CN110414619A - 一种基于emg信号识别方法 - Google Patents
一种基于emg信号识别方法 Download PDFInfo
- Publication number
- CN110414619A CN110414619A CN201910717272.6A CN201910717272A CN110414619A CN 110414619 A CN110414619 A CN 110414619A CN 201910717272 A CN201910717272 A CN 201910717272A CN 110414619 A CN110414619 A CN 110414619A
- Authority
- CN
- China
- Prior art keywords
- data
- window
- module
- value
- acquisition module
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于EMG信号识别方法,采用以下步骤,S1:将采集模块安装在人体手臂上,采集模块采集人体手臂肌肉电信号进行并对数据进行归一化,采集模块与服务器通过网络连接,对采集模块进行初始化校准;S2:采集模块将采集到的信号通过信号传输模块传输到服务端的接收模块;S3:数据接收模块接收所述数据采集模块中的数据,数据接收模块将数据发送到数据处理模块;S4:数据处理模块对数据进行封装后传送到EMG信号识别模块;本发明利用肌肉电信号,只需要人体做出相应动作,便能够提取到肌肉电信号,实现了对肌电信号的采集和处理。相比于其他的人机交互手段,本发明成本低,EMG信号的提取和处理比基于视觉的方法成本低。
Description
技术领域
本发明涉及信号识别领域,具体涉及一种基于EMG信号识别方法。
背景技术
随着互联网技术的发展,深度学习和信号处理技术在人们实际生活中越来越多的应用在不同的领域。在医学方面,智能诊断,医学影像处理已经取得了一定的成效。但是在医疗康复领域,相关应用还比较简单。
人体运动时,大脑产生的神经信号会使不同的肌肉群兴奋,从而产生表面肌肉电信号,结合深度学习识别技术,在智能家居以及康复等领域都有重要的应用。虚拟现实近年来发展快速,应用于康复领域,可以通过自然的交互方式,定性定量的帮助患者康复。目前虚拟现实康复的动作捕捉与识别主要基于计算机视觉技术,因为视觉遮蔽效应的原因,具有算法复杂,精确度低、成本高等缺点。为了解决上述问题,本专利通过采集人体表面肌电信号,并处理和识别信号所对应的手势信息,结合了人工智能和虚拟现实技术,设计基于虚拟现实手功能康复训练任务系统。
发明内容
本发明针对现有技术的不足,提出一种基于EMG信号识别方法,具体技术方案如下:
一种基于EMG信号识别方法,其特征在于:
采用以下步骤,
S1:将采集模块安装在人体手臂上,采集模块采集人体手臂肌肉电信号进行并对数据进行归一化,采集模块与服务器通过网络连接,对采集模块进行初始化校准;
S2:采集模块将采集到的信号通过信号传输模块传输到服务端的接收模块;
S3:数据接收模块接收所述数据采集模块中的数据,数据接收模块将数据发送到数据处理模块;
S4:数据处理模块对数据进行封装后传送到EMG信号识别模块;
S5:EMG信号识别模块对信号中的EMG信号进行识别后,通过反馈模块给出实时反馈数据,将反馈数据传输到执行模块;
S6:执行模块根据反馈数据进行动作。
进一步地:数据采集模块还包括测试模式,该测试模式对数据采集模块的各个传感器进行校准。
进一步地:采集模块使用八通道肌肉电信号采集臂环,通过佩戴在人体手臂上,八个传感器将手臂一周八个位置的电压变化以400Hz的采样率进行采集。
进一步地:所述S5包括如下流程:
S5-1:提取人体做出动作时,对应的EMG动作窗口;
S5-2:提取EMG动作窗口的窗口数据;
S5-3:将窗口数据按比例缩放,将数据统一映射到[0,1]的区间上,对数据归一化处理;
S5-4:提取每个窗口的时域特征和频域特征,组成特征向量后,对特征向量归一化处理;
S5-5:对特征向量进行数据降维,将降维后的特征向量传送到EMG信号识别模块中。
进一步地:所述S5-1包括如下流程:
S5-1-1:将N个传感器的采样频率累加起来,得到t时刻每帧数据所对应的频率值,定义为S值;
S5-1-2:在人体做出相应动作后,EMG信号识别模块得到每个峰值左右两侧各X帧的长度,1<X<10;
S5-1-3:计算频率值S的平均值mean;
S5-1-4:判断频率值S值大于mean的帧数,即S大于mean的数据长度是否大于人体做出相应动作的次数乘以峰值左右各10帧的长度,即100*20=2000;
S5-1-5:如果频率值S值大于mean的数据长度len_S小于2000,则返回阈值mean,算法结束;
S5-1-6:如果S值大于mean的数据长度len_S大于2000,则计算S值大于mean的数据的S平均值,并赋值给mean,进入S5-1-7;
S5-1-7:返回S5-1-2,继续逼近阈值,得到最终的阈值。
2、根据权利要求1所述一种基于EMG信号识别方法,其特征在于:所述提取动作窗口数据包括如下流程:
S5-2-1:基于滑动窗口分割原始数据,窗口长度为60帧,相邻两个窗口之间有50%的重叠率,即窗口每次前进30帧;
S5-2-2:判断每个窗口中最大值是否大于该类动作的阈值,如果窗口最大值小于该类动作的阈值,则进入步骤S5-2-3,否则,进入步骤S5-2-4;
S5-2-3:则该窗口不包含动作数据,舍去该窗口数据;
S5-2-4:再判断该最大值与上一个已保存的动作窗口最大值的位置之间的距离,如果两个窗口最大值直接的距离大于设定值,则,进入S5-2-5,否则,进入S5-2-6;
S5-2-5:则动作队列保存最大值较大的动作窗口,该窗口数据为最大值所对应原始数据的坐标左右各30帧的数据;
S5-2-6:则直接保存该动作窗口的数据到动作队列中,该动作窗口数据为最大值所对应原始数据的坐标左右各30帧的数据。
本发明的有益效果为:第一,本发明利用肌肉电信号,只需要人体做出相应动作,便能够提取到肌肉电信号,实现了对肌电信号的采集和处理。相比于其他的人机交互手段,本发明成本低,EMG信号的提取和处理比基于视觉的方法成本低;
第二,用户体验好,可以在家中自己训练而无需购置专用设备或去医院使用,只需佩戴手环,就能够训练处相应的模型;
第三,场景鲁棒性强,基于视觉的方法受限于环境和光线,对于黑暗场景,肌肉点信号也可以提取识别。
附图说明
图1为本发明的工作流程图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
如图1所示:
一种基于EMG信号识别方法,
采用以下步骤,
S1:将采集模块安装在人体手臂上,采集模块采集人体手臂肌肉电信号进行并对数据进行归一化,采集模块与服务器通过网络连接,对采集模块进行初始化校准;
S2:采集模块将采集到的信号通过信号传输模块传输到服务端的接收模块;
S3:数据接收模块接收所述数据采集模块中的数据,数据接收模块将数据发送到数据处理模块;
S4:数据处理模块对数据进行封装后传送到EMG信号识别模块;
S5:EMG信号识别模块对信号中的EMG信号进行识别后,通过反馈模块给出实时反馈数据,将反馈数据传输到执行模块;
S6:执行模块根据反馈数据进行动作。
数据采集模块还包括测试模式,该测试模式对数据采集模块的各个传感器进行校准。
采集模块使用八通道肌肉电信号采集臂环,通过佩戴在人体手臂上,八个传感器将手臂一周八个位置的电压变化以400Hz的采样率进行采集。
所述S5包括如下流程:
S5-1:提取人体做出动作时,对应的EMG动作窗口;
S5-2:提取EMG动作窗口的窗口数据;
S5-3:将窗口数据按比例缩放,将数据统一映射到[0,1]的区间上,对数据归一化处理;
S5-4:提取每个窗口的时域特征和频域特征,组成特征向量后,对特征向量归一化处理;
S5-5:对特征向量进行数据降维,将降维后的特征向量传送到EMG信号识别模块中。
所述S5-1包括如下流程:
S5-1-1:将N个传感器的采样频率累加起来,得到t时刻每帧数据所对应的频率值,定义为S值;
S5-1-2:在人体做出相应动作后,EMG信号识别模块得到每个峰值左右两侧各X帧的长度,1<X<10;
S5-1-3:计算频率值S的平均值mean;
S5-1-4:判断频率值S值大于mean的帧数,即S大于mean的数据长度是否大于人体做出相应动作的次数乘以峰值左右各10帧的长度,即100*20=2000;
S5-1-5:如果频率值S值大于mean的数据长度len_S小于2000,则返回阈值mean,算法结束;
S5-1-6:如果S值大于mean的数据长度len_S大于2000,则计算S值大于mean的数据的S平均值,并赋值给mean,进入S5-1-7;
S5-1-7:返回S5-1-2,继续逼近阈值,得到最终的阈值。
所述提取动作窗口数据包括如下流程:
S5-2-1:基于滑动窗口分割原始数据,窗口长度为60帧,相邻两个窗口之间有50%的重叠率,即窗口每次前进30帧;
S5-2-2:判断每个窗口中最大值是否大于该类动作的阈值,如果窗口最大值小于该类动作的阈值,则进入步骤S5-2-3,否则,进入步骤S5-2-4;
S5-2-3:则该窗口不包含动作数据,舍去该窗口数据;
S5-2-4:再判断该最大值与上一个已保存的动作窗口最大值的位置之间的距离,如果两个窗口最大值直接的距离大于设定值,则,进入S5-2-5,否则,进入S5-2-6;
S5-2-5:则动作队列保存最大值较大的动作窗口,该窗口数据为最大值所对应原始数据的坐标左右各30帧的数据;
S5-2-6:则直接保存该动作窗口的数据到动作队列中,该动作窗口数据为最大值所对应原始数据的坐标左右各30帧的数据。
数据处理模块具体工作为,需要将采集到的人体肌电动作原始数据,进行数据处理。
首先从原始数据中提取动作窗口,每个动作窗口数据长度为60帧。其次,以动作窗口为单位,对数据进行归一化、特征提取、特征降维得到特征向量,特征向量分为训练数据与测试数据。
数据处理模块对数据处理流程为:
提取EMG动作窗口,由于肌电动作数据的采集是连续的,因此原始数据除了包含动作数据以外还包括大量的非肌电动作时刻的数据,不便于直接提取特征并进行分类,因此,需要从大量的原始数据中提取出动作数据。
提出一种基于阈值逼近的算法查找动作阈值,然后根据阈值提取动作窗口数据,每个动作窗口长度为60帧。
通过阈值逼近的算法查找动作原始数据的阈值,具体为:
S5-1-1:将N个传感器的采样频率累加起来,得到t时刻每帧数据所对应的频率值,定义为S值;
S5-1-2:在人体做出相应动作后,EMG信号识别模块得到每个峰值左右两侧各X帧的长度,1<X<10;
S5-1-3:计算频率值S的平均值mean;
S5-1-4:判断频率值S值大于mean的帧数,即S大于mean的数据长度是否大于人体做出相应动作的次数乘以峰值左右各10帧的长度,即100*20=2000;
S5-1-5:如果频率值S值大于mean的数据长度len_S小于2000,则返回阈值mean,算法结束;
S5-1-6:如果S值大于mean的数据长度len_S大于2000,则计算S值大于mean的数据的S平均值,并赋值给mean,进入S5-1-7;
S5-1-7:返回S5-1-2,继续逼近阈值,得到最终的阈值。
提取动作窗口数据的步骤为,
步骤1:基于滑动窗口分割原始数据,窗口长度为60帧,相邻两个窗口之间有50%的重叠率,即窗口每次前进30帧;
步骤2:判断每个窗口中最大值是否大于该类动作的阈值,如果窗口最大值小于该类动作的阈值,则进入步骤3,否则,进入步骤4;
步骤3:则该窗口不包含动作数据,舍去该窗口数据;
步骤4:再判断该最大值与上一个已保存的动作窗口最大值的位置之间的距离,如果两个窗口最大值直接的距离大于设定值,则,进入步骤5,否则,进入步骤6;
步骤5:则动作队列保存最大值较大的动作窗口,该窗口数据为最大值所对应原始数据的坐标左右各30帧的数据;
步骤6:则直接保存该动作窗口的数据到动作队列中,该动作窗口数据为最大值所对应原始数据的坐标左右各30帧的数据;
步骤7:将数据按比例缩放,将数据统一映射到[0,1]的区间上,对数据归一化处理,通过数据归一化,可以提高模型的收敛速度和提升模型的精度。
步骤8:提取每个窗口的时域特征和频域特征,组成特征向量后,对特征向量归一化处理,本实验基于动作窗口,提取每个窗口的时域特征和频域特征。
Claims (6)
1.一种基于EMG信号识别方法,其特征在于:
采用以下步骤,
S1:将采集模块安装在人体手臂上,采集模块采集人体手臂肌肉电信号进行并对数据进行归一化,采集模块与服务器通过网络连接,对采集模块进行初始化校准;
S2:采集模块将采集到的信号通过信号传输模块传输到服务端的接收模块;
S3:数据接收模块接收所述数据采集模块中的数据,数据接收模块将数据发送到数据处理模块;
S4:数据处理模块对数据进行封装后传送到EMG信号识别模块;
S5:EMG信号识别模块对信号中的EMG信号进行识别后,通过反馈模块给出实时反馈数据,将反馈数据传输到执行模块;
S6:执行模块根据反馈数据进行动作。
2.根据权利要求1所述一种基于EMG信号识别方法,其特征在于:数据采集模块还包括测试模式,该测试模式对数据采集模块的各个传感器进行校准。
3.根据权利要求1所述一种基于EMG信号识别方法,其特征在于:采集模块使用八通道肌肉电信号采集臂环,通过佩戴在人体手臂上,八个传感器将手臂一周八个位置的电压变化以400Hz的采样率进行采集。
4.根据权利要求1所述一种基于EMG信号识别方法,其特征在于:所述S5包括如下流程:
S5-1:提取人体做出动作时,对应的EMG动作窗口;
S5-2:提取EMG动作窗口的窗口数据;
S5-3:将窗口数据按比例缩放,将数据统一映射到[0,1]的区间上,对数据归一化处理;
S5-4:提取每个窗口的时域特征和频域特征,组成特征向量后,对特征向量归一化处理;
S5-5:对特征向量进行数据降维,将降维后的特征向量传送到EMG信号识别模块中。
5.根据权利要求4一种基于EMG信号识别方法,其特征在于:所述S5-1包括如下流程:
S5-1-1:将N个传感器的采样频率累加起来,得到t时刻每帧数据所对应的频率值,定义为S值;
S5-1-2:在人体做出相应动作后,EMG信号识别模块得到每个峰值左右两侧各X帧的长度,1<X<10;
S5-1-3:计算频率值S的平均值mean;
S5-1-4:判断频率值S值大于mean的帧数,即S大于mean的数据长度是否大于人体做出相应动作的次数乘以峰值左右各10帧的长度,即100*20=2000;
S5-1-5:如果频率值S值大于mean的数据长度len_S小于2000,则返回阈值mean,算法结束;
S5-1-6:如果S值大于mean的数据长度len_S大于2000,则计算S值大于mean的数据的S平均值,并赋值给mean,进入S5-1-7;
S5-1-7:返回S5-1-2,继续逼近阈值,得到最终的阈值。
6.根据权利要求1所述一种基于EMG信号识别方法,其特征在于:所述提取动作窗口数据包括如下流程:
S5-2-1:基于滑动窗口分割原始数据,窗口长度为60帧,相邻两个窗口之间有50%的重叠率,即窗口每次前进30帧;
S5-2-2:判断每个窗口中最大值是否大于该类动作的阈值,如果窗口最大值小于该类动作的阈值,则进入步骤S5-2-3,否则,进入步骤S5-2-4;
S5-2-3:则该窗口不包含动作数据,舍去该窗口数据;
S5-2-4:再判断该最大值与上一个已保存的动作窗口最大值的位置之间的距离,如果两个窗口最大值直接的距离大于设定值,则,进入S5-2-5,否则,进入S5-2-6;
S5-2-5:则动作队列保存最大值较大的动作窗口,该窗口数据为最大值所对应原始数据的坐标左右各30帧的数据;
S5-2-6:则直接保存该动作窗口的数据到动作队列中,该动作窗口数据为最大值所对应原始数据的坐标左右各30帧的数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910717272.6A CN110414619B (zh) | 2019-08-05 | 2019-08-05 | 一种基于emg信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910717272.6A CN110414619B (zh) | 2019-08-05 | 2019-08-05 | 一种基于emg信号识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110414619A true CN110414619A (zh) | 2019-11-05 |
CN110414619B CN110414619B (zh) | 2023-04-07 |
Family
ID=68365803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910717272.6A Active CN110414619B (zh) | 2019-08-05 | 2019-08-05 | 一种基于emg信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110414619B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090259338A1 (en) * | 2006-04-29 | 2009-10-15 | The Hong Kong Polytechnic University | Robotic system and training method for rehabilitation using emg signals to provide mechanical help |
JP2012101284A (ja) * | 2010-11-05 | 2012-05-31 | Nagoya Univ | 人の動作における意図推定装置 |
CN102761512A (zh) * | 2012-07-03 | 2012-10-31 | 北京理工大学 | 基于单载波数字电视信号外辐射源雷达的副峰抑制方法 |
GB201617771D0 (en) * | 2014-07-30 | 2016-12-07 | Deep Sea Electronics Plc | Threshold transition detector, rms measurement and filter |
CN107137080A (zh) * | 2017-05-25 | 2017-09-08 | 中国科学院深圳先进技术研究院 | 慢性腰痛患者肌肉活动状态判断方法及系统 |
CN107411935A (zh) * | 2017-07-18 | 2017-12-01 | 西安交通大学 | 一种用于软体康复机械手的多模式脑机接口控制方法 |
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 |
CN108681685A (zh) * | 2018-03-23 | 2018-10-19 | 天津科技大学 | 一种基于人体表面肌电信号的躯干动作意图识别方法 |
CN109446957A (zh) * | 2018-10-18 | 2019-03-08 | 广州云从人工智能技术有限公司 | 一种基于emg信号识别方法 |
-
2019
- 2019-08-05 CN CN201910717272.6A patent/CN110414619B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090259338A1 (en) * | 2006-04-29 | 2009-10-15 | The Hong Kong Polytechnic University | Robotic system and training method for rehabilitation using emg signals to provide mechanical help |
JP2012101284A (ja) * | 2010-11-05 | 2012-05-31 | Nagoya Univ | 人の動作における意図推定装置 |
CN102761512A (zh) * | 2012-07-03 | 2012-10-31 | 北京理工大学 | 基于单载波数字电视信号外辐射源雷达的副峰抑制方法 |
GB201617771D0 (en) * | 2014-07-30 | 2016-12-07 | Deep Sea Electronics Plc | Threshold transition detector, rms measurement and filter |
CN107137080A (zh) * | 2017-05-25 | 2017-09-08 | 中国科学院深圳先进技术研究院 | 慢性腰痛患者肌肉活动状态判断方法及系统 |
CN107411935A (zh) * | 2017-07-18 | 2017-12-01 | 西安交通大学 | 一种用于软体康复机械手的多模式脑机接口控制方法 |
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 |
CN108681685A (zh) * | 2018-03-23 | 2018-10-19 | 天津科技大学 | 一种基于人体表面肌电信号的躯干动作意图识别方法 |
CN109446957A (zh) * | 2018-10-18 | 2019-03-08 | 广州云从人工智能技术有限公司 | 一种基于emg信号识别方法 |
Non-Patent Citations (3)
Title |
---|
CL.CAMIC等: "An EMG frequency-based test for estimating the neuromuscular fatigue threshold during cycle ergometry", 《EUR J APPL PHYSIOL》 * |
徐艳宾: "基于肌电信号的机器人遥操作控制", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
董海清: "基于表面肌电信号的上肢模式识别技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110414619B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021143353A1 (zh) | 一种手势信息处理方法、装置、电子设备及存储介质 | |
CN107485844B (zh) | 一种肢体康复训练方法、系统及嵌入式设备 | |
US10481699B2 (en) | Armband for tracking hand motion using electrical impedance measurement | |
CN109366508A (zh) | 一种基于bci的高级机械臂控制系统及其实现方法 | |
CA2582451A1 (en) | System and method for tracking facial muscle and eye motion for computer graphics animation | |
CN103886215A (zh) | 一种基于肌肉协同的步行能力计算方法和装置 | |
CN101923392A (zh) | 脑电信号的异步脑机交互控制方法 | |
CN102542242B (zh) | 非接触式采集图像的生物特征区域定位方法和装置 | |
CN111428583B (zh) | 一种基于神经网络和触觉点阵的视觉补偿方法 | |
Kour et al. | Sign language recognition using image processing | |
CN109394472A (zh) | 一种基于神经网络分类器的康复机器人运动意图识别方法 | |
CN109446957A (zh) | 一种基于emg信号识别方法 | |
Zea et al. | Real-time hand gesture recognition: a long short-term memory approach with electromyography | |
Attenberger et al. | Modeling and visualization of classification-based control schemes for upper limb prostheses | |
CN109634419A (zh) | 康复机器人运动意图识别方法及其计算机可读存储介质 | |
Zhang et al. | Activity recognition of the torso based on surface electromyography for exoskeleton control | |
CN108606882B (zh) | 基于肌电和加速度自适应控制的智能轮椅控制系统 | |
Essa et al. | Features selection for estimating hand gestures based on electromyography signals | |
CN109999433A (zh) | 基于表面肌电的个性化膈肌康复训练系统 | |
CN113780220A (zh) | 一种基于童脸识别的儿童坐姿检测方法及系统 | |
Rajendran et al. | Emergency gesture communication by patients, elderly and differently abled with care takers using wearable data gloves | |
CN106955111A (zh) | 基于表面肌电信号的脑瘫儿步态识别方法 | |
CN110414619A (zh) | 一种基于emg信号识别方法 | |
CN109814716B (zh) | 一种基于动态表面肌电信号的运动意图解码方法 | |
CN116831874A (zh) | 一种基于肌电信号的下肢康复器控制方法 |
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 |