CN109359619A - 一种基于卷积盲源分离的高密度表面肌电信号分解方法 - Google Patents
一种基于卷积盲源分离的高密度表面肌电信号分解方法 Download PDFInfo
- Publication number
- CN109359619A CN109359619A CN201811281363.1A CN201811281363A CN109359619A CN 109359619 A CN109359619 A CN 109359619A CN 201811281363 A CN201811281363 A CN 201811281363A CN 109359619 A CN109359619 A CN 109359619A
- Authority
- CN
- China
- Prior art keywords
- signal
- moving cell
- source
- formula
- high density
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- General Physics & Mathematics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于卷积盲源分离的高密度表面肌电信号分解方法,1)利用恒力输出下的高密度表面肌电信号,纠正不同电极间的时延,并进行时间对齐;然后采用迭代紧缩方法进行卷积盲源分离过程,提取运动单元信号源;2)重复卷积盲源分离过程,提取更多个运动单元信号源,直到重复迭代3次后仍未检测出新的运动单元信号源为止;3)对所有提取出的运动单元信号源的发放序列归类整理,剔除重复以及不合理的发放时刻向量,再次审核运动单元信号源;4)利用审核通过的运动单元信号源进行神经源性和肌源性疾病的辅助诊断、神经肌肉系统的正常、病理及疲劳过程的机理研究。本发明有效提高分解的准确性。
Description
技术领域
本发明涉及表面肌电信号分解领域,具体是一种基于卷积盲源分离的高密度表面肌电信号分解方法。
背景技术
新发展起来的高密度表面肌电信号(High-Density surface EMG, HD-sEMG)技术利用粘贴在人体皮肤上的表面电极栅格采集皮下肌肉电信号,具有无创性、易于患者接受的特点。肌电信号是在脊髓中枢发出收缩指令或受到外界施加的刺激时,多个参与发放的运动单元(Motor Unit,MU)兴奋而产生的运动单元动作电位(Motor Unit ActionPotential,MUAP)在检测电极处的时间和空间上综合叠加的结果。高密度表面肌电信号分解是指从观测到的多通道高密度肌电信号中识别出单个运动单元的运动元动作电位并将其归类,从而揭示构成肌电信号中主体运动单元动作电位序列的过程,进而获得运动单位的募集和发放信息、MUAP的波形特征及其发放率等信息,可应用于神经源性和肌源性疾病的辅助诊断和神经肌肉系统的正常、病理及疲劳过程的机理研究,对康复医学及运动医学也有具有重要意义。
由于人体组织具有低通滤波作用,表面肌电信号的信噪比较低,而MUAP波形的变异性强且叠加程度高,导致表面肌电信号分解的研究很困难。目前,HD-sEMG信号分解的研究方法主要有:模板匹配法、人工智能算法、盲源分离算法、独立成分分折(ICA)、卷积核补偿算法等方法。目前研究方法在肌肉收缩程度较大时的分解效果不理想,主要原因是募集的运动单元较多时,各个运动单位相互之间的影响加大,检测到的肌电信号MUAP波形的变异和叠加程度随之增大。总之,高密度表面肌电信号分解的研究还处于起步阶段,是肌电信号处理研究领域的难点之一。
发明内容
本发明目的在于提供了一种基于卷积盲源分离的高密度表面肌电信号分解方法。本发明有效提高分解的准确性,能应用于神经源性和肌源性疾病的辅助诊断和神经肌肉系统的正常、病理及疲劳过程的机理研究,对康复医学及运动医学也有具有重要意义。
为了达到上述目的,本发明的技术方案是:
一种基于卷积盲源分离的高密度表面肌电信号分解方法,其特征在于:包括如下步骤:
1)利用粘贴在人体皮肤上的表面电极栅格采集皮下肌肉电信号,即为恒力输出下的高密度表面肌电信号,纠正不同电极间的时延,并进行时间对齐;然后采用迭代紧缩方法进行卷积盲源分离过程,提取运动单元信号源;
2)重复卷积盲源分离过程,提取更多个运动单元信号源,直到重复迭代3次后仍未检测出新的运动单元信号源为止;
3)对所有提取出的运动单元信号源的发放序列归类整理,剔除重复以及不合理的发放时刻向量,再次审核运动单元信号源;
4)利用审核通过的运动单元信号源进行神经源性和肌源性疾病的辅助诊断、神经肌肉系统的正常、病理及疲劳过程的机理研究。
所述的步骤1)中对高密度表面肌电信号做时延纠正和时间对齐的方法具体是:利用非线性能量算子(Nonlinear Energy Operator, NEO)对测量信号滤波,然后利用巴特利特(Bartlett)窗函数与滤波结果卷积以去除由于噪声产生的虚假波峰,通过计算NEO滤波信号间的互相关性时延纠正,实现时间对齐。
所述的步骤1)中卷积盲源分离过程包括如下步骤:
(1)利用峭度对比函数最大化算法提取出一个运动单元源信号;
(2)对提取的运动单元源信号进行去噪处理,以保证在每个假定发放时刻的波形相似性;
(3)利用自适应阈值化算法检测波峰,以波峰为中心识别出此运动单元对应的所有活动段,提取运动单元发放序列;
(4)估算本次提取出的运动单元源在各个电极产生的信号贡献,并将其从测量信号中减除,得到更新的测量信号。
所述的步骤(1)中,首先利用公式(5)和公式(6)迭代计算以最大化公式(4)给出的峭度对比函数,提取出一个运动单元信号源;
所述的公式(4)为:
所述的公式(5)为:y(p)(n)=(b(p)*x)(n);
所述的公式(6)为:
其中X为测量所得信号;y(n)为运动单元信号源的估计向量;p 为迭代系数;kurt(y)为y(n)的峭度;μ(p)为步长,为梯度; b(k)为长度为K的有限冲击响应;J(b(k))为峭度对比函数。
所述的步骤(3)具体为:首先利用自适应阈值化算法检测波峰,其阈值选取为信号均方根的5倍,以波峰为中心识别出此运动单元对应的所有活动段,并设定时间窗宽度为10.5ms,记录所有活动段的时间、波形特征信息,利用欧氏距离计算所有活动段的相似度,并计算所有相似性较高的活动段的平均波形生成运动单元动作电位波形模板,保存此运动单元发放序列的相关数据。
所述的步骤3)中信号贡献计算方法为:利用线性最小二乘法,从所有测量信号中减除来自本次提取的运动单元源的贡献量,得到了 (N-1)个源的紧缩矩阵;也就是说从降维矩阵中分离出剩余的(N-1) 个信号源;具体方法为:从测量信号x(q-1)(n)中减去按公式(8)计算的来自第(q-1)个源yq-1(n)的贡献z(q-1)(n),得到按公式(7)更新测量信号;
所述的公式(7)为:x(q)(n)=x(q-1)(n)-z(q-1)(n);
所述的公式(8)为:
其中,(t(q)(k))k∈Z是一个滤波器的脉冲响应;
通过最小化公式(9)得到更新的测量信号;
所述的公式(9)为:ε(t(q))=E{|x(q)(n)|2},
ε(t(q))为更新后的测量信号的能量;
所述的步骤3)中平均每秒多于5个波峰则认为是生理上不合理的运动单元信号源。
本发明的有益效果:本发明提出的基于卷积盲源分离的高密度表面肌电信号分解方法,将高密度表面肌电信号建模为线性卷积矩阵,并采用紧缩方法逐步迭代估计各个运动单元源,利用峭度对比函数最大化算法提取运动单元源信号,通过后续去噪、波形相似性比较以及再审核等处理获得生理上合理的运动单元发放序列,可以有效提高分解的准确性。本发明应用于神经源性和肌源性疾病的辅助诊断和神经肌肉系统的正常、病理及疲劳过程的机理研究,对康复医学及运动医学也有具有重要意义。
附图说明
图1是本发明的流程图。
具体实施方式
实施例1
以下结合附图实例对本发明作进一步详细描述。
1.高密度表面肌电信号的MIMO-LTI系统模型
HD-sEMG信号建模为多输入多输出线性时不变 (Multiple-Input-Multiple-Output Linear Time Invariant, MIMO-LTI)系统在N维运动单元信号源S作为输入产生的M维输出信号X。此MIMO-LTI系统为一个有限冲击响应滤波器,A是其长度为L 的单位脉冲响应,为M×N矩阵。那么,测量所得信号X可以表示为:
为了实现盲源信号分离,通常假定:1)信号源都为零均值单位方差平稳随机信号,且相互之间是统计不相关的;2)运动单元源的数目不超过测量信号通道数,即N≤M。从测量信号中分离出源信号的问题,就转化为求解分离算子B,通过公式(2)计算可以得到其输出y(n),y(n)即为运动单元信号源s(n)的估计向量。
2.基于紧缩迭代的卷积盲源分离算法
利用迭代紧缩方法,利用公式(3)通过估计分离算子B相应行逐步计算提取出y(n),其中bi(k)是长度为K的有限冲击响应。
迭代紧缩方法分为以下几步:
1)最大化公式(4)所示的峭度对比函数,其中kurt(y)为y(n)的峭度。
采用梯度算法,在第p次迭代中,按公式(5)和公式(6) 计算,计算运动单元信号源s(n)的估计y(n),并更新分离算子:
y(p)(n)=(b(p)*x)(n)
(5)
其中,μ(p)为步长,为梯度。
2)通过上述步骤提取出一个运动单元信号源的估计后,利用线性最小二乘法,从所有测量信号中减除来自此源的贡献量,得到了(N-1) 个源的紧缩矩阵。问题就转化为,从降维矩阵中分离出剩余的(N-1) 个信号源。具体操作为:从测量信号x(q-1)(n)中减去按公式(8)计算的来自第(q-1)个源yq-1(n)的贡献z(q-1)(n),得到按公式(7)更新测量信号:
x(q)(n)=x(q-1)(n)-z(q-1)(n)
(7)
其中,(t(q)(k))k∈Z是一个滤波器的脉冲响应,通过最小化公式(9) 得到:
ε(t(q))=E{|x(q)(n)|2}
(9)
3)重复迭代上述两步,直到分离出所有N个信号源为止。
基于上述MIMO-LTI系统模型和卷积盲源分离算法,本实施例的一种基于卷积盲源分离的高密度表面肌电信号分解方法,其流程图如图1所示,包括以下步骤。
1)利用粘贴在人体皮肤上的表面电极栅格采集皮下肌肉电信号,即为恒力输出下的高密度表面肌电信号,纠正不同电极间的时延,并进行时间对齐;然后采用迭代紧缩方法进行卷积盲源分离过程,提取运动单元信号源;
所述的步骤1)中对高密度表面肌电信号做时延纠正和时间对齐的方法具体是:利用非线性能量算子(Nonlinear Energy Operator, NEO)对测量信号滤波,然后利用巴特利特窗函数与滤波结果卷积以去除由于噪声产生的虚假波峰,通过计算NEO滤波信号间的互相关性时延纠正,实现时间对齐。
所述的步骤1)中卷积盲源分离过程包括如下步骤:
(1)利用峭度对比函数最大化算法提取出一个运动单元源信号;
所述的步骤(1)中,首先利用公式(5)和公式(6)迭代计算以最大化公式(4)给出的峭度对比函数,提取出一个运动单元信号源;
所述的公式(4)为:
所述的公式(5)为:y(p)(n)=(b(p)*x)(n);
所述的公式(6)为:
其中X为测量所得信号;y(n)为运动单元信号源的估计向量;p 为迭代系数;kurt(y)为y(n)的峭度;μ(p)为步长,为梯度; b(k)为长度为K的有限冲击响应;J(b(k))为峭度对比函数。
(2)对提取的运动单元源信号进行去噪处理,以保证在每个假定发放时刻的波形相似性;
(3)利用自适应阈值化算法检测波峰,以波峰为中心识别出此运动单元对应的所有活动段,提取运动单元发放序列;
所述的步骤(3)具体为:首先利用自适应阈值化算法检测波峰,其阈值选取为信号均方根的5倍,以波峰为中心识别出此运动单元对应的所有活动段,并设定时间窗宽度为10.5ms,记录所有活动段的时间、波形特征信息,利用欧氏距离计算所有活动段的相似度,并计算所有相似性较高的活动段的平均波形生成运动单元动作电位波形模板,保存此运动单元发放序列的相关数据。所述的步骤3)中平均每秒多于5个波峰则认为是生理上不合理的运动单元信号源。
(4)估算本次提取的运动单元源在各个电极产生的信号贡献,并将其从测量信号中减除,得到更新的测量信号。
2)重复卷积盲源分离过程,提取更多个运动单元信号源,直到重复迭代3次后仍未检测出新的运动单元信号源为止;
3)对所有提取出的运动单元信号源的发放序列归类整理,剔除重复以及不合理的发放时刻向量,再次审核运动单元信号源;
所述的步骤3)中信号贡献方法为:利用线性最小二乘法,从所有测量信号中减除来自本次提取的运动单元源的贡献量,得到了(N-1) 个源的紧缩矩阵;也就是说从降维矩阵中分离出剩余的(N-1)个信号源;具体方法为:从测量信号x(q-1)(n)中减去按公式(8)计算的来自第(q-1)个源yq-1(n)的贡献z(q-1)(n),得到按公式(7)更新测量信号;
所述的公式(7)为:x(q)(n)=x(q-1)(n)-z(q-1)(n);
所述的公式(8)为:
其中,(t(q)(k))k∈Z是一个滤波器的脉冲响应;
通过最小化公式(9)得到更新的测量信号;
所述的公式(9)为:ε(t(q))=E{|x(q)(n)|2};,
ε(t(q))为更新后的测量信号的能量。
4)利用审核通过的运动单元信号源进行神经源性和肌源性疾病的辅助诊断、神经肌肉系统的正常、病理及疲劳过程的机理研究。
本实施例的一种基于卷积盲源分离的高密度表面肌电信号分解方法,将高密度表面肌电信号建模为线性卷积矩阵,并采用紧缩方法逐步迭代估计各个运动单元源,利用峭度对比函数最大化算法提取运动单元源信号,通过后续去噪、波形相似性比较以及再审核等处理获得生理上合理的运动单元发放序列,可以有效提高分解的准确性。本发明应用于神经源性和肌源性疾病的辅助诊断和神经肌肉系统的正常、病理及疲劳过程的机理研究,对康复医学及运动医学也有具有重要意义。
Claims (7)
1.一种基于卷积盲源分离的高密度表面肌电信号分解方法,其特征在于:包括如下步骤:
1)利用粘贴在人体皮肤上的表面电极栅格采集皮下肌肉电信号,即为恒力输出下的高密度表面肌电信号,纠正不同电极间的时延,并进行时间对齐;然后采用迭代紧缩方法进行卷积盲源分离过程,提取运动单元信号源;
2)重复卷积盲源分离过程,提取更多个运动单元信号源,直到重复迭代3次后仍未检测出新的运动单元信号源为止;
3)对所有提取出的运动单元信号源的发放序列归类整理,剔除重复以及不合理的发放时刻向量,再次审核运动单元信号源;
4)利用审核通过的运动单元信号源进行神经源性和肌源性疾病的辅助诊断、神经肌肉系统的正常、病理及疲劳过程的机理研究。
2.如权利要求1所述的一种基于卷积盲源分离的高密度表面肌电信号分解方法,其特征在于:所述的步骤1)中对高密度表面肌电信号做时延纠正和时间对齐的方法具体是:利用非线性能量算子对测量信号滤波,然后利用巴特利特窗函数与滤波结果卷积以去除由于噪声产生的虚假波峰,通过计算NEO滤波信号间的互相关性时延纠正,实现时间对齐。
3.如权利要求1所述的一种基于卷积盲源分离的高密度表面肌电信号分解方法,其特征在于:所述的步骤1)中卷积盲源分离过程包括如下步骤:
(1)利用峭度对比函数最大化算法提取出一个运动单元源信号;
(2)对提取的运动单元源信号进行去噪处理,以保证在每个假定发放时刻的波形相似性;
(3)利用自适应阈值化算法检测波峰,以波峰为中心识别出此运动单元对应的所有活动段,提取运动单元发放序列;
(4)估算本次提取的运动单元源在各个电极产生的信号贡献,并将其从测量信号中减除,得到更新的测量信号。
4.如权利要求3所述的一种基于卷积盲源分离的高密度表面肌电信号分解方法,其特征在于:所述的步骤(1)中,首先利用公式(5)和公式(6)迭代计算以最大化公式(4)给出的峭度对比函数,提取出一个运动单元信号源;
所述的公式(4)为:
所述的公式(5)为:y(p)(n)=(b(p)*x)(n);
所述的公式(6)为:
其中X为测量所得信号;y(n)为运动单元信号源的估计向量;p为迭代系数;kurt(y)为y(n)的峭度;μ(p)为步长,为梯度;b(k)为长度为K的有限冲击响应;J(b(k))为峭度对比函数。
5.如权利要求2所述的一种基于卷积盲源分离的高密度表面肌电信号分解方法,其特征在于:所述的步骤(3)具体为:首先利用自适应阈值化算法检测波峰,其阈值选取为信号均方根的5倍,以波峰为中心识别出此运动单元对应的所有活动段,并设定时间窗宽度为10.5ms,记录所有活动段的时间、波形特征信息,利用欧氏距离计算所有活动段的相似度,并计算所有相似性较高的活动段的平均波形生成运动单元动作电位波形模板,保存此运动单元发放序列的相关数据。
6.如权利要求2所述的一种基于卷积盲源分离的高密度表面肌电信号分解方法,其特征在于:所述的步骤3)中信号贡献方法为:利用线性最小二乘法,从所有测量信号中减除来自本次提取的运动单元源的贡献量,得到了(N-1)个源的紧缩矩阵;也就是说从降维矩阵中分离出剩余的(N-1)个信号源;具体方法为:从测量信号x(q-1)(n)中减去按公式(8)计算的来自第(q-1)个源yq-1(n)的贡献z(q-1)(n),得到按公式(7)更新测量信号;
所述的公式(7)为:x(q)(n)=x(q-1)(n)-z(q-1)(n);
所述的公式(8)为:
其中,(t(q)(k))k∈Z是一个滤波器的脉冲响应;
通过最小化公式(9)得到更新的测量信号;
所述的公式(9)为:ε(t(q))=E{|x(q)(n)|2};,
ε(t(q))为更新后的测量信号的能量。
7.如权利要求1所述的一种基于卷积盲源分离的高密度表面肌电信号分解方法,其特征在于:所述的步骤3)中平均每秒多于5个波峰则认为是生理上不合理的运动单元信号源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811281363.1A CN109359619A (zh) | 2018-10-31 | 2018-10-31 | 一种基于卷积盲源分离的高密度表面肌电信号分解方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811281363.1A CN109359619A (zh) | 2018-10-31 | 2018-10-31 | 一种基于卷积盲源分离的高密度表面肌电信号分解方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109359619A true CN109359619A (zh) | 2019-02-19 |
Family
ID=65347219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811281363.1A Pending CN109359619A (zh) | 2018-10-31 | 2018-10-31 | 一种基于卷积盲源分离的高密度表面肌电信号分解方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109359619A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110464348A (zh) * | 2019-07-10 | 2019-11-19 | 深圳市智能机器人研究院 | 基于肌电信号的下肢关节连续运动量识别方法及系统 |
CN111184512A (zh) * | 2019-12-30 | 2020-05-22 | 电子科技大学 | 一种脑卒中患者上肢及手部康复训练动作识别方法 |
CN111329476A (zh) * | 2020-03-04 | 2020-06-26 | 中国科学技术大学 | 一种基于微观神经驱动信息进行肌力估计的方法及装置 |
CN113397571A (zh) * | 2021-07-16 | 2021-09-17 | 杭州电子科技大学 | 一种基于先验模板的肌电运动单元分解方法 |
CN113536911A (zh) * | 2021-06-08 | 2021-10-22 | 西安交通大学 | 一种基于双线程的肌电在线实时分解方法 |
CN113567128A (zh) * | 2021-07-26 | 2021-10-29 | 西南交通大学 | 列车轴承故障特征精密提取与诊断方法、设备及存储介质 |
CN113726466A (zh) * | 2021-07-21 | 2021-11-30 | 歌尔股份有限公司 | 一种可穿戴设备及其信号采集方法 |
CN114052750A (zh) * | 2021-12-22 | 2022-02-18 | 杭州电子科技大学 | 基于标准模板肌电分解的脑肌信息传递规律提取方法 |
CN114343680A (zh) * | 2021-12-24 | 2022-04-15 | 杭州电子科技大学 | 一种动态表面肌电信号实时分解方法 |
CN114767132A (zh) * | 2022-04-20 | 2022-07-22 | 中国科学技术大学 | 一种基于表面肌电分解的运动单位识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106108898A (zh) * | 2016-07-20 | 2016-11-16 | 南京智松电子科技有限公司 | 一种检测眼睛肌肉疲劳的方法和检测系统 |
CN108403113A (zh) * | 2018-02-11 | 2018-08-17 | 宁波工程学院 | 一种半自动的阵列式表面肌电信号分解方法 |
-
2018
- 2018-10-31 CN CN201811281363.1A patent/CN109359619A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106108898A (zh) * | 2016-07-20 | 2016-11-16 | 南京智松电子科技有限公司 | 一种检测眼睛肌肉疲劳的方法和检测系统 |
CN108403113A (zh) * | 2018-02-11 | 2018-08-17 | 宁波工程学院 | 一种半自动的阵列式表面肌电信号分解方法 |
Non-Patent Citations (1)
Title |
---|
XIANGJUN ZHU ET AL.: "High-Density Surface EMG Decomposition based on a Convolutive Blind Source Separation Approach", 《34TH ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE EMBS》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110464348A (zh) * | 2019-07-10 | 2019-11-19 | 深圳市智能机器人研究院 | 基于肌电信号的下肢关节连续运动量识别方法及系统 |
CN111184512A (zh) * | 2019-12-30 | 2020-05-22 | 电子科技大学 | 一种脑卒中患者上肢及手部康复训练动作识别方法 |
CN111329476A (zh) * | 2020-03-04 | 2020-06-26 | 中国科学技术大学 | 一种基于微观神经驱动信息进行肌力估计的方法及装置 |
CN111329476B (zh) * | 2020-03-04 | 2021-07-06 | 中国科学技术大学 | 一种基于微观神经驱动信息进行肌力估计的方法及装置 |
CN113536911B (zh) * | 2021-06-08 | 2024-02-02 | 西安交通大学 | 一种基于双线程的肌电在线实时分解方法 |
CN113536911A (zh) * | 2021-06-08 | 2021-10-22 | 西安交通大学 | 一种基于双线程的肌电在线实时分解方法 |
CN113397571A (zh) * | 2021-07-16 | 2021-09-17 | 杭州电子科技大学 | 一种基于先验模板的肌电运动单元分解方法 |
CN113726466A (zh) * | 2021-07-21 | 2021-11-30 | 歌尔股份有限公司 | 一种可穿戴设备及其信号采集方法 |
CN113726466B (zh) * | 2021-07-21 | 2023-12-01 | 歌尔股份有限公司 | 一种可穿戴设备及其信号采集方法 |
CN113567128A (zh) * | 2021-07-26 | 2021-10-29 | 西南交通大学 | 列车轴承故障特征精密提取与诊断方法、设备及存储介质 |
CN114052750A (zh) * | 2021-12-22 | 2022-02-18 | 杭州电子科技大学 | 基于标准模板肌电分解的脑肌信息传递规律提取方法 |
CN114052750B (zh) * | 2021-12-22 | 2024-04-30 | 杭州电子科技大学 | 基于标准模板肌电分解的脑肌信息传递规律提取方法 |
CN114343680A (zh) * | 2021-12-24 | 2022-04-15 | 杭州电子科技大学 | 一种动态表面肌电信号实时分解方法 |
CN114343680B (zh) * | 2021-12-24 | 2024-04-19 | 杭州电子科技大学 | 一种动态表面肌电信号实时分解方法 |
CN114767132A (zh) * | 2022-04-20 | 2022-07-22 | 中国科学技术大学 | 一种基于表面肌电分解的运动单位识别方法 |
CN114767132B (zh) * | 2022-04-20 | 2024-05-07 | 中国科学技术大学 | 一种基于表面肌电分解的运动单位识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109359619A (zh) | 一种基于卷积盲源分离的高密度表面肌电信号分解方法 | |
Li et al. | Deep convolutional neural network based ECG classification system using information fusion and one-hot encoding techniques | |
Banks et al. | Methodological choices in muscle synergy analysis impact differentiation of physiological characteristics following stroke | |
CN102940490B (zh) | 基于非线性动力学的运动想象脑电信号特征提取方法 | |
CN103761424B (zh) | 基于二代小波和独立分量分析肌电信号降噪与去混迭方法 | |
CN109965869B (zh) | 基于脑源域空间的mi-eeg识别方法 | |
Shin et al. | A study of an EMG-based authentication algorithm using an artificial neural network | |
Kang et al. | A method of denoising multi-channel EEG signals fast based on PCA and DEBSS algorithm | |
CN104997508A (zh) | 阵列式sEMG信号自动分解方法 | |
Hettiarachchi et al. | Motor imagery data classification for BCI application using wavelet packet feature extraction | |
CN104545863A (zh) | 基于模糊模式识别的bcg心率提取方法及系统 | |
CN108647584B (zh) | 基于稀疏表示和神经网络的心律不齐识别分类方法 | |
CN105956547A (zh) | 基于阵列式表面肌电信号平滑的分解方法 | |
CN108509869A (zh) | 基于OpenBCI的特征集优化在线训练方法 | |
CN113536911B (zh) | 一种基于双线程的肌电在线实时分解方法 | |
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 | |
CN109044338A (zh) | 房颤检测装置及存储介质 | |
Li et al. | Classification of imaginary movements in ECoG | |
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 | |
CN114098768A (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 | |
CN104873187A (zh) | 一种利用样本熵迭代分析人体生物电信号的方法 | |
AU2021105283A4 (en) | Method for Extracting EEG Feature Based on LBP and SSA | |
Karhe et al. | Arrhythmia detection using one dimensional convolutional neural network | |
CN116738295B (zh) | sEMG信号分类方法、系统、电子设备及存储介质 | |
CN105962932B (zh) | 基于子空间正交向量的峰电位检测方法 |
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: 20190219 |
|
RJ01 | Rejection of invention patent application after publication |