CN107822629B - 四肢表面肌电轴的检测方法 - Google Patents
四肢表面肌电轴的检测方法 Download PDFInfo
- Publication number
- CN107822629B CN107822629B CN201710811282.7A CN201710811282A CN107822629B CN 107822629 B CN107822629 B CN 107822629B CN 201710811282 A CN201710811282 A CN 201710811282A CN 107822629 B CN107822629 B CN 107822629B
- Authority
- CN
- China
- Prior art keywords
- signal
- electromyographic
- limb
- muscle
- vector
- 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
Images
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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (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)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明揭示了一种四肢表面肌电轴的检测方法,所述检测方法包括:根据确定的肢体平面,确定每个电极的安放位置,并进行妥善固定;每个电极可以根据所在位置,获取一个有矢量方向的肌电信号,然后计算本平面的肌电轴向量;根据每一平面的肌电向量构建多平面的肌电向量,从而在3D空间和时间轴上重构和分析上下肢的肌肉激活和失衡状况。本发明提出的四肢表面肌电轴的检测方法,可在3D空间和时间轴上重构和分析上下肢的肌肉激活和失衡状况,为临床疾病或衰老、废用等原因所导致的肌肉不平衡激活提供一个客观检测指标。
Description
技术领域
本发明属于信号检测技术领域,涉及一种肌电检测方法,尤其涉及一种四肢表面肌电轴的检测方法。
背景技术
表面肌电(surface electromyography,sEMG)图在电生理概念上虽然与针极肌电图相同,但表面肌电图的研究目的,所使用的设备以及数据分析技术与针极肌电图是有很大区别的。相对与针电极肌电图而言,它将电极置于皮肤表面,使用安全、方便、无痛、无创、可用于测试较大范围内的EMG信号;不仅可在静止状态测定肌肉活动,而且也可在运动过程中持续观察肌肉活动的变化,是一种对运动功能有意义的诊断方法。肌电图与肌肉收缩之间有着密切的关系,一般情况下,当肌肉轻度收缩时,肌电信号相对较弱,频率也低;当肌肉强力收缩时,肌电信号较强,频率高。
表面肌电电极位置是影响表面肌电信号采集的重要因素。肌肉内组成单一运动单位的肌纤维,都被包围在兴奋和未兴奋的众多肌纤维及其它导电性良好的体液和组织中,各肌纤维动作电位的产生和传导都会在其外部介质中形成“容积导体导电”现象。产生动作电位的各肌纤维形成一个共同的电场。神经与肌肉动作中,动作电位传导的速度是有限的,组成单一运动单位的各肌纤维又有一定的几何分布,因此,这个电场随着兴奋的传递和传导,在每一瞬间均有不同的空间和时间的分布。在四肢肢体上通过电极记录肌肉的电活动,实际记录的就是这一电场的活动。因此,表面肌电电极黏贴位置对表面肌电结果的影响很大。另外,肢体运动所导致的电极位置与肌肉之间的距离变化也很大,必将影响肌电信号的采集。为此,表面肌电检测结果常受到质疑,到目前还不能像针极肌电图一样作为临床诊治指标。
随着运动科学和人机接口、生物反馈、虚拟现实等技术的发展,表面肌电信号作为经济、有效、无创的人体信号再次受到重视。为突破表面肌电电极黏贴位置和方式的限制,国内外进行了一些研究。
如中国发明专利(专利号:201310241598.9)公开了一种佩戴式多通道表面肌电信号采集臂环,包括信号调理模块、信号处理模块、电源模块和臂环模块,其中信号调理模块通过柔性电路板线,即FPC线与信号处理模块相连接,信号调理模块、信号处理模块和电源模块安装集成在臂环模块上;信号调理模块用于采集、处理表面肌电信号,并将处理后的信号传送给信号处理模块;信号处理模块对信号调理模块传送来的信号进行处理,并传输到信号的接收端;电源模块为信号调理模块和信号处理模块供电;本发明提供的佩戴式多通道表面肌电信号采集臂环具有佩戴更加方便和微型化的优点,使用者可以在通信范围内随意走动,并且可以做较大幅度的动作。
如中国发明专利(专利号:201410001577.4)公开了一种穿戴式移动手环,包括:用于采集表面肌电信号的多个采集模块和用于对采集模块提供的表面肌电信号进行处理的处理模块,其中,多个采集模块和处理模块连接成环形。根据本发明的穿戴式移动手环,多个采集模块作为手环的多个环节之一,与处理模块连接呈环形,实现了在前臂上的穿戴和对前臂的多通道sEMG信号的检测,并利用内置的运动传感模块检测前臂运动信号。最终该手环根据采集到的sEMG信号和运动传感模块信号进行手部姿势及前臂运动智能识别,并利用识别结果进行手势操控。
如中国发明专利(专利号:201510028553.2)公开了一种可穿戴肌电臂环,包括若干个采集模块;采集模块上包括正负成对设置的肌电采集电极以及设置在肌电采集电极之间的人体热量传导片,采集模块之间通过内含数据传输线的弹性绷带连接;若干个采集模块被分配为一个信号采集主通道及其他信号采集副通道;作为信号采集主通道的采集模块内部还包括热电转换模块,运动传感器,无线传输模块,数据处理模块,电池及充电模块;各个采集模块采集到的肌电信号传入到作为信号采集主通道的采集模块内部,经过数据处理模块进行A/D转换后与运动传感器采集到的手臂姿态信号融合,通过无线传输模块传输到云服务器进行数据处理。本发明能够有效采集手臂表面肌电信号及姿态信息,数据的处理能力和速度大幅度提高。
如中国发明专利(专利号:103230271A)公开了一种可用于获取四肢表面肌电信号的可佩戴电极阵列,用于测量人体的肌电信号,其包括用于佩戴于肢体的筒式的弹性衬底和用于与肢体表面接触的多个干式电极。多个干式电极固定在弹性衬底上并形成至少一个环绕弹性衬底的电极环,各个干式电极皆通过电极导线引出;在电极环中,任意两个相邻的干式电极间的距离皆相等;电极环中的任意两个相邻的干式电极之间,在肢体的表层皮肤内形成一个肌电通道,各个肌电通道呈之字形排布。本发明结构简单、制作方便并且使用方便,其能保证使用时与肢体表面接触的各个干式电极不发生移位且保持各个干式电极间的距离的一致,由此简化了后期肌电信号处理难度,提高了系统的鲁棒性。
如中国发明专利(专利号:201510801198.8)公开了一种基于支持向量机的表面肌电信号多类手部动作识别方法。方法的主要步骤如下:1)获取肌电数据,对信号进行平滑滤波,并通过不同尺度的采样窗口生成数据样本;2)以数据样本为单位,从每个数据样本中提取出一个包含19种时域,频域以及时频域特征的新型多特征特征集,并对特征向量进行归一化和基于最小冗余最大相关性准则的特征选择;3)设计基于皮尔逊VI I广义核的支持向量机分类器,使用基于交叉验证的粗网格搜索优化算法,对支持向量机的参数进行优化;4)使用训练集中的数据样本和步骤3)参数优化过程得到的分类器最优参数,训练分类模型,并将测试集中的数据样本输入分类模型进行分类测试。
如中国发明专利(专利号:201610326948.5)公开了一种用于人体下肢表面肌电信号的辨识方法。本发明主要步骤为:实时采集对应肌肉块在活动动作刺激下的表面EMG信号;对采集的EMG信号进行预处理,获得消除伪迹信号后的EMG信号;使用离散小波变换方法对获得的EMG信号进行分解,分解后获得低频系数向量和高频系数列;采用时、频域结合的滤波方法,将获得的小波分量进行奇异值分解,并将分解得到的奇异值构成特征矩阵;采用支持向量机对特征样本进行训练,并生成支持向量机分类器用于对盲样本进行分类识别。本发明的有益效果为,相对于传统技术,本发明提出了一种新的下肢EMG信号预处理方法。
如中国发明专利(专利号:201310300098.8)提出了一种基于小波包熵和支持向量机的手部肌电信号动作识别方法。本发明先对表面肌电信号进行小波包分解,提取各节点的小波包系数矩阵,由各子带能量计算出小波包熵。以肌电信号的小波包熵为特征构建特征向量输入支持向量机分类器,并以固定间隔逐步增加参数的值,来搜索使模式识别率最高的SVM分类器参数值,对手部的多个动作进行分类。小波包变换是一种分析非平稳特性信号的有效方法且小波包变换在不同时频段均能精确刻画信号,提供丰富模式信息的特点,把三路sEMG信号提取的特征向量输入支持向量机,能有效识别出伸腕、屈腕、展拳、握拳、外旋、内旋6种动作模式,得到了比传统神经网络更高的识别。
由此可见,上述专利均是优化表面肌电信号采集,尤其是应对表面肌电电极位置变化对肌电信号采集影响的设计和计算方法;但均没有能为临床疾病诊治提供一项客观的指标,使表面肌电的应用均限于研究领域。
发明内容
本发明所要解决的技术问题是:提供一种四肢表面肌电轴的检测方法,可在3D空间和时间轴上重构和分析上下肢的肌肉激活和失衡状况,为临床疾病或衰老、废用等原因所导致的肌肉不平衡激活提供一个客观检测指标。
为解决上述技术问题,本发明采用如下技术方案:
一种四肢表面肌电轴的检测方法,所述检测方法包括:
根据确定的肢体平面,确定每个电极(1)的安放位置,并进行妥善固定;每个电极可以根据所在位置,获取一个有矢量方向(2)的肌电信号,然后计算本平面的肌电轴向量(3);
根据每一平面的肌电向量(3)构建多平面的肌电向量,从而在3D空间和时间轴上重构和分析上下肢的肌肉激活和失衡状况;
所述检测方法具体包括:
步骤S1、应用表面肌电信号采集装置,分别将8个电极以等距方式粘贴在肢体同一横截面水平表面上;
步骤S2、每个电极获取的表面肌电信号,进行平滑处理,计算各项时域参数及频域参数;时域参数包括积分肌电值IEMG、均方根值RMS、平均肌电值AEMG、协同收缩率CR、峰值振幅PA;频域参数包括平均功率频率MPF、中位频率MF;
公式如下,假设x是采样后的EMG采样点,连续窗口宽度为N个采样点:
PA:max(|x|);
步骤S3、根据各个电极所处位置,计算具体时间点的每一个时域参数和频域参数的向量值,并根据时间演进画出平滑的曲线,此曲线即为四肢表面肌电轴曲线;
步骤S4、进一步多平面检测提供肢体肌肉三维激活图;
表面肌电信号是一种非平稳的微弱信号,所述表面肌电信号采集设备采用单设备具有8路肌电采集和处理能力,双差分微尺寸银电极探头、即干电极,16比特分辨率,2048赫兹采样率,16小时连续工作时间,9轴运动传感器,9轴运动传感器包括±9g加速度传感器,肌电通道间时延差异小于10微秒,500倍信号增益,2~700赫兹有效频谱范围,100dB共模抑制比,多设备应用时设备间各肌电通道的时延差异小于500微秒;
对于上下肢的肌电研究,将肌肉群沿着和骨骼垂直的多个截面做信号的同步提取,并做后续的分析研究,可以有效帮助更全面的分析肌肉群激活的失衡状况;
同一肌肉块的肌电信号沿肢体骨骼方向向肢体末端传输的时延和衰减;相邻肌肉块肌电信号在同一截面上的发力时延、幅度、频率谱;
通过将上下肢沿骨骼方向做多个横截面进行肌电信号的提取,提取出更多维的信号相关性信息,在3D空间和时间轴上重构和分析大腿和小腿的肌肉激活和失衡状况;涉及的流程包括:
陷波器去除工频干扰:
假设原始EMG信号为s(n),陷波器冲激响应为fnotch(n),则经过陷波器滤除工频干扰后的信号为x(n)=s(n)*fnotch(n),其中*表示卷积;
低通滤波器获取信号包络:
假设输入信号为x(n),采用的低通滤波器冲激响应为f(n),则信号包络为y(n)=|x(n)*f(n)|,其中*表示卷积;
积分器获取信号能量:
肌电信号起始点和终止点检测:
采用滑窗SNR检测的方法检测肌肉活动的起始点和终止点,其方法为,用两个长度为L个样本采样点的窗,两个窗相邻,沿着时间轴滑动,分别计算两个窗内信号的能量,能量计算方法为用后一个窗的能量除以前一个窗的能量,其比值为若γ>thresholdstart,则认为对应点为信号的起始点,在信号起始点找到的情况下,继续检测两个窗能量的比值,当γ<thresholdend时,认为信号终止点找到;
由于人体肢体构造的特殊性,表面肌电轴检测的方法在此领域的研究具有良好的适用性;通过沿着骨骼垂直方向做多个截面,提取截面上的多个肌肉块或肌肉群的肌电信号,在3D空间和时间轴上重构和分析上下肢的肌肉激活和失衡状况。
一种四肢表面肌电轴的检测方法,所述检测方法包括:
根据确定的肢体平面,确定每个电极的安放位置,并进行妥善固定;每个电极可以根据所在位置,获取一个有矢量方向的肌电信号,然后计算本平面的肌电轴向量;
根据每一平面的肌电向量构建多平面的肌电向量,从而在3D空间和时间轴上重构和分析上下肢的肌肉激活和失衡状况。
作为本发明的一种优选方案,所述检测方法具体包括:
(1)应用表面肌电信号采集装置,分别将8个电极以等距方式粘贴在肢体同一横截面水平表面上;
(2)每个电极获取的表面肌电信号,进行平滑处理,计算各项时域参数及频域参数;时域参数包括积分肌电值(integrated EMG,IEMG)、均方根值(root mean square,RMS)、平均肌电值(average EMG,AEMG)、协同收缩率(co-contract ion rate,CR)、平均绝对值(mean absolute value,MAV)、峰值振幅(peak amplitude,PA);频域参数包括平均功率频率(mean power frequency,MPF)、中位频率(median frequency,MF);
(3)根据各个电极所处位置,计算具体时间点的每一个时域参数和频域参数的向量值,并根据时间演进画出平滑的曲线,此曲线即为四肢表面肌电轴曲线;
(4)进一步多平面检测提供肢体肌肉三维激活图。
作为本发明的一种优选方案,表面肌电信号是一种非平稳的微弱信号,所述表面肌电信号采集设备采用单设备具有8路肌电采集和处理能力,双差分微尺寸银电极探头、即干电极,16比特分辨率,2048赫兹采样率,16小时连续工作时间,9轴运动传感器,9轴运动传感器包括±9g加速度传感器,肌电通道间时延差异小于10微秒,500倍信号增益,2~700赫兹有效频谱范围,100dB共模抑制比,多设备应用时设备间各肌电通道的时延差异小于500微秒。
作为本发明的一种优选方案,对于上下肢的肌电研究,将肌肉群沿着和骨骼垂直的多个截面做信号的同步提取,并做后续的分析研究,可以有效帮助更全面的分析肌肉群激活的失衡状况;
同一肌肉块的肌电信号沿肢体骨骼方向向肢体末端传输的时延和衰减;相邻肌肉块肌电信号在同一截面上的发力时延、幅度、频率谱;
通过将上下肢沿骨骼方向做多个横截面进行肌电信号的提取,提取出更多维的信号相关性信息,在3D空间和时间轴上重构和分析大腿和小腿的肌肉激活和失衡状况;涉及的处理流程包括:
陷波器去除工频干扰:
假设原始EMG信号为s(n),陷波器冲激响应为fnotch(n),则经过陷波器滤除工频干扰后的信号为x(n)=s(n)*fnotch(n),其中*表示卷积;
低通滤波器获取信号包络:
假设输入信号为x(n),采用的低通滤波器冲激响应为f(n),则信号包络为y(n)=|x(n)*f(n)|,其中*表示卷积;
积分器获取信号能量:
肌电信号起始点和终止点检测:
采用滑窗SNR检测的方法检测肌肉活动的起始点和终止点,其方法为,用两个长度为L个样本采样点的窗,两个窗相邻,沿着时间轴滑动,分别计算两个窗内信号的能量,能量计算方法为用后一个窗的能量除以前一个窗的能量,其比值为若γ>thresholdstart,则认为对应点为信号的起始点,在信号起始点找到的情况下,继续检测两个窗能量的比值,当γ<thresholdend时,认为信号终止点找到;
由于人体肢体构造的特殊性,表面肌电轴检测的方法在此领域的研究具有良好的适用性;通过沿着骨骼垂直方向做多个截面,提取截面上的多个肌肉块或肌肉群的肌电信号,在3D空间和时间轴上重构和分析上下肢的肌肉激活和失衡状况。
作为本发明的一种优选方案,涉及的算法包括:
低通滤波设计用以获得信号的包络;
积分器设计用以获得信号的能量信息;
振幅均值算法;
陷波器滤波设计去除工频干扰;
肌电信号起始点和终止点检测;
肌电通道时延及相关性特征提取;
肌电信号向量的算法;
多平面肌电信号向量的综合算法。
本发明的有益效果在于:本发明提出的四肢表面肌电轴的检测方法,可在3D空间和时间轴上重构和分析上下肢的肌肉激活和失衡状况,为临床疾病或衰老、废用等原因所导致的肌肉不平衡激活提供一个客观检测指标。
附图说明
图1为本发明四肢表面肌电轴的检测方法的检测示意图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
实施例一
请参阅图1,本发明揭示了一种四肢表面肌电轴的检测方法,所述检测方法包括:
根据确定的肢体平面,确定每个电极(1)的安放位置,并进行妥善固定;每个电极可以根据所在位置,获取一个有矢量方向(2)的肌电信号,然后计算本平面的肌电轴向量(3);
根据每一平面的肌电向量(3)构建多平面的肌电向量,从而在3D空间和时间轴上重构和分析上下肢的肌肉激活和失衡状况。
本实施例中,所述检测方法具体包括:
(1)应用表面肌电信号采集装置,分别将8个电极以等距方式粘贴在肢体同一横截面水平表面上;
(2)每个电极获取的表面肌电信号,进行平滑处理,计算各项时域参数及频域参数;时域参数包括积分肌电值(integrated EMG,IEMG)、均方根值(root mean square,RMS)、平均肌电值(average EMG,AEMG)、协同收缩率(co-contraction rate,CR)、平均绝对值(mean absolute value,MAV)、峰值振幅(peak amplitude,PA);频域参数包括平均功率频率(mean power frequency,MPF)、中位频率(median frequency,MF);
(3)根据各个电极所处位置,计算具体时间点的每一个时域参数和频域参数的向量值,并根据时间演进画出平滑的曲线,此曲线即为四肢表面肌电轴曲线;
(4)进一步多平面检测提供肢体肌肉三维激活图。
表面肌电信号是一种非平稳的微弱信号,所述表面肌电信号采集设备采用单设备具有8路肌电采集和处理能力,双差分微尺寸银电极探头、即干电极,16比特分辨率,2048赫兹采样率,16小时连续工作时间,9轴运动传感器,9轴运动传感器包括±9g加速度传感器,肌电通道间时延差异小于10微秒,500倍信号增益,2~700赫兹有效频谱范围,100dB共模抑制比,多设备应用时设备间各肌电通道的时延差异小于500微秒。
对于上下肢的肌电研究,将肌肉群沿着和骨骼垂直的多个截面做信号的同步提取,并做后续的分析研究,可以有效帮助更全面的分析肌肉群激活的失衡状况;
同一肌肉块的肌电信号沿肢体骨骼方向向肢体末端传输的时延和衰减;相邻肌肉块肌电信号在同一截面上的发力时延、幅度、频率谱;
通过将上下肢沿骨骼方向做多个横截面进行肌电信号的提取,提取出更多维的信号相关性信息,在3D空间和时间轴上重构和分析大腿和小腿的肌肉激活和失衡状况;涉及的处理流程包括:
陷波器去除工频干扰:
假设原始EMG信号为s(n),陷波器冲激响应为fnotch(n),则经过陷波器滤除工频干扰后的信号为x(n)=s(n)*fnotch(n),其中*表示卷积;
低通滤波器获取信号包络:
假设输入信号为x(n),采用的低通滤波器冲激响应为f(n),则信号包络为y(n)=|x(n)*f(n)|,其中*表示卷积;
积分器获取信号能量:
肌电信号起始点和终止点检测:
采用滑窗SNR检测的方法检测肌肉活动的起始点和终止点,其方法为,用两个长度为L个样本采样点的窗,两个窗相邻,沿着时间轴滑动,分别计算两个窗内信号的能量,能量计算方法为用后一个窗的能量除以前一个窗的能量,其比值为若γ>thresholdstart,则认为对应点为信号的起始点,在信号起始点找到的情况下,继续检测两个窗能量的比值,当γ<thresholdend时,认为信号终止点找到;
由于人体肢体构造的特殊性,表面肌电轴检测的方法在此领域的研究具有良好的适用性;通过沿着骨骼垂直方向做多个截面,提取截面上的多个肌肉块或肌肉群的肌电信号,在3D空间和时间轴上重构和分析上下肢的肌肉激活和失衡状况。
实施例二
本实施例与实施例一的区别在于,本实施例中,四肢表面肌电轴的检测方法采用的算法包括:
低通滤波设计用以获得信号的包络;
积分器设计用以获得信号的能量信息;
振幅均值算法;
陷波器滤波设计去除工频干扰;
肌电信号起始点和终止点检测;
肌电通道时延及相关性特征提取;
肌电信号向量的算法;
多平面肌电信号向量的综合算法。
综上所述,本发明提出的四肢表面肌电轴的检测方法,可在3D空间和时间轴上重构和分析上下肢的肌肉激活和失衡状况,为临床疾病或衰老、废用等原因所导致的肌肉不平衡激活提供一个客观检测指标。
这里本发明的描述和应用是说明性的,并非想将本发明的范围限制在上述实施例中。这里所披露的实施例的变形和改变是可能的,对于那些本领域的普通技术人员来说实施例的替换和等效的各种部件是公知的。本领域技术人员应该清楚的是,在不脱离本发明的精神或本质特征的情况下,本发明可以以其它形式、结构、布置、比例,以及用其它组件、材料和部件来实现。在不脱离本发明范围和精神的情况下,可以对这里所披露的实施例进行其它变形和改变。
Claims (2)
1.一种四肢表面肌电向量的检测方法,其特征在于,所述检测方法包括:
根据确定的肢体平面,确定每个电极(1)的安放位置,并进行妥善固定;每个电极可以根据所在位置,获取一个有矢量方向(2)的肌电信号,然后计算本平面的肌电向量(3);
根据每一平面的肌电向量(3)构建多平面的肌电向量,从而在3D空间和时间轴上重构和分析上下肢的肌肉激活和失衡状况;
所述检测方法具体包括:
(1)应用表面肌电信号采集设备,分别将8个电极以等距方式粘贴在肢体同一横截面水平表面上;
(2)每个电极获取的表面肌电信号,进行平滑处理,计算各项时域参数及频域参数;时域参数包括积分肌电值IEMG、均方根值RMS、平均肌电值AEMG、协同收缩率CR及峰值振幅PA;频域参数包括平均功率频率MPF及中位频率MF;
公式如下,假设x是采样后的EMG采样点对应采样值,连续窗口宽度为N个采样点:
PA:max(|x|);
(3)根据各个电极所处位置,计算具体时间点的每一个时域参数和频域参数的肌电向量值,并根据时间演进画出平滑的曲线,此曲线即为四肢表面肌电向量曲线;
(4)进一步多平面检测提供肢体肌肉三维激活图。
2.根据权利要求1所述的四肢表面肌电向量的检测方法,其特征在于:
通过将上下肢沿骨骼方向做多个横截面进行肌电信号的提取,提取出更多维的信号相关性信息,所述信号相关性信息包括同一肌肉块的肌电信号沿肢体骨骼方向向肢体末端传输的时延和衰减;相邻肌肉块肌电信号在同一截面上的发力时延、幅度、频率谱;在3D空间和时间轴上重构和分析大腿和小腿的肌肉激活和失衡状况;将上下肢沿骨骼方向做多个横截面进行肌电信号的提取包括肌电信号起始点和终止点检测,所述肌电信号起始点和终止点检测涉及的流程包括:
陷波器去除工频干扰:
假设原始EMG信号为s(n),陷波器冲激响应为fnotch(n),则经过陷波器滤除工频干扰后的信号为x(n)=s(n)*fnotch(n),其中*表示卷积;
低通滤波器获取信号包络:
假设输入信号为x(n),采用的低通滤波器冲激响应为f(n),则信号包络为y(n)=|x(n)*f(n)|,其中*表示卷积;
积分器获取信号能量:
肌电信号起始点和终止点检测:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710811282.7A CN107822629B (zh) | 2017-09-11 | 2017-09-11 | 四肢表面肌电轴的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710811282.7A CN107822629B (zh) | 2017-09-11 | 2017-09-11 | 四肢表面肌电轴的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107822629A CN107822629A (zh) | 2018-03-23 |
CN107822629B true CN107822629B (zh) | 2020-09-11 |
Family
ID=61643786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710811282.7A Active CN107822629B (zh) | 2017-09-11 | 2017-09-11 | 四肢表面肌电轴的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107822629B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109864740B (zh) * | 2018-12-25 | 2022-02-01 | 北京津发科技股份有限公司 | 一种运动状态的表面肌电信号采集传感器和设备 |
CN109657651A (zh) * | 2019-01-16 | 2019-04-19 | 杭州电子科技大学 | 一种基于肌电信号的下肢膝关节连续运动估计方法 |
CN110664404B (zh) * | 2019-09-30 | 2021-10-26 | 华南理工大学 | 一种基于表面肌电信号的躯干代偿检测和消除系统 |
CN112773381B (zh) * | 2019-11-07 | 2023-09-22 | 深圳市理邦精密仪器股份有限公司 | 一种肌电信号的处理方法、处理设备以及存储介质 |
CN112754505A (zh) * | 2020-12-29 | 2021-05-07 | 深圳市联影高端医疗装备创新研究院 | 一种肌肉老化程度检测方法、装置及系统 |
CN116058806B (zh) * | 2023-04-07 | 2023-07-04 | 四川康源医创科技有限公司 | 一种基于肌音音频信号分析的肌松监测方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6751498B1 (en) * | 1999-03-15 | 2004-06-15 | The Johns Hopkins University | Apparatus and method for non-invasive, passive fetal heart monitoring |
CN101317794A (zh) * | 2008-03-11 | 2008-12-10 | 清华大学 | 多指多自由度假手用肌电控制能力检测训练方法 |
CN102137623A (zh) * | 2008-07-11 | 2011-07-27 | 麦德托尼克公司 | 用于医疗装置的姿势状态分类 |
CN102961203A (zh) * | 2012-12-10 | 2013-03-13 | 杭州电子科技大学 | 基于emd样本熵的表面肌电信号识别方法 |
CN103190905A (zh) * | 2013-04-01 | 2013-07-10 | 武汉理工大学 | 基于Wi-Fi的多通道表面肌电信号采集系统及处理方法 |
CN103230271A (zh) * | 2013-05-07 | 2013-08-07 | 上海交通大学 | 一种可用于获取四肢表面肌电信号的可佩戴电极阵列 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150335288A1 (en) * | 2013-06-06 | 2015-11-26 | Tricord Holdings, Llc | Modular physiologic monitoring systems, kits, and methods |
-
2017
- 2017-09-11 CN CN201710811282.7A patent/CN107822629B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6751498B1 (en) * | 1999-03-15 | 2004-06-15 | The Johns Hopkins University | Apparatus and method for non-invasive, passive fetal heart monitoring |
CN101317794A (zh) * | 2008-03-11 | 2008-12-10 | 清华大学 | 多指多自由度假手用肌电控制能力检测训练方法 |
CN102137623A (zh) * | 2008-07-11 | 2011-07-27 | 麦德托尼克公司 | 用于医疗装置的姿势状态分类 |
CN102961203A (zh) * | 2012-12-10 | 2013-03-13 | 杭州电子科技大学 | 基于emd样本熵的表面肌电信号识别方法 |
CN103190905A (zh) * | 2013-04-01 | 2013-07-10 | 武汉理工大学 | 基于Wi-Fi的多通道表面肌电信号采集系统及处理方法 |
CN103230271A (zh) * | 2013-05-07 | 2013-08-07 | 上海交通大学 | 一种可用于获取四肢表面肌电信号的可佩戴电极阵列 |
Non-Patent Citations (1)
Title |
---|
Spatial orientation of extraocular muscle EMG responses to tilt in the rabbit during postnatal development;Helmut Tegetmeyer;《Exp Brain Res》;19941231;第98卷;第65-74页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107822629A (zh) | 2018-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107822629B (zh) | 四肢表面肌电轴的检测方法 | |
CN106073702B (zh) | 基于小波-传递熵的多时频尺度间脑肌电耦合分析方法 | |
CN103190905B (zh) | 基于Wi-Fi的多通道表面肌电信号采集系统及处理方法 | |
Naik et al. | Transradial amputee gesture classification using an optimal number of sEMG sensors: an approach using ICA clustering | |
CN104107134B (zh) | 基于肌电反馈的上肢训练方法及系统 | |
CN102426651B (zh) | 人体前臂表面肌电信号采集及模式识别系统 | |
CN111317600B (zh) | 一种假肢控制方法、装置、系统、设备和存储介质 | |
AlOmari et al. | Analysis of extracted forearm sEMG signal using LDA, QDA, K-NN classification algorithms | |
CN112541415B (zh) | 基于符号传递熵和图论的脑肌功能网络运动疲劳检测方法 | |
CN104571504A (zh) | 一种基于想象动作的在线脑-机接口方法 | |
CN102178524A (zh) | 基于同步似然的脑肌电协同性分析方法 | |
CN111803099A (zh) | 基于径向基神经网络的人体上肢肌肉力预测装置及方法 | |
CN105534517A (zh) | 一种去除三导联心电信号中车辆运动噪声的方法 | |
Lal et al. | Compressed sensing approach for physiological signals: A review | |
Hu et al. | Elbow-flexion force estimation during arm posture dynamically changing between pronation and supination | |
CN111360792A (zh) | 面向仿生机械手的可穿戴便携式实时控制动作识别系统 | |
Sueaseenak et al. | An accurate forearm EMG signal classification method using two‐channel electrode | |
Ai et al. | Gestures recognition based on wavelet and LLE | |
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 | |
CN114159080B (zh) | 上肢康复机器人运动意图识别模型训练、识别方法及装置 | |
CN111584033B (zh) | 基于多层有序网络的脑控智能康复系统运动意图识别系统 | |
Bartolomeo et al. | Baseline adaptive wavelet thresholding technique for sEMG denoising | |
Sburlea et al. | Predicting EMG envelopes of grasping movements from EEG recordings using unscented kalman filtering | |
CN113974652B (zh) | 基于皮层肌肉功能网络模型的肌肉控制精准度确定方法 | |
Zulkifli et al. | Development of wearable electromyogram (EMG) device for upper extremity in aerobic exercise |
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 |