CN109846481B - 表面肌电信号处理方法和装置、数据处理设备和存储介质 - Google Patents
表面肌电信号处理方法和装置、数据处理设备和存储介质 Download PDFInfo
- Publication number
- CN109846481B CN109846481B CN201811595195.3A CN201811595195A CN109846481B CN 109846481 B CN109846481 B CN 109846481B CN 201811595195 A CN201811595195 A CN 201811595195A CN 109846481 B CN109846481 B CN 109846481B
- Authority
- CN
- China
- Prior art keywords
- data
- electromyographic
- acceleration
- acceleration data
- discretized
- 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
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请提供了一种表面肌电信号处理方法和装置、数据处理设备和存储介质,其中,该方法包括:采集肌电数据信号和加速度数据信号;对所述肌电数据信号和所述加速度数据信号进行离散化处理,得到离散化的肌电数据和离散化的加速度数据;对所述离散化的肌电数据和所述离散化的加速度数据进行等时距取数;确定等时距取数得到的肌电数据与加速度数据之间的相关性;根据所述相关性,滤除等时距取数得到的肌电数据与加速度数据中不相关的数据。即,通过引入了加速度数据来确定肌电数据中不相关的数据,并滤除不相关的数据,从而可以解决现有的因为用户运动导致的测量结果不准确的问题,达到了有效提升测量数据准确度的技术效果。
Description
技术领域
本申请属于心理学、人因工程领域,尤其涉及一种表面肌电信号处理方法和装置、数据处理设备和存储介质。
背景技术
目前,市面上有很多类型的肌肉电信号测量传感器,一般分为:侵入式和非侵入式。其中,侵入式电极由于会对皮肤造成损失,对于科研领域的反复试验来说来说是不可行的,非侵入式的电极大部分的测量是在静态状态下或者运动幅度较小的情况下进行的,一旦被试者出现大幅度的运动的情况后,测量到的肌电信号误差比较大,因为测量到的信号中夹杂了很多运动的违迹或是电信号违迹,例如:心电信号的违迹、运动所带来的皮肤电信号的违迹等等。一般市面上大多数的测量电信号的传感器都是基于粘贴式的电极片进行测量的,这就意味着连接电极片的线缆也会因为线缆的运动而给整个测量系统带来噪声,且这类噪声是不可预测的,噪声对于EMG(表面肌电)信号来说是致命的。
另外,在市面上还有一些干电极的方案,由于干电极的方案中电极的固定,电极之间的距离、电极的材质等因素如果设置不当,都会导致采集数据失真。以电极的固定来说,可能是粘贴式可能是绑带式,被试者在静态的情况下测量信号还相对比较准确,但是如果被试者运动起来,信号就可能会丢失,因为剧烈运动的时候,由于电极固定处理的不得当,尤其是干电极并且使用绑带的方式,会出现瞬间某个电极脱离皮肤的状态,由于测量是根据电极间差分电压来进行信号采集的,因此,一旦某一个电极脱离皮肤,那么这个点的电极状态是零电势,那么硬件部分算出来的差分信号值就是错的,这对于采集运动的肌电来说,这段采集的数据是没有意义的。
即,现有的采集肌电信号而言,不能解决剧烈运动带来的致命的信号干扰问题,因为在运动状态下,缺少滤波、缺少运动信号和肌电信号相关性的分析,这就使得得到的信号的噪声比较大,对数据的分析、提取和滤波造成了很大的困难。另外,包括现有技术的肌电传感器基本都是电极片粘贴式,不仅带来了线缆的束缚和线缆的噪声,同时,由于电极片是一次性的,反复的测试,成本会大幅度的提高。另外,现有技术佩戴的问题会导致被试在运动的时候某一个电极瞬间脱离皮肤的情况,电极脱离皮肤的情况会造成MCU计算数据的错误,从而导致信号本身的错误。
针对上述问题,目前尚未提出有效的解决方案。
发明内容
本申请目的在于提供一种表面肌电信号处理方法和装置、数据处理设备和存储介质,以解决现有的在用户运动的情况下,测量得到的数据不准确的技术问题。
本申请提供一种表面肌电信号处理方法和装置是这样实现的:
一种表面肌电信号处理方法,包括:
采集肌电数据信号和加速度数据信号;
对所述肌电数据信号和所述加速度数据信号进行离散化处理,得到离散化的肌电数据和离散化的加速度数据;
对所述离散化的肌电数据和所述离散化的加速度数据进行等时距取数;
确定等时距取数得到的肌电数据与加速度数据之间的相关性;
根据所述相关性,滤除等时距取数得到的肌电数据与加速度数据中不相关的数据。
在一个实施方式中,确定等时距取数得到的肌电数据与加速度数据之间的相关性,包括:
计算等时距取数得到的肌电数据的分形维数信息;
根据所述分形维数信息,计算得到用于衡量时间序列复杂性的标量参数;
计算等时距取数得到的加速度数据的均方根和样本熵;
根据所述均方根和所述样本熵,确定样本熵的复杂度;
根据所述标量参数,得到肌电数据功率谱;
根据所述样本熵的复杂度,得到加速度数据功率谱;
确定肌电数据功率谱和加速度数据功率谱的相关区域数据,作为肌电数据与加速度数据之间的相关性,不相关区域的数据用于滤除。
在一个实施方式中,确定肌电数据功率谱和加速度数据功率谱的相关区域数据,包括:
采用Welch平均周期图谱法,确定肌电数据功率谱和加速度数据功率谱的相关区域数据。
在一个实施方式中,在根据所述相关性,滤除等时距取数得到的肌电数据与加速度数据中不相关的数据之后,还包括:
对滤波后的数据进行封装,得到封装数据包;
将所述封装数据包,通过无线方式发送至上位机。
在一个实施方式中,对所述离散化的肌电数据和所述离散化的加速度数据进行等时距取数,包括:
按照2048点数,进行等时距取数,其中,所述离散化的肌电数据和所述离散化的加速度数据的起点是相同的计数器计数;
本次等时距取数与上次等时距取数的数据重叠率在80%以上。
一种表面肌电信号处理装置,包括:
采集模块,用于采集肌电数据信号和加速度数据信号;
离散化模块,用于对所述肌电数据信号和所述加速度数据信号进行离散化处理,得到离散化的肌电数据和离散化的加速度数据;
取数模块,用于对所述离散化的肌电数据和所述离散化的加速度数据进行等时距取数;
确定模块,用于确定等时距取数得到的肌电数据与加速度数据之间的相关性;
滤波模块,用于根据所述相关性,滤除等时距取数得到的肌电数据与加速度数据中不相关的数据。
在一个实施方式中,所述确定模块包括:
计算单元,用于计算等时距取数得到的肌电数据的分形维数信息;
第一计算单元,用于根据所述分形维数信息,计算得到用于衡量时间序列复杂性的标量参数;
第二计算单元,用于计算等时距取数得到的加速度数据的均方根和样本熵;
第一确定单元,用于根据所述均方根和所述样本熵,确定样本熵的复杂度;
第二确定单元,用于根据所述标量参数,得到肌电数据功率谱;
第三确定单元,用于根据所述样本熵的复杂度,得到加速度数据功率谱;
第四确定单元,用于确定肌电数据功率谱和加速度数据功率谱的相关区域数据,作为肌电数据与加速度数据之间的相关性,不相关区域的数据用于滤除。
在一个实施方式中,所述第四确定单元具体用于采用Welch平均周期图谱法,确定肌电数据功率谱和加速度数据功率谱的相关区域数据。
一种数据处理设备,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现上述方法的步骤。
一种计算机可读存储介质,其上存储有计算机指令,所述指令被执行时实现上述方法的步骤。
本申请提供的表面肌电信号处理方法和装置,采集肌电数据信号和加速度数据信号;对所述肌电数据信号和所述加速度数据信号进行离散化处理,得到离散化的肌电数据和离散化的加速度数据;对所述离散化的肌电数据和所述离散化的加速度数据进行等时距取数;确定等时距取数得到的肌电数据与加速度数据之间的相关性;根据所述相关性,滤除等时距取数得到的肌电数据与加速度数据中不相关的数据。即,通过引入了加速度数据来确定肌电数据中不相关的数据,并滤除不相关的数据,从而可以解决现有的因为用户运动导致的测量结果不准确的问题,达到了有效提升测量数据准确度的技术效果。
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请提供的电极的仰视图;
图2是本申请提供的电极的侧视图;
图3是本申请提供的针式电极的示意图;
图4是本申请提供的数据处理装置示意图;
图5是本申请提供的数据处理方法流程图;
图6是本申请提供的表面肌电信号处理方法流程图;
图7是本申请提供的表面肌电信号处理装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
考虑到现有的肌肉电信号测量传感器,在被试者运动的情况下,测试结果不准确。为此,在本例中,在肌肉电信号测量传感器的基础上加入加速度传感器,通过加速度传感器所采集的数据和肌电采集的数据在时间轴上进行等距数据切割,即,等时长采集数据包,也可以称作样本数量、窗口。然后,对获取的等距数据进行信号特征的提取,以得到肌电数据与加速度的相关维数据信息(高维度特征向量)、加速度的均方根幅度、加速度的样本熵、以及分析肌电信号与加速度信号的相关性或者一致性。
其中,肌电信号中提取的是非动力物理学的参数,相关维数相关数据,然后,计算衡量时间序列中重复结构的百分比;然后,再计算相关维数,用于衡量时间序列的复杂性。从加速度中提取两个参数:均方根(RMS)幅值和样本熵。其中,RMS用于表示测量运动过程中的动作幅度和SampEn(样本熵)的复杂程度。SampEn(样本熵)是一个非线性动力学方法,它测量的是条件概率的负自然对数。运动中的被试者相较于静息状态下的被试者有着更高的RMS和更低的SampEn(样本熵)值。
然后,基于以上数据计算肌电数据和加速度数据之间的相关性,相关性的测量主要是用于测量其功率谱中的相似性。功率谱可以采用Welch平均周期图谱法进行估算,例如,可以采用窗口长度为2048ms和80%以上的重叠进行计算,然后将高于0.99的相干区域用于进一步分析,对不相干的维度数据进行滤波滤除。
对于干电极而言,在本例中也进行了升级,包括:电极间距离的要求,以及对小肌肉块的信号采集也设计了干电极,例如,可以采用五针式非侵入式干电极采集数据。一般对采集大肌肉信号采用5mm*10mm的电极进行采集,此电极的间距控制在10mm~20mm以内,电极采用氯化银涂层以保证低阻抗的进行采集信号。另外,在佩戴的时候,为了摆脱对线缆的束缚,同时解决在运动过程中电极相对皮肤运动、电极短暂的离开皮肤的问题,在本例中,在电极与电极之间设置有开放性腔体,其中,腔体呈现圆弧形开放区域,具体的,可以采用定制的双面胶将传感器粘贴在皮肤上,由于电极突出,电极会贴在皮肤上,然后腔体会和皮肤有一点的空间,通过双面胶粘贴之后,向下压空腔体内的空气,利用气压原理可以将此传感器牢固地固定在皮肤上。由于腔体气压的作用,电极不会相对皮肤运动,也不会出现电极脱离皮肤的现象。另外,升级了参考电极,使得传感器在粘贴的时候不必要考虑参考电极的位置,只需将传感器沿着肌肉的方向粘贴即可。
下面结合一个具体实施例对上述方案进行说明,然而,值得注意的是,该具体实施例仅是为了更好地说明本申请,并不构成对本申请的不当限定。
在运动状态下肌电信号采集,可以通过采集人体的电信号来达到采集肌肉电信号的目的。例如,可以通过前置的氯化银干电极进行电信号的采集,然后,经过信号跟随器之后进行第一次差分放大,并使用抗混叠滤波器(Butterworth,例如:带通1-500Hz滤波器)进行滤波,然后,进行工频干扰的滤除,再对EMG原始信号进行二级差分放大,共模抑制比CMRR>130dB,总增益1000,噪声<1μV,最后通过贝塞尔滤波器对小信号进行滤波处理,之后,将采集到的信号传递给ADC进行模数转换,再送过MCU(含DSP核,以下简称MCU)进行处理,这是模拟电路的部分。同时,在数字电路部分,MCU实时采集加速度的值,加速度可以采用ST公司的芯片,量程可达到±24g,将采集到的加速度的值传递给MCU,根据此时采集到的模拟电信号和加速度的值来判断噪声的范围。具体的,可以对加速度数据经过等时距数据后进行傅里叶变换FFT得出采到加速度信号的频域信息,再根据频域信息给出的频率噪声范围,进而在EMG的等时距取数的数据范围内,有针对性地进行对EMG滤波。最后,综合肌电数据和加速度数据计算出相关维度数据信息,通过计算RMS均方根值和SampEn样本熵值,计算出加速度与肌电数据的相关性,根据Welch周期图谱法计算功率谱,然后进行窗口采样计算,对比功率谱或频率谱,将加速度与肌电数据之间不相干的数据进行滤波处理,再滤波之后,可以将数据封包之后通过2.4GHz无线发送到上位机进行数据的预览。
具体的,可以包括:电极装置部分和数据采集处理方法两部分:
1)电极装置部分:
电极可以包括两种类型:测量大肌肉群电极和测量小肌肉群电极,其中,大肌肉群一般是胸肌、腹肌、腰肌、二头肌、三头肌等,小肌肉群一般是指浅屈肌、深屈肌、骨颈肌等。
如图1所示,为电极的仰视图,其中,1、2、3均是电极,每个电极的宽度为5mm,长度为10mm,厚度为1mm。电极之间的距离可以设置为10mm~20mm。具体的,电极可以采用304不锈钢材质,外层通过氯化银处理,用于降低信号的传输阻抗。电极与外壳之间可以采用嵌入式处理,如图2所示,为电极的侧视图,其中,1、2、3均是电极,尺寸同上,电极可以是镶嵌在外壳之上,且高出外壳0.3mm,在图2中,5是传感器的外壳,4是外壳与电极之间形成的腔体。该传感器可以是无线传输的传感器,因此不需要线缆,信号采集也不需要线缆,直接通过3个集成在外壳上的干电极即可完成采集。其中,电极的的信号可以分为:正输入电极、负输入电极和参考电极,其中,上述1、2、3电极中无论哪个电极都可以是参考电极,粘贴的时候只需要将三个电极垂直连线组成的射线的方向与肌肉群走向的方向一致即可。
为了避免运动过程中电极脱离所导致的数据出错的问题,因为所有的电极都是以差分形式输入的,任何一个电极脱落的瞬间都会导致数据信号计算错误,如果长时间处于脱落状态,那么就无法得到真正的肌电EMG的信号,如果持续不间断的脱落、贴合,那么差分运算放大器算出来的数据就会出错,得到的信号也是糟糕的信号,这样的话,无法对数据进行有效地分析建模。为了解决这些问题,将电极的粘贴方式采用不留胶式双面胶进行传感器的粘贴,双面胶在粘贴的时,漏出电极部分。在粘贴的时候,可以将双面胶的一面按照传感器底部的轮廓进行贴合,然后,撕去双面胶的另一面,将传感器三个电极连接形成的射线的方向沿着肌肉群的走向,先将电极接触皮肤,然后将传感器向皮肤内侧按压直到传感器底部腔体部分的双面胶完全与皮肤沾合,以排除腔体与皮肤之间的空气,感觉皮肤被腔体环抱微微有向上拉起肌肉的力即可。由于排空了腔体、电极和皮肤之间的空气,由于压强的作用,可以阻止电极与皮肤之间有相对运动,从而避免了电极瞬间离开皮肤的情况的发生,从而达到精确采集数据的目的。
如图3所示为针式电极,1、2、3、4、5均是电极触点,虽然是针式电极,但不会刺破皮肤,属于非侵入式电极范畴。此电极属于微型电极,每根电极触点的直径是0.9mm,与外部外壳的突出高度是1mm。电极1、3、4、5与中心电极2的距离是3.5mm,对于针式电极可以通过不干胶双面贴进行贴合,先将双面胶的一面按照电极孔进行粘贴,漏出电极孔,然后,揭去另外一层,将电极贴在小肌肉群处,然后,电极先接触皮肤,之后垂直于肌肉方向按压,使的不干胶充分接触肌肉表面,感觉肌肉有向上提起力,并感觉有稍微的刺痛感说明针式电极粘贴正确。与上述3电极的干电极相比,这种五个电极触点的针式电极,不需要考虑电极的方向,只要圆心电极在肌肉群上直接粘贴就好。
2)数据采集处理部分:
在运动状态下的肌电,以腿部肌肉为例,传感器在粘贴好之后,打开开关就可以采集数据。以三电极为例,电极的输入端分别经过一个电压跟随器,以保证此跟随器可以很好地隔离前级带来的干扰;经过信号跟随器之后,将信号进行第一次20倍的差分放大,得到的信号的幅值是原来的20倍;之后接双T型50HZ滤波器,以抑制工频干扰对本电路的影响;然后使用抗混叠滤波器Butterworth进行带通滤波器1-500Hz的信号的处理;这里使用的放大器的共模抑制比CMRR要大于130dB,以便得到更好的信号。
然后,将进行二级放大后的信号总体增益总和为1000,噪声<1μV,最后通过贝塞尔滤波器对小信号进行滤波处理,其中,采样率可以是2048Hz以上。然后,通过24bit的ADC之后,连接到数据处理的MCU。同时,MCU也采集加速度数据,加速度数据是三维信息数据。至此,通过ADC转换之后,可以得到EMG的离散的数字量数据,同时也得到了加速度的数据信息。
MCU在获取到采集后的数据之后,可以对数据进行离散化处理(模数转换之后),然后进行数据等时距取数,具体的,可以依照2048点数进行等时距取数,其中,采集肌电信号数据的频率和采集加速度数据的频率是一样的,均为2048Hz,在没有丢包的情况下,确定开始采集的点的counter计数,等时距取数的起点是相同的counter计数,然后向后数2048个counter,至此,等时距取数进行完毕。然而,值得注意的是,MCU在取数的同时,并不会终止肌电信号数据和加速度数据的采集,采集肌电信号数据的ADC和采集加速度数据的SPI通讯方式可以通过DMA模式采集,将采集的数据各自放到相应的存储器里等待MCU进行等时距取数,之后做分析滤波使用。等时距取数并不是只执行一次,采集是一直在进行的,等时距取数也是一直在进行的。然而,不同的是,随着采集时间的推移,等时距取数的起始counter计数值也会往后推移,比如开始采集2048个点后就可以取等时距数值了,比如MCU开始采集的counter计数值是2,那么结束的counter数值就是2049,将数据存储到相应的存储器,数据分析之后进行第二次等时距取数,数据分析需要时间,第二次取数的counter起始数是不确定的,可能counter计数值是5,那么取数结尾的counter的值应该是2052,依此类推,会有无限次取数。为了保证结果的正确性,必须保证第n次采集的数据与第n-1次采集的数据的重叠性达到80%以上。
然而,值得注意的是上述,上述的2048这种取值,仅是一种示例性描述,并不构成对本申请的不当限定,在实际计算过程中,还可以选择其他的取值。
在等时距取数完成之后,如图5所示,先进行对加速度信号的分析。分析加速度信号的目的是为了判断被试是否处于运动状态。根据加速度信号的指示(可以直接从芯片中读取加速度信号的值,不需要另行计算),XYZ三轴的数据基本不变,变化轻微,并且某一轴或者三轴的合成方向垂直向下,并且加速度值趋近于9.8,说明被试处于静息状态或者小幅动作状态,只需要进行0-500Hz的带通滤波和50Hz的陷波既可以得到较好的EMG数据。如果读取到的加速度信号的值,不规则的变化,三轴加速度合成方向处于不规则变化,并且加速度的数值也是在不断的更新变化,说明此时的被试正在处于运动状态。此时需要根据等时距的数据对加速度数据进行判断,通过傅里叶变换FFT将信号转换成频域信息,得出此时刻的动作频率信息f,然后根据频率信息f,去滤除此等时距包含频率信息f的数据,从而达到滤波的目的。到此为止完成了基础滤波部分。
对于复杂的不规则的运动来说,读取出来的加速度的值是分散的、没有规律的,XYZ轴加速度合成指向随机并且分散,无规律可循。这时候需要进行一些复杂的运算进行运动杂波的去除。
然后,取加速度信号的两个参数,均方根幅值RMS和样本熵SampEN。其中,均方根值RMS,用于表征运动过程中的运动幅度,样本熵SampEN用于表征复杂度。其中,样本熵SampEN是一个非线性动力学的方法,测量条件概率的负自然对数,n个点相似的时间序列中的两个序列对于n+1个点的时间序列是相似的。
然后,计算肌电信号EMG与加速度数据之间的相关性,通过计算肌电EMG功率谱或频率谱与加速度数据的功率谱或频率谱可以得到相关区域数据,对不相关的数据进行滤波滤除。具体的,可以通过Welch平均周期图方的方法进行估算,例如,Welch平均周期图方的方法可以采用窗口长度2048和数据80%重叠的基础上进行估算,相关区域数据高于0.99的数据划分为相关数据区域,其他不相关数据通过滤波滤除。
其中,上述EMG分形维数的计算过程中,分形维数是度量信号复杂度和不规则度的一种常见的方法。对于EMG信号来说,在被试者处于平静状态的时候,测得的维度信息比较少,得到的分形维数的就越小。因此,在一般的静息状态下,肌电EMG信号很容易分析和滤波。然而,在运动状态下,测得的维度信息比较多,真正的EMG信号数据夹杂着各种这样的噪声,此时算出来的相关维数会比较大,这就说明这段信号比较复杂。一般EMG夹杂的杂波信号比较多,比如心电的电信号、放大器本身的噪声、工频噪声、电源噪声等等。这些信号的分形维数比较小,但是EMG的信号活动比较复杂,尤其是运动的时候。
其中,肌电信号具有分形维数特征的是与信号所对应的能量谱S(k),具有以下特征:
S(k)∝1/kT
其中,T是一个正实数。
假设,得到EMG的原始数据信号划分成N个不同的区域,研究成分的矩阵为Y,那么,
Y=[S(1),S(2),S(3),……S(N)]T
通过FASTICA算法将分离出来的源信号按照分形维数的大小进行升序排列,记为:
a(1),a(2),a(3),……a(N)
其中,这些分形维数序列a(i)(i=1,2,3,…N)就是等时距信号的分形维数。
这些分形维数的序列对应的源信号为:
S=[S’(1),S’(2),S’(3),……S’(N)]。
设定EMG原始数据分离出来的分形维数的序列噪声信号为:
S1=[S’(1),S’(2),S’(3),……S’(k)]……………………………………………(公式1)
为了尽可能的将独力源中的噪声自动识别到S1中,设定k满足以下条件:
k=[N/2]+1
其中,[N/2]表示不满足大于N/2的最大整数,其他分形维数序列的源信号为:
S2=[S’(k+1),S’(k+2),S’(k+3),……S’(N)]………………………………..(公式2)
其中,加速度传感器的均方根值和样本熵可以按照如下方式计算:
根据均方根公式计算当前等时距数据量的均方根值:
其中,X为加速度采集的值,N为点数,其中,N=2048,均方根值主要体现的是幅度信息。
上述计算中,根据均方根公式计算本等时距数据量的均方根值,均方根值只是判断加速度数据的大小幅值情况,加速度的大小范围。
样本熵:
假定原始数据为:X={x1,x2,……,xn},其中,样本长度为n=2048,嵌入式维数为m,矢量容量为r,那么m向量可以为:
XI=[xi,xi+1,……xi+n],i=1,2…..,n-m;
定义x(i)与x(j)之间的距离为d[x(i),x(j)]两者对应的时间的最大值为:
d[x(i),x(j)]=max[x(i+k)-x(j+k)]
其中,x(j)为x(i)之外的其余矢量,j=1,2,…….n-m,j≠i;
统计d[x(i),x(j)]小于r的数目以及此值与距离总数n-m-1的比值,记做B(r):
Bm(r)=1/(n-m-1){其中,d[x(i),x(j)]小于r的数目};
求Bm(r)的平均值:Bm(r)=1/n-m(ΣBm(r)),其中,均值为是1~n-m。
在对维数m+1,即对m+1点的矢量重复以上步骤,得到Bm+1(r)。
理论上,此时间序列的样本熵为:
SampEn(m,r)=lim[-ln{(Bm+1(r))/(Bm(r))}]。…………………………(公式3)
上述的样本熵公式体现了加速度数据在时间维度的复杂性。在本例中,一般认为0.99以下为低复杂度序列,0.99以上认为是高复杂度序列。低于0.99的样本熵的序列,以第一种方式进行滤波,即,通过算出加速度的频率值f,在去滤除肌电信号中的频率f。低于0.99的样本熵的序列,需要对复杂序列进行带入分析。将上述公式1中的S2中的分形维数数据带入到公式3中,进行对频域下的各个频率的维数进行样本熵估算,例如:令m=S’(K+1);容量r为2048(此处举例说明),估算出样本熵值。然后,对于样本熵值低于0.99的,先按照此段数据的频率进行对等时距数据进行该频率的滤波,按照此段数据容量内的加速度值进行FFT变换求出此段的频率f,再进行将EMG原始数据对应的频率f进行滤除,这样就得到了滤除运动杂波的EMG的数据。若样本熵大于0.99,则认为此段数据时间序列数据复杂,认为此段的运动数据无效,并将此频率的数据删除。
至此,通过加速度滤除EMG原始信号的运动杂波完成。
通过上例的方案,解决了EMG传感器佩戴的问题,不会出出现电极瞬间脱离皮肤的情况,解决了运动状态下肌电EMG信号采集不准的问题,解决了实时分析运动状态下的肌电信号的滤波的问题,使得信号更为准确。
在上例中,在肌肉电信号测量传感器的基础上加入加速度传感器,通过加速度传感器所采集的数据和肌电采集的数据在时间轴上进行等距数据切割,然后,对获取的等距数据进行信号特征的提取,以得到肌电数据与加速度的相关维数据信息(高维度特征向量)、加速度的均方根幅度、加速度的样本熵、以及分析肌电信号与加速度信号的相关性或者一致性。通过上述方案解决了现有的采集肌电信号不能解决剧烈运动带来的致命的信号干扰问题,同时解决了现有的肌电传感器基本都是电极片粘贴式,不仅带来了线缆的束缚和线缆的噪声,同时,由于电极片是一次性的,反复的测试,成本会大幅度的提高。另外,现有技术佩戴的问题会导致被试在运动的时候某一个电极瞬间脱离皮肤的情况,电极脱离皮肤的情况会造成MCU计算数据的错误,从而导致信号本身的错误的问题。
在本例中提供了一种表面肌电信号采集传感器,可以包括如下部件:
外壳;
第一电极、第二电极和第三电极,镶嵌在所述外壳上,且高于所述外壳;
其中,电极之间设置腔体,其中,所述腔体呈现圆弧形开放区域;
双面胶,粘贴在所述外壳上,用于粘贴在目标对象皮肤上,并通过排空所述腔体内的空气,使得所述表面肌电信号采集传感器固定在目标对象的皮肤上。
具体的,上述第一电极可以是正输入电极,第二电极为负输入电极,第三电极为参考电极;所述第一电极、所述第二电极和所述第三电极为差分输入的电极。
在实际实现的时候,上述第一电极、第二电极和第三电极的宽度可以为5mm,长度为10mm,厚度为1mm,高出外壳0.3mm。上述第一电极、所述第二电极和所述第三电极并列排列,之间的距离为10mm-20mm,所述第一电极、所述第二电极和所述第三电极连接形成的射线的方向沿着肌肉群的走向。上述第一电极、所述第二电极和所述第三电极可以是304不锈钢材质,外层涂有氯化银。
该传感器也可以是五电极,如图3所示,即还可以包括:第四电极4和第五电极5,其中:第一电极1、所述第三电极3、所述第四电极4和所述第五电极5位于正方向四个定点,所述第二电极2位于正方形中心点。上述第二电极与所述第一电极、所述第三电极、所述第四电极和所述第五电极之间的距离为3.5mm,所述第一电极、所述第二电极、所述第三电极、所述第四电极和所述第五电极高出所述外壳1mm。对于针式电极可以通过不干胶双面贴进行贴合,先将双面胶的一面按照电极孔进行粘贴,漏出电极孔,然后,揭去另外一层,将电极贴在小肌肉群处,然后,电极先接触皮肤,之后垂直于肌肉方向按压,使的不干胶充分接触肌肉表面,感觉肌肉有向上提起力,并感觉有稍微的刺痛感说明针式电极粘贴正确。
在本例中还提供了一种表面肌电信号采集设备,可以包括:上述表面肌电信号采集传感器;肌电信号预处理装置,用于对电极采集到的肌电信号进行预处理,得到预处理之后的肌电信号;加速度传感器,用于采集加速度数据;中央处理器,用于对所述预处理之后的肌电信号和所述加速度数据进行处理,确定出不相关数据;滤波器,用于滤除不相关数据。
上述预处理装置可以依次包括:电压跟随器、第一放大器、第一滤波器、第二放大器、第二滤波器和模数转换器。具体的,上述第一滤波器可以为双T型性50HZ陷波器,上述第二滤波器可以为贝塞尔滤波器。例如,电极的输入端分别经过一个电压跟随器,以保证此跟随器可以很好地隔离前级带来的干扰;经过信号跟随器之后,将信号进行第一次20倍的差分放大,得到的信号的幅值是原来的20倍;之后接双T型50HZ滤波器,以抑制工频干扰对本电路的影响;然后使用抗混叠滤波器Butterworth进行带通滤波器1-500Hz的信号的处理;这里使用的放大器的共模抑制比CMRR要大于130dB,以便得到更好的信号。
在本例中,提供了一种表面肌电信号处理方法,是在运动状态的表面肌电信号处理方法,如图6所示,可以包括如下步骤:
步骤601:采集肌电数据信号和加速度数据信号;
步骤602:对所述肌电数据信号和所述加速度数据信号进行离散化处理,得到离散化的肌电数据和离散化的加速度数据;
步骤603:对所述离散化的肌电数据和所述离散化的加速度数据进行等时距取数;
步骤604:确定等时距取数得到的肌电数据与加速度数据之间的相关性;
步骤605:根据所述相关性,滤除等时距取数得到的肌电数据与加速度数据中不相关的数据。
具体的,上述步骤604确定等时距取数得到的肌电数据与加速度数据之间的相关性,可以包括:
S1:计算等时距取数得到的肌电数据的分形维数信息;
S2:根据所述分形维数信息,计算得到用于衡量时间序列复杂性的标量参数;
S3:计算等时距取数得到的加速度数据的均方根和样本熵;
S4:根据所述均方根和所述样本熵,确定样本熵的复杂度;
S5:根据所述标量参数,得到肌电数据功率谱;
S6:根据所述样本熵的复杂度,得到加速度数据功率谱;
S7:确定肌电数据功率谱和加速度数据功率谱的相关区域数据,作为肌电数据与加速度数据之间的相关性,不相关区域的数据用于滤除。
在实现的时候,可以采用Welch平均周期图谱法,确定肌电数据功率谱和加速度数据功率谱的相关区域数据。
在上述步骤滤除等时距取数得到的肌电数据与加速度数据中不相关的数据之后,可以对滤波后的数据进行封装,得到封装数据包;将所述封装数据包,通过无线方式发送至上位机。
在对所述离散化的肌电数据和所述离散化的加速度数据进行等时距取数的时候,可以按照2048点数,进行等时距取数,其中,所述离散化的肌电数据和所述离散化的加速度数据的起点是相同的计数器计数;且可以控制本次等时距取数与上次等时距取数的数据重叠率在80%以上。
基于同一发明构思,本发明实施例中还提供了一种表面肌电信号处理装置,是在运动状态的表面肌电信号处理装置,如下面的实施例所述。由于表面肌电信号处理装置解决问题的原理与表面肌电信号处理方法相似,因此表面肌电信号处理示装置的实施可以参见表面肌电信号处理方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”指可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。图7是本发明实施例的表面肌电信号处理装置的一种结构框图,如图7所示,可以包括:
采集模块701,用于采集肌电数据信号和加速度数据信号;
离散化模块702,用于对所述肌电数据信号和所述加速度数据信号进行离散化处理,得到离散化的肌电数据和离散化的加速度数据;
取数模块703,用于对所述离散化的肌电数据和所述离散化的加速度数据进行等时距取数;
确定模块704,用于确定等时距取数得到的肌电数据与加速度数据之间的相关性;
滤波模块705,用于根据所述相关性,滤除等时距取数得到的肌电数据与加速度数据中不相关的数据。
在一个实施方式中,确定模块704可以包括:
计算单元,用于计算等时距取数得到的肌电数据的分形维数信息;
第一计算单元,用于根据所述分形维数信息,计算得到用于衡量时间序列复杂性的标量参数;
第二计算单元,用于计算等时距取数得到的加速度数据的均方根和样本熵;
第一确定单元,用于根据所述均方根和所述样本熵,确定样本熵的复杂度;
第二确定单元,用于根据所述标量参数,得到肌电数据功率谱;
第三确定单元,用于根据所述样本熵的复杂度,得到加速度数据功率谱;
第四确定单元,用于确定肌电数据功率谱和加速度数据功率谱的相关区域数据,作为肌电数据与加速度数据之间的相关性,不相关区域的数据用于滤除。
在一个实施方式中,第四确定单元具体可以用于采用Welch平均周期图谱法,确定肌电数据功率谱和加速度数据功率谱的相关区域数据。
本申请提供的表面肌电信号处理方法和装置,采集肌电数据信号和加速度数据信号;对所述肌电数据信号和所述加速度数据信号进行离散化处理,得到离散化的肌电数据和离散化的加速度数据;对所述离散化的肌电数据和所述离散化的加速度数据进行等时距取数;确定等时距取数得到的肌电数据与加速度数据之间的相关性;根据所述相关性,滤除等时距取数得到的肌电数据与加速度数据中不相关的数据。即,通过引入了加速度数据来确定肌电数据中不相关的数据,并滤除不相关的数据,从而可以解决现有的因为用户运动导致的测量结果不准确的问题,达到了有效提升测量数据准确度的技术效果。
虽然本申请提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
上述实施例阐明的装置或模块,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。为了描述的方便,描述以上装置时以功能分为各种模块分别描述。在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现。当然,也可以将实现某功能的模块由多个子模块或子单元组合实现。
本申请中所述的方法、装置或模块可以以计算机可读程序代码方式实现控制器按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本申请所述装置中的部分模块可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的硬件的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,也可以通过数据迁移的实施过程中体现出来。该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,移动终端,服务器,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。本申请的全部或者部分可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、移动通信终端、多处理器系统、基于微处理器的系统、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
虽然通过实施例描绘了本申请,本领域普通技术人员知道,本申请有许多变形和变化而不脱离本申请的精神,希望所附的权利要求包括这些变形和变化而不脱离本申请的精神。
Claims (8)
1.一种表面肌电信号处理方法,其特征在于,包括:
采集肌电数据信号和加速度数据信号;
对所述肌电数据信号和所述加速度数据信号进行离散化处理,得到离散化的肌电数据和离散化的加速度数据;
对所述离散化的肌电数据和所述离散化的加速度数据进行等时距取数;
确定等时距取数得到的肌电数据与加速度数据之间的相关性;
根据所述相关性,滤除等时距取数得到的肌电数据与加速度数据中不相关的数据;
确定等时距取数得到的肌电数据与加速度数据之间的相关性,包括:
计算等时距取数得到的肌电数据的分形维数信息;
根据所述分形维数信息,计算得到用于衡量时间序列复杂性的标量参数;
计算等时距取数得到的加速度数据的均方根和样本熵;
根据所述均方根和所述样本熵,确定样本熵的复杂度;
根据所述标量参数,得到肌电数据功率谱;
根据所述样本熵的复杂度,得到加速度数据功率谱;
确定肌电数据功率谱和加速度数据功率谱的相关区域数据,作为肌电数据与加速度数据之间的相关性,不相关区域的数据用于滤除。
2.根据权利要求1所述的方法,其特征在于,确定肌电数据功率谱和加速度数据功率谱的相关区域数据,包括:
采用Welch平均周期图谱法,确定肌电数据功率谱和加速度数据功率谱的相关区域数据。
3.根据权利要求1所述的方法,其特征在于,在根据所述相关性,滤除等时距取数得到的肌电数据与加速度数据中不相关的数据之后,还包括:
对滤波后的数据进行封装,得到封装数据包;
将所述封装数据包,通过无线方式发送至上位机。
4.根据权利要求1所述的方法,其特征在于,对所述离散化的肌电数据和所述离散化的加速度数据进行等时距取数,包括:
按照2048点数,进行等时距取数,其中,所述离散化的肌电数据和所述离散化的加速度数据的起点是相同的计数器计数;
本次等时距取数与上次等时距取数的数据重叠率在80%以上。
5.一种表面肌电信号处理装置,其特征在于,包括:
采集模块,用于采集肌电数据信号和加速度数据信号;
离散化模块,用于对所述肌电数据信号和所述加速度数据信号进行离散化处理,得到离散化的肌电数据和离散化的加速度数据;
取数模块,用于对所述离散化的肌电数据和所述离散化的加速度数据进行等时距取数;
确定模块,用于确定等时距取数得到的肌电数据与加速度数据之间的相关性;
滤波模块,用于根据所述相关性,滤除等时距取数得到的肌电数据与加速度数据中不相关的数据;
所述确定模块包括:
计算单元,用于计算等时距取数得到的肌电数据的分形维数信息;
第一计算单元,用于根据所述分形维数信息,计算得到用于衡量时间序列复杂性的标量参数;
第二计算单元,用于计算等时距取数得到的加速度数据的均方根和样本熵;
第一确定单元,用于根据所述均方根和所述样本熵,确定样本熵的复杂度;
第二确定单元,用于根据所述标量参数,得到肌电数据功率谱;
第三确定单元,用于根据所述样本熵的复杂度,得到加速度数据功率谱;
第四确定单元,用于确定肌电数据功率谱和加速度数据功率谱的相关区域数据,作为肌电数据与加速度数据之间的相关性,不相关区域的数据用于滤除。
6.根据权利要求5所述的装置,其特征在于,所述第四确定单元具体用于采用Welch平均周期图谱法,确定肌电数据功率谱和加速度数据功率谱或频率谱的相关区域数据。
7.一种数据处理设备,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现权利要求1至4中任一项所述方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机指令,所述指令被执行时实现权利要求1至4中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811595195.3A CN109846481B (zh) | 2018-12-25 | 2018-12-25 | 表面肌电信号处理方法和装置、数据处理设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811595195.3A CN109846481B (zh) | 2018-12-25 | 2018-12-25 | 表面肌电信号处理方法和装置、数据处理设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109846481A CN109846481A (zh) | 2019-06-07 |
CN109846481B true CN109846481B (zh) | 2021-08-24 |
Family
ID=66892281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811595195.3A Active CN109846481B (zh) | 2018-12-25 | 2018-12-25 | 表面肌电信号处理方法和装置、数据处理设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109846481B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110946577A (zh) * | 2019-12-03 | 2020-04-03 | 南京航空航天大学 | 一种采集手臂肌电信号的柔性电路板装置 |
CN114403904B (zh) * | 2021-12-31 | 2023-01-13 | 北京津发科技股份有限公司 | 基于肌电信号与肌肉血氧饱和度确定肌肉状态的装置 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100493453C (zh) * | 2007-01-23 | 2009-06-03 | 武汉理工大学 | 基于驾驶模拟器的驾驶员疲劳状态分析实验系统 |
CA2698078A1 (en) * | 2010-03-26 | 2011-09-26 | Applied Technology Holdings, Inc. | Apparatus, systems and methods for gathering and processing biometric and biomechanical data |
CN102722643A (zh) * | 2012-05-28 | 2012-10-10 | 天津大学 | 用于下肢肌电假肢控制的多信息融合运动模式识别方法 |
KR101947676B1 (ko) * | 2012-10-29 | 2019-02-13 | 삼성전자주식회사 | 생체 신호를 측정하는 장치 및 방법 |
US20140276238A1 (en) * | 2013-03-15 | 2014-09-18 | Ivan Osorio | Method, system and apparatus for fall detection |
CN103751898A (zh) * | 2014-01-10 | 2014-04-30 | 天津大学 | 基于双耳差频的警觉度快速提高方法及装置 |
CN103784125B (zh) * | 2014-02-19 | 2015-08-05 | 北京神州津发科技有限公司 | 用于生理参数监测的一对多无线数据采集通讯方法 |
WO2016149832A1 (en) * | 2015-03-26 | 2016-09-29 | GestureLogic Inc. | Systems, methods and devices for exercise and activity metric computation |
KR102436726B1 (ko) * | 2015-06-15 | 2022-08-26 | 삼성전자주식회사 | 생리학적 노화 수준을 평가하는 방법 및 장치 |
CN105411565B (zh) * | 2015-11-20 | 2018-12-04 | 北京理工大学 | 基于广义尺度小波熵的心率变异性特征分类方法 |
CN107280667A (zh) * | 2016-03-31 | 2017-10-24 | 北京航空航天大学 | 一种带有加速度传感器的无线表面肌电采集系统 |
CN106371610B (zh) * | 2016-09-23 | 2020-06-09 | 重庆金瓯科技发展有限责任公司 | 一种基于脑电信号的驾驶疲劳的检测方法 |
CN106618560B (zh) * | 2016-12-23 | 2021-02-09 | 北京怡和嘉业医疗科技股份有限公司 | 脑电波信号的处理方法和装置 |
CN107193374B (zh) * | 2017-05-17 | 2020-04-03 | 中国兵器工业计算机应用技术研究所 | 一种主动故意手势动作的检测装置及检测方法 |
CN107832686A (zh) * | 2017-10-26 | 2018-03-23 | 杭州电子科技大学 | 融合表面肌电和加速度信号的下肢运动模式识别方法 |
CN108814597B (zh) * | 2018-04-16 | 2021-09-07 | 深圳睿瀚医疗科技有限公司 | 一种基于运动信息与肌电交互的康复训练评测方法及系统 |
CN109009160A (zh) * | 2018-09-03 | 2018-12-18 | 中山大学深圳研究院 | 一种基于反射式血氧测量方法 |
-
2018
- 2018-12-25 CN CN201811595195.3A patent/CN109846481B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109846481A (zh) | 2019-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cifrek et al. | Surface EMG based muscle fatigue evaluation in biomechanics | |
CN109846481B (zh) | 表面肌电信号处理方法和装置、数据处理设备和存储介质 | |
Hou et al. | A real-time QRS detection method based on phase portraits and box-scoring calculation | |
US9402579B2 (en) | Real-time assessment of absolute muscle effort during open and closed chain activities | |
WO2016149751A1 (en) | Muscle activity monitoring | |
CN103919548B (zh) | 一种吞咽肌障碍的检测装置及设备 | |
Andrade et al. | The application of the Hilbert spectrum to the analysis of electromyographic signals | |
CN107530015B (zh) | 一种生命体征分析方法与系统 | |
CN109446972B (zh) | 基于肌电信号的步态识别模型建立方法、识别方法及装置 | |
CN107822629B (zh) | 四肢表面肌电轴的检测方法 | |
CN109864740B (zh) | 一种运动状态的表面肌电信号采集传感器和设备 | |
Talebinejad et al. | Fractal analysis of surface electromyography signals: a novel power spectrum-based method | |
Abdelouahad et al. | Time and frequency parameters of sEMG signal—Force relationship | |
US20070118044A1 (en) | Method and device for identifying; measuring and analyzing abnormal neurological responses | |
CN107320097A (zh) | 利用肌电信号边际谱熵提取肌肉疲劳特征的方法和装置 | |
Örücü et al. | Design and validation of multichannel wireless wearable SEMG system for real-time training performance monitoring | |
CN107427261B (zh) | 用于深层脑刺激手术的手腕强直评估设备 | |
Popović-Maneski et al. | Properties of different types of dry electrodes for wearable smart monitoring devices | |
Amorim et al. | Application of surface electromyography in the dynamics of human movement | |
US10512434B2 (en) | Brain activity measurement device, program, and method | |
Plesnik et al. | ECG signal acquisition and analysis for telemonitoring | |
CN110946562B (zh) | 基于Micro:bit微处理器的生理电信号测量分析方法及系统 | |
CN114550932A (zh) | 一种睡眠呼吸暂停风险评估方法、装置、设备及存储介质 | |
CN114271830A (zh) | 一种心电信号检测方法及系统 | |
WO2004066832A2 (en) | System and method of processing electromyographic signals for the diagnosis of parkinson’s disease |
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 |