CN110232976B - 一种基于腰肩表面肌电测量的行为识别方法 - Google Patents

一种基于腰肩表面肌电测量的行为识别方法 Download PDF

Info

Publication number
CN110232976B
CN110232976B CN201910585638.9A CN201910585638A CN110232976B CN 110232976 B CN110232976 B CN 110232976B CN 201910585638 A CN201910585638 A CN 201910585638A CN 110232976 B CN110232976 B CN 110232976B
Authority
CN
China
Prior art keywords
recognition
curve
muscle
preset
motion
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
Application number
CN201910585638.9A
Other languages
English (en)
Other versions
CN110232976A (zh
Inventor
王�琦
禹圣奡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Dianji University
Original Assignee
Shanghai Dianji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Dianji University filed Critical Shanghai Dianji University
Priority to CN201910585638.9A priority Critical patent/CN110232976B/zh
Publication of CN110232976A publication Critical patent/CN110232976A/zh
Application granted granted Critical
Publication of CN110232976B publication Critical patent/CN110232976B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (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

一种基于腰肩表面肌电测量的行为识别方法，该方法是将运动过程划分为时间段，在时间段内设置识别码，将识别码与预置值对比判断是否符合预设曲线所描述的动作以实现信号识别，该识别方法是利用多生理信号采集系统实现的；该识别方法在动作自由度受限的前提下，可以不用动作捕捉就识别出人的行为，不需要主观注意和操作，延时不长，不占空间，可实现对发力倾向的监测，在对可靠性要求不很高、互动行为频繁的驾驶、娱乐互动、公共健康监测等领域提供信号输出，应用前景广阔，不只是识别出动作，病变者的发力方式也会变化；该方法可用于监测人体病变、评估劳动风险，具有可观的实用价值和经济潜力。

Description

一种基于腰肩表面肌电测量的行为识别方法
技术领域
本发明涉及人机工程学和信号采集相交叉的领域，尤其是一种基于腰肩表面肌电测量的行为识别方法。
背景技术
对肌肉电的测量是监测人体信号的重要手段，在实验室环境下较为可靠，广泛应用于医疗、人机学研究等方面，通过肌电传感器检测肌肉电波振幅和频率。对于肌电的研究相当成熟，但肌电本身信号识别可靠性差，不同对象间差别很大，对肌肉及关节负荷的软件模拟主要是基于逆向动力学的筋骨假人的计算，在动作幅度大和重载时计算较为准确，但在动作不明显时难以对内部发力有效识别。
目前的肌电信号识别存在许多不足之处：肌电测量的准备工作需要步骤多，肌肉发力机制复杂，贴身测量可能涉及伦理问题，测量得到的信号波振幅稳定性差、易受心电和体表的脂肪(ECG)和皮肤伸缩干扰，其运用于控制系统的先例较少；不易运用于对可靠性要求高的自动控制领域，以及劳动工况和娱乐场景，针对肌电反馈信号进行控制的研究主要集中于假肢控制和人体辅助方面，这类场景人机接触界面稳定在小局部，采集难度小，鲜有利用对腰背部肌肉信号的识别来控制设备，主要是缺少合适且商业价值大的研究场景。
人的肢体信号输出能力方面的受限于手脚口，常令观众的互动能力和效率受限制，不能自由按照实景需求和互动需求切换；人机互动需要人体知觉和输出控制的时间，会降低人机交互效率；人利用手口脚输出信号需要注意力，影响思考，不能利用下意识行为帮助控制；利用主观意识实现控制，会导致操作互动的大脑负荷大，导致紧张易累，舒适度不足，因而需要重新设计一种肌电测量的行为识别方法。
本发明就是为了解决以上问题而进行的改进。
发明内容
本发明需要解决的技术问题是提供一种采集方式对环境和注意力要求低，通用性更好，兼容性好，可靠性高的基于腰肩表面肌电测量的行为识别方法。
本发明为解决其技术问题所采用的技术方案是：
一种基于腰肩表面肌电测量的行为识别方法，该方法是将运动过程划分为时间段，在时间段内设置识别码，将识别码与预置值对比判断是否符合预设曲线所描述的动作以实现信号识别，该识别方法是利用多生理信号采集系统实现的，生理信号采集系统包含Cortex同步平台，其输入端包括动作捕捉系统和肌电采集系统，输入的信号各自完成模数转换后，在Cortex软件平台实现同步以及初步的数据处理，再通过转接器和放大器实现数字信号输出，进入识别和编译环节，其实施步骤为：
S1、准备，动作捕捉与肌电测量同步输出结果，绘制肌肉在规定运动中的标准曲线和反映实时状态的筋骨假人，利用Cortex同步平台对动作捕捉的输出结果进行平滑处理；
S2、测量，完成自主收缩的测量，采集标准肌肉曲线信号，形成预设曲线，建立任务数据库；
S3、判别过程，通过与预设曲线对比，进行相关分析来判别是不是预设动作；
S4、识别结果，通过步骤S3实现信号识别；
所述步骤S3能同步加入传感器信号，所述在步骤S2中，提取标准肌肉曲线信号组成识别码；
进一步的，在步骤S1中，实地场景下得到的肌电信号将与标准曲线对比，利用SPSS(V19)进行Spearman相关性分析，如发现16个时间步骤的大部分秩相关，则认为符合识别条件，则系统可识别相应动作，如不相关，则判断是否发生拮抗力剧增的情况，必要时采用聚类分析给腰部主要肌群发力曲线进行聚类。把腰部主要肌群聚类分组结果、腰部和肩部主要肌群发力曲线按导数符号分组结果，都作为识别自变量；
具体的，所述平滑处理包括对动作捕捉的输出结果进行的去噪、去杂波以及去除包络线跳点的处理；
其中，所述筋骨假人由KineAnalyser软件根据反光点轨迹自动生成。
工作原理为：针对人体主要动作，同时提取多处肌肉信号，组成特定识别码，识别码与预定值对比，根据阈值和预置逻辑进行识别。
本发明的优点在于：该识别方法在动作自由度受限的前提下，可以不用动作捕捉就识别出人的行为，不需要主观注意和操作，延时不长，不占空间，可实现对发力倾向的监测，在对可靠性要求不很高、互动行为频繁的驾驶、娱乐互动、公共健康监测等领域提供信号输出，应用前景广阔，不只是识别出动作，病变者的发力方式也会变化；该方法可用于监测人体病变、评估劳动风险，具有可观的实用价值和经济潜力。
附图说明
图1是本发明提出的一种基于腰肩表面肌电测量的行为识别方法中运动过程划分为时间段的曲线图。
图2是本发明提出的一种基于腰肩表面肌电测量的行为识别方法中Lon—R—E右最长肌实测值和Ilio—R—E右髂肋肌实测值的曲线图。
图3是本发明提出的一种基于腰肩表面肌电测量的行为识别方法中腰部肌肉在放松单次弯腰中的发力百分比曲线图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合图示与具体实施例，进一步阐述本发明。
参照图1至图3所示，该基于腰肩表面肌电测量的行为识别方法必须同时采集多个腰肩部人体肌肉电信号，有时结合陀螺仪类人体角传感器，把整个运动过程按照重心高度轨迹或特定身体部位行为轨迹划分为若干时间段，测量肌肉发力曲线，对这种曲线进行聚类，在每个类的段内，提取一组肌肉发力波包络线的导数，作为识别码，连续的多段识别码与预置值对比，如果发现相关性高，则符合预设曲线所描述的动作，实现信号识别；
该方法利用Cortex和Kinanalyser系统，采集处理特定动作的肌电数据曲线，与具体肌肉的预设变化曲线进行秩相关性对比、判断、波形整理、波段选取后，放大输出实现控制。利用躯干肌肉的活跃度信号曲线，来控制人、手柄、环境，以识别弯腰—伸手操作—伸腰这一过程为例，其实施步骤为：
S1、准备，利用多生理信号采集系统包含Cortex同步平台，其输入端包括动作捕捉系统和肌电采集系统，输入的信号各自完成模数转换后，在Cortex软件平台实现同步以及初步的数据处理，再通过转接器和放大器实现数字信号输出，进入识别和编译环节；
动作捕捉与肌电测量同步输出结果，绘制肌肉在规定运动中的标准曲线和反映实时状态的筋骨假人；
在实地场景下得到的肌电信号将与标准曲线对比，利用SPSS(V19)进行Spearman相关性分析，如发现16个时间步骤的大部分秩相关，则认为符合识别条件，则系统可识别相应动作；
如不相关，则判断是否发生拮抗力剧增的情况，必要时采用聚类分析给腰部主要肌群发力曲线进行聚类。把腰部主要肌群聚类分组结果、腰部和肩部主要肌群发力曲线按导数符号分组结果，都作为识别自变量。
S2、测量，实现判别标准的建立，采集标准肌肉曲线信号，形成预设曲线，建立任务数据库；
S3、判别过程，通过与预设曲线对比，进行相关分析来判别是不是预设动作；
S4、识别结果，通过步骤S3实现信号识别；
所述步骤S3能同步加入传感器信号，所述在步骤S2中，提取标准肌肉曲线信号组成识别码；
进一步的，在步骤S1中，实地场景下得到的肌电信号将与标准曲线对比，利用SPSS(V19)进行Spearman相关性分析，如发现16个时间步骤的大部分秩相关，则认为符合识别条件，则系统可识别相应动作，如不相关，则判断是否发生拮抗力剧增的情况，必要时采用聚类分析给腰部主要肌群发力曲线进行聚类。把腰部主要肌群聚类分组结果、腰部和肩部主要肌群发力曲线按导数符号分组结果，都作为识别自变量；
具体的，所述平滑处理包括对动作捕捉的输出结果进行的去噪、去杂波以及去除包络线跳点的处理；
其中，所述筋骨假人由KineAnalyser软件根据反光点轨迹自动生成，近侧指间关节(PIP)和重心的高度方向运动轨迹形态如图，对波形的预先划分。每次从身体开始运动，到减速接近目标,躯干加速度的正负拐点被运动捕捉系统记录下来,人体重心位置变化反映出良好的重复性，每个循环触碰目标3次，每次都经过6个速度曲线拐点，由1个重心最低点加6个速度曲线拐点，将每个工作周期的表面肌电数据曲线分为8个步骤。然后将8个步骤都均匀分为2个部分。按照这个时间划分法把每循环的最长肌肌电曲线被分为16段。相应的将人体模型的动态弯伸过程也简化为16段，如图1所示，每段称为1个时间步骤，把重心的高度-时间曲线作为划分时间步骤的曲线。
在步骤S2中，弯腰伸单手任务中，选取的主要肌肉包括最长肌、髂肋肌和三角肌，功能分别是两侧伸腰、身体旋转和单臂上抬。
每个实验者在操作实验前俯卧，上身伸出悬于床外，下身固定，上身由辅助者从侧边方向向下控制住，实验者后背尽力向后发力，每次控制实现前，需要先完成最大自主收缩(MVC)测量步骤，听到提示音后发力10秒，选RMS值最大的连续3秒，计算RMS的3秒内均值。整个过程有间隔的重复三次后计算MVC均值。
在模拟-数字(A/D)转换之前，数字全波整流SEMG信号被限制在30至500赫兹(带通滤波器)。
对一个周期内的每个被测肌肉(共5个)的标准化肌电信号的16个时间段，利用Spss(V19)软件来分类，计算散点间Euclidean距离，把腰部肌肉曲线的16段数据聚类，分为5-7组。斜方肌曲线部局类，直接利用各段曲线导数方向判别。
在多次实验室测量中，如果某个被测肌肉曲线在某个时间步骤的结果都一致，则列入所属类，相反如果一致性不佳，则列为“不确定”，该段无法识别。
不确定的原因包括：手部操作对腰部放松效应的打断作用；主观意愿会带来拮抗作用，比如主观上要进行躯干平衡调整，或瞬时平衡感缺失，以及手部的精确操作，都可能引起拮抗肌发力剧增，导致所在时间步骤的结果不确定。
识别下腰过程信号共8组，由三类识别变量组合而成。第4、5、6组信号包括不确定的向量，其确认信息需要采集其他类别同步信号，比如手部触发开关或空间角传感器，则极大减小误判发生可能性，信号识别逻辑设计如表1所示，表1中以一组男青年的非对称，伸右手同时弯腰的任务为例，建立了一个标准曲线，曲线被分类为5组。
Figure BDA0002114322830000071
表1非对称弯腰时的聚类分组与识别信号
以上过程用于采集标准肌肉曲线信号，这只是识别特定动作的前提，要是别多少类动作，就要重复以上实验多少次，并建立相应任务数据库。
在步骤S3中，首先需一定程度上限制身体自由度，否则四肢和驱赶的任意类型偏离预设标准都可能导致识别不准。需提前穿戴好(1)右斜方肌电极头(2)左最长肌电极头、(3)右最长肌电极头、(4)右髂肋肌肌电信号采集器、(5)左髂肋肌肌电信号采集器。附近需要有肌电信号天线。如能同步加入角传感器会增加识别精度。
使用者的意图不同、手臂动作不同、是否有停顿或精确操作都会造成信号的很大变化，因此越多的信号通道仪器测量，就有准确的判别，这里的通道不仅指肌电，叫传感器等信号也可同步加入。
腰部发力曲线随任务变化非常敏感，如果没有手部活动，则放松的弯腰曲线图如图3所示。
信号同步后，传输到信息处理终端。利用所测5条曲线的16个时间段的秩相关性，与通过之前实验得到的预设曲线对比，进行相关分析，如果显著性系数小于0.05，且相关系数大于0.5，则判别动作为预设动作，否则进一步判别各聚类组中是否相关，比如判别步骤4-8中，曲线是否与预设相关，如仍不相关则判别不是预设动作；如各主要组内秩相关，则判别是预设动作。
该方法具有如下特点：
1).采集方式对环境和注意力要求低，通用性更好。
肌电信号具有及时和灵敏的特点，可以来源于主观驱动发力，也可来源于下意识和本能反应,对专注力要求低,反应及时,便于应用，可用于心智能力弱者的辅助。不占用手眼耳等主要感觉器官，增加人体操作能力，与原来操作兼容性好，不易受声光干扰，不需要较大空间。输出肌肉活跃度曲线是连续的,可实现柔和微妙的人机力学互动。可实现用躯干控制大腿等邻近部位,可用于肢体不全者辅助和病理学研究。
2).兼容性好，可靠性高
主要采集的人体肌肉信号包括：背部的竖脊肌群的表面部分(两侧最长肌的腰部部位和髂肋肌)和肩部位的斜方肌，较容易采集、受干扰少，不影响隐私部位，其行为规律复杂且不易通过外在动作判断，传统方式对单个部位的测量很容易受主观原因和干扰而波动，但利用本方法，监测5个部位的信号组合的相对值，其识别可靠性相对较高。
这种分组分段的方式，不是通过识别波形或标准化的(也就是转换为肌肉发力百分比的)的均方根(RMS)来识别发力大小，对信号绝对值不敏感，但对曲线包络线的相对走势敏感，解决了肌电信号绝对值差异大的问题，也解决了每次实验前需要测肌肉最大自主收缩(MVC)的问题。因为只看秩相关性，也就不需要标准化成百分比了。
测量过程中，电极头脱落也不需要重复MVC步骤，只需清理体表重新贴回电极头，重复测量即可，这是本方法通过秩相关性测量判别的重要优势，大大简化过程，提高通用性，减小了使用难度。
该信号识别方法是基于各肌肉肌电曲线分别与其预设曲线的秩相关性判别，通过查看各条曲线的形态趋势，对绝对值甚至其振幅数量不敏感，解决了肌电测量每次贴片后绝对值差异较大的问题，也解决了每次脱落一个贴片就要重做MVC步骤的问题，这一步骤需要专业人员辅助且需要受试者全力发力，可能导致受伤。只需清理体表重新贴回电极头，重复测量即可，大大简化过程，提高通用性；有选择地利用一组肌肉和身体角度的变化代替完整的运动轨迹和肌电监控设备，可以避免使用专用场地和大型设备的问题，也不用做三位捕捉所需场地预设步骤；采用分段和聚类相结合的方式，可以对预知可能出现信号不稳定的位置(比如图2中步骤9)进行选择性忽略，对稳定明显不易受到干扰的段进行比对，提高采集准确性；选择性的对部分肌肉和活动进行采集，减少设备和场地，技术环节少，适应了更多应用场景；即使对单个任务，采集信号通道也可多可少，可加入角传感器和触摸开关，可根据需要选择系统的可靠性程度。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。

Claims (1)

1.一种基于腰肩表面肌电测量的行为识别方法，该方法是将运动过程划分为时间段，在时间段内设置识别码，将识别码与预置值对比判断是否符合预设曲线所描述的动作以实现信号识别，其特征在于：
该识别方法是利用多生理信号采集系统实现的，生理信号采集系统包含Cortex同步平台，其输入端包括动作捕捉系统和肌电采集系统，其实施步骤为：
S1、准备，动作捕捉与肌电测量同步输出结果，绘制肌肉在规定运动中的标准曲线和反映实时状态的筋骨假人，利用Cortex同步平台对动作捕捉的输出结果进行平滑处理；
S2、测量，完成自主收缩的测量，采集标准肌肉曲线信号，形成预设曲线，建立任务数据库；
S3、判别过程，通过与预设曲线对比，进行相关分析来判别是不是预设动作；
S4、识别结果，通过步骤S3实现信号识别；
所述步骤S3能同步加入传感器信号，在步骤S2中，提取标准肌肉曲线信号组成识别码；
在步骤S1中，实地场景下得到的肌电信号将与标准曲线对比，利用SPSS(V19)进行Spearman相关性分析；
所述平滑处理包括对动作捕捉的输出结果进行的去噪、去杂波以及去除包络线跳点的处理；
所述筋骨假人由KineAnalyser软件根据反光点轨迹自动生成。
CN201910585638.9A 2019-07-01 2019-07-01 一种基于腰肩表面肌电测量的行为识别方法 Active CN110232976B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910585638.9A CN110232976B (zh) 2019-07-01 2019-07-01 一种基于腰肩表面肌电测量的行为识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910585638.9A CN110232976B (zh) 2019-07-01 2019-07-01 一种基于腰肩表面肌电测量的行为识别方法

Publications (2)

Publication Number Publication Date
CN110232976A CN110232976A (zh) 2019-09-13
CN110232976B true CN110232976B (zh) 2023-05-02

Family

ID=67857489

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910585638.9A Active CN110232976B (zh) 2019-07-01 2019-07-01 一种基于腰肩表面肌电测量的行为识别方法

Country Status (1)

Country Link
CN (1) CN110232976B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106333688A (zh) * 2016-09-21 2017-01-18 北京机械设备研究所 一种踝关节动作的实时辨识方法
CN108814597A (zh) * 2018-04-16 2018-11-16 龚映清 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
CN108888265A (zh) * 2018-05-23 2018-11-27 四川斐讯信息技术有限公司 一种运动预警方法及装置
CN109222969A (zh) * 2018-10-31 2019-01-18 郑州大学 一种基于多传感器数据融合的可穿戴式人体上肢肌肉运动疲劳检测及训练系统

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103417218A (zh) * 2013-08-27 2013-12-04 中山大学附属第一医院 一种上肢运动的参数采集评估系统及方法
CN104107134B (zh) * 2013-12-10 2017-08-01 中山大学 基于肌电反馈的上肢训练方法及系统
KR101845323B1 (ko) * 2016-07-12 2018-04-04 주식회사 에이치에이치에스 근전도 센서를 이용한 운동 관리 방법 및 시스템
CN106295212A (zh) * 2016-08-18 2017-01-04 电子科技大学 一种基于多元经验模式分解的肌电信号同步处理方法
CN106388812B (zh) * 2016-09-21 2019-06-11 广州视源电子科技股份有限公司 清醒状态下的脑电信号数据类型的标注方法和系统
CN106420124B (zh) * 2016-10-10 2018-08-24 上海电机学院 一种肌电控制虚拟机器人假手仿真系统的方法
CN106781283B (zh) * 2016-12-29 2019-04-05 东北大学秦皇岛分校 一种基于软集合的疲劳驾驶检测方法
CN108209911B (zh) * 2017-05-25 2020-02-07 深圳市前海未来无限投资管理有限公司 一种肌电信号采集方法及装置
CN107357419B (zh) * 2017-06-13 2020-05-19 中国科学院深圳先进技术研究院 一种基于共同收缩率的动作识别系统及方法
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106333688A (zh) * 2016-09-21 2017-01-18 北京机械设备研究所 一种踝关节动作的实时辨识方法
CN108814597A (zh) * 2018-04-16 2018-11-16 龚映清 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
CN108888265A (zh) * 2018-05-23 2018-11-27 四川斐讯信息技术有限公司 一种运动预警方法及装置
CN109222969A (zh) * 2018-10-31 2019-01-18 郑州大学 一种基于多传感器数据融合的可穿戴式人体上肢肌肉运动疲劳检测及训练系统

Also Published As

Publication number Publication date
CN110232976A (zh) 2019-09-13

Similar Documents

Publication Publication Date Title
Palermo et al. Repeatability of grasp recognition for robotic hand prosthesis control based on sEMG data
Fang et al. A multichannel surface EMG system for hand motion recognition
CN109222969A (zh) 一种基于多传感器数据融合的可穿戴式人体上肢肌肉运动疲劳检测及训练系统
CN103793058B (zh) 一种主动式脑机交互系统运动想象任务分类方法及装置
WO2018094720A1 (zh) 基于临床脑电信号控制机械手运动的脑机接口系统及其应用
CN104382595A (zh) 基于肌电信号与虚拟现实交互技术的上肢康复系统及方法
Lange et al. Classification of electroencephalogram data from hand grasp and release movements for BCI controlled prosthesis
CN102499797B (zh) 假肢控制方法及系统
CN103777752A (zh) 基于手臂肌肉电流检测和运动传感器的手势识别设备
CN105181998B (zh) 一种检测投篮时手臂的semg与动作轨迹的方法
CN104107134A (zh) 基于肌电反馈的上肢训练方法及系统
CN107957783A (zh) 一种基于脑电与肌电信息的多模式智能控制系统及方法
He et al. Spatial information enhances myoelectric control performance with only two channels
CN105962935A (zh) 用于运动学习功能改善的脑电神经反馈训练系统及其方法
CN108985157A (zh) 一种手势识别方法和装置
CN104267807A (zh) 基于手部动作肌音信号的人机交互方法及交互系统
KR101307515B1 (ko) 생체 신호 인식 장치 및 그 방법
Rouillard et al. Hybrid BCI coupling EEG and EMG for severe motor disabilities
CN110232976B (zh) 一种基于腰肩表面肌电测量的行为识别方法
Patel et al. EMG-based human machine interface control
CN105686827B (zh) 一种基于微控制器的肌电信号处理及特征提取方法
KR20100056254A (ko) 손가락 힘 추정 방법 및 추정 장치, 손가락 힘 추정을 위한근육 판별 방법 및 근육 판별 장치
Lee et al. Towards the ambulatory assessment of movement quality in stroke survivors using a wrist-worn inertial sensor
CN106308771A (zh) 一种心电监测系统
Bandara et al. Differentiation of signals generated by eye blinks and mouth clenching in a portable brain computer interface system

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