CN110720912A - 一种基于波形相关性的肌肉运动单元提取方法 - Google Patents

一种基于波形相关性的肌肉运动单元提取方法 Download PDF

Info

Publication number
CN110720912A
CN110720912A CN201910968169.9A CN201910968169A CN110720912A CN 110720912 A CN110720912 A CN 110720912A CN 201910968169 A CN201910968169 A CN 201910968169A CN 110720912 A CN110720912 A CN 110720912A
Authority
CN
China
Prior art keywords
waveform
muscle movement
movement unit
extracting
muscle
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
Application number
CN201910968169.9A
Other languages
English (en)
Other versions
CN110720912B (zh
Inventor
何金保
胡庆波
骆再飞
周世官
李国君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ningbo University of Technology
Original Assignee
Ningbo University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ningbo University of Technology filed Critical Ningbo University of Technology
Priority to CN201910968169.9A priority Critical patent/CN110720912B/zh
Publication of CN110720912A publication Critical patent/CN110720912A/zh
Application granted granted Critical
Publication of CN110720912B publication Critical patent/CN110720912B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/24—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
    • A61B5/72—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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fuzzy Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提供了一种基于波形相关性的肌肉运动单元提取方法，首先根据肌肉运动单元发放波形传播延时特征，精确提取各个电极上的发放波形，然后根据发放波形，确定发放时刻，最后根据发放时刻，采用聚类方法，提取肌肉运动单元。针对肌肉动态收缩，采用线性函数动态更新模板，大大提高了提取肌肉运动单元的准确性。本发明实现简单，为肌肉动态收缩提取运动单元提供了新的思路，满足实际应用的需要。

Description

一种基于波形相关性的肌肉运动单元提取方法
技术领域
本发明涉及一种基于波形相关性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，它具有无创性，操作简单的特点，易于接受，因此应用前景广阔。SEMG是由多个运动单元(Motor Unit，MU)兴奋而发放出来的运动单元动作电位序列(Motor Unit ActionPotential Train，MUAPT)经由皮肤、脂肪等构成的容积导体滤波后，在皮肤表面检测电极处的时间和空间上综合叠加的结果。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，提出一种肌肉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波形相关性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，以肌肉运动单元发放波形幅值最大的电极M为基准，沿肌纤维方向，根据电极间距和传播速度，计算各电极波形延时；
步骤四，以电极M发放波形的时刻和延时，计算沿肌纤维方向各电极发放波形时间域，并且提取时间域上的波形W1、W2、W3、….、Wn；
步骤五，计算W1、W2、W3、….、Wn相似性，满足相似性条件，即可确认为肌肉运动单元发放时刻；
步骤六，提取所有肌肉运动单元发放时刻的电极M上的波形，采用K均值聚类方法将所有的发放时刻分类，并且动态更新分类模板，输出分类结果；
步骤七，对所有发放序列归类整理，剔除重复以及不合理的肌肉运动单元，优化结果。
优化的措施包括：
步骤六中动态更新分类模板，根据波形幅值单调变化，采用线性函数更新模板。
与现有技术相比，本发明提供一种基于波形相关性的肌肉运动单元提取方法，采用波形传播特征，提取所有的发放时刻，并且考虑了传播延时特征，精确提取各电极上的发放波形，为后续的分类奠定基础。针对肌肉动态收缩，采用线性函数动态更新模板，大大提高了提取肌肉运动单元的准确性。本发明实现简单，为肌肉动态收缩提取运动单元提供了新的思路。
附图说明
图1是本发明流程图。
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。
本发明的目的在于提供一种基于波形相关性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，以肌肉运动单元发放波形幅值最大的电极M为基准，沿肌纤维方向，根据电极间距和传播速度，计算各电极波形延时。在各个通道上提取的肌肉运动单元发放波形，都会对应时刻，在这些时刻，找到幅值最大的电极M。计算延时的发放就是电极间距除以传播速度，电极间距可以从电极上测量得到，传播速度采取典型值4m/s。
步骤四，以电极M发放波形的时刻和延时，计算沿肌纤维方向各电极发放波形时间域，并且提取时间域上的波形W1、W2、W3、….、Wn。该步骤只需要确定波形的起始点就可以获得W1、W2、W3、….、Wn，起始点是由电极M上波形对应的时刻为基准，再由延时调整即可得到。
步骤五，计算W1、W2、W3、….、Wn相似性，满足相似性条件，即可确认为肌肉运动单元发放时刻。相似性si由公式
Figure BDA0002231196040000031
计算得到，pi是动态输入变化的波形，zi是模板，N是波形长度。设置相似性阈值，小于阈值，即可确认为肌肉运动单元发放时刻。
步骤六，提取所有肌肉运动单元发放时刻的电极M上的波形，采用K均值聚类方法将所有的发放时刻分类，并且动态更新分类模板，输出分类结果。由于M是幅值最大的电极，最能反映肌肉运动单元特征，用M上波形聚类，准确性高。动态更新分类模板，根据波形幅值单调变化，采用线性函数更新模板。波形单调增，采用单增线性函数更新模板；波形单调减，采用单减线性函数更新模板。具体实施时，采用幅值与系数相乘更新模板。
步骤七，对所有发放序列归类整理，剔除重复以及不合理的肌肉运动单元，优化结果。不合理的肌肉运动单元指发放时刻小于15毫秒间隔的序列，需剔除。
综上所述，本发明提供一种基于波形相关性的肌肉运动单元提取方法，采用波形传播特征，提取所有的发放时刻，并且考虑了传播延时特征，精确提取各电极上的发放波形。针对肌肉动态收缩，采用线性函数动态更新模板，大大提高了提取肌肉运动单元的准确性。本发明实现简单，为肌肉动态收缩提取运动单元提供了新的思路，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)

1.一种基于波形相关性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，以肌肉运动单元发放波形幅值最大的电极M为基准，沿肌纤维方向，根据电极间距和传播速度，计算各电极波形延时；
步骤四，以电极M发放波形的时刻和延时，计算沿肌纤维方向各电极发放波形时间域，并且提取时间域上的波形W1、W2、W3、….、Wn；
步骤五，计算W1、W2、W3、….、Wn相似性，满足相似性条件，即可确认为肌肉运动单元发放时刻；
步骤六，提取所有肌肉运动单元发放时刻的电极M上的波形，采用K均值聚类方法将所有的发放时刻分类，并且动态更新分类模板，输出分类结果；
步骤七，对所有发放序列归类整理，剔除重复以及不合理的肌肉运动单元，优化结果。
2.根据权利要求1所述的一种基于波形相关性的肌肉运动单元提取方法，其特征在于，步骤六中动态更新分类模板，根据波形幅值单调变化，采用线性函数更新模板。
CN201910968169.9A 2019-10-12 2019-10-12 一种基于波形相关性的肌肉运动单元提取方法 Active CN110720912B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910968169.9A CN110720912B (zh) 2019-10-12 2019-10-12 一种基于波形相关性的肌肉运动单元提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910968169.9A CN110720912B (zh) 2019-10-12 2019-10-12 一种基于波形相关性的肌肉运动单元提取方法

Publications (2)

Publication Number Publication Date
CN110720912A true CN110720912A (zh) 2020-01-24
CN110720912B CN110720912B (zh) 2022-04-26

Family

ID=69219907

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910968169.9A Active CN110720912B (zh) 2019-10-12 2019-10-12 一种基于波形相关性的肌肉运动单元提取方法

Country Status (1)

Country Link
CN (1) CN110720912B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050272984A1 (en) * 2004-06-08 2005-12-08 Matti Huiku Monitoring pain-related responses of a patient
CN101317794A (zh) * 2008-03-11 2008-12-10 清华大学 多指多自由度假手用肌电控制能力检测训练方法
CN101507606A (zh) * 2008-12-09 2009-08-19 上海理工大学 脑诱发电位的采集方法
CN102961203A (zh) * 2012-12-10 2013-03-13 杭州电子科技大学 基于emd样本熵的表面肌电信号识别方法
CN104586383A (zh) * 2015-01-12 2015-05-06 北京世纪今科医疗器械有限公司 一种心电波形分类方法及装置
CN104997508A (zh) * 2015-08-19 2015-10-28 宁波工程学院 阵列式sEMG信号自动分解方法
US20150313500A1 (en) * 2010-09-21 2015-11-05 Somaxis Incorporated Methods for assessing and optimizing muscular performance including a stride rate tuning protocol
US20150320575A1 (en) * 2014-05-07 2015-11-12 The Regents Of The University Of California Intuitive prosthetic interface
CN105326501A (zh) * 2015-12-10 2016-02-17 宁波工程学院 基于sEMG的肌肉疾病监测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050272984A1 (en) * 2004-06-08 2005-12-08 Matti Huiku Monitoring pain-related responses of a patient
CN101317794A (zh) * 2008-03-11 2008-12-10 清华大学 多指多自由度假手用肌电控制能力检测训练方法
CN101507606A (zh) * 2008-12-09 2009-08-19 上海理工大学 脑诱发电位的采集方法
US20150313500A1 (en) * 2010-09-21 2015-11-05 Somaxis Incorporated Methods for assessing and optimizing muscular performance including a stride rate tuning protocol
CN102961203A (zh) * 2012-12-10 2013-03-13 杭州电子科技大学 基于emd样本熵的表面肌电信号识别方法
US20150320575A1 (en) * 2014-05-07 2015-11-12 The Regents Of The University Of California Intuitive prosthetic interface
CN104586383A (zh) * 2015-01-12 2015-05-06 北京世纪今科医疗器械有限公司 一种心电波形分类方法及装置
CN104997508A (zh) * 2015-08-19 2015-10-28 宁波工程学院 阵列式sEMG信号自动分解方法
CN105326501A (zh) * 2015-12-10 2016-02-17 宁波工程学院 基于sEMG的肌肉疾病监测方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
DE LUCA: "Decomposition of surface EMG signals from cyclic dynamic contractions(Article)", 《JOURNAL OF NEUROPHYSIOLOGY》 *
HE JINBAO: "The Decomposition of Multi-channel Surface", 《2015 CHINESE AUTOMATION CONGRESS (CAC)》 *
HE JINBAO: "The exaction of motor unit action potential from multi-channel SEMG signals", 《2015 4TH INTERNATIONAL CONFERENCE ON COMPUTER SCIENCE AND NETWORK TECHNOLOGY (ICCSNT)》 *
IVAN GLIGORIJEVIĆ: "Automated way to obtain motor units" signatures and estimate their firing patterns during voluntary contractions using HD-sEMG", 《 2011 ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY》 *
MARCO GAZZONI: "A new method for the extraction and classification of single motor unit action potentials from surface EMG signals", 《JOURNAL OF NEUROSCIENCE METHODS》 *
何金保等: "基于运动单元的肌肉力估计新方法", 《航天医学与医学工程》 *
刘涛然等: "基于表面肌电信号参数的人体上肢运动研究", 《天津科技大学学报》 *
宁勇等: "基于FastICA和通道间相关的表面肌电信号分解研究", 《航天医学与医学工程》 *

Also Published As

Publication number Publication date
CN110720912B (zh) 2022-04-26

Similar Documents

Publication Publication Date Title
CN101599127B (zh) 眼电信号的特征提取与识别方法
CN104799854B (zh) 一种表面肌电采集装置及其肌电信号处理方法
Phinyomark et al. Investigating long-term effects of feature extraction methods for continuous EMG pattern classification
CN110367980A (zh) 基于多元经验模态分解的脑电信号情绪识别方法
CN102426651A (zh) 人体前臂表面肌电信号采集及模式识别系统
CN104997508A (zh) 阵列式sEMG信号自动分解方法
CN108403108A (zh) 基于波形优化的阵列式表面肌电信号分解方法
CN104571504A (zh) 一种基于想象动作的在线脑-机接口方法
CN107822629A (zh) 四肢表面肌电轴的检测方法
CN105956547B (zh) 基于阵列式表面肌电信号平滑的分解方法
CN109009098B (zh) 一种运动想象状态下的脑电信号特征识别方法
CN110720912B (zh) 一种基于波形相关性的肌肉运动单元提取方法
CN110558980B (zh) 一种肌肉动态收缩的运动单元提取方法
KR101446183B1 (ko) 상관 특징 분석 기반 실시간 ｅｍｇ 패턴 인식 방법
CN105975917B (zh) 面向强干扰的阵列式表面肌电信号分解方法
CN108403113B (zh) 一种半自动的阵列式表面肌电信号分解方法
CN110558979B (zh) 一种基于神经网络的肌肉运动单元提取方法
KR102630840B1 (ko) 근전도 신호 기반 인식 정보 추출 시스템과 이를 이용한 근전도 신호 기반 인식 정보 추출 방법
CN110507324B (zh) 一种肌肉运动单元搜索方法
CN110720910B (zh) 一种基于相关性的肌肉运动单元搜索方法
Ling-Ling et al. Electromyographic movement pattern recognition based on random forest algorithm
CN107684501B (zh) 一种基于表面肌电的肘关节动作连续辨识方法
CN111476295A (zh) 一种基于gs-lssvm的多通道生理信号体感姿势识别方法
CN111168667B (zh) 基于贝叶斯分类器的机器人控制方法
CN110720911B (zh) 一种肌肉运动单元提取方法

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