CN107198508A - 康复度排序方法及复合式交互训练系统 - Google Patents
康复度排序方法及复合式交互训练系统 Download PDFInfo
- Publication number
- CN107198508A CN107198508A CN201610738309.XA CN201610738309A CN107198508A CN 107198508 A CN107198508 A CN 107198508A CN 201610738309 A CN201610738309 A CN 201610738309A CN 107198508 A CN107198508 A CN 107198508A
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- neuron
- mtr
- mtd
- 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
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种康复度排序方法及复合式交互训练系统，所述康复度排序方法，包括：提取肌肉检测信号序列的至少一个特征；将所述肌肉检测信号序列的至少一个特征输入经训练的M个弱回归模型；根据所述M个弱回归模型的输出值获得对应所述肌肉检测信号序列的康复度，其中，每个弱回归模型包括：输入层，包括D个神经元，每个所述输入层的神经元对应所述肌肉检测信号序列的一个特征，D等于所述肌肉检测信号序列的特征数量，D为大于等于1的整数；隐含层，包括R个神经元，R为大于1的整数；以及输出层，包括E个神经元，所述输出层的神经元用于输出对应所述肌肉检测信号序列的康复度，E为大于等于1的整数。
Description
技术领域
本发明涉及信号处理领域，尤其涉及一种康复度排序方法及复合式交互训练系统。
背景技术
神经肌肉疲劳机理与预测研究是国内外运动医学研究的热点，同时也是运动人体科学研究的重点。在运动过程中，由于血液中的供养量，或者营养物质缺乏等都会使肌肉的结构、代谢以及能量等发生一系列变化，会使神经肌肉系统的效率下降，从而肌肉无法继续完成任务，导致肌肉疲劳。肌肉疲劳可能导致肌肉损伤，严重情况下的肌肉疲劳将不可恢复。肌肉疲劳的研究在人机工程学、人机接口、康复医疗、运动损伤、假肢等领域应用前景广泛。
目前，肌肉疲劳的临床检测工具主要有肌电信号(sEMG，surfaceelectromyography)、肌音(MMG，Mechanomyogram)、声肌图(SMG，Sonomyography)、近红外光谱(NIRS，Near-infrared spectroscopy)、声波描记图(AMG，Acoustic myography)、测角传感器等。其中，利用sEMG记录、研究肌肉是劳动生理学中常用的方法，作为一种简单、无创伤、科定量的研究方法，它可研究局部肌肉疲劳过程中的变化特征，是一种精确检测工具。
在实际应用中，通过人工的方式对患者肌肉的康复度进行评估，无法十分准确地运用上述肌肉检测信号，并且受各种因素印象，所得到的康复度有所偏差。
发明内容
本发明为了克服上述现有技术存在的缺陷，提供一种康复度排序方法及复合式交互训练系统，来利用所采集肌肉检测信号序列准确地评估肌肉康复度。
本发明提供一种康复度排序方法，包括：提取肌肉检测信号序列的至少一个特征；将所述肌肉检测信号序列的至少一个特征输入经训练的M个弱回归模型；根据所述M个弱回归模型的输出值获得对应所述肌肉检测信号序列的康复度，其中，每个弱回归模型包括：输入层，包括D个神经元，每个所述输入层的神经元对应所述肌肉检测信号序列的一个特征，D等于所述肌肉检测信号序列的特征数量，D为大于等于1的整数；隐含层，包括R个神经元，R为大于1的整数；以及输出层，包括E个神经元，所述输出层的神经元用于输出对应所述肌肉检测信号序列的康复度，E为大于等于1的整数，每个所述输入层的神经元连接所有所述隐含层的神经元，每个所述输出层的神经元连接所有所述隐含层的神经元。
优选地，对于每个弱回归模型：
所述输入层的神经元和所述隐含层的神经元之间的连接权值W为：
其中，W为R行D列的矩阵，wji表示所述输入层第i个神经元与所述隐含层第j个神经元间的连接权值，i为1至D之间的整数，j为1至R之间的整数；
所述隐含层的神经元与所述输出层的神经元之间的连接权值β为：
其中，β为R行E列的矩阵，βjk表示所述隐含层第j个神经元与所述输出层第k个神经元间的连接权值，k为1至E之间的整数。
所述隐含层的阈值b为：
其中，b为R行1列的矩阵，bj为所述隐含层第j个神经元的阈值。
优选地，所述M个弱回归模型根据如下方式训练：获取多个所述肌肉检测信号序列及对应各所述肌肉检测信号序列的已知康复度；提取多个所述肌肉检测信号序列的多个活动信号段；根据各所述活动信号段提取特征；将所述多个活动信号段中的Q个活动信号段作为训练集，Q为大于1的整数；将所述训练集中各活动信号段的特征作为所述M个弱回归模型的输入；将对应各活动信号段所在的所述肌肉检测信号序列的已知康复度作为所述M个弱回归模型的输出；以及训练所述M个弱回归模型。
优选地，将所述训练集内的Q个活动信号段输入每个所述弱回归模型，对于每个弱回归模型，形成所述输入层的输入矩阵X和所述输出层的输出矩阵Y，分别为：
其中，X为D行Q列的输入矩阵，Y为E行Q列的输出矩阵。
优选地，所述隐含层的神经元的激活函数为g(x)，激活函数g(x)用于传递信号，所述输出层的神经元的输出矩阵Y为：
Y＝[y1，y2，...，yQ]，
其中，Y为E行Q列的矩阵，
其中，wj＝[wj1，wj2，...，wjD]，xl＝[x1l，x2l，...，xDl]T。
优选地，所述隐含层的输出矩阵H与所述隐含层的神经元与所述输出层的神经元之间的连接权值β相乘，得到所述输出层的输出矩阵Y：
Hβ＝Y’，
其中，Y’为所述输出层的输出矩阵Y的转置矩阵，展开为：
当所述激活函数g(x)无限可微时，所述输入层与所述隐含层神经元之间的连接权值W、所述隐含层神经元的阈值b在所述弱回归模型训练前随机设定，且在所述弱回归模型训练过程中保持不变。
优选地，所述隐含层和所述输出层的神经元之间的连接权值β通过求解方程组的最小二乘解来获得,其解为：其中，H+为所述隐含层的输出矩阵H的Moore-penrose广义逆。
优选地，根据如下方式测试所述M个弱回归模型：将所述多个活动信号段中的P个活动信号段作为测试集，P为大于1的整数；将所述测试集中各活动信号段的特征作为经训练的所述M个弱回归模型的输入；输出对应各活动信号段所在的所述肌肉检测信号序列的康复度，将所述康复度与所述已知康复度进行比对。
优选地，根据所述M个弱回归模型的输出值获得对应所述肌肉检测信号序列的康复度包括：对所述M个弱回归模型的输出值进行加权平均以得出对应所述肌肉检测信号序列的康复度。
优选地，还包括：按所述康复度对所述肌肉检测信号序列进行排序。
优选地，所述肌肉检测信号序列为：sEMG信号序列、MMG信号序列、SMG信号序列、NIRS信号序列、AMG信号序列及测角传感信号序列中的一种。
根据本发明的又一方面，还提供一种复合式交互训练系统，包括：多个采集装置，用于分别采集多个对象的肌肉检测信号序列，各所述肌肉检测信号序列包括至少一个活动信号段；至少一个处理器，包括：提取装置，提取各所述肌肉检测信号序列的至少一个特征；互动装置，用于分别向多个对象提供虚拟情景，并根据所述提取装置提取的各所述肌肉检测信号序列的至少一个特征，在所述虚拟情景中进行互动，所述多个对象位于同一虚拟情景中；康复度计算装置，利用如上所述的康复度排序方法获得对应所述肌肉检测信号序列的康复度。
与现有技术相比，本发明具有如下优势：
1)提供康复度排序系统，将表示对象运动参数的肌肉检测信号序列特征输入经训练的弱回归模型，可以自动输出准确的对象康复度；
2)结合上述康复度计算及交互训练系统，通过康复度计算结果控制交互训练系统所提供的情景，进而能够提供适合对象当前康复度的交互训练。
附图说明
通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。
图1示出了根据本发明实施例的基于表面肌电的特征提取方法的流程图。
图2示出了根据本发明实施例的初始sEMG信号序列的波形图。
图3示出了根据对于图2中部分sEMG信号序列的活动信号段获取的过程。
图4示出了根据本发明实施例的sEMG信号序列提取活动信号段后的波形图。
图5示出了根据本发明实施例的基于表面肌电的特征提取系统的示意图。
图6示出了根据本发明一个实施例的基于表面肌电的交互训练系统的示意图。
图7示出了根据本发明另一个实施例的基于表面肌电的交互训练系统的示意图。
图8示出了根据本发明实施例的基于表面肌电的交互训练的流程图。
图9示出了根据本发明实施例的sEMG信号序列的波形图。
图10示出了根据本发明实施例的sEMG信号序列的波形图。
图11示出了根据本发明实施例的康复度排序方法的流程图。
图12示出了根据本发明实施例的训练弱回归模型的流程图。
图13示出了根据本发明实施例的弱回归模型的示意图。
图14示出了根据本发明实施例的测试弱回归模型的流程图。
图15示出了根据本发明实施例的康复度排序方法的流程图。
图16示出了根据本发明再一实施例的交互训练系统的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的结构，因而将省略对它们的重复描述。
所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本发明的实施方式的充分理解。然而，本领域技术人员应意识到，没有特定细节中的一个或更多，或者采用其它的方法、组元、材料等，也可以实践本发明的技术方案。在某些情况下，不详细示出或描述公知结构、材料或者操作以避免模糊本发明。
本发明的附图仅用于示意相对位置关系，附图中元件的大小并不代表实际大小的比例关系。
为了解决现有技术的问题，本发明提供一种基于表面肌电的特征提取方法。首先参见图1，图1示出了根据本发明实施例的基于表面肌电的特征提取方法的流程图。在图1中，供示出5个步骤：
S110：接收sEMG信号序列，sEMG信号序列包括至少一个活动信号段。
具体而言，sEMG信号序列利用诸如电极贴片的采集装置获取。在另一些实施例中，sEMG信号序列通过采集装置获取后，储存在储存装置中，当进行特征提取时，从储存装置中获取sEMG信号序列。
所采集的sEMG信号序列的波形图如图2所示。一段sEMG信号序列可以表示所采集对象一段时间的运动。对象在一段时间内的运动通常会包括至少一个动作。当有多个重复动作时，动作之间会有停顿。因此，表示对象运动的sEMG信号序列会包括至少一个活动信号段。每个活动信号段表示对象的一次动作。
在sEMG信号序列采集时，当对象不做动作时，也会有噪声产生。为了更准确地提取sEMG信号序列的特征，需要提取sEMG信号序列中的活动信号段以去除对象不做动作的噪声。执行下述步骤以进行活动信号段的提取。
S120：根据所述sEMG信号序列的去均值化信号的TKE算子计算信号阈值，根据所述信号阈值检测所述sEMG信号序列中所述活动信号段的起始时间。对于TKE算子，其前身TE算子(Teager energy operator)最早由Teager于1983年提出，针对当时基于线性理论的语音模型，用实验验证了语音信号中包含非线性过程。在1990年，Kaiser在TE算子的基础上导出TKE算子来计算离散时间域和连续时间的音频信号的能量。TKE算子主要用来检测信号的起止点。
具体而言，根据如下公式计算sEMG信号序列的去均值化信号及去均值化信号的TKE算子：
其中，为sEMG信号序列的去均值化信号，x(n)为sEMG信号序列的信号，ψ(n)为去均值化信号的TKE算子，N为所述sEMG信号序列的总长度(此处长度为采样时间乘以采样率，比如采样率为100Hz，采样时间为3秒，那么总长度就是300)，M为sEMG信号序列的背景噪声长度(通常选择肌肉活动发起前450-500ms的时间内的sEMG信号作为背景噪声)。
然后，根据如下公式计算信号阈值：
Th＝u0+j·δ0，
其中，μ0为sEMG信号序列在TKE域内的背景噪声均值，δ0为sEMG信号序列在TKE域内的背景噪声标准差用于计算信号阈值Th，j为大于等于5小于等于30的参数。
接下来，根据如下公式判断sEMG信号序列的信号是否属于活动信号段，也就是判断sEMG信号序列的信号是否表示对象正在进行动作：
其中，s(n)表示判断序列，s(n)＝1表示n处sEMG信号序列的信号属于活动信号段，s(n)＝0表示n处sEMG信号序列的信号不属于活动信号段，换言之，s(n)＝1表示n处对象正在进行动作，s(n)＝0表示n处对象不进行动作。
之后，根据如下公式计算活动信号段的起始时间：
其中，表示活动信号段的起始时间。
具体可参见图3，图3中最上方第一个波形图示出图2的sEMG信号序列中圈出的部分信号序列。对该部分的sEMG信号序列执行步骤S120后，可得到图3上第二个波形图。第二个波形图表示对应于图3中第一个波形图示出的sEMG信号序列的判断序列s(n)。
S130：根据时间阈值修正活动信号段的起始时间获得活动信号段的起止时间。
由于sEMG信号序列中包含的噪声比较多，有可能将正常的肌肉活动中信号的起伏误判为无肌肉活动发生，即将正常的肌肉活动误判为s(n)＝0；同时，也有可能将未活动时的尖峰噪声误判为肌肉活动，即将未活动误判为s(n)＝1。为了实现对一次持续的肌肉活动的准确判断，需要对判断s(n)序列中的“0”和“1”进行一些合并与剔除处理。
具体而言，该通过如下两个步骤进行处理：
若相邻s(n)＝1的时间间隔小于第一时间阈值(例如300ms)，则将该相邻s(n)＝1之间的值全部设置为1。例如，图3中第二个波形图中，s(n)＝1的时间间隔Ta小于第一时间阈值，则将时间间隔Ta内的所有s(n)的值设置为1。按该步骤执行后，可参见图3中第三个波形图。通过该步骤，避免对肌肉活动过程中的sEMG信号序列起伏的无活动误判。
若相邻s(n)＝0的时间间隔小于第二时间阈值(例如100ms)，则将该相邻s(n)＝0之间的值全部设置为0。例如，图3中第三个波形图中，s(n)＝0的时间间隔Tb小于第二时间阈值，则将时间间隔Tb内的所有s(n)的值设置为0。按该步骤执行后，可参见图3中第四个波形图。过该步骤，消除sEMG信号序列的尖峰噪声的肌肉活动误判。
S140：根据所述活动信号段的起止时间提取所述活动信号段。
经上述步骤S130后可获得对应整个sEMG信号序列的判断序列s(n)的波形图，参见图4上一个波形图。根据判断序列s(n)的取值，保留对应s(n)＝1的sEMG信号序列，去除对应s(n)＝0的sEMG信号序列。以获得sEMG信号序列的活动信号段。
S150：根据活动信号段，获取sEMG信号序列的至少一个特征。
为了准确、全面的反应肌肉的活动功能状态，减少信息的冗余，则需要对sEMG信号序列进行特征提取。可以提取的特征包括最大幅值、能量、近似熵、积分肌电值、平均功率频率、中值频率中的一个或多个。
具体而言，最大幅值(AMP)可以根据如下公式提取：
AMP＝max(xi)(i＝1,2,...,N)，
其中，N表示sEMG信号序列的长度，xi表示sEMG信号序列长度i处的信号值。
能量(E)可以根据如下公式计算：
其中，N表示sEMG信号序列的长度，xi表示sEMG信号序列长度i处的信号值。
近似熵(Approximation Entropy，ApEn)是一个用来定量描述信号序列(时间序列)复杂性的非线性动力学参数。它用一个非负数来表示时间序列的复杂性，与不规则的时间序列对应的近似熵越大。近似熵的计算步骤如下：
(1)按顺序重构m维相空间：
X(i)＝[x(i)，x(i+1)，...，x(i+m-1)]，
其中，X(i)为m维相空间向量，x(i)表示sEMG信号序列长度i处的信号值，1≤i≤N-m+1，m为5至30之间的整数。
(2)计算向量X(i)和X(j)之间的距离dij：
dij＝max|x(i+k)-x(j+k)|，
其中，0≤k≤m-1，1≤i，j≤N-m+1。
(3)选定相似容限r>0，对每个X(i)，统计距离dij≤r的数目，并计算该数目与向量总数的比值
(4)将比值取对数，然后求其对于所有i的平均值Φm(r)：
(5)将维数m增加1，重复上述步骤(1)至(4)，求得和Φm+(r)。
(6)近似熵ApEn根据如下公式计算：
(7)若N为有限值，则近似熵ApEn由统计值估计得到，即：
ApEn(m，r，N)＝Φm(r)-Φm+1(r)。
除了最大幅值、能量、近似熵等特征外，还可以提取积分肌电值(iEMG)、平均功率频率(MPF)和中值频率(MF)等特征。
积分肌电值iEMG可以表征肌肉活动过程中产生的力量大小，按如下公式计算：
其中，x(i)(i＝0,1,2,…,N)为长度为N的一个活动信号段内的sEMG信号序列。
中值频率(MF)和平均功率频率(MPF)可以表征肌肉收缩过程中的疲劳状况，随着肌肉疲劳的发生发展，二者呈下降趋势。
中值频率fmf按如下公式计算：
平均功率频率fmean按如下公式计算：
其中，请提供上述两个公式中，各符号的含义。
按上述步骤S110至步骤S150可以准确地根据活动信号段提取sEMG信号序列的至少一个特征。
对应上述特征提取方法，本发明还提供一种特征提取系统，参见图5。图5示出了根据本发明实施例的基于表面肌电的特征提取系统的示意图。图5所示的特征提取系统中，包括采集装置210及处理器220。采集装置210优选地为采集对象肌肉活动信息的电极贴片。采集装置210用于采集sEMG信号序列。sEMG信号序列包括表示对象进行动作的至少一个活动信号段。
处理器220与采集装置210通信。优选地，处理器220通过有线连接的方式与采集装置210通信，在一些变化例中，处理器220也可以通过无线的方式与采集装置210通信。可采用的无线通信技术包括但不限于蓝牙、ZigBee、局域网、互联网、RFID等。
处理器220包括接收装置221、第一计算装置222、修正装置223、活动信号段提取装置224及特征提取装置225。
接收装置221与采集装置210通信，并用于接收sEMG信号序列。第一计算装置222根据接收装置221接收的sEMG信号序列，进行计算。第一计算装置222执行图1所示步骤S120。也就是说第一计算装置222用于根据sEMG信号序列的去均值化信号的TKE算子计算信号阈值，并根据信号阈值检测sEMG信号序列中活动信号段的起始时间。修正装置223根据第一计算装置222所计算的活动信号段的起始时间修正活动信号段的起止时间。修正装置223执行图1所示步骤S130。也就是说修正装置223用于依据时间阈值修正活动信号段的起始时间获得活动信号段的起止时间。活动信号段提取装置224执行图1所示的步骤S140，用于根据修正装置223修正的活动信号段的起止时间提取活动信号段。特征提取装置225执行图1所示的步骤S150，用于根据活动信号段提取装置224提取的活动信号段，获取sEMG信号序列的至少一个特征。
图5仅仅示出处理器220的部分装置，在一些变化例中，处理器220还可以包括执行其他功能的装置。另外，图5中处理器各装置可以是独立的装置，或者集成在同一个装置中，本领域技术人员可以实现不同的变化例，在此不予赘述。
本发明还提一种基于表面肌电的交互训练系统，参见图6和图7。图6和图7示出本发明提供的基于表面肌电的交互训练系统的两个实施例。
首先参见图6，图6示出本发明第一实施例的基于表面肌电的交互训练系统300。交互训练系统300包括采集装置310及处理器320。
采集装置310优选地为采集对象肌肉活动信息的电极贴片，用于采集某个对象的sEMG信号序列。可选地，采集装置310集成在一个康复训练设备上。处理器320与采集装置310通讯。优选地，处理器320可以通过内置或外设的接收装置接收采集装置310采集的sEMG信号序列。
处理器320包括提取装置321及互动装置322。提取装置321采用图1所示的特征提取方法提取所述sEMG信号序列的至少一个特征。互动装置322用于向对象提供虚拟情景，并根据提取装置提取的sEMG信号序列的至少一个特征，在虚拟情景中进行互动。
然后参见图7，图7示出本发明第二实施例的基于表面肌电的交互训练系统400。交互训练系统400包括多个采集装置(包括采集装置410A、410B及410C)、多个显示装置(包括显示装置430A、430B及430C)及处理器420。
多个采集装置用于分别采集多个对象的sEMG信号序列。各采集装置与一个显示装置对应。例如，采集装置410A对应显示装置430A；采集装置410B对应显示装置430B；采集装置410C对应显示装置430C。换言之，对于每个对象，一个采集装置采集该对象的sEMG信号序列，一个显示装置向该对象显示图像。优选地，对应的采集装置及显示装置集成在一个康复训练设备上。处理器420分别与多个采集装置通讯。优选地，处理器420可以通过内置或外设的接收装置接收采集装置采集的sEMG信号序列。
处理器420包括提取装置421、角色分配装置422及互动装置323。提取装置421采用图1所示的特征提取方法提取所述sEMG信号序列的至少一个特征。角色分配装置422根据不同的采集装置或者不同的sEMG信号序列的特征向对象分配不同的角色。互动装置423与显示装置进行通信，并通过显示装置向对象提供虚拟情景，并根据提取装置提取的sEMG信号序列的至少一个特征，在虚拟情景中进行互动，多个对象以不同的角色在同一虚拟情景中进行互动。
在第二实施例中，多个采集装置、多个显示装置及处理器位于同一空间中。在这样的实施例中，采集装置、显示装置及处理器可以通过近距离无线连接或有线连接的方式进行通信。
在第二实施例的一个变化例中，采集装置410A和显示装置430A位于第一空间中；采集装置410B和显示装置430B位于第二空间中；采集装置410C和显示装置430C位于第三空间中。而处理器可以位于上述第一空间、第二空间、第三空间或者不同于上述任一空间的第四空间中。上述第一空间、第二空间、第三空间及第四空间为不同的空间。采集装置、显示装置及处理器可以通过诸如互联网等远距离无线连接的方式进行通信。
上述图6及图7仅仅示意性地示出基于表面肌电的交互训练系统的示意图，本领域技术人员还可以实现更多的变化例，例如，采集装置的数量、显示装置的数量、每个对象所需的采集装置的数量、处理器中的其他元件等。这些变化都在本发明的保护范围内。
具体而言，本发明提供的互动训练的流程图可以参见图8。图8共示出4个步骤：
首先是步骤S510，采集装置采集多个对象的sEMG信号序列。例如，采集获得sEMG1、sEMG2、...、sEMGN。采集获得的多个sEMG信号序列sEMG1、sEMG2、...、sEMGN通过步骤S520进行预处理，预处理包括但不限于活动信号段的提取、去噪、平滑等信号处理。预处理后，执行步骤S530，步骤S530与步骤S150类似，根据处理后的sEMG信号序列进行特征提取。之后执行步骤，S540对于不同的对象分配不同的角色，并进行虚拟情景交互。例如，向sEMG1的对象分配角色1；向sEMG2的对象分配角色2；向sEMGN的对象分配角色N。多个角色在同一虚拟情景中进行交互。
进一步地，基于表面肌电的交互训练系统的互动装置可以提供多个虚拟情景，各虚拟情景对应sEMG信号序列的一个或多个特征。
以打气球为例，假设虚拟情中有多个虚拟角色(虚拟手臂)，同时有多个飘在空中的气球，气球的高度各不相同，对应的打破气球的分值也不同。电极贴片贴附在对象手臂上，对象通过侧抬手臂的高度来实现击打气球，目标是在规定的时间(譬如一分钟内)比赛，来比较获得分数的高低(分数击打气球的个数×每个气球对应的分值)。
某次实验中，两名对象完成侧抬手臂动作时的sEMG信号序列如图9和如10所示。从图9中可以直观地看出，该对象的sEMG信号序列最大幅值约为100uV左右，而图10中对象的sEMG信号最大幅值可达250-300uV。因此，可以通过最大幅值这个特征来控制虚拟情景中不同高度的气球是否被击破。
本发明还提供一种康复度排序方法，参见图11。康复度排序方法所使用的肌肉检测信号序列可以是sEMG信号序列、MMG信号序列、SMG信号序列、NIRS信号序列、AMG信号序列及测角传感信号序列中的一种。下面各图以sEMG信号序列为例，进行说明，但本发明并非以此为限。图11示出了根据本发明实施例的康复度排序方法的流程图。在图11中共示出3个步骤：
步骤S610：采用如图1所示的特征提取方法提取sEMG信号序列的至少一个特征。
步骤S620：将sEMG信号序列的至少一个特征输入经训练的M个弱回归模型。M可以是5至100之间的整数。具体而言，该M个弱回归模型是基于随机森林算法的极限学习机来建立的。
步骤S630：根据所述M个弱回归模型的输出值获得对应sEMG信号序列的康复度。具体而言，由于M个弱回归模型输出多个康复度，因此需要对对所述M个弱回归模型的输出值进行加权平均以得出对应所述sEMG信号序列的康复度。
步骤S630之后还可以包括根据康复度对sEMG信号序列进行排序的步骤。
具体而言，上述M个弱回归模型根据如图12所示的方式训练：
步骤S601：获取多个sEMG信号序列及对应各sEMG信号序列的已知康复度。
具体而言，上述已知康复度是医生根据患者(对象)运动情况判定的康复度。对应于一个对象，其sEMG信号序列对应一个已知康复度。
步骤S602：提取多个sEMG信号序列的多个活动信号段。
可以依照图1所示步骤S120至步骤S140提取活动信号段。
步骤S603：根据各活动信号段提取特征。
可以提取的特征包括最大幅值、能量、近似熵、积分肌电值、平均功率频率、中值频率中的一个或多个。
步骤S604：将多个活动信号段中的Q个活动信号段作为训练集，Q小于等于活动信号段的总数。一般而言，Q可以是50至1000之间的整数。
步骤S605：将训练集中各活动信号段的特征作为M个弱回归模型的输入。
步骤S606：将对应各活动信号段所在的sEMG信号序列的已知康复度作为M个弱回归模型的输出。
步骤S607：训练M个弱回归模型。
一个弱回归模型的训练可以参见图13。
假设输入层710与隐含层730、隐含层730与输出层750的神经元720、731、740之间采用全连接的方式。假设输入层710有D个神经元，对应D个输入变量(也就是输入的特征的数量)，隐含层730有R个神经元，输出层750有E个神经元740，对应E个输出变量(在本实施例中，E＝1，对应一个sEMG信号序列的D个特征输出一个康复度)。不失一般性，假设输入层710和隐含层730之间的连接权值W为：
其中，W为R行D列的矩阵，wji表示输入层710第i个神经元720与隐含层730第j个神经元731间的连接权值，i为1至D之间的整数，j为1至R之间的整数。
假设隐含层730与输出层之间的连接权值β为：
其中，β为R行E列的矩阵，βjk表示隐含层730第j个神经元731与输出层750第k个神经元740间的连接权值，k为1至E之间的整数。
假设隐含层神经元731的阈值b为：
其中，b为R行1列的矩阵。
假设训练集中共有Q个活动信号段(Q个样本)，则弱回归模型输入层的输入矩阵X和输出层的输出矩阵Y分别为：
其中，X为D行Q列的输入矩阵，Y为E行Q列的输出矩阵。
假设隐含层神经元的激活函数为g(x)，激活函数用于传递信号，则根据图13可得，输出层神经元的输出Y为：
Y＝[y1，y2，...，yQ]，
其中，Y为E行Q列的矩阵，
其中，wj＝[wj1，wj2，...，wjD]，xl＝[x1l，x2l，...，xDl]T，此处上标T表示转置矩阵。
上式可表示为：
Hβ＝Y’，
其中，Y’为矩阵Y的转置矩阵，H称为神经网络的隐含层的输出矩阵(隐含层的输出矩阵指的是隐含层各个神经元的输出所拼接在一起形成的矩阵，隐含层输出矩阵与β相乘，即可得到输出层神经元的输出矩阵Y，具体可表示为：
当激活函数g(x)无限可微时，SLFN的参数(SLFN的参数指的是输入层与隐含层神经元之间的连接权值、隐含层神经元的阈值、隐含层与输出层神经元之间的连接权值)并不需要全部进行调整，W和b在训练前可以随机选择，且在训练过程中保持不变。而隐含层730和输出层750间的连接权值β可以通过求解方程组的最小二乘解来获得,其解为：其中，H+为隐含层730的输出矩阵H的Moore-penrose广义逆。求解所得的连接权值β可用于实际康复度检测。
结合图13，按照上述方式可以训练如图13所示的一个弱回归模型，相应的可以利用相同的方式训练M个弱回归模型。
在基于表面肌电的康复度排序方法的一个变化例中，训练M个弱回归模型后，还包括测试测试M个弱回归模型的步骤，具体参考图14：
步骤S611：将步骤S603中提取的多个活动信号段中的P个活动信号段作为测试集。优选地，P为活动信号段的总数减去Q。例如，P可以是10至200之间的整数。
步骤S612：将测试集中各活动信号段的特征作为经训练的M个弱回归模型的输入。
步骤S613：输出对应各活动信号段所在的sEMG信号序列的康复度，将康复度与已知康复度进行比对。若同一sEMG信号序列的M个弱回归模型输出的康复度与已知康复度接近，则可以判定M个弱回归模型完成训练，若同一sEMG信号序列的M个弱回归模型输出的康复度与已知康复度差异较大，则可以继续训练M个弱回归模型。
接下来参考图15，图15示出了根据本发明实施例的康复度排序方法的流程图。
在弱回归模型训练阶段910，步骤911，获取sEMG信号序列。在步骤S912对于sEMG信号序列进行预处理。步骤S913提取处理后的sEMG信号序列的特征。将sEMG信号序列的特征作为M个弱回归模型的输入，将对应sEMG信号序列的已知康复度作为M个弱回归模型的输出(步骤S914)。步骤S915对M个弱回归模型进行训练。
在弱回归模型训练阶段910的一个具体实施例中，共有20名处于不同康复阶段的对象，分别让他们完成侧抬手臂动作10次，同时记录下动作执行过程中的sEMG信号序列。首先提取各个动作的活动信号段，即共200段sEMG活动信号段。并将其随机分为训练集和测试集，其中训练集包括150段sEMG活动信号段，测试集包含剩余50段sEMG活动信号段。然后，针对每段sEMG活动信号段，提取对应的特征(最大幅值、能量、近似熵、积分肌电值、平均功率频率和中值频率等)。接着，采用随机森林方法建立10个弱回归模型，每个弱回归模型中，训练集的各个特征作为弱回归模型的输入，临床医生对各个对象分期评估结果(已知康复度)作为弱回归模型的输出进行训练。
弱回归模型训练阶段910还可以包括模型测试阶段，针对测试集中的50段sEMG活动信号段，首先提取各个活动信号段的特征，然后将特征分别输入10个弱回归模型，接着将10个弱回归模型的输出进行平均，从而得到测试康复度。可将测试康复度与已知康复度进行对比，以完成弱回归模型的测试。
在康复度获取阶段920，步骤921，获取sEMG信号序列。在步骤S922对于sEMG信号序列进行预处理。步骤S923提取处理后的sEMG信号序列的特征。将sEMG信号序列的特征输出M个弱回归模型，在步骤S924，由M个弱回归模型输出康复度。
本领域技术人员理解，上述弱回归模型训练阶段910中多个弱回归模型M一旦进入训练后，康复度获取阶段920和弱回归模型训练阶段910的后续训练可以同步进行，以在弱回归模型训练阶段910不断训练成熟的过程中，获得更准确的康复度。
本发明还提供一种复合式的交互训练系统，如图16所示。图16所示的交互训练系统800包括多个采集装置、多个显示装置及至少一个处理器820。
多个采集装置用于分别采集多个对象的sEMG信号序列。各采集装置与一个显示装置对应。例如，采集装置810A对应显示装置830A；采集装置810B对应显示装置830B。换言之，对于每个对象，一个采集装置采集该对象的sEMG信号序列，一个显示装置向该对象显示图像。优选地，对应的采集装置及显示装置集成在一个康复训练设备上。处理器820分别与多个采集装置通讯。优选地，处理器820可以通过内置或外设的接收装置接收采集装置采集的sEMG信号序列。
处理器820包括提取装置821、互动装置822、康复度计算装置823及调整装置824。提取装置821采用图1所示的特征提取方法提取所述sEMG信号序列的至少一个特征。互动装置822与显示装置进行通信，并通过显示装置向对象提供虚拟情景，并根据提取装置提取的sEMG信号序列的至少一个特征，在虚拟情景中进行互动，多个对象以不同的角色在同一虚拟情景中进行互动。康复度计算装置823执行图11所示的步骤，用于将提取装置821提取的各sEMG信号序列的至少一个特征输入经训练的M个弱回归模型，并根据M个弱回归模型的输出值获得对应sEMG信号序列的康复度。调整装置824用于根据康复度计算装置计算的康复度调整互动装置822提供的虚拟情景。例如，调整装置824用于根据康复度计算装置计算的康复度调整互动装置822提供的虚拟情景中的难度系数和其他参数。
图16仅示出基于表面肌电的复合式的交互训练系统一种实施例，本领域技术人员还可以实现更多的变化例，例如，各装置的数量、各装置的集成、其他功能元件的添加等，这些变化都在本发明的保护范围内。
与现有技术相比，本发明具有如下优势：
1)提供康复度排序系统，将表示对象运动参数的肌肉检测信号序列特征输入经训练的弱回归模型，可以自动输出准确的对象康复度；
2)结合上述康复度计算及交互训练系统，通过康复度计算结果控制交互训练系统所提供的情景，进而能够提供适合对象当前康复度的交互训练。
以上具体地示出和描述了本发明的示例性实施方式。应该理解，本发明不限于所公开的实施方式，相反，本发明意图涵盖包含在所附权利要求范围内的各种修改和等效置换。
Claims (12)
1.一种康复度排序方法，其特征在于，包括：
提取肌肉检测信号序列的至少一个特征；
将所述肌肉检测信号序列的至少一个特征输入经训练的M个弱回归模型，M为大于1的整数；
根据所述M个弱回归模型的输出值获得对应所述肌肉检测信号序列的康复度，
其中，每个弱回归模型包括：
输入层，包括D个神经元，每个所述输入层的神经元对应所述肌肉检测信号序列的一个特征，D等于所述肌肉检测信号序列的特征数量，D为大于等于1的整数；
隐含层，包括R个神经元，R为大于1的整数；以及
输出层，包括E个神经元，所述输出层的神经元用于输出对应所述肌肉检测信号序列的康复度，E为大于等于1的整数，
每个所述输入层的神经元连接所有所述隐含层的神经元，每个所述输出层的神经元连接所有所述隐含层的神经元。
2.如权利要求1所述的康复度排序方法，其特征在于，对于每个弱回归模型：
所述输入层的神经元和所述隐含层的神经元之间的连接权值W为：
其中，W为R行D列的矩阵，wji表示所述输入层第i个神经元与所述隐含层第j个神经元间的连接权值，i为1至D之间的整数，j为1至R之间的整数；
所述隐含层的神经元与所述输出层的神经元之间的连接权值β为：
其中，β为R行E列的矩阵，βjk表示所述隐含层第j个神经元与所述输出层第k个神经元间的连接权值，k为1至E之间的整数。
所述隐含层的阈值b为：
<mrow>
<mi>b</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>b</mi>
<mn>2</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>...</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>b</mi>
<mi>R</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
其中，b为R行1列的矩阵，bj为所述隐含层第j个神经元的阈值。
3.如权利要求2所述的康复度排序方法，其特征在于，所述M个弱回归模型根据如下方式训练：
获取多个所述肌肉检测信号序列及对应各所述肌肉检测信号序列的已知康复度；
提取多个所述肌肉检测信号序列的多个活动信号段；
根据各所述活动信号段提取特征；
将所述多个活动信号段中的Q个活动信号段作为训练集，Q为大于1的整数；
将所述训练集中各活动信号段的特征作为所述M个弱回归模型的输入；
将对应各活动信号段所在的所述肌肉检测信号序列的已知康复度作为所述M个弱回归模型的输出；以及
训练所述M个弱回归模型。
4.如权利要求3所述的康复度排序方法，其特征在于，
将所述训练集内的Q个活动信号段输入每个所述弱回归模型，
对于每个弱回归模型，形成所述输入层的输入矩阵X和所述输出层的输出矩阵Y，分别为：
其中，X为D行Q列的输入矩阵，Y为E行Q列的输出矩阵。
5.如权利要求4所述的康复度排序方法，其特征在于，
所述隐含层的神经元的激活函数为g(x)，激活函数g(x)用于传递信号，所述输出层的输出矩阵Y为：
Y＝[y1，y2，...，yQ]，
其中，Y为E行Q列的矩阵，
<mrow>
<msub>
<mi>y</mi>
<mi>l</mi>
</msub>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>y</mi>
<mrow>
<mn>1</mn>
<mi>l</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>y</mi>
<mrow>
<mn>2</mn>
<mi>l</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>...</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>y</mi>
<mrow>
<mi>E</mi>
<mi>l</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>R</mi>
</msubsup>
<msub>
<mi>&beta;</mi>
<mrow>
<mi>j</mi>
<mn>1</mn>
</mrow>
</msub>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mi>j</mi>
</msub>
<msub>
<mi>x</mi>
<mi>l</mi>
</msub>
<mo>+</mo>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>R</mi>
</msubsup>
<msub>
<mi>&beta;</mi>
<mrow>
<mi>j</mi>
<mn>2</mn>
</mrow>
</msub>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mi>j</mi>
</msub>
<msub>
<mi>x</mi>
<mi>l</mi>
</msub>
<mo>+</mo>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>...</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>R</mi>
</msubsup>
<msub>
<mi>&beta;</mi>
<mrow>
<mi>j</mi>
<mi>E</mi>
</mrow>
</msub>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mi>j</mi>
</msub>
<msub>
<mi>x</mi>
<mi>l</mi>
</msub>
<mo>+</mo>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>Q</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中，wj＝[wj1，wj2，...，wjD]，xl＝[x1l，x2l，...，xDl]T。
6.如权利要求5所述的康复度排序方法，其特征在于，所述隐含层的输出矩阵H与所述隐含层的神经元与所述输出层的神经元之间的连接权值β相乘，得到所述输出层的输出矩阵Y：
Hβ＝Y’，
其中，Y’为所述输出层的输出矩阵Y的转置矩阵，展开为：
当所述激活函数g(x)无限可微时，所述输入层与所述隐含层神经元之间的连接权值W、所述隐含层神经元的阈值b在所述弱回归模型训练前随机设定，且在所述弱回归模型训练过程中保持不变。
7.如权利要求6所述的康复度排序方法，其特征在于，
所述隐含层和所述输出层的神经元之间的连接权值β通过求解方程组的最小二乘解来获得,其解为：其中，H+为所述隐含层的输出矩阵H的Moore-penrose广义逆。
8.如权利要求2所述的康复度排序方法，其特征在于，
根据如下方式测试所述M个弱回归模型：
将所述多个活动信号段中的P个活动信号段作为测试集，P为大于1的整数；
将所述测试集中各活动信号段的特征作为经训练的所述M个弱回归模型的输入；
输出对应各活动信号段所在的所述肌肉检测信号序列的康复度，将所述康复度与所述已知康复度进行比对。
9.如权利要求2所述的康复度排序方法，其特征在于，根据所述M个弱回归模型的输出值获得对应所述肌肉检测信号序列的康复度包括：
对所述M个弱回归模型的输出值进行加权平均以得出对应所述肌肉检测信号序列的康复度。
10.如权利要求1至9任一项所述的康复度排序方法，其特征在于，还包括：
按所述康复度对所述肌肉检测信号序列进行排序。
11.如权利要求1至9任一项所述的康复度排序方法，其特征在于，所述肌肉检测信号序列为：sEMG信号序列、MMG信号序列、SMG信号序列、NIRS信号序列、AMG信号序列及测角传感信号序列中的一种。
12.一种复合式交互训练系统，其特征在于，包括：
多个采集装置，用于分别采集多个对象的肌肉检测信号序列，各所述肌肉检测信号序列包括至少一个活动信号段；
至少一个处理器，包括：
提取装置，提取各所述肌肉检测信号序列的至少一个特征；
互动装置，用于分别向多个对象提供虚拟情景，并根据所述提取装置提取的各所述肌肉检测信号序列的至少一个特征，在所述虚拟情景中进行互动，所述多个对象位于同一虚拟情景中；
康复度计算装置，利用如权利要求1至11任一项所述的康复度排序方法获得对应所述肌肉检测信号序列的康复度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610738309.XA CN107198508B (zh) | 2016-08-26 | 2016-08-26 | 康复度排序方法及复合式交互训练系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610738309.XA CN107198508B (zh) | 2016-08-26 | 2016-08-26 | 康复度排序方法及复合式交互训练系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107198508A true CN107198508A (zh) | 2017-09-26 |
| CN107198508B CN107198508B (zh) | 2021-01-22 |
Family
ID=59904818
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610738309.XA Active CN107198508B (zh) | 2016-08-26 | 2016-08-26 | 康复度排序方法及复合式交互训练系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107198508B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108742614A (zh) * | 2018-06-11 | 2018-11-06 | 上海交通大学 | 一种联合表面肌电肌音与近红外光谱的肌肉疲劳检测方法 |
| CN110420025A (zh) * | 2019-09-03 | 2019-11-08 | 北京海益同展信息科技有限公司 | 表面肌电信号处理方法、装置和可穿戴设备 |
| CN111723717A (zh) * | 2020-06-11 | 2020-09-29 | 天津大学 | 一种无声语音识别方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090318779A1 (en) * | 2006-05-24 | 2009-12-24 | Bao Tran | Mesh network stroke monitoring appliance |
| CN102622605A (zh) * | 2012-02-17 | 2012-08-01 | 国电科学技术研究院 | 一种表面肌电信号的特征提取及动作模式识别方法 |
| 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 |
| CN102982373A (zh) * | 2012-12-31 | 2013-03-20 | 山东大学 | 一种混合svm回归算法的oin神经网络训练方法 |
| CN103699873A (zh) * | 2013-09-22 | 2014-04-02 | 杭州电子科技大学 | 基于ga-bp神经网络下肢平地行走步态识别方法 |
| CN105769202A (zh) * | 2016-04-29 | 2016-07-20 | 中国科学院苏州生物医学工程技术研究所 | 多体位压力平衡评估系统 |
-
2016
- 2016-08-26 CN CN201610738309.XA patent/CN107198508B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090318779A1 (en) * | 2006-05-24 | 2009-12-24 | Bao Tran | Mesh network stroke monitoring appliance |
| CN102622605A (zh) * | 2012-02-17 | 2012-08-01 | 国电科学技术研究院 | 一种表面肌电信号的特征提取及动作模式识别方法 |
| 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 |
| CN102982373A (zh) * | 2012-12-31 | 2013-03-20 | 山东大学 | 一种混合svm回归算法的oin神经网络训练方法 |
| CN103699873A (zh) * | 2013-09-22 | 2014-04-02 | 杭州电子科技大学 | 基于ga-bp神经网络下肢平地行走步态识别方法 |
| CN105769202A (zh) * | 2016-04-29 | 2016-07-20 | 中国科学院苏州生物医学工程技术研究所 | 多体位压力平衡评估系统 |
Non-Patent Citations (1)
| Title |
|---|
| 赵鹏: "基于肌电反馈的下肢康复机器人控制策略研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108742614A (zh) * | 2018-06-11 | 2018-11-06 | 上海交通大学 | 一种联合表面肌电肌音与近红外光谱的肌肉疲劳检测方法 |
| CN110420025A (zh) * | 2019-09-03 | 2019-11-08 | 北京海益同展信息科技有限公司 | 表面肌电信号处理方法、装置和可穿戴设备 |
| CN110420025B (zh) * | 2019-09-03 | 2022-02-01 | 京东科技信息技术有限公司 | 表面肌电信号处理方法、装置和可穿戴设备 |
| CN111723717A (zh) * | 2020-06-11 | 2020-09-29 | 天津大学 | 一种无声语音识别方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107198508B (zh) | 2021-01-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107198509A (zh) | 基于表面肌电的特征提取方法及系统 | |
| CN106980746B (zh) | 一种基于时序分析的通用无创血糖预测方法 | |
| CN104883966B (zh) | 用于确定通气阈的方法和系统 | |
| Mai et al. | ECG biometric using multilayer perceptron and radial basis function neural networks | |
| CN107837082A (zh) | 基于人工智能自学习的心电图自动分析方法和装置 | |
| CN102622605B (zh) | 一种表面肌电信号的特征提取及动作模式识别方法 | |
| CN107714023A (zh) | 基于人工智能自学习的静态心电图分析方法和装置 | |
| CN107137071A (zh) | 一种分析心冲击信号用来计算短期心率值的方法 | |
| US11547344B2 (en) | System and method for post-stroke rehabilitation and recovery using adaptive surface electromyographic sensing and visualization | |
| CN110179643A (zh) | 一种基于环带传感器的颈部康复训练系统和训练方法 | |
| CN106725376B (zh) | 体征信号检测方法及装置 | |
| Ma et al. | sEMG-based trunk compensation detection in rehabilitation training | |
| Jose et al. | Classification of forearm movements from sEMG time domain features using machine learning algorithms | |
| CN107198508A (zh) | 康复度排序方法及复合式交互训练系统 | |
| CN108354610A (zh) | 一种基于三轴传感器和心电传感器的老人跌倒检测方法及检测系统 | |
| JP6656633B2 (ja) | 生体信号が表す情報を識別するためのシステム | |
| CN103886184A (zh) | 一种心脏病理识别模型的构建方法 | |
| Wan et al. | A neural network to identify human subjects with electrocardiogram signals | |
| CN114298089A (zh) | 一种多模态力量训练辅助方法和系统 | |
| CN111358453A (zh) | 一种血压分类预测方法和装置 | |
| Yen et al. | Applying a deep learning network in continuous physiological parameter estimation based on photoplethysmography sensor signals | |
| KR100994408B1 (ko) | 손가락 힘 추정 방법 및 추정 장치, 손가락 힘 추정을 위한근육 판별 방법 및 근육 판별 장치 | |
| Badura | Accelerometric signals in automatic balance assessment | |
| KR20190080598A (ko) | 생체신호를 이용한 감성 검출 시스템 및 그 방법 | |
| Veer | A flexible approach for segregating physiological signals |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |