CN108681685A - 一种基于人体表面肌电信号的躯干动作意图识别方法 - Google Patents

一种基于人体表面肌电信号的躯干动作意图识别方法 Download PDF

Info

Publication number
CN108681685A
CN108681685A CN201810244049.XA CN201810244049A CN108681685A CN 108681685 A CN108681685 A CN 108681685A CN 201810244049 A CN201810244049 A CN 201810244049A CN 108681685 A CN108681685 A CN 108681685A
Authority
CN
China
Prior art keywords
data
method based
human body
signal
surface myoelectric
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
CN201810244049.XA
Other languages
English (en)
Inventor
张涵跃
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.)
Tianjin University of Science and Technology
Original Assignee
Tianjin University of Science and Technology
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 Tianjin University of Science and Technology filed Critical Tianjin University of Science and Technology
Priority to CN201810244049.XA priority Critical patent/CN108681685A/zh
Publication of CN108681685A publication Critical patent/CN108681685A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G06N3/065—Analogue means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Neurology (AREA)
  • Biophysics (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Dermatology (AREA)
  • Neurosurgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开一种基于人体表面肌电信号的躯干动作意图识别方法，包括：采集对象的表面肌电信号及惯性测量数据，并预处理形成归一化数据；通过滑动重叠窗口从每个动作对应的归一化数据中选择预定特征，通过计算获得需要的特征空间；对所述特征空间降维；对降维后的数据利用分类回归树方法形成决策树分类器进行分类，输出动作模式识别结果；采用多数表决机制对输出的动作模式识别结果进行噪声滤除，将最终动作模式识别结果输出。本发明能够有效地识别人体躯干动作意图，通过采用滑动重叠窗口分析实现了较低的识别错误率，能将识别延迟时间控制在用户所能察觉的阈值内。

Description

一种基于人体表面肌电信号的躯干动作意图识别方法
技术领域
本发明涉及动作模式识别技术领域，具体涉及一种基于人体表面肌电信号的躯干动作意图识别方法。
背景技术
机器人技术的最新进展使得研发作为人体延伸的外骨骼系统成为可能。到目前为止，增强型上下肢外骨骼一直是该领域研究的焦点。一个脊椎动力外骨骼可以通过增强一个人的承载能力从而使很多人群从中收益，尤其是那些完成诸如屈曲或伸展等日常活动非常困难的人群，例如重物搬运工和身患如截瘫和偏瘫的残疾人群等，外骨骼可以帮助该类人群自由站立和行走，带来的好处显而易见。并且，最重要的是外骨骼设备的直觉控制，这样用户可以把精力更多的投入到日常生活中而不必担心外骨骼的操作。但是目前的外骨骼技术仍然限制了躯干的自然运动，因为上下肢之间由一个刚性脊柱连接，这将极大地限制了用户能够参与的日常活动。目前两种推断用户动作意图的方法是通过在设备关节中嵌入机械传感器，或者通过惯性测量和表面肌电信号(sEMG)。
表面肌电信号由肌肉纤维在收缩过程中的电活动产生，并在皮肤表面被检测出来。因为每一个动作对应于肌肉组织的特定激活模式，因此可以通过放置在相关肌肉上的电极所采集的多通道肌电信号来确定用户的动作意图。因此，表面肌电信号是动力假肢、外骨骼和康复机器人的重要控制信号输入。目前已有许多基于肌电信号模式识别的动力假肢控制方法研究，例如：基于高斯混合模型分类法的上肢动力假肢肌电控制；利用表面肌电信号对假肢膝关节意念控制的方法。另一些研究者着重描述了基于肌电信号的模式识别方法的发展，例如：基于肌电信号的人工神经网络(ANN)和线性判别分析(LDA)运动模式识别方法；多功能肌电控制的鲁棒实时控制方法；基于肌电生物信号接口的实时手势识别方法。
除了压力和力传感器外，目前的假肢装置主要利用安装在设备和身体不同位置上的传感器采集的用户身体表面肌电信号来识别用户动作意图。然而目前在采用用户身体表面肌电信号来识别用户动作意图方面，存在不足，导致识别结果不够理想。
发明内容
本发明的目的是针对现有技术中存在的技术缺陷，而提供一种基于表面肌电信号和惯性测量的方法对训练数据进行分类的智能动力脊椎外骨骼的实时动作意图识别方法，其能够区分用户不同的动作意图模式，如屈曲、伸展和扭动躯干且识别准确度高，可以作为脊椎动力外骨骼的高级监控控制器使用。
为实现本发明的目的所采用的技术方案是：
一种基于人体表面肌电信号的躯干动作意图识别方法，其特征在于，包括以下步骤：
采集对象的表面肌电信号及惯性测量数据，并预处理形成归一化数据；
通过滑动重叠窗口从每个动作对应的归一化数据中选择预定特征，通过计算获得需要的特征空间；
对所述特征空间降维；
对降维后的数据利用分类回归树方法形成的决策树分类器进行分类，输出动作模式识别结果；
采用多数表决机制对输出的动作模式识别结果进行噪声滤除，将最终动作模式识别结果输出。
所述惯性测量数据包括位置、速度、加速度数据。
所述预处理依次包括通过截止频率为5Hz的8阶巴特沃斯高通滤波器消除直流偏移，降低最终的运动伪影；之后通过截止频率为20Hz的8阶巴特沃斯滤波器对信号进行全滤整流和低通滤波，消除高频噪声和干扰以获得较为平滑的信号；根据信号的最大幅值将表面肌电信号幅度归一化到(0，1)之间；对应的，惯性测量数据将被归一化到(-1，1)之间。
所述降维采用PCA降维算法。
所述惯性测量数据从动作捕捉系统记录的动作捕捉数据中模拟获得，表面肌电信号使用商业sEMG测量系统获得；动作捕捉系统与商业sEMG测量系统是同步的，以确保所有采集数据具备相同的时间戳。
所述采用多数表决机制对输出的动作模式识别结果进行噪声滤除，将最终动作模式识别结果输出的步骤如下：
首先将N个分类器决策结果存储在表决向量中，其次将N个分类器决策结果中发生率大于预定比率的动作模式将作为最终动作模式输出结果，否则维持上一次的最终动作模式输出结果。
本发明使用sEMG(人体表面肌电信号)作为输入信号和计算效率较高的CART(分类回归树)作为分类器，能够有效地识别人体躯干动作意图。通过采用滑动重叠窗口分析实现了较低的识别错误率，并且能够在215ms内提取用户的动作意图，将识别延迟时间控制在用户所能察觉的阈值之内。
附图说明
图1A-1B是sEMG电极的位置示意图；
图2是反射标记与标记簇的位置示意图；
图3是过度拟合的影响图；
图4 10折交叉验证剪枝法的效果图。
图5是五个受试者不同窗口长度的识别错误率；
图6是90s测试数据流对应的实际动作模式以及对应的识别结果(窗口长度为30ms，表决向量长度为38)的比较；
图7是120s的测试数据流对应的实时动作模式的识别结果；
图8是几个实验对象的识别错误率的比较图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
意图识别也称为目标识别，是通过分析用户的部分或全部动作和/或基于某种分类器分析由用户动作引起的状态变化来识别用户动作意图的任务。为了训练和使用分类器，需要确定合适的传感器集，适当窗口长度的传感器数据流以及从每个窗口提取的合适的特征集。此外，需要一个合适的数据降维方法来确保算法的实时性。该决策树分类器被用来实时地决定用户在某一时刻可能性最大的动作。最后，识别结果将会通过多数表决机制来实现低通滤波，以滤除噪音，提高分类精度。
一种基于人体表面肌电信号的躯干动作意图识别方法，包括以下步骤：
S101,采集实验对象的表面肌电信号及惯性测量数据(包括位置、速度、加速度数据)，并对原始数据流进行预处理，其中，所述预处理的方法可以是包括高通滤波、低通滤波、校正和归一化等方法；
S102,通过滑动重叠窗口从每个传感器信道选择计算代价较低并能导致分类准确率较高的特征，将相对较长的窗口浓缩成少量信息丰富的特征，通过计算获得需要的特征空间；
S103,对所述的特征空间降维。降维是为了保留最重要的数据信息，减少后续分类器的训练时间，方便实时系统的实现。
优选的本申请采用PCA作为降维算法。
S104,对降维后数据进行分类：具体是采用CART(分类回归树)作为决策树分类器，其基本原理为选择一个简单、紧凑且节点较少的树。奥卡姆剃刀原理表明，能够解释数据的最简单的模型应作为首选，因此，定义术语“不纯度”以确保数据到达直系后代节点尽可能纯净。用i(N)表示节点N的不纯度，在所有情况下，如果到达节点的所有模式都具有相同的类别标签，i(N)的值应为0，如果类别标签均衡分配，那么i(N)的值最大。最常用的不纯度测量方法是熵不纯度，计算公式如下：
其中P(ωj)是在节点N中类别ωj的模式比例。算法通过对训练数据集进行递归二元分裂来生成CART。数据被划分成越来越小的代表树中节点的子集，直到所有节点都是纯净的。通常用Gini不纯度作为分裂判据，计算公式如下：
i(N)表示节点N的不纯度，P(ωj)是在节点N中类别ωj的模式比例。二元决策树训练完毕后，为避免过度拟合，采用10折交叉验证法(CV)对树进行修剪。这样一来，当分类器应用到未知数据时将具备很强的泛化能力。
S105,采用多数表决机制对前述步骤中输出的动作模式识别结果进行噪声滤除，提高分类精度。
具体的，是在多数表决系统中，N个分类器决策结果被存储在表决向量中，在N个决策结果中发生率大于某个比率的动作模式将作为高级控制器的输出结果，如果某次表决没有动作模式超过该比率，则高级控制器维持上一次的输出。
其中，步骤S101中,采集实验对象完成特定动作时所产生的表面肌电信号及惯性测量数据时，其中的惯性测量数据可以从高速动作捕捉系统(QualisysTM–Oqus)记录的动作捕捉数据中模拟获得，表面肌电信号可以使用商业sEMG测量系统(DelsysTM Myomonitor-IV)获得。这两个系统是同步的，以确保所有采集数据具备相同的时间戳。
表面肌电信号测量系统采用12个电极1(10mm间距；Ag-AgCl)以1.2kHz的采样频率记录肌肉活动。八个电极1放置于背部的竖脊肌(L1、L3、T9)和背阔肌，四个电极1放置于腹部的腹直肌和腹外斜肌。采集电极位置示意图如图图1A-1B所示。
其中，动作捕捉系统可通过放置在实验对象身体感兴趣位置点的一组反射标记，以240Hz的频率对动作数据进行采样。其中主反射标记放置于骶骨，以及脊椎的L1、T7、T4和C7位置，在脊椎L1、T7、T4和C7位置分别有脊椎L1主反射标记7、脊椎T7主反射标记6、脊椎T主反射标记5、脊椎C7主反射标记4。以研究实验对象动作为目的将背部分成四个不同的刚体段，其中腰椎段的定义为骶骨到脊椎L1，下胸椎段为脊椎L1和T7之间的区域，中胸椎段为脊椎T7和T4之间的区域，上胸椎段为脊椎T4和C7之间的区域。如图2所示，每个刚体段均放置由刚性材料制作的标记平面簇3，用以精确地定义和跟踪每个段的运动状况。这些标记簇被用来模拟惯性传感器，标记簇角度偏转的一阶导数模拟陀螺仪的速率输出，标记簇质心的线性加速度模拟惯性加速度计的输出。
下面具体以实例进行说明。
实验对象为年龄在18岁以上的健康人，无任何慢性疼痛、关节炎或其他残疾等相关症状。实验使用医用粘合剂将表面肌电传感器和反射标记放置于实验对象的背部和躯干。受试者被指示进行一系列日常运动，如前屈、伸展、扭动躯干和直立，如表1所示。此外，实验还收集了120s连续运动轨迹数据用于动作模式识别测试。受试者的运动速度通过节拍器设定的一定时间间隔的声音提示来控制，称为bpm(每分钟节拍数)。
采集的原始表面肌电信号通过三个步骤进行预处理：首先通过截止频率为5Hz的8阶巴特沃斯高通滤波器消除直流偏移，降低最终的运动伪影，之后通过截止频率为20Hz的8阶巴特沃斯滤波器对信号进行全波整流和低通滤波，消除高频噪声和干扰以获得较为平滑的信号，从而将重点放在原始信号中受试者测试动作所对应的频谱区，以提高分类精度。采用双通滤波器能够保证信号的零相移，从而确保正确的肌肉活动时间。最后，根据所有实验中观察到的信号最大振幅，将信号幅度归一化到(0，1)之间，其中，惯性测量数据将被归一化到(-1，1)之间。
其中，每项测试动作都会生成24通道的数据集，其中12通道表面肌电信号，6通道加速度信号，6通道陀螺仪信号。对于实时识别系统，应确保系统的延迟时间(由人体发起动作到分类器识别出结果的时间间隔)不应被用户所感知，且分析窗口的长度不应超过200ms，以确保EMG信号的计算特征具有较小的统计方差。因此，对于滑动重叠窗口，分别比较了窗口长度从30到180ms的分类准确率，并且窗口增量被确定为10ms以加快分类决策的速度。每个通道的每个分析窗口选取四个计算代价较低并能导致分类准确率较高的特征，包括绝对平均值(MAV)、标准差(SD)，差分绝对值的平均值(DAMV)和均方根(RMS)。
最终，每项测试动作将通过计算得到一个96维的特征空间，并利用PCA算法将原特征空间映射至3维主成分，即可代表原始特征数据集的大部分信息。
每个测试动作的数据集被分成训练子集和测试子集两个子集，训练子集采用CART(分类回归树)方法生成决策树分类器。本发明采用10折交叉验证(CV)算法以避免决策树训练出现过度拟合，在最小分类错误率的1个标准误差范围以内的子树中，节点数最少的树为剪枝水平最佳的树，使得分类器应用到未知数据时将具备很强的泛化能力。
剪枝后，采用多数表决机制对决策树分类器利用测试子集输出的识别结果进行噪声滤除，提高分类精度。在多数表决系统中，N个分类器决策结果被存储在表决向量中(本专利中N的范围设定为20至50，增量为5)，在N个决策结果中发生率大于80％的动作模式将作为高级控制器的输出结果。如果某次表决没有动作模式超过该比率，则控制器维持上一次的输出。
算法的延迟时间对实时控制系统非常重要。表2总结了不同分类器的延迟时间计算公式，其中Ta代表分析窗口的长度，τ代表从数据收集完毕到分类器做出决策所需的处理时间，Tnew代表滑动重叠窗口的窗口增量，n代表表决向量中的决策结果数量。整个信号处理系统使用2.4-GHz Intel Core i3内核笔记本，MATLAB版本为32-bit R2010a。
表2
10折交叉验证法剪枝
图3显示过度拟合对训练决策树的影响。横轴表示随着决策树的逐步构建，终端节点总数的变化情况，纵轴表示每颗子树的分类错误率。其中，回代法的分类错误率为单调下降，而10折交叉验证法则为先降后升。可以看出，一旦树的节点超过大约40个时，进一步对树进行训练细化虽能降低训练数据的分类错误率，但却使得新数据的分类错误率上升。因此，原始决策树低估了将树应用于新数据时的分类错误率，修剪树的最佳位置(图3中圆圈所示)，即在最小分类错误率的1个标准误差范围以内的子树中，节点数最少的树。图4展示了10折交叉验证剪枝法在决策树学习中的效果，采用回代法和10折交叉验证法具有相同的分类错误率曲线。剪枝后，节点数目减少使得决策树对未知数据具有较强的泛化能力，计算代价较低。
滑动重叠窗口分析
决策树分类器训练并剪枝完毕后，一个90s四类动作(直立，40bpm向左扭转躯干并回到直立位置，40bpm向右扭转躯干并回到直立位置，60bpm前屈/伸展(弯腰并站立起来))测试数据将用来验证分类器的性能。滑动重叠窗口可以充分利用系统的计算能力，产生一个尽可能密集的决策流。
表3列出了向分类器提供测试数据后不同窗口长度的识别错误率(经过多数表决机制后)，表3中由上自下第二行为最低识别错误率0.17％所对应的窗口长度30ms及表决向量长度38。对于每一个窗口长度，分别计算了表决向量长度从20到50，增量为1的识别错误率，并输出识别错误率最低的表决向量长度。最低识别错误率为0.17％，此时相应的窗口长度为30ms，表决向量长度为38。图5绘制了不同窗口长度的识别错误率，曲线呈波动上升趋势，但平均识别错误率为1.84％。图6表示窗口长度为30ms，表决向量长度为38的动作模式识别算法的输出结果。可以看出，与实际的动作模式相比，识别算法输出的结果达到了较高的识别正确率。
窗口长度(ms) 表决向量长度 识别错误率
30 38 0.17％
40 43 1.16％
50 34 1.12％
60 29 2.22％
70 29 1.30％
80 35 2.17％
90 40 1.49％
100 46 2.30％
110 48 1.19％
120 42 2.48％
130 42 1.89％
140 48 2.20％
150 34 3.29％
160 50 3.24％
170 49 1.63％
180 42 2.60％
表3
将分类器的窗口长度和表决向量长度固定后，一个120s测试数据将用来检验分类器的性能。如图7识别结果证明该方法无明显的错误切换和切换延迟。平均延迟时间为：
此时将识别延迟时间控制在用户所能察觉的阈值之内。因此，滑动重叠分析窗口能保证更快的决策效率，使系统更加灵敏，并保持高识别正确率。
多个实验对象数据集验证分类器性能
从另外四个不同的健康受试者采集的数据集，被用来验证滑动重叠窗口分类器的性能。数据采集遵循与首个受试者同样的协议。每名受试者的数据集将通过同样的算法训练出各自的决策树分类器。图8表示五个受试者不同窗口长度的识别错误率，所有这些错误率曲线均呈现出波动上升的趋势。然而，最小识别错误率总是发生在窗户长度为30-50ms之间。因此，对于滑动重叠窗口来说，窗口的长度越小越好。
表4列出了五个受试者的最小识别错误率及其对应的窗口长度和表决向量长度。最小识别错误率发生在表决向量长度为35-45之间，因此这个区间范围的表决向量长度可显著减少错误分类。所有五个受试者的识别错误率均低于1％，且延迟时间均控制在300ms以内。因此，通过多个实验对象数据集的识别结果验证了本发明分类器算法的有效性。
实验对象 年龄 身高(米) 体重(公斤) 窗口长度(ms) 表决向量长度 识别错误率 延迟时间(ms)
1 30 1.83 70 30 38 0.17％ 215
2 34 1.93 83 40 43 0.62％ 245
3 25 1.7 60 30 36 0.35％ 205
4 29 1.81 72 30 35 0.43％ 200
5 26 1.75 66 40 41 0.23％ 235
表4
可以看出，本发明的意图动作模式识别方法，通过使用sEMG(人体表面肌电信号)作为输入信号和CART(分类回归树)作为分类器，能够及时识别用户意图动作，特别是通过利用滑动重叠分析窗口能实现较低的识别错误率和延迟时间。
以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种基于人体表面肌电信号的躯干动作意图识别方法，其特征在于，包括以下步骤：
采集对象的表面肌电信号及惯性测量数据，并预处理形成归一化数据；
通过滑动重叠窗口从每个动作对应的归一化数据中选择预定特征，通过计算获得需要的特征空间；
对所述特征空间降维；
对降维后的数据利用分类回归树方法形成的决策树分类器进行分类，输出动作模式识别结果；
采用多数表决机制对输出的动作模式识别结果进行噪声滤除，将最终动作模式识别结果输出。
2.根据权利要求1所述基于人体表面肌电信号的躯干动作意图识别方法，其特征在于，所述惯性测量数据包括位置、速度、加速度数据。
3.根据权利要求1所述基于人体表面肌电信号的躯干动作意图识别方法，其特征在于，所述预处理依次包括通过截止频率为5Hz的8阶巴特沃斯高通滤波器消除直流偏移，降低最终的运动伪影；之后通过截止频率为20Hz的8阶巴特沃斯滤波器对信号进行全滤整流和低通滤波，消除高频噪声和干扰以获得较为平滑的信号；根据信号的最大幅值将表面肌电信号幅度归一化到(0，1)之间；对应的，惯性测量数据将被归一化到(-1，1)之间。
4.根据权利要求1所述基于人体表面肌电信号的躯干动作意图识别方法，其特征在于，所述降维采用PCA降维算法。
5.根据权利要求1所述基于人体表面肌电信号的躯干动作意图识别方法，其特征在于，所述惯性测量数据从动作捕捉系统记录的动作捕捉数据中模拟获得，表面肌电信号使用商业sEMG测量系统获得；动作捕捉系统与商业sEMG测量系统是同步的，以确保所有采集数据具备相同的时间戳。
6.根据权利要求1所述基于人体表面肌电信号的躯干动作意图识别方法，其特征在于，所述采用多数表决机制对输出的动作模式识别结果进行噪声滤除，将最终动作模式识别结果输出的步骤如下：
首先将N个分类器决策结果存储在表决向量中，其次将N个分类器决策结果中发生率大于预定比率的动作模式将作为最终动作模式输出结果，否则维持上一次的最终动作模式输出结果。
CN201810244049.XA 2018-03-23 2018-03-23 一种基于人体表面肌电信号的躯干动作意图识别方法 Pending CN108681685A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810244049.XA CN108681685A (zh) 2018-03-23 2018-03-23 一种基于人体表面肌电信号的躯干动作意图识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810244049.XA CN108681685A (zh) 2018-03-23 2018-03-23 一种基于人体表面肌电信号的躯干动作意图识别方法

Publications (1)

Publication Number Publication Date
CN108681685A true CN108681685A (zh) 2018-10-19

Family

ID=63800393

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810244049.XA Pending CN108681685A (zh) 2018-03-23 2018-03-23 一种基于人体表面肌电信号的躯干动作意图识别方法

Country Status (1)

Country Link
CN (1) CN108681685A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110414619A (zh) * 2019-08-05 2019-11-05 重庆工商职业学院 一种基于emg信号识别方法
CN110664404A (zh) * 2019-09-30 2020-01-10 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
CN111310599A (zh) * 2020-01-20 2020-06-19 重庆大学 一种可快速适应各种变化因素的睡眠动作识别系统
CN111700718A (zh) * 2020-07-13 2020-09-25 北京海益同展信息科技有限公司 一种识别握姿的方法、装置、假肢及可读存储介质
CN111844032A (zh) * 2020-07-15 2020-10-30 北京海益同展信息科技有限公司 肌电信号处理、外骨骼机器人控制方法及装置
CN114424937A (zh) * 2022-01-26 2022-05-03 宁波工业互联网研究院有限公司 一种用于下肢外骨骼的人体运动意图识别方法与系统
CN114831627A (zh) * 2022-03-17 2022-08-02 吉林大学 一种基于三棵决策树的下肢假肢运动识别方法
CN114423346B (zh) * 2019-11-20 2024-04-09 国立大学法人东京大学 肩部僵硬推定方法和肩部僵硬推定装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105446484A (zh) * 2015-11-19 2016-03-30 浙江大学 一种基于隐马尔科夫模型的肌电信号手势识别方法
CN107480697A (zh) * 2017-07-12 2017-12-15 中国科学院计算技术研究所 一种肌电手势识别方法和系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105446484A (zh) * 2015-11-19 2016-03-30 浙江大学 一种基于隐马尔科夫模型的肌电信号手势识别方法
CN107480697A (zh) * 2017-07-12 2017-12-15 中国科学院计算技术研究所 一种肌电手势识别方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘俊宏: "《基于特征值降维与多元信号融合的手部动作识别算法研究》" *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110414619A (zh) * 2019-08-05 2019-11-05 重庆工商职业学院 一种基于emg信号识别方法
CN110414619B (zh) * 2019-08-05 2023-04-07 重庆工商职业学院 一种基于emg信号识别方法
CN110664404A (zh) * 2019-09-30 2020-01-10 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
CN114423346B (zh) * 2019-11-20 2024-04-09 国立大学法人东京大学 肩部僵硬推定方法和肩部僵硬推定装置
CN111310599A (zh) * 2020-01-20 2020-06-19 重庆大学 一种可快速适应各种变化因素的睡眠动作识别系统
CN111700718A (zh) * 2020-07-13 2020-09-25 北京海益同展信息科技有限公司 一种识别握姿的方法、装置、假肢及可读存储介质
CN111844032A (zh) * 2020-07-15 2020-10-30 北京海益同展信息科技有限公司 肌电信号处理、外骨骼机器人控制方法及装置
CN111844032B (zh) * 2020-07-15 2022-04-12 京东科技信息技术有限公司 肌电信号处理、外骨骼机器人控制方法及装置
CN114424937A (zh) * 2022-01-26 2022-05-03 宁波工业互联网研究院有限公司 一种用于下肢外骨骼的人体运动意图识别方法与系统
CN114831627A (zh) * 2022-03-17 2022-08-02 吉林大学 一种基于三棵决策树的下肢假肢运动识别方法

Similar Documents

Publication Publication Date Title
CN108681685A (zh) 一种基于人体表面肌电信号的躯干动作意图识别方法
Abbaspour et al. Evaluation of surface EMG-based recognition algorithms for decoding hand movements
Triwiyanto et al. An improved performance of deep learning based on convolution neural network to classify the hand motion by evaluating hyper parameter
Shen et al. Movements classification of multi-channel sEMG based on CNN and stacking ensemble learning
Burns et al. Upper limb movement classification via electromyographic signals and an enhanced probabilistic network
CN111844032B (zh) 肌电信号处理、外骨骼机器人控制方法及装置
CN105997064A (zh) 一种用于人体下肢表面肌电信号的辨识方法
CN107422841A (zh) 一种基于非接触式情绪识别的人机交互方法
CN102930284A (zh) 基于经验模态分解和分形的表面肌电信号模式识别方法
Zhao et al. Self-supervised learning from multi-sensor data for sleep recognition
CN108268844A (zh) 基于表面肌电信号的动作模式识别方法及装置
Al-Assaf Surface myoelectric signal analysis: dynamic approaches for change detection and classification
Yao et al. Multi-feature gait recognition with DNN based on sEMG signals
BAKIRCIOĞLU et al. Classification of EMG signals using convolution neural network
CN114533089A (zh) 一种基于表面肌电信号的下肢动作识别分类方法
CN112869743B (zh) 一种考虑认知分心的运动起始意图神经解析方法
Lin et al. A normalisation approach improves the performance of inter-subject sEMG-based hand gesture recognition with a ConvNet
Zhang et al. Activity recognition of the torso based on surface electromyography for exoskeleton control
CN111923048A (zh) 肌电信号分类、外骨骼机器人控制方法及装置
Xu et al. ART2 neural network for surface EMG decomposition
Jeong et al. Comparison of wrist motion classification methods using surface electromyogram
Rupom et al. Emg controlled bionic robotic arm using artificial intelligence and machine learning
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
CN114569143A (zh) 一种基于注意力机制与多特征融合的肌电手势识别方法
Kocer Classifying myopathy and neuropathy neuromuscular diseases using artificial neural networks

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20181019

WD01 Invention patent application deemed withdrawn after publication