CN110537913A - 基于lda算法的表面肌电信号的通道选取方法 - Google Patents
基于lda算法的表面肌电信号的通道选取方法 Download PDFInfo
- Publication number
- CN110537913A CN110537913A CN201910801059.3A CN201910801059A CN110537913A CN 110537913 A CN110537913 A CN 110537913A CN 201910801059 A CN201910801059 A CN 201910801059A CN 110537913 A CN110537913 A CN 110537913A
- Authority
- CN
- China
- Prior art keywords
- vector
- channel
- combination
- feature combination
- data
- 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
- A61B5/103—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
- A61B5/24—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
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Dentistry (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于LDA算法的表面肌电信号的通道选取方法。对于确定数量的肌电信号通道组合,从胫骨前肌、腓骨长肌和比目鱼肌,腓肠肌外侧肌肉,小腿内侧的腓肠肌内侧肌肉,小腿后侧的腓肠肌内侧肌肉这6个待选的的肌电信号通道中挑出不同的组合,用基于LDA算法的准确率计算算法计算每种通道组合对脚踝的放松、背屈、跖屈、外翻和内翻5种动作模式的平均识别率。通过对每种通道组合的平均识别率进行比较,得到最优的通道组合。通过基于LDA算法的识别率计算,确定最优肌电信号通道组合,相比于通过经验确定通道组合,本发明更加科学和准确,能够使用较少的肌电信号通道实现对脚踝5种动作模式以较高的识别率进行识别。
Description
技术领域
本发明涉及模式识别领域,特别涉及一种基于LDA算法的表面肌电信号的通道选取方法。可用于脚踝动作模式识别中的肌电电极位置的选择或其他动作模式的肌电电极位置的选择。
背景技术
表面肌肉电信号(surface electromyography,SEMG)简称表面肌电信号或肌电信号,是通过表面电极采集的肌肉活动时所产生的生物电信号。在脚踝要做出相应的运动时,小腿的肌肉会产生动作电位来诱发肌肉的收缩,这些信号经过皮下组织的传导最终可以在皮肤表面被表面电极检测到。表面肌电信号包含了相应动作的信息,而且表面肌电信号的检测属于无创检测,较为方便。
脚踝的康复锻炼对脚踝的损伤的恢复有着重要的意义。脚踝的康复一般会让康复者用脚踝做出放松、背屈、跖屈、外翻和内翻这几种动作。通过肌电信号判断出脚踝的动作,可以将动作信息提供给相应的显示或者康复辅助设备,让康复训练的过程更加简单和直观。
LDA算法全称是线性判别分析,是一种典型的模式识别算法。将不同动作模式的肌电信号的特征组合向量用LDA算法进行训练,可以有效判断不同的动作模式。
人类拥有复杂的肌肉系统,小腿上的许多肌肉都与脚踝的运动有关。在实际的使用中,能够通过较少的肌肉上的肌电信号实现较高识别率的识别是非常重要的,所以往往要挑选肌电信号通道。在肌电信号的模式识别的研究和应用中,并没有很多对于选择如何选择有效肌肉的研究,更多的是基于人体运动学的经验进行选择。
发明内容
针对上述存在的技术问题,本发明提出了一种基于LDA算法的表面肌电信号的通道选取方法。脚踝的放松、背屈、跖屈、外翻和内翻被当作5种识别模式。通过对动作模式识别率的统计比较,在小腿的主要肌肉,胫骨前肌、腓骨长肌、比目鱼肌、腓肠肌外侧肌肉、小腿内侧的腓肠肌内侧肌肉和小腿后侧的腓肠肌内侧肌肉这6个待选的通道中挑选出最优的肌电信号通道组合。
本发明的目的至少通过如下技术方案之一实现。
基于LDA算法的表面肌电信号的通道选取方法,包括如下步骤:
步骤S1、用酒精对小腿上胫骨前肌、腓骨长肌、比目鱼肌、腓肠肌外侧肌肉、小腿内侧的腓肠肌内侧肌肉、小腿后侧的腓肠肌内侧肌肉6个部位进行清洁,并在6个部位上固定表面肌电电极,上述6个部位为6个待选的肌电信号通道;
步骤S2、受试者坐在椅子上,大腿和小腿得到相应的支撑;只活动脚踝关节,做出放松、背屈、跖屈、外翻和内翻五种动作模式,用表面肌电传感器即肌电电极采集各个肌电信号通道的每种动作模式的肌电信号数据并以TXT格式保存到电脑;
步骤S3、选定肌电信号通道数量为m的m通道组合,则对于m个肌电信号通道的选取,总共有n种通道组合,其中,m=1,…,6;
步骤S4、对每种m通道组合的肌电信号数据进行数据分割,得到若干段肌电信号数据,定义每段肌电信号数据为一个数据窗口,对数据窗口计算绝对均值(MAV)、方差(VAR)、均方根(RMS)、波长(WL)、威尔逊幅值(WAMP)、过零点值(ZC)、样本熵(SE)、自回归系数(AR)、平均频率(MNF)和中值频率(MDF)这10种特征;
步骤S5、对于每一种m通道组合,利用LDA算法进行训练和识别,统计每种m通道组合对放松、背屈、跖屈、外翻和内翻五种动作模式的平均识别率;
步骤S6、比较n种m通道组合的平均识别率,最高平均识别率对应的m通道组合被作为最优的m通道组合。
进一步地,步骤S2中,肌电电极的采集频率范围为500-1000Hz。
进一步地,步骤S4中,对每种m通道组合的肌电信号数据进行数据分割是指以每200毫秒的肌电数据为一段,将采集的连续的肌电信号分为若干段。
进一步地,步骤S4中,每段肌电信号数据有100-200个肌电数据。
进一步地,步骤S4中,对于一种m通道组合的肌电信号数据可以得到10种特征,10种特征以不同数量随机组合,总共可以得到1023种特征组合。
进一步地,步骤S5中,利用LDA算法对每种特征组合的特征组合向量数据进行训练和识别,求取每种特征组合对5种动作模式的识别率,然后对1023种特征组合对5种动作模式的识别率求平均值,将这个平均值作为这一种m通道组合的肌电信号数据对5种动作模式的平均识别率。
进一步地,根据数据窗口中的肌电数据计算出各种特征,每种特征组合的各种特征组成一个向量,定义为特征组合向量;利用LDA算法对每种特征组合的特征组合向量进行训练和识别,对于1023种特征组合中的一种特征组合,将基于采集到的所有分别属于5种动作模式的肌电信号数据计算出的特征组合向量分为两部分,前半部分进行训练,后半部分用来识别;所述训练过程为:对前半部分分别属于5种动作模式的特征组合向量用LDA算法进行训练,得到对特征组合向量进行降维操作的降维矩阵和每种动作模式类别的标签点向量。
进一步地,通过LDA算法得到对特征组合向量进行降维操作的降维矩阵和每种动作模式类别的标签点向量的步骤具体如下:
S5.1、用LDA算法计算特征组合向量的类间散列矩阵SB:
其中,T表示矩阵转置,mi是第i个动作模式类别用于训练的特征组合向量的个数,也就是第i个动作模式类别的肌电信号进行分割,求取特征组合向量后,前半部分用于训练的特征组合向量的个数,C是动作模式的类别数量,μ是所有特征组合向量的平均向量,μi是属于第i个动作模式类别的特征组合向量的平均向量,i指动作模式类别的编号;
S5.2、计算类内散列矩阵SW:
其中,T表示矩阵转置,xj是属于第i种动作模式的第j个特征组合向量,j指特征组合向量的编号;
S5.3、计算投影矩阵,定义J(W)如下,J(W)越大,则降维后的向量的分类性越好;通过使得J(W)最大求得最佳的降维矩阵:
其中,T表示矩阵转置,投影矩阵即降维矩阵W应能使J(W)取得最大值,求取W的方法是先求的特征值和特征向量,根据特征值由大到小对特征向量进行排序,然后取前t个特征向量组成投影矩阵,t代表的是降维后的数据维度,当需要降维的特征组合向量的维度大于要识别的动作模式的类别数量时,规定降维后的数据维度t为C-1;当需要降维的特征组合向量的维度小于要识别的动作模式的类别数量时,规定降维后的数据维度为特征组合向量的维度减去1;当需要降维的特征组合向量维度为1维时则降维后的数据维度t=1;
S5.4、用μi乘以降维矩阵W,得到每种类别的标签点向量。
进一步地,通过所述降维矩阵进行降维后同类别的特征组合向量的欧氏距离变小,不同类别的特征组合向量的欧氏距离变大。
进一步地,利用LDA算法对每种特征组合的特征组合向量进行训练和识别,所述识别过程为:对于用于识别的特征组合向量,先和降维矩阵W相乘进行降维,通过比较降维后的特征组合向量和标签点向量的欧氏距离得出这个特征组合向量所属的类别;将LDA算法判断出的动作模式类别和特征组合向量实际属于的动作模式类别进行比对,统计出这种特征组合对5种动作模式的识别率。
相比于现有技术,本发明的优点在于:
通过基于LDA算法的识别率计算,确定最优肌电信号通道组合,相比于通过经验确定通道组合,更加科学和准确,能够使用较少的肌电信号通道实现对脚踝5种动作模式以较高的识别率进行识别。
附图说明
图1为本发明实施例中的基于LDA算法的表面肌电信号的通道选取方法的流程图。
具体实施方式
下面结合附图和实施例对本发明的具体实施作进一步详细的说明。
实施例:
如图1所示,基于LDA算法的表面肌电信号的通道选取方法,包括如下步骤:
步骤S1、用酒精对小腿上胫骨前肌、腓骨长肌、比目鱼肌、腓肠肌外侧肌肉、小腿内侧的腓肠肌内侧肌肉、小腿后侧的腓肠肌内侧肌肉6个部位进行清洁,并在6个部位上固定表面肌电电极,上述6个部位为6个待选的肌电信号通道。
步骤S2、受试者坐在椅子上,大腿和小腿得到相应的支撑;只活动脚踝关节,做出放松、背屈、跖屈、外翻和内翻五种动作模式,用表面肌电传感器即肌电电极采集各个肌电信号通道的每种动作模式的肌电信号数据并以TXT格式保存到电脑;所述肌电电极的采集频率范围为500-1000Hz。
步骤S3、选定肌电信号通道数量为m的m通道组合,则对于m个肌电信号通道的选取,总共有n种通道组合,其中,m=1,…,6。
步骤S4、对每种m通道组合的肌电信号数据进行数据分割,即以每200毫秒的肌电数据为一段,将采集的连续的肌电信号分为若干段,得到若干段肌电信号数据,每段肌电信号数据有100-200个肌电数据,定义每段肌电信号数据为一个数据窗口,对数据窗口计算绝对均值(MAV)、方差(VAR)、均方根(RMS)、波长(WL)、威尔逊幅值(WAMP)、过零点值(ZC)、样本熵(SE)、自回归系数(AR)、平均频率(MNF)和中值频率(MDF)这10种特征;对于一种m通道组合的肌电信号数据可以得到10种特征,10种特征以不同数量随机组合,总共可以得到1023种特征组合。
步骤S5、对于每一种m通道组合,根据数据窗口中的肌电数据计算出各种特征,每种特征组合的各种特征组成一个向量,定义为特征组合向量;利用LDA算法对每种特征组合的特征组合向量进行训练和识别,对于1023种特征组合中的一种特征组合,将基于采集到的所有分别属于5种动作模式的肌电信号数据计算出的特征组合向量分为两部分,前半部分进行训练,后半部分用来识别。所述训练过程为:对前半部分分别属于5种动作模式的特征组合向量用LDA算法进行训练,得到对特征组合向量进行降维操作的降维矩阵和每种动作模式类别的标签点向量。通过LDA算法得到对特征组合向量进行降维操作的降维矩阵和每种动作模式类别的标签点向量的步骤具体如下:
S5.1、用LDA算法计算特征组合向量的类间散列矩阵SB:
其中,T表示矩阵转置,mi是第i个动作模式类别用于训练的特征组合向量的个数,也就是第i个动作模式类别的肌电信号进行分割,求取特征组合向量后,前半部分用于训练的特征组合向量的个数,C是动作模式的类别数量,μ是所有特征组合向量的平均向量,μi是属于第i个动作模式类别的特征组合向量的平均向量,i指动作模式类别的编号;
S5.2、计算类内散列矩阵SW:
其中,T表示矩阵转置,xj是属于第i种动作模式的第j个特征组合向量,j指特征组合向量的编号;
S5.3、计算投影矩阵,定义J(W)如下,J(W)越大,则降维后的向量的分类性越好;通过使得J(W)最大求得最佳的降维矩阵:
其中,T表示矩阵转置,投影矩阵即降维矩阵W应能使J(W)取得最大值,求取W的方法是先求的特征值和特征向量,根据特征值由大到小对特征向量进行排序,然后取前t个特征向量组成投影矩阵,t代表的是降维后的数据维度,当需要降维的特征组合向量的维度大于要识别的动作模式的类别数量时,规定降维后的数据维度t为C-1;当需要降维的特征组合向量的维度小于要识别的动作模式的类别数量时,规定降维后的数据维度为特征组合向量的维度减去1;当需要降维的特征组合向量维度为1维时则降维后的数据维度t=1;
S5.4、用μi乘以降维矩阵W,得到每种类别的标签点向量。
通过所述降维矩阵进行降维后同类别的特征组合向量的欧氏距离变小,不同类别的特征组合向量的欧氏距离变大。
所述识别过程为:对于用于识别的特征组合向量,先和降维矩阵W相乘进行降维,通过比较降维后的特征组合向量和标签点向量的欧氏距离得出这个特征组合向量所属的类别;将LDA算法判断出的动作模式类别和特征组合向量实际属于的动作模式类别进行比对,统计出这种特征组合对5种动作模式的识别率。
求取每种特征组合对5种动作模式的识别率,然后对1023种特征组合对5种动作模式的识别率求平均值,将这个平均值作为这一种m通道组合的肌电信号数据对5种动作模式的平均识别率;统计每种m通道组合对放松、背屈、跖屈、外翻和内翻五种动作模式的平均识别率。
步骤S6、比较n种m通道组合的平均识别率,最高平均识别率对应的m通道组合被作为最优的m通道组合。
Claims (10)
1.基于LDA算法的表面肌电信号的通道选取方法,其特征在于,该方法包括如下步骤:
步骤S1、用酒精对小腿上胫骨前肌、腓骨长肌、比目鱼肌、腓肠肌外侧肌肉、小腿内侧的腓肠肌内侧肌肉、小腿后侧的腓肠肌内侧肌肉6个部位进行清洁,并在6个部位上固定表面肌电电极,上述6个部位为6个待选的肌电信号通道;
步骤S2、受试者坐在椅子上,大腿和小腿得到相应的支撑;只活动脚踝关节,做出放松、背屈、跖屈、外翻和内翻五种动作模式,用表面肌电传感器采集各个肌电信号通道的每种动作模式的肌电信号数据并以TXT格式保存到电脑;
步骤S3、选定肌电信号通道数量为m的m通道组合,则对于m个肌电信号通道的选取,总共有n种m通道组合,其中,m=1,…,6;
步骤S4、对每种m通道组合的肌电信号数据进行数据分割,得到若干段肌电信号数据,定义每段肌电信号数据为一个数据窗口,对数据窗口计算绝对均值、方差、均方根、波长、威尔逊幅值、过零点值、样本熵、自回归系数、平均频率和中值频率这10种特征;
步骤S5、对于每一种m通道组合,利用LDA算法进行训练和识别,统计每种m通道组合对放松、背屈、跖屈、外翻和内翻五种动作模式的平均识别率;
步骤S6、比较n种m通道组合的平均识别率,最高平均识别率对应的m通道组合被作为最优的m通道组合。
2.根据权利要求1所述的基于LDA算法的表面肌电信号的通道选取方法,其特征在于,步骤S2中,肌电电极的采集频率范围为500-1000Hz。
3.根据权利要求1所述的基于LDA算法的表面肌电信号的通道选取方法,其特征在于,步骤S4中,对每种m通道组合的肌电信号数据进行数据分割是指以每200毫秒的肌电数据为一段,将采集的连续的肌电信号分为若干段。
4.根据权利要求1所述的基于LDA算法的表面肌电信号的通道选取方法,其特征在于,步骤S4中,每段肌电信号数据有100-200个肌电数据。
5.根据权利要求1所述的基于LDA算法的表面肌电信号的通道选取方法,其特征在于,步骤S4中,对于一种m通道组合的肌电信号数据可以得到10种特征,10种特征以不同数量随机组合,总共可以得到1023种特征组合。
6.根据权利要求1所述的基于LDA算法的表面肌电信号的通道选取方法,其特征在于,步骤S5中,利用LDA算法对每种特征组合的特征组合向量数据进行训练和识别,求取每种特征组合对5种动作模式的识别率,然后对1023种特征组合对5种动作模式的识别率求平均值,将这个平均值作为这一种m通道组合的肌电信号数据对5种动作模式的平均识别率。
7.根据权利要求6所述的基于LDA算法的表面肌电信号的通道选取方法,其特征在于,根据数据窗口中的肌电数据计算出各种特征,每种特征组合的各种特征组成一个向量,定义为特征组合向量;利用LDA算法对每种特征组合的特征组合向量进行训练和识别,对于1023种特征组合中的一种特征组合,将基于采集到的所有分别属于5种动作模式的肌电信号数据计算出的特征组合向量分为两部分,前半部分进行训练,后半部分用来识别;所述训练过程为:对前半部分分别属于5种动作模式的特征组合向量用LDA算法进行训练,得到对特征组合向量进行降维操作的降维矩阵和每种动作模式类别的标签点向量。
8.根据权利要求7所述的基于LDA算法的表面肌电信号的通道选取方法,其特征在于,通过LDA算法得到对特征组合向量进行降维操作的降维矩阵和每种动作模式类别的标签点向量的步骤具体如下:
S5.1、用LDA算法计算特征组合向量的类间散列矩阵SB:
其中,T表示矩阵转置,mi是第i个动作模式类别用于训练的特征组合向量的个数,也就是第i个动作模式类别的肌电信号进行分割,求取特征组合向量后,前半部分用于训练的特征组合向量的个数,C是动作模式的类别数量,μ是所有特征组合向量的平均向量,μi是属于第i个动作模式类别的特征组合向量的平均向量,i指动作模式类别的编号;
S5.2、计算类内散列矩阵SW:
其中,T表示矩阵转置,xj是属于第i种动作模式的第j个特征组合向量,j指特征组合向量的编号;
S5.3、计算投影矩阵,定义J(W)如下,J(W)越大,则降维后的向量的分类性越好;通过使得J(W)最大求得最佳的降维矩阵:
其中,T表示矩阵转置,投影矩阵即降维矩阵W应能使J(W)取得最大值,求取W的方法是先求的特征值和特征向量,根据特征值由大到小对特征向量进行排序,然后取前t个特征向量组成投影矩阵,t代表的是降维后的数据维度,当需要降维的特征组合向量的维度大于要识别的动作模式的类别数量时,规定降维后的数据维度t为C-1;当需要降维的特征组合向量的维度小于要识别的动作模式的类别数量时,规定降维后的数据维度为特征组合向量的维度减去1;当需要降维的特征组合向量维度为1维时则降维后的数据维度t=1;
S5.4、用μi乘以降维矩阵W,得到每种类别的标签点向量。
9.根据权利要求7所述的基于LDA算法的表面肌电信号的通道选取方法,其特征在于,通过所述降维矩阵进行降维后同类别的特征组合向量的欧氏距离变小,不同类别的特征组合向量的欧氏距离变大。
10.根据权利要求7所述的基于LDA算法的表面肌电信号的通道选取方法,其特征在于,利用LDA算法对每种特征组合的特征组合向量进行训练和识别,所述识别过程为:对于用于识别的特征组合向量,先和降维矩阵W相乘进行降维,通过比较降维后的特征组合向量和标签点向量的欧氏距离得出这个特征组合向量所属的类别;将LDA算法判断出的动作模式类别和特征组合向量实际属于的动作模式类别进行比对,统计出这种特征组合对5种动作模式的识别率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910801059.3A CN110537913A (zh) | 2019-08-28 | 2019-08-28 | 基于lda算法的表面肌电信号的通道选取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910801059.3A CN110537913A (zh) | 2019-08-28 | 2019-08-28 | 基于lda算法的表面肌电信号的通道选取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110537913A true CN110537913A (zh) | 2019-12-06 |
Family
ID=68712287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910801059.3A Pending CN110537913A (zh) | 2019-08-28 | 2019-08-28 | 基于lda算法的表面肌电信号的通道选取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110537913A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111803249A (zh) * | 2020-07-24 | 2020-10-23 | 北京海益同展信息科技有限公司 | 假体的信号通道选择方法、装置、设备及存储介质 |
CN112603292A (zh) * | 2020-12-22 | 2021-04-06 | 华南理工大学 | 一种针对下肢动作的表面肌电信号的阶段选取方法 |
CN112733631A (zh) * | 2020-12-28 | 2021-04-30 | 华南理工大学 | 一种下肢动态动作模式识别方法 |
CN112998646A (zh) * | 2019-12-20 | 2021-06-22 | 河南独树数字科技有限公司 | 无特征描述的多通道表面肌电动作意图识别法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440498A (zh) * | 2013-08-20 | 2013-12-11 | 华南理工大学 | 基于lda算法的表面肌电信号识别方法 |
US20130338540A1 (en) * | 2012-06-14 | 2013-12-19 | Rehabilitation Institute Of Chicago | Systems and methods for hierarchical pattern recognition for simultaneous control of multiple-degree of freedom movements for prosthetics |
CN104398325A (zh) * | 2014-11-05 | 2015-03-11 | 西安交通大学 | 基于场景稳态视觉诱发的脑-肌电控制假肢的装置及方法 |
-
2019
- 2019-08-28 CN CN201910801059.3A patent/CN110537913A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130338540A1 (en) * | 2012-06-14 | 2013-12-19 | Rehabilitation Institute Of Chicago | Systems and methods for hierarchical pattern recognition for simultaneous control of multiple-degree of freedom movements for prosthetics |
CN103440498A (zh) * | 2013-08-20 | 2013-12-11 | 华南理工大学 | 基于lda算法的表面肌电信号识别方法 |
CN104398325A (zh) * | 2014-11-05 | 2015-03-11 | 西安交通大学 | 基于场景稳态视觉诱发的脑-肌电控制假肢的装置及方法 |
Non-Patent Citations (3)
Title |
---|
劳锟沂: "仿人型假手机构设计与肌电控制", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
张云超: "融合肌电信息的人体踝关节三维活动度量化方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
张楠鑫: "基于肌肉力描计法的人机交互控制方法的研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112998646A (zh) * | 2019-12-20 | 2021-06-22 | 河南独树数字科技有限公司 | 无特征描述的多通道表面肌电动作意图识别法 |
CN111803249A (zh) * | 2020-07-24 | 2020-10-23 | 北京海益同展信息科技有限公司 | 假体的信号通道选择方法、装置、设备及存储介质 |
CN112603292A (zh) * | 2020-12-22 | 2021-04-06 | 华南理工大学 | 一种针对下肢动作的表面肌电信号的阶段选取方法 |
CN112733631A (zh) * | 2020-12-28 | 2021-04-30 | 华南理工大学 | 一种下肢动态动作模式识别方法 |
CN112733631B (zh) * | 2020-12-28 | 2023-06-13 | 华南理工大学 | 一种下肢动态动作模式识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110537913A (zh) | 基于lda算法的表面肌电信号的通道选取方法 | |
Triwiyanto et al. | An improved performance of deep learning based on convolution neural network to classify the hand motion by evaluating hyper parameter | |
Naik et al. | An ICA-EBM-based sEMG classifier for recognizing lower limb movements in individuals with and without knee pathology | |
CN102961203B (zh) | 基于emd样本熵的表面肌电信号识别方法 | |
Ai et al. | Classification of parkinsonian and essential tremor using empirical mode decomposition and support vector machine | |
Dai et al. | Extracting and classifying spatial muscle activation patterns in forearm flexor muscles using high-density electromyogram recordings | |
CN103440498A (zh) | 基于lda算法的表面肌电信号识别方法 | |
Robinson et al. | Pattern classification of hand movements using time domain features of electromyography | |
Dai et al. | Prediction of individual finger forces based on decoded motoneuron activities | |
Farago et al. | A review of techniques for surface electromyography signal quality analysis | |
Leutheuser et al. | Comparison of the AMICA and the InfoMax algorithm for the reduction of electromyogenic artifacts in EEG data | |
CN108681685A (zh) | 一种基于人体表面肌电信号的躯干动作意图识别方法 | |
Guo et al. | Changes in blood lactate and muscle activation in elite rock climbers during a 15-m speed climb | |
Ancillao et al. | Linear correlation between fractal dimension of surface EMG signal from Rectus Femoris and height of vertical jump | |
Saranya et al. | Gaussian mixture model based clustering of manual muscle testing grades using surface electromyogram signals | |
Meng et al. | Evaluation of decomposition parameters for high-density surface electromyogram using fast independent component analysis algorithm | |
Turgunov et al. | Using different features of signal in EMG signal classification | |
Clancy et al. | Time-and frequency-domain monitoring of the myoelectric signal during a long-duration, cyclic, force-varying, fatiguing hand-grip task | |
Anitha et al. | An Artificial Neural Network Classifier for palm Motion categorization based on EMG signal | |
Esmaeili et al. | Comparison of muscle synergies extracted from both legs during cycling at different mechanical conditions | |
Garavito et al. | EMG signal analysis based on fractal dimension for muscle activation detection under exercice protocol | |
Rimini et al. | Evaluation of muscle synergies stability in human locomotion: A comparison between normal and fast walking speed | |
Marri et al. | Analysis of biceps brachii muscles in dynamic contraction using sEMG signals and Multifractal DMA algorithm | |
Veer | A flexible approach for segregating physiological signals | |
Marri et al. | Identification of onset of fatigue in biceps brachii muscles using surface EMG and multifractal DMA alogrithm |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191206 |