CN106955111A - 基于表面肌电信号的脑瘫儿步态识别方法 - Google Patents

基于表面肌电信号的脑瘫儿步态识别方法 Download PDF

Info

Publication number
CN106955111A
CN106955111A CN201710271091.6A CN201710271091A CN106955111A CN 106955111 A CN106955111 A CN 106955111A CN 201710271091 A CN201710271091 A CN 201710271091A CN 106955111 A CN106955111 A CN 106955111A
Authority
CN
China
Prior art keywords
gait
signal
surface electromyogram
recognition method
extracted
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
CN201710271091.6A
Other languages
English (en)
Inventor
唐荣年
魏鹏娜
李创
陈凯
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.)
Hainan University
Original Assignee
Hainan 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 Hainan University filed Critical Hainan University
Priority to CN201710271091.6A priority Critical patent/CN106955111A/zh
Publication of CN106955111A publication Critical patent/CN106955111A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/112—Gait analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/389—Electromyography [EMG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Psychiatry (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Rehabilitation Tools (AREA)

Abstract

本发明提供了一种基于表面肌电信号的脑瘫儿步态识别方法，包括：第一步骤：采集对象腿部不同通道的肌电信号和对象双腿的腿部角度数据；第二步骤：对所采集的肌电信号进行预处理；第三步骤：利用双腿的腿部角度数据进行步态划分，同时将相对应的各个通道的肌电信号数据也进行同样的步态划分；第四步骤：提取预处理后信号的时域和频域特征，并且对所提取的特征进行特征组合；第五步骤：利用提取的特征组合建立模型并进行步态识别。

Description

基于表面肌电信号的脑瘫儿步态识别方法
技术领域
本发明涉及信号处理领域，尤其涉及一种肌电信号模式识别方法；更具体地，本发明涉及一种基于表面肌电信号的脑瘫儿步态识别方法。
背景技术
脑瘫是继小儿麻痹之后又一肢体残疾的主要疾病，近年来，脑瘫的发病率越来越高，主要发生在婴儿出生前后的一段时间内，运动障碍是脑瘫儿的一大主要症状，这也给脑瘫儿及其家人的日常生活带来了极大的不便。目前脑瘫的治疗主要采取康复训练，这要在医护人员的帮助下完成，这样不仅浪费时间而且给医护人员带来了极大的挑战，不仅医护人员要适应患者的走路习惯，患者也要配合医护人员的训练指导，而且训练效率较低、劳动强度较大并且训练的效果也容易受到训练医护人员的主观因素的影响。
开发可以用于下肢康复的外骨骼机器人也是近些年的研究热点，但是传统的外骨骼机器人是采用多种传感器来获取训练者的力或者力矩信息来进行控制，不能反映训练者的运动意图。
肌电信号是由肌肉产生的一种微弱的生物电信号，能够在一定程度上反映神经肌肉的功能状态，已经被广泛的应用到康复医学领域。近几年，随着生物医学技术、人工智能技术的发展，使用肌电信号进行动作识别已经有很多人在研究了，但是用肌电信号来进行步态识别的研究还很少。
实际上，使用肌电信号进行动作和手势的识别相比于步态识别更加容易，这是因为动作手势不用划分不同的动作和手势，直接可以对不同的动作手势进行模式识别，但是步态识别需要先对一个步态周期进行划分，然后在利用划分好的肌电信号进行步态识别。
将肌电信号用于外骨骼机器人或者智能康复装置的控制系统中可以实现系统的柔性控制，增加系统的适应性，针对每个训练者制定相应的康复训练计划，提高训练的效率。但是，如上所述，用肌电信号来进行步态识别的研究还很少。
发明内容
本发明所要解决的技术问题是针对现有技术中存在上述缺陷，提供一种基于表面肌电信号的脑瘫儿步态识别方法。
根据本发明，提供了一种基于表面肌电信号的脑瘫儿步态识别方法，包括：
第一步骤：采集对象腿部不同通道的肌电信号和对象双腿的腿部角度数据；
第二步骤：对所采集的肌电信号进行预处理；
第三步骤：利用双腿的腿部角度数据进行步态划分，同时将相对应的各个通道的肌电信号数据也进行同样的步态划分；
第四步骤：提取预处理后信号的时域和频域特征，并且对所提取的特征进行特征组合；
第五步骤：利用提取的特征组合建立模型，并按照步态划分得到的步态阶段进行步态识别。
优选地，第五步骤利用提取的特征组合在MATLAB中LIBSVM工具箱建立模型并进行步态识别。
优选地，第三步骤的步态划分得到的步态阶段包括：支撑中期、支撑末期、预摆动期、摆动中期和摆动末期。
优选地，第四步骤以每个通道经过预处理的数据作为数据源进行特征提取。
优选地，时域和频域特征包括：方差、过零点数、波形长度、绝对平均值、中值频率、平均功率频率、均方根和积分肌电值，而且第四步骤提取了方差、过零点数、波形长度、绝对平均值、中值频率、平均功率频率、均方根和积分肌电值的特征值。
优选地，在第四步骤中，将N个通道在同一个时间段提取的特征按照通道顺序进行组合，再将所提取的特征和过零点数进行组合，生成特征向量，向量维度为[5x30,Nx2]，N为自然数。
优选地，第五步骤包括：在模型训练过程中，将不同步态阶段提取的特征进行分类标注，对标注好的多个特征向量利用SVM建立模型。
本发明通过采集脑瘫儿腿部的表面肌电信号识别其步态，从而用于脑瘫儿的智能康复系统的开发，使人机交互系统更能反映人的意志。
附图说明
结合附图，并通过参考下面的详细描述，将会更容易地对本发明有更完整的理解并且更容易地理解其伴随的优点和特征，其中：
图1示意性地示出了根据本发明优选实施例的基于表面肌电信号的脑瘫儿步态识别方法的流程图。
图2示意性地示出了根据本发明优选实施例的基于表面肌电信号的脑瘫儿步态识别方法采用的步态划分方法及8个通道的肌电信号步态划分和双腿的角度数据的示意图。
需要说明的是，附图用于说明本发明，而非限制本发明。注意，表示结构的附图可能并非按比例绘制。并且，附图中，相同或者类似的元件标有相同或者类似的标号。
具体实施方式
为了使本发明的内容更加清楚和易懂，下面结合具体实施例和附图对本发明的内容进行详细描述。
图1示意性地示出了根据本发明优选实施例的基于表面肌电信号的脑瘫儿步态识别方法的流程图。
如图1所示，根据本发明优选实施例的基于表面肌电信号的脑瘫儿步态识别方法包括：
第一步骤S1：采集对象腿部不同通道的肌电信号和对象双腿的腿部角度数据；
具体地，例如可以按照固定的采样频率采集不同通道的腿部肌肉电信号，即肌电信号；并利用3D位置传感器采集对象双腿的腿部角度数据。
第二步骤S2：对所采集的肌电信号进行预处理；例如，对所采集的肌电信号进行滤波、陷波和去噪等预处理。在该步骤中，对每个通道的肌电信号数据进行预处理，由此可以尽可能减少外界干扰对原始肌电信号所造成的影响。
例如，所采用的带通滤波器为10-350Hz的Elliptic带通滤波器，陷波器采用的是60Hz陷波器，去噪是利用db4小波函数来进行小波去噪。
第三步骤S3：利用双腿的腿部角度数据进行步态划分，同时将相对应的各个通道的肌电信号数据也进行同样的步态划分。
例如，双腿的腿部角度数据，将对象的步态分为五个步态阶段：支撑中期、支撑末期、预摆动期、摆动中期和摆动末期。
第四步骤S4：提取预处理后信号的时域和频域特征，并且对所提取的特征进行特征组合。
例如，对经过预处理的肌电信号数据分别提取各个通道的五个步态阶段的特征值。具体而言：
以每个通道经过预处理的数据作为数据源进行特征提取，分别提取上述五个步态阶段的特征，所述提取的特征包括：方差、过零点数、波形长度、绝对平均值、中值频率、平均功率频率、均方根和积分肌电值。计算公式如下：
方差为：
其中N为采集的表面肌电信号的采样点数，Yi为第i个表面肌电信号采样点的幅值，为样本均值。
过零点数为：
假设有两个样本Yi和Yi+1，如果满足：{Yi>0且Yi+1<0}或{Yi<0且Yi+1>0}，则过零点个数加一。其中Yi为第i个表面肌电信号采样点的幅值。
波形长度为：
其中，△Yi＝Yi-Yi-1，Yi为第i个表面肌电信号采样点的幅值。
绝对平均值为：
其中N为采集的表面肌电信号采样点数，Yi为第i个表面肌电信号采样点的幅度值。
中值频率为：
其中Psd(f)为表面肌电信号的功率谱密度估计函数。
平均功率频率：
其中Psd(f)为表面肌电信号的功率谱密度估计函数。
均方根：
其中N为采样点数，Yi为第i个表面肌电信号采样点的幅度值。
积分肌电值：
其中△为i的变化量，Yi为第i个表面肌电信号采样点的幅度值。
根据上述提取的特征值，对所提取的特征值进行特征组合。具体而言：
将N个通道在同一个时间段提取的特征按照通道顺序进行组合，再将所提取的特征和过零点数进行组合，生成特征向量，向量维度为[5x30,Nx2]。
第五步骤S5：利用提取的特征组合建立模型，并按照步态划分出的步态阶段进行步态识别。
具体地，可以利用提取的特征组合在MATLAB中LIBSVM工具箱建立模型并进行步态识别。
具体地，例如，在模型训练过程中，将不同步态阶段提取的特征进行分类标注。对标注好的多个特征向量利用LIBSVM工具箱建立模型。
在模型训练过程中，使用LIBSVM工具箱的SVM模式识别方法将多个特征作为训练样本进行模型训练，最终生成可以识别五类组合特征的分类模型，分别对应五个步态阶段。
在识别过程中，脑瘫患者像平时一样走路，各个步态周期的五个阶段的特征值分别被提取，经过上述处理后与建立的模型进行计算，得到最终的识别结果。所述识别结果对脑瘫患者在训练时一个步态周期的五个阶段。
需要说明的是，模型建立完成之后，进入步态识别。步态识别的起始点为整个方法的起始点，返回第一步骤S1肌电信号采集环节，重复进行肌电信号采集、肌电信号特征提取、特征向量组合(也即第一步骤S1至第三步骤S3)，并配合已经建立的模型，输出识别结果。不断循环识别，输出步态识别结果。
由此，本发明提供一种肌电信号模式识别方法，能够识别出脑瘫儿五个不同的步态阶段，分别为支撑中期、支撑末期、预摆动期、摆动中期和摆动末期。最好的特征组的识别率几乎都可以达到60％以上，最好可以达到100％，平均识别率都在80％以上。可以实现将肌电信号应用于脑瘫儿康复系统中，这样不仅提高了训练的效率，还解决了传感器信号控制不能反映训练者运动意图的难题，提高了训练系统的自动化和智能程度。
此外，需要说明的是，除非特别指出，否则说明书中的术语“第一”、“第二”、“第三”等描述仅仅用于区分说明书中的各个组件、元素、步骤等，而不是用于表示各个组件、元素、步骤之间的逻辑关系或者顺序关系等。
可以理解的是，虽然本发明已以较佳实施例披露如上，然而上述实施例并非用以限定本发明。对于任何熟悉本领域的技术人员而言，在不脱离本发明技术方案范围情况下，都可利用上述揭示的技术内容对本发明技术方案作出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。

Claims (7)

1.一种基于表面肌电信号的脑瘫儿步态识别方法，其特征在于包括：
第一步骤：采集对象腿部不同通道的肌电信号和对象双腿的腿部角度数据；
第二步骤：对所采集的肌电信号进行预处理；
第三步骤：利用双腿的腿部角度数据进行步态划分，同时将相对应的各个通道的肌电信号数据也进行同样的步态划分；
第四步骤：提取预处理后信号的时域和频域特征，并且对所提取的特征进行特征组合；
第五步骤：利用提取的特征组合建立模型，并按照步态划分得到的步态阶段进行步态识别。
2.根据权利要求1所述的基于表面肌电信号的脑瘫儿步态识别方法，其特征在于，第五步骤利用提取的特征组合在MATLAB中LIBSVM工具箱建立模型并进行步态识别。
3.根据权利要求1或2所述的基于表面肌电信号的脑瘫儿步态识别方法，其特征在于，第三步骤的步态划分得到的步态阶段包括：支撑中期、支撑末期、预摆动期、摆动中期和摆动末期。
4.根据权利要求1或2所述的基于表面肌电信号的脑瘫儿步态识别方法，其特征在于，第四步骤以每个通道经过预处理的数据作为数据源进行特征提取。
5.根据权利要求1或2所述的基于表面肌电信号的脑瘫儿步态识别方法，其特征在于，时域和频域特征包括：方差、过零点数、波形长度、绝对平均值、中值频率、平均功率频率、均方根和积分肌电值，而且第四步骤提取了方差、过零点数、波形长度、绝对平均值、中值频率、平均功率频率、均方根和积分肌电值的特征值。
6.根据权利要求1或2所述的基于表面肌电信号的脑瘫儿步态识别方法，其特征在于，在第四步骤中，将N个通道在同一个时间段提取的特征按照通道顺序进行组合，再将所提取的特征和过零点数进行组合，生成特征向量，向量维度为[5x30,Nx2]，N为自然数。
7.根据权利要求1或2所述的基于表面肌电信号的脑瘫儿步态识别方法，其特征在于，第五步骤包括：在模型训练过程中，将不同步态阶段提取的特征进行分类标注，对标注好的多个特征向量利用SVM建立模型。
CN201710271091.6A 2017-04-21 2017-04-21 基于表面肌电信号的脑瘫儿步态识别方法 Pending CN106955111A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710271091.6A CN106955111A (zh) 2017-04-21 2017-04-21 基于表面肌电信号的脑瘫儿步态识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710271091.6A CN106955111A (zh) 2017-04-21 2017-04-21 基于表面肌电信号的脑瘫儿步态识别方法

Publications (1)

Publication Number Publication Date
CN106955111A true CN106955111A (zh) 2017-07-18

Family

ID=59483670

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710271091.6A Pending CN106955111A (zh) 2017-04-21 2017-04-21 基于表面肌电信号的脑瘫儿步态识别方法

Country Status (1)

Country Link
CN (1) CN106955111A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107440722A (zh) * 2017-07-24 2017-12-08 南方科技大学 用于运动人体的步态识别的方法、装置及系统
CN109394230A (zh) * 2018-12-07 2019-03-01 北京大学深圳研究生院 一种基于表面肌电信号的步态分析系统
CN110151191A (zh) * 2019-05-29 2019-08-23 海南大学 一种基于滤波器组的脑瘫儿童步态相位识别方法
CN112807001A (zh) * 2019-11-15 2021-05-18 上海中研久弋科技有限公司 多步态意图识别和运动预测方法、系统、终端以及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102133103A (zh) * 2010-12-15 2011-07-27 河北工业大学 用肌电信号识别人体行走步态周期的方法
CN104107042A (zh) * 2014-07-10 2014-10-22 杭州电子科技大学 基于粒子群优化-支持向量机的肌电信号步态识别方法
CN104537382A (zh) * 2015-01-12 2015-04-22 杭州电子科技大学 基于遗传算法优化支持向量机的肌电信号步态识别方法
CN106308809A (zh) * 2016-08-15 2017-01-11 河北工业大学 大腿残肢者的步态识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102133103A (zh) * 2010-12-15 2011-07-27 河北工业大学 用肌电信号识别人体行走步态周期的方法
CN104107042A (zh) * 2014-07-10 2014-10-22 杭州电子科技大学 基于粒子群优化-支持向量机的肌电信号步态识别方法
CN104537382A (zh) * 2015-01-12 2015-04-22 杭州电子科技大学 基于遗传算法优化支持向量机的肌电信号步态识别方法
CN106308809A (zh) * 2016-08-15 2017-01-11 河北工业大学 大腿残肢者的步态识别方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107440722A (zh) * 2017-07-24 2017-12-08 南方科技大学 用于运动人体的步态识别的方法、装置及系统
CN109394230A (zh) * 2018-12-07 2019-03-01 北京大学深圳研究生院 一种基于表面肌电信号的步态分析系统
CN110151191A (zh) * 2019-05-29 2019-08-23 海南大学 一种基于滤波器组的脑瘫儿童步态相位识别方法
CN112807001A (zh) * 2019-11-15 2021-05-18 上海中研久弋科技有限公司 多步态意图识别和运动预测方法、系统、终端以及介质
CN112807001B (zh) * 2019-11-15 2024-06-04 上海中研久弋科技有限公司 多步态意图识别和运动预测方法、系统、终端以及介质

Similar Documents

Publication Publication Date Title
CN100594858C (zh) 一种脑电肌电联合控制的电动假手的控制方法
CN105326500B (zh) 基于表面肌电信号的动作识别方法和设备
Narayan Comparative analysis of SVM and Naive Bayes classifier for the SEMG signal classification
CN100546553C (zh) 采用肌电和脑电协同控制的假肢手及其控制方法
CN106955111A (zh) 基于表面肌电信号的脑瘫儿步态识别方法
Benatti et al. Analysis of robust implementation of an EMG pattern recognition based control
Joshi et al. High energy spectrogram with integrated prior knowledge for EMG-based locomotion classification
CN102499797B (zh) 假肢控制方法及系统
Cui et al. A multimodal framework based on integration of cortical and muscular activities for decoding human intentions about lower limb motions
CN109366508A (zh) 一种基于bci的高级机械臂控制系统及其实现方法
WO2020118797A1 (zh) 假肢控制方法、装置、系统、设备和存储介质
CN103886215A (zh) 一种基于肌肉协同的步行能力计算方法和装置
CN103793058A (zh) 一种主动式脑机交互系统运动想象任务分类方法及装置
CN106109164A (zh) 康复系统及康复系统的控制方法
CN107822629A (zh) 四肢表面肌电轴的检测方法
Ai et al. Advanced rehabilitative technology: neural interfaces and devices
CN109634419A (zh) 康复机器人运动意图识别方法及其计算机可读存储介质
Narayan Direct comparison of SVM and LR classifier for SEMG signal classification using TFD features
Wang et al. Realtime recognition of multi-finger prehensile gestures
CN201227336Y (zh) 一种脑电肌电联合控制的电动假手
Zhang et al. Activity recognition of the torso based on surface electromyography for exoskeleton control
CN109498362A (zh) 一种偏瘫患者手部运动功能康复训练装置及模型训练方法
CN105686827B (zh) 一种基于微控制器的肌电信号处理及特征提取方法
Zhang et al. Combined influence of classifiers, window lengths and number of channels on EMG pattern recognition for upper limb movement classification
CN116831874A (zh) 一种基于肌电信号的下肢康复器控制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170718

RJ01 Rejection of invention patent application after publication