CN110633644A - 基于肌电小波包分解和gabp的人体关节角度预测方法 - Google Patents
基于肌电小波包分解和gabp的人体关节角度预测方法 Download PDFInfo
- Publication number
- CN110633644A CN110633644A CN201910758611.5A CN201910758611A CN110633644A CN 110633644 A CN110633644 A CN 110633644A CN 201910758611 A CN201910758611 A CN 201910758611A CN 110633644 A CN110633644 A CN 110633644A
- Authority
- CN
- China
- Prior art keywords
- electromyographic
- signal
- wavelet
- network
- gabp
- 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
Images
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
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Social Psychology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种基于肌电小波包分解和GABP的人体关节角度预测方法。首先,获取人体膝和踝关节伸屈运动的表面肌电信号数据和实际角度信号。接着对动作信号段的原始肌电信号进行小波降噪得到有效表面肌电信号。将获取的有效肌电信号进行小波包分解,获得各层小波系数。计算各层小波系数的均方根和排列熵特征,作为预测网络的输入。然后构建GABP网络预测模型。使用遗传算法来对BP神经网络模型进行参数训练,得到最优初始化权值和阈值。最后进行网络训练,将提取的特征值分为训练集与测试集,使用训练集训练好网络之后,再使用测试集验证预测准确率。实验结果表明,该方法获得了较高的人体关节角度预测率。
Description
技术领域
本发明属于模式识别领域,涉及一种基于肌电信号的模式识别方法,特别涉及一种基于肌电小波包分解特征和GABP网络的人体关节角度预测方法。
背景技术
对于那些因脊髓损伤spinal cord injury SCI、创伤性脑损伤raumatic braininjury TBI或中风而身体瘫痪的患者来说,康复训练是必不可少的。身体瘫痪会限制患者进行日常生活活动,从而导致生活质量低下。康复训练是指不断地训练某人,使他能够恢复因疾病而失去的运动功能。康复训练应该在患者病情稳定后就立即开始,在运动功能得到恢复之后才结束。近年来,为了恢复失去的运动功能,提高生活质量,科研人员研发了多种下肢康复系统。康复系统有各种各样的实现形式,如康复机器人,虚拟现实方法,结合机器人和虚拟现实方法等。然而研究发现,除非系统与生物反馈相结合,否则该康复系统无法提供快速和有效的康复治疗。
因此,近几十年来许多研究人员将人体生物信号作为康复系统中的生物反馈加以整合。就生物信号而言,大多数研究人员利用肌电EMG信号作为生物反馈来预测训练者预期的运动。肌电信号主要测量训练者的肌肉运动信息,并将它实时传递给康复系统,以提高系统对相关运动的控制准确性。
通常,研究人员建立表面肌电和关节角度的回归模型来将康复系统与生物反馈相结合。这种方法中,研究人员经常使用神经网络来构建回归模型用于预测人体关节角度。Joshi D.等人应用一阶Sugeno型自适应神经模糊推理系统ANFIS对不同行走速度下的对侧膝关节角度进行预测,得到预测误差为3.4±1.4°。Ardestani M.M.等人建立多维小波神经网络WNN预测模型来计算下肢关节力矩,并与多体动力学方法进行比较。Lee J.W.等人。采用多层神经网络对步态角度进行估计,结果表明,预测步态角的绝对平均误差为0.25°。本发明利用了肌电小波包分解特征并且构建GABP网络来对人体关节角度进行预测。
发明内容
本发明针对现有技术的不足,提出了一种基于肌电小波包分解特征和GABP网络的人体关节角度预测方法。首先,先利用表面肌电信号采集仪获取到与人体膝和踝关节伸屈运动相关的肌肉表面肌电信号,利用红外高感摄像头捕捉人体运动信息获得实际角度信号。再使用能量阈值法找到每个动作的起始位置和终止位置,获取原始肌电信号和实际角度信号。接着对动作信号段的原始肌电信号进行小波降噪得到有效表面肌电信号。将获取的有效肌电信号进行小波包分解,获得各层小波系数。计算各层小波系数的均方根RMS和排列熵PE特征,将这些特征值作为预测网络的输入。然后构建GABP网络预测模型。通过实验确定BP神经网络为单隐藏层的三层网络,并确定隐藏层节点数和激活函数。然后使用遗传算法GA来对BP神经网络模型进行参数训练,得到最优初始化权值和阈值。最后进行网络训练,将提取到特征值分为训练集与测试集,使用训练集训练好网络之后,再使用测试集验证预测准确率。实验结果表明,该方法获得了较高的人体关节角度预测率。
为了实现以上目的,本发明方法主要包括以下步骤:
步骤(1).获取人体膝和踝关节伸屈运动的表面肌电信号数据和实际角度信号。具体操作为:先利用表面肌电信号采集仪获取到与人体膝和踝关节伸屈运动相关的肌肉表面肌电信号,利用红外高感摄像头捕捉人体运动信息获得实际角度信号。再使用能量阈值法找到每个动作的起始位置和终止位置,获取原始肌电信号和实际角度信号。
步骤(2).将步骤(1)获取的原始表面肌电信号进行小波降噪。具体操作为:首先将原始肌电信号进行多尺度小波分解。然后选定阈值ε滤除各尺度上由噪声产生的分量。最后利用小波逆变换重构原始信号作为有效肌电信号。
s(t)=f(t)+ε·e(t),t=0,1,…,n-1
式中,s(t)为原始肌电信号,f(t)为有效肌电信号,e(t)为噪声信号,
步骤(3).将步骤(2)获取的有效肌电信号s(t)进行小波包分解,获得各层小波系数sij。i表示当前分解层数,表示小波系数在该层的位置。
步骤(4).计算步骤(3)中获得的各层小波包系数sij的均方根RMS和排列熵PE特征。
均方根RMS是肌电图的临床应用的一个指标,能够表征该信号段能量的大小,它的表达式如下:
xt为t时刻的小波包系数幅值。为了同步膝关节角度数据的频率,我们对各层小波包系数进行子采样处理。N表示每N个系数进行子采样。
排列熵PE提取步骤如下:
1)给定一段时间序列{xk,k=1,2,…,T},T是数据长度。
2)设定嵌入维数为m,则其中的一个子序列为
其中τ为延迟时间。
3)把xt按升序排列为如下
则xt的排序模型为j1,j2…jm,该排序模型只是m!种排序模型中的一种。设该排序模型为π,共有T-m+1种排列模型,则该排序模型在这个序列中出现的概率为
4)最终的排序熵定义为
步骤(5).构建GABP网络预测模型。首先确定BP神经网络为单隐藏层的三层网络,并确定隐藏层节点数和激活函数。然后采用GA优化BP网络参数算法,利用GA对BP进行参数训练,得到最优初始化权值和阈值。
GA优化BP网络参数算法如下:
步骤(6).人体下肢关节角度预测。首先由步骤(4)计算小波包变换各层系数的RMS和PE特征作为输入信号。然后通过步骤(5)确定GABP网络的拓扑结构,将输入信号分为训练集和测试集两组,用训练集训练预测网络。最后得到训练完成的GABP预测模型,将测试集数据输入该预测模型完成人体关节角度的预测。
本发明与已有的诸多肌电信号的特征提取方法相比,具有如下特点:
小波包分析能够为分析肌电信号提供一种更加精细的方法。小波包分析将时频域划分得更为细致,它对信号的高频部分的分辨率比二进小波要高。在小波包分解系数的基础上再进行肌电特征提取,提高信肌电号的分析能力。预测模型选用GA算法来确定BP网络最佳初始化参数,使网络训练变的更加准确和快速。最后将小波包系数的特征值作为输入来训练GABP网络,可以得到令人满意的关节角度预测效果。
附图说明
图1为本发明的实施流程图;
图2为本发明对肌电信号进行小波包分解示意图;
图3为本发明对肌电信号小波包系数求取RMS的特征分布图;
图4为本发明对肌电信号小波包系数求取PE的特征分布图;
图5为本发明的GABP网络构建流程图;
图6(a)、(b)为本发明对肌电信号提取的小波包系数特征利用GABP网络进行膝关节角度预测图;
图7(a)、(b)为本发明对肌电信号提取的小波包系数特征利用GABP网络进行踝关节角度预测图;
具体实施方式
下面结合附图对本发明的实施例作详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,本实施例包括如下步骤:
步骤一,获取人体膝和踝关节伸屈运动的表面肌电信号数据和实际角度信号。具体操作是:首先用表面肌电信号采集仪DELSYS Trigno获取到与人体膝和踝关节活动相关的肌肉表面电信号,用三维动作捕捉系统Coda motion获取实际角度信号。然后运用能量阈值确定动作的起始位置和终止位置,获取原始肌电信号和实际角度信号。
(1)采集人体下肢的肌电信号。10位受试者(5男5女)分别进行下列运动。a.志愿者坐于高80mm的椅子,双手抱着右大腿让小腿悬垂自然静止,关节处于自然放松状态下,然后有规律地平缓地进行膝关节伸屈运动;b.在脚背负重3kg的情况进行膝关节伸屈运动;c.规律地平缓地进行踝关节关节伸屈运动;d.在脚背负重3kg的情况下进行踝关节关节伸屈运动。选取膝关节和踝关节动作有关的6块肌肉:胫骨前肌、腓肠肌、股内侧肌、股外侧肌、股二头肌、半腱肌作为表面肌电信号来源。实验前先用酒精分别在受试者的大腿和小腿上擦涂去污,以增强信号采集能力,采用肌电信号采集仪来采集对应肌肉的表面肌电信号。
(2)在大腿、小腿和脚背处放置Coda motion的maker点。在做上述动作时实时采集膝关节和踝关节的角度信号。
(3)运用能量阈值确定动作的起始位置和终止位置,获取原始肌电信号和原始实际角度信号。
步骤二,将步骤一获取的原始表面肌电信号进行小波降噪。具体操作为:首先对原始肌电信号采用symlets小波进行8层分解,将其分解为多个低频系数与高频系数之和。然后选用matlab自适应阈值函数,将若干个包含噪声信号分量去除。最后利用小波逆变换重构原始信号作为有效肌电信号。
步骤三,将步骤二获取的有效肌电信号使用db3小波进行3层小波包分解,获得各层小波系数sij。i表示当前分解层数,j表示小波系数在该层的位置。小波包分解的具体分解层数及各层系数如图2所示。
步骤四,计算步骤三中获得的各层小波包系数sij的均方根RMS和排列熵PE特征。
均方根表达式如下
排序熵表达式如下
对小波包分解系数s10进行求取上述两个特征值,RMS结果如图3所示,PE结果如图4所示。
步骤五,构建GABP网络预测模型,构建流程如图5所示。首先确定BP神经网络为单隐藏层的三层网络,并确定隐藏层节点数和激活函数。然后使用遗传算法GA来对BP神经网络模型进行参数训练,得到最优初始化权值和阈值。
步骤六,人体下肢关节角度预测。首先由步骤四来计算一个动作所有小波包变换系数的RMS和PE特征作为输入信号。然后通过步骤五来确定GABP网络的拓扑结构,将输入信号分为训练集和测试集两组,用训练集训练预测网络。最后得到训练完成的GABP预测模型,将测试集数据输入该预测模型完成人体关节角度的预测。膝关节预测结果图如图6(a)、(b)所示。踝关节预测结果如图7(a)、(b)所示。
Claims (3)
1.基于肌电小波包分解和GABP的人体关节角度预测方法,其特征在于,该方法包括如下步骤:
步骤(1).获取人体膝和踝关节伸屈运动的表面肌电信号数据和实际角度信号;
步骤(2).将步骤(1)获取的原始表面肌电信号进行小波降噪;利用小波逆变换重构原始信号作为有效肌电信号s(t);
步骤(3).将步骤(2)获取的有效肌电信号s(t)进行小波包分解,获得各层小波包系数sij;i表示当前分解层数,j表示小波系数在该层的位置;
步骤(4).计算步骤(3)中获得的各层小波包系数sij的均方根RMS和排列熵PE特征;
均方根RMS是肌电图的临床应用的一个指标,表征该信号段能量的大小,它的表达式如下
xt为t时刻的小波包系数幅值;为了同步膝关节角度数据的频率,对各层小波包系数进行子采样处理;N表示每N个系数进行子采样;
排列熵PE提取步骤如下:
1)给定一段时间序列{xk,k=1,2,…,T},T是数据长度;
2)设定嵌入维数为m,则其中的一个子序列为
其中τ为延迟时间;
3)把xt按升序排列为如下
则xt的排序模型为j1,j2…jm,该排序模型只是m!种排序模型中的一种;设该排序模型为π,共有T-m+1种排列模型,则该排序模型在这个序列中出现的概率为
4)最终的排序熵定义为
步骤(5).构建GABP网络预测模型;首先确定BP神经网络为单隐藏层的三层网络,并确定隐藏层节点数和激活函数;然后采用遗传算法GA优化BP网络参数算法,利用GA对BP进行参数训练,得到最优初始化权值和阈值;具体算法如下
步骤(6).人体下肢关节角度预测;首先由步骤(4)计算小波包变换各层系数的RMS和PE特征作为输入信号;然后通过步骤(5)确定GABP网络的拓扑结构,将输入信号分为训练集和测试集两组,用训练集训练预测网络;最后得到训练完成的GABP预测模型,将测试集数据输入该预测模型完成人体关节角度的预测。
2.根据权利要求1所述的基于肌电小波包分解和GABP的人体关节角度预测方法,其特征在于:获取人体膝和踝关节伸屈运动的表面肌电信号数据和实际角度信号,具体操作为:先利用表面肌电信号采集仪获取到与人体膝和踝关节伸屈运动相关的肌肉表面肌电信号,利用红外高感摄像头捕捉人体运动信息获得实际角度信号;再使用能量阈值法找到每个动作的起始位置和终止位置,获取原始肌电信号和实际角度信号。
3.根据权利要求1所述的基于肌电小波包分解和GABP的人体关节角度预测方法,其特征在于:将步骤(1)获取的原始表面肌电信号进行小波降噪,具体操作为:首先将原始肌电信号进行多尺度小波分解;然后选定阈值ε滤除各尺度上由噪声产生的分量;最后利用小波逆变换重构原始信号作为有效肌电信号s(t);
s(t)=f(t)+ε·e(t),t=0,1,…,n-1
式中,s(t)为原始肌电信号,f(t)为有效肌电信号,e(t)为噪声信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910758611.5A CN110633644A (zh) | 2019-08-16 | 2019-08-16 | 基于肌电小波包分解和gabp的人体关节角度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910758611.5A CN110633644A (zh) | 2019-08-16 | 2019-08-16 | 基于肌电小波包分解和gabp的人体关节角度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110633644A true CN110633644A (zh) | 2019-12-31 |
Family
ID=68970365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910758611.5A Pending CN110633644A (zh) | 2019-08-16 | 2019-08-16 | 基于肌电小波包分解和gabp的人体关节角度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110633644A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116522234A (zh) * | 2023-02-10 | 2023-08-01 | 东莞理工学院 | 一种关节角度预测方法、装置、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999009887A1 (en) * | 1997-08-28 | 1999-03-04 | Qualia Computing, Inc. | Method and system for automated detection of clustered microcalcifications from digital mammograms |
US7308126B2 (en) * | 1997-08-28 | 2007-12-11 | Icad, Inc. | Use of computer-aided detection system outputs in clinical practice |
CN103699873A (zh) * | 2013-09-22 | 2014-04-02 | 杭州电子科技大学 | 基于ga-bp神经网络下肢平地行走步态识别方法 |
CN104537382A (zh) * | 2015-01-12 | 2015-04-22 | 杭州电子科技大学 | 基于遗传算法优化支持向量机的肌电信号步态识别方法 |
CN104616061A (zh) * | 2015-01-28 | 2015-05-13 | 合肥工业大学 | 基于小波包对数能量熵及遗传算法优化的孤岛检测方法 |
CN109657651A (zh) * | 2019-01-16 | 2019-04-19 | 杭州电子科技大学 | 一种基于肌电信号的下肢膝关节连续运动估计方法 |
-
2019
- 2019-08-16 CN CN201910758611.5A patent/CN110633644A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999009887A1 (en) * | 1997-08-28 | 1999-03-04 | Qualia Computing, Inc. | Method and system for automated detection of clustered microcalcifications from digital mammograms |
US7308126B2 (en) * | 1997-08-28 | 2007-12-11 | Icad, Inc. | Use of computer-aided detection system outputs in clinical practice |
CN103699873A (zh) * | 2013-09-22 | 2014-04-02 | 杭州电子科技大学 | 基于ga-bp神经网络下肢平地行走步态识别方法 |
CN104537382A (zh) * | 2015-01-12 | 2015-04-22 | 杭州电子科技大学 | 基于遗传算法优化支持向量机的肌电信号步态识别方法 |
CN104616061A (zh) * | 2015-01-28 | 2015-05-13 | 合肥工业大学 | 基于小波包对数能量熵及遗传算法优化的孤岛检测方法 |
CN109657651A (zh) * | 2019-01-16 | 2019-04-19 | 杭州电子科技大学 | 一种基于肌电信号的下肢膝关节连续运动估计方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116522234A (zh) * | 2023-02-10 | 2023-08-01 | 东莞理工学院 | 一种关节角度预测方法、装置、设备及介质 |
CN116522234B (zh) * | 2023-02-10 | 2023-11-17 | 东莞理工学院 | 一种关节角度预测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Surface EMG based continuous estimation of human lower limb joint angles by using deep belief networks | |
CN110755070B (zh) | 基于多传感器融合的下肢运动位姿快速预测系统及方法 | |
Pan et al. | Myoelectric control based on a generic musculoskeletal model: Toward a multi-user neural-machine interface | |
Nielsen et al. | Simultaneous and proportional force estimation for multifunction myoelectric prostheses using mirrored bilateral training | |
CN109009586B (zh) | 一种假手腕关节人机自然驱动角度的肌电连续解码方法 | |
He et al. | Combining improved gray-level co-occurrence matrix with high density grid for myoelectric control robustness to electrode shift | |
Tang et al. | Impact of load variation on joint angle estimation from surface EMG signals | |
CN109498370B (zh) | 基于肌电小波关联维的下肢关节角度预测方法 | |
CN108743223B (zh) | 一种基于健侧生物电控的智能外骨骼康复机械手及方法 | |
Wang et al. | Surface electromyography based estimation of knee joint angle by using correlation dimension of wavelet coefficient | |
Triloka et al. | Neural computing for walking gait pattern identification based on multi-sensor data fusion of lower limb muscles | |
CN109657651A (zh) | 一种基于肌电信号的下肢膝关节连续运动估计方法 | |
CN110339024A (zh) | 下肢外骨骼机器人及其实时步态切换方法及存储装置 | |
Li et al. | Gait recognition based on EMG with different individuals and sample sizes | |
Tang et al. | Continuous estimation of human upper limb joint angles by using PSO-LSTM model | |
CN110638444A (zh) | 基于MEMD-rTVgPDC的皮层肌肉耦合分析方法 | |
Majid et al. | EMG feature extractions for upper-limb functional movement during rehabilitation | |
Wang et al. | Prediction of sEMG-based tremor joint angle using the RBF neural network | |
CN109758336A (zh) | 一种利用患者患侧sEMG进行主动康复治疗的控制方法 | |
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 | |
Zheng et al. | Wrist angle estimation with a musculoskeletal model driven by electrical impedance tomography signals | |
Wang et al. | Research on gait recognition based on lower limb emg signal | |
Favieiro et al. | Adaptive neuro-fuzzy logic analysis based on myoelectric signals for multifunction prosthesis control | |
CN110633644A (zh) | 基于肌电小波包分解和gabp的人体关节角度预测方法 | |
Tong et al. | BP-AR-based human joint angle estimation using multi-channel sEMG |
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: 20191231 |