CN109498362A - 一种偏瘫患者手部运动功能康复训练装置及模型训练方法 - Google Patents
一种偏瘫患者手部运动功能康复训练装置及模型训练方法 Download PDFInfo
- Publication number
- CN109498362A CN109498362A CN201811213078.6A CN201811213078A CN109498362A CN 109498362 A CN109498362 A CN 109498362A CN 201811213078 A CN201811213078 A CN 201811213078A CN 109498362 A CN109498362 A CN 109498362A
- Authority
- CN
- China
- Prior art keywords
- hand
- training
- hemiplegic patient
- module
- healing
- 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
- 230000033001 locomotion Effects 0.000 title claims abstract description 59
- 238000012549 training Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000035876 healing Effects 0.000 title claims abstract description 13
- 238000004891 communication Methods 0.000 claims abstract description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 210000003205 muscle Anatomy 0.000 claims description 14
- 230000003447 ipsilateral effect Effects 0.000 claims description 8
- 210000000245 forearm Anatomy 0.000 claims description 7
- 238000003491 array Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 9
- 230000009471 action Effects 0.000 abstract description 5
- 238000002567 electromyography Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 20
- 210000003811 finger Anatomy 0.000 description 14
- 230000004913 activation Effects 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 210000003813 thumb Anatomy 0.000 description 3
- 230000005611 electricity Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003387 muscular Effects 0.000 description 2
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 206010019468 Hemiplegia Diseases 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 210000004247 hand Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035899 viability Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H1/00—Apparatus for passive exercising; Vibrating apparatus; Chiropractic devices, e.g. body impacting devices, external devices for briefly extending or aligning unbroken bones
- A61H1/02—Stretching or bending or torsioning apparatus for exercising
- A61H1/0274—Stretching or bending or torsioning apparatus for exercising for the upper limbs
- A61H1/0285—Hand
- A61H1/0288—Fingers
-
- 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
- A61B5/68—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
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H2201/00—Characteristics of apparatus not provided for in the preceding codes
- A61H2201/12—Driving means
- A61H2201/1207—Driving means with electric or magnetic drive
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H2205/00—Devices for specific parts of the body
- A61H2205/06—Arms
- A61H2205/065—Hands
- A61H2205/067—Fingers
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Engineering & Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Epidemiology (AREA)
- Pain & Pain Management (AREA)
- Physical Education & Sports Medicine (AREA)
- Rehabilitation Therapy (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种偏瘫患者手部运动功能康复训练装置及模型训练方法,通过辅助患者手部按照意愿连续动作,使康复训练更注重于提高日常生活自理能力。所述系统由微处理器模块、本体模块、阵列肌电信号采集模块、桥接模块、无线通信模块、电源管理模块、可穿戴康复手套模块以及检测模块组成。其特点在于辨识肌电信号中手部运动信息的速度较快,能够实现连续手部动作识别;可穿戴康复手套能够辅助偏瘫患者进行连续动作,在提高自理能力的同时进行康复训练,本发明具有智能化,实用性强,使用方便等优点,患者不必重复枯燥的训练过程,康复效果更佳。
Description
技术领域
本发明涉及一种偏瘫患者手部运动功能康复训练装置及模型训练方法,属于康复医疗领域。
背景技术
随着老龄化社会的来临,脑中风成为运动功能障碍和偏瘫的主要因素。在中风的幸存者中,大约有80%-90%的患者会留下手部运动功能缺陷,失去自主生活能力。患者正常的工作和生活受到严重影响,对社会和家庭都造成了很大的负担。因此,对于手部运动功能康复的训练系统研究成为热点。
人机交互技术在手部运动康复中起到至关重要的作用,选择载有丰富运动信息的前臂表面肌电信号作为人机交互信息,赋予装置能够理解手部运动意图的能力。同时结合运动意图和运动反馈以诱发运动神经变化,达到恢复手部运动功能的效果。康复训练分为固定离散动作训练和连续手部动作训练,对于离散动作的康复训练,连续手部动作训练能够防止肌肉疲劳,辅助人手运动时患者能够自主生活的作用。由于肌电信号的混叠特性以及传统基于肌电信号解码手部动作的时滞性,导致连续手部动作康复训练系统的开发进展缓慢。但随着微处理器性能的增强以及深度学习的发展,使得基于日常生活使用的连续手部运动功能康复的训练系统开发成为可能。
发明内容
发明目的:本发明提出一种偏瘫患者手部运动功能康复训练装置及模型训练方法,解决手部动作解码速度慢、解码精度低和肌肉疲劳的问题。
技术方案:本发明采用的技术方案为一种偏瘫患者手部运动功能康复训练装置,包括佩戴于患者健侧前臂上的阵列肌电信号采集模块,该阵列肌电信号采集模块采集健侧手肌肉的肌电数据,并通过无线通信模块发送至微处理器;微处理器识别出健侧手的动作后,发出相应的指令让康复手套带动患侧手做出与健侧手相同的动作。
所述阵列肌电信号采集模块为高密度阵列电极。
所述高密度阵列电极的电极总共有128个,每一个阵列电极为2*2的电极形式;沿着手臂的方向等距放置4个阵列电极,而在与手臂垂直的方向上,等距放置8个阵列电极。
所述无线通信模块为ESP8266芯片,所述微处理器为OMAP3530移动处理器。
所述康复手套包括佩戴在患侧手上的手套本体和驱动机构。
所述驱动机构为比例阀,所述手套本体为气动肌腱。
一种偏瘫患者手部运动识别模型训练方法,包括以下步骤:
1)对采集到的肌电数据进行预处理得到肌电图像;
2)由深度卷积神经网络提取肌电图像的时间和空间特征;
3)由归一化指数函数计算输入的手部动作的后验概率。
所述步骤1)中预处理依次包括带通滤波、去伪影和消噪处理。
所述步骤2)中深度卷积神经网络依次包括第一至第三卷积层、第一至第二局部连接层、第一至第二全连接层和输出层。
所述步骤3)中归一化指数函数为softmax函数。
有益效果:与现有技术相比,本发明具有以下有益技术效果
(1)此发明可供多人使用,重复利用率高。
(2)该康复训练方法提高了手部动作解码的精度及速度。
(3)该康复训练方法能够辅助偏瘫患者进行连续动作,对于提高患者生活自理能力具有显著作用。
(4)患者不必重复枯燥的训练过程,康复训练效率高。
附图说明
图1为本发明的系统结构图;
图2为高密度阵列电极排列示意图;
图3为深度卷积神经网络结构图;
图4为手部动作连续识别流程图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等同形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示,偏瘫患者手部运动功能康复训练装置包括佩戴在偏瘫患者健侧手前臂上的阵列肌电信号采集模块,该采集模块采集健侧手连续运动时前臂肱桡肌群和指浅屈肌肌群的肌电数据。采集到的这些肌电数据通过无线通信模块被发送到微处理器。微处理器对这些连续的手部运动数据进行分类,细化到每个手指的动作例如食指伸、剪刀手、食指中指屈、五指屈、休息状态等等类别。按照手部动作的类别对肌电数据进行标记,得到带有手部运动状态标签的肌电数据,并用于训练手部连续运动识别模型,该识别模型保存在微处理器OMAP3530中。手部连续运动识别模型训练完成后,微处理器就不再对来自偏瘫患者健侧手前臂的肌电数据进行标记和分类了。
待患者正式进行康复训练时,阵列肌电信号采集模块所采集到的肌电数据通过无线通信模块和桥接模块发送至微处理器,微处理器利用之前训练完成的手部连续运动识别模型对接收到的肌电数据进行手部动作判别,识别出健侧手的手部动作。接着微处理器通过无线通信模块发送相应手部动作的控制指令至康复手套。
康复手套包括手套本体和驱动机构。驱动机构接受到来自微处理器的控制指令后,驱动比例阀打开和关闭的时间,从而控制手套本体中气动肌腱的收缩长度,达到控制手套本体的目的。康复手套佩戴在偏瘫患者的患侧手上,由手套本体带动患侧手运动,实现患侧手跟随健侧手的动作。
检测模块根据采集的肌电数据实时监测患侧手的运动状态,并将其反馈至微处理器,以便于康复医师针对患侧手的实际运动状态来调整康复训练策略。电源管理模块对微处理器、阵列肌电信号采集模块以及检测模块供电。
所述阵列肌电信号采集模块为高密度阵列电极。如图2所示,高密度阵列电极的电极总共有128个,每一个阵列电极为2*2的电极形式。沿着手臂的方向等距放置4个阵列电极,而在与手臂垂直的方向上,等距放置8个阵列电极。这样就覆盖了与手部运动直接相关的指浅屈肌肌群、肱桡肌肌群。
PC机通过桥接模块与微处理器连接,所述桥接模块为串行接口模块。
所述无线通信模块即为连接在微处理器上的ESP8266芯片,其作为整个系统的传送纽带,在微处理器和PC机之间建立WIFI通信。在交叉编译环境中,训练好的手部连续运动识别模型被移植到OMAP3530移动处理器。
所述电源管理模块包括12V锂电池、DC-DC变换器、线性稳压器(LDO)和升压电路,以产生不同的电压为肌电信号采集模块、无线通信模块、微处理器模块供电。
偏瘫患者手部运动功能康复训练方法,如图3和4所示,该方法基于肌电图像和深度卷积神经网络,包括三个卷积层(C1、C2、C3)、两个局部连接层(LC1、 LC2)、两个全连接层(FC1、FC2)以及一个输出层。
首先对采集到的128通道肌电数据进行带通滤波、去伪影、消噪处理;由于采样频率为1000Hz,则一秒钟可以生成128通道采样点为1000的肌电信号,取每毫秒的128通道的采样点按照阵列电极在健侧手前臂的分布情况转化为16*8 的肌电图像,每秒钟可获得1000张肌电图像。即肌电图像中每个像素的值分别为128个电极在同一时刻的一个相应的肌电数据值,由此得到用来训练深度卷积神经网络的样本集。
深度卷积神经网络的第一卷积层C1的输入为16*8的肌电图像,且输入肌电图像周围用值为0的像素填充。本次训练提供的带标签的肌电图像总数为 1440000张肌电图像,为了解决梯度消失或梯度爆炸的问题,按批次即每批次输入经过归一化的1000张肌电图像至卷积神经网络进行处理。以一张肌电图像的处理为例,采用32个尺寸为3*3,层数为1的卷积核,每次移动步长为1对输入图像进行卷积处理。
经过卷积后得到的特征图,它们的像素点求解激活值,其求解公式都如下所示,
其中分别为第l层第h个节点的激活值、索引和偏置值。为第h个节点到第l层第i个节点的卷积核,为第l-1层的索引到i的特征图的激活和。这是进行卷积运算的通用公式,结合本文设计的深度卷积神经网络,l取值为1,2,3,即C1、C2、C3三个卷积层;h和i的表示肌电图像和得到的特征图的像素点,其取值范围为1-128。
之后再对卷积核覆盖的区域求加权和,然后激活,激活函数即非线性ReLu 函数如下所示,
得到32张分辨率为16*8的特征图,从这些特征图中提取肌电图像的边缘特征。提取边缘特征后也会生成另一张特征图。
深度卷积神经网络的第二卷积层C2的输入为第一卷积层C1的输出,即32 张分辨率为16*8的特征图,输入特征图周围用值为0的像素填充。选择32个尺寸为3*3,层数为32的卷积核对特征图进行如第一卷积层C1一样的处理,即卷积处理求卷积核与特征图卷积运算的加权和,然后用激活函数对其激活。最后得到32张分辨率为16*8的特征图,由深度卷积神经网络自动提取肌电图像的线条特征。
深度卷积神经网络的第三卷积层C3的输入为第二卷积层C2的输出,即32 张分辨率为16*8的特征图,输入特征图周围用值为0的像素填充。选择32个尺寸为3*3,层数为32的卷积核对特征图进行如第二卷积层C2一样的处理,即卷积处理求卷积核与特征图卷积运算的加权和,然后用激活函数对其激活。最后得到32张分辨率为16*8的特征图,由深度卷积神经网络自动提取肌电图像的肌电强度分布特征。
在第三卷积层C3之后再增加两个局部连接层,即第一局部连接层LC1、第二局部连接层LC2,以提取肌电强度图中的位置信息,第一局部连接层LC1的输入为32张分辨率为16*8的特征图,即第三卷积层C3的输出。再用尺寸为1*1,层数为32的卷积核与特征图进行卷积,然后用卷积层使用的ReLu函数进行概率激活,以提高深度卷积神经网络的泛化能力,激活概率dropout=0.5,即在对于特征图中的任意像素点都有一定的概率不激活,得到新的分辨率为16*8的特征图像素值。
第二局部连接层LC2采用的处理方法同第一局部连接层LC1一样,即用尺寸为1*1,层数为32的核与特征图进行卷积,然后用卷积层使用的ReLu函数进行概率激活,以提高深度卷积神经网络的泛化能力,激活概率dropout=0.5,即在对于特征图中的任意像素点都有一定的概率不激活,得到新的分辨率为16*8 的特征图像素值。
第二局部连接层LC2之后是两个全连接层,即第一全连接层FC1和第二全连接层FC2。第二局部连接层LC2输出的特征图中的每个像素点均作为一个神经元,第一全连接层FC1的神经元个数设置为256个,像素点与初始化后的 32*16*8*256个权值参数wmn相乘加上偏置值bn即得到全连接层神经元的值,其从第二局部连接层LC2映射至第一全连接层FC1的映射方法如下所示,
其中,j表示为全连接层中第j个神经元;xm为第二局部连接层LC2局部连接层以0.5的几率被激活的像素点,m的范围为1-128;wmj、bj表示局部连接层LC2中的第m个像素点连接到全连接层中第j个神经元的权值和偏置值。
第一全连接层FC1之后为第二全连接层FC2,该层神经元个数设置为128,从第一全连接层FC1到第二全连接层FC2的映射计算方式也如式(3)所示,与第一全连接层FC1不同的一点是本层的处理不再采用0.5概率激活的方法,即第二全连接层FC2层的神经元的值不会被概率性地置为0,而是全部直接激活。通过第一全连接层FC1和第二全连接层FC2将卷积层和局部连接层获取的隐层特征空间映射到样本的标记空间,将各种局部特征综合起来。
最后一层为输出层,它包含了12个单元的全连接层和softmax函数,输出层的神经元设置个数与要分类识别的手部动作个数有关。本实施例要尽可能地识别连续的手部动作,因此,手部动作的类别很多,如拇指伸、剪刀手、拇指食指中指伸、食指中指无名指伸、OK手势、四指伸、伸掌、五指屈、四指屈、手部放松时的自然状态、握拳、拇指食指中指屈12种动作要识别。通过无限细化手部动作的类别,再结合卷积神经网络无需人工提取特征的特性,实现连续手部动作的识别。归一化指数函数(softmax函数)用来计算每个类别的后验概率pc,如式(4)所示。
其中C为待分类的手部动作数,pc为输出为C类手势的后验概率,yc是C 类手部动作的类别。
交叉熵计算出损失函数L如式(5)所示,用来度量预测手部动作错误的程度:
其中dc为期望手势为C的输出,即为训练深度卷积神经网络的数据中的标签,pc为输出为C类手势的后验概率。
基于深度卷积神经网络的手部连续动作识别模型训练完毕以后,将手部连续运动识别模型通过训练神经网络的计算机的交叉编译环境传送到OMAP3530开发板中,然后就可以采集健侧前臂指浅屈肌肌群,肱桡肌肌群的高密度肌电数据,然后经过带通滤波、去伪影、消噪处理后,由于采集的数据连续送入深度卷积神经网络中,因此能实现手部连续动作的识别,如图4所示。
Claims (10)
1.一种偏瘫患者手部运动功能康复训练装置,其特征在于,包括佩戴于患者健侧前臂上的阵列肌电信号采集模块,该阵列肌电信号采集模块采集健侧手肌肉的肌电数据,并通过无线通信模块发送至微处理器;微处理器识别出健侧手的动作后,发出相应的指令让康复手套带动患侧手做出与健侧手相同的动作。
2.根据权利要求1所述的偏瘫患者手部运动功能康复训练装置,其特征在于,所述阵列肌电信号采集模块为高密度阵列电极。
3.根据权利要求2所述的偏瘫患者手部运动功能康复训练装置,其特征在于,所述高密度阵列电极的电极总共有128个,每一个阵列电极为2*2的电极形式;沿着手臂的方向等距放置4个阵列电极,而在与手臂垂直的方向上,等距放置8个阵列电极。
4.根据权利要求1所述的偏瘫患者手部运动功能康复训练装置,其特征在于,所述无线通信模块为ESP8266芯片,所述微处理器为OMAP3530移动处理器。
5.根据权利要求1所述的偏瘫患者手部运动功能康复训练装置,其特征在于,所述康复手套包括佩戴在患侧手上的手套本体和驱动机构。
6.根据权利要求5所述的偏瘫患者手部运动功能康复训练装置,其特征在于,所述驱动机构为比例阀,所述手套本体为气动肌腱。
7.一种偏瘫患者手部运动识别模型训练方法,其特征在于,包括以下步骤:
1)对采集到的肌电数据进行预处理得到肌电图像;
2)由深度卷积神经网络提取肌电图像的时间和空间特征;
3)由归一化指数函数计算输入的手部动作的后验概率。
8.根据权利要求7所述的偏瘫患者手部运动识别模型训练方法,其特征在于,所述步骤1)中预处理依次包括带通滤波、去伪影和消噪处理。
9.根据权利要求7所述的偏瘫患者手部运动识别模型训练方法,其特征在于,所述步骤2)中深度卷积神经网络依次包括第一至第三卷积层、第一至第二局部连接层、第一至第二全连接层和输出层。
10.根据权利要求7所述的偏瘫患者手部运动识别模型训练方法,其特征在于,所述步骤3)中归一化指数函数为softmax函数。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811049739 | 2018-09-10 | ||
CN2018110497396 | 2018-09-10 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109498362A true CN109498362A (zh) | 2019-03-22 |
Family
ID=65746669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811213078.6A Pending CN109498362A (zh) | 2018-09-10 | 2018-10-18 | 一种偏瘫患者手部运动功能康复训练装置及模型训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109498362A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111938660A (zh) * | 2020-08-13 | 2020-11-17 | 电子科技大学 | 一种基于阵列肌电的卒中患者手部康复训练动作识别方法 |
CN112315488A (zh) * | 2020-11-23 | 2021-02-05 | 宁波工业互联网研究院有限公司 | 一种基于肌电信号的人体运动状态识别方法 |
CN113269159A (zh) * | 2020-09-29 | 2021-08-17 | 中国人民解放军军事科学院国防科技创新研究院 | 一种融合肌电信号与视觉图像的手势识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103948388A (zh) * | 2014-04-23 | 2014-07-30 | 深圳先进技术研究院 | 一种肌电采集装置 |
CN106980367A (zh) * | 2017-02-27 | 2017-07-25 | 浙江工业大学 | 一种基于肌电地形图的手势识别方法 |
CN107334472A (zh) * | 2017-07-19 | 2017-11-10 | 上海交通大学 | 一种基于水凝胶的可拉伸高密度肌电信号电极片 |
CN107928980A (zh) * | 2017-11-22 | 2018-04-20 | 南京航空航天大学 | 一种偏瘫患者的手部自主康复训练系统及训练方法 |
CN108388348A (zh) * | 2018-03-19 | 2018-08-10 | 浙江大学 | 一种基于深度学习和注意力机制的肌电信号手势识别方法 |
-
2018
- 2018-10-18 CN CN201811213078.6A patent/CN109498362A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103948388A (zh) * | 2014-04-23 | 2014-07-30 | 深圳先进技术研究院 | 一种肌电采集装置 |
CN106980367A (zh) * | 2017-02-27 | 2017-07-25 | 浙江工业大学 | 一种基于肌电地形图的手势识别方法 |
CN107334472A (zh) * | 2017-07-19 | 2017-11-10 | 上海交通大学 | 一种基于水凝胶的可拉伸高密度肌电信号电极片 |
CN107928980A (zh) * | 2017-11-22 | 2018-04-20 | 南京航空航天大学 | 一种偏瘫患者的手部自主康复训练系统及训练方法 |
CN108388348A (zh) * | 2018-03-19 | 2018-08-10 | 浙江大学 | 一种基于深度学习和注意力机制的肌电信号手势识别方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111938660A (zh) * | 2020-08-13 | 2020-11-17 | 电子科技大学 | 一种基于阵列肌电的卒中患者手部康复训练动作识别方法 |
CN111938660B (zh) * | 2020-08-13 | 2022-04-12 | 电子科技大学 | 一种基于阵列肌电的卒中患者手部康复训练动作识别方法 |
CN113269159A (zh) * | 2020-09-29 | 2021-08-17 | 中国人民解放军军事科学院国防科技创新研究院 | 一种融合肌电信号与视觉图像的手势识别方法 |
CN112315488A (zh) * | 2020-11-23 | 2021-02-05 | 宁波工业互联网研究院有限公司 | 一种基于肌电信号的人体运动状态识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Karnam et al. | EMGHandNet: A hybrid CNN and Bi-LSTM architecture for hand activity classification using surface EMG signals | |
Dai et al. | HS-CNN: a CNN with hybrid convolution scale for EEG motor imagery classification | |
Wu et al. | Dynamic gesture recognition based on LSTM-CNN | |
Ma et al. | Continuous estimation of upper limb joint angle from sEMG signals based on SCA-LSTM deep learning approach | |
Benatti et al. | Analysis of robust implementation of an EMG pattern recognition based control | |
CN111544855B (zh) | 基于蒸馏学习和深度学习纯意念控制智能康复方法及应用 | |
CN110555468A (zh) | 一种联合递归图和cnn的脑电信号识别方法及系统 | |
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 | |
CN109498362A (zh) | 一种偏瘫患者手部运动功能康复训练装置及模型训练方法 | |
CN110413107A (zh) | 基于肌电信号模式识别和粒子群优化的仿生机械手交互控制方法 | |
CN110074779A (zh) | 一种脑电信号识别方法及装置 | |
Yang et al. | EMG pattern recognition using convolutional neural network with different scale signal/spectra input | |
Chen et al. | Surface-electromyography-based gesture recognition using a multistream fusion strategy | |
Liu et al. | A CNN-transformer hybrid recognition approach for sEMG-based dynamic gesture prediction | |
Tang et al. | Motor imagery EEG decoding based on multi-scale hybrid networks and feature enhancement | |
WO2022242133A1 (zh) | 一种手势分类识别方法及其应用 | |
Xiong et al. | A Global and Local Feature fused CNN architecture for the sEMG-based hand gesture recognition | |
Wu et al. | Classification of motor imagery based on multi-scale feature extraction and the channeltemporal attention module | |
Zanghieri | sEMG-based Hand gesture recognition with deep learning | |
Leelakittisin et al. | Compact CNN for rapid inter-day hand gesture recognition and person identification from sEMG | |
CN112998725A (zh) | 一种基于运动观察的脑机接口技术的康复方法与系统 | |
CN117150292A (zh) | 一种基于增量学习对手势识别模型训练的方法 | |
Wang et al. | EMG-based hand gesture recognition by deep time-frequency learning for assisted living & rehabilitation | |
CN115024735B (zh) | 一种基于运动意图识别模型的脑卒中患者康复方法及系统 | |
Fu et al. | Identification of finger movements from forearm surface EMG using an augmented probabilistic neural network |
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: 20190322 |
|
RJ01 | Rejection of invention patent application after publication |