CN102614061A - 基于肌音信号的人体上肢功能康复训练实现方法 - Google Patents

基于肌音信号的人体上肢功能康复训练实现方法 Download PDF

Info

Publication number
CN102614061A
CN102614061A CN2012100501665A CN201210050166A CN102614061A CN 102614061 A CN102614061 A CN 102614061A CN 2012100501665 A CN2012100501665 A CN 2012100501665A CN 201210050166 A CN201210050166 A CN 201210050166A CN 102614061 A CN102614061 A CN 102614061A
Authority
CN
China
Prior art keywords
upper limb
muscle signals
muscle
signal
mmg
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.)
Pending
Application number
CN2012100501665A
Other languages
English (en)
Inventor
易金花
喻洪流
李继才
赵胜楠
官龙
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.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for 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 University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN2012100501665A priority Critical patent/CN102614061A/zh
Publication of CN102614061A publication Critical patent/CN102614061A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及一种基于肌音信号的人体上肢功能康复训练实现方法，通过安放在肌肉皮肤表面的压电传感器采集人体生理随机肌音信号MMG，采集到的肌音信号蕴含肌肉收缩动作信息，信号经过预处理电路进行放大滤波，然后经过A/D转换电路进行模拟数字转换，再通过数据采集卡导入PC机并先后进行特征提取和模式识别处理，输出代表肌肉不同动作模式的控制信号，以控制在虚拟现实环境中的三维人体上肢模型运动，受试者可以根据虚拟环境中的视觉反馈实时对虚拟环境中的人体上肢模型进行不同MVC%动作模式的控制，最终实现了功能康复训练的目的。本发明的准确性和稳定性较高，能够实现产业化目标以及扩大适用者人群。

Description

基于肌音信号的人体上肢功能康复训练实现方法
技术领域
本发明涉及一种医疗设备控制系统，特别涉及一种基于肌音信号的人体上肢功能康复训练实现方法。
背景技术
肌音信号MMG是肌肉收缩产生肌力的过程中肌纤维由于分布不均匀等因素发生侧向振动而表现为宏观上的发出机械波的一种力学现象。其主要特点有：信号幅值大；平稳性好；抗干扰能力强等。MMG信号本质属于机械振动信号的相比于传统肌电信号；另外还受其他一些外在因素影响，例如肌肉疲劳、皮肤潮湿等，因此，一个重要发展方向。
目前，国内外在肌音信号以及肌音信号的应用方面的研究取得了一些进展，Oster 和Jaffe（1980）发现肌音信号强度与肌肉紧张程度成正比。Orizio通过对比不同频率的电激励加到肌肉纤维运动单元所引起的肌音信号，以及分析时域和频域信号的特性得出肌音信号的成因和频率分布规律,而且证明了肌音信号反映着肌肉运动单元的恢复补充和激励频率。Barry（1986）提出肌音信号可以用于假肢控制，并作了初期研究尝试。Bertrand Diemontd等通过利用FFT 和MESE 对肌音信号进行分析，证实了功率谱方法可以提取肌音信号中蕴含的肌肉动作信息。Travis W利用小波分析和小波变换方法对非平稳肌音信号进行分析，验证了肌肉进行不同动作时所产生的肌音信号存在差异。
目前在国外，肌音信号已开始应用于肌肉功能检测及肌肉控制的相关领域研究，如检测肌肉疲劳度，肌肉纤维分布，肌肉疲劳度，以及人体假肢控制。
因此实现基于肌音信号控制的、具有生物反馈与患者主动参与功能的康复训练，为卒后功能康复训练治疗探索了一条新途径。
发明内容
本发明是针对复训中肌肉收缩产生肌力的过程中肌纤维分布不均匀，测试控制困难的问题，提出了一种基于肌音信号的人体上肢功能康复训练实现方法，此方法可以进行实时调节，精度和稳定性高。
本发明的技术方案为：一种基于肌音信号的人体上肢功能康复训练实现方法，将MMG肌音信号传感器固定在人体上肢肱二头肌的表皮处，将肌音信号转化为电压信号，经由前置放大电路将信号放大到伏特级别输出，输出信号通过有源低通有源滤波电路滤掉信号中含有的高频部分后，经过A/D转换模块进行数模转换，将模拟肌音信号转换成肌音数字信号，数字信号采集模块采集肌音数字信号导入PC机，通过PC机内数字信号处理软件对肌音信号进行特征提取，再通过PC机内的模式识别模块对所提取的肌音信号特征进行动作模式分类，最后输出控制信号控制虚拟现实反馈模块进行虚拟环境中3D上肢的动作反馈，调整训练动作方式。
所述MMG信号传感器采用压电材料原理的肌振传感器；所述前置预处理电路选用LM324放大器；所述有源低通滤波电路选用巴特沃兹低通有源滤波器，截止频率设定为100Hz；所述A/D转化模块以及数字信号采集模块选用NI-PCI6221数据采集卡；数字信号处理和特征提取模块以及动作模式识别模块为基于PC机上的Matlab软件工作环境；虚拟现实环境中的人体上肢模型建模以及界面动画反馈选用多体动力学仿真分析软件Adams。
所述PC机内数字信号处理软件对肌音信号进行特征提取的方法，分别从MMG信号中提取时域，频域和时频域的数字特征，具体方法如下：
1）MMG肌音信号时域特征均方根计算采用的方法：对上肢肱二头肌肌肉收缩运动时采集到的数字MMG信号，以1024个采样点为一组，进行分组，取加权平均，如果用                                               
Figure 833622DEST_PATH_IMAGE002
表示第
Figure 4578DEST_PATH_IMAGE004
组采样点的MMG信号时域序列， 
Figure 675731DEST_PATH_IMAGE006
表示求均值后的第
Figure 36174DEST_PATH_IMAGE004
组采样点的均方根值：
Figure 46855DEST_PATH_IMAGE008
 
Figure 77128DEST_PATH_IMAGE010
对于采样序列尾部的可能不满1024个采样点，直接用其前一组采样点的均值，代替最后一组MMG信号均方根；
2）MMG肌音信号频域特征中值频率的计算方法：
如果数字肌音信号序列为
Figure 986309DEST_PATH_IMAGE012
，其自相关序列为
Figure 760230DEST_PATH_IMAGE014
则：
Figure 625418DEST_PATH_IMAGE016
通过自相关函数法求的的功率谱密度估计为
Figure 764275DEST_PATH_IMAGE018
满足：
Figure 659288DEST_PATH_IMAGE020
其中
Figure 909004DEST_PATH_IMAGE022
为采样时间间隔，可选取
Figure 956594DEST_PATH_IMAGE022
为500Hz，进而求的MMG肌音信号频域特征中值频率MPF为：
3）MMG肌音信号AR自回归模型特征参数A矩阵的计算方法：Yule-Walker法，又称为自相关方法，是从随机信号序列的自相关序列计算中指出一定阶数的AR模型参数，Yule-Walker方程的求解可以通过递推算法Levinson-Durbin来实现，具体求解如下矩阵方程：
其中
Figure 203533DEST_PATH_IMAGE028
,…, 
Figure 105630DEST_PATH_IMAGE030
是自回归模型，
Figure 586290DEST_PATH_IMAGE032
,…, 
Figure 190315DEST_PATH_IMAGE034
为相关系数，称为Toeplitz自相关阵，因此只要知道信号的自相关系数就可以求得各个系数
Figure 109730DEST_PATH_IMAGE036
。
所述通过PC机内的调用模式识别模块对所提取的肌音信号特征进行动作模式分类，动作模式分类采用线性分类器方法，方法如下：设
Figure 804016DEST_PATH_IMAGE038
是样本空间
Figure 268627DEST_PATH_IMAGE040
中的特征向量，
Figure 313943DEST_PATH_IMAGE042
， 是向量
Figure 719889DEST_PATH_IMAGE048
通过变换
Figure 49239DEST_PATH_IMAGE050
得到的标量，则它是一维的，对于给定的，
Figure 464488DEST_PATH_IMAGE046
就是判决函数的值；令
Figure 723431DEST_PATH_IMAGE052
，那么
Figure 540077DEST_PATH_IMAGE046
就是在
Figure 135496DEST_PATH_IMAGE050
方向上的投影；使样本投影后最容易区分开的
Figure 565340DEST_PATH_IMAGE050
方向正是区分超平面的法线方向；因此在使用线性分类器时，共有
Figure 603704DEST_PATH_IMAGE054
共5种动作，需要4个判别函数，若第一个判别函数是区别的则定义：
Figure 936093DEST_PATH_IMAGE060
                         
若
Figure 665015DEST_PATH_IMAGE062
则
Figure 806146DEST_PATH_IMAGE064
属于
Figure 304123DEST_PATH_IMAGE066
类，若
Figure 810191DEST_PATH_IMAGE068
则
Figure 337993DEST_PATH_IMAGE070
属于
Figure 220499DEST_PATH_IMAGE072
类，以此类推。
本发明的有益效果在于：本发明基于肌音信号的人体上肢功能康复训练实现方法，通过受试者的视觉实时反馈进行虚拟环境中功能康复训练可以提高功能康复训练效果。此系统的准确性和稳定性较高，能够实现产业化目标以及扩大适用者人群。
附图说明
图1为本发明基于肌音信号的人体上肢功能康复训练系统结构框图。
具体实施方式
如图1所示基于肌音信号的人体上肢功能康复训练系统结构框图，包括MMG信号压电传感器1、前置放大电路2、有源低通滤波电路3、A/D转换模块4、数字信号采集模块5、数字信号处理及特征提取模块6、信号动作模式识别模块7和虚拟现实动画反馈模块8。MMG肌音信号传感器1固定在人体上肢肱二头肌的表皮处，肌肉收缩时， MMG肌音信号传感器1将原为机械振动的肌音信号转化为电压信号，经由前置放大电路2将信号放大到伏特级别，通过巴特沃兹有源低通滤波电路3滤掉信号中含有的高频部分，然后信号经A/D转换模块4进行模拟肌音信号转换成肌音数字信号送数字信号采集模块5，数字信号采集模块5将肌音数字信号导入PC机，通过PC机中数字信号处理软件6对肌音信号进行特征提取，再通过信号动作模式识别模块7对所提取的肌音信号特征进行动作模式分类，最后输出控制信号控制虚拟现实动画反馈模块8进行虚拟环境中3D上肢的动作反馈，进而实现功能康复训练的目的。
MMG信号传感器1采用压电材料原理的肌振传感器；前置放大电路2选用LM324放大器；有源低通滤波电路3选用巴特沃兹有源低通滤波器，截止频率设定为100Hz；A/D转化模块4以及数字信号采集模块5选用NI-PCI6221数据采集卡；数字信号处理及特征提取模块6和信号动作模式识别模块7是基于PC机上的Matlab软件工作环境；虚拟现实动画反馈模块8选用多体动力学仿真分析软件Adams。
系统的特征提取方法：分别从MMG信号提取时域，频域和时频域的数字特征如下：
1）MMG肌音信号时域特征均方根（root mean square，RMS）计算采用的方法：对上肢肱二头肌肌肉收缩运动时采集到的数字MMG信号，以1024个采样点为一组，进行分组，取加权平均，如果用
Figure 635299DEST_PATH_IMAGE002
表示第
Figure 390897DEST_PATH_IMAGE004
组采样点的MMG信号时域序列， 
Figure 828831DEST_PATH_IMAGE006
表示求均值后的第
Figure 311765DEST_PATH_IMAGE004
组采样点的均方根值：
 
注：对于采样序列尾部的可能不满1024个采样点，直接用其前一组采样点的均值，代替最后一组MMG信号均方根。
2）MMG肌音信号频域特征中值频率（mean power frequency，MPF）的计算方法：
如果数字肌音信号序列为
Figure 869021DEST_PATH_IMAGE012
，其自相关序列为
Figure 93328DEST_PATH_IMAGE014
则：
Figure 482722DEST_PATH_IMAGE016
通过自相关函数法求的的功率谱密度估计为
Figure 767072DEST_PATH_IMAGE018
满足：
Figure 992648DEST_PATH_IMAGE020
其中为采样时间间隔，本发明中取
Figure 936651DEST_PATH_IMAGE022
为500Hz
进而求的MMG肌音信号频域特征中值频率MPF为：
Figure 454220DEST_PATH_IMAGE024
3）MMG肌音信号AR（auto regressive）自回归模型特征参数A矩阵的计算方法：Yule-Walker法，又称为自相关方法，是从随机信号序列的自相关序列计算中指出一定阶数的AR模型参数。Yule-Walker方程的求解可以通过递推算法Levinson-Durbin来实现。通过求解如下矩阵方程：
其中,…, 
Figure 267827DEST_PATH_IMAGE030
是自回归模型，
Figure 956297DEST_PATH_IMAGE032
,…, 
Figure 343416DEST_PATH_IMAGE034
为相关系数，称为Toeplitz自相关阵，因此只要知道信号的自相关系数就可以求得各个系数
Figure 260688DEST_PATH_IMAGE036
。
系统的控制方法：人体上肢肌肉收缩时，肌肉产生的肌音信号通过压电传感器采集到，经过放大滤波，A/D转换以及采样后导入PC机，在PC中利用数字信号处理软件对肌音数字信号进行特征提取和模式识别，分别提取肌音信号的时域，频域和时频域特征，利用线性分类器进行分类。
由于线性分类器需要根据不同的受试者计算判别准则函数中的权向量，因此在实际应用中，系统要先对学习样本进行学习，才能进行功能康复训练过程。
    系统的动作分类方法：系统动作分类采用线性分类器方法。若设
Figure 416862DEST_PATH_IMAGE042
，
Figure 213917DEST_PATH_IMAGE044
Figure 885070DEST_PATH_IMAGE046
是向量通过变换
Figure 380828DEST_PATH_IMAGE050
得到的标量，则它是一维的。对于给定的
Figure 348784DEST_PATH_IMAGE050
，
Figure 444916DEST_PATH_IMAGE046
就是判决函数的值。由子集
Figure 953258DEST_PATH_IMAGE074
样本映射后的两个子集为。求解权向量即是求解
Figure 35931DEST_PATH_IMAGE050
的最佳方向，可以令
Figure 681676DEST_PATH_IMAGE052
，那么
Figure 931392DEST_PATH_IMAGE046
就是
Figure 916666DEST_PATH_IMAGE048
在
Figure 538009DEST_PATH_IMAGE050
方向上的投影。使样本投影后最容易区分开的
Figure 608733DEST_PATH_IMAGE050
方向正是区分超平面的法线方向。因此在使用线性分类器时，本系统共有
Figure 724457DEST_PATH_IMAGE054
共5种动作，需要4个判别函数，若第一个判别函数是区别
Figure 857946DEST_PATH_IMAGE058
的则定义：
                         
若
Figure 7484DEST_PATH_IMAGE062
则
Figure 764088DEST_PATH_IMAGE064
属于
Figure 415649DEST_PATH_IMAGE066
类，若
Figure 772550DEST_PATH_IMAGE068
则
Figure 167759DEST_PATH_IMAGE070
属于
Figure 716552DEST_PATH_IMAGE072
类，以此类推。
   系统的输出反馈方法：系统PC机中的控制平台Matlab通过特征提取和模式识别输出代表不同肌肉收缩动作模式的控制信号之后，通过软件之间接口设计将控制信号导入虚拟现实软件Adams中，在Adams中事先设计好3D人体上肢模型，并设置了上肢肘关节的自由度和控制参数，这样就受试者可以通过改变肌肉动作模式的进而改变模式识别控制系统控制信号，相应的实时的控制虚拟现实软件Adams中人体上肢模型的运动，进而实现人体上肢功能康复训练。

Claims (4)

1.一种基于肌音信号的人体上肢功能康复训练实现方法，其特征在于，将MMG肌音信号传感器固定在人体上肢肱二头肌的表皮处，将肌音信号转化为电压信号，经由前置放大电路将信号放大到伏特级别输出，输出信号通过有源低通有源滤波电路滤掉信号中含有的高频部分后，经过A/D转换模块进行数模转换，将模拟肌音信号转换成肌音数字信号，数字信号采集模块采集肌音数字信号导入PC机，通过PC机内数字信号处理软件对肌音信号进行特征提取，再通过PC机内的模式识别模块对所提取的肌音信号特征进行动作模式分类，最后输出控制信号控制虚拟现实反馈模块进行虚拟环境中3D上肢的动作反馈，调整训练动作方式。
2.根据权利要求1所述基于肌音信号的人体上肢功能康复训练实现方法，其特征在于，所述MMG信号传感器采用压电材料原理的肌振传感器；所述前置预处理电路选用LM324放大器；所述有源低通滤波电路选用巴特沃兹低通有源滤波器，截止频率设定为100Hz；所述A/D转化模块以及数字信号采集模块选用NI-PCI6221数据采集卡；数字信号处理和特征提取模块以及动作模式识别模块为基于PC机上的Matlab软件工作环境；虚拟现实环境中的人体上肢模型建模以及界面动画反馈选用多体动力学仿真分析软件Adams。
3.根据权利要求1所述基于肌音信号的人体上肢功能康复训练实现方法，其特征在于，所述PC机内数字信号处理软件对肌音信号进行特征提取的方法，分别从MMG信号中提取时域，频域和时频域的数字特征，具体方法如下：
1）MMG肌音信号时域特征均方根计算采用的方法：对上肢肱二头肌肌肉收缩运动时采集到的数字MMG信号，以1024个采样点为一组，进行分组，取加权平均，如果用                                               表示第
Figure 512794DEST_PATH_IMAGE004
组采样点的MMG信号时域序列， 表示求均值后的第
Figure 999325DEST_PATH_IMAGE004
组采样点的均方根值：
Figure 876014DEST_PATH_IMAGE008
 
对于采样序列尾部的可能不满1024个采样点，直接用其前一组采样点的均值，代替最后一组MMG信号均方根；
2）MMG肌音信号频域特征中值频率的计算方法：
如果数字肌音信号序列为
Figure 778559DEST_PATH_IMAGE012
，其自相关序列为则：
Figure 708655DEST_PATH_IMAGE016
通过自相关函数法求的的功率谱密度估计为
Figure 702019DEST_PATH_IMAGE018
满足：
Figure 456348DEST_PATH_IMAGE020
其中为采样时间间隔，可选取
Figure 28330DEST_PATH_IMAGE022
为500Hz，进而求的MMG肌音信号频域特征中值频率MPF为：
Figure 520491DEST_PATH_IMAGE024
3）MMG肌音信号AR自回归模型特征参数A矩阵的计算方法：Yule-Walker法，又称为自相关方法，是从随机信号序列的自相关序列计算中指出一定阶数的AR模型参数，Yule-Walker方程的求解可以通过递推算法Levinson-Durbin来实现，具体求解如下矩阵方程：
Figure 762116DEST_PATH_IMAGE026
其中
Figure 850289DEST_PATH_IMAGE028
,…, 
Figure 493760DEST_PATH_IMAGE030
是自回归模型，
Figure 891244DEST_PATH_IMAGE032
,…, 
Figure 620165DEST_PATH_IMAGE034
为相关系数，称为Toeplitz自相关阵，因此只要知道信号的自相关系数就可以求得各个系数
Figure 10564DEST_PATH_IMAGE036
。
4.根据权利要求1所述基于肌音信号的人体上肢功能康复训练实现方法，其特征在于，所述通过PC机内的调用模式识别模块对所提取的肌音信号特征进行动作模式分类，动作模式分类采用线性分类器方法，方法如下：设
Figure 508542DEST_PATH_IMAGE038
是样本空间
Figure 342505DEST_PATH_IMAGE040
中的特征向量，
Figure 293144DEST_PATH_IMAGE042
，
Figure 988698DEST_PATH_IMAGE044
Figure 341182DEST_PATH_IMAGE046
是向量
Figure 283731DEST_PATH_IMAGE048
通过变换
Figure 783982DEST_PATH_IMAGE050
得到的标量，则它是一维的，对于给定的
Figure 204599DEST_PATH_IMAGE050
，
Figure 988753DEST_PATH_IMAGE046
就是判决函数的值；令
Figure 102203DEST_PATH_IMAGE052
，那么
Figure 89750DEST_PATH_IMAGE046
就是
Figure 314058DEST_PATH_IMAGE048
在
Figure 188605DEST_PATH_IMAGE050
方向上的投影；使样本投影后最容易区分开的
Figure 472955DEST_PATH_IMAGE050
方向正是区分超平面的法线方向；因此在使用线性分类器时，共有
Figure 947799DEST_PATH_IMAGE054
共5种动作，需要4个判别函数，若第一个判别函数
Figure 975798DEST_PATH_IMAGE056
是区别
Figure 492402DEST_PATH_IMAGE058
的则定义：
Figure 682075DEST_PATH_IMAGE060
                         
若
Figure 581898DEST_PATH_IMAGE062
则
Figure 210326DEST_PATH_IMAGE064
属于
Figure 511994DEST_PATH_IMAGE066
类，若
Figure 685618DEST_PATH_IMAGE068
则
Figure 72737DEST_PATH_IMAGE070
属于
Figure 504855DEST_PATH_IMAGE072
类，以此类推。
CN2012100501665A 2012-03-01 2012-03-01 基于肌音信号的人体上肢功能康复训练实现方法 Pending CN102614061A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2012100501665A CN102614061A (zh) 2012-03-01 2012-03-01 基于肌音信号的人体上肢功能康复训练实现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2012100501665A CN102614061A (zh) 2012-03-01 2012-03-01 基于肌音信号的人体上肢功能康复训练实现方法

Publications (1)

Publication Number Publication Date
CN102614061A true CN102614061A (zh) 2012-08-01

Family

ID=46554521

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2012100501665A Pending CN102614061A (zh) 2012-03-01 2012-03-01 基于肌音信号的人体上肢功能康复训练实现方法

Country Status (1)

Country Link
CN (1) CN102614061A (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103054690A (zh) * 2012-12-25 2013-04-24 北京大学 一种下肢痉挛智能康复装置
CN103892945A (zh) * 2012-12-27 2014-07-02 中国科学院深圳先进技术研究院 肌电假肢控制系统
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
CN104873356A (zh) * 2015-05-27 2015-09-02 北京工业大学 一种基于实感技术的辅助上肢复健的装置及方法
CN105232039A (zh) * 2014-06-26 2016-01-13 上银科技股份有限公司 步态训练设备的生理状态回馈控制方法
CN105380613A (zh) * 2015-11-13 2016-03-09 西京学院 一种体育活动监测系统
CN106215380A (zh) * 2016-08-31 2016-12-14 深圳先进技术研究院 一种肢体康复训练系统
CN106389072A (zh) * 2016-11-28 2017-02-15 东北大学 五自由度上肢康复机器人的虚拟现实交互系统及方法
CN107744436A (zh) * 2017-10-16 2018-03-02 华东理工大学 一种基于颈部肌音信号处理的轮椅控制方法及控制系统
CN108786015A (zh) * 2018-06-26 2018-11-13 郑州大学 一种穿戴式手指功能主动康复训练系统
CN109907936A (zh) * 2017-12-13 2019-06-21 上海电气集团股份有限公司 基于虚拟现实的上肢康复训练设备
CN111449641A (zh) * 2020-04-20 2020-07-28 浙江大学 一种基于光电信号检测的肌肉功能状态的评估装置和评估方法
CN113616395A (zh) * 2021-08-10 2021-11-09 长春理工大学 假肢控制方法、装置、假肢设备及计算机可读存储介质
CN114392126A (zh) * 2022-01-24 2022-04-26 佳木斯大学 一种残疾儿童手部配合训练系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101766509A (zh) * 2009-12-24 2010-07-07 华东理工大学 一种基于单点采集肌音信号的假肢实时控制方法
US20100292617A1 (en) * 2009-05-15 2010-11-18 Kin Fong Lei method and system for quantifying an intention of movement of a user
KR20110034863A (ko) * 2009-09-29 2011-04-06 한국과학기술원 근육 진동 신호를 이용한 팔 굽힘 힘 추정장치 및 방법
CN102013016A (zh) * 2010-11-23 2011-04-13 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
CN202776906U (zh) * 2012-03-01 2013-03-13 上海理工大学 基于肌音信号的人体上肢功能康复训练系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100292617A1 (en) * 2009-05-15 2010-11-18 Kin Fong Lei method and system for quantifying an intention of movement of a user
KR20110034863A (ko) * 2009-09-29 2011-04-06 한국과학기술원 근육 진동 신호를 이용한 팔 굽힘 힘 추정장치 및 방법
CN101766509A (zh) * 2009-12-24 2010-07-07 华东理工大学 一种基于单点采集肌音信号的假肢实时控制方法
CN102013016A (zh) * 2010-11-23 2011-04-13 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
CN202776906U (zh) * 2012-03-01 2013-03-13 上海理工大学 基于肌音信号的人体上肢功能康复训练系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
夏春明等: "《基于肌音信号的虚拟假肢控制》", 《华东理工大学学报（自然科学报）》, vol. 33, no. 4, 31 August 2010 (2010-08-31), pages 591 - 595 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103054690A (zh) * 2012-12-25 2013-04-24 北京大学 一种下肢痉挛智能康复装置
CN103054690B (zh) * 2012-12-25 2014-11-19 北京大学 一种下肢痉挛智能康复装置
CN103892945A (zh) * 2012-12-27 2014-07-02 中国科学院深圳先进技术研究院 肌电假肢控制系统
CN103892945B (zh) * 2012-12-27 2017-03-08 中国科学院深圳先进技术研究院 肌电假肢控制系统
CN105287156B (zh) * 2014-06-26 2018-10-02 上银科技股份有限公司 步态训练设备的回馈控制方法
CN105232039A (zh) * 2014-06-26 2016-01-13 上银科技股份有限公司 步态训练设备的生理状态回馈控制方法
CN105287156A (zh) * 2014-06-26 2016-02-03 上银科技股份有限公司 步态训练设备的生理状态回馈控制方法
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
CN104873356B (zh) * 2015-05-27 2017-03-01 北京工业大学 一种基于实感技术的辅助上肢复健的装置及方法
CN104873356A (zh) * 2015-05-27 2015-09-02 北京工业大学 一种基于实感技术的辅助上肢复健的装置及方法
CN105380613A (zh) * 2015-11-13 2016-03-09 西京学院 一种体育活动监测系统
CN105380613B (zh) * 2015-11-13 2018-06-12 西京学院 一种体育活动监测系统
CN106215380A (zh) * 2016-08-31 2016-12-14 深圳先进技术研究院 一种肢体康复训练系统
CN106389072A (zh) * 2016-11-28 2017-02-15 东北大学 五自由度上肢康复机器人的虚拟现实交互系统及方法
CN107744436A (zh) * 2017-10-16 2018-03-02 华东理工大学 一种基于颈部肌音信号处理的轮椅控制方法及控制系统
CN109907936A (zh) * 2017-12-13 2019-06-21 上海电气集团股份有限公司 基于虚拟现实的上肢康复训练设备
CN108786015A (zh) * 2018-06-26 2018-11-13 郑州大学 一种穿戴式手指功能主动康复训练系统
CN111449641A (zh) * 2020-04-20 2020-07-28 浙江大学 一种基于光电信号检测的肌肉功能状态的评估装置和评估方法
CN111449641B (zh) * 2020-04-20 2021-07-20 浙江大学 一种基于光电信号检测的肌肉功能状态的评估装置和评估方法
CN113616395A (zh) * 2021-08-10 2021-11-09 长春理工大学 假肢控制方法、装置、假肢设备及计算机可读存储介质
CN114392126A (zh) * 2022-01-24 2022-04-26 佳木斯大学 一种残疾儿童手部配合训练系统
CN114392126B (zh) * 2022-01-24 2023-09-22 佳木斯大学 一种残疾儿童手部配合训练系统

Similar Documents

Publication Publication Date Title
CN102614061A (zh) 基于肌音信号的人体上肢功能康复训练实现方法
Edla et al. Classification of EEG data for human mental state analysis using Random Forest Classifier
Jaramillo et al. Real-time hand gesture recognition with EMG using machine learning
CN110141239A (zh) 一种用于下肢外骨骼的运动意图识别及装置方法
CN105326500B (zh) 基于表面肌电信号的动作识别方法和设备
Benatti et al. Analysis of robust implementation of an EMG pattern recognition based control
CN102499797B (zh) 假肢控制方法及系统
CN202288542U (zh) 假肢控制装置
WO2020118797A1 (zh) 假肢控制方法、装置、系统、设备和存储介质
CN108268844A (zh) 基于表面肌电信号的动作模式识别方法及装置
Narayan Hb vsEMG signal classification with time domain and Frequency domain features using LDA and ANN classifier
CN108958474A (zh) 一种基于误差权重的动作识别多传感信息融合方法
CN107822629A (zh) 四肢表面肌电轴的检测方法
Sree et al. EMG controlled bionic robotic arm using artificial intelligence and machine learning
Hamedi et al. Facial gesture recognition using two-channel bio-sensors configuration and fuzzy classifier: A pilot study
Ai et al. Advanced rehabilitative technology: neural interfaces and devices
Veer Experimental study and characterization of SEMG signals for upper limbs
CN202776906U (zh) 基于肌音信号的人体上肢功能康复训练系统
Kawala-Janik et al. Innovative approach in analysis of EEG and EMG signals—Comparision of the two novel methods
KR101446183B1 (ko) 상관 특징 분석 기반 실시간 ｅｍｇ 패턴 인식 방법
Kurzynski et al. Multiple classifier system applied to the control of bioprosthetic hand based on recognition of multimodal biosignals
CN114098768B (zh) 基于动态阈值和EasyTL的跨个体表面肌电信号手势识别方法
Ahmed et al. Control of prosthetic hand by using mechanomyography signals based on support-vector machine classifier
Baranowski et al. Non-integer order filtration of electromyographic signals
Caceres Machine learning techniques for gesture recognition

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20120801