CN110464348A - 基于肌电信号的下肢关节连续运动量识别方法及系统 - Google Patents
基于肌电信号的下肢关节连续运动量识别方法及系统 Download PDFInfo
- Publication number
- CN110464348A CN110464348A CN201910621287.2A CN201910621287A CN110464348A CN 110464348 A CN110464348 A CN 110464348A CN 201910621287 A CN201910621287 A CN 201910621287A CN 110464348 A CN110464348 A CN 110464348A
- Authority
- CN
- China
- Prior art keywords
- joint
- lower limb
- information
- motion
- density surface
- 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
- 210000003141 lower extremity Anatomy 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000002567 electromyography Methods 0.000 title abstract description 10
- 230000003183 myoelectrical effect Effects 0.000 claims abstract description 57
- 210000003205 muscle Anatomy 0.000 claims abstract description 40
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 12
- 230000001537 neural effect Effects 0.000 claims description 55
- 238000001914 filtration Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 17
- 210000000689 upper leg Anatomy 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 14
- 210000001699 lower leg Anatomy 0.000 claims description 12
- 230000036982 action potential Effects 0.000 claims description 11
- 210000000544 articulatio talocruralis Anatomy 0.000 claims description 11
- 210000004394 hip joint Anatomy 0.000 claims description 11
- 210000000629 knee joint Anatomy 0.000 claims description 11
- 210000002161 motor neuron Anatomy 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 210000001503 joint Anatomy 0.000 claims description 4
- 210000005036 nerve Anatomy 0.000 abstract description 10
- 230000003993 interaction Effects 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 210000003414 extremity Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 210000003423 ankle Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 244000309466 calf Species 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 210000001624 hip Anatomy 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004118 muscle contraction Effects 0.000 description 1
- 230000003767 neural control Effects 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1118—Determining activity level
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
-
- 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
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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)
- Molecular Biology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Dentistry (AREA)
- Artificial Intelligence (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (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
本发明公开了基于肌电信号的下肢关节连续运动量识别方法及系统，其中方法包括以下步骤：采集人体行走过程中下肢肌肉的高密度表面肌电信号；对高密度表面肌电信号进行分解后，提取神经信息特征；将神经信息特征输入预设的关节连续运动量识别模型进行识别，并获得下肢关节的运动角度和运动力矩。本发明通过采集下肢肌肉的高密度表面肌电信号，增加表面肌电信号信息量，大大减小受干扰噪声影响；通过微观分解提取神经信息特征，突破全局信号处理的方法，实现神经信息的准确提取，再进行下肢关节运动角度和力矩量的连续识别，极大地提高表面肌电人机接口的准确性和鲁棒性，可广泛应用于人机交互领域。
Description
技术领域
本发明涉及人机交互领域，尤其涉及一种于肌电信号的下肢关节连续运动量识别方法及系统。
背景技术
人机交互是新一代人机共融机器人的显著特点，因此合适的人机交互接口十分重要。基于表面肌电信号的生机接口技术，在人体与机器人之间建立直接的交流和控制通道，通过识别表面肌电信号内蕴含的人体运动信息并作用于机器人，是实现人与机器人直观、自然交互的重要方式，在智能假肢和可穿戴外骨骼机器人中具有重要的作用。通过表面肌电信号进行运动识别主要包括离散运动模式和关节连续运动量(关节角度和关节力矩)的识别，相比之下，连续运动量的识别有利于实现机器人的平滑控制，因此越来越受到国内外研究者的重视。
在现有的基于表面肌电信号的下肢关节连续运动量识别方法中，采用的方法如下：通过差分电极对采集下肢运动过程中主要表层肌肉的表面肌电信号，然后采用信号全局分析和处理方法，提取短时间窗内的时域、频域或者时频域的特征信息，以此为输入，通过连续运动识别模型对关节运动角度或力矩进行识别。然而，上述方法存在以下问题：1)每块肌肉表面肌电信号的数据量不多，差分电极对只获得单路表面肌电信号，信息量有限且极易受干扰噪声影响；2)基于信号全局提取的时域、频域和时频域特征不仅受到神经控制信号的影响，同时也受到肌肉收缩形式变化、肢体位置变化和表面肌电模式随时间变化等生理和非生理因素的影响，因此神经信息解码的质量不高。以上两个问题直接影响运动识别的准确性和鲁棒性。
名词解释：
表征：是信息在头脑中的呈现方式。根据信息加工的观点，当有机体对外界信息进行加工(输入、编码、转换、存储和提取等)时，这些信息是以表征的形式在头脑中出现的。表征是客观事物的反映，又是被加工的客体。同一事物，其表征的方式不同，对它的加工也不相同。例如，对文字材料，着重其含意的知觉理解和对字体的知觉就完全不同。由于信息的来源不同，人脑对它的加工也不同。信息的编码和存储有视觉形象形式和言语听觉形式，抽象概念或命题形式。
发明内容
为了解决上述技术问题，本发明的目的是提供一种识别的准确性更高的下肢关节连续运动量识别方法及系统。
本发明所采用的第一技术方案是：
基于肌电信号的下肢关节连续运动量识别方法，包括以下步骤：
采集人体行走过程中下肢肌肉的高密度表面肌电信号；
对高密度表面肌电信号进行分解后，提取神经信息特征；
将神经信息特征输入预设的关节连续运动量识别模型进行识别，并获得下肢关节的运动角度和运动力矩。
进一步，还包括建立关节连续运动量识别模型的步骤，所述建立关节连续运动量识别模型的步骤具体包括以下步骤：
采集人体行走过程中下肢关节的运动角度信息、关节运动力矩信息和高密度表面肌电信号；
对高密度表面肌电信号进行分解后，提取神经信息特征；
结合关节运动角度信息、关节运动力矩信息和神经信息特征构建与标定关节连续运动量识别模型。
进一步，所述关节运动角度信息包括髋关节、膝关节和/或踝关节在矢状面上的运动角度，所述关节运动力矩信息包括髋关节、膝关节和/或踝关节在矢状面上的运动力矩。
进一步，所述高密度表面肌电信号通过以下方式进行采集：
结合阵列式柔性电极和表面肌电信号采集设备采集下肢的大腿前肌群、大腿后肌群、大腿内侧肌群、小腿前肌群和/或小腿后肌群的高密度表面肌电信号；
所述阵列式柔性电极围绕在大腿和小腿上。
进一步，所述对高密度表面肌电信号进行分解这一步骤，具体包括以下步骤：
对采集到的高密度表面肌电信号进行滤波；
对阵列式柔性电极进行区域划分后，采用第一预设算法分解出参与各区域的运动单位的动作电位发放序列。
进一步，所述提取神经信息特征这一步骤，具体包括以下步骤：
采用第二预设算法获取运动神经元的脉冲发放序列；
统计各区域的运动神经元数目和平均脉冲发放率信息，并得到各区域的神经驱动信息的表征作为神经信息特征。
进一步，所述对采集到的高密度表面肌电信号进行滤波这一步骤，具体为：
采用四阶巴特沃斯带通滤波和工频陷波对各高密度表面肌电信号进行滤波。
进一步，所述结合关节运动角度信息、关节运动力矩信息和神经信息特征构建与标定关节连续运动量识别模型这一步骤，具体包括以下步骤：
采用BP神经网络建立神经信息特征与下肢关节的运动角度之间的第一映射模型，以及建立神经信息特征与下肢关节的运动力矩之间的第二映射模型；
根据关节运动角度信息对第一映射模型进行标定，以及根据关节运动力矩信息对第二映射模型进行标定。
本发明所采用的第二技术方案是：
基于肌电信号的下肢关节连续运动量识别系统，包括：
采集模块，用于采集人体行走过程中下肢肌肉的高密度表面肌电信号；
分解提取模块，用于对高密度表面肌电信号进行分解后，提取神经信息特征；
识别模块，用于将神经信息特征输入预设的关节连续运动量识别模型进行识别，并获得下肢关节的运动角度和运动力矩。
进一步，还包括建立模型模块，所述建立模块包括信息采集单元、特征提取单元和建模单元：
所述信息采集单元用于采集人体行走过程中下肢关节的运动角度信息、关节运动力矩信息和高密度表面肌电信号；
所述特征提取单元用于对高密度表面肌电信号进行分解后，提取神经信息特征；
所述建模单元用于结合关节运动角度信息、关节运动力矩信息和神经信息特征构建与标定关节连续运动量识别模型。
本发明的有益效果是：本发明通过采集下肢肌肉的高密度表面肌电信号，增加表面肌电信号信息量，大大减小受干扰噪声影响；通过微观分解提取神经信息特征，突破全局信号处理的方法，实现神经信息的准确提取，再进行下肢关节运动角度和力矩量的连续识别，极大地提高表面肌电人机接口的准确性和鲁棒性。
附图说明
图1是本发明基于肌电信号的下肢关节连续运动量识别方法的步骤流程图；
图2是具体实施例中运动单位的动作电位发放序列的示意图；
图3是具体实施例中三层BP神经网络的结构示意图；
图4是本发明基于肌电信号的下肢关节连续运动量识别系统的结构框图。
具体实施方式
如图1所示，本实施例提供了一种基于肌电信号的下肢关节连续运动量识别方法，包括以下步骤：
S1、建立关节连续运动量识别模型。
S2、采集人体行走过程中下肢肌肉的高密度表面肌电信号。
S3、对高密度表面肌电信号进行分解后，提取神经信息特征。
S4、将神经信息特征输入预设的关节连续运动量识别模型进行识别，并获得下肢关节的运动角度和运动力矩。
在本实施例方法中，采集下肢肌肉的高密度表面肌电信号，增加表面肌电信号信息量，避免信息量有限而受干扰噪声的影响；通过微观分解提取神经信息特征，突破全局信号处理的方法，实现神经信息的准确提取，最后进行下肢关节运动角度和力矩量的连续识别，提高表面肌电人机接口的准确性和鲁棒性。
其中，步骤S1具体包括步骤S11～S13：
S11、采集人体行走过程中下肢关节的运动角度信息、关节运动力矩信息和高密度表面肌电信号；
S12、对高密度表面肌电信号进行分解后，提取神经信息特征；
S13、结合关节运动角度信息、关节运动力矩信息和神经信息特征构建与标定关节连续运动量识别模型。
其中，所述关节运动角度信息包括髋关节、膝关节和/或踝关节在矢状面上的运动角度，所述关节运动力矩信息包括髋关节、膝关节和/或踝关节在矢状面上的运动力矩；在采集髋关节、膝关节/或踝关节的角度和力矩信息时，可以在矢状面获取信息，也可以在冠状面、水平面等平面上获取信息，本实施例中只举例在矢状面上采集，但在其他平面或多种平面组合获取信息的方案都属于本实施例的保护范围。所述高密度表面肌电信号通过以下方式进行采集：结合阵列式柔性电极和表面肌电信号采集设备采集下肢的大腿前肌群、大腿后肌群、大腿内侧肌群、小腿前肌群和/或小腿后肌群的高密度表面肌电信号；所述阵列式柔性电极围绕在大腿和小腿上。
通过光学运动捕捉系统来获取关节运动角度信息，通过测力板系统来获取关节运动力矩信息，通过高密度表面肌电采集系统来获取高密度表面肌电信号；具体地，所述高密度表面肌电采集系统包括阵列式柔性电极和表面肌电采集设备，所述列式柔性电极围绕在大腿和小腿上一圈或者多圈，通过阵列式柔性电极可以很好地获取下肢肌群的高密度表面肌电信号，增加表面肌电信号信息量。
其中，所述步骤S12具体包括步骤B1～B4：
B1、对采集到的高密度表面肌电信号进行滤波。
B2、对阵列式柔性电极进行区域划分后，采用第一预设算法分解出参与各区域的运动单位的动作电位发放序列。
B3、采用第二预设算法获取运动神经元的脉冲发放序列。
B4、统计各区域的运动神经元数目和平均脉冲发放率信息，并得到各区域的神经驱动信息的表征作为神经信息特征。
步骤B1具体为：采用四阶巴特沃斯带通滤波和工频陷波对各高密度表面肌电信号进行滤波。
在本实施例中，所述第一预设算法采用盲源分离算法，所述第二预设算法采用峰值检测算法。在高密度表面肌电信号的分解时，先对采集到的高密度表面肌电信号进行滤波；其次，对阵列式柔性电极网格进行区域划分，通过盲源分离算法还原出参与各区域活动的运动单位的动作电位发放序列。在神经信息提取与表征时，先通过峰值检测算法得到运动神经元的脉冲发放序列；其次，统计各区域的活动神经元数目和平均脉冲发放率信息，得到各区域的神经驱动信息的表征。
本实施例通过突破全局信号处理的方法，通过微观分解提取神经元级的输出信息，实现神经信息的准确提取，最后进行下肢关节运动角度和力矩量的连续识别，极大地提高表面肌电人机接口的准确性和鲁棒性。
其中，所述步骤S13，具体包括步骤C1～C2：
C1、采用BP神经网络建立神经信息特征与下肢关节的运动角度之间的第一映射模型，以及建立神经信息特征与下肢关节的运动力矩之间的第二映射模型；
C2、根据关节运动角度信息对第一映射模型进行标定，以及根据关节运动力矩信息对第二映射模型进行标定。
在关节连续运动量识别模型构建与标定时，先通过BP网络分别建立神经信息特征与髋、膝、踝三个关节角度和三个关节力矩之间的映射模型；然后，以步骤S11中同步记录的关节角度和关节力矩值，完成模型的标定。
具体实施例
以下结合图2和图3对上述方法进行详细的阐述说明。
一种基于肌电信号的下肢关节连续运动量识别方法，具体包括以下步骤：
步骤一、信号采集
通过光学运动捕捉系统、测力板系统和高密度表面肌电采集系统，同步记录人体行走过程中的关节运动角度、关节运动力矩和高密度表面肌电信号。其中关节运动角度包括髋、膝和踝关节在矢状面内的运动角度；关节运动力矩包括髋、膝和踝关节在矢状面内的运动力矩；高密度表面肌电信号由通过围绕在大腿、小腿一圈的阵列式柔性电极和高密度表面肌电采集设备记录的下肢大腿前肌群、后肌群和内侧肌群，小腿前肌群和后肌群的高密度表面肌电信号。
步骤二、高密度表面肌电信号的分解
首先，对采集到的高密度表面肌电信号进行滤波；其次，对阵列式柔性电极网格进行区域划分，通过盲源分离算法还原出参与各区域活动的运动单位的动作电位发放序列。
具体地，采用零滞后的四阶巴特沃斯带通滤波以及工频陷波对各路表面肌电信号进行滤波处理，其中带通频带为20-500Hz。然后，对柔性电极网格进行划分，其中对于大腿分解成三个区域，分别覆盖大腿前肌群A1、后肌群A2和内侧肌群A3，小腿划分为两个区域，分别覆盖小腿前肌群A4和后肌群A5。对于每个区域高密度表面肌电信号进行相同的分解处理，以其中一个区域为例，在时间间隔Δt内记录的多路表面肌电信号可表示为具有限脉冲响应滤波器的卷积混合，即
其中，X(k)＝[x1(k)，x2(k)，...，xm(k)]T是m路测量表面肌电信号；为m路噪声信号；H为信号混合矩阵，由等于运动单位动作电位长度的通道脉冲响应hij＝[hij(0)，...，hij(L-1)T(第j个运动单位在第i路通道的脉冲响应)组成；sk为N个输入源信号的扩展形式组成，即
对公式(1)表示的多通道表面肌电信号进行信号延迟扩展，即 其中K表示扩展因子，那么运动单位活跃度的指标计算为
其中，表示扩展信号的相关矩阵。假设只有第j个运动单位活动的时刻k1，可以重构该运动单位的动作电位发放序列为
从sj(k)中找到最大峰值时刻k2作为第j个运动单位活动的第二个时刻，并更新公式(3)为
以此类推，得到第j个运动单位在k个观测样本下的动作电位发放序列。同时，为实现高密度表面肌电信号的连续分解，可对扩展信号的相关矩阵进行序列计算为：
为增加k+1个观测样本后的相关矩阵，将(5)式应用于公式(3)和(4)，可以获得k+1个观测样本到达后的动作电位发放序列。图2给出了运动单位的动作电位发放序列的示例。同理，可以得到一个区域表面肌电信号中蕴含的全部运动单位活动序列，实现高密度表面肌电信号的分解。
步骤三、神经信息提取与表征
首先，通过峰值检测算法，得到运动神经元的脉冲发放序列；其次，统计各区域的活动神经元数目和平均脉冲发放率信息，得到各区域的神经驱动信息的表征。
具体地，通过运动单位活动序列的峰值检测，我们可以得到支配每个运动单位活动的神经脉冲发放序列。假定时间间隔Δt内各个区域下得到的脉冲序列分别为：A1＝{T1，1，T1，2，...T1，N1}，A2＝{T2，1，T2，2，...T2，N2}，A3＝{T3，1，T3，2，...T3，N3}，A4＝{T4，1，T4，2，...T4，N4}，A5＝{T5，1，T5，2，...T5，N5}。然后，对于每个区域，我们可以得到神经元数目Nj，j＝1，..5，和平均电位发放率fj，j＝1，..5，这样一共得到10个神经驱动信息的表征量，构成特征矢量。
步骤四、关节连续运动量识别模型构建与标定
首先，通过BP网络分别建立神经信息特征与髋、膝、踝三个关节角度和三个关节力矩之间的映射模型；然后，以步骤一中同步记录的关节角度和关节力矩值，完成模型的标定工作。
具体地，首先构建三层BP神经网络，如图3所示，所述三层BP神经网络包括输入层、中间层和输出层，其中，中间隐藏层为S型函数，即f(x)＝1/(1+e-x)，输出层为线性函数，那么整个网络的输出为
其中，Wout和Win分别表示输出层和输入层的权值矩阵，bout和bin为输出层和输入层的偏置矩阵，这些参数都是通过训练获得；y表示输出的关节运动量，在关节力矩识别时，为髋、膝和踝关节的力矩矢量，在关节角度时，为三个关节角度组成的矢量；x为输入的神经驱动特征矢量。建立网络的基础上，以神经驱动信息特征和对应的关节力矩与关节角度为训练样本，分别进行关节力矩和关节角度识别网络的参数学习，直至误差小于预设的范围。
得到关节连续运动量识别模型后，将采集到的高密度表面肌电信号进行神经信息特征提取后，将神经信息特征输入该模型中，由模型进行识别，从而获得下肢关节的运动角度和运动力矩。
综上所述，本实施例的方法相对与现有的下肢关节连续运动量识别方法具有如下有益效果：
(1)、通过阵列式柔性电极拾取下肢肌群的高密度表面肌电信号，增加表面肌电信号信息量。
(2)、基于表面肌电信号逆向分解的方法能够提取运动神经的输出信息，实现神经信息的准确提取，相比于全局信号特征提取，提高神经信息提取质量。
(3)、运动神经输出信息不受肌肉、皮肤变化的影响，进行下肢关节运动角度和力矩量的连续识别，进一步提高表面肌电接口的鲁棒性。
如图4所述，本实施例还提供了基于肌电信号的下肢关节连续运动量识别系统，包括：
采集模块，用于采集人体行走过程中下肢肌肉的高密度表面肌电信号；
分解提取模块，用于对高密度表面肌电信号进行分解后，提取神经信息特征；
识别模块，用于将神经信息特征输入预设的关节连续运动量识别模型进行识别，并获得下肢关节的运动角度和运动力矩。
进一步作为优选的实施方式，还包括建立模型模块，所述建立模块包括信息采集单元、特征提取单元和建模单元：
所述信息采集单元用于采集人体行走过程中下肢关节的运动角度信息、关节运动力矩信息和高密度表面肌电信号；
所述特征提取单元用于对高密度表面肌电信号进行分解后，提取神经信息特征；
所述建模单元用于结合关节运动角度信息、关节运动力矩信息和神经信息特征构建与标定关节连续运动量识别模型。
本实施例的基于肌电信号的下肢关节连续运动量识别系统，可执行本发明方法实施例所提供的基于肌电信号的下肢关节连续运动量识别方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.基于肌电信号的下肢关节连续运动量识别方法，其特征在于，包括以下步骤：
采集人体行走过程中下肢肌肉的高密度表面肌电信号；
对高密度表面肌电信号进行分解后，提取神经信息特征；
将神经信息特征输入预设的关节连续运动量识别模型进行识别，并获得下肢关节的运动角度和运动力矩。
2.根据权利要求1所述的基于肌电信号的下肢关节连续运动量识别方法，其特征在于，还包括建立关节连续运动量识别模型的步骤，所述建立关节连续运动量识别模型的步骤具体包括以下步骤：
采集人体行走过程中下肢关节的运动角度信息、关节运动力矩信息和高密度表面肌电信号；
对高密度表面肌电信号进行分解后，提取神经信息特征；
结合关节运动角度信息、关节运动力矩信息和神经信息特征构建与标定关节连续运动量识别模型。
3.根据权利要求2所述的基于肌电信号的下肢关节连续运动量识别方法，其特征在于，所述关节运动角度信息包括髋关节、膝关节和/或踝关节在矢状面上的运动角度，所述关节运动力矩信息包括髋关节、膝关节和/或踝关节在矢状面上的运动力矩。
4.根据权利要求1所述的基于肌电信号的下肢关节连续运动量识别方法，其特征在于，所述高密度表面肌电信号通过以下方式进行采集：
结合阵列式柔性电极和表面肌电信号采集设备采集下肢的大腿前肌群、大腿后肌群、大腿内侧肌群、小腿前肌群和/或小腿后肌群的高密度表面肌电信号；
所述阵列式柔性电极围绕在大腿和小腿上。
5.根据权利要求4所述的基于肌电信号的下肢关节连续运动量识别方法，其特征在于，所述对高密度表面肌电信号进行分解这一步骤，具体包括以下步骤：
对采集到的高密度表面肌电信号进行滤波；
对阵列式柔性电极进行区域划分后，采用第一预设算法分解出参与各区域的运动单位的动作电位发放序列。
6.根据权利要求5所述的基于肌电信号的下肢关节连续运动量识别方法，其特征在于，所述提取神经信息特征这一步骤，具体包括以下步骤：
采用第二预设算法获取运动神经元的脉冲发放序列；
统计各区域的运动神经元数目和平均脉冲发放率信息，并得到各区域的神经驱动信息的表征作为神经信息特征。
7.根据权利要求5所述的基于肌电信号的下肢关节连续运动量识别方法，其特征在于，所述对采集到的高密度表面肌电信号进行滤波这一步骤，具体为：
采用四阶巴特沃斯带通滤波和工频陷波对各高密度表面肌电信号进行滤波。
8.根据权利要求2所述的基于肌电信号的下肢关节连续运动量识别方法，其特征在于，所述结合关节运动角度信息、关节运动力矩信息和神经信息特征构建与标定关节连续运动量识别模型这一步骤，具体包括以下步骤：
采用BP神经网络建立神经信息特征与下肢关节的运动角度之间的第一映射模型，以及建立神经信息特征与下肢关节的运动力矩之间的第二映射模型；
根据关节运动角度信息对第一映射模型进行标定，以及根据关节运动力矩信息对第二映射模型进行标定。
9.基于肌电信号的下肢关节连续运动量识别系统，其特征在于，包括：
采集模块，用于采集人体行走过程中下肢肌肉的高密度表面肌电信号；
分解提取模块，用于对高密度表面肌电信号进行分解后，提取神经信息特征；
识别模块，用于将神经信息特征输入预设的关节连续运动量识别模型进行识别，并获得下肢关节的运动角度和运动力矩。
10.根据权利要求9所述的基于肌电信号的下肢关节连续运动量识别系统，其特征在于，还包括建立模型模块，所述建立模块包括信息采集单元、特征提取单元和建模单元：
所述信息采集单元用于采集人体行走过程中下肢关节的运动角度信息、关节运动力矩信息和高密度表面肌电信号；
所述特征提取单元用于对高密度表面肌电信号进行分解后，提取神经信息特征；
所述建模单元用于结合关节运动角度信息、关节运动力矩信息和神经信息特征构建与标定关节连续运动量识别模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910621287.2A CN110464348A (zh) | 2019-07-10 | 2019-07-10 | 基于肌电信号的下肢关节连续运动量识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910621287.2A CN110464348A (zh) | 2019-07-10 | 2019-07-10 | 基于肌电信号的下肢关节连续运动量识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110464348A true CN110464348A (zh) | 2019-11-19 |
Family
ID=68507239
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910621287.2A Pending CN110464348A (zh) | 2019-07-10 | 2019-07-10 | 基于肌电信号的下肢关节连续运动量识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110464348A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112232161A (zh) * | 2020-09-30 | 2021-01-15 | 华中科技大学 | 一种基于肌电映射模型切换的复杂运动连续估计方法 |
| CN112315488A (zh) * | 2020-11-23 | 2021-02-05 | 宁波工业互联网研究院有限公司 | 一种基于肌电信号的人体运动状态识别方法 |
| CN114767132A (zh) * | 2022-04-20 | 2022-07-22 | 中国科学技术大学 | 一种基于表面肌电分解的运动单位识别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004107976A1 (en) * | 2003-06-06 | 2004-12-16 | The University Of Queensland | Muscle assessment |
| CN109359619A (zh) * | 2018-10-31 | 2019-02-19 | 浙江工业大学之江学院 | 一种基于卷积盲源分离的高密度表面肌电信号分解方法 |
| CN109833040A (zh) * | 2019-01-31 | 2019-06-04 | 中国医学科学院生物医学工程研究所 | 基于光电联合检测的人体运动能力评估装置及其评估方法 |
-
2019
- 2019-07-10 CN CN201910621287.2A patent/CN110464348A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004107976A1 (en) * | 2003-06-06 | 2004-12-16 | The University Of Queensland | Muscle assessment |
| CN109359619A (zh) * | 2018-10-31 | 2019-02-19 | 浙江工业大学之江学院 | 一种基于卷积盲源分离的高密度表面肌电信号分解方法 |
| CN109833040A (zh) * | 2019-01-31 | 2019-06-04 | 中国医学科学院生物医学工程研究所 | 基于光电联合检测的人体运动能力评估装置及其评估方法 |
Non-Patent Citations (3)
| Title |
|---|
| JIANGCHENG CHEN等: "Surface EMG based continuous estimation of human lower limb joint angles by using deep belief networks", 《BIOMEDICAL SIGNAL PROCESSING AND CONTROL》 * |
| 张小栋 等: "下肢康复机器人肌电感知与人机交互控制方法", 《振动、测试与诊断》 * |
| 陈江城 等: "利用表面肌电信号的下肢动态关节力矩预测模型", 《西安交通大学学报》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112232161A (zh) * | 2020-09-30 | 2021-01-15 | 华中科技大学 | 一种基于肌电映射模型切换的复杂运动连续估计方法 |
| CN112232161B (zh) * | 2020-09-30 | 2023-04-07 | 华中科技大学 | 一种基于肌电映射模型切换的复杂运动连续估计方法 |
| CN112315488A (zh) * | 2020-11-23 | 2021-02-05 | 宁波工业互联网研究院有限公司 | 一种基于肌电信号的人体运动状态识别方法 |
| CN114767132A (zh) * | 2022-04-20 | 2022-07-22 | 中国科学技术大学 | 一种基于表面肌电分解的运动单位识别方法 |
| CN114767132B (zh) * | 2022-04-20 | 2024-05-07 | 中国科学技术大学 | 一种基于表面肌电分解的运动单位识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Reaz et al. | Techniques of EMG signal analysis: detection, processing, classification and applications | |
| CN110537922B (zh) | 基于深度学习的人体行走过程下肢运动识别方法及系统 | |
| CN113288183B (zh) | 一种基于面颈部表面肌电的无声语音识别方法 | |
| CN106726030B (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 | |
| CN110464348A (zh) | 基于肌电信号的下肢关节连续运动量识别方法及系统 | |
| CN102499797B (zh) | 假肢控制方法及系统 | |
| 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 | |
| CN111887858B (zh) | 基于跨模态映射的心冲击图信号心率估计方法 | |
| CN112043473B (zh) | 智能假肢脑-肌电融合感知的并行嵌套与自主择优分类器 | |
| Gauthaam et al. | EMG controlled bionic arm | |
| CN111584030A (zh) | 基于深度学习和复杂网络的意念控制智能康复系统及应用 | |
| CN108992066A (zh) | 基于肌电信号的便携式下肢行为模式实时识别系统及方法 | |
| CN111584029A (zh) | 基于判别式对抗网络的脑电自适应模型及在康复中的应用 | |
| Ngeo et al. | Continuous estimation of finger joint angles using muscle activation inputs from surface EMG signals | |
| CN113111831A (zh) | 一种基于多模态信息融合的手势识别技术 | |
| George et al. | Sensing, processing and application of EMG signals for HAL (Hybrid Assistive Limb) | |
| CN105534517A (zh) | 一种去除三导联心电信号中车辆运动噪声的方法 | |
| Nougarou et al. | Muscle activity distribution features extracted from HD sEMG to perform forearm pattern recognition | |
| KR100994408B1 (ko) | 손가락 힘 추정 방법 및 추정 장치, 손가락 힘 추정을 위한근육 판별 방법 및 근육 판별 장치 | |
| CN112998725A (zh) | 一种基于运动观察的脑机接口技术的康复方法与系统 | |
| CN115154828A (zh) | 一种基于脑机接口技术的大脑功能重塑方法、系统、设备 | |
| CN114098768A (zh) | 基于动态阈值和EasyTL的跨个体表面肌电信号手势识别方法 | |
| Cotton | Smartphone control for people with tetraplegia by decoding wearable electromyography with an on-device convolutional neural network | |
| Villarejo et al. | Identification of low level sEMG signals for individual finger prosthesis | |
| CN113625882B (zh) | 一种基于稀疏多通道相关性特征的肌电手势识别方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191119 |
|
| RJ01 | Rejection of invention patent application after publication |