CN110664404A - 一种基于表面肌电信号的躯干代偿检测和消除系统 - Google Patents
一种基于表面肌电信号的躯干代偿检测和消除系统 Download PDFInfo
- Publication number
- CN110664404A CN110664404A CN201910941114.9A CN201910941114A CN110664404A CN 110664404 A CN110664404 A CN 110664404A CN 201910941114 A CN201910941114 A CN 201910941114A CN 110664404 A CN110664404 A CN 110664404A
- Authority
- CN
- China
- Prior art keywords
- trunk
- processing module
- compensation
- detection
- surface electromyogram
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 55
- 230000008030 elimination Effects 0.000 title claims abstract description 18
- 238000003379 elimination reaction Methods 0.000 title claims abstract description 18
- 230000033001 locomotion Effects 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 51
- 210000003205 muscle Anatomy 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 7
- 230000000694 effects Effects 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 10
- 210000001364 upper extremity Anatomy 0.000 claims description 8
- 238000002567 electromyography Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 210000000481 breast Anatomy 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 210000001139 rectus abdominis Anatomy 0.000 claims description 4
- 210000001015 abdomen Anatomy 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000006798 recombination Effects 0.000 claims description 3
- 238000005215 recombination Methods 0.000 claims description 3
- 230000000284 resting effect Effects 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 229910021607 Silver chloride Inorganic materials 0.000 description 2
- 208000006011 Stroke Diseases 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003183 myoelectrical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- HKZLPVFGJNLROG-UHFFFAOYSA-M silver monochloride Chemical compound [Cl-].[Ag+] HKZLPVFGJNLROG-UHFFFAOYSA-M 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 206010061296 Motor dysfunction Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000001624 hip Anatomy 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 210000004705 lumbosacral region Anatomy 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007659 motor function Effects 0.000 description 1
- 210000001087 myotubule Anatomy 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
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
- A61B5/48—Other medical applications
- A61B5/4833—Assessment of subject's compliance to treatment
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (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
本发明公开了一种基于表面肌电信号的躯干代偿检测和消除系统。所述系统包括：表面肌电信号采集模块，用于采集受试者做实验动作时的躯干浅层肌肉的表面肌电信号；信号处理模块，处理原始表面肌电信号，由离线处理模块和在线处理模块组成，离线处理模块用于训练和测试SVM多类分类器，在线处理模块使用训练好的SVM多类分类器进行在线检测并将检测结果输出值语音提醒模块；语音提醒模块，将在线处理模块输出的检测结果以语音的形式通知受试者并提醒受试者纠正已产生的躯干代偿运动。本发明基于表面肌电信号进行躯干代偿运动的检测与消除，该方法简单有效，准确率高，能够实时检测受试者是否产生躯干代偿运动并提醒受试者纠正已产生的躯干代偿运动。
Description
技术领域
本发明涉及康复医学与模式识别领域，具体涉及一种基于表面肌电信号的躯干代偿检测和消除系统。
背景技术
调查显示脑卒中是我国成年人残疾的首要原因。众多的临床实践表明，康复训练可以有效促进脑卒中患者上肢运动功能障碍的恢复。然而，在康复训练期间，由于上肢运动功能的不足，患者习惯于使用躯干肌肉和关节来辅助上肢运动，这就是躯干代偿。常见的躯干代偿运动有三种，分别为：前倾、躯干旋转和肩上抬代偿。然而，无论发生何种躯干代偿运动，都会使得上肢得不到充分的训练，降低了康复训练效果。因此，检测和消除躯干代偿运动是非常有必要的。
近年来，在躯干代偿检测和消除领域已经有了一些研究。现有的躯干代偿检测方法主要分为两大类：一类基于视觉传感器，另一类是基于惯性传感器。这两种方法都存在各自的不足。基于视觉传感器的检测方法过于依赖环境如光照，而惯性传感器需要经过复杂的校正，长时间测量精度会下降。更重要的是，基于这两种方法在健康人模拟躯干代偿检测中取得了不佳的检测性能。
表面肌电信号因其蕴含肌肉运动信息、易获取性、非植入式、能够长时间检测等优点，被广泛应用于康复领域和模式识别领域等。前人工作表明基于表面肌电信号的模式识别以及取得了较好的性能，比如在手势识别、上肢运动识别等。然而，尚未有相关研究用于躯干代偿运动检测。
发明内容
本发明的目的是针对现有技术中存在的技术缺陷，为了提高躯干代偿检测的准确率和消除躯干代偿，提出了一种基于表面肌电信号的躯干代偿检测和消除系统。
本发明的目的至少通过如下技术方案之一实现。
一种基于表面肌电信号的躯干代偿检测和消除系统，包括表面肌电信号采集模块、信号处理模块和语音提醒模块；其中信号处理模块包括离线处理模块和在线处理模块；
表面肌电信号采集模块用于采集受试者做实验动作时的躯干浅层肌肉的表面肌电信号并将其发送至离线处理模块以及在线处理模块；
信号处理模块用于处理原始表面肌电信号；其中，离线处理模块用于训练和测试SVM多类分类器，在线处理模块使用训练好的SVM多类分类器进行在线检测并将检测结果输出值语音提醒模块；
语音提醒模块，将在线处理模块输出的检测结果以语音的形式通知受试者并提醒受试者纠正已产生的躯干代偿运动。
进一步地，所述离线处理模块的工作步骤如下：
2.1.1、数据预处理，对采集的原始的表面肌电信号进行基线校正、滤波、分窗、划分活动段处理；
2.1.2、提取重组的时域特征，组成特征集；
2.1.3、将步骤2.1.2中提取的特征集打标签，并分为训练集和测试集，用来对SVM多类分类器进行离线训练和测试；
所述在线处理模块的工作步骤如下：
2.2.1、采用与步骤2.1.1相同的数据预处理方法；
2.2.2、提取一个滑动窗内的与步骤2.1.2相同的重组时域特征；
2.2.3、将步骤2.1.3离线训练好的SVM多类分类器用于在线检测。
进一步地，所述实验动作是由上肢单侧手臂完成的没有伴随躯干代偿的前后运动、左右运动、上下运动以及伴随有前倾代偿的前后运动、带有躯干旋转代偿的左右运动和带有肩上抬代偿的上下运动；所述躯干浅层肌肉分别为左右腹直肌、左右腹外斜肌、左右竖脊肌胸部、左右竖脊肌腹部和位于运动手一侧的斜方肌上束，共计9块肌肉。
进一步地，所述步骤2.1.1中，数据预处理依次包括减去静息状态的基线偏移、通过巴特沃斯带通滤波器消除运动伪迹和心电干扰、通过工频陷波器消除工频干扰、以滑动窗的形式对表面肌电信号进行划分、采用基于最优阈值的样本熵算法划分活动段并求出最优样本熵阈值。
进一步地，所述最优阈值的样本熵算法的实现为：
输入：多通道表面肌电信号yi，i为通道数,已知待检测活动段次数n，采样频率Fs，一个滑动窗内的表面肌电信号采样个数M；
循环变量：外循环变量是每次动作的持续时间sec秒，sec＝0～10,内循环变量是固定阈值x，0<x<2；
循环体：循环执行固定阈值样本熵算法，输出检测到的活动段次数m，并判断是否等于已知的活动段次数n；
输出：最优阈值即满足m＝n时的样本熵阈值x、长度为a的一维活动段起点数组t1和终点数组t2，长度为a的一维活动段起点数组t1和终点数组t2，a在数值上等于m。
进一步地，所述固定阈值样本熵算法的实现步骤为：求取多通道表面肌电信号之和，作为目标时序信号；以滑动窗的形式划分目标时序信号；求取每个滑动窗的样本熵；基于固定阈值判断活动段的约束条件如下：
满足该条件的第t1(l)个滑动窗为检测到的第l个活动段的起点，0<≤m，第t2(l)个滑动窗为第l个活动段的终点，s(t1(l))和s(t2(l))分别代表第t1(l)和t2(l)个滑动窗的样本熵。
进一步地，所述步骤2.1.2中，提取的时域特征分别为均方根值RMS、方差VAR、平均绝对值MAV、波长WL以及4阶AR系数，计算公式分别如下：
公式中,
为滤波后的第i通道表面肌电信号中的第t个滑动窗中的第k个数据点；i取值为正整数1～9；aj为第j阶的AR系数；q为AR阶数，取值为4；
为白噪声残差；
对于不同侧手臂运动时，躯干代偿如躯干旋转和肩上抬所对应的控制肌肉是不同的，为了排除左右侧运动对结果的影响，对时域特征进行重组，计算公式如下：
公式中，i为采集通道，取值为2、4、6、8；FT代表5个时域特征中的任意一个；ReFT代表对应的重组时域特征；对重组的时域特征进行组合，共分成6组，分别为：MAV+VAR+WL+AR4、RMS+VAR+WL+AR4、RMS+MAV+WL+AR4、RMS+MAV+VAR+AR4、RMS+MAV+VAR+WL、RMS+MAV+VAR+WL+AR4；每个组合构成一个完整的特征集。
进一步地，所述步骤2.1.3中，以躯干代偿类型确定输出标签，分别为：无代偿、前倾代偿、躯干旋转代偿、肩上抬代偿；将特征集按照80％:20％的比例划分成训练集和测试集，并采用五折交叉验证的方式训练和测试SVM多类分类器，得到平均准确率。
进一步地，所述语音提醒模块，根据在线处理模块输出的检测结果，调用不同躯干代偿运动对应的提醒文本，基于微软语音引擎SAPI实现文本转语音即TTS，并将语音通过音箱放大进而提醒受试者。
与现有技术比较，本发明具有如下优点和技术效果：
提出了一种基于表面肌电信号的躯干代偿运动检测系统，并取得了优异的检测准确率；提出基于语音提醒的方式消除代偿，操作简单方便；将检测和消除结合实现在线化，满足了实时性要求，也有利于患者获得更好的康复训练效果。
附图说明
图1为本发明实施例所述方法流程图。
图2a、2b为本发明实施例中的表面电极的位置示意图。
图3a、3b、3c为本发明实施例中的实验动作示意图。
图4为本发明实施例中的基于最优阈值的样本熵算法流程图。
图5为本发明实施例中的基于最优阈值的样本熵算法划分活动段效果图。
图6为本发明实施例中的不同特征集的躯干代偿检测性能对比图。
附图中的标号说明：左右腹外斜肌1；左右腹直肌2；左右竖脊肌胸部3；左右竖脊肌腰部4；斜方肌上束5；前倾代偿6；前后运动7；躯干旋转代偿8；左右运动9；肩上抬代偿10；上下运动11。
具体实施方式
下面将结合附图和实例对本发明的具体实施作进一步说明，但本发明的实施和保护不限于此。
实施例：
如图1所示，一种基于表面肌电信号的躯干代偿检测和消除系统，包括表面肌电信号采集模块、信号处理模块和语音提醒模块；其中信号处理模块包括离线处理模块和在线处理模块。
所述表面肌电信号采集模块用于采集受试者做实验动作时的躯干浅层肌肉的表面肌电信号并将其发送至离线处理模块以及在线处理模块。本实施例中，所述表面肌电信号采集模块的工作步骤如下：
1.1、皮肤预处理，实验前用酒精棉擦拭受试者9块待测的躯干浅层肌肉的表面皮肤；如图2a和图2b所示，待测肌肉分别为左右腹直肌2、左右腹外斜肌1、左右竖脊肌胸部3、左右竖脊肌腰部4和位于运动手一侧的斜方肌上束5；
1.2、将双极Ag/AgCl表面电极贴在受试者待测肌肉的肌腹位置，平行于肌纤维走向，其中，双极Ag/AgCl表面电极为直径10mm、两极间距20mm的圆形电极；
1.3、让受试者坐在椅子上，如图3a、图3b和图3c所示，指导受试者用上肢单侧手臂完成没有伴随躯干代偿的前后运动7、左右运动9、上下运动11以及伴随有前倾代偿6的前后运动7、带有躯干旋转代偿8的左右运动9和带有肩上抬代偿10的上下运动11，共计6个实验动作，每个动作做10次，两次动作之间停顿1s，5次动作之后停顿30s，以防止受试者产生疲劳；使用商用的Noraxon Ultium EMG无线表面肌电仪前9个通道采集原始表面肌电信号。
所述信号处理模块用于处理原始表面肌电信号；其中，离线处理模块用于训练和测试SVM多类分类器，在线处理模块使用训练好的SVM多类分类器进行在线检测并将检测结果输出值语音提醒模块；
所述离线处理模块的工作步骤如下：
2.1.1、数据预处理，对采集的原始的表面肌电信号进行基线校正、滤波、分窗、划分活动段处理；本实施例中，所述数据预处理依次包括减去静息状态的基线偏移；通过20-500Hz的巴特沃斯带通滤波器消除运动运动伪迹和心电干扰；通过50Hz的工频陷波器消除工频干扰；如图5所示，以滑动窗的形式对表面肌电信号进行划分，窗长为256ms(采样点512个)，50％重叠；采用基于最优阈值的样本熵算法划分活动段并找出最优样本熵阈值；
进一步地，如图4所示，所述最优阈值的样本熵算法的实现为：
输入：多通道表面肌电信号yi(i为通道数),已知待检测活动段次数n＝5，采样频率Fs＝2000Hz，一个滑动窗内的表面肌电信号采样个数M＝512；
循环变量：外循环变量是每次动作的持续时间sec秒(10>sec>0),内循环变量是固定阈值x(0<x<2)；
循环体：循环执行固定阈值样本熵算法，输出检测到的活动段次数m，并判断是否等于已知的活动段次数n；
输出：最优阈值即满足m＝n时的样本熵阈值x，长度为m的一维活动段起点数组t1和终点数组t2。
2.1.2、提取重组的时域特征，组成特征集；具体的，提取RMS,VAR,MAV,WL,AR4等5个时域特征并进行重组，采用不同的特征组合方式构建特征集，分别为：MAV+VAR+WL+AR4、RMS+VAR+WL+AR4、RMS+MAV+WL+AR4、RMS+MAV+VAR+AR4、RMS+MAV+VAR+WL、RMS+MAV+VAR+WL+AR4。
2.1.3、将步骤2.1.2中提取的特征集打标签，并分为训练集和测试集，用来对SVM多类分类器进行离线训练(损失函数精度为0.1或者终止迭代容差为0.1)和测试；采用一对一的方法实现SVM分类器多类分类。
所述在线处理模块的工作步骤如下：
2.2.1、采用与步骤2.1.1相同的数据预处理方法，并将求出的最优样本熵阈值作为在线处理的固定样本熵阈值；
2.2.2、提取一个滑动窗内的与步骤2.1.2相同的重组时域特征；
2.2.3、将步骤2.1.3离线训练好的SVM多类分类器用于在线检测。
所述语音提醒模块，将在线处理模块输出的检测结果以语音的形式通知受试者并提醒受试者纠正已产生的躯干代偿运动；具体的，根据在线处理模块输出的检测结果，调用不同躯干代偿运动对应的提醒文本，基于微软语音引擎SAPI实现文本转语音即TTS，并将语音通过音箱放大进而提醒受试者。
本实施例的具体流程如下：
(1)募集5位健康的成年人参与实验，如图3a、图3b、图3c所示，每位参与者均做前后运动7、左右运动9和上下运动11，并模拟前倾代偿6、躯干旋转代偿8和肩上抬侧代偿10，共计6个动作。每个动作做10次，共计300次动作。做动作的同时，记录原始的表面肌电信号。
(2)首先，进行离线处理：进行基线校正、滤波、分窗和划分活动段预处理；提取并重组时域特征，不同特征集组合用于训练和测试SVM多类分类器，实验结果如表1和图6所示：
表1、离线检测对比结果
基于离线检测对比结果，选择RMS+MAV+VAR+WL+AR4特征组合进行在线测试，结果如表2所示：
表2、在线测试结果
本发明基于表面肌电信号进行躯干代偿的检测，离线处理中取得了平均95.723％的检测准确率，在线处理中取得了平均89.107％的检测准确率。前人研究中应用较多的是基于机器视觉和惯性传感器的检测方式。如Babak Taati等人基于深度相机取得了85.9％的检测准确率，Rajiv Ranganathan等人基于两个可穿戴式惯性传感器取得了88.6％的检测准确率。本发明与他们相比取得了更加优异的躯干代偿检测性能。在线检测到躯干代偿后，语音提醒模块对受试者进行躯干代偿提醒，进而促使受试者消除躯干代偿。
根据上述说明书的揭示和教导，本发明所属领域的技术人员还可以对上述实施方式进行变更和修改。因此，本发明并不局限于上面揭示和描述的具体实施方式，对本发明的一些修改和变更也应当落入本发明的权利要求的保护范围内。
Claims (9)
1.一种基于表面肌电信号的躯干代偿检测和消除系统，其特征在于，包括表面肌电信号采集模块、信号处理模块和语音提醒模块；其中信号处理模块包括离线处理模块和在线处理模块；
表面肌电信号采集模块用于采集受试者做实验动作时的躯干浅层肌肉的表面肌电信号并将其发送至离线处理模块以及在线处理模块；
信号处理模块用于处理原始表面肌电信号；其中，离线处理模块用于训练和测试SVM多类分类器，在线处理模块使用训练好的SVM多类分类器进行在线检测并将检测结果输出值语音提醒模块；
语音提醒模块，将在线处理模块输出的检测结果以语音的形式通知受试者并提醒受试者纠正已产生的躯干代偿运动。
2.根据权利要求1所述的一种基于表面肌电信号的躯干代偿检测和消除系统，其特征在于，所述离线处理模块的工作步骤如下：
2.1.1、数据预处理，对采集的原始的表面肌电信号进行基线校正、滤波、分窗、划分活动段处理；
2.1.2、提取重组的时域特征，组成特征集；
2.1.3、将步骤2.1.2中提取的特征集打标签，并分为训练集和测试集，用来对SVM多类分类器进行离线训练和测试；
所述在线处理模块的工作步骤如下：
2.2.1、采用与步骤2.1.1相同的数据预处理方法；
2.2.2、提取一个滑动窗内的与步骤2.1.2相同的重组时域特征；
2.2.3、将步骤2.1.3离线训练好的SVM多类分类器用于在线检测。
3.根据权利要求1所述的一种基于表面肌电信号的躯干代偿检测和消除系统，其特征在于，所述实验动作是由上肢单侧手臂完成的没有伴随躯干代偿的前后运动、左右运动、上下运动以及伴随有前倾代偿的前后运动、带有躯干旋转代偿的左右运动和带有肩上抬代偿的上下运动；所述躯干浅层肌肉分别为左右腹直肌、左右腹外斜肌、左右竖脊肌胸部、左右竖脊肌腹部和位于运动手一侧的斜方肌上束，共计9块肌肉。
4.根据权利要求2所述的一种基于表面肌电信号的躯干代偿检测和消除系统，其特征在于，所述步骤2.1.1中，数据预处理依次包括减去静息状态的基线偏移、通过巴特沃斯带通滤波器消除运动伪迹和心电干扰、通过工频陷波器消除工频干扰、以滑动窗的形式对表面肌电信号进行划分、采用基于最优阈值的样本熵算法划分活动段并求出最优样本熵阈值。
5.根据权利要求4所述的一种基于表面肌电信号的躯干代偿检测和消除系统，其特征在于，所述最优阈值的样本熵算法的实现为：
输入：多通道表面肌电信号yi，i为通道数，已知待检测活动段次数n，采样频率Fs，一个滑动窗内的表面肌电信号采样个数M；
循环变量：外循环变量是每次动作的持续时间sec秒，sec＝0～10，内循环变量是固定阈值x，0＜x＜2；
循环体：循环执行固定阈值样本熵算法，输出检测到的活动段次数m，并判断是否等于已知的活动段次数n；
输出：最优阈值即满足m＝n时的样本熵阈值x，长度为a的一维活动段起点数组t1和终点数组t2，a在数值上等于m。
6.根据权利要求5所述的一种基于表面肌电信号的躯干代偿检测和消除系统，其特征在于，所述固定阈值样本熵算法的实现步骤为：求取多通道表面肌电信号之和，作为目标时序信号；以滑动窗的形式划分目标时序信号；求取每个滑动窗的样本熵；基于固定阈值判断活动段的约束条件如下：
满足该条件的第t1(l)个滑动窗为检测到的第l个活动段的起点，0＜l≤m，第t2(l)个滑动窗为第l个活动段的终点，s(t1(l))和s(t2(l))分别代表第t1(l)和t2(l)个滑动窗的样本熵。
7.根据权利要求2所述的一种基于表面肌电信号的躯干代偿检测和消除系统，其特征在于，所述步骤2.1.2中，提取的时域特征分别为均方根值RMS、方差VAR、平均绝对值MAV、波长WL以及4阶AR系数，计算公式分别如下：
公式中，
为滤波后的第i通道表面肌电信号中的第t个滑动窗中的第k个数据点；i取值为正整数1～9；aj为第j阶的AR系数；q为AR阶数，取值为4；
为白噪声残差；
对于不同侧手臂运动时，躯干代偿如躯干旋转和肩上抬所对应的控制肌肉是不同的，为了排除左右侧运动对结果的影响，对时域特征进行重组，计算公式如下：
公式中，i为采集通道，取值为2、4、6、8；FT代表5个时域特征中的任意一个；ReFT代表对应的重组时域特征；对重组的时域特征进行组合，共分成6组，分别为：MAV+VAR+WL+AR4、RMS+VAR+WL+AR4、RMS+MAV+WL+AR4、RMS+MAV+VAR+AR4、RMS+MAV+VAR+WL、RMS+MAV+VAR+WL+AR4；每个组合构成一个完整的特征集。
8.根据权利要求2所述的一种基于表面肌电信号的躯干代偿检测和消除系统，其特征在于，所述步骤2.1.3中，以躯干代偿类型确定输出标签，分别为：无代偿、前倾代偿、躯干旋转代偿、肩上抬代偿；将特征集按照80％:20％的比例划分成训练集和测试集，并采用五折交叉验证的方式训练和测试SVM多类分类器，得到平均准确率。
9.根据权利要求1所述的一种基于表面肌电信号的躯干代偿检测和消除系统，其特征在于，所述语音提醒模块，根据在线处理模块输出的检测结果，调用不同躯干代偿运动对应的提醒文本，基于微软语音引擎SAPI实现文本转语音即TTS，并将语音通过音箱放大进而提醒受试者。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910941114.9A CN110664404B (zh) | 2019-09-30 | 2019-09-30 | 一种基于表面肌电信号的躯干代偿检测和消除系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910941114.9A CN110664404B (zh) | 2019-09-30 | 2019-09-30 | 一种基于表面肌电信号的躯干代偿检测和消除系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110664404A true CN110664404A (zh) | 2020-01-10 |
| CN110664404B CN110664404B (zh) | 2021-10-26 |
Family
ID=69080568
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910941114.9A Active CN110664404B (zh) | 2019-09-30 | 2019-09-30 | 一种基于表面肌电信号的躯干代偿检测和消除系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110664404B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113261981A (zh) * | 2021-05-21 | 2021-08-17 | 华南理工大学 | 一种基于表面肌电信号的上肢痉挛量化评估方法及系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102567638A (zh) * | 2011-12-29 | 2012-07-11 | 无锡微感科技有限公司 | 一种基于微型传感器的交互式上肢康复系统 |
| CN106383579A (zh) * | 2016-09-14 | 2017-02-08 | 西安电子科技大学 | 一种基于emg和fsr的精细手势识别系统及方法 |
| CN106618567A (zh) * | 2016-11-24 | 2017-05-10 | 浙江大学 | 用于脊柱稳定性研究的坐姿突发加载姿势干扰装置及方法 |
| CN107273798A (zh) * | 2017-05-11 | 2017-10-20 | 华南理工大学 | 一种基于表面肌电信号的手势识别方法 |
| CN107822629A (zh) * | 2017-09-11 | 2018-03-23 | 上海傲意信息科技有限公司 | 四肢表面肌电轴的检测方法 |
| US20180221177A1 (en) * | 2017-02-03 | 2018-08-09 | David Kaltenbach | Digital interface system and method |
| US20180284912A1 (en) * | 2013-06-17 | 2018-10-04 | Samsung Electronics Co., Ltd. | Device, method, and system to recognize motion using gripped object |
| CN108681685A (zh) * | 2018-03-23 | 2018-10-19 | 天津科技大学 | 一种基于人体表面肌电信号的躯干动作意图识别方法 |
| CN109528450A (zh) * | 2019-01-24 | 2019-03-29 | 郑州大学 | 一种运动意图识别的外骨骼康复机器人 |
| CN109568083A (zh) * | 2018-12-15 | 2019-04-05 | 华南理工大学 | 一种多模态交互的上肢康复机器人训练系统 |
| CN109843170A (zh) * | 2016-10-06 | 2019-06-04 | 高木理加 | 用于确定代偿运动的原因部位的方法、系统、程序及计算机装置以及用于消除代偿运动的方法及系统 |
| CN110123572A (zh) * | 2019-04-04 | 2019-08-16 | 华南理工大学 | 一种偏瘫上肢代偿运动多模态交互的康复机器人训练系统 |
-
2019
- 2019-09-30 CN CN201910941114.9A patent/CN110664404B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102567638A (zh) * | 2011-12-29 | 2012-07-11 | 无锡微感科技有限公司 | 一种基于微型传感器的交互式上肢康复系统 |
| US20180284912A1 (en) * | 2013-06-17 | 2018-10-04 | Samsung Electronics Co., Ltd. | Device, method, and system to recognize motion using gripped object |
| CN106383579A (zh) * | 2016-09-14 | 2017-02-08 | 西安电子科技大学 | 一种基于emg和fsr的精细手势识别系统及方法 |
| CN109843170A (zh) * | 2016-10-06 | 2019-06-04 | 高木理加 | 用于确定代偿运动的原因部位的方法、系统、程序及计算机装置以及用于消除代偿运动的方法及系统 |
| CN106618567A (zh) * | 2016-11-24 | 2017-05-10 | 浙江大学 | 用于脊柱稳定性研究的坐姿突发加载姿势干扰装置及方法 |
| US20180221177A1 (en) * | 2017-02-03 | 2018-08-09 | David Kaltenbach | Digital interface system and method |
| CN107273798A (zh) * | 2017-05-11 | 2017-10-20 | 华南理工大学 | 一种基于表面肌电信号的手势识别方法 |
| CN107822629A (zh) * | 2017-09-11 | 2018-03-23 | 上海傲意信息科技有限公司 | 四肢表面肌电轴的检测方法 |
| CN108681685A (zh) * | 2018-03-23 | 2018-10-19 | 天津科技大学 | 一种基于人体表面肌电信号的躯干动作意图识别方法 |
| CN109568083A (zh) * | 2018-12-15 | 2019-04-05 | 华南理工大学 | 一种多模态交互的上肢康复机器人训练系统 |
| CN109528450A (zh) * | 2019-01-24 | 2019-03-29 | 郑州大学 | 一种运动意图识别的外骨骼康复机器人 |
| CN110123572A (zh) * | 2019-04-04 | 2019-08-16 | 华南理工大学 | 一种偏瘫上肢代偿运动多模态交互的康复机器人训练系统 |
Non-Patent Citations (2)
| Title |
|---|
| SHUANGYUAN HUANG: "sEMG-Based Detection of Compensation Caused by Fatigue During Rehabilitation Therapy: A Pilot Study", 《IEEE ACCESS》 * |
| 牛永刚: "人体运动链功能训练结构模型研究", 《中国优秀博硕士学位论文全文数据库(博士) 社会科学Ⅱ辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113261981A (zh) * | 2021-05-21 | 2021-08-17 | 华南理工大学 | 一种基于表面肌电信号的上肢痉挛量化评估方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110664404B (zh) | 2021-10-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109907752B (zh) | 一种去除运动伪影干扰与心电特征检测的心电诊断与监护系统 | |
| CN109157202B (zh) | 一种基于多生理信号深度融合的心血管疾病预警系统 | |
| CN104107134B (zh) | 基于肌电反馈的上肢训练方法及系统 | |
| CN104173043B (zh) | 一种适合于移动平台的心电数据分析方法 | |
| CN104706349B (zh) | 一种基于脉搏波信号的心电信号构建方法 | |
| CN109222969A (zh) | 一种基于多传感器数据融合的可穿戴式人体上肢肌肉运动疲劳检测及训练系统 | |
| CN204931634U (zh) | 基于生理信息的抑郁症评估系统 | |
| CN105997043B (zh) | 一种基于腕式可穿戴设备的脉率提取方法 | |
| CN104571504B (zh) | 一种基于想象动作的在线脑‑机接口方法 | |
| CN107647864B (zh) | 一种心电信号分析方法及成像方法 | |
| CN106264505A (zh) | 一种基于支持向量机的心率谱峰选择方法 | |
| CN108577834A (zh) | 一种用于癫痫间期棘波自动检测的方法 | |
| CN103405225B (zh) | 一种获取疼感评测指标的方法、装置及设备 | |
| CN105892676B (zh) | 一种血管介入手术送丝机构的人机交互装置、系统及方法 | |
| Samuel et al. | Examining the effect of subjects' mobility on upper-limb motion identification based on EMG-pattern recognition | |
| CN113261981A (zh) | 一种基于表面肌电信号的上肢痉挛量化评估方法及系统 | |
| CN110664404B (zh) | 一种基于表面肌电信号的躯干代偿检测和消除系统 | |
| KR101245445B1 (ko) | Ｅｃｇ 신호에서의 ｒ－피크 검출 방법 및 그 장치 | |
| CN103876731B (zh) | 一种胎儿心电信号提取装置及方法 | |
| CN210383897U (zh) | 一种肌肉疲劳的联合测量装置以及假肢 | |
| CN106667474A (zh) | 一种适用于智能穿戴设备的心率测量方法及装置 | |
| CN110491504A (zh) | 一种心音信号医学指标数据的获取方法 | |
| CN109350050A (zh) | 心跳间期检测方法及装置 | |
| 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 | |
| CN1079379A (zh) | 一种新的胃肠电信号检测处理装置和方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240315 Address after: Room 401, Floor 4, Building 3, Industrial Internet Innovation Center, No.1, Ketai 1st Road, Guangzhou Private Science Park, Baiyun District, Guangzhou, Guangdong 510080 Patentee after: Lizhi medical technology (Guangzhou) Co.,Ltd. Country or region after: China Address before: 510640 No. five, 381 mountain road, Guangzhou, Guangdong, Tianhe District Patentee before: SOUTH CHINA University OF TECHNOLOGY Country or region before: China |
|
| TR01 | Transfer of patent right |