CN106067178B - 一种基于肌肉协同激活模型的手部关节运动连续估计方法 - Google Patents

一种基于肌肉协同激活模型的手部关节运动连续估计方法 Download PDF

Info

Publication number
CN106067178B
CN106067178B CN201610367322.9A CN201610367322A CN106067178B CN 106067178 B CN106067178 B CN 106067178B CN 201610367322 A CN201610367322 A CN 201610367322A CN 106067178 B CN106067178 B CN 106067178B
Authority
CN
China
Prior art keywords
muscle
collaboration
matrix
activity coefficient
self contained
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.)
Active
Application number
CN201610367322.9A
Other languages
English (en)
Other versions
CN106067178A (zh
Inventor
孟明
桂奇政
朱俊青
张松
周杰
马玉良
罗志增
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.)
Zhejiang Zhiduo Network Technology Co ltd
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201610367322.9A priority Critical patent/CN106067178B/zh
Publication of CN106067178A publication Critical patent/CN106067178A/zh
Application granted granted Critical
Publication of CN106067178B publication Critical patent/CN106067178B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

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

Abstract

本发明提出一种基于肌肉协同激活模型的手部关节运动连续估计方法。本发明首先根据肌电信号量化肌肉协同理论模型，利用非负矩阵分解算法对肌电信号进行解耦，提取独立动作的协同元；其次根据非负最小二乘算法计算相应协同元激活系数。最后，通过支持向量回归构建了映射激活系数到关节角度的激活模型，利用建立的激活模型从采集的表面肌电信号得到关节运动的连续估计。对四个关节独立和组合运动的估计实验表明，该模型能获得较高的估计精度。

Description

一种基于肌肉协同激活模型的手部关节运动连续估计方法
技术领域
本发明涉及肌电信号的处理与支持向量回归方法，特别涉及基于肌肉协同理论的肌电信号处理方法。
背景技术
表面肌电信号(surface electromyography，sEMG)是肌肉收缩时所产生的动作电位在皮肤表面叠加而成，与肢体的运动直接相关。由于sEMG具有采集方便和蕴含信息丰富等特点，作为控制信号源被广泛应用于智能假肢、康复机器人等领域。
目前肌电假手控制研究中采用的主要是基于模式分类的方法，通过对sEMG进行特征提取和构建分类器来识别肢体动作，能够得到较高的识别准确率和不错的应用效果。但是基于模式分类的方法只能识别独立的离散动作，而且识别的类别越多，准确率越低，同时也无法使控制对象像人一样连续自如地完成动作。因此，利用sEMG连续估计肢体运动状态成为肌电假手控制方法研究的新热点。目前主要有两种途径可以实现sEMG连续估计肢体运动状态：1)是结合肌肉生理模型建立以sEMG为输入，估计关节力矩/角加速度实现比例控制。该方法可以解释运动产生的过程，但是模型构建方法复杂，需要测量比较多的人体参数。2)是利用神经网络直接建立sEMG时域特征和关节运动的回归模型，可以连续输出各个关节的运动轨迹。但是神经网络回归模型存在过分依赖学习样本的问题，当测试样本和学习样本有差异时，预测值波动较大。
发明内容
本发明的目的是根据肌肉协同理论在描述运动意图方面优势的基础上，针对手部开/合，腕关节背屈/掌屈、桡屈/尺屈、内旋/外旋共四个自由度运动的连续估计，探究关节角度与肌肉协同激活系数之间的联系，结合支持向量回归(SVR)算法，建立肌肉协同激活模型，通过提取sEMG的激活系数来同步估计各关节运动角度从而同步连续控制假手。
一种基于肌肉协同激活模型的手部关节运动连续估计方法，其特征在于 该方法包括以下步骤：
步骤一,肌电信号的采集
针对手部开/合，腕关节背屈/掌屈、桡屈/尺屈、内旋/外旋四个自由度运动的连续估计，肌电信号(sEMG)的采集分为训练阶段和估计阶段的采集。其中训练阶段sEMG数据集来源于独立动作和组合动作产生的肌电信号，其中独立动作指每个自由度的独立动作详见于表1，组合动作是指两个不同自由度动作组合的同步运动。估计阶段的sEMG数据是实时在线手部动作产生的肌电信号。
肌电电极的放置：在靠近肘关节的前臂长度1/3处，沿手臂圆周均匀粘贴8个表面肌电电极，电极方向与肌肉纤维方向平行。
表1 独立动作列表
序号 动作 简称
1 掌屈 F
2 背屈 E
3 桡屈 R
4 尺屈 U
5 内旋 P
6 外旋 S
7 握手 C
8 伸手 O
步骤二,计算协同元矩阵
(一)计算肌肉激活水平
首先对采集的训练阶段独立动作产生的sEMG进行去基准处理，也就是减去肌肉放松状态下的肌电信号的均值。接着对去基准后的sEMG进行全波整流和低通滤波处理，对处理后的sEMG计算均方根(RMS)特征，最后利用每个通道特征的最大值对每个通道特征进行归一化处理得到肌肉激活水平矩阵 f(E)N×T，其中N为肌电信号通道个数，T为样本的时间序列长度。
(二)建立肌肉协同模型
根据肌肉协同理论，肌肉的激活水平表示为肌肉协同元和激活系数的线性组合：
即对给定肌肉激活水平矩阵f(E)N×T，可以分解为协同元矩阵WN×K和激活系数矩阵HK×T，其中N为肌电信号通道个数，T为样本的时间序列长度，K为肌肉协同元的个数，Wi是一个大小为N×1维的向量，即为一个协同元,Hi为第i个协同元的激活系数序列。
通过非负矩阵分解算法(NMF)计算协同元矩阵转化成如下的优化问题：
s.t.f(E)N×T≥0,WN×K≥0,HK×T≥0
其中表示Frobenius范数。目标函数对于矩阵WN×K和HK×T都是非凸的，按照下式的乘法迭代规则交替优化可以保证算法的非负性，最终求得一个最优解。
(三)计算协同元矩阵
对于每一个独立的动作分别都有且只有一个协同元作用，当某个独立动 作对应的协同元激活时，其余动作的协同元的激活系数值为0，对每个独立动作产生的肌肉激活水平分别用NMF算法矩阵分解得到独立动作协同元Wi，并分别用Wi中的最大值来归一化该协同元。
手部关节有8个独立的动作，故共有8个协同元作用，即K为8。8个独立动作协同元可以组合得到协同元矩阵：
WN×K＝[WF WE WR WU WP WS WC WO]
其中独立动作协同元Wi对应到表1中独力动作1到8，i＝F,…,O。
步骤三，提取激活系数
首先参照步骤二中计算肌肉激活水平的处理方法从sEMG中计算肌肉激活水平矩阵f(E)N×T，利用步骤二中计算的协同元矩阵WN×K，反过来求激活系数矩阵HK×T；采用非负最小二乘算法(NNLS)来提取激活系数，即求解如下模型：
s.t.f(E)N×T≥0,WN×K≥0,HK×T≥0
步骤四，肌肉协同激活模型的训练和估计
选用支持向量回归算法(support vector regression，SVR)将激活系数映射到关节角度。支持向量回归算法是在统计学理论的基础上，通过结构风险最小化的学习方法，使其具有更强逼近能力和泛化能力。SVR算法的基本思想是：对给定的训练样本集{(xi,yi),i＝1,2,…n},其中xi∈Rn为输入向量，yi∈R为目标值，运用支持向量机学习算法建立两者之间的关系得到回归函数。首先通过非线性变换φ将输入向量x映射到高维特征空间Z,然后在这个空间完成线性回归，即
f(x)＝wφ(x)+b
基于肌肉协同激活模型的手部关节运动连续估计方法分为训练阶段和估计阶段。
在训练阶段，采集sEMG训练数据集和对应关节的角度，其中sEMG训练数据采集参照步骤一，同时采用三维动作捕捉系统同时采集手部关节的四个自由度方向的运动角度；按照步骤二计算出协同矩阵WN×K，然后从独立动作 和组合动作产生的sEMG训练数据集中按照步骤三计算出激活系数HK×T，并对激活系数利用每个通道的最大值进行归一化处理，以其为SVR算法的输入，以四个自由度方向对应的角度值为目标值进行训练。SVR的核函数选为径向基(RBF)核函数；惩罚系数取值区间为[100,300],不敏感损失函数的取值区间为[0.01,1]，核函数的参数取值区间为[0,100]，利用基于人工蜂群优化的参数寻优方法确定SVR参数。
在估计阶段，按照步骤三从肌电电极实时采集的肌电信号中提取激活系数归一化后输入到SVR中，输出则为估计的角度值，用角度值控制假手运动。为了保证估计角度的鲁棒性，去除异常估计角度，同时尽可能的降低时移的影响，对估计的角度值用滑动平均滤波器进行了处理，当估计的角度超过实际关节角度最大值，将此时的角度赋予实际关节角度最大值。
本发明具有如下有益效果：
1、本发明从肌肉协同理论的方法，通过将肌电信号转换成激活系数，能够有效去除噪声和耦合，从而得到更加稳定的运动连续估计值。
2、SVR算法具有较强的逼近能力和泛化能力，将激活系数和测量角度值用SVR进行拟合训练可以得到更加精确的估计效果，使控制效果更加精确。
附图说明
图1算法整体流程图
图2协同矩阵和激活系数提取流程图
图3关节角度运动坐标系
具体实施方式
下面结合附图描述本发明基于肌肉协同激活模型的手部关节运动连续估计方法。
如图1所示，一种基于肌肉协同激活模型的手部关节运动连续估计方法，其特征在于该方法包括以下步骤：
步骤一,肌电信号的采集
针对手部开/合，腕关节背屈/掌屈、桡屈/尺屈、内旋/外旋四个自由度运动的连续估计，肌电信号(sEMG)的采集分为训练阶段和估计阶段的采集。其中训练阶段sEMG数据集来源于独立动作和组合动作产生的肌电信号，其中 独立动作指每个自由度的独立动作详见于表1，组合动作是指两个不同自由度动作组合的同步运动。估计阶段的sEMG数据是实时在线手部动作产生的肌电信号。
肌电电极的放置：在靠近肘关节的前臂长度1/3处，沿手臂圆周均匀粘贴8个表面肌电电极，电极方向与肌肉纤维方向平行。
表1 独立动作列表
序号 动作 简称
1 掌屈 F
2 背屈 E
3 桡屈 R
4 尺屈 U
5 内旋 P
6 外旋 S
7 握手 C
8 伸手 O
步骤二,计算协同元矩阵
(一)计算肌肉激活水平
首先对采集的训练阶段独立动作产生的sEMG进行去基准处理，也就是减去肌肉放松状态下的肌电信号的均值。接着对去基准后的sEMG进行全波整流和低通滤波处理，对处理后的sEMG计算均方根(RMS)特征，最后利用每个通道特征的最大值对每个通道特征进行归一化处理得到肌肉激活水平矩阵f(E)N×T，其中N为肌电信号通道个数，T为样本的时间序列长度。
(二)建立肌肉协同模型
根据肌肉协同理论，肌肉的激活水平表示为肌肉协同元和激活系数的线性组合：
即对给定肌肉激活水平矩阵f(E)N×T，可以分解为协同元矩阵WN×K和激活系数矩阵HK×T，其中N为肌电信号通道个数，T为样本的时间序列长度，K为肌肉协同元的个数，Wi是一个大小为N×1维的向量，即为一个协同元,Hi为第i个协同元的激活系数序列。
通过非负矩阵分解算法(NMF)计算协同元矩阵转化成如下的优化问题：
s.t.f(E)N×T≥0,WN×K≥0,HK×T≥0
其中表示Frobenius范数。目标函数对于矩阵WN×K和HK×T都是非凸的，按照下式的乘法迭代规则交替优化可以保证算法的非负性，最终求得一个最优解。
(三)计算协同元矩阵
对于每一个独立的动作分别都有且只有一个协同元作用，当某个独立动作对应的协同元激活时，其余动作的协同元的激活系数值为0，对每个独立动作产生的肌肉激活水平分别用NMF算法矩阵分解得到独立动作协同元Wi，并分别用Wi中的最大值来归一化该协同元。
手部关节有8个独立的动作，故共有8个协同元作用，即K为8。8个独立动作协同元可以组合得到协同元矩阵：
WN×K＝[WF WE WR WU WP WS WC WO]
其中独立动作协同元Wi对应到表1中独力动作1到8，i＝F,…,O。
步骤三，提取激活系数
如图2所示，首先参照步骤二中计算肌肉激活水平的处理方法从sEMG中计算肌肉激活水平矩阵f(E)N×T，利用步骤二中计算的协同元矩阵WN×K，反过来求激活系数矩阵HK×T；采用非负最小二乘算法(NNLS)来提取激活系数，即求解如下模型：
s.t.f(E)N×T≥0,WN×K≥0,HK×T≥0
步骤四，肌肉协同激活模型的训练和估计
选用支持向量回归算法(support vector regression，SVR)将激活系数映射到关节角度。支持向量回归算法是在统计学理论的基础上，通过结构风险最小化的学习方法，使其具有更强逼近能力和泛化能力。SVR算法的基本思想是：对给定的训练样本集{(xi,yi),i＝1,2,…n},其中xi∈Rn为输入向量，yi∈R为目标值，运用支持向量机学习算法建立两者之间的关系得到回归函数。首先通过非线性变换φ将输入向量x映射到高维特征空间Z,然后在这个空间完成线性回归，即
f(x)＝wφ(x)+b
基于肌肉协同激活模型的手部关节运动连续估计方法分为训练阶段和估计阶段。
在训练阶段，采集sEMG训练数据集和对应关节的角度，其中sEMG训练数据采集参照步骤一，同时采用三维动作捕捉系统同时采集手部关节的四个自由度方向的运动角度，如图3所示；按照步骤二计算出协同矩阵WN×K，然后从独立动作和组合动作产生的sEMG训练数据集中按照步骤三计算出激活系数HK×T，并对激活系数利用每个通道的最大值进行归一化处理，以其为SVR算法的输入，以四个自由度方向对应的角度值为目标值进行训练。SVR的核函数选为径向基(RBF)核函数；惩罚系数取值区间为[100,300],不敏感损失函数的取值区间为[0.01,1]，核函数的参数取值区间为[0,100]，利用基于人 工蜂群优化的参数寻优方法确定SVR参数。
在估计阶段，按照步骤三从肌电电极实时采集的肌电信号中提取激活系数归一化后输入到SVR中，输出则为估计的角度值，用角度值控制假手运动。为了保证估计角度的鲁棒性，去除异常估计角度，同时尽可能的降低时移的影响，对估计的角度值用滑动平均滤波器进行了处理，当估计的角度超过实际关节角度最大值，将此时的角度赋予实际关节角度最大值。

Claims (1)

1.一种基于肌肉协同激活模型的手部关节运动连续估计方法，其特征在于，该方法包括以下步骤：
步骤一,肌电信号的采集
针对手部开/合，腕关节背屈/掌屈、桡屈/尺屈、内旋/外旋四个自由度运动的连续估计，肌电信号的采集分为训练阶段和估计阶段的采集；其中训练阶段sEMG数据集来源于独立动作和组合动作产生的肌电信号，其中独立动作指每个自由度的独立动作详见于表1，组合动作是指两个不同自由度动作组合的同步运动；估计阶段的sEMG数据是实时在线手部动作产生的肌电信号；
肌电电极的放置：在靠近肘关节的前臂长度1/3处，沿手臂圆周均匀粘贴8个表面肌电电极，电极方向与肌肉纤维方向平行；
表1独立动作列表
序号 动作 简称 1 掌屈 F 2 背屈 E 3 桡屈 R 4 尺屈 U 5 内旋 P 6 外旋 S 7 握手 C 8 伸手 O
步骤二,计算协同元矩阵
(一)计算肌肉激活水平
首先对采集的训练阶段独立动作产生的sEMG进行去基准处理，也就是减去肌肉放松状态下的肌电信号的均值；接着对去基准后的sEMG进行全波整流和低通滤波处理，对处理后的sEMG计算均方根特征，最后利用每个通道特征的最大值对每个通道特征进行归一化处理得到肌肉激活水平矩阵f(E)N×T，其中N为肌电信号通道个数，T为样本的时间序列长度；
(二)建立肌肉协同模型
根据肌肉协同理论，肌肉的激活水平表示为肌肉协同元和激活系数的线性组合：
即对给定肌肉激活水平矩阵f(E)N×T，可以分解为协同元矩阵WN×K和激活系数矩阵HK×T，其中N为肌电信号通道个数，T为样本的时间序列长度，K为肌肉协同元的个数，Wi是一个大小为N×1维的向量，即为一个协同元,Hi为第i个协同元的激活系数序列；
通过非负矩阵分解算法计算协同元矩阵转化成如下的优化问题：
s.t.f(E)N×T≥0,WN×K≥0,HK×T≥0
其中表示Frobenius范数；
(三)计算协同元矩阵
对于每一个独立的动作分别都有且只有一个协同元作用，当某个独立动作对应的协同元激活时，其余动作的协同元的激活系数值为0，对每个独立动作产生的肌肉激活水平分别用NMF算法矩阵分解得到独立动作协同元Wi，并分别用Wi中的最大值来归一化该协同元；
手部关节有8个独立的动作，故共有8个协同元作用，即K为8；8个独立动作协同元可以组合得到协同元矩阵：
WN×K＝[WF WE WR WU WP WS WC WO]
其中独立动作协同元Wi对应到表1中独立动作1到8，i＝F,…,O；
步骤三，提取激活系数
首先参照步骤二中计算肌肉激活水平的处理方法从sEMG中计算肌肉激活水平矩阵f(E)N×T，利用步骤二中计算的协同元矩阵WN×K，反过来求激活系数矩阵HK×T；采用非负最小二乘算法来提取激活系数，即求解如下模型：
s.t.f(E)N×T≥0,WN×K≥0,HK×T≥0
步骤四，肌肉协同激活模型的训练和估计；
选用支持向量回归算法将激活系数映射到关节角度；
基于肌肉协同激活模型的手部关节运动连续估计方法分为训练阶段和估计阶段；
在训练阶段，采集sEMG训练数据集和对应关节的角度，其中sEMG训练数据采集参照步骤一，同时采用三维动作捕捉系统同时采集手部关节的四个自由度方向的运动角度；按照步骤二计算出协同矩阵WN×K，然后从独立动作和组合动作产生的sEMG训练数据集中按照步骤三计算出激活系数HK×T，并对激活系数利用每个通道的最大值进行归一化处理，以其为SVR算法的输入，以四个自由度方向对应的角度值为目标值进行训练；SVR的核函数选为径向基核函数；惩罚系数取值区间为[100,300],不敏感损失函数的取值区间为[0.01,1]，核函数的参数取值区间为[0,100]，利用基于人工蜂群优化的参数寻优方法确定SVR参数；
在估计阶段，按照步骤三从肌电电极实时采集的肌电信号中提取激活系数归一化后输入到SVR中，输出则为估计的角度值，用角度值控制假手运动；对估计的角度值用滑动平均滤波器进行了处理，当估计的角度超过实际关节角度最大值，将此时的角度赋予实际关节角度最大值。
CN201610367322.9A 2016-05-30 2016-05-30 一种基于肌肉协同激活模型的手部关节运动连续估计方法 Active CN106067178B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610367322.9A CN106067178B (zh) 2016-05-30 2016-05-30 一种基于肌肉协同激活模型的手部关节运动连续估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610367322.9A CN106067178B (zh) 2016-05-30 2016-05-30 一种基于肌肉协同激活模型的手部关节运动连续估计方法

Publications (2)

Publication Number Publication Date
CN106067178A CN106067178A (zh) 2016-11-02
CN106067178B true CN106067178B (zh) 2018-11-23

Family

ID=57420910

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610367322.9A Active CN106067178B (zh) 2016-05-30 2016-05-30 一种基于肌肉协同激活模型的手部关节运动连续估计方法

Country Status (1)

Country Link
CN (1) CN106067178B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11635736B2 (en) * 2017-10-19 2023-04-25 Meta Platforms Technologies, Llc Systems and methods for identifying biological structures associated with neuromuscular source signals
WO2020112986A1 (en) 2018-11-27 2020-06-04 Facebook Technologies, Inc. Methods and apparatus for autocalibration of a wearable electrode sensor system
US11907423B2 (en) 2019-11-25 2024-02-20 Meta Platforms Technologies, Llc Systems and methods for contextualized interactions with an environment
US11961494B1 (en) 2019-03-29 2024-04-16 Meta Platforms Technologies, Llc Electromagnetic interference reduction in extended reality environments
CN109674445B (zh) * 2018-11-06 2021-10-08 杭州电子科技大学 一种结合非负矩阵分解和复杂网络的肌间耦合分析方法
CN109620651B (zh) * 2018-11-16 2020-03-31 中国科学技术大学 基于同步脑肌电的智能辅助康复设备
CN109262618B (zh) * 2018-12-12 2022-04-01 武汉理工大学 基于肌肉协同的上肢多关节同步比例肌电控制方法与系统
CN109498370B (zh) * 2018-12-26 2021-02-19 杭州电子科技大学 基于肌电小波关联维的下肢关节角度预测方法
CN110917577B (zh) * 2019-11-27 2021-04-20 西安交通大学 一种利用肌肉协同作用的多阶段下肢训练系统及方法
CN111481196B (zh) * 2020-04-16 2023-06-27 京东科技信息技术有限公司 外骨骼助力效率的检测方法、装置、电子设备及存储介质
CN111543990B (zh) * 2020-05-13 2022-11-04 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 肌肉协同的提取方法及基于肌肉协同的运动功能分析评估方法
CN111544004A (zh) * 2020-05-15 2020-08-18 中国科学院自动化研究所 脑卒中患者运动功能检测系统、方法、装置
CN111616847B (zh) * 2020-06-02 2021-08-03 中国科学技术大学先进技术研究院 基于肌肉协同和人机语音交互的上臂假肢控制系统和方法
CN111898445B (zh) * 2020-06-29 2023-12-12 中国矿业大学(北京) 一种针对多通道的面部表面肌电信号的活跃段检测方法
CN112025682B (zh) * 2020-09-02 2022-04-19 中国科学技术大学 基于肌肉协同理论的柔性外骨骼机器人控制方法及系统
CN115568856A (zh) * 2022-10-17 2023-01-06 西安交通大学 一种基于协同映射重构的多手指力连续估计方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102799937A (zh) * 2012-06-26 2012-11-28 天津大学 肌电信号与关节角度信息融合的下肢运动轨迹预测方法
CN103054585A (zh) * 2013-01-21 2013-04-24 杭州电子科技大学 基于生物运动信息的上肢肩肘腕关节运动功能评价方法
CN103431976A (zh) * 2013-07-19 2013-12-11 燕山大学 基于肌电信号反馈的下肢康复机器人系统及其控制方法
CN103886215A (zh) * 2014-04-04 2014-06-25 中国科学技术大学 一种基于肌肉协同的步行能力计算方法和装置
CN104317196A (zh) * 2014-09-29 2015-01-28 华南理工大学 一种基于虚拟现实的上肢康复训练机器人控制方法
CN104997582A (zh) * 2015-07-30 2015-10-28 沈阳工业大学 基于眼部和下颌肌电信号对智能假肢的控制装置及方法
CN105012057A (zh) * 2015-07-30 2015-11-04 沈阳工业大学 基于双臂肌电、姿态信息采集的智能假肢及运动分类方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102799937A (zh) * 2012-06-26 2012-11-28 天津大学 肌电信号与关节角度信息融合的下肢运动轨迹预测方法
CN103054585A (zh) * 2013-01-21 2013-04-24 杭州电子科技大学 基于生物运动信息的上肢肩肘腕关节运动功能评价方法
CN103431976A (zh) * 2013-07-19 2013-12-11 燕山大学 基于肌电信号反馈的下肢康复机器人系统及其控制方法
CN103886215A (zh) * 2014-04-04 2014-06-25 中国科学技术大学 一种基于肌肉协同的步行能力计算方法和装置
CN104317196A (zh) * 2014-09-29 2015-01-28 华南理工大学 一种基于虚拟现实的上肢康复训练机器人控制方法
CN104997582A (zh) * 2015-07-30 2015-10-28 沈阳工业大学 基于眼部和下颌肌电信号对智能假肢的控制装置及方法
CN105012057A (zh) * 2015-07-30 2015-11-04 沈阳工业大学 基于双臂肌电、姿态信息采集的智能假肢及运动分类方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Estimation of Upper Limb Joint Angle Using Surface EMG Signal;Yee Mon Aung 等;《International Journal of Advanced Robotic Systems》;20131231;第10卷(第4期);第845-852页 *
GRNN在肌电预测踝关节运动中的应用;戴虹 等;《仪器仪表学报》;20130430;第34卷(第4期);第845-852页 *
基于肌电信号的上肢多关节连续运动估计;丁其川 等;《机器人》;20140731;第36卷(第4期);第469-476页 *
高通截止频率对sEMG估计握力的影响;侯文生 等;《中国生物医学工程学报》;20081031;第27卷(第5期);第792-795页 *

Also Published As

Publication number Publication date
CN106067178A (zh) 2016-11-02

Similar Documents

Publication Publication Date Title
CN106067178B (zh) 一种基于肌肉协同激活模型的手部关节运动连续估计方法
CN109262618B (zh) 基于肌肉协同的上肢多关节同步比例肌电控制方法与系统
Wu et al. A CNN-SVM combined model for pattern recognition of knee motion using mechanomyography signals
Li et al. sEMG-based joint force control for an upper-limb power-assist exoskeleton robot
CN109009586B (zh) 一种假手腕关节人机自然驱动角度的肌电连续解码方法
CN102622605A (zh) 一种表面肌电信号的特征提取及动作模式识别方法
Tang et al. Continuous estimation of human upper limb joint angles by using PSO-LSTM model
CN109657651A (zh) 一种基于肌电信号的下肢膝关节连续运动估计方法
Bao et al. Surface-EMG based wrist kinematics estimation using convolutional neural network
Kakoty et al. EMG feature set selection through linear relationship for grasp recognition
Wang et al. A portable artificial robotic hand controlled by EMG signal using ANN classifier
Gao et al. Real-time evaluation of the signal processing of sEMG used in limb exoskeleton rehabilitation system
Samuel et al. A novel time-domain descriptor for improved prediction of upper limb movement intent in EMG-PR system
Li et al. Wireless sEMG-based identification in a virtual reality environment
Zangene et al. Continuous estimation of knee joint angle during squat from sEMG using artificial neural networks
Lin et al. A normalisation approach improves the performance of inter-subject sEMG-based hand gesture recognition with a ConvNet
Fougner Proportional myoelectric control of a multifunction upper-limb prosthesis
Dhindsa et al. Binary particle swarm optimization-based feature selection for predicting the class of the knee angle from EMG signals in lower limb movements
Li et al. sEMG based joint angle estimation of lower limbs using LS-SVM
Shen et al. STMI: Stiffness estimation method based on sEMG-driven model for elbow joint
Castellini et al. EMG-based prediction of multi-DOF activations using single-DOF training: a preliminary result
CN109522810B (zh) 一种基于社区投票机制的肌电假肢手手势识别方法
Khong et al. Multi-layer perceptron training algorithms for pattern recognition of myoelectric signals
Li et al. A novel method for estimating continuous motion and time-varying stiffness of human elbow joint
Bai et al. Intelligent prosthetic arm force control based on sEMG analysis and BPNN classifier

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20201217

Address after: 314500 Zhejiang 635 Jiaxing, Tongxiang, -9, Wutong street, Zhenjiang Road, Fengrun international business center, room No.

Patentee after: Jiaxing yizali Trade Co.,Ltd.

Address before: Room 3003-1, building 1, Gaode land center, Jianggan District, Hangzhou City, Zhejiang Province

Patentee before: Zhejiang Zhiduo Network Technology Co.,Ltd.

Effective date of registration: 20201217

Address after: Room 3003-1, building 1, Gaode land center, Jianggan District, Hangzhou City, Zhejiang Province

Patentee after: Zhejiang Zhiduo Network Technology Co.,Ltd.

Address before: 310018 No. 2 street, Xiasha Higher Education Zone, Hangzhou, Zhejiang

Patentee before: HANGZHOU DIANZI University

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20221206

Address after: Room 407-10, floor 4, building 2, Haichuang science and technology center, Cangqian street, Yuhang District, Hangzhou City, Zhejiang Province, 311100

Patentee after: Zhejiang Zhiduo Network Technology Co.,Ltd.

Address before: 314500 Zhejiang 635 Jiaxing, Tongxiang, -9, Wutong street, Zhenjiang Road, Fengrun international business center, room No.

Patentee before: Jiaxing yizali Trade Co.,Ltd.

TR01 Transfer of patent right