CN110151176A - 一种基于肌电信号的上肢肘关节连续运动估计方法 - Google Patents
一种基于肌电信号的上肢肘关节连续运动估计方法 Download PDFInfo
- Publication number
- CN110151176A CN110151176A CN201910285635.3A CN201910285635A CN110151176A CN 110151176 A CN110151176 A CN 110151176A CN 201910285635 A CN201910285635 A CN 201910285635A CN 110151176 A CN110151176 A CN 110151176A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- signal
- function
- elbow joint
- electromyography signal
- 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
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及到一种基于肌电信号的上肢肘关节连续运动估计方法。首先采集人体下肢肘关节在慢速、快速运动模式下肱二头肌、肱三头肌、肱桡肌、肱肌的肌电信号和实时角度,对其进行去噪后利用小波变换将其分解为32尺度,再利用小波系数计算小波相干系数,再将不同肌肉组合的32级小波相干系数作为特征向量输入到最小二乘支持向量机中,最终使用最小二乘支持向量机分类器,利用小波相干系数特征,高精度的估计了上肢肘关节的连续运动。通过表面肌电信号进行连续运动变量的预测,以实现对康复医疗机器人的平滑柔顺控制,具有十分重大的研究意义。
Description
技术领域
本发明属于信号处理及模式识别领域,涉及一种肌电信号模式识别方法,特别涉及一种基于肌电信号的上肢肘关节连续运动的估计方法。
背景技术
人机交互技术是现今比较热门的前沿科学技术,表面肌电信号(surfaceElectromyography,sEMG)是人机交互的输入信号源。表面肌电信号是一种非平稳的微弱信号,是肌肉兴奋时与其相关的运动单元共同产生的一组动作电位序列在皮肤表面叠加而成的,它的特征区分明显,蕴含的信息丰富,且采集简单,无创伤,成为目前人机交互技术中热门的研究领域。
对于表面肌电信号的研究主要集中在特征提取和模式识别这两个过程。相应的研究成果也已经比较成熟,可以识别多个离散的动作类别。但在康复医疗机器人等领域更多时候需要的是对患者连续运动变量的预测,以实现对康复机器人的平滑柔顺控制,否则容易引起患者的二次损伤而无法达到康复效果。传统方法是对信号消噪滤波后提取幅值绝对值、均方根等特征,并用BP神经网络建立sEMG与相关的连续运动关节变量之间的回归模型。Tanvir Anwar等人用自适应神经模糊推理系统预测模型,提取均方根特征,以trimf为隶属函数实现了对膝关节较好的预测结果。Nikhil等人用均方根作为特征,用并行神经网络算法预测手指节角轨迹,预测精度较高,与BP神经网络预测算法相比运算时间短且预测误差较小。
小波变换在表面肌电信号处理中有着广泛的应用,它将表面肌电信号分解成许多包含精确信息的子带。而对时频空间中两种目标信号之间的关系进行相干性分析,也是数字信号分析特别是小波变换中常用的方法。Ryotaro Imoto等人运用肌电信号小波相干分析研究了主动肌与拮抗肌的协调运动机制,得出了稳定条件下比不稳定条件有更高相关性的结论。通常,小波相干性可以用来分析非平稳随机信号,如肌电信号和脑电信号。表面肌电信号的相干性可以提供一种皮层肌肉耦合信息。目前基于表面肌电信号小波相干的关节连续运动估计研究较少,有较为广阔的研究空间。
发明内容
为了发明一种稳定且精度高的关节连续运动估计方法,提出了一种基于相干性分析的特征提取方法,可以有效提取表面肌电信号的特征。首先采集相关肌肉的肌电信号,对其进行去噪后利用小波变换将其分解为32尺度,再利用小波系数计算小波相干系数,再将不同肌肉组合的32级小波相干系数作为特征向量输入到最小二乘支持向量机中,最终使用最小二乘支持向量机分类器,利用小波相干系数特征,成功估计了上肢肘关节的连续运动。
为了实现以上目的,本发明方法主要包括以下步骤:
步骤一,获取肘关节连续运动的肌电信号和实时角度数据,即通过肌电采集设备采集人体肘关节运动时相关肌肉的肌电信号,然后对其进行带通滤波处理;
步骤二,对滤波处理后的肌电信号进行小波变换;
Wx(a,b)是小波系数,x(t)是分析信号,ψ(t)是母小波函数,a是索引位置,b是尺度,t是局部时间原点;
其中使用的小波函数是Morlet小波函数,公式如下:
是Morlet小波函数,p是频率参数,σ是控制小波衰减的参数;
步骤三,计算小波相干系数;
首先定义两个sEMG信号时间序列的交叉小波变换:
Wx(a,b)和Wy(a,b)是连续变换,*表示共轭复数;
小波相干系数给出如下:
|Wxy(a,b)|是交叉小波变换,S(W)是平滑函数;
步骤四,将提取到的小波相干系数特征输入到最小二乘支持向量机回归模型中,得到最终预测结果;最小二乘支持向量机回归模型:
其中L是训练样本指数,ω是训练样本的权向量,e是误差,c是偏置量,γ是惩罚因子,函数的作用是把低维数据映射到高维数据;上述表达式的具体推导如下:
最终得到如下结果:
其中K(x,xk)是核函数,c是偏置量。
本发明设计的基于肌电信号的关节连续运动估计方法,具有如下特点:
本发明所使用的小波相干性在特征提取方面具有很大程度的有效性,且本发明提出的新特征提取算法,即对肌电信号使用小波变换将其分解为32尺度,利用小波系数计算小波相干系数,再将不同肌肉组合的32级小波相干系数作为特征向量的方法,对于关节连续运动估计具有较高的稳定性和准确性。
使用的最小二乘支持向量机回归模型相比传统的预测模型有明显的优势,具有更好的预测效果。相比于传统的预测方法,本发明在估计精度、实时性、动态特性、平滑性和鲁棒性等方面都有一定程度的改进。
附图说明
图1为本发明的实施流程图;
图2为本发明采集的四路肌电信号和实时角度图;
图3为最终的预测模型效果图。
具体实施方式
如图1所示,本实施例包括如下步骤:
步骤一,获取上肢肘关节连续运动的肌电信号和实时角度数据,具体是:通过DELSYS Trigno Wireless System肌电采集设备采集人体上肢四路肌肉的肌电信号,分别是肱二头肌,肱三头肌,肱桡肌,肱肌,然后对其进行带通滤波处理。同时通过Codamotion系统采集关节的实时角度。具体的实验动作为10名实验者坐在椅子上,10秒内分别在有负重和无负重情况下完成4个、6个屈伸动作,采集到的肌电信号和实时角度如图2所示。
步骤二,对滤波处理后的肌电信号进行小波变换。
Wx(a,b)是小波系数,x(t)是分析信号,ψ(t)是母小波函数,a是小波尺度,t是局部时间原点。
本发明使用的小波函数是Morlet小波函数,公式如下:
是Morlet小波函数,p是频率参数,本文为6,σ是控制小波衰减的参数。
步骤三,计算小波相干系数。
首先定义两个sEMG信号时间序列的交叉小波变换:
Wx(a,b)和Wy(a,b)是连续变换,*表示共轭复数;
小波相干系数给出如下:
|Wxy(a,b)|是交叉小波变换,S(W)是平滑函数;
步骤四,将提取到的小波相干系数特征输入到最小二乘支持向量机回归模型,得到最终预测效果如图3所示。最小二乘支持向量机回归模型:
其中L是训练样本指数,ω是训练样本的权向量,e是误差,c是偏置量,γ是惩罚因子,函数的作用是把低维数据映射到高维数据;上述表达式的具体推导如下:
最终得到如下结果:
本实例核函数采用径向基函数,最终表达式如下:
K(x,xk)=exp(||x-xk||2/2σ2)。
Claims (1)
1.一种基于肌电信号的上肢肘关节连续运动估计方法,其特征在于该方法包括如下步骤:
步骤一,获取肘关节连续运动的肌电信号和实时角度数据,即通过肌电采集设备采集人体肘关节运动时相关肌肉的肌电信号,然后对其进行带通滤波处理;
步骤二,对滤波处理后的肌电信号进行小波变换;
Wx(a,b)是小波系数,x(t)是分析信号,ψ(t)是母小波函数,a是小波尺度,t是局部时间原点。
其中使用的小波函数是Morlet小波函数,公式如下:
是Morlet小波函数,p是频率参数,σ是控制小波衰减的参数;
步骤三,计算小波相干系数;
首先定义两个sEMG信号时间序列的交叉小波变换:
Wx(a,b)和Wy(a,b)是连续变换,*表示共轭复数;
小波相干系数给出如下:
|Wxy(a,b)|是交叉小波变换,S(W)是平滑函数;
步骤四,将提取到的小波相干系数特征输入到最小二乘支持向量机回归模型中,得到最终预测结果;最小二乘支持向量机回归模型:
其中L是训练样本指数,ω是训练样本的权向量,e是误差,c是偏置量,γ是惩罚因子,函数的作用是把低维数据映射到高维数据;上述表达式的具体推导如下:
最终得到如下结果:
其中K(x,xk)是核函数,c是偏置量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910285635.3A CN110151176A (zh) | 2019-04-10 | 2019-04-10 | 一种基于肌电信号的上肢肘关节连续运动估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910285635.3A CN110151176A (zh) | 2019-04-10 | 2019-04-10 | 一种基于肌电信号的上肢肘关节连续运动估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110151176A true CN110151176A (zh) | 2019-08-23 |
Family
ID=67638556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910285635.3A Pending CN110151176A (zh) | 2019-04-10 | 2019-04-10 | 一种基于肌电信号的上肢肘关节连续运动估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110151176A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111258426A (zh) * | 2020-01-17 | 2020-06-09 | 杭州电子科技大学 | 基于肌电肌音模型和无迹粒子滤波的关节运动估计方法 |
CN114159080A (zh) * | 2021-12-07 | 2022-03-11 | 东莞理工学院 | 上肢康复机器人运动意图识别模型训练、识别方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2761192A1 (en) * | 2010-12-08 | 2012-06-08 | Schlumberger Canada Limited | Filtering acoustic waveforms in downhole environments |
JP2016063995A (ja) * | 2014-09-25 | 2016-04-28 | 国立大学法人九州工業大学 | 筋組織系及び神経系の活動量及び活動効率の評価システム及び評価方法並びにそのプログラム |
CN107997741A (zh) * | 2018-01-08 | 2018-05-08 | 北京大学 | 一种胎心率和宫缩信号的耦合分析方法 |
CN109567798A (zh) * | 2018-12-26 | 2019-04-05 | 杭州电子科技大学 | 基于肌电小波相干性和支持向量机的日常行为识别方法 |
CN109567799A (zh) * | 2018-12-26 | 2019-04-05 | 杭州电子科技大学 | 基于平滑小波相干性的肌电信号特征提取方法 |
-
2019
- 2019-04-10 CN CN201910285635.3A patent/CN110151176A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2761192A1 (en) * | 2010-12-08 | 2012-06-08 | Schlumberger Canada Limited | Filtering acoustic waveforms in downhole environments |
JP2016063995A (ja) * | 2014-09-25 | 2016-04-28 | 国立大学法人九州工業大学 | 筋組織系及び神経系の活動量及び活動効率の評価システム及び評価方法並びにそのプログラム |
CN107997741A (zh) * | 2018-01-08 | 2018-05-08 | 北京大学 | 一种胎心率和宫缩信号的耦合分析方法 |
CN109567798A (zh) * | 2018-12-26 | 2019-04-05 | 杭州电子科技大学 | 基于肌电小波相干性和支持向量机的日常行为识别方法 |
CN109567799A (zh) * | 2018-12-26 | 2019-04-05 | 杭州电子科技大学 | 基于平滑小波相干性的肌电信号特征提取方法 |
Non-Patent Citations (5)
Title |
---|
DMYTROIATSENKO等: "Linear and synchrosqueezed time–frequency representations revisited: Overview, standards of use, resolution, reconstruction, concentration, and algorithms", 《DIGITAL SIGNAL PROCESSING》 * |
HUA YI等: "The improvement of the Morlet wavelet for multi-period analysis of climate data", 《COMPTES RENDUS GEOSCIENCE》 * |
JOHN ASHMEAD: "Morlet Wavelets in Quantum Mechanics", 《QUANTA》 * |
Q. L. LI等: "Estimation of Lower Limb Periodic Motions from sEMG Using Least Squares Support Vector Regression", 《NEURAL PROCESSING LETTERS》 * |
RYOTARO IMOTO等: "Preliminaly Study on Coordinated Movement Mechanism of Multiple Muscle Using Wavelet Coherence Analysis", 《2016 5TH IIAI INTERNATIONAL CONGRESS ON ADVANCED APPLIED INFORMATICS》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111258426A (zh) * | 2020-01-17 | 2020-06-09 | 杭州电子科技大学 | 基于肌电肌音模型和无迹粒子滤波的关节运动估计方法 |
CN111258426B (zh) * | 2020-01-17 | 2023-03-21 | 杭州电子科技大学 | 基于肌电肌音模型和无迹粒子滤波的关节运动估计方法 |
CN114159080A (zh) * | 2021-12-07 | 2022-03-11 | 东莞理工学院 | 上肢康复机器人运动意图识别模型训练、识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Narayan | Comparative analysis of SVM and Naive Bayes classifier for the SEMG signal classification | |
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 | |
CN102961203B (zh) | 基于emd样本熵的表面肌电信号识别方法 | |
CN107273798A (zh) | 一种基于表面肌电信号的手势识别方法 | |
CN109498370B (zh) | 基于肌电小波关联维的下肢关节角度预测方法 | |
CN106067178A (zh) | 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 | |
Manimegalai | Hand gesture recognition based on EMG signals using ANN | |
Ahsan et al. | Hand motion detection from EMG signals by using ANN based classifier for human computer interaction | |
Phinyomark et al. | Wavelet-based denoising algorithm for robust EMG pattern recognition | |
CN109657651A (zh) | 一种基于肌电信号的下肢膝关节连续运动估计方法 | |
Baspinar et al. | Performance comparison of artificial neural network and Gaussian mixture model in classifying hand motions by using sEMG signals | |
CN109567799A (zh) | 基于平滑小波相干性的肌电信号特征提取方法 | |
Wei et al. | Motor imagery EEG signal classification based on deep transfer learning | |
CN110151176A (zh) | 一种基于肌电信号的上肢肘关节连续运动估计方法 | |
Li et al. | Wireless sEMG-based identification in a virtual reality environment | |
Zhang et al. | A novel HD-sEMG preprocessing method integrating muscle activation heterogeneity analysis and kurtosis-guided filtering for high-accuracy joint force estimation | |
CN109567798A (zh) | 基于肌电小波相干性和支持向量机的日常行为识别方法 | |
Too et al. | Exploring the relation between EMG pattern recognition and sampling rate using spectrogram | |
CN109645995A (zh) | 基于肌电模型和无迹卡尔曼滤波的关节运动估计方法 | |
Vigneshwari et al. | Analysis of finger movements using EEG signal | |
Sueaseenak et al. | An accurate forearm EMG signal classification method using two‐channel electrode | |
Ai et al. | Gestures recognition based on wavelet and LLE | |
Yu et al. | Classification of nine directions using the maximum likelihood estimation based on electromyogram of both forearms | |
Mousavi et al. | Hand movement detection using empirical mode decomposition and higher order spectra | |
Sburlea et al. | Predicting EMG envelopes of grasping movements from EEG recordings using unscented kalman filtering |
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: 20190823 |
|
RJ01 | Rejection of invention patent application after publication |