CN109498370B - 基于肌电小波关联维的下肢关节角度预测方法 - Google Patents
基于肌电小波关联维的下肢关节角度预测方法 Download PDFInfo
- Publication number
- CN109498370B CN109498370B CN201811603026.XA CN201811603026A CN109498370B CN 109498370 B CN109498370 B CN 109498370B CN 201811603026 A CN201811603026 A CN 201811603026A CN 109498370 B CN109498370 B CN 109498370B
- Authority
- CN
- China
- Prior art keywords
- wavelet
- electromyographic
- correlation
- electromyographic signals
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 210000003141 lower extremity Anatomy 0.000 title claims abstract description 20
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 14
- 230000009471 action Effects 0.000 claims abstract description 12
- 210000003205 muscle Anatomy 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 10
- 210000000629 knee joint Anatomy 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 15
- 238000002474 experimental method Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 2
- 230000000739 chaotic effect Effects 0.000 claims description 2
- 230000009916 joint effect Effects 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 230000033001 locomotion Effects 0.000 abstract description 10
- 238000012360 testing method Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000003127 knee Anatomy 0.000 description 2
- 230000003183 myoelectrical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000020431 spinal cord injury Diseases 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 208000028389 Nerve injury Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007659 motor function Effects 0.000 description 1
- 230000037191 muscle physiology Effects 0.000 description 1
- 230000008764 nerve damage Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
Images
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
- A61H1/0237—Stretching or bending or torsioning apparatus for exercising for the lower limbs
-
- 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
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7235—Details of waveform analysis
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
-
- 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
- A61H2201/16—Physical interface with patient
- A61H2201/1602—Physical interface with patient kind of interface, e.g. head rest, knee support or lumbar support
- A61H2201/165—Wearable interfaces
-
- 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
- A61H2205/10—Leg
-
- 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
- A61H2230/00—Measuring physical parameters of the user
- A61H2230/08—Other bio-electrical signals
- A61H2230/085—Other bio-electrical signals used as a control parameter for the apparatus
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- Pain & Pain Management (AREA)
- Physical Education & Sports Medicine (AREA)
- Rehabilitation Therapy (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
本发明涉及一种基于肌电小波关联维的下肢关节角度预测方法。首先,从人体下肢的相关肌肉组上采集表面肌电信号,运用能量阈值确定表面肌电信号的动作信号段。对动作信号段的表面肌电信号进行小波降噪得到有效表面肌电信号。然后将有效表面肌电信号进行小波多尺度分解,提取每一层的低频系数,再对每一层低频系数计算关联维。结合低频系数和关联维数计算有效肌电信号的小波关联维系数特征,将这一特征作为预测网络的输入。先将提取到的肌电信号分为训练集与测试集,按上述方法提取特征。训练集训练好网络之后,使用测试集验证预测准确率。实验结果表明,该方法获得了较高的人体下肢运动膝关节角度预测率,预测结果优于其它预测方法。
Description
技术领域
本发明属于模式识别领域,涉及一种基于肌电信号的模式识别方法,特别涉及一种基于肌电信号小波关联维特征的人体下肢关节角度预测方法。
背景技术
基脊髓损伤(spinal cord injury SCI)患者是指那些神经损伤而丧失了运动功能的人,他们的术后康复治疗任重而道远。使用跑步机,伸屈膝等被动方式的康复训练是一种传统的治疗方法,但这种方法治疗效果是有限的。实践证明,积极训练可以改善大脑皮质的重组,有利于病人神经元的康复。传统的基于程序控制的人机交互系统制约了新型智能机器人的发展。康复机器人、动作辅助机器人、智能假肢等新型机器人需要从被动接受指令发展为主动理解人类行为。随着生物信息技术的发展,生物信号已被广泛用于开发人机交互系统。其中,肌电信号包含有用的肌肉活动信息,而且信号强度比脑电信号强得多。因此,研究者们常使用表面肌电信号来开发可行的新型机器人辅助病人的康复训练。
通常,表面肌电信号(sEMG)通常被用作三种方式的控制信号。第一种方式,将sEMG信号作为开关信号,研究人员利用该开关信号来区分人体肢体的不同运动模式。这种方式中,较高的识别率和识别更多的运动模式是两个主要研究目标,特征提取方法和分类算法是研究的重点。例如,Crawford等人提出了利用sEMG信号均方根的自然对数进行模糊C-均值聚类的方法来识别四种运动的方法,识别率达到92.7%±3.2%。然而,这种方法只能识别有限数量的运动模式,极大地影响了机器人运动的平稳性和人与机器人的协调性。第二种方式,结合肌肉生理学,建立基于sEMG的肌肉力模型,计算关节角度,如Hill肌肉模型。但是,该模型具有复杂的结构,包含许多不能直接测量的生理参数。在第三种方法中,研究者直接建立了相关的表面肌电和关节运动的回归模型。在这种方法中,通常使用神经网络来构造回归模型。张风等人用BP神经网络估计人体下肢关节角度,准确率为90.1%±4.1%。利用深层信念网络提取表面肌电特征,建立BP神经网络回归模型,最终准确率达到了96.2%±1.5%。
发明内容
本发明针对现有技术的不足,提出了一种基于肌电小波关联维的下肢关节角度预测方法。
本发明首先从人体下肢的相关肌肉组上采集表面肌电信号,运用能量阈值确定表面肌电信号的动作信号段。对动作信号段的表面肌电信号进行小波降噪得到有效表面肌电信号。然后将有效表面肌电信号进行小波多尺度分解,提取每一层的低频系数,再对每一层低频系数计算关联维。结合低频系数和关联维数计算有效肌电信号的小波关联维系数特征,将这一特征作为预测网络的输入。先将提取到的肌电信号分为训练集与测试集,按上述方法提取特征。训练集训练好网络之后,使用测试集验证预测准确率。该预测模型有望开发出新型的智能机器人,实现生物电信号对机器人的连续控制,提高人机之间的运动稳定性,特别是下肢可穿戴式智能设备。
为了实现以上目的,本发明方法主要包括以下步骤:
步骤(1).获取人体下肢肌电信号样本数据,具体操作是:首先用表面肌电信号采集仪获取与人体膝关节活动相关的肌肉表面肌电信号,再运用能量阈值确定动作的起始位置和终止位置作为原始肌电信号;
步骤(2).将步骤(1)获取的原始肌电信号进行硬阈值小波降噪;
将原始肌电信号进行多尺度小波分解,再将各尺度上由噪声产生的小波分量去掉,最后利用小波逆变换重构原始信号作为有效肌电信号;具体如下:
s(k)=f(k)+ε·e(k),k=0,1,...,n-1
式中,s(k)为原始肌电信号;f(k)为低频的非平稳肌电信号;e(k)为噪声信号,通常为白噪声;ε为阈值系数;通过实验确定降噪阈值ε;
步骤(3).将步骤(2)获取的有效肌电信号使用db3小波进行多层分解,获得各层小波低频系数αij。i表示当前分解层数,j表示该小波低频系数的时间索引;
步骤(4).计算步骤(3)中获得的各层小波系数的关联维数;关联维的计算采用从时间序列计算吸引子关联维的G-P算法;具体如下:
1)相空间重构.对一长度为N的肌电信号序列{x(k),k=1,2,…,N},按下式进行重构:
2)计算关联积分Cn(r).以两个矢量的最大分量差作为它们之间的距离:
式中xi,xj为重构相空间里的两个矢量,xij,xjk分别为xi,xj两个矢量中的任意两点,并且设定距离小于给定正数r的矢量,称为关联的矢量;设重构相空间中有n个矢量,计算其中有关联的矢量对数,它在一切可能的n2种配对中所占的比例称为关联积分:
其中H(·)为Heaviside单位函数:
3)计算关联维D.关联积分Cn(r)在r→0时与r存在以下关系:
其中D称为关联维数,恰当地选取r,使得D能够描述混沌吸引子的自相似结构;由于有近似数值,计算关系式:
步骤(5).求出每一层小波低频系数的关联维数Di,i表示当前分解层数;结合各层小波低频系数αij和关联维数Di计算小波关联维系数pij来表示系统样本的分布关系,计算公式如下:
其中c为倍频因子,取较小的正数,取值由实验调整得出;
步骤(6).人体下肢关节角度预测;将计算得到的小波关联维系数pij作为输入信号输入到Elman网络预测模型中;通过实验确定Elman网络的拓扑结构,将采集得到的肌电信号作为训练集训练预测网络;得到训练完成的Elman预测模型后,就可以完成人体下肢关节角度的预测。
本发明与已有的诸多肌电信号的特征提取方法相比,具有如下特点:
小波关联维特征能够从较短的时间序列中揭示动作表面肌电信号的复杂性,很好的表现肌电信号的细微变化情况,抗干扰能力强,算法简单,计算速度较快,特别适合肌电信号的实时处理。而对sEMG信号进行小波关联维特征之后很好的去除了肌电信号中的冗余信息,能够得到更好的样本特征分布,最后根据样本分布的特点,利用Elman预测网络对人体下肢关节角度进行预测,取得了较为理想的效果。
附图说明
图1为本发明的实施流程图;
图2为本发明对有效肌电信号求取小波关联维的特征分布图;
图3为本发明对提取的小波关联维特征利用Elman网络进行角度预测图;
图4本发明的预测效果图。
具体实施方式
下面结合附图对本发明的实施例作详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,本实施例包括如下步骤:
步骤一,获取人体下肢肌电信号样本数据,具体操作是:首先用表面肌电信号采集仪获取到与人体膝关节活动相关的肌肉表面电信号,再运用能量阈值确定动作的起始位置和终止位置作为原始肌电信号。
(1)采集人体下肢的肌电信号。4位受试者分别以低速有负重,低速无负重,中速有负重,中速无负重,高速有负重,高速无负重6种模式进行从90 度到180度的伸屈膝动作各8组,共32组数据。选用与膝关节有关的6块肌肉作为表面肌电信号来源。实验前先用酒精分别在受试者的大腿和小腿上擦涂去污,以增强信号采集能力,采用DELSYS Trigno肌电信号采集仪来采集对应肌肉的表面肌电信号。
(2)运用能量阈值确定动作的起始位置和终止位置作为原始肌电信号。
步骤二,将步骤一获取的sEMG动作信号进行小波降噪。将原始肌电信号进行多尺度小波分解,再将各尺度上由噪声产生的小波分量去掉,最后利用小波逆变换重构原始信号作为有效肌电信号。
对动作信号进行小波分解,将其分解为多个低频系数与高频系数之和,自适应的选取阈值参数,将若干个包含噪声信号分量去除。
步骤三,将步骤(2)获取的有效肌电信号使用db3小波进行多层分解,获得各层小波低频系数aij。i表示当前分解层数,j表示该小波低频系数的时间索引。
步骤四,对各层小波低频系数进行相空间重构并计算它们的关联维数。其中根据C-C算法可以计算得出相空间重构的嵌入维数选取为m=4,延迟时间τ=10。求得每个肌电通道的各层低频系数关联维如表1所示。
表格1每个肌电通道的各层低频系数关联维
步骤五,根据小波关联维的计算公式计算得WCCD特征pij,其特征分布如图2所示。
步骤六,将步骤五所求得的小波关联维pij作为特征向量输入Elman网络预测模型中,获得关节角度预测值,将其与传统时域特征和频域特征获得值对比,获得预测准确率如下表2。小波关联维预测效果图如图3。将小波关联维特征输入到不同的预测模型中可以得到预测准确率如下表3,对应预测效果图如图4。
表格2不同肌电特征的预测准确率表
表格3小波关联维在不同预测模型中的预测准确率
Claims (1)
1.基于肌电小波关联维的下肢关节角度预测方法,其特征在于,该方法包括如下步骤:
步骤(1).获取人体下肢肌电信号样本数据,具体操作是:首先用表面肌电信号采集仪获取与人体膝关节活动相关的肌肉表面肌电信号,再运用能量阈值确定动作的起始位置和终止位置作为原始肌电信号;
步骤(2).将步骤(1)获取的原始肌电信号进行硬阈值小波降噪;
将原始肌电信号进行多尺度小波分解,再将各尺度上由噪声产生的小波分量去掉,最后利用小波逆变换重构原始信号作为有效肌电信号;具体如下:
s(k)=f(k)+ε·e(k),k=0,1,...,n-1
式中,s(k)为原始肌电信号;f(k)为低频的非平稳肌电信号;e(k)为噪声信号,通常为白噪声;ε为阈值系数;通过实验确定降噪阈值ε;
步骤(3).将步骤(2)获取的有效肌电信号使用db3小波进行多层分解,获得各层小波低频系数αij,i表示当前分解层数,j表示该小波低频系数的时间索引;
步骤(4).计算步骤(3)中获得的各层小波系数的关联维数;关联维的计算采用从时间序列计算吸引子关联维的G-P算法;具体如下:
1)相空间重构.对一长度为N的肌电信号序列{x(k),k=1,2,…,N},按下式进行重构:
2)计算关联积分Cn(r).以两个矢量的最大分量差作为它们之间的距离:
式中xi,xj为重构相空间里的两个矢量,xij,xjk分别为xi,xj两个矢量中的任意两点,并且设定距离小于给定正数r的矢量,称为关联的矢量;设重构相空间中有n个矢量,计算其中有关联的矢量对数,它在一切可能的n2种配对中所占的比例称为关联积分:
其中H(·)为Heaviside单位函数:
3)计算关联维D.关联积分Cn(r)在r→0时与r存在以下关系:
其中D称为关联维数,恰当地选取r,使得D能够描述混沌吸引子的自相似结构;由于有近似数值,计算关系式:
步骤(5).求出每一层小波低频系数的关联维数Di,i表示当前分解层数;结合各层小波低频系数αij和关联维数Di计算小波关联维系数pij来表示系统样本的分布关系,计算公式如下:
其中c为倍频因子,取较小的正数,取值由实验调整得出;
步骤(6).人体下肢关节角度预测;将计算得到的小波关联维系数pij作为输入信号输入到Elman网络预测模型中;通过实验确定Elman网络的拓扑结构,将采集得到的肌电信号作为训练集训练预测网络;得到训练完成的Elman预测模型后,就可以完成人体下肢关节角度的预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811603026.XA CN109498370B (zh) | 2018-12-26 | 2018-12-26 | 基于肌电小波关联维的下肢关节角度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811603026.XA CN109498370B (zh) | 2018-12-26 | 2018-12-26 | 基于肌电小波关联维的下肢关节角度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109498370A CN109498370A (zh) | 2019-03-22 |
CN109498370B true CN109498370B (zh) | 2021-02-19 |
Family
ID=65755429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811603026.XA Active CN109498370B (zh) | 2018-12-26 | 2018-12-26 | 基于肌电小波关联维的下肢关节角度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109498370B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110032987B (zh) * | 2019-04-23 | 2022-07-08 | 福州大学 | 一种基于小脑神经网络模型的表面肌电信号分类方法 |
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 |
CN110859620A (zh) * | 2019-11-19 | 2020-03-06 | 上海电机学院 | 基于单向视频信号的腰部竖脊肌活动识别及预测方法 |
CN111657939A (zh) * | 2020-05-27 | 2020-09-15 | 杭州电子科技大学 | 基于肌电信号GA-Elman的上肢关节角度估计方法 |
CN112569565A (zh) * | 2020-12-10 | 2021-03-30 | 浙江大学德清先进技术与产业研究院 | 一种颈部功能锻炼识别方法及系统 |
CN113509174B (zh) * | 2021-05-27 | 2023-09-01 | 中国科学院深圳先进技术研究院 | 估计关节角度的方法、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833671A (zh) * | 2010-03-30 | 2010-09-15 | 西安理工大学 | 一种基于支持向量机的表面肌电信号多类别模式识别方法 |
CN102697495A (zh) * | 2012-05-23 | 2012-10-03 | 杭州电子科技大学 | 基于总体平均经验模式分解的二代小波肌电信号消噪方法 |
CN104107042A (zh) * | 2014-07-10 | 2014-10-22 | 杭州电子科技大学 | 基于粒子群优化-支持向量机的肌电信号步态识别方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101025084B (zh) * | 2006-02-20 | 2011-04-13 | 中国石油大学(北京) | 一种随钻预测钻头底下地层孔隙压力的方法 |
US20080002775A1 (en) * | 2006-06-30 | 2008-01-03 | Ricci Carlos A | Signal analysis employing matched wavelet |
CN101564328B (zh) * | 2009-05-07 | 2011-01-05 | 杭州电子科技大学 | 基于支持向量数据描述的膝上假肢多运动模式识别方法 |
CN101859377A (zh) * | 2010-06-08 | 2010-10-13 | 杭州电子科技大学 | 基于多核支持向量机的肌电信号分类方法 |
CN103610466A (zh) * | 2013-10-17 | 2014-03-05 | 杭州电子科技大学 | 基于emd排列组合熵的肌电信号跌倒识别方法 |
CN104173124B (zh) * | 2014-08-29 | 2015-12-30 | 电子科技大学 | 一种基于生物信号的上肢康复系统 |
JP2016140713A (ja) * | 2015-02-05 | 2016-08-08 | 株式会社ペリテック | 心電計、心電波形抽出装置、心電波形抽出プログラム、および心電波形抽出方法 |
CN106067178B (zh) * | 2016-05-30 | 2018-11-23 | 杭州电子科技大学 | 一种基于肌肉协同激活模型的手部关节运动连续估计方法 |
CN106126906A (zh) * | 2016-06-22 | 2016-11-16 | 重庆科技学院 | 基于c‑c与elm的短期风速预测方法 |
CN107440716A (zh) * | 2017-07-26 | 2017-12-08 | 电子科技大学 | 基于单通道肌电信号的人体下肢运动动作分类辨识方法 |
CN108478222B (zh) * | 2017-12-21 | 2021-04-13 | 北京精密机电控制设备研究所 | 一种基于神经网络的关节角误差补偿实验装置及方法 |
CN108098741A (zh) * | 2018-01-12 | 2018-06-01 | 水逸阳 | 一种下肢外骨骼助力装置及其控制方法 |
-
2018
- 2018-12-26 CN CN201811603026.XA patent/CN109498370B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833671A (zh) * | 2010-03-30 | 2010-09-15 | 西安理工大学 | 一种基于支持向量机的表面肌电信号多类别模式识别方法 |
CN102697495A (zh) * | 2012-05-23 | 2012-10-03 | 杭州电子科技大学 | 基于总体平均经验模式分解的二代小波肌电信号消噪方法 |
CN104107042A (zh) * | 2014-07-10 | 2014-10-22 | 杭州电子科技大学 | 基于粒子群优化-支持向量机的肌电信号步态识别方法 |
Non-Patent Citations (2)
Title |
---|
Research on Rules Reduction for Real Value Attribute Information System Based on Fuzzy Similarity;Yuliang ma;《2008 11th International Conference on Communication Technology Proceedings》;20081212;501-504 * |
基于多源生物信号的下肢步态相识别;张启忠;《计量学报》;20181122;895-901 * |
Also Published As
Publication number | Publication date |
---|---|
CN109498370A (zh) | 2019-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109498370B (zh) | 基于肌电小波关联维的下肢关节角度预测方法 | |
CN110238863B (zh) | 基于脑电-肌电信号的下肢康复机器人控制方法及系统 | |
CN106889984B (zh) | 一种心电信号自动降噪方法 | |
CN103440498A (zh) | 基于lda算法的表面肌电信号识别方法 | |
CN103761424A (zh) | 基于二代小波和ica的肌电信号降噪与去混迭方法 | |
CN111931606B (zh) | 基于混合Copula互信息的肌间耦合分析方法 | |
Ye et al. | Optimal feature selection for EMG-based finger force estimation using LightGBM model | |
CN102697495A (zh) | 基于总体平均经验模式分解的二代小波肌电信号消噪方法 | |
AlOmari et al. | Analysis of extracted forearm sEMG signal using LDA, QDA, K-NN classification algorithms | |
Phinyomark et al. | Wavelet-based denoising algorithm for robust EMG pattern recognition | |
Wang et al. | Surface electromyography based estimation of knee joint angle by using correlation dimension of wavelet coefficient | |
CN109657651A (zh) | 一种基于肌电信号的下肢膝关节连续运动估计方法 | |
Mahdavi et al. | Surface electromyography feature extraction based on wavelet transform | |
Xiong et al. | Application of the chaos theory in the analysis of EMG on patients with facial paralysis | |
CN114052744A (zh) | 基于脉冲神经网络的心电信号分类方法 | |
CN111563581A (zh) | 一种基于小波相干的脑肌功能网络构建方法 | |
CN114387668A (zh) | 一种基于多层次神经肌肉耦合特征信息融合的分类方法 | |
Yu et al. | The research of sEMG movement pattern classification based on multiple fused wavelet function | |
CN110151176A (zh) | 一种基于肌电信号的上肢肘关节连续运动估计方法 | |
CN110464517B (zh) | 基于小波加权排列熵的肌电信号识别方法 | |
Khezri et al. | Surface electromyogram signal estimation based on wavelet thresholding technique | |
CN110633644A (zh) | 基于肌电小波包分解和gabp的人体关节角度预测方法 | |
CN114343679A (zh) | 基于迁移学习的表面肌电信号上肢动作识别方法及系统 | |
Zhang et al. | Human motor function estimation based on EMG signal fractal dimension standard deviation | |
Asogbon et al. | HD-sEMG Signal Denoising Method for Improved Classification Performance in Transhumeral Amputees Pros thesis Control |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190322 Assignee: HANGZHOU DUKANG TECHNOLOGY CO.,LTD. Assignor: HANGZHOU DIANZI University Contract record no.: X2022330000025 Denomination of invention: Prediction method of lower limb joint angle based on EMG wavelet correlation dimension Granted publication date: 20210219 License type: Common License Record date: 20220128 |