CN107518896B - 一种肌电臂环佩戴位置预测方法和系统 - Google Patents
一种肌电臂环佩戴位置预测方法和系统 Download PDFInfo
- Publication number
- CN107518896B CN107518896B CN201710565772.3A CN201710565772A CN107518896B CN 107518896 B CN107518896 B CN 107518896B CN 201710565772 A CN201710565772 A CN 201710565772A CN 107518896 B CN107518896 B CN 107518896B
- Authority
- CN
- China
- Prior art keywords
- position prediction
- electromyography signal
- prediction
- wearing
- feature
- 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
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6813—Specially adapted to be attached to a specific body part
- A61B5/6824—Arm or wrist
-
- 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
- A61B5/7221—Determining signal validity, reliability or quality
-
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种肌电臂环佩戴位置预测方法,包括如下步骤:细粒度特征提取步骤,是基于经验模态分解算法,将肌电信号分解为本征模函数分量并对该肌电信号及该分量分别提取时域、频域特征组成位置预测样本;佩戴位置预测步骤,通过肌电臂环采集当前时刻肌电信号,提取该信号细粒度特征,经位置预测模型获取当前时刻的位置预测概率向量,再融合当前时刻之前的历史时刻位置预测概率向量,计算生成当前佩戴位置预测结果。本发明能够提升佩戴位置的预测精度,降低预测误差,具有精准度高、稳定性强的优势。
Description
技术领域
本发明涉及信号处理、人机交互以及普适计算等领域,具体地说,本发明涉及一种融合时序信息的肌电臂环佩戴位置预测方法和系统。
背景技术
肌电(Electromyographic,EMG)信号是由骨骼肌收缩时产生的一种生物电信号,包含诸如肌肉力度、伸屈状态、肌肉阻抗等丰富的信息。肌电信号是常见的生物电信号,具有非线性、非平稳的特性,需要先验基函数的傅里叶变换、小波变换等传统分析方法不适用肌电信号的分析。
近年来,随着生物电信号感知技术的不断发展,基于可穿戴设备的肌电信号在人机交互、临床诊断、医疗康复、运动控制等领域得到了越来越广泛的应用。相关发明有CN201610910414.7、CN201610824475.1、CN201510151899.1、CN201480004523.1、US2017079771-A1等。
肌电信号可通过佩戴于皮肤表面的肌电仪测量得到,常见的可穿戴肌电仪主要有两种,一种由固定于皮肤表面的电极构成,具有位置固定、测量精准的优势,但穿戴不便;另一种由大规模电极阵列组成,能够测量皮肤表面多个区域的肌肉活动变化,但需要很多电极且设备配置复杂。针对以上两种肌电感知设备的不足,能够同时兼顾精准、可穿戴要求的肌电臂环逐渐出现并扮演着越来越重要的角色。相关发明有CN201610172001.3、CN201580022552.5、WO2017025363-A1、CA2925644-A1等。
肌电臂环是一种允许以任意旋转角度佩戴于前臂上端的肌电信号采集设备,随着对可穿戴肌电信号感知设备研究的不断深入,不仅出现了EMPress等肌电臂环设计架构,还涌现了多种成熟产品。在肌电臂环的研究和应用过程中,其佩戴位置影响肌电的信号分布问题引起了越来越广泛的关注,在人体运动状态保持不变的前提下,肌电臂环佩戴位置的变化将带来感知信号的改变,使基于特定位置训练的初始识别模型的准确率降低甚至不再适用,因而,确定肌电臂环佩戴位置至关重要。
发明内容
为解决上述问题,本发明提出了一种融合时序信息的肌电臂环佩戴位置预测方法,能够充分挖掘肌电信号的细粒度特征,并提升位置预测的精度。
针对肌电臂环佩戴位置的时间局部性特性,本发明在使用当前时刻肌电信号的基础上,又融合了前T时刻信号特征,共同决策当前时刻肌电臂环佩戴位置。另外,为实现肌电臂环佩戴位置的精准预测,在数据处理方面,本发明根据感知到的肌电信号,基于经验模态分解(Empirical Mode Decomposition,EMD)信号处理思想,根据原始肌电信号的自身特性将其分解为不同尺度分量,并分别提取时域和频域特征,以获取其细粒度表征。
具体来说,本发明公开了一种肌电臂环佩戴位置预测方法,包括:
步骤1、旋转肌电臂环于某一位置以采集带有该位置特征肌电信号,将该位置肌电信号通过经验模态分解算法分解为本征模函数分量,对该肌电信号及该分量分别提取细粒度特征,组成位置预测训练样本,按位置特征组成位置预测训练样本集,使用该样本集利用随机森林算法训练位置预测模型;
步骤2、将某一时刻i的肌电信号,提取该肌电信号细粒度特征组成位置预测样本Ft;
步骤3、将该位置预测样本Ft输入至肌电臂环上的位置预测模型以获取该时刻i的位置预测概率向量L’i;
步骤4、将该时刻之前的历史时刻i-j的肌电信号,提取该肌电信号细粒度特征组成位置预测样本Fi-j,
步骤5、将该位置预测样本Fi-j输入至肌电臂环上的位置预测模型得到该历史时刻i-j的位置预测概率向量L’i-j,
步骤6、通过L’i和L’i-j得到佩戴位置概率向量,并选择概率最大的位置作为位置预测结果,其中i、j、T为时间参数,j∈[1,2,...,T],j为正整数。
本发明所述的肌电臂环佩戴位置预测方法,步骤1前还包括预处理步骤:对某一时间内的肌电信号进行分割处理为多个大小相同的窗口,并将该窗口作为提取细粒度特征和位置预测的最小单位。该矩形滑动窗口机制的滑动窗口大小设置为1s,该滑动窗口重叠为50%,位置预测的最小时间间隔为0.5s。
本发明所涉及的肌电臂环佩戴位置预测方法,细粒度特征包括:绝对平均值、第一修正绝对平均值、第二修正绝对平均值、均方根值、方差、波形长度、频率中位数、频率平均数及修正频率中值共7项时域和3项频域特征,其中:
绝对值平均
第一修正绝对平均值
第二修正绝对平均值
平均绝对值偏差MAVSk=MAVk+1-MAVk
均方根值
方差
波形长度
频率中位数
频率平均数
修正频率中值
在此,xi代表原始肌电信号,N表示一个窗口内肌电信号数据长度,M表示功率谱密度长度,PSDi表示功率谱密度,fi和Ai分别表示频域肌电信号分箱后的频率和振幅谱。
本发明所述的肌电臂环佩戴位置预测方法,其模型离线训练步骤包括:
步骤41,旋转肌电臂环于某一位置以采集带有该位置特征的肌电信号;
步骤42,对该肌电信号进行预处理,主要处理过程包括数据滤波和滑动窗分割;
步骤43,从预处理之后的该肌电信号中提取细粒度特征,组成位置预测训练样本;
步骤44,为各种位置预测样本分别赋予对应的类别标号,由位置特征形成训练数据集;
步骤45,使用该训练数据集训练位置预测模型,用平均识别准确率作为该位置预测模型的位置预测准确率。
本发明所述的肌电臂环佩戴位置预测方法,其在线位置预测步骤包括:
步骤51,使用肌电臂环采集第i时刻的肌电信号;
步骤52,对采集到的第i时刻的肌电信号进行预处理,包括数据滤波、滑动窗分割及本征模函数分解,得到该肌电信号的本征模函数分量;
步骤53,从该本征模函数分量中提取细粒度特征,包括绝对平均值、第一修正绝对平均值、第二修正绝对平均值、均方根值、方差、波形长度、频率中位数、频率平均数及修正频率中值共7项时域和3项频域特征,形成预测样本;
步骤54,将预测样本输入到位置预测模型之中,输出第i时刻位置预测概率向量L′i;
步骤55,为获取第i时刻之前的预测样本,首先,初始化j=1;
步骤56,访问历史数据,并获取第i-j时刻预测样本;
步骤57,将预测样本输入到位置预测模型之中,输出第i-j时刻位置预测概率向量L′i-j;
步骤58,判断是否满足j>T,若否则返回步骤步骤S56;
步骤59,最终位置预测概率向量为输出第i时刻的佩戴位置预测结果kj为加权系数;
本发明的技术效果为:能够提升肌电臂环佩戴位置的预测精度,降低预测误差,具有精准度高、稳定性强的优势。
附图说明
图1位置预测方法工作流程图
图2本征模函数分解方法工作流程图
图3融合时序信息的佩戴位置预测方法示意图
图4模型离线训练工作流程图
图5在线位置预测工作流程图
图6Myo臂环
图7肌电信号采集位置
图8经验模态分解结果
图9位置预测精度
具体实施方式
本发明在使用当前时刻肌电信号的基础上,又融合了前T时刻信号特征,共同决策当前时刻肌电臂环佩戴位置。另外,在数据处理方面,本发明根据感知到的肌电信号,基于经验模态分解(Empirical Mode Decomposition,EMD)信号处理思想,根据原始肌电信号的自身特性将其分解为不同尺度分量,并分别提取特征,以获取其细粒度表征。
佩戴位置预测方法的工作流程如图1所示,主要步骤包括:
步骤S11,采集肌电信号;
步骤S12,对采集到的肌电信号进行预处理操作;
步骤S13,提取细粒度特征,组成预测样本;
步骤S14,根据佩戴位置预测模型对预测样本进行预测;
步骤S15,输出佩戴位置预测结果;
步骤S16,判断是否继续检测;
步骤S17,结束。
本发明要创新点包括两个方面:首先,根据肌电信号特性,基于经验模态分解信号处理思想,提取其细粒度特征;其次,根据肌电臂环佩戴位置的时间局部性特征,使用融合时序信息的佩戴位置预测方法,预测肌电臂环佩戴位置。
为充分挖掘肌电信号的细粒度特征,本发明针对其特点,使用经验模态分解将肌电信号分解为多个本征模函数(Intrinsic Mode Function,IMF);之后,对肌电信号和分解后的本征模函数分量,分别提取时域、频域特征。分解后的多个本征模函数imfi(t)包含了原始肌电信号EMG(t)不同尺度的局部特征,因此,基于肌电信号EMG(t)和本征模函数imfi(t)构建的特征向量能够体现肌电信号的细粒度特征。
本征模函数分解流程如图2所示,主要包括以下步骤:
步骤S21,为将肌电信号EMG(t)分解不同尺度分量,初始化x0(t)=EMG(t),i=1;
步骤S22,为获取imfi(t),初始化h0(t)=xi-1(t),j=1;找出hj-1(t)的局部极值点,对hj-1(t)的极大值点和极小值点分别进行三次样条函数插值,形成上下包络线emax(t)和emin(t),计算上下包络线的中位值hj(t)=hj-1-mj-1(t),若hj(t)是本征模函数,则imfi(t)=hj(t);否则,j=j+1,转到步骤S22初始;
步骤S23,计算xi(t)=xi-1(t)-imfi(t);
步骤S24,判断xi(t)的极值点数目是否仍大于2,若是i=i+1,转到步骤S22;
步骤S25,分解结束,xi(t)是残差,imfi(t)是分解后的本征模函数,算法最后可得
步骤S26,对肌电信号EMG(t)和本征模函数imfi(t)分别提取时域、频域特征;
步骤S27,结束。
本发明提出了融合时序信息的佩戴位置预测方法,如图3所示。为预测时间窗Wi内肌电臂环的位置,融合时序信息的佩戴位置预测方法使用Wi,Wi-1,Wi-2,……,Wi-T内的肌电信号特征向量Fi,Fi-1,Fi-2,……,Fi-T,分别预测佩戴位置概率向量L′i,L′i-1,L′i-2,……,L′i-T,并融合以上T+1个位置预测结果共同决定Wi肌电臂环佩戴位置。
以下结合附图,对本发明提出的肌电臂环佩戴位置预测方法进一步详细说明。应当理解,此处所描述的具体实施方法仅仅用以解释本发明,并不用于限定本发明。
本发明使用Myo臂环,如图6所示,Myo臂环共有8块肌电信号电极,呈环状均匀排列,支持以任意旋转角度佩戴于前臂上端。离线模型训练过程中,假设Myo上存在一个标志点P;设备佩戴位置如图7所示,假设前臂上端存在一组信号采集点Q1,Q2,Q3,Q4,Q5,Q6,Q7,Q8,表示肌电臂环的8种不同佩戴位置。当P与Q1重合时,此时佩戴位置标记为1,以此类推,当P与Q8重合时,此时佩戴位置标记为8。另外,需说明的是,由于位于连续两个采集点之间的采集位置,均可看做上述定义的8个位置的近似,因此,本实验过程中,仅探究肌电臂环佩戴于Q1,Q2,Q3,Q4,Q5,Q6,Q7,Q8八个位置的情况。
本发明所涉及的肌电臂环佩戴位置预测方法,其步骤包括:
步骤1、旋转肌电臂环于某一位置,以采集带有该位置特征的肌电信号,将该肌电信号通过经验模态分解算法分解为本征模函数分量,对该肌电信号及该本征模函数分量分别提取细粒度特征,组成位置预测训练样本,按位置特征组成位置预测训练样本集,使用该位置预测训练样本集利用随机森林算法训练肌电臂环上的位置预测模型;
步骤2、将某一时刻i的肌电信号,提取该肌电信号细粒度特征组成位置预测样本Fi;
步骤3、将该位置预测样本Fi输入至肌电臂环上的位置预测模型以获取该时刻i的位置预测概率向量L’i;
步骤4、将该时刻之前的历史时刻i-j的肌电信号,提取该肌电信号细粒度特征组成位置预测样本Fi-j,
步骤5、将该位置预测样本Fi-j输入至肌电臂环上的位置预测模型得到该历史时刻i-j的位置预测概率向量L’i-j,
步骤6、通过L’i和L’i-j得到佩戴位置概率向量,并选择概率最大的位置作为位置预测结果,其中i、j、T为时间参数,j∈[1,2,...,T],j为正整数。
所述的肌电臂环佩戴位置预测方法,步骤1前还包括预处理步骤:对某一时间内的肌电信号进行分割处理为多个大小相同的窗口,并将该窗口作为提取细粒度特征和位置预测的最小单位。该矩形滑动窗口机制的滑动窗口大小设置为1s,该滑动窗口重叠为50%,位置预测的最小时间间隔为0.5s。
本发明所涉及的肌电臂环佩戴位置预测方法,其细粒度特征包括:绝对平均值、第一修正绝对平均值、第二修正绝对平均值、均方根值、方差、波形长度、频率中位数、频率平均数及修正频率中值共7项时域和3项频域特征,其中:
绝对值平均
第一修正绝对平均值
第二修正绝对平均值
平均绝对值偏差MAVSk=MAVk+1-MAVk
均方根值
方差
波形长度
频率中位数
频率平均数
修正频率中值
在此,xi代表原始肌电信号,N表示一个窗口内肌电信号数据长度,M表示功率谱密度长度,PSDi表示功率谱密度,fi和Ai分别表示频域肌电信号分箱后的频率和振幅谱。
对采集到的肌电信号进行预处理与细粒度特征提取,包括:
采用矩形滑动窗机制对肌电信号进行分割处理,并将其作为特征提取和位置预测的最小单位。为保证感知精度,窗口大小设置为1s,窗间重叠为50%,位置预测的最小时间间隔为0.5s。完成数据分割后,使用经验模态分解信号处理思想将一个窗口内的肌电信号分解为一组本征模函数,分解结果如图8所示,其中,第1行为原始肌电信号,第2至6行为分解后的5个本征模函数,第7行为残差。
本发明所涉及的肌电臂环佩戴位置预测方法包含模型离线训练和在线位置预测两个阶段。
为实现实时佩戴位置预测,首先需要离线训练位置预测模型,然后根据模型对实时采集到的肌电信号样本进行在线判断,输出位置预测结果。为提升位置预测精度,本发明所涉及的肌电臂环佩戴位置预测,提出了一种融合时序信息的可穿戴肌电臂环佩戴位置预测算法,如图3所示。基于时序信息的位置预测共分为以下两部分:1、为预测时间窗Wi内肌电臂环的位置,本发明在使用Wi内肌电信号特征向量Fi后,又融合Wi-1,Wi-2,Wi-3,Wi-4内的肌电信号特征向量Fi-1,Fi-2,Fi-3,Fi-4,通过位置预测模型,分别计算佩戴位置概率向量L′i,L′i-1,L′i-2,L′i-3,L′i-4;2、使用数据加权的方法,为以上5个时刻预测结果分别赋权为ki,ki-1,ki-2,ki-3,ki-4,计算最终佩戴位置概率向量并选择概率最大的位置,做为最终预测结果。
位置预测模型的离线训练过程如图4所示,主要步骤包括:
步骤S41,八个佩戴位置肌电信号数据采集。使用Myo臂环以200kHz的采样频率采集肌电信号,Myo臂环按照图7所示的方式放置于前臂上端,并分别采集八个位置Q1,Q2,Q3,Q4,Q5,Q6,Q7,Q8的肌电信号数据,由于Myo臂环含有8块电极,所以获取的肌电信号共包括8个通道数据;
步骤S42,传感器数据预处理。首先,对肌电信号数据滤波操作;接着,对滤波后的数据按照窗口大小为1s,覆盖率为50%的方式进行滑动窗分割;最后,将分割后一个窗口内的数据,分解为不同尺度的细粒度分量;
步骤S43,特征提取。从每个滑动窗口提取特征,对原始信号和分解后的细粒度分量分别提取绝对平均值、第一修正绝对平均值、第二修正绝对平均值、均方根值、方差、波形长度、频率中位数、频率平均数及修正频率中值共7项时域和3项频域特征,组成位置预测训练样本;
步骤S44,为各种位置预测样本分别赋予相应的类别标号(如第1个位置数据,类别标号为1;……;第N个位置数据,类别标号为N),由位置特征形成初始训练数据集TrainDataSet_1;
步骤S45,模型训练。将训练数据集TrainDataSet_1随机分成10份,用于交叉验证。使用随机森林算法训练位置预测模型,设置随机森林算法的树规模为100,树深度为8,然后随机选出其中的9份用于训练模型,剩余的1份数据用来测试模型的精度,将整个过程重复10次,用平均识别准确率作为最终的位置预测准确率;
步骤S46,预测结果;
步骤S47,结束。
位置预测结果如图9所示,由图9可知,本发明所涉及的佩戴位置预测方法,对佩戴位置的预测精度为94.74%,相比较于没有使用细粒度特征提取和时序信息的方法(精度为87.65%),精度提升7.09%;相比较于没有使用时序信息的方法(精度为93.94%),精度提升0.80%;
在线位置预测阶段的工作流程如图5所示,主要步骤包括:
步骤S51,使用Myo臂环以200kHz的采样频率采集肌电信号,Myo臂环按照图7所示的方式放置于前臂上端,由于Myo臂环含有8块电极,所以获取的臂环共包括8个通道数据;
步骤S52,对采集到的第i时刻的臂环进行预处理,首先,对肌电信号数据滤波操作;接着,对滤波后的数据按照窗口大小为1s,覆盖率为50%的方式进行滑动窗分割;最后,将分割后一个窗口内的数据,分解为不同尺度的细粒度分量;
步骤S53,从分解为不同尺度的细粒度分量中提取细粒度特征,包括绝对平均值、第一修正绝对平均值、第二修正绝对平均值、均方根值、方差、波形长度、频率中位数、频率平均数及修正频率中值共7项时域和3项频域特征,形成预测样本;
步骤S54,将预测样本输入到位置预测模型之中,输出第i时刻位置预测概率向量L′i;
步骤S55,为获取第i时刻之前的预测样本,首先,初始化j=1;
步骤S56,访问历史数据,并获取第i-j时刻预测样本;
步骤S57,将预测样本输入到位置预测模型之中,输出第i-j时刻位置预测概率向量L′i-j;
步骤S58,判断是否满足j>4,若否则返回步骤6);
步骤S59,最终位置预测概率向量为输出第i时刻的佩戴位置预测结果
步骤S510,结束。
Claims (10)
1.一种肌电臂环佩戴位置预测方法,其特征在于,包括:
步骤1、旋转肌电臂环于某一位置,以采集带有该位置特征的肌电信号,将该肌电信号通过经验模态分解算法分解为本征模函数分量,对该肌电信号及该本征模函数分量分别提取细粒度特征,组成位置预测训练样本,按位置特征组成位置预测训练样本集,使用该位置预测训练样本集利用随机森林算法训练肌电臂环上的位置预测模型;
步骤2、提取某一时刻i的肌电信号细粒度特征组成位置预测样本Fi;
步骤3、将该位置预测样本Fi输入至肌电臂环上的位置预测模型以获取该时刻i的位置预测概率向量L’i;
步骤4、提取该时刻i之前的历史时刻i-j的肌电信号细粒度特征组成位置预测样本Fi-j,
步骤5、将该位置预测样本Fi-j输入至肌电臂环上的位置预测模型得到该历史时刻i-j的位置预测概率向量L’i-j,
步骤6、通过L’i和L’i-j得到佩戴位置概率向量,并选择概率最大的位置作为位置预测结果,其中i、j、T为时间参数,j∈[1,2,...,T],j为正整数。
2.如权利要求1所述的肌电臂环佩戴位置预测方法,其特征在于,步骤2前还包括预处理步骤:对某一时间内的肌电信号进行分割处理为多个大小相同的窗口,并将该窗口作为提取细粒度特征和位置预测的最小单位。
3.如权利要求1所述的肌电臂环佩戴位置预测方法,其特征在于,该细粒度特征包括:绝对平均值、第一修正绝对平均值、第二修正绝对平均值、平均绝对值偏差、均方根值、方差、波形长度共7项时域特征,和频率中位数、频率平均数、修正频率中值共3项频域特征。
4.如权利要求1所述的肌电臂环佩戴位置预测方法,其特征在于,步骤1包括:
步骤41,旋转肌电臂环于某一位置以采集带有该位置特征的肌电信号;
步骤42,对该肌电信号进行预处理,主要处理过程包括数据滤波和滑动窗分割;
步骤43,从预处理之后的该肌电信号中提取细粒度特征,组成位置预测训练样本;
步骤44,为各种位置预测样本分别赋予对应的类别标号,由位置特征形成训练数据集;
步骤45,使用该训练数据集训练位置预测模型,用平均识别准确率作为该位置预测模型的位置预测准确率。
5.如权利要求1所述的肌电臂环佩戴位置预测方法,其特征在于,步骤6包括:
位置预测概率向量为输出第i时刻的佩戴位置预测结果其中kj为加权系数。
6.一种肌电臂环佩戴位置预测系统,其特征在于,该系统包括:
提取细粒度特征模块,用于将肌电信号分解为本征模函数分量,并对该肌电信号及该本征模函数分量分别提取时域、频域特征组成位置预测训练样本;融合时序信息的佩戴位置预测模块,用于通过肌电臂环采集当前时刻的肌电信号,融合当前时刻之前的历史时刻位置预测概率向量,生成最终预测结果。
7.如权利要求6所述的肌电臂环佩戴位置预测系统,其特征在于,该提取细粒度特征模块包括:
分解模块,用于将采集到的肌电信号进行分解,并得到该肌电信号的本征模函数分量;
提取模块,用于对该肌电信号和该本征模函数分量进行细粒度特征提取,并将提取到的细粒度特征组成位置预测训练样本。
8.如权利要求6所述的肌电臂环佩戴位置预测系统,其特征在于,该融合时序信息的佩戴位置预测模块包括:
模型离线训练模块,用于采集带有位置特征肌电信号,经预处理得到位置预测训练样本集后,对位置预测模型进行训练;
在线位置预测模块,用于采集当前时刻肌电信号,经预处理得到位置预测样本后,通过位置预测模型输出当前时刻佩戴位置结果。
9.如权利要求8所述的肌电臂环佩戴位置预测系统,其特征在于,模型离线训练模块包括:
采集模块,用于采集带有位置特征肌电信号;
处理模块,用于对该肌电信号进行预处理和细粒度特征提取并组成位置预测训练样本;
训练模块,用于将该位置预测训练样本按位置特征组成训练集,并利用随机森林算法训练位置预测模型。
10.如权利要求8所述的肌电臂环佩戴位置预测系统,其特征在于,该在线位置预测模块包括:
采集模块,用于对肌电臂环当前时刻肌电信号的采集;
处理模块,用于对该肌电信号进行预处理和细粒度特征提取位置预测样本;
预测模块,用于通过该位置预测样本获取当前时刻的位置预测概率向量,再融合当前时刻之前的历史时刻位置预测概率向量,得到最终位置预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710565772.3A CN107518896B (zh) | 2017-07-12 | 2017-07-12 | 一种肌电臂环佩戴位置预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710565772.3A CN107518896B (zh) | 2017-07-12 | 2017-07-12 | 一种肌电臂环佩戴位置预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107518896A CN107518896A (zh) | 2017-12-29 |
CN107518896B true CN107518896B (zh) | 2019-07-30 |
Family
ID=60749011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710565772.3A Active CN107518896B (zh) | 2017-07-12 | 2017-07-12 | 一种肌电臂环佩戴位置预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107518896B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113130024A (zh) * | 2019-12-31 | 2021-07-16 | 华为技术有限公司 | 医疗事件的预测方法及穿戴设备、计算机可读存储介质 |
CN111207875B (zh) * | 2020-02-25 | 2021-06-25 | 青岛理工大学 | 基于多粒度并联cnn模型的肌电信号-扭矩匹配方法 |
CN112568868B (zh) * | 2020-10-16 | 2022-12-23 | 苏州赛美科基因科技有限公司 | 针对癫痫模型电生理信号的自动量化分析方法及装置 |
CN113509151B (zh) * | 2021-08-30 | 2022-03-25 | 北京理工大学 | 肌张力等级的评估方法和装置 |
CN113693604B (zh) * | 2021-08-30 | 2022-04-08 | 北京中医药大学东直门医院 | 一种基于佩戴者疲劳状态对肌张力等级的评估方法和装置 |
CN113729640B (zh) * | 2021-10-11 | 2023-03-21 | 浙江大学 | 一种穿戴式吞咽行为识别方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204790855U (zh) * | 2015-07-10 | 2015-11-18 | 昆山美莱来工业设备有限公司 | 一种利用手势操控移动机器人的可穿戴臂环 |
CN105943206A (zh) * | 2016-06-01 | 2016-09-21 | 上海师范大学 | 一种基于myo臂环的假肢手控制方法 |
WO2017013486A1 (en) * | 2015-07-23 | 2017-01-26 | Universitat Politecnica De Catalunya | Portable device, system and method for measuring electromyographic signals of a user |
CN106383579A (zh) * | 2016-09-14 | 2017-02-08 | 西安电子科技大学 | 一种基于emg和fsr的精细手势识别系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9037530B2 (en) * | 2008-06-26 | 2015-05-19 | Microsoft Technology Licensing, Llc | Wearable electromyography-based human-computer interface |
-
2017
- 2017-07-12 CN CN201710565772.3A patent/CN107518896B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204790855U (zh) * | 2015-07-10 | 2015-11-18 | 昆山美莱来工业设备有限公司 | 一种利用手势操控移动机器人的可穿戴臂环 |
WO2017013486A1 (en) * | 2015-07-23 | 2017-01-26 | Universitat Politecnica De Catalunya | Portable device, system and method for measuring electromyographic signals of a user |
CN105943206A (zh) * | 2016-06-01 | 2016-09-21 | 上海师范大学 | 一种基于myo臂环的假肢手控制方法 |
CN106383579A (zh) * | 2016-09-14 | 2017-02-08 | 西安电子科技大学 | 一种基于emg和fsr的精细手势识别系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107518896A (zh) | 2017-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107518896B (zh) | 一种肌电臂环佩戴位置预测方法和系统 | |
CN106726030B (zh) | 基于临床脑电信号控制机械手运动的脑机接口系统及其应用 | |
Wood et al. | On the variability of manual spike sorting | |
CN107007257B (zh) | 面部不自然度的自动评级方法和装置 | |
CN108983973B (zh) | 一种基于手势识别的仿人灵巧肌电假手控制方法 | |
CN111553307B (zh) | 一种融合生物电阻抗信息和肌电信息的手势识别系统 | |
CN110598676B (zh) | 基于置信度得分模型的深度学习手势肌电信号识别方法 | |
CN107832686A (zh) | 融合表面肌电和加速度信号的下肢运动模式识别方法 | |
CN109700450A (zh) | 一种心率检测方法及电子设备 | |
CN112043473B (zh) | 智能假肢脑-肌电融合感知的并行嵌套与自主择优分类器 | |
CN108460318A (zh) | 基于心电信号的身份认证/识别方法及设备 | |
CN114469124B (zh) | 一种运动过程中异常心电信号的识别方法 | |
CN106691440A (zh) | 基于bp神经网络的管制员疲劳检测方法及系统 | |
CN107301409A (zh) | 基于Wrapper特征选择Bagging学习处理心电图的系统及方法 | |
CN112732092A (zh) | 基于双视图多尺度卷积神经网络的表面肌电信号识别方法 | |
CN114159079B (zh) | 基于特征提取和gru深度学习模型的多类型肌肉疲劳检测方法 | |
CN109009098A (zh) | 一种运动想象状态下的脑电信号特征识别方法 | |
CN108338787A (zh) | 一种多时段多元多尺度锁相值的相位特征提取方法 | |
CN110400618A (zh) | 一种基于人体运动结构特征的三维步态生成方法 | |
CN113974612A (zh) | 一种卒中患者上肢运动功能自动化评估方法与系统 | |
Veer | A flexible approach for segregating physiological signals | |
KR101413853B1 (ko) | 적외선 영상을 이용한 생체 신호 측정 방법 및 장치 | |
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 | |
CN114343679A (zh) | 基于迁移学习的表面肌电信号上肢动作识别方法及系统 | |
Ling-Ling et al. | Electromyographic movement pattern recognition based on random forest algorithm |
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 |