13 | 天津大学 | 基于自主动作、想象动作下脑肌电信号联合分析方法 |
CN102488515B (zh) * | 2011-12-09 | 2013-07-31 | 天津大学 | 基于自主动作、想象动作下脑肌电信号联合分析方法 |
CN102488514B (zh) * | 2011-12-09 | 2013-10-23 | 天津大学 | 基于自主、刺激动作模态下的脑肌电相关性的分析方法 |
CN102613972A (zh) * | 2012-03-28 | 2012-08-01 | 西安电子科技大学 | 运动想象脑电信号特征的提取方法 |
CN105205317B (zh) * | 2015-09-10 | 2017-12-15 | 清华大学 | 一种用于反映至少两个参与者的协作程度的方法以及设备 |
CN105205317A (zh) * | 2015-09-10 | 2015-12-30 | 清华大学 | 一种用于反映至少两个参与者的协作程度的方法以及设备 |
CN109247935A (zh) * | 2018-10-31 | 2019-01-22 | 山东大学 | 一种人体夜间睡眠异常状态监测系统及方法 |
CN109318207A (zh) * | 2018-11-07 | 2019-02-12 | 西安交通大学 | 一种利用肌电定时的下肢运动准备电位检测系统及方法 |
CN109864740A (zh) * | 2018-12-25 | 2019-06-11 | 北京津发科技股份有限公司 | 一种运动状态的表面肌电信号采集传感器和设备 |
CN110464343A (zh) * | 2019-08-16 | 2019-11-19 | 杭州电子科技大学 | 一种基于自主手部动作的增强型脑肌相干方法 |
CN115114962A (zh) * | 2022-07-19 | 2022-09-27 | 歌尔股份有限公司 | 基于表面肌电信号的控制方法、装置及可穿戴设备 |
CN116269434A (zh) * | 2023-02-27 | 2023-06-23 | 江苏乐易智慧科技有限公司 | 一种脑电肌电信号采集装置 |
CN116269434B (zh) * | 2023-02-27 | 2024-01-23 | 江苏乐易智慧科技有限公司 | 一种脑电肌电信号采集装置 |
Also Published As
Publication number | Publication date |
---|---|
CN102178524B (zh) | 2012-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102178524B (zh) | 基于同步似然的脑肌电协同性分析方法 | |
Luo et al. | A low-cost end-to-end sEMG-based gait sub-phase recognition system | |
Cifrek et al. | Surface EMG based muscle fatigue evaluation in biomechanics | |
CN106073702B (zh) | 基于小波-传递熵的多时频尺度间脑肌电耦合分析方法 | |
Farina et al. | Motor unit recruitment strategies investigated by surface EMG variables | |
Ergeneci et al. | An embedded, eight channel, noise canceling, wireless, wearable sEMG data acquisition system with adaptive muscle contraction detection | |
CN102488515B (zh) | 基于自主动作、想象动作下脑肌电信号联合分析方法 | |
CN105054927A (zh) | 一种下肢康复系统中主动参与度的生物量化评估方法 | |
CN103584855B (zh) | 脑肌电同步采集及信息传递特性分析方法 | |
CN104107134A (zh) | 基于肌电反馈的上肢训练方法及系统 | |
CN107822629B (zh) | 四肢表面肌电轴的检测方法 | |
Medved et al. | Kinesiological electromyography | |
Jose et al. | Classification of forearm movements from sEMG time domain features using machine learning algorithms | |
CN104571504A (zh) | 一种基于想象动作的在线脑-机接口方法 | |
CN107411741A (zh) | 基于相干性—非负矩阵分解的多通道肌电耦合特性分析方法 | |
CN103054575A (zh) | 基于电刺激作用后静态肌电研究肌疲劳的方法 | |
Wang et al. | A simulation model of the surface EMG signal for analysis of muscle activity during the gait cycle | |
Zhang et al. | Using textile electrode EMG for prosthetic movement identification in transradial amputees | |
Pereira et al. | Hand dominance during constant force isometric contractions: evidence of different cortical drive commands | |
Khanam et al. | Muscle activity estimation through surface EMG analysis during salat | |
CN103399627B (zh) | 基于变频闪烁刺激的脑-机接口范式 | |
Huang et al. | A comparison of assessment methods for muscle fatigue in muscle fatigue contraction | |
Farina et al. | Estimation of muscle fiber conduction velocity from two-dimensional surface EMG recordings in dynamic tasks | |
Awad et al. | Compare EMG signals by using Myo-Ware muscle sensor and Myo-Trace device for measuring the electrical activity of the muscles | |
CN103268149B (zh) | 一种基于脑机接口的实时主动式系统控制方法 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210301 Address after: Room 50, room 03, 8 / F, phase I, zhikongjian Plaza, Southeast of the intersection of Huizhi North Road and Huizhi Ring Road, Dongli Lake, Tianjin Patentee after: Yuxi Technology (Tianjin) Co.,Ltd. Address before: 300072 Tianjin City, Nankai District Wei Jin Road No. 92 Patentee before: Tianjin University |