CN109480838B - 一种基于表层肌电信号的人体连续复杂运动意图预测方法 - Google Patents
一种基于表层肌电信号的人体连续复杂运动意图预测方法 Download PDFInfo
- Publication number
- CN109480838B CN109480838B CN201811216017.5A CN201811216017A CN109480838B CN 109480838 B CN109480838 B CN 109480838B CN 201811216017 A CN201811216017 A CN 201811216017A CN 109480838 B CN109480838 B CN 109480838B
- Authority
- CN
- China
- Prior art keywords
- electromyographic
- signals
- human body
- signal
- features
- 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
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1116—Determining posture transitions
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
Abstract
本发明公开提供了一种基于表层肌电信号的人体连续复杂运动意图预测方法,通过采集人体上肢的表层肌电信号,进行去除噪声等信号处理,提取表层肌电信号的特征,能利用表层肌电信号特征进行人体上肢三维坐标的准确预测,将所获取的三维位置坐标输送至机器人控制系统,机器人执行动作,并反馈至人体上肢,实现了人机协同作业,解决了简单的表层肌电信号手势分类不适用于机器人连续复杂运动的问题。
Description
技术领域
本发明涉及人机交互技术领域,更具体的说是涉及一种基于表层肌电信号的人体连续复杂运动意图预测方法。
背景技术
对于肌疲劳性、重症肌无力、肌强直以及肌萎缩的患者而言,移动能力的丧失成为了这些患者的一个困扰。表面肌电信号作为一种无创测量的肌电信息检测方法,其应用能够有效的增加患者的移动范围和自理能力。肌电信号可以在人的四肢和外部设备(例如计算机、智能轮椅、智能车辆和机器人)之间建立一种直接的信息交流通道,能够将人体四肢的意图直接通过表层肌电信号传递到外部控制单元。肌电信号目前已经被广泛应用于临床医学、康复医学、智能车辆和假肢的控制等领域。
肌电信号(EMG)是众多肌纤维中运动单元动作电位在时间和空间上的叠加。表层肌电信号(SEMG)是浅层肌肉和神经干上电活动在皮肤表面的综合效应,能一定地反映神经肌肉的活动;相对于针电极EMG,SEMG在测量上具有非侵入性、无创伤、操作简单等优点。因而,SEMG在临床医学、人机功效学、康复医学以及体育科学等方面均有重要的实用价值。
肌电信号优先于执行动作发生,因此通过分析能够通过分析肌电信号来预测判断人体动作的分类是可行的。在肌电信号分类方面的应用,例如,中国发明专利公布号为CN105522986 A,名称为一种利用肌电信号的车辆控制装置及方法,该专利通过测定及处理根据前臂的动作发生的表层肌电信号,能够按照驾驶员的意图控制车辆的转向、制动及车辆的多媒体功能的利用肌电信号的车辆控制装置及方法。
目前,表层肌电信号多应用于对固定手势的分类处理,简单的表层肌电信号手势分类并不适用于机器人连续复杂的运动方式,因此,在基于表层肌电信号的人机交互方法中很难达到理想状态,在此背景下,本发明提出一种基于表层肌电信号的人体连续复杂运动意图预测方法。
发明内容
有鉴于此,本发明提供了一种基于表层肌电信号的人体连续复杂运动意图预测方法,能够通过测定及处理前臂动作发生的表层肌电信号,预测人体前臂的运动意图,控制机器人进行连续复杂的运动,解决了简单的表层肌电信号手势分类不适用于机器人连续复杂运动的问题。
为了实现上述目的,本发明采用如下技术方案:
一种基于表层肌电信号的人体连续复杂运动意图预测方法,包括以下步骤:
步骤一:同时采集肌电信号和被测手的位置信号并记录在主机PC中;
步骤二:对所获得的原始肌电信号和位置信号进行降噪处理,对降噪处理后的位置信号进行扩样处理,对降噪后的位置信号均进行校正,并将校正后的肌电信号进行降维处理,分解为两个低维的非负矩阵;
步骤三:对处理过后的肌电信号进行特征提取,对比分析所提取到的特征,并根据对比分析的结果选取均方根和肌电积分作为两个肌电信号特征进行组合分析,选择窗口长度,将组合后的两个肌电信号特征作为预测输入,每段窗口中所包含的位置信号特征作为预测输出;
步骤四:构建预测模型,所述预测模型为:
步骤五:将肌电信号数据分解为训练数据和测试数据,将采集后的数据输入至预测模型,对预测模型进行训练;
步骤六:对训练后的预测模型分别进行线性回归和径向基函数神经网络处理,对被测手的位置坐标进行预测,将所预测到的位置坐标输送至机器人控制系统,控制机器人进行连续复杂的动作。
采用上述技术方案的有益效果为:
本发明通过采集表层肌电信号来获得表层肌电信号特征,将肌电信号作为预测输入,将其输入预测模型,从而能有效地预测出被测手的三维坐标,为进一步预测人体前臂的动作意图提供了有力的保障。
优选的,步骤一具体包括以下步骤:
1)完成电极和三维坐标传感器的固定工作;将肌电采集通道1-6电极用导电膏贴至相应的肌肉位置,通道1-6所对应的肌肉位置依次为肩胛骨三角肌、锁骨三角肌、肱二头肌、肱三头肌、桡侧腕屈肌和桡侧腕伸肌,第7采集通道放置在肘关节附近的骨骼位置作为参考电极;将两个三维坐标的位置传感器分别固定于手掌背面和桌面上;
2)先检测电极与人体上肢的连接状态,在主机PC中观察人体上肢肌电信号脉动波形,确保肌电采集装置的正常工作,再进行肌电信号和位置信号的采集工作。
采用上述技术方案的有益效果为:
除受神经系统、肌肉骨骼系统及周围环境等因素的影响之外,人体上肢的多自由度运动主要由肩膀、肘关节、手腕和手指关节等关节进行人体上肢动作的输出控制,本发明通过从人体的肩胛骨三角肌、锁骨三角肌、肱二头肌、肱三头肌、桡侧腕屈肌和桡侧腕伸肌上获得肌电信号来预测被测手的三维坐标,能有效保证所预测的结果的准确性。
优选的,步骤二具体包括:
1)对所获得的原始肌电信号和位置信号进行降噪处理;
2)对降噪处理后的位置信号进行扩样处理;对降噪后的肌电信号进行二阶低通滤波;
3)并将校正后的肌电信号进行降维处理,分解为两个低维的非负矩阵;分解后的矩阵与分解前矩阵的关系式为:
X=W×H+ε (2)
其中:X∈Rm*n为原始矩阵,W∈Rm*r和H∈Rr*n为分解后的非负矩阵;m和n分别为观测量和通道数,r为矩阵维数,r远小于n,即满足(m+n)r<mn,ε∈Rm*n为误差矩阵,其维数与X相同。
优选的,步骤三具体包括:
对处理过后的肌电信号进行特征提取,获得平均绝对值、方差、均方根、波形长度、肌电积分、坡标积分和坡度变化率,通过对比分析,选取均方根和肌电积分两个特征两个特征为肌电信号特征进行组合分析,选择100ms到250ms作为窗口长度;
每个通道均有2个时域特征,6个通道共计12时域特征,采用12个时域特征作为预测输入,在每段窗口中均包含位置信号的三个特征即x轴,y轴和z轴坐标作为预测输出;
其中,均方根和肌电积分的数学定义分别为:
在公式(3)和(4)中,RMS为均方根,IEMG为肌电积分,xi为第i段窗口的肌电信号,n为样本的数量。
优选的,步骤六中对预测模型进行线性回归的具体步骤为:
目标为每段窗口内肌电信号特征与权重的乘积之和,并加上附加偏差,线性回归的具体算法为:
其中,ψ(t)是在t时刻人体上肢的三维坐标,Xi(t-1)为t-1时刻肌电信号特征,Wi为每个肌电信号特征的权重,Wo为偏差,m为输入特征个数。
优选的,步骤六还包括采用梯度下降法对预测模型进行训练,具体的步骤为:
以均方误差为代价函数,采用梯度下降法对模型进行训练,得到输入特征权重和偏差;
优选的,步骤六中对预测模型进行径向基函数神经网络处理的处理算法具体为:
其中,Wi为每个肌电信号特征的权重,m和n分别是输入特征个数和样本的数量,h(φ)为神经网络隐藏层的径向函数;在隐藏层的输入层单元数隐藏数量通过迭代确定。
优选的,步骤六还包括采用梯度下降法寻找最佳参数,且具体步骤为:
首先对预测模型中的参数进行初始化,采用梯度下降法寻找最佳权重、中心参数值和宽度;
z=||x-μ|| (10)
在公式(9)和(10)中,h(φ)为神经网络隐藏层的径向函数,z表示中心与输入之间的Euclidean距离,x为肌电信号特征的输入,μ表示神经元中心向量,σ表示宽度;在公式(11)中,η2表示学习因子。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于表层肌电信号的人体连续复杂运动意图预测方法,通过采集人体上肢的表层肌电信号,进行去除噪声等信号处理,提取表层肌电信号的特征,能利用表层肌电信号特征进行人体上肢三维坐标的准确预测,将所获取的三维位置坐标输送至机器人控制系统,机器人执行动作,并反馈至人体上肢,实现了人机协同作业,解决了现有技术中的基于表层肌电信号实现人机交互方法不适用于机器人连续复杂运动的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的步骤一中的信号采集示意图;
图2附图为本发明提供的基于表层肌电信号实现连续复杂运动的人机交互方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图2所示,本发明实施例公开了一种基于表层肌电信号的人体连续复杂运动意图预测方法,包括以下步骤:
步骤一:同时采集肌电信号和被测手的位置信号并记录在主机PC中,其具体步骤如图1所示:
1)完成电极和三维坐标传感器的固定工作;将肌电采集通道1-6电极用导电膏贴至相应的肌肉位置,通道1-6所对应的肌肉位置依次为肩胛骨三角肌、锁骨三角肌、肱二头肌、肱三头肌、桡侧腕屈肌和桡侧腕伸肌,第7采集通道放置在肘关节附近的骨骼位置作为参考电极;将两个三维坐标的位置传感器分别固定于手掌背面和桌面上;
2)先检测电极与人体上肢的连接状态,在主机PC中观察人体上肢肌电信号脉动波形,确保肌电采集装置的正常工作,再进行肌电信号和位置信号的采集工作。
步骤二:对所获得的原始肌电信号和位置信号进行降噪处理,对降噪处理后的位置信号进行扩样处理,对降噪后的位置信号均进行校正,并将校正后的肌电信号进行降维处理,分解为两个低维的非负矩阵,具体包括:
1)对所获得的原始肌电信号和位置信号进行降噪处理;
2)对降噪处理后的位置信号进行扩样处理;对降噪后的肌电信号进行二阶低通滤波;
3)利用非负矩阵分解(NMF)算法将校正后的信号进行降维处理,分解为两个低维的非负矩阵;分解后的矩阵与分解前矩阵的关系式为:
X=W×H+ε (2)
其中:X∈Rm*n为原始矩阵,W∈Rm*r和H∈Rr*n为分解后的非负矩阵;m和n分别为观测量和通道数,r为矩阵维数,r远小于n,即满足(m+n)r<mn,ε∈Rm*n为误差矩阵,其维数与X相同。
步骤三:对处理过后的肌电信号进行特征提取,获得平均绝对值、方差、均方根、波形长度、肌电积分、坡标积分和坡度变化率,通过对比分析,选取均方根和肌电积分两个特征两个特征为肌电信号特征进行组合分析,选择100ms到250ms作为窗口长度;
每个通道均有2个时域特征,6个通道共计12时域特征,采用12个时域特征作为预测输入,在每段窗口中均包含位置信号的三个特征即x轴,y轴和z轴坐标作为预测输出;
其中,均方根和肌电积分的数学定义分别为:
在公式(3)和(4)中,RMS为均方根,IEMG为肌电积分,xi为第i段窗口的肌电信号,n为样本的数量。
步骤四:构建预测模型,所述预测模型为:
步骤五:将肌电信号数据分解为70%的训练数据和30%的测试数据,将采集后的数据输入至预测模型,从而对预测模型进行训练。
步骤六:对训练后的预测模型分别进行线性回归和径向基函数神经网络处理,对被测手的位置坐标进行预测,将所预测到的位置坐标输送至机器人控制系统,控制机器人进行连续复杂的动作。
其中对预测模型进行线性回归的具体步骤为:
目标为每段窗口内肌电信号特征与权重的乘积之和,并加上附加偏差,线性回归的具体算法为:
其中,ψ(t)是在t时刻人体上肢的三维坐标,Xi(t-1)为t-1时刻肌电信号特征,Wi为每个肌电信号特征的权重,Wo为偏差,m为输入特征个数。
另外,步骤六还包括采用梯度下降法对预测模型进行训练,具体的步骤为:
以均方误差为代价函数,采用梯度下降法对模型进行训练,得到输入特征权重和偏差;
进一步地,步骤六中对预测模型进行径向基函数神经网络处理的处理算法
具体为:
其中,Wi为每个肌电信号特征的权重,m和n分别为输入特征个数和样本的数量,h(φ)为神经网络隐藏层的径向函数;在隐藏层的输入层单元数隐藏数量通过迭代确定。
更进一步地,步骤六还包括采用梯度下降法寻找最佳参数,且具体步骤为:
首先使用k-clustering、最大宽度和P反向法分别初始化中心、宽度和重量等参数,采用梯度下降法寻找最佳权重、中心参数值和宽度;
z=||x-μ|| (10)
在公式(9)和(10)中,h(φ)为神经网络隐藏层的径向函数,z表示中心与输入之间的Euclidean距离,x为肌电信号特征的输入,μ表示神经元中心向量,σ表示宽度;在公式(11)中,η2表示学习因子。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于表层肌电信号的人体连续复杂运动意图预测方法,其特征在于,包括以下步骤:
步骤一:同时采集肌电信号和被测手的位置信号并记录在主机PC中;
步骤二:对所获得的原始肌电信号和位置信号进行降噪处理,对降噪处理后的位置信号进行扩样处理,对降噪后的位置信号均进行校正,并将校正后的肌电信号进行降维处理,分解为两个低维的非负矩阵;
步骤三:对处理过后的肌电信号进行特征提取,对比分析所提取到的特征,并根据对比分析的结果选取均方根和肌电积分作为两个肌电信号特征进行组合分析,选择窗口长度,将组合后的两个肌电信号特征作为预测输入,每段窗口中所包含的位置信号特征作为预测输出;
步骤四:构建预测模型,所述预测模型为:
步骤五:将肌电信号数据分解为训练数据和测试数据,将采集后的数据输入至预测模型,对预测模型进行训练;
步骤六:对训练后的预测模型分别进行线性回归和径向基函数神经网络处理,对被测手的位置坐标进行预测,将所预测到的位置坐标输送至机器人控制系统,控制机器人进行连续复杂的动作。
2.根据权利要求1所述的一种基于表层肌电信号的人体连续复杂运动意图预测方法,其特征在于,步骤一具体包括以下步骤:
1)完成电极和三维坐标传感器的固定工作;将肌电采集通道1-6电极用导电膏贴至相应的肌肉位置,通道1-6所对应的肌肉位置依次为肩胛骨三角肌、锁骨三角肌、肱二头肌、肱三头肌、桡侧腕屈肌和桡侧腕伸肌,第7采集通道放置在肘关节附近的骨骼位置作为参考电极;将两个三维坐标的位置传感器分别固定于手掌背面和桌面上;
2)先检测电极与人体上肢的连接状态,在主机PC中观察人体上肢肌电信号脉动波形,确保肌电采集装置的正常工作,再进行肌电信号和位置信号的采集工作。
4.根据权利要求1所述的一种基于表层肌电信号的人体连续复杂运动意图预测方法,其特征在于,步骤三具体包括:
对处理过后的肌电信号进行特征提取,获得平均绝对值、方差、均方根、波形长度、肌电积分、坡标积分和坡度变化率,通过对比分析,选取均方根和肌电积分两个特征两个特征为肌电信号特征进行组合分析,选择100ms到250ms作为窗口长度;
每个通道均有2个时域特征,6个通道共计12时域特征,采用12个时域特征作为预测输入,在每段窗口中均包含位置信号的三个特征即x轴,y轴和z轴坐标作为预测输出;
其中,均方根和肌电积分的数学定义分别为:
在公式(3)和(4)中,RMS为均方根,IEMG为肌电积分,xi为第i段窗口的肌电信号,n为样本的数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811216017.5A CN109480838B (zh) | 2018-10-18 | 2018-10-18 | 一种基于表层肌电信号的人体连续复杂运动意图预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811216017.5A CN109480838B (zh) | 2018-10-18 | 2018-10-18 | 一种基于表层肌电信号的人体连续复杂运动意图预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109480838A CN109480838A (zh) | 2019-03-19 |
CN109480838B true CN109480838B (zh) | 2020-09-18 |
Family
ID=65692081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811216017.5A Active CN109480838B (zh) | 2018-10-18 | 2018-10-18 | 一种基于表层肌电信号的人体连续复杂运动意图预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109480838B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110179456B (zh) * | 2019-05-23 | 2021-11-02 | 中国航天员科研训练中心 | 心电噪声识别模型训练及心电噪声检测方法、装置 |
CN111080671B (zh) * | 2019-12-27 | 2023-06-23 | 深圳大学 | 一种基于深度神经网络的运动预测方法和智能终端 |
CN111184512B (zh) * | 2019-12-30 | 2021-06-01 | 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 |
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 |
CN111230872B (zh) * | 2020-01-31 | 2021-07-20 | 武汉大学 | 一种基于多传感器的物体递交意图识别系统及方法 |
CN111976733B (zh) * | 2020-08-27 | 2021-11-12 | 清华大学 | 一种驾驶员转向意图连续预测方法和系统 |
CN112339766B (zh) * | 2020-11-17 | 2021-11-16 | 清华大学 | 一种基于混合学习的驾驶员转向意图预测方法 |
CN113177359B (zh) * | 2021-04-30 | 2023-04-18 | 上海电机学院 | 一种基于假人模型的身体组织状态预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105457164A (zh) * | 2016-01-06 | 2016-04-06 | 电子科技大学 | 一种肌肉协同模式下的多通道功能性电刺激方法与系统 |
CN107397649A (zh) * | 2017-08-10 | 2017-11-28 | 燕山大学 | 一种基于径向基神经网络的上肢外骨骼康复机器人控制方法 |
CN108108654A (zh) * | 2017-09-19 | 2018-06-01 | 东华大学 | 一种基于多通道表面肌电信号的手绘轨迹重建方法 |
CN108550069A (zh) * | 2018-04-19 | 2018-09-18 | 上海携程商务有限公司 | 旅行需求单推送方法、装置、电子设备、存储介质 |
Family Cites Families (3)
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 |
US9486332B2 (en) * | 2011-04-15 | 2016-11-08 | The Johns Hopkins University | Multi-modal neural interfacing for prosthetic devices |
CN106109174B (zh) * | 2016-07-14 | 2018-06-08 | 燕山大学 | 一种基于肌电反馈式阻抗自适应的康复机器人控制方法 |
-
2018
- 2018-10-18 CN CN201811216017.5A patent/CN109480838B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105457164A (zh) * | 2016-01-06 | 2016-04-06 | 电子科技大学 | 一种肌肉协同模式下的多通道功能性电刺激方法与系统 |
CN107397649A (zh) * | 2017-08-10 | 2017-11-28 | 燕山大学 | 一种基于径向基神经网络的上肢外骨骼康复机器人控制方法 |
CN108108654A (zh) * | 2017-09-19 | 2018-06-01 | 东华大学 | 一种基于多通道表面肌电信号的手绘轨迹重建方法 |
CN108550069A (zh) * | 2018-04-19 | 2018-09-18 | 上海携程商务有限公司 | 旅行需求单推送方法、装置、电子设备、存储介质 |
Non-Patent Citations (1)
Title |
---|
基于表面肌电的运动意图识别方法研究及应用综述;丁其川等;《自动化学报》;20160229;第42卷(第1期);第13-25页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109480838A (zh) | 2019-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109480838B (zh) | 一种基于表层肌电信号的人体连续复杂运动意图预测方法 | |
Moin et al. | A wearable biosensing system with in-sensor adaptive machine learning for hand gesture recognition | |
Jiang et al. | IoT-based remote facial expression monitoring system with sEMG signal | |
Zhang et al. | Learning effective spatial–temporal features for sEMG armband-based gesture recognition | |
Al Omari et al. | Pattern recognition of eight hand motions using feature extraction of forearm EMG signal | |
Milosevic et al. | Design challenges for wearable EMG applications | |
CN111317600B (zh) | 一种假肢控制方法、装置、系统、设备和存储介质 | |
Miften et al. | A new framework for classification of multi-category hand grasps using EMG signals | |
Zhang et al. | Extracting time-frequency feature of single-channel vastus medialis EMG signals for knee exercise pattern recognition | |
Al-Faiz et al. | A k-nearest neighbor based algorithm for human arm movements recognition using EMG signals | |
Narayan | SEMG signal classification using KNN classifier with FD and TFD features | |
CN110826625B (zh) | 一种基于表面肌电信号的手指手势分类方法 | |
Kuang et al. | Extreme learning machine classification method for lower limb movement recognition | |
Narayan | Hb vsEMG signal classification with time domain and Frequency domain features using LDA and ANN classifier | |
Wołczowski et al. | Electromyography and mechanomyography signal recognition: Experimental analysis using multi-way array decomposition methods | |
JP5252432B2 (ja) | 指関節角度推定装置 | |
Xue et al. | SEMG-based human in-hand motion recognition using nonlinear time series analysis and random forest | |
Shi et al. | Lower limb motion recognition method based on improved wavelet packet transform and unscented kalman neural network | |
Zhu et al. | High-fidelity recording of EMG signals by multichannel on-skin electrode arrays from target muscles for effective human–machine interfaces | |
Zhang et al. | A novel HD-sEMG preprocessing method integrating muscle activation heterogeneity analysis and kurtosis-guided filtering for high-accuracy joint force estimation | |
CN106845348B (zh) | 一种基于手臂表面肌电信号的手势识别方法 | |
Xi et al. | Construction and analysis of cortical–muscular functional network based on EEG-EMG coherence using wavelet coherence | |
Zhao et al. | Decoding finger movement patterns from microscopic neural drive information based on deep learning | |
Khodadadi et al. | Nonlinear analysis of biceps surface EMG signals for chaotic approaches | |
Ai et al. | Advanced rehabilitative technology: neural interfaces and devices |
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 |