CN110931105B - 一种匹配多套肌肉协同模式的方法及系统 - Google Patents

一种匹配多套肌肉协同模式的方法及系统 Download PDF

Info

Publication number
CN110931105B
CN110931105B CN201911297308.6A CN201911297308A CN110931105B CN 110931105 B CN110931105 B CN 110931105B CN 201911297308 A CN201911297308 A CN 201911297308A CN 110931105 B CN110931105 B CN 110931105B
Authority
CN
China
Prior art keywords
matching
muscle
mss
similarity
vectors
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
Application number
CN201911297308.6A
Other languages
English (en)
Other versions
CN110931105A (zh
Inventor
罗洁
林佳吟
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN201911297308.6A priority Critical patent/CN110931105B/zh
Publication of CN110931105A publication Critical patent/CN110931105A/zh
Application granted granted Critical
Publication of CN110931105B publication Critical patent/CN110931105B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Prostheses (AREA)

Abstract

本发明公布一种匹配多套肌肉协同模式的方法及系统，属于神经运动控制机制分析领域，其方法主要步骤为：1）预处理：对多套肌肉协同模式（MS）进行二范数归一化；2）设置基准排序：设定第一套MS的模式向量排序不变；3）择优匹配：对第M套（M≥2）MS的向量排序时，先逐一计算与此前所有已排序MS的排序结果，并从中确定最优排序为该套MS的向量排序结果，储存重排后MS；4）逐一匹配：对每套MS均进行择优匹配，直至全部MS匹配完成。该方法可将多套肌肉协同模式的模式向量以最高的相似性配齐，解决Kmeans聚类法无法实现成功配对的问题，可更准确描述一段时间内肌肉协同模式的结构变化，这是目前仅计算两套肌肉协同模式相似性的方法所无法实现的。

Description

一种匹配多套肌肉协同模式的方法及系统
技术领域
本发明涉及神经运动控制机制分析领域，更具体地，是一种匹配多套肌肉协同模式的方法及系统。
背景技术
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。肌肉协同模式向量中肌肉比例的变化反映了肌肉控制策略的改变，量化模式结构的变化具有康复评价以及运动学习评估的广阔应用前景。由于康复或运动训练均具有较长的时间跨度，需从中确定多个时间节点并提取出相应肌肉协同模式，通过比较模式结构的异同以描述肌肉控制策略的连续变化，这其中涉及到多套肌肉协同模式的相似性量化方法。由于所提取模式的向量顺序是随机的，在计算模式相似性之前需配对模式向量。然而，目前利用Kmeans聚类法实现多套模式自动配对的方法不能成功对齐类间差异过小（或类内相似性过小）的肌肉协同模式，会出现一套模式中的两个或多个向量聚成一类的错误结果。此外，其他配对方法大多应用于两套模式，通过计算模式向量之间的皮尔逊相关系数，且根据最大相关性确定配对结果，然而这种方法仅能配对两套肌肉协同模式及描述其相似性无法刻画出多套模式结构的连续变化过程。因此，为了量化多套模式的相似性以描述控制策略的长期变化，一种新的多套模式配对方法是亟需的。
发明内容
为了准确量化多套肌肉协同模式结构的连续变化，本发明首先提供了一种匹配多套肌肉协同模式的方法，基于皮尔逊相关系数将一套模式与其他模式以高相似性进行向量对齐，比遍历法更加高效。
本发明还提出一种匹配多套肌肉协同模式的系统。
为了实现上述目的，本发明的技术方案为：
一种匹配多套肌肉协同模式的方法，包括以下步骤：
A、预处理：采集人运动过程中的多块肌肉表面肌电信号，对其进行非负矩阵分解，得到肌肉协同模式及激活时间序列；对得到的多套肌肉协同模式MS进行二范数归一化；
B、设置基准排序：设定第一套MS的模式向量排序不变；
C、择优匹配：对第M套（M≥2）MS的向量排序时，先逐一计算与此前所有已排序MS的排序结果，并从中确定最优排序为该套MS的向量排序结果，储存重排后MS；
D、逐一匹配：对每套MS均进行择优匹配，直至全部MS匹配完成。
基于上述方案，本发明提出了一种基于最高相似性配准多套肌肉协同模式的方法。通过本发明的技术方法，可以有效地将多套肌肉协同模式的模式向量以最高的相似性配齐，从而描述模式在一段时间内的变化过程，更准确地描述一段时间内肌肉协同模式的结构变化，这是仅计算两套肌肉协同模式的相似性所无法实现的。
进一步，所述步骤A中对得到的多套肌肉协同模式MS进行二范数归一化是将每套MS中各个模式向量中的每个元素除去自身向量的L2范数，使得每个模式向量的平方和为1。
进一步，所述步骤C具体包括：
C1、初始化N=1，N≤M-1；
C2、遍历第M套MS与第N套已重排MS的模式组合情况，并计算皮尔逊相关系数以量化相似性，确定相似值最高的组合为MS排序结果，记为ON；
C3、当第M套MS以ON排序时，两两计算M套MS之间的相似值并求平均，均值记为RN；
C4、当N≤M-2，N=N+1，重复步骤C2、C3；
C5、依据RN最大值所对应的ON对第M套MS的向量进行排序，并储存重排结果。
进一步，所述步骤C2具体包括：
C21、记第M、N套 MS的模式向量数目分别为LM及LN；
C22、若LM=LN，则跳转到步骤C23完成配对；若LM≠LN，则跳转到步骤C24完成配对；
C23、遍历两套MS的各种组合情况，并计算每对模式向量的皮尔逊相关系数值，求平均得到均值相似性；
C24、记LI为LM、LN中的较小值，LA为较大值，根据步骤C23匹配LI对模式向量，将剩余K个向量根据最高相似值与对象MS匹配，将所得LA个相似性值求平均得到均值相似性，其中K=LA-LI。
一种匹配多套肌肉协同模式的系统，包括以下模块：
预处理模块：采集人运动过程中的多块肌肉表面肌电信号，对其进行非负矩阵分解，得到肌肉协同模式及激活时间序列；对得到的多套肌肉协同模式MS进行二范数归一化；
设置基准排序模块：设定第一套MS的模式向量排序不变；
择优匹配模块：对第M套MS的向量排序时，M≥2，先逐一计算与此前所有已排序MS的排序结果，并从中确定最优排序为该套MS的向量排序结果，储存重排后MS；
逐一匹配模块：对每套MS均进行择优匹配，直至全部MS匹配完成。
与现有技术相比，本发明的有益效果是：将目前仅应用于两套肌肉协同模式的向量匹配算法应用于多套肌肉协同模式中，可将多套模式向量对齐，从而准确量化多套模式的相似性，基于多套模式的相似性可描述康复或训练过程中人体运动控制策略的变化，用于评价患者康复程度或运动员训练效果。
附图说明
图1为本发明所述一种匹配多套肌肉协同模式的方法较佳实施例的流程图；
图2为二范数归一化后的三套MS；
图3为根据配对结果重排后的第二套MS；
图4为择优匹配第三套MS；
图5为十二套肌肉协同模式匹配结果。
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。
本发明提供一种匹配多套肌肉协同模式的方法，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匹配多套肌肉协同模式的方法较佳实施例的流程图。
S1预处理：对十二套肌肉协同模式（MS）进行二范数归一化，模式向量数目均为6；
S2设置基准排序：设定第一套MS的模式向量排序不变；
S3择优匹配：对第M套（2≤M≤12）MS的向量排序时，先逐一计算与此前所有已排序MS的排序结果，并从中确定最优排序为该套MS的向量排序结果，储存重排后MS；
S4逐一匹配：对每套MS均进行择优匹配，直至十二套MS匹配完成。
上述步骤S1具体包括如下步骤：
11)让受试者完成十二个方向的触碰任务，并采集右臂及肩部八块肌肉在运动过程中的表面肌电信号，包括：肱二头肌、肱三头肌、三角肌中侧、旋前圆肌、肱肌、肱桡肌、胸大肌锁骨头、冈下肌；
12)利用非负矩阵分解算法提取出受试者在完成每个方向触碰任务中所使用的肌肉协同模式，十二个触碰方向对应十二套MS；
13)将每套MS所含有的多个模式向量进行二范数归一化，将向量中各个元素除以向量的L2范数，使得每个模式向量中的元素平方和为1。如前三套MS二范数归一化之后，每个模式向量的平方和为1，如图2所示。
上述步骤S3具体包括如下步骤：
31)初始化N=1（N≤M-1）；
32)遍历第M套（M≥2）MS与第N套已重排MS的模式组合情况，并计算皮尔逊相关系数以量化相似性，确定相似值最高的组合为MS排序结果，记为ON。其中，第二套MS已和第一套MS以最高相似性0.8297配对，第二套MS根据结果重排向量顺序（如图3所示）。设M=3，遍历第三套MS与第一套MS的向量组合情况，并计算相似性，所得最大值为0.7182，对应配对结果O1如图4（1）所示。
33)当第M套MS以ON排序时，两两计算M套MS之间的相似值并求平均，均值记为RN。将第三套MS根据O1重排后，分别计算与第一、二套MS的最高相似性，分别为0.7182、0.7173，且第一二套MS相似性为0.8297，求得均值R1为0.7550。
34)当N≤M-2，N=N+1，重复32)、33)。由N=1，M-2=3-2=1，因此N≤M-2，所以N=N+1=1+1=2，根据32)得到第三套MS与第二套MS的最高相似性为0.8152，对应配对结果O2如图4（2）所示。根据33)计算以O2重排的第三套MS与第一、二套MS的最高相似性，分别为0.5976、0.8152，且第一、二套MS相似性为0.8297，求得均值R2为0.7475。
35)依据RN最大值所对应的ON对第M套MS的向量进行排序，并储存重排结果。由R1＞R2，因此当第三套MS以O1排序时，三套MS的相似性为最大值0.7550，O1为该MS的最优排序（图4（1））。
上述步骤32)具体包括如下步骤：
321)记第M、N套 MS的模式向量数目分别为LM及LN；如M=3，N=1，其中L3及L1均为6。
322)若LM=LN，则跳转到步骤323)完成配对；若LM≠LN，则跳转到步骤324)完成配对；由L3=L1=6，因此跳转到步骤323)完成第三套MS与第一套MS的向量配对。
323)遍历两套MS的各种组合情况，并计算每对模式向量的皮尔逊相关系数值，求平均得到均值相似性；遍历各种组合情况后，由图4（1）所示为相似性最高的配对情况，第三套与第一套MS所组成的6对向量的相似性分别为0.9046、0.8968、0.3236、0.8832、0.7861、0.5147，求平均得到相似性为0.7182，
324)记LI为LM、LN中的较小值，LA为较大值，根据323)匹配LI对模式向量，将剩余K个向量（K=LA-LI）根据最高相似值与对象MS匹配，将所得LA个相似性值求平均得到均值相似性。
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 (3)

1.一种匹配多套肌肉协同模式的方法，其特征在于，包括以下步骤：
A、预处理：采集人运动过程中的多块肌肉表面肌电信号，对其进行非负矩阵分解，得到肌肉协同模式及激活时间序列；对得到的多套肌肉协同模式MS进行二范数归一化；
B、设置基准排序：设定第一套MS的模式向量排序不变；
C、择优匹配：对第M套MS的向量排序时，M≥2，先逐一计算与此前所有已排序MS的排序结果，并从中确定最优排序为该套MS的向量排序结果，储存重排后MS；
所述步骤C具体包括：
C1、初始化N=1，N≤M-1；
C2、遍历第M套MS与第N套已重排MS的模式组合情况，并计算皮尔逊相关系数以量化相似性，确定相似值最高的组合为MS排序结果，记为ON；
C3、当第M套MS以ON排序时，两两计算M套MS之间的相似值并求平均，均值记为RN；
C4、当N≤M-2，N=N+1，重复步骤C2、C3；
C5、依据RN最大值所对应的ON对第M套MS的向量进行排序，并储存重排结果；
所述步骤C2具体包括：
C21、记第M、N套 MS的模式向量数目分别为LM及LN；
C22、若LM=LN，则跳转到步骤C23完成配对；若LM≠LN，则跳转到步骤C24完成配对；
C23、遍历两套MS的各种组合情况，并计算每对模式向量的皮尔逊相关系数值，求平均得到均值相似性；
C24、记LI为LM、LN中的较小值，LA为较大值，根据步骤C23匹配LI对模式向量，将剩余K个向量根据最高相似值与对象MS匹配，将所得LA个相似性值求平均得到均值相似性，其中K=LA-LI
D、逐一匹配：对每套MS均进行择优匹配，直至全部MS匹配完成。
2.根据权利要求1所述的方法，其特征在于，所述步骤A中对得到的多套肌肉协同模式MS进行二范数归一化是将每套MS中各个模式向量中的每个元素
3.一种匹配多套肌肉协同模式的系统，其特征在于，包括以下模块：
预处理模块：采集人运动过程中的多块肌肉表面肌电信号，对其进行非负矩阵分解，得到肌肉协同模式及激活时间序列；对得到的多套肌肉协同模式MS进行二范数归一化；
设置基准排序模块：设定第一套MS的模式向量排序不变；
择优匹配模块：对第M套MS的向量排序时，M≥2，先逐一计算与此前所有已排序MS的排序结果，并从中确定最优排序为该套MS的向量排序结果，储存重排后MS；
所述择优匹配模块具体包括：
C1、初始化N=1，N≤M-1；
C2、遍历第M套MS与第N套已重排MS的模式组合情况，并计算皮尔逊相关系数以量化相似性，确定相似值最高的组合为MS排序结果，记为ON；
C3、当第M套MS以ON排序时，两两计算M套MS之间的相似值并求平均，均值记为RN；
C4、当N≤M-2，N=N+1，重复步骤C2、C3；
C5、依据RN最大值所对应的ON对第M套MS的向量进行排序，并储存重排结果；
所述步骤C2具体包括：
C21、记第M、N套 MS的模式向量数目分别为LM及LN；
C22、若LM=LN，则跳转到步骤C23完成配对；若LM≠LN，则跳转到步骤C24完成配对；
C23、遍历两套MS的各种组合情况，并计算每对模式向量的皮尔逊相关系数值，求平均得到均值相似性；
C24、记LI为LM、LN中的较小值，LA为较大值，根据步骤C23匹配LI对模式向量，将剩余K个向量根据最高相似值与对象MS匹配，将所得LA个相似性值求平均得到均值相似性，其中K=LA-LI；
逐一匹配模块：对每套MS均进行择优匹配，直至全部MS匹配完成。
CN201911297308.6A 2019-12-17 2019-12-17 一种匹配多套肌肉协同模式的方法及系统 Active CN110931105B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911297308.6A CN110931105B (zh) 2019-12-17 2019-12-17 一种匹配多套肌肉协同模式的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911297308.6A CN110931105B (zh) 2019-12-17 2019-12-17 一种匹配多套肌肉协同模式的方法及系统

Publications (2)

Publication Number Publication Date
CN110931105A CN110931105A (zh) 2020-03-27
CN110931105B true CN110931105B (zh) 2023-05-16

Family

ID=69863869

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911297308.6A Active CN110931105B (zh) 2019-12-17 2019-12-17 一种匹配多套肌肉协同模式的方法及系统

Country Status (1)

Country Link
CN (1) CN110931105B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111616847B (zh) * 2020-06-02 2021-08-03 中国科学技术大学先进技术研究院 基于肌肉协同和人机语音交互的上臂假肢控制系统和方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108538362A (zh) * 2018-04-22 2018-09-14 大连理工大学 一种运动数据实时采集的肌腱异向受力损伤预警分析方法
CN109243572A (zh) * 2018-11-08 2019-01-18 中科数字健康科学研究院（南京）有限公司 一种精准运动评估和康复训练系统
CN109614485A (zh) * 2018-11-19 2019-04-12 中山大学 一种基于语法结构的分层Attention的句子匹配方法及装置
CN109829057A (zh) * 2019-01-11 2019-05-31 中山大学 一种基于图二阶相似性的知识图谱实体语义空间嵌入方法
CN109918539A (zh) * 2019-02-28 2019-06-21 华南理工大学 一种基于用户点击行为的音、视频互相检索方法
CN110275879A (zh) * 2019-05-16 2019-09-24 浙江浙能技术研究院有限公司 一种基于故障数据状态矩阵进行故障匹配和预警的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108538362A (zh) * 2018-04-22 2018-09-14 大连理工大学 一种运动数据实时采集的肌腱异向受力损伤预警分析方法
CN109243572A (zh) * 2018-11-08 2019-01-18 中科数字健康科学研究院（南京）有限公司 一种精准运动评估和康复训练系统
CN109614485A (zh) * 2018-11-19 2019-04-12 中山大学 一种基于语法结构的分层Attention的句子匹配方法及装置
CN109829057A (zh) * 2019-01-11 2019-05-31 中山大学 一种基于图二阶相似性的知识图谱实体语义空间嵌入方法
CN109918539A (zh) * 2019-02-28 2019-06-21 华南理工大学 一种基于用户点击行为的音、视频互相检索方法
CN110275879A (zh) * 2019-05-16 2019-09-24 浙江浙能技术研究院有限公司 一种基于故障数据状态矩阵进行故障匹配和预警的方法

Also Published As

Publication number Publication date
CN110931105A (zh) 2020-03-27

Similar Documents

Publication Publication Date Title
Okubo et al. Growth and splitting of neural sequences in songbird vocal development
CN105868572B (zh) 一种基于自编码器的心肌缺血位置预测模型的构建方法
Reiss et al. Towards robust activity recognition for everyday life: Methods and evaluation
CN110931105B (zh) 一种匹配多套肌肉协同模式的方法及系统
Naik et al. Multi run ICA and surface EMG based signal processing system for recognising hand gestures
CN116261749A (zh) 识别用户动作的方法和系统
CN114783611B (zh) 基于人工智能的神经康复动作检测系统
CN113423005A (zh) 一种运动驱动的智能音乐生成方法及系统
Spüler et al. A spiking neuronal model learning a motor control task by reinforcement learning and structural synaptic plasticity
CN115035037A (zh) 一种基于图像处理和多特征融合的肢体康复训练方法及系统
CN114469120A (zh) 一种基于相似度阈值迁移的多尺度Dtw-BiLstm-Gan心电信号生成方法
CN114847932A (zh) 运动提示的确定方法、装置及计算机可读存储介质
CN116849683A (zh) 用于运动康复治疗的智能辅助装置
CN105895104B (zh) 说话人自适应识别方法及系统
JP7283774B2 (ja) 人間の知能を人工知能に移植するための精密行動プロファイリングのための電子装置およびその動作方法、並びにコンピュータプログラム
Rozaliev et al. Methods and applications for controlling the correctness of physical exercises performance
CN116956063A (zh) 一种基于多模态最佳数据选取与增强的手势识别方法与系统
Bi et al. Lazier: A virtual fitness coach based on ai technology
CN115472291A (zh) 基于改进樽海鞘优化bp神经网络的食管鳞癌生存预测方法
Dholiya et al. Dermatoglyphic Multiple Intelligence Analysis
CN115147519A (zh) 虚拟人物的舞蹈动作生成方法、装置、设备及存储介质
CN108875580A (zh) 一种基于因效网络的多类运动想象脑电信号识别方法
Safi et al. Automatic segmentation of stabilometric signals using hidden Markov model regression
Florestal et al. A genetic algorithm for the resolution of superimposed motor unit action potentials
CN114898241B (zh) 基于计算机视觉的视频重复动作计数系统

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