CN110400619A - 一种基于表面肌电信号的手功能康复训练方法 - Google Patents
一种基于表面肌电信号的手功能康复训练方法 Download PDFInfo
- Publication number
- CN110400619A CN110400619A CN201910810901.XA CN201910810901A CN110400619A CN 110400619 A CN110400619 A CN 110400619A CN 201910810901 A CN201910810901 A CN 201910810901A CN 110400619 A CN110400619 A CN 110400619A
- Authority
- CN
- China
- Prior art keywords
- rehabilitation
- surface electromyogram
- electromyogram signal
- hand
- 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.)
- Granted
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]
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Physical Education & Sports Medicine (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种基于表面肌电信号的手功能康复训练方法。本方法采用的训练系统包括:Neuracle表面肌电信号采集模块、表面肌电信号在线分析模块和手工能康复训练模块,其中Neuracle表面肌电信号采集模块是通过Neuracle设备获取患者控制手前臂主动完成不同动作的表面肌电信号,然后通过TCP/IP通信协议传输该表面肌电信号至PC端公共缓存区;表面肌电信号在线分析模块对公共缓存区的表面肌电信号进行预处理,特征提取,分类之后,分析出表面肌电信号中的有效成分,并将其转换成控制命令,通过Qt特有的信号与槽机制传输给所述手工能康复训练模块;手工能康复训练模块接收到控制命令之后,根据预先选择好的康复模式进行康复训练。本发明提供了不同的康复动作与康复模式,让患者可以根据自身的情况主动进行有效的康复训练,且该方法具有用户主动参与和沉浸感强的特点,促进中枢神经的重塑,为手功能康复提供新的训练模式。
Description
技术领域
本发明针对中枢神经损伤引起的手功能障碍设计了一种基于表面肌电信号的手功能康复训练方法,该方法采用的训练系统包括Neuracle表面肌电信号采集模块,表面肌电信号在线分析模块和手工能康复训练模块三部分,能够对采集到的表面肌电信号显示、保存、在线识别,进行不同模式的康复训练并在Qt编写的GUI界面上显示结果。该方法具有用户主动参与和沉浸感强的特点,能夠促进中枢神经的重塑,为手功能康复提供新的训练模式。
背景技术
中枢神经损伤是致残率最高的疾病之一,其中脑卒中、小儿脑瘫和脑外伤为最常见的损伤原因。随着医疗卫生的发展,中枢神经损伤急性期的治疗已取得较大进展,但致残率却逐渐上升,目前已经成为致使患者上肢运动功能障碍的重要因素。患者的上肢功能受损后的临床表现为手部关节活动困难,丧失了运动感知反馈功能,致使患者不能完成抓握、对指等精细手部运动功功能,严重的甚至导致整个手臂运动功能的丧失。这不仅使患者生活质量低下、丧失劳动力,而且也给国家和家庭带来巨大负担。目前,中枢神经损伤临床常用的康复手段包括强制诱发运动作业治疗和机器辅助的运动作业治疗等,主要依赖治疗师与患者一对一进行康复训练的传统疗法来恢复患者简单的手部运动功能,有的会辅以康复器械。但是传统疗法训练时间长、见效慢、过程枯燥无味,难以调动患者的训练积极性,因此康复理疗的作用十分有限。
为了解决以上存在的问题,人们一直在寻求一种更为合理的方案。
发明内容
本发明的目的是考虑到现有康复技术的不足,提供一种基于表面肌电信号的手功能康复训练方法,其基本原理是利用Neuracle表面肌电采集设备采集患者进行手部运动时产生的表面肌电信号,然后采用Matlab自编预处理、特征提取和分类函数处理表面肌电信号,进而完成手工能康复训练。Neuracle表面肌电采集设备是近几年才推出的一款无线表面肌电采集设备,有8个通道可以采集表面肌电信号,采样频率为1000HZ。
为了实现上述目的,本发明采用下述技术方案:
1、一种基于表面肌电信号的手功能康复训练方法,其特征在于:采用由Neuracle表面肌电信号采集模块经表面肌电信号在线分析模块连接手工能康复训练模块构成的手功能康复训练系统进行训练。所述Neuracle表面肌电信号采集模块使用Neuracle设备获取患者控制手前臂主动完成不同动作的表面肌电信号,通过TCP/IP通信协议传输该表面肌电信号至PC端公共缓存区;表面肌电信号在线分析模块从公共缓存区获得表面肌电信号之后,对其同步显示,保存,然后进行预处理、特征提取和分类识别,最终分析出不同手前臂动作对应表面肌电信号中的有效成分,并将其转换成控制指令,通过Qt特有的信号与槽机制传输给所述手工能康复训练模块;手工能康复训练模块包括患者手功能康复部位的精细划分与康复模式的设计,通过接收到控制指令完成相应的康复训练;具体训练操作步骤如下:
(一)对所述Neuracle表面肌电信号采集模块采用Qt软件编写,并使用多线程编程以及TCP/IP通信协议技术;具体实现步骤为:
(1-1)参数设置:需要设置的信息包括采样通道的名称、采样通道数、TCP/IP传输协议的IP地址及端口号、文件保存时间;
(1-2) 由Neuracle表面肌电信号采集模块实现表面肌电信号的实时采集、显示、保存,采用Qt编写:
(1-2-1)采集:开启一个线程通过TCP/IP通信协议接收Neuracle设备采集的表面肌电信号数据,并将接收到的数据保存在公共的缓存区中,由表面肌电信号在线分析模块对缓存区中的数据进行在线分析;
(1-2-2)显示:当采集到的数据存储到公共的缓存区中后,在Qt GUI界面的显示控件中同步显示信号波形;
(1-2-3)保存:将采集到的数据以文本形式存储到指定文件夹中;
(二)对所述表面肌电信号在线分析模块采用Qt和Matlab混合编程实现,识别函数采用Matlab编写;具体实现步骤为:
表面肌电信号在线分析模块对实时采集到的表面肌电信号进行在线识别,在Matlab环境中调用预处理、特征提取以及分类函数实现;
(2-1)调用Matlab预处理函数:在Matlab编译环境下,预处理函数iirFilter.m,对应IIR带通滤波器方法;
(2-2)滤除噪声:通过IIR滤波器方法,滤除掉人体皮肤干扰及工频噪声;
(2-3)调用Matlab特征提取函数:在Matlab编译环境下,自编特征提取函数time_domain.m和frequency_domain.m,分别对应时域模型和频域模型特征提取方法;
(2-4)获得初始特征数组:对信号通过选定的特征提取函数处理,获取对应特征,构建初始特征数组:time_domain.m特征提取函数对信号时域波形提取肌电积分值和过零点率;frequency_domain.m特征提取函数将信号转化到频域,提取中值频率和平均频率,共同组成初始特征数组;
(2-5)调用Matlab模式分类函数:在Matlab编译环境下,自编分类识别函数naiveBayes.m对应朴素贝叶斯分类方法;
(2-6)获得识别结果:将初始特征数组送入分类器分析识别,得到识别结果:naiveBayes.m分类函数将初始特征数组作为朴素贝叶斯分类器的输入,进行模式分类,输出识别结果,识别结果分为各种手前臂运动动作;
(2-7)将反映被试手前臂运动状态的识别结果通过Qt特有的信号与槽机制传输给手工能康复训练模块;
(三)对所述手工能康复训练模块采用Qt编程实现, 包括患者康复部位的精细划分与康复模式的设计;具体实现步骤为:
(3-1)康复部位精细划分:考虑到不同患者手功能损伤状况的不同,共设计包括手腕和手指在内的20种手部康复动作,患者可以根据自身情况合理的选择多种动作进行康复训练;
(3-2)康复模式设计:设计了普通康复模式和娱乐康复模式;
(3-2-1)普通康复模式:在Qt GUI界面的康复结果展示区域根据接收的指令同步展示相应的手部动作视频;
(3-2-2)娱乐康复模式:设置了简单的跑酷游戏,将患者选择的手部动作与游戏人物的左移、右移、上跳与下蹲相绑定,根据接收到控制指令,控制游戏人物的运动;
(3-3)手工能康复训练:通过Qt特有的信号与槽机制接收表面肌电信号在线分析模块发送的控制指令,根据选择的康复模式进行康复训练。
本发明与现有技术相比,具有如下突出的实质性特点和显著的优点:界面友好,操作灵活,便携易推广;是一个具有不同训练模式的用户可深度参与的闭环手功能康复训练方法。在使用该系统进行康复训练时,用户可以根据个人的实际情况选择合适的手部动作和康复模式进行康复训练。这样不仅能够增强用户训练积极性,也能让用户更好的沉浸在训练过程中,产生更加容易识别的表面肌电信号,从而提高康复效率,实现自主主动的康复训练。
附图说明
图1是本发明基于表面肌电信号的手功能康复训练方法采用的训练系统结构框图。
图2是本发明基于表面肌电信号的手功能康复训练方法总流程图。
图3是本发明基于表面肌电信号的手功能康复训练方法在线识别流程图。
图4是本发明的康复训练界面照片图。
图5是本发明的娱乐康复模式照片图。
具体实施方式
本发明的优选实施例结合附图详述如下:
实施例一:
参见图1-图5,本基于表面肌电信号的手功能康复训练方法,其特征在于:采用由Neuracle表面肌电信号采集模块(1)、经表面肌电信号在线分析模块(2)连接手工能康复训练模块(3)构成的手功能康复训练系统进行训练,所述Neuracle表面肌电信号采集模块(1)使用Neuracle设备获取患者控制手前臂主动完成不同动作的表面肌电信号,通过TCP/IP通信协议传输该表面肌电信号至PC端公共缓存区;表面肌电信号在线分析模块(2)从公共缓存区获得表面肌电信号之后,对其同步显示,保存,然后进行预处理、特征提取和分类识别,最终分析出不同手前臂动作对应表面肌电信号中的有效成分,并将其转换成控制指令,通过Qt特有的信号与槽机制传输给所述手工能康复训练模块(3);手工能康复训练模块(3)包括患者手功能康复部位的精细划分与康复模式的设计,通过接收到控制指令完成相应的康复训练;具体训练操作步骤如下:
(一)对所述Neuracle表面肌电信号采集模块(1)采用Qt软件编写,并使用多线程编程以及TCP/IP通信协议技术;具体实现步骤为:
(1-1)参数设置:需要设置的信息包括采样通道的名称、采样通道数、TCP/IP传输协议的IP地址及端口号、文件保存时间;
(1-2) 由Neuracle表面肌电信号采集模块(1)实现表面肌电信号的实时采集、显示、保存,采用Qt编写:
(1-2-1)采集:开启一个线程通过TCP/IP通信协议接收Neuracle设备采集的表面肌电信号数据,并将接收到的数据保存在公共的缓存区中,由表面肌电信号在线分析模块(2)对缓存区中的数据进行在线分析;
(1-2-2)显示:当采集到的数据存储到公共的缓存区中后,在Qt GUI界面的显示控件中同步显示信号波形;
(1-2-3)保存:将采集到的数据以文本形式存储到指定文件夹中;
(二)对所述表面肌电信号在线分析模块(2)采用Qt和Matlab混合编程实现,识别函数采用Matlab编写;具体实现步骤为:
表面肌电信号在线分析模块(2)对实时采集到的表面肌电信号进行在线识别,在Matlab环境中调用预处理、特征提取以及分类函数实现;
(2-1)调用Matlab预处理函数:在Matlab编译环境下,预处理函数iirFilter.m,对应IIR带通滤波器方法;
(2-2)滤除噪声:通过IIR滤波器方法,滤除掉人体皮肤干扰及工频噪声;
(2-3)调用Matlab特征提取函数:在Matlab编译环境下,自编特征提取函数time_domain.m和frequency_domain.m,分别对应时域模型和频域模型特征提取方法;
(2-4)获得初始特征数组:对信号通过选定的特征提取函数处理,获取对应特征,构建初始特征数组:time_domain.m特征提取函数对信号时域波形提取肌电积分值和过零点率;frequency_domain.m特征提取函数将信号转化到频域,提取中值频率和平均频率,共同组成初始特征数组;
(2-5)调用Matlab模式分类函数:在Matlab编译环境下,自编分类识别函数naiveBayes.m对应朴素贝叶斯分类方法;
(2-6)获得识别结果:将初始特征数组送入分类器分析识别,得到识别结果:naiveBayes.m分类函数将初始特征数组作为朴素贝叶斯分类器的输入,进行模式分类,输出识别结果,识别结果分为各种手前臂运动动作;
(2-7)将反映被试手前臂运动状态的识别结果通过Qt特有的信号与槽机制传输给手工能康复训练模块(3);
(三)对所述手工能康复训练模块(3)采用Qt编程实现, 包括患者康复部位的精细划分与康复模式的设计;具体实现步骤为:
(3-1)康复部位精细划分:考虑到不同患者手功能损伤状况的不同,共设计包括手腕和手指在内的20种手部康复动作,患者可以根据自身情况合理的选择多种动作进行康复训练;
(3-2)康复模式设计:设计了普通康复模式和娱乐康复模式;
(3-2-1)普通康复模式:在Qt GUI界面的康复结果展示区域根据接收的指令同步展示相应的手部动作视频;
(3-2-2)娱乐康复模式:设置了简单的跑酷游戏,将患者选择的手部动作与游戏人物的左移、右移、上跳与下蹲相绑定,根据接收到控制指令,控制游戏人物的运动;
(3-3)手工能康复训练:通过Qt特有的信号与槽机制接收表面肌电信号在线分析模块(2)发送的控制指令,根据选择的康复模式进行康复训练。
实施例二:
参见图1,本基于表面肌电信号的手功能康复训练的系统框图,系统由Neuracle表面肌电信号采集模块(1)经表面肌电信号在线分析模块(2)连接手工能康复训练模块(3)构成。Neuracle表面肌电信号采集模块(1)采用Qt软件编写,并使用多线程编程以及TCP/IP通信协议技术;表面肌电信号在线分析模块(2)采用Qt和Matlab混合编程实现,具体识别函数采用Matlab编写;手工能康复训练模块(3)采用了Qt编程实现。
参见图2和图3,基于表面肌电信号的手功能康复训练方法,设置好具体康复动作及康复模式之后,Qt采集软件开始采患者表面肌电信号,然后存储在公共缓存区中;表面肌电信号在线分析模块(2)从公共缓存区中接收到表面肌电信号之后,对其显示,保存,同时调用Matlab自编预处理函数iirFilter.m滤除掉人体皮肤干扰及工频噪声、调用Matlab自编特征提取函数time_domain.m和frequency_domain.m获取初始特征数组、调用Matlab自编分类函数naiveBayes.m对已获取的特征数组进行分类,最终分析出表面肌电信号中的有效成分并将其转换成控制指令,传输给手工能康复训练模块(3)完成特定康复模式下的手工能康复训练。
参见图4和图5,基于表面肌电信号的手功能康复训练方法Qt主程序界面图,实现康复参数设置、接收Neuracle采集设备发送的表面肌电信号、表面肌电信号同步显示及保存,表面肌电信号分析处理及通过Qt特有的信号与槽机制给手工能康复训练模块(3)发送控制指令的功能。具体操作步骤如下:
1)康复参数设置:包括康复训练动作的设置和康复模式的设置。在手部动作选择区根据患者个人的实际情况选择适合的手部动作;在‘康复训练’面板设置具体采用的康复模式。
2)信号采集、显示及保存:点击工具栏的‘连接’按钮,Qt开启一个线程开始从Neuracle采集设备采集表面肌电信号数据;同时将接收到的表面肌电信号显示在主界面左侧的‘信号显示’控件当中,可最多同时显示八个通道的数据。点击‘康复训练’面板上的‘开始’按钮,将开始康复训练并同时保存数据,康复训练结束后将自动完成数据的保存;采集的表面肌电信号数据将自动以‘当前测试时间.csv’存储在以患者身份信息建立的文件夹当中。
3)信号在线分析及手工能康复训练:点击‘康复训练’面板的‘开始’按钮,将调用自编预处理、特征提取及分类函数对采集的表面肌电数据进行实时的在线分析,同时将分析结果转换为控制指令通过Qt特有的信号与槽机制发送给手工能康复训练模块完成相应模式下的康复训练。在普通康复模式下,‘手功能预览区域’将根据接收到的控制指令播放相应的手部动作视频;在娱乐康复模式下,会将患者预先选取的手部动作与游戏人物的移动相绑定,例如患者预先选取了‘屈腕’,‘伸腕’,‘握拳’和‘伸掌’四个动作作为接下来康复训练的动作,那么这四个动作将与游戏人物的‘左移’,‘右移’,‘下蹲’和‘上跳’相绑定,患者根据‘手功能预览区域’中游戏的进展,对游戏中出现的障碍物做出判断,完成相应的手部动作,进而控制游戏人物的动作。
实施例三:
参见图2,本基于表面肌电信号的手功能康复训练方法,其特征在于:(一)所述Neuracle表面肌电信号采集模块(1)采用Qt软件编写,并使用多线程编程以及TCP/IP通信协议技术;具体实现步骤为:
(1-1)参数设置:需要设置的信息包括采样通道的名称、采样通道数、TCP/IP传输协议的IP地址及端口号、文件保存时间;
(1-2) 由Neuracle表面肌电信号采集模块(1)实现表面肌电信号的实时采集、显示、保存,采用Qt编写:
(1-2-1)采集:开启一个线程通过TCP/IP通信协议接收Neuracle设备采集的表面肌电信号数据,并将接收到的数据保存在公共的缓存区中,由表面肌电信号在线分析模块(2)对缓存区中的数据进行在线分析;
(1-2-2)显示:当采集到的数据存储到公共的缓存区中后,在Qt GUI界面的显示控件中同步显示信号波形;
(1-2-3)保存:将采集到的数据以文本形式存储到指定文件夹中;
(二)对所述表面肌电信号在线分析模块(2)采用Qt和Matlab混合编程实现,识别函数采用Matlab编写;具体实现步骤为:
表面肌电信号在线分析模块(2)对实时采集到的表面肌电信号进行在线识别,在Matlab环境中调用预处理、特征提取以及分类函数实现;
(2-1)调用Matlab预处理函数:在Matlab编译环境下,预处理函数iirFilter.m,对应IIR带通滤波器方法;
(2-2)滤除噪声:通过IIR滤波器方法,滤除掉人体皮肤干扰及工频噪声;
(2-3)调用Matlab特征提取函数:在Matlab编译环境下,自编特征提取函数time_domain.m和frequency_domain.m,分别对应时域模型和频域模型特征提取方法;
(2-4)获得初始特征数组:对信号通过选定的特征提取函数处理,获取对应特征,构建初始特征数组:time_domain.m特征提取函数对信号时域波形提取肌电积分值和过零点率;frequency_domain.m特征提取函数将信号转化到频域,提取中值频率和平均频率,共同组成初始特征数组;
(2-5)调用Matlab模式分类函数:在Matlab编译环境下,自编分类识别函数naiveBayes.m对应朴素贝叶斯分类方法;
(2-6)获得识别结果:将初始特征数组送入分类器分析识别,得到识别结果:naiveBayes.m分类函数将初始特征数组作为朴素贝叶斯分类器的输入,进行模式分类,输出识别结果,识别结果分为各种手前臂运动动作;
(2-7)将反映被试手前臂运动状态的识别结果通过Qt特有的信号与槽机制传输给手工能康复训练模块(3);
(三)对所述手工能康复训练模块(3)采用Qt编程实现, 包括患者康复部位的精细划分与康复模式的设计;具体实现步骤为:
(3-1)康复部位精细划分:考虑到不同患者手功能损伤状况的不同,共设计包括手腕和手指在内的20种手部康复动作,患者可以根据自身情况合理的选择多种动作进行康复训练;
(3-2)康复模式设计:设计了普通康复模式和娱乐康复模式;
(3-2-1)普通康复模式:在Qt GUI界面的康复结果展示区域根据接收的指令同步展示相应的手部动作视频;
(3-2-2)娱乐康复模式:设置了简单的跑酷游戏,将患者选择的手部动作与游戏人物的左移、右移、上跳与下蹲相绑定,根据接收到控制指令,控制游戏人物的运动;
(3-3)手工能康复训练:通过Qt特有的信号与槽机制接收表面肌电信号在线分析模块(2)发送的控制指令,根据选择的康复模式进行康复训练。
Claims (1)
1.一种基于表面肌电信号的手功能康复训练方法,其特征在于:采用由Neuracle表面肌电信号采集模块(1)经表面肌电信号在线分析模块(2)连接手工能康复训练模块(3)构成的手功能康复训练系统进行训练,所述Neuracle表面肌电信号采集模块(1)使用Neuracle设备获取患者控制手前臂主动完成不同动作的表面肌电信号,通过TCP/IP通信协议传输该表面肌电信号至PC端公共缓存区;表面肌电信号在线分析模块(2)从公共缓存区获得表面肌电信号之后,对其同步显示,保存,然后进行预处理、特征提取和分类识别,最终分析出不同手前臂动作对应表面肌电信号中的有效成分,并将其转换成控制指令,通过Qt特有的信号与槽机制传输给所述手工能康复训练模块(3);手工能康复训练模块(3)包括患者手功能康复部位的精细划分与康复模式的设计,通过接收到控制指令完成相应的康复训练;具体训练操作步骤如下:
(一)对所述Neuracle表面肌电信号采集模块(1)采用Qt软件编写,并使用多线程编程以及TCP/IP通信协议技术;具体实现步骤为:
(1-1)参数设置:需要设置的信息包括采样通道的名称、采样通道数、TCP/IP传输协议的IP地址及端口号、文件保存时间;
(1-2) 由Neuracle表面肌电信号采集模块(1)实现表面肌电信号的实时采集、显示、保存,采用Qt编写:
(1-2-1)采集:开启一个线程通过TCP/IP通信协议接收Neuracle设备采集的表面肌电信号数据,并将接收到的数据保存在公共的缓存区中,由表面肌电信号在线分析模块(2)对缓存区中的数据进行在线分析;
(1-2-2)显示:当采集到的数据存储到公共的缓存区中后,在Qt GUI界面的显示控件中同步显示信号波形;
(1-2-3)保存:将采集到的数据以文本形式存储到指定文件夹中;
(二)对所述表面肌电信号在线分析模块(2)采用Qt和Matlab混合编程实现,识别函数采用Matlab编写;具体实现步骤为:
表面肌电信号在线分析模块(2)对实时采集到的表面肌电信号进行在线识别,在Matlab环境中调用预处理、特征提取以及分类函数实现;
(2-1)调用Matlab预处理函数:在Matlab编译环境下,预处理函数iirFilter.m,对应IIR带通滤波器方法;
(2-2)滤除噪声:通过IIR滤波器方法,滤除掉人体皮肤干扰及工频噪声;
(2-3)调用Matlab特征提取函数:在Matlab编译环境下,自编特征提取函数time_domain.m和frequency_domain.m,分别对应时域模型和频域模型特征提取方法;
(2-4)获得初始特征数组:对信号通过选定的特征提取函数处理,获取对应特征,构建初始特征数组:time_domain.m特征提取函数对信号时域波形提取肌电积分值和过零点率;frequency_domain.m特征提取函数将信号转化到频域,提取中值频率和平均频率,共同组成初始特征数组;
(2-5)调用Matlab模式分类函数:在Matlab编译环境下,自编分类识别函数naiveBayes.m对应朴素贝叶斯分类方法;
(2-6)获得识别结果:将初始特征数组送入分类器分析识别,得到识别结果:naiveBayes.m分类函数将初始特征数组作为朴素贝叶斯分类器的输入,进行模式分类,输出识别结果,识别结果分为各种手前臂运动动作;
(2-7)将反映被试手前臂运动状态的识别结果通过Qt特有的信号与槽机制传输给手工能康复训练模块(3);
(三)对所述手工能康复训练模块(3)采用Qt编程实现, 包括患者康复部位的精细划分与康复模式的设计;具体实现步骤为:
(3-1)康复部位精细划分:考虑到不同患者手功能损伤状况的不同,共设计包括手腕和手指在内的20种手部康复动作,患者可以根据自身情况合理的选择多种动作进行康复训练;
(3-2)康复模式设计:设计了普通康复模式和娱乐康复模式;
(3-2-1)普通康复模式:在Qt GUI界面的康复结果展示区域根据接收的指令同步展示相应的手部动作视频;
(3-2-2)娱乐康复模式:设置了简单的跑酷游戏,将患者选择的手部动作与游戏人物的左移、右移、上跳与下蹲相绑定,根据接收到控制指令,控制游戏人物的运动;
(3-3)手工能康复训练:通过Qt特有的信号与槽机制接收表面肌电信号在线分析模块(2)发送的控制指令,根据选择的康复模式进行康复训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910810901.XA CN110400619B (zh) | 2019-08-30 | 2019-08-30 | 一种基于表面肌电信号的手功能康复训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910810901.XA CN110400619B (zh) | 2019-08-30 | 2019-08-30 | 一种基于表面肌电信号的手功能康复训练方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110400619A true CN110400619A (zh) | 2019-11-01 |
CN110400619B CN110400619B (zh) | 2023-07-21 |
Family
ID=68329532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910810901.XA Active CN110400619B (zh) | 2019-08-30 | 2019-08-30 | 一种基于表面肌电信号的手功能康复训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110400619B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046731A (zh) * | 2019-11-11 | 2020-04-21 | 中国科学院计算技术研究所 | 基于表面肌电信号进行手势识别的迁移学习方法和识别方法 |
CN111584027A (zh) * | 2020-04-30 | 2020-08-25 | 天津大学 | 融合复杂网络和图卷积的脑控康复系统运动想象识别系统 |
CN111700773A (zh) * | 2020-06-30 | 2020-09-25 | 江苏理工学院 | 一种手指康复训练装置 |
CN112932898A (zh) * | 2021-01-28 | 2021-06-11 | 东南大学 | 一种基于贝叶斯优化的按需辅助康复机器人训练方法 |
CN113081671A (zh) * | 2021-03-31 | 2021-07-09 | 东南大学 | 一种基于贝叶斯优化提高按需辅助康复训练参与度的方法 |
CN113506607A (zh) * | 2021-04-29 | 2021-10-15 | 上海大学 | 一种基于树莓派的便携式脑卒中康复训练系统及方法 |
WO2023206833A1 (zh) * | 2022-04-26 | 2023-11-02 | 东南大学 | 基于肌肉协同和变刚度阻抗控制的手腕部康复训练系统 |
CN117497133A (zh) * | 2023-12-26 | 2024-02-02 | 中科(安徽)G60智慧健康创新研究院 | 用于神经退行性认知障碍患者训练的系统和方法 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120108997A1 (en) * | 2008-12-19 | 2012-05-03 | Cuntai Guan | Device and method for generating a representation of a subject's attention level |
CN102567638A (zh) * | 2011-12-29 | 2012-07-11 | 无锡微感科技有限公司 | 一种基于微型传感器的交互式上肢康复系统 |
US20140081432A1 (en) * | 2012-09-12 | 2014-03-20 | Rhode Island Hospital | Method and Apparatus for Rehabilitation Using Adapted Video Games |
CN104382595A (zh) * | 2014-10-27 | 2015-03-04 | 燕山大学 | 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 |
CN105963926A (zh) * | 2016-04-29 | 2016-09-28 | 中国科学院苏州生物医学工程技术研究所 | 多模态融合手功能康复训练与智能评估系统 |
CN106371588A (zh) * | 2016-08-29 | 2017-02-01 | 上海大学 | 基于运动想象脑机接口的手功能康复方法 |
WO2018010644A1 (zh) * | 2016-07-12 | 2018-01-18 | 王春宝 | 自主训练的方法和系统 |
CN108268844A (zh) * | 2018-01-17 | 2018-07-10 | 上海术理智能科技有限公司 | 基于表面肌电信号的动作模式识别方法及装置 |
CN108417249A (zh) * | 2018-03-06 | 2018-08-17 | 上海大学 | 基于vr的视听触觉多模态手功能康复方法 |
US20180350468A1 (en) * | 2015-11-23 | 2018-12-06 | Paul A. Friedman | Processing physiological electrical data for analyte assessments |
US20190008419A1 (en) * | 2017-07-10 | 2019-01-10 | Toyota Jidosha Kabushiki Kaisha | Rehabilitation evaluation apparatus, rehabilitation evaluation method, and rehabilitation evaluation program |
CN109331453A (zh) * | 2018-08-07 | 2019-02-15 | 燕山大学 | 基于肌电反馈与Kinect交互的虚拟康复系统及训练方法 |
CN208511016U (zh) * | 2017-10-15 | 2019-02-19 | 三江学院 | 一种生命体征综合检测分析系统 |
CN109599165A (zh) * | 2019-01-30 | 2019-04-09 | 浙江强脑科技有限公司 | 康复运动训练方法、系统及可读存储介质 |
CN109758145A (zh) * | 2018-12-15 | 2019-05-17 | 北京交通大学 | 基于脑电信号因果关系的自动睡眠分期方法 |
CN109920517A (zh) * | 2019-03-27 | 2019-06-21 | 桂林市优帮妥医疗科技有限公司 | 一种游戏化康复系统及其工作方法 |
CN109999433A (zh) * | 2019-04-02 | 2019-07-12 | 上海大学 | 基于表面肌电的个性化膈肌康复训练系统 |
CN110151496A (zh) * | 2019-07-02 | 2019-08-23 | 安徽工业大学 | 一种多位姿下肢康复机器人及其使用方法 |
-
2019
- 2019-08-30 CN CN201910810901.XA patent/CN110400619B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120108997A1 (en) * | 2008-12-19 | 2012-05-03 | Cuntai Guan | Device and method for generating a representation of a subject's attention level |
CN102567638A (zh) * | 2011-12-29 | 2012-07-11 | 无锡微感科技有限公司 | 一种基于微型传感器的交互式上肢康复系统 |
US20140081432A1 (en) * | 2012-09-12 | 2014-03-20 | Rhode Island Hospital | Method and Apparatus for Rehabilitation Using Adapted Video Games |
CN104382595A (zh) * | 2014-10-27 | 2015-03-04 | 燕山大学 | 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 |
US20180350468A1 (en) * | 2015-11-23 | 2018-12-06 | Paul A. Friedman | Processing physiological electrical data for analyte assessments |
CN105963926A (zh) * | 2016-04-29 | 2016-09-28 | 中国科学院苏州生物医学工程技术研究所 | 多模态融合手功能康复训练与智能评估系统 |
WO2018010644A1 (zh) * | 2016-07-12 | 2018-01-18 | 王春宝 | 自主训练的方法和系统 |
CN106371588A (zh) * | 2016-08-29 | 2017-02-01 | 上海大学 | 基于运动想象脑机接口的手功能康复方法 |
US20190008419A1 (en) * | 2017-07-10 | 2019-01-10 | Toyota Jidosha Kabushiki Kaisha | Rehabilitation evaluation apparatus, rehabilitation evaluation method, and rehabilitation evaluation program |
CN208511016U (zh) * | 2017-10-15 | 2019-02-19 | 三江学院 | 一种生命体征综合检测分析系统 |
CN108268844A (zh) * | 2018-01-17 | 2018-07-10 | 上海术理智能科技有限公司 | 基于表面肌电信号的动作模式识别方法及装置 |
CN108417249A (zh) * | 2018-03-06 | 2018-08-17 | 上海大学 | 基于vr的视听触觉多模态手功能康复方法 |
CN109331453A (zh) * | 2018-08-07 | 2019-02-15 | 燕山大学 | 基于肌电反馈与Kinect交互的虚拟康复系统及训练方法 |
CN109758145A (zh) * | 2018-12-15 | 2019-05-17 | 北京交通大学 | 基于脑电信号因果关系的自动睡眠分期方法 |
CN109599165A (zh) * | 2019-01-30 | 2019-04-09 | 浙江强脑科技有限公司 | 康复运动训练方法、系统及可读存储介质 |
CN109920517A (zh) * | 2019-03-27 | 2019-06-21 | 桂林市优帮妥医疗科技有限公司 | 一种游戏化康复系统及其工作方法 |
CN109999433A (zh) * | 2019-04-02 | 2019-07-12 | 上海大学 | 基于表面肌电的个性化膈肌康复训练系统 |
CN110151496A (zh) * | 2019-07-02 | 2019-08-23 | 安徽工业大学 | 一种多位姿下肢康复机器人及其使用方法 |
Non-Patent Citations (3)
Title |
---|
I.C. ZIBRANDTSEN 等: "《Detection of generalized tonic-clonic seizures from ear-EEG based on EMG analysis》", 《SEIZURE 59》, pages 1 - 6 * |
丁 帅 等: "《基于块稀疏贝叶斯学习的肌电信号特征提取》", pages 2731 - 2738 * |
钟丽辉 等: "《基于MATLAB的工程实践性 "数字信号处理"实验改革初探》", 《专业与课程建设》, pages 1 - 6 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046731A (zh) * | 2019-11-11 | 2020-04-21 | 中国科学院计算技术研究所 | 基于表面肌电信号进行手势识别的迁移学习方法和识别方法 |
CN111584027A (zh) * | 2020-04-30 | 2020-08-25 | 天津大学 | 融合复杂网络和图卷积的脑控康复系统运动想象识别系统 |
CN111584027B (zh) * | 2020-04-30 | 2022-03-11 | 天津大学 | 融合复杂网络和图卷积的脑控康复系统运动想象识别系统 |
CN111700773A (zh) * | 2020-06-30 | 2020-09-25 | 江苏理工学院 | 一种手指康复训练装置 |
CN112932898A (zh) * | 2021-01-28 | 2021-06-11 | 东南大学 | 一种基于贝叶斯优化的按需辅助康复机器人训练方法 |
CN113081671A (zh) * | 2021-03-31 | 2021-07-09 | 东南大学 | 一种基于贝叶斯优化提高按需辅助康复训练参与度的方法 |
CN113506607A (zh) * | 2021-04-29 | 2021-10-15 | 上海大学 | 一种基于树莓派的便携式脑卒中康复训练系统及方法 |
WO2023206833A1 (zh) * | 2022-04-26 | 2023-11-02 | 东南大学 | 基于肌肉协同和变刚度阻抗控制的手腕部康复训练系统 |
CN117497133A (zh) * | 2023-12-26 | 2024-02-02 | 中科(安徽)G60智慧健康创新研究院 | 用于神经退行性认知障碍患者训练的系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110400619B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110400619A (zh) | 一种基于表面肌电信号的手功能康复训练方法 | |
CN111938991A (zh) | 一种双主动控制模式的手部康复训练装置及训练方法 | |
CN104107134B (zh) | 基于肌电反馈的上肢训练方法及系统 | |
CN105563495B (zh) | 基于精细化运动想象脑电信号控制的机械手系统及方法 | |
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 | |
CN201164564Y (zh) | 一种穿戴式手功能康复机器人及其控制系统 | |
CN111110982A (zh) | 基于运动想象的手部康复训练方法 | |
CN107273798A (zh) | 一种基于表面肌电信号的手势识别方法 | |
CN107928980A (zh) | 一种偏瘫患者的手部自主康复训练系统及训练方法 | |
CN113398422A (zh) | 基于运动想象-脑机接口和虚拟现实的康复训练系统及方法 | |
CN203043423U (zh) | 一种基于脑机接口的康复训练装置 | |
CN104997581B (zh) | 基于面部表情驱动脑电信号的假手控制方法及装置 | |
WO2023206833A1 (zh) | 基于肌肉协同和变刚度阻抗控制的手腕部康复训练系统 | |
CN109011097A (zh) | 一种基于运动想象与增强现实的康复训练方法 | |
CN106974795A (zh) | 一种欠驱动上肢康复机器人控制系统 | |
CN113274032A (zh) | 一种基于ssvep+mi脑机接口的脑卒中康复训练系统及方法 | |
CN104997582B (zh) | 基于眼部和下颌肌电信号对智能假肢的控制装置及方法 | |
CN115554093A (zh) | 一种基于专注度水平的手腕康复控制装置 | |
CN111616847A (zh) | 基于肌肉协同和人机语音交互的上臂假肢控制系统和方法 | |
CN115482907A (zh) | 一种脑电与肌电结合的主动康复系统及康复训练方法 | |
Li et al. | Preliminary study of online real-time control system for lower extremity exoskeletons based on EEG and sEMG fusion | |
CN115067970A (zh) | 一种基于脑电肌电信号的康复效果评估方法及系统 | |
An et al. | Design of an asynchronous brain-computer interface for control of a virtual avatar | |
Geng et al. | Comparison of electromyography and mechanomyogram in control of prosthetic system in multiple limb positions | |
CN109901711A (zh) | 由弱肌电伪迹微表情脑电信号驱动的异步实时脑控方法 |
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 |