CN110558979A - 一种基于神经网络的肌肉运动单元提取方法 - Google Patents
一种基于神经网络的肌肉运动单元提取方法 Download PDFInfo
- Publication number
- CN110558979A CN110558979A CN201910859562.4A CN201910859562A CN110558979A CN 110558979 A CN110558979 A CN 110558979A CN 201910859562 A CN201910859562 A CN 201910859562A CN 110558979 A CN110558979 A CN 110558979A
- Authority
- CN
- China
- Prior art keywords
- movement unit
- muscle movement
- waveform
- neural network
- classification
- 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
- 210000003205 muscle Anatomy 0.000 title claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 22
- 238000000605 extraction Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 15
- 102100024405 GPI-linked NAD(P)(+)-arginine ADP-ribosyltransferase 1 Human genes 0.000 claims abstract description 12
- 101000981252 Homo sapiens GPI-linked NAD(P)(+)-arginine ADP-ribosyltransferase 1 Proteins 0.000 claims abstract description 12
- 230000004118 muscle contraction Effects 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 7
- 230000008602 contraction Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000003313 weakening effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002232 neuromuscular Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static 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
- A61B5/24—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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
- A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
-
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (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
本发明提供了一种基于神经网络的肌肉运动单元提取方法,针对肌肉动态收缩过程中,通过阵列式表面肌电信号,采用神经网络提取肌肉运动单元。本发明采用ART2神经网络对肌肉运动单元波形进行分类,分类过程中不需要进行神经网络训练,直接输入实际波形信号进行识别,简化了识别过程,节约运行时间。在分类过程中,为了应对肌肉动态收缩时运动单元的变化,动态更新分类模板。本发明在确认肌肉运动单元时,考虑了波形传播特性,提高了提取肌肉运动单元的准确性。本发明实现简单,满足实际应用的需要。
Description
技术领域
本发明涉及一种基于神经网络的肌肉运动单元提取方法。
背景技术
表面肌电信号(surface EMG,sEMG)是利用表面电极从人体体表检测肌电信号,与针电极肌电信号(Needle EMG,NEMG)相比,它具有无创性、易于接受的特点,因此应用前景广阔,尤其是阵列式sEMG信号的检测分析。在临床上,通过阵列式sEMG可以较全面地了解神经肌肉的功能状态。目前,对sEMG信号分析处理主要针对的是肌肉静态收缩的表面肌电信号,对肌肉动态收缩的研究非常少,本发明就是针对肌肉动态收缩,提出一种基于神经网络的肌肉运动单元(Motor Unit,MU)提取方法。
发明内容
鉴于上述问题,本发明的目的在于提供一种基于神经网络的肌肉运动单元提取方法,其特征是包括以下步骤:
步骤一,采集肌肉在动态收缩时阵列式表面肌电信号,对信号滤波,削弱干扰;
步骤二,提取每个通道上的肌肉运动单元发放波形;
步骤三,将每一个通道的肌肉运动单元发放波形输入ART2神经网络,在神经元中设置非线性函数抑制噪声;
步骤四,在ART2识别分类过程中,动态更新分类模板,比较发放波形相似程度,输出分类结果;
步骤五,将各通道输出的分类结果进行差分运算,根据传播特征,确认肌肉运动单元;
步骤六,对所有发放序列归类整理,剔除重复以及不合理的发放时刻向量,合并同一肌肉运动单元发放波形,计算波形均值,优化结果。
优化的措施包括:
步骤四中,利用动态收缩过程中,发放波形的变化动态更新分类模板,具体更新公式如下:
zi+1=ηzi+(1-η)si
其中zi+1是更新后模板,zi是更新前模板,η是更新系数,si是肌肉动态收缩变化因子,即pi是动态输入变化的波形,N是波形长度。
与现有技术相比,本发明提供一种基于神经网络的肌肉运动单元提取方法,提取过程不需要进行神经网络训练,直接输入实际波形信号进行识别,简化了识别过程,节约运行时间。当新的输入波形不同时,如果波形变化是在动态收缩变化的范围内时,分配到现有模板并更新模板,否则,生成新的模板。本发明在确认肌肉运动单元时,考虑了波形传播特性,提高了提取肌肉运动单元的准确性。
附图说明
图1是本发明流程图。
图2是本发明实施例的肌肉运动单元位置示意图。
具体实施方式
以下结合附图实例对本发明作进一步详细描述,本领域技术人员可由本说明书所揭露的内容轻易地实现。
如图1所示为本发明的流程图。
本发明提供一种基于神经网络的肌肉运动单元提取方法,其特征是包括以下步骤:
步骤一,采集肌肉在动态收缩时阵列式表面肌电信号,对信号滤波,削弱干扰。由于sEMG信号中包含各种干扰信号,预处理首先需要采用带通滤波器,保留10Hz--500Hz频段信号,然后采用陷波滤波器,滤除50Hz工频干扰。
步骤二,提取每个通道上的肌肉运动单元发放波形。提取时,设置峰值阈值,高于阈值,提取峰值时刻前后40ms长度的波形,否则不提取。
步骤三,将每一个通道的肌肉运动单元发放波形输入ART2神经网络,在神经元中设置非线性函数抑制噪声。首先,将ART2神经网络初始化,将参数赋予初值,然后将待分类的肌肉运动单元发放波形输入,最后计算ART2比较层和识别层矢量,找到获胜节点。在神经元中设置非线性函数抑制噪声,非线性函数为:
其中θ∈(0,1)为常数,x为输入的发放波形。
步骤四,在ART2识别分类过程中,动态更新分类模板,比较发放波形相似程度,输出分类结果。ART2神经网络由识别层的获胜节点送回顶向下矢量,计算相似程度。利用动态收缩过程中,发放波形的变化动态更新分类模板,具体更新公式如下:
zi+1=ηzi+(1-η)si
其中zi+1是更新后模板,zi是更新前模板,η是更新系数,si是肌肉动态收缩变化因子,即pi是动态输入变化的波形,N是波形长度。
根据上述更新后的分类模板,计算输入的肌肉运动单元发放波形与模板的相似程度,将输入的发放波形接收或不接受为获胜节点,并调整ART2神经网络的顶向上矢量和底向上矢量。
步骤五,将各通道输出的分类结果进行差分运算,根据传播特征,确认肌肉运动单元。根据时序对应关系,将各电极上的波形做差分运算,如图2所示,根据图上的信号和肌肉运动单元发放波形向两侧传输的特性,终板区的波形最小,确定肌肉运动单元,图2中“*”处为肌肉运动单元终板区。
步骤六,对所有发放序列归类整理,剔除重复以及不合理的发放时刻向量,合并同一肌肉运动单元发放波形,计算波形均值。
综上所述,本发明采用ART2神经网络对肌肉运动单元波形进行分类,分类过程中不需要进行神经网络训练,直接输入实际波形信号进行识别,简化了识别过程,节约运行时间。在分类过程中,为了应对肌肉动态收缩时运动单元的变化,动态更新分类模板。本发明在确认肌肉运动单元时,考虑了波形传播特征,提高了提取肌肉运动单元的准确性。本发明实现简单,满足实际应用的需要。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (2)
1.一种基于神经网络的肌肉运动单元提取方法,其特征是包括以下步骤:
步骤一,采集肌肉在动态收缩时阵列式表面肌电信号,对信号滤波,削弱干扰;
步骤二,提取每个通道上的肌肉运动单元发放波形;
步骤三,将每一个通道的肌肉运动单元发放波形输入ART2神经网络,在神经元中设置非线性函数抑制噪声;
步骤四,在ART2识别分类过程中,动态更新分类模板,比较发放波形相似程度,输出分类结果;
步骤五,将各通道输出的分类结果进行差分运算,根据传播特征,确认肌肉运动单元;
步骤六,对所有发放序列归类整理,剔除重复以及不合理的发放时刻向量,合并同一肌肉运动单元发放波形,计算波形均值,优化结果。
2.根据权利要求1所述的基于神经网络的肌肉运动单元提取方法,其特征在于,步骤四中,利用动态收缩过程中,发放波形的变化动态更新分类模板,具体更新公式如下:
zi+1=ηzi+(1-η)si
其中zi+1是更新后模板,zi是更新前模板,η是更新系数,si是肌肉动态收缩变化因子,即pi是动态输入变化的波形,N是波形长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910859562.4A CN110558979B (zh) | 2019-09-11 | 2019-09-11 | 一种基于神经网络的肌肉运动单元提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910859562.4A CN110558979B (zh) | 2019-09-11 | 2019-09-11 | 一种基于神经网络的肌肉运动单元提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110558979A true CN110558979A (zh) | 2019-12-13 |
CN110558979B CN110558979B (zh) | 2022-04-26 |
Family
ID=68779396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910859562.4A Expired - Fee Related CN110558979B (zh) | 2019-09-11 | 2019-09-11 | 一种基于神经网络的肌肉运动单元提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110558979B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017187658A1 (ja) * | 2016-04-28 | 2017-11-02 | ボッシュ株式会社 | 動作補助装置 |
CN108403108A (zh) * | 2018-02-11 | 2018-08-17 | 宁波工程学院 | 基于波形优化的阵列式表面肌电信号分解方法 |
-
2019
- 2019-09-11 CN CN201910859562.4A patent/CN110558979B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017187658A1 (ja) * | 2016-04-28 | 2017-11-02 | ボッシュ株式会社 | 動作補助装置 |
CN108403108A (zh) * | 2018-02-11 | 2018-08-17 | 宁波工程学院 | 基于波形优化的阵列式表面肌电信号分解方法 |
Non-Patent Citations (3)
Title |
---|
DE LUCA CJ ET AL: "Decomposition of surface EMG signals from cyclic dynamic contractions", 《JOURNAL OF NEUROPHYSIOLOGY》 * |
MARCO GAZZONI ET AL.: "A new method for the extraction and classification of single motor unit action potentials from surface EMG signals", 《JOURNAL OF NEUROSCIENCE METHODS》 * |
李强: "表面肌电信号的运动单位动作电位检测", 《中国博士学位论文全文数据库(电子期刊) 医药科技卫生辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110558979B (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564005B (zh) | 一种基于卷积神经网络的人体跌倒辨识方法 | |
Gulski et al. | Neural networks as a tool for recognition of partial discharges | |
CN105956558B (zh) | 一种基于三轴加速度传感器人体动作识别方法 | |
CN104107042A (zh) | 基于粒子群优化-支持向量机的肌电信号步态识别方法 | |
CN102930284A (zh) | 基于经验模态分解和分形的表面肌电信号模式识别方法 | |
CN112613423B (zh) | 基于机器学习的癫痫脑电信号识别方法 | |
CN105654063A (zh) | 基于人工蜂群时频参数优化的运动想象脑电模式识别方法 | |
CN110399846A (zh) | 一种基于多通道肌电信号相关性的手势识别方法 | |
CN109009098B (zh) | 一种运动想象状态下的脑电信号特征识别方法 | |
CN102279358A (zh) | 一种基于mcskpca的神经网络模拟电路故障诊断方法 | |
CN110786849B (zh) | 基于多视图鉴别分析的心电信号身份识别方法及系统 | |
CN113378737A (zh) | 植入式脑机接口神经元锋电位分类方法 | |
CN110558979B (zh) | 一种基于神经网络的肌肉运动单元提取方法 | |
CN110236538A (zh) | 一种基于肌电信号的运动起始点自动实时检测方法 | |
CN117463506B (zh) | 自适应恒流恒压控制高压电源 | |
CN108388855B (zh) | 一种针电极肌电信号分解方法 | |
WO2024099422A1 (zh) | 一种基于UNet的面波频散质量快速评估方法 | |
CN109800792A (zh) | 基于模糊c均值和dbi的肌电信号特征选择方法 | |
CN116400831B (zh) | 一种无源电磁触控屏手写压力感应补偿算法 | |
CN105769186B (zh) | 基于复杂网络的肌电信号采集位置选取方法 | |
CN110738093A (zh) | 基于改进小世界回声状态网络肌电的分类方法 | |
CN110558980A (zh) | 一种肌肉动态收缩的运动单元提取方法 | |
CN106203324A (zh) | 基于随机树的心电信号快速身份识别方法 | |
CN110720912B (zh) | 一种基于波形相关性的肌肉运动单元提取方法 | |
Tariq et al. | Computationally efficient fully-automatic online neural spike detection and sorting in presence of multi-unit activity for implantable circuits |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220426 |