CN110652295B - 一种量化激活时间序列个体差异性的方法及系统 - Google Patents
一种量化激活时间序列个体差异性的方法及系统 Download PDFInfo
- Publication number
- CN110652295B CN110652295B CN201910983354.5A CN201910983354A CN110652295B CN 110652295 B CN110652295 B CN 110652295B CN 201910983354 A CN201910983354 A CN 201910983354A CN 110652295 B CN110652295 B CN 110652295B
- Authority
- CN
- China
- Prior art keywords
- activation time
- muscle
- matching
- degree
- individuals
- 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.)
- Active
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
- A61B5/24—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
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公布一种量化激活时间序列差异性的方法,属于运动能力康复技术领域,主要步骤为:1)对所采集的两个个体的表面肌电信号进行预处理;2)利用非负矩阵分解算法提取出每个个体的肌肉协同模式及激活时间序列;3)利用皮尔逊简单相关系数计算两个个体之间的肌肉协同模式相似性,对肌肉协同模式向量进行一一匹配;4)基于动态时间扭曲方法和扭曲度量化相匹配模式向量的激活时间序列的相似程度。
Description
技术领域
本发明属于运动能力康复技术领域,更具体地,是一种量化激活时间序列个体差异性的方法及系统。
背景技术
肌肉协同模式由于其低维特性,在神经运动控制机制研究及康复工程中得到广泛应用。研究表明,人的大脑通过对稳定的肌肉协同模式进行时域上不同幅度的协调控制,实现各种粗大或精细运动。其中,肌肉协同模式由数个模式向量组成,多块肌肉在每个模式向量中占有各自的比例,模式向量之间的协调体现为对每个模式向量的时域激活控制。基于非负矩阵分解算法,从人体表面肌电信号分解得到的肌肉协同模式及激活时间序列,从空间和时间上描述了人体完成某一动作时的肌肉控制策略。
因而,量化个体之间的运动控制差异可通过分析肌肉协同模式和激活时间序列的差异性来实现。研究指出,正常人的肌肉协同模式较稳定,在完成相同动作时的模式数目基本相同,对应的模式向量之间的皮尔逊相关系数高于0.8,也即肌肉协同模式无法精准地体现运动控制的个体差异性。因此,基于较高的肌肉协同模式相似度,可通过量化对应模式向量的激活时间序列的相似性进一步描述个体调控这些模式上的差异。然而,由于不同个体在完成相同动作时可能具有不同的速度,导致激活时间序列的长度不一致,无法直接计算皮尔逊相关系数来描述相似性。因此,在计算相似性之前,均先需要进行长度归一化。目前多采用线性归一化方法,然而这种方法无法解决个体在完成某一动作时的速度不均匀现象,导致丢失了部分运动控制信息。
发明内容
为了克服目前量化激活时间序列个体差异性方法的不足,本发明首先提供了一种量化激活时间序列个体差异性的方法,是一种非线性的归一化方法,通过动态时间扭曲对激活序列进行时间轴上的局部压缩或拉伸,更好地匹配序列的特征,再计算扭曲度量化序列变形的程度,从而精确地量化个体激活肌肉协同模式的控制差异。
本发明还提出了一种量化激活时间序列个体差异性的系统。
为了实现上述目的,本发明的技术方案为:
一种量化激活时间序列个体差异性的方法,包括以下步骤:
A、对所采集的两个个体的表面肌电信号EMG进行预处理,滤除信号中的噪声干扰并提取出肌肉激活信息;
B、利用非负矩阵分解算法从步骤A中所得预处理后EMG提取出两个个体的肌肉协同模式及激活时间序列,有效地提取出大脑在执行动作时对于肌肉的协同控制模式;
C、利用皮尔逊简单相关系数计算从步骤B中所得的肌肉协同模式的相似性,将相似性高的肌肉协同模式向量进行匹配,确保激活时间序列的差异量化基于相似的肌肉群组控制方式;
D、基于动态时间扭曲方法和扭曲度量化从步骤C中所得相匹配模式向量的激活时间序列的相似程度,通过非线性的时间归一化方法较好地克服了时间序列速度不均匀现象,且提出扭曲度这一量化指标准备描述相似度。
通过本发明的技术方法,基于相似程度的量化结果,可以更精确地描述个体在激活相似肌肉协同模式的差异性,有助于分析个体的运动控制差异,推进个性化研究及应用产品设计。
进一步,所述步骤A具体包括:对所采集的EMG进行高通滤波、整流、低通滤波及重采样,得到预处理后肌电信号(V)。
进一步,所述步骤B具体包括:将预处理后肌电信号(V)进行非负矩阵分解,得到肌肉协同模式矩阵(W)及激活时间序列矩阵(H),其中W中每一列向量对应每一肌肉协同模式向量,H中每一行向量对应每一肌肉协同模式向量的激活时间序列。
进一步,所述步骤C具体包括:遍历两个个体的W矩阵中的肌肉协同模式向量的所有配对组合,并计算皮尔逊相关系数,依据相关系数最大值确定模式向量的配对结果。
进一步,所述步骤D具体包括:
D1、基于动态时间扭曲方法匹配所配对模式向量的激活时间序列;
D2、计算扭曲度量化激活时间序列的相似度,当扭曲度越大,说明两个个体的激活时间序列差异性越大。
进一步,所述步骤D2中扭曲度具体为经动态时间扭曲后,时间序列的数据点之间形成的平均偏移量W′:
Δjmax=|nmax-n0| (3)
其中,k为模式数目,wi为第i组模式的两对激活时间序列的扭曲度,且命名两列时间序列中较短序列为L1,其长度记为N1,较长序列为L2,长度记为N2;Δjmax为L1中第j个点与L2中匹配点所形成的最大偏移量,n0为动态时间扭曲(DTW)前L1与L2的对应点,即n0=j,nmax为DTW后L1与L2所匹配的最大点。
本发明提出的一种量化激活时间序列个体差异性的系统,包括以下模块:
预处理模块:对所采集的两个个体的表面肌电信号EMG进行预处理;
提取模块:利用非负矩阵分解算法从预处理后EMG提取出两个个体的肌肉协同模式及激活时间序列;
匹配模块:利用皮尔逊简单相关系数计算从步骤B中所得的肌肉协同模式的相似性,对肌肉协同模式向量进行一一匹配;
量化模块:基于动态时间扭曲方法和扭曲度量化从步骤C中所得相匹配模式向量的激活时间序列的相似程度。
进一步的,所述预处理模块的具体实现为:对所采集的EMG进行预处理依次包括:高通滤波、整流、低通滤波及重采样,得到预处理后肌电信号(V);
所述提取模块的具体实现为:将预处理后肌电信号(V)进行非负矩阵分解,得到肌肉协同模式矩阵(W)及激活时间序列矩阵(H),其中W中每一列向量对应每一肌肉协同模式向量,H中每一行向量对应每一肌肉协同模式向量的激活时间序列;
所述匹配具体包括:遍历两个个体的W矩阵中的肌肉协同模式向量的所有配对组合,并计算皮尔逊相关系数,依据相关系数最大值确定模式向量的配对结果。
进一步的,所述量化模块具体包括:
匹配单元:基于动态时间扭曲方法匹配所配对模式向量的激活时间序列;
计算单元:计算扭曲度量化激活时间序列的相似度,当扭曲度越大,说明两个个体的激活时间序列差异性越大。
进一步的,所述计算单元中扭曲度具体为经动态时间扭曲后,时间序列的数据点之间形成的平均偏移量W′:
Δjmax=|nmax-n0| (3)
其中,k为模式数目,wi为第i组模式的两对激活时间序列的扭曲度,且命名两列时间序列中较短序列为L1,其长度记为N1,较长序列为L2,长度记为N2;Δjmax为L1中第j个点与L2中匹配点所形成的最大偏移量,n0为动态时间扭曲(DTW)前L1与L2的对应点,即n0=j,nmax为DTW后L1与L2所匹配的最大点。如L1中第1个点与L2中第10个点相匹配,且不存在其他更大的点与L1中该点匹配,则n0=1,nmax=10,最大偏移量Δ1max为其差值的绝对值,取9。
与现有技术相比,本发明的有益效果是:本发明提出一种非线性的归一化方法,通过动态时间扭曲对激活序列进行时间轴上的局部压缩或拉伸,更好地匹配序列的特征,再计算扭曲度量化序列变形的程度,从而精确地量化个体激活肌肉协同模式的控制差异。
附图说明
图1为本发明所述量化激活时间序列个体差异性的方法较佳实施例的流程图;
图2为个体1和2的原始表面肌电信号示意图;
图3为个体1和2的预处理后表面肌电信号示意图;
图4为个体1和2的一组对应模式向量示意图;
图5为图4中对应模式向量的激活时间序列示意图;
图6为经动态时间扭曲法匹配后的两对激活时间序列示意图;
图7为最大偏移量的计算示意图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步描述。
本发明提供一种量化激活时间序列个体差异性的方法,为使本发明的目的、技术方案及效果更加清楚、明确,以下对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参考图1,其为本发明所述一种量化激活时间序列个体差异性的方法较佳实施例的流程图。
S1对所采集的健康人个体1和个体2的表面肌电信号(EMG)进行预处理;
S2利用非负矩阵分解算法从步骤1)中所得预处理后EMG提取出个体1和个体2的肌肉协同模式及激活时间序列;
S3利用皮尔逊简单相关系数计算从步骤2)中所得的肌肉协同模式相似性,对肌肉协同模式向量进行一一匹配;
S4基于动态时间扭曲方法和扭曲度量化从步骤S3中所得相匹配模式向量的激活时间序列的相似程度。
上述步骤S1具体包括如下步骤:
11)采集EMG信号的七块肌肉分别为:肱二头肌(Bic)、肱三头肌(Tri)、三角肌前束(Del.Ant)、中束(Del.Mid)、后束(Del.Pos)束、斜方肌(Tra)、冈下肌(Inf),(如图2),其中个体1肌电信号长度为32810,个体2信号长度为30930;
12)对所采集的EMG进行高通滤波(截止频率为50Hz)、整流、低通滤波(截止频率为20Hz)及重采样,得到预处理后肌电信号(V)(如图3),个体1及2的信号长度分别为328,309。
上述步骤S2具体包括如下步骤:
21)将预处理后肌电信号(V)进行非负矩阵分解,得到肌肉协同模式矩阵(W)及激活时间序列矩阵(H),其中W中每一列向量对应每一肌肉协同模式向量,H中每一行向量对应每一肌肉协同模式向量的激活时间序列。
步骤21)中利用非负矩阵分解方法从预处理后肌电信号(V)提取出肌肉协同模式(W)及激活时间序列矩阵(H)的公式如下:
上述步骤S3具体包括如下步骤:
31)遍历两个个体的W矩阵中的肌肉协同模式向量的所有配对组合,并计算皮尔逊相关系数;
32)依据相关系数最大值确定模式向量的配对结果,如图4为其中一组配对的肌肉协同模式,皮尔逊相关系数达到0.9833。
上述步骤S4具体包括如下步骤:
41)基于图4中已配对模式,将模式对应的激活时间序列(如图5)确定为动态时间扭曲方法的匹配对象;
42)经动态时间扭曲方法匹配后的时间序列(如图6),欧氏距离为1.32;
43)如公式(2)计算扭曲度量化图6中序列的相似度,结果约为57.08;
44)重复41)-43),得到每组配对的肌肉协同模式所对应时间序列的扭曲度,依次为57.08、26.32、27.68、106.36,求均值得到54.26(如公式(1)),为两个个体的激活时间序列的差异数值,;
步骤43)中扭曲度定义为经动态时间扭曲后,时间序列的数据点之间形成的平均偏移量W′:
Δjmax=|nmax-n0| (3)
其中,k为模式数目,wi为第i组模式的两对激活时间序列的扭曲度,且命名两对时间序列中较短序列为L1,其长度记为N1,较长序列为L2,长度记为N2。Δjmax为L1中第j个点与L2中匹配点所形成的最大偏移量(如图7),n0为动态时间扭曲(DTW)前L1与L2的对应点(即n0=j),nmax为DTW后L1与L2所匹配的最大点,如L1中第1个点与L2中第10个点相匹配,且不存在其他更大的点与L1中该点匹配,则n0=1,nmax=10,最大偏移量Δ1max为其差值的绝对值,取9。
以上所述的本发明的实施方式,并不构成对本发明保护范围的限定。任何在本发明的精神原则之内所作出的修改、等同替换和改进等,均应包含在本发明的权利要求保护范围之内。
Claims (6)
1.一种量化激活时间序列个体差异性的方法,其特征在于,包括以下步骤:
A、预处理:对所采集的两个个体的表面肌电信号EMG进行预处理;
B、提取:利用非负矩阵分解算法从预处理后EMG提取出两个个体的肌肉协同模式及激活时间序列;
利用非负矩阵分解方法从预处理后肌电信号V提取出肌肉协同模式W及激活时间序列矩阵H的公式如下:
C、匹配:利用皮尔逊简单相关系数计算从步骤B中所得的肌肉协同模式的相似性,对肌肉协同模式向量进行一一匹配;
D、量化:基于动态时间扭曲方法和扭曲度量化从步骤C中所得相匹配模式向量的激活时间序列的相似程度;
所述步骤D具体包括:D1、基于动态时间扭曲方法匹配所配对模式向量的激活时间序列;
D2、计算扭曲度量化激活时间序列的相似度,当扭曲度越大,说明两个个体的激活时间序列差异性越大;
所述步骤D2中扭曲度具体为经动态时间扭曲后,时间序列的数据点之间形成的平均偏移量W':
Δjmax=|nmax-n0| (5)
其中,k为模式数目,wi为第i组模式的两对激活时间序列的扭曲度,且命名两列时间序列中较短序列为L1,其长度记为N1,较长序列为L2,长度记为N2;Δjmax为L1中第j个点与L2中匹配点所形成的最大偏移量,n0为动态时间扭曲DTW前L1与L2的对应点,即n0=j,nmax为DTW后L1与L2所匹配的最大点。
2.如权利要求1所述的量化激活时间序列个体差异性的方法,其特征在于,所述步骤A具体包括:对所采集的EMG进行预处理依次包括:高通滤波、整流、低通滤波及重采样,得到预处理后肌电信号V。
3.如权利要求2所述的量化激活时间序列个体差异性的方法,其特征在于,所述步骤B具体包括:将预处理后肌电信号V进行非负矩阵分解,得到肌肉协同模式矩阵W及激活时间序列矩阵H,其中W中每一列向量对应每一肌肉协同模式向量,H中每一行向量对应每一肌肉协同模式向量的激活时间序列。
4.如权利要求3所述的量化激活时间序列个体差异性的方法,其特征在于,所述步骤C具体包括:遍历两个个体的W矩阵中的肌肉协同模式向量的所有配对组合,并计算皮尔逊相关系数,依据相关系数最大值确定模式向量的配对结果。
5.一种量化激活时间序列个体差异性的系统,其特征在于,包括以下模块:
预处理模块:对所采集的两个个体的表面肌电信号EMG进行预处理;
提取模块:利用非负矩阵分解算法从预处理后EMG提取出两个个体的肌肉协同模式及激活时间序列;
利用非负矩阵分解方法从预处理后肌电信号V提取出肌肉协同模式W及激活时间序列矩阵H的公式如下:
匹配模块:利用皮尔逊简单相关系数计算从步骤B中所得的肌肉协同模式的相似性,对肌肉协同模式向量进行一一匹配;
量化模块:基于动态时间扭曲方法和扭曲度量化从步骤C中所得相匹配模式向量的激活时间序列的相似程度;
所述量化模块具体包括:
匹配单元:基于动态时间扭曲方法匹配所配对模式向量的激活时间序列;
计算单元:计算扭曲度量化激活时间序列的相似度,当扭曲度越大,说明两个个体的激活时间序列差异性越大;
所述计算单元中扭曲度具体为经动态时间扭曲后,时间序列的数据点之间形成的平均偏移量W':
Δjmax=|nmax-n0| (5)
其中,k为模式数目,wi为第i组模式的两对激活时间序列的扭曲度,且命名两列时间序列中较短序列为L1,其长度记为N1,较长序列为L2,长度记为N2;Δjmax为L1中第j个点与L2中匹配点所形成的最大偏移量,n0为动态时间扭曲DTW前L1与L2的对应点,即n0=j,nmax为DTW后L1与L2所匹配的最大点。
6.如权利要求5所述的系统,其特征在于,所述预处理模块的具体实现为:对所采集的EMG进行预处理依次包括:高通滤波、整流、低通滤波及重采样,得到预处理后肌电信号V;
所述提取模块的具体实现为:将预处理后肌电信号V进行非负矩阵分解,得到肌肉协同模式矩阵W及激活时间序列矩阵H,其中W中每一列向量对应每一肌肉协同模式向量,H中每一行向量对应每一肌肉协同模式向量的激活时间序列;
所述匹配具体包括:遍历两个个体的W矩阵中的肌肉协同模式向量的所有配对组合,并计算皮尔逊相关系数,依据相关系数最大值确定模式向量的配对结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910983354.5A CN110652295B (zh) | 2019-10-16 | 2019-10-16 | 一种量化激活时间序列个体差异性的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910983354.5A CN110652295B (zh) | 2019-10-16 | 2019-10-16 | 一种量化激活时间序列个体差异性的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110652295A CN110652295A (zh) | 2020-01-07 |
CN110652295B true CN110652295B (zh) | 2022-04-26 |
Family
ID=69041150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910983354.5A Active CN110652295B (zh) | 2019-10-16 | 2019-10-16 | 一种量化激活时间序列个体差异性的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110652295B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115944293B (zh) * | 2023-03-15 | 2023-05-16 | 汶上县人民医院 | 一种基于神经网络的肾脏透析用血红蛋白水平预测系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2124390A1 (en) * | 1994-02-16 | 1995-08-17 | Stephen J. Orr | Close Caption Support with Timewarp |
WO2014134225A2 (en) * | 2013-02-26 | 2014-09-04 | Pronutria, Inc. | Nutritive polypeptides, formulations and methods for treating disease and improving muscle health and maintenance |
CN104337666A (zh) * | 2014-11-05 | 2015-02-11 | 中山大学 | 多肌肉协同肌电反馈康复训练系统和方法 |
EP2959827A1 (en) * | 2014-06-25 | 2015-12-30 | Kabushiki Kaisha Toshiba | Sleep state estimation device, method and storage medium |
CN106473700A (zh) * | 2016-08-26 | 2017-03-08 | 复旦大学 | 基于hrv频域分析的阻塞性睡眠呼吸暂停综合征的检测系统 |
CN107610717A (zh) * | 2016-07-11 | 2018-01-19 | 香港中文大学 | 基于语音后验概率的多对一语音转换方法 |
CN109262618A (zh) * | 2018-12-12 | 2019-01-25 | 武汉理工大学 | 基于肌肉协同的上肢多关节同步比例肌电控制方法与系统 |
CN109674445A (zh) * | 2018-11-06 | 2019-04-26 | 杭州电子科技大学 | 一种结合非负矩阵分解和复杂网络的肌间耦合分析方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10595788B2 (en) * | 2016-05-31 | 2020-03-24 | Stmicroelectronics S.R.L. | Method for the detecting electrocardiogram anomalies and corresponding system |
CN108403108B (zh) * | 2018-02-11 | 2021-03-16 | 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
- 2019-10-16 CN CN201910983354.5A patent/CN110652295B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2124390A1 (en) * | 1994-02-16 | 1995-08-17 | Stephen J. Orr | Close Caption Support with Timewarp |
WO2014134225A2 (en) * | 2013-02-26 | 2014-09-04 | Pronutria, Inc. | Nutritive polypeptides, formulations and methods for treating disease and improving muscle health and maintenance |
EP2959827A1 (en) * | 2014-06-25 | 2015-12-30 | Kabushiki Kaisha Toshiba | Sleep state estimation device, method and storage medium |
CN104337666A (zh) * | 2014-11-05 | 2015-02-11 | 中山大学 | 多肌肉协同肌电反馈康复训练系统和方法 |
CN107610717A (zh) * | 2016-07-11 | 2018-01-19 | 香港中文大学 | 基于语音后验概率的多对一语音转换方法 |
CN106473700A (zh) * | 2016-08-26 | 2017-03-08 | 复旦大学 | 基于hrv频域分析的阻塞性睡眠呼吸暂停综合征的检测系统 |
CN109674445A (zh) * | 2018-11-06 | 2019-04-26 | 杭州电子科技大学 | 一种结合非负矩阵分解和复杂网络的肌间耦合分析方法 |
CN109262618A (zh) * | 2018-12-12 | 2019-01-25 | 武汉理工大学 | 基于肌肉协同的上肢多关节同步比例肌电控制方法与系统 |
Non-Patent Citations (5)
Title |
---|
A Robot Learning Method with Physiological Interface for Teleoperation Systems;Luo, J 等;《APPLIED SCIENCES-BASEL》;20190502;第9卷(第10期);全文 * |
Tempo Driven Audio-to-Score Alignment Using Spectral Decomposition and Online Dynamic Time Warping;Rodriguez-Serrano, FJ 等;《ACM TRANSACTIONS ON INTELLIGENT SYSTEMS AND TECHNOLOGY》;20170131;第8卷(第2期);全文 * |
基于DTW算法的肌电信号手势识别方法;谢小雨;《计算机工程与应用》;20181231;第54卷(第5期);132-137 * |
基于非负矩阵分解的肌电模式识别研究;张神权 等;《中国生物医学工程联合学术年会.》;20151231;全文 * |
有氧和抗阻运动对糖尿病前期人群血糖干预效果的比较研究;罗曦娟 等;《中国运动医学杂志》;20151231;第34卷(第9期);831-837 * |
Also Published As
Publication number | Publication date |
---|---|
CN110652295A (zh) | 2020-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109726751B (zh) | 基于深度卷积神经网络识别脑电成像图的方法 | |
Shen et al. | Movements classification of multi-channel sEMG based on CNN and stacking ensemble learning | |
Abbas et al. | DeepMI: Deep learning for multiclass motor imagery classification | |
CN105997064B (zh) | 一种用于人体下肢表面肌电信号的辨识方法 | |
CN110353702A (zh) | 一种基于浅层卷积神经网络的情感识别方法及系统 | |
US11221672B2 (en) | Asymmetric EEG-based coding and decoding method for brain-computer interfaces | |
Hermosilla et al. | Shallow convolutional network excel for classifying motor imagery EEG in BCI applications | |
Hwaidi et al. | Classification of motor imagery EEG signals based on deep autoencoder and convolutional neural network approach | |
Dan et al. | An identification system based on portable EEG acquisition equipment | |
CN112370017B (zh) | 脑电信号分类模型的训练方法和装置、以及电子设备 | |
CN113269048A (zh) | 基于深度学习和混合噪声数据增强的运动想象脑电信号分类方法 | |
CN110652295B (zh) | 一种量化激活时间序列个体差异性的方法及系统 | |
CN109375776A (zh) | 基于多任务rnn模型的脑电信号动作意图识别方法 | |
CN111931656B (zh) | 基于迁移学习的用户独立型运动想象分类模型训练方法 | |
Ranjan | Permanence of ecg biometric: Experiments using convolutional neural networks | |
Wang et al. | A hybrid transfer learning approach for motor imagery classification in brain-computer interface | |
CN112215196B (zh) | 一种心电身份识别方法 | |
CN111783669B (zh) | 一种面向个人用户的表面肌电信号分类识别方法 | |
Lu et al. | Deep learning solutions for motor imagery classification: A comparison study | |
CN1744073A (zh) | 利用小波神经网络提取想象动作电位的方法 | |
CN112307996A (zh) | 一种指尖心电身份识别装置及方法 | |
CN117113015A (zh) | 一种基于时空深度学习的脑电信号识别方法及装置 | |
CN114159080B (zh) | 上肢康复机器人运动意图识别模型训练、识别方法及装置 | |
CN114569143A (zh) | 一种基于注意力机制与多特征融合的肌电手势识别方法 | |
Gurve et al. | Motor Imagery Classification with Covariance Matrices and Non-Negative Matrix Factorization |
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 |