CN111258426B - 基于肌电肌音模型和无迹粒子滤波的关节运动估计方法 - Google Patents

基于肌电肌音模型和无迹粒子滤波的关节运动估计方法 Download PDF

Info

Publication number
CN111258426B
CN111258426B CN202010051096.XA CN202010051096A CN111258426B CN 111258426 B CN111258426 B CN 111258426B CN 202010051096 A CN202010051096 A CN 202010051096A CN 111258426 B CN111258426 B CN 111258426B
Authority
CN
China
Prior art keywords
joint
myoelectric
muscle
model
signals
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
CN202010051096.XA
Other languages
English (en)
Other versions
CN111258426A (zh
Inventor
席旭刚
邱宇晗
杨晨
杨勇
罗志增
杨文伟
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi 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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202010051096.XA priority Critical patent/CN111258426B/zh
Publication of CN111258426A publication Critical patent/CN111258426A/zh
Application granted granted Critical
Publication of CN111258426B publication Critical patent/CN111258426B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Neurosurgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Neurology (AREA)
  • Health & Medical Sciences (AREA)
  • Dermatology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及到一种基于肌电肌音模型和无迹粒子滤波的关节运动估计方法，首先采集人体上肢肩关节和肘关节在同步连续运动状态下肱二头肌、肱三头肌、肱桡肌、斜方肌、小圆肌、前三角肌、侧三角肌和胸大肌的表面肌电和肌音信号，分别对其进行带通滤波处理；然后提取表面肌电和肌音信号的威尔逊幅值和模糊熵特征；通过参数替代和化简将生理肌肉模型和关节运动学相结合组成关节运动模型，并将提取到的特征组成测量方程作为关节运动模型的反馈，得到肌电肌音状态空间模型；最终通过无迹粒子滤波算法对肩关节和肘关节的同步连续运动进行估计。该方法与传统的多关节同步连续运动估计方法相比，在预测精度和实时性方面有了明显的提高。

Description

基于肌电肌音模型和无迹粒子滤波的关节运动估计方法
技术领域
本发明属于模式识别领域，涉及一种肌电和肌音信号模式识别方法，特别涉及一种基于肌电肌音状态空间模型和无迹粒子滤波的多关节同步连续运动估计方法。
背景技术
表面肌电(surface Electromyography,sEMG)信号是人机交互中常用的输入信号源。sEMG是肌肉细胞在神经激活时产生的一种微弱动作电位，可以通过表面电极从浅层肌肉中检测到。sEMG含有丰富的信息，具有采集简单、无创伤的特点，目前已成为人机交互领域的一个研究热点，具有重要的研究价值。目前关于sEMG的研究通常注重于对人体运动意图的识别，包括离散动作和连续运动。其中关于离散行动分类的研究比较成熟，而对人体关节运动的连续估计，尤其是对多关节连续同步运动的估计是一个难点问题。在康复医疗机器人领域，估计患者的连续运动变量是实现康复机器人平滑控制的关键。但是sEMG容易受到汗液和皮肤阻抗变化的干扰，从而影响控制精度。
肌音(mechanomyography，MMG)信号是肌肉收缩时产生的机械或力学振动，它以低频振动的形式反映肌肉活动。与sEMG相比，MMG不受汗液和皮肤阻抗变化的影响。MMG可以应用于人体运动意图识别，如假肢控制和手部运动分析。然而，MMG信号的信噪比远低于sEMG信号，且运动伪影引起的外界噪声也会给MMG测量带来干扰。因此，结合sEMG和MMG的优点共同进行人体运动意图的识别，对提高多关节同步连续运动估计的准确率具有重要意义。
关节连续运动的估计方法主要分为两种，一种是提取sEMG或MMG的特征，然后通过神经网络建立sEMG与关节连续运动的回归模型；另一种是通过生理肌肉模型，比如希尔肌肉模型(Hill-based muscle model，HMM)来估计关节连续运动。但HMM的使用存在两个问题，一是HMM涉及许多复杂的生理参数，难以识别且计算量大；二是在HMM中，运动状态是由sEMG识别的力矩间接计算出来的，会带来累积误差，降低估计精度。
本发明将HMM与关节运动学相结合，并对模型参数进行简化替代，同时提取sEMG和MMG信号的威尔逊幅值和模糊熵特征建立反馈方程来减小模型的系统误差和外部干扰，得出一种用于多关节同步连续运动估计的肌电肌音状态空间模型，并最终通过无迹粒子滤波算法对人体多关节同步连续运动进行了估计。
发明内容
本发明针对现有技术的不足，提出了一种用于人体多关节同步连续运动估计的肌电肌音状态空间模型和无迹粒子滤波方法，首先采集人体上肢肩关节和肘关节在同步连续运动状态下肱二头肌、肱三头肌、肱桡肌、斜方肌、小圆肌、前三角肌、侧三角肌和胸大肌的sEMG和MMG信号，分别对其进行带通滤波处理；然后提取sEMG和MMG信号的威尔逊幅值和模糊熵特征；通过参数替代和化简将生理肌肉模型和关节运动学相结合组成关节运动模型，并将提取到的特征组成测量方程作为关节运动模型的反馈，得到肌电肌音状态空间模型；最终通过无迹粒子滤波算法对肩关节和肘关节的同步连续运动进行估计。
为了实现以上目的，本发明方法主要包括以下步骤：
步骤一，采集多关节同步连续运动时相关肌肉的肌电信号和肌音信号，即通过肌电信号采集仪采集肌肉的肌电信号，通过加速度传感器采集肌肉的肌电音号，然后采用带通滤波的方法对原始的肌电和肌音信号进行预处理；
步骤二，对希尔肌肉模型进行化简，并通过参数替代与关节运动学相结合得出肌电肌音状态空间模型的非线性表达式；化简后的希尔肌肉模型如下：
Figure BDA0002371215730000021
Fmt是肌腱力，fA(l)是主动力-肌腱关系，fV(v)是主动力-速度关系，，fP(l)是被动力-肌腱关系，
Figure BDA0002371215730000022
是最大等距力，φ是肌肉羽状角，a(k)是肌肉激活。
将化简后的肌肉模型与关节运动学相结合得到关节角加速度
Figure BDA0002371215730000023
计算如下：
Figure BDA0002371215730000024
si(i＝1,2,...,5)是替代参数，均为常数，θ是关节角。
得出肌电肌音状态空间模型在离散时间下的表达式如下：
Figure BDA0002371215730000025
Ts是采样时间，
Figure BDA0002371215730000026
和θk分别是k时刻关节的角加速度，角速度和位置。
步骤三，提取肌电和肌音信号的威尔逊赋值和模糊熵特征组成测量方程作为状态反馈。然后将肌电肌音特征按下式与关节运动拟合：
Figure BDA0002371215730000031
Figure BDA0002371215730000032
是离线识别的固定参数，
Figure BDA0002371215730000033
是时刻k的威尔逊赋值和模糊熵特征。
肌电肌音状态空间模型的最终表达式如下：
Figure BDA0002371215730000034
Figure BDA0002371215730000035
Figure BDA0002371215730000036
Figure BDA0002371215730000037
ak＝a(k)，T是采样时间，ωk是过程噪声，υk是测量噪声，
Figure BDA0002371215730000038
是关节角加速度，
Figure BDA0002371215730000039
是关节角速度，θk是关节位置，
Figure BDA00023712157300000310
是离线识别的固定参数，si是均为常数的代替参数；其中f(xk,ak)表示关节运动参数和肌肉激活的关系矩阵，h(xk)表示关节运动参数和特征参数的关系矩阵；
步骤四，根据步骤三的肌电肌音状态空间模型，将其代入无迹粒子滤波算法中的过程更新和测量更新方程，对膝关节连续运动进行估计；首先使用无迹卡尔曼滤波方法计算卡尔曼增益，为每个粒子生成重要性密度函数。
Figure BDA00023712157300000311
mk是时刻k的状态变量，nk是时刻k的测量值，
Figure BDA00023712157300000312
是状态变量平均值，
Figure BDA00023712157300000313
是测量平均值，
Figure BDA00023712157300000314
是自协方差，
Figure BDA00023712157300000315
是互协方差，
Figure BDA00023712157300000316
是协方差估计值，Ki是卡尔曼增益，重要性密度函数为
Figure BDA00023712157300000317
q是重要性密度函数，
Figure BDA00023712157300000318
是正态分布。
然后计算每个粒子的重要性权值
Figure BDA00023712157300000319
并归一化：
Figure BDA0002371215730000041
p是后验密度函数，
Figure BDA0002371215730000042
是状态变量估计值，
Figure BDA0002371215730000043
是重要性权值，
Figure BDA0002371215730000044
是归一化后的重要性权值。
最终输出估计的结果：
Figure BDA0002371215730000045
Figure BDA0002371215730000046
Figure BDA0002371215730000047
和
Figure BDA0002371215730000048
是最终的状态和协方差估计值，
Figure BDA0002371215730000049
是重要性权值估计值。
步骤五，令k＝k+1，对步骤四进行迭代循环，完成对多关节同步连续运动的估计。
本发明设计的基于肌电肌音模型和无迹粒子滤波的关节运动估计方法，具有如下特点：
本发明建立的用于人体上肢肩关节和肘关节同步连续运动估计的肌电肌音状态空间模型和无迹粒子滤波方法，通过参数替代和化简将希尔肌肉模型和关节运动学相结合，使其能通过人体生物信号直接估计肩关节和肘关节的同步连续运动，减小了累积误差；同时采集运动时对应肌肉的肌电信号和肌音信号，精度和抗干扰能力强；提取肌电和肌音信号的威尔逊幅值和模糊熵特征建立测量方程作为状态反馈，减小了系统误差和外部干扰；使用无迹粒子滤波算法估计关节运动，精度高，稳定性和实时性好。该方法与传统的多关节同步连续运动估计方法相比，在预测精度方面有了明显的提高。
附图说明
图1为本发明的实施流程图；
图2为本发明采集的肌电信号及其特征；
图3为本发明采集的肌音信号及其特征；
图4为使用本发明的预测模型对肩、肘关节单独运动的估计结果图；
图5为使用本发明的预测模型对肩、肘关节同步运动的估计结果图。
具体实施方式
如图1所示，本实施例包括如下步骤：
步骤一，采集人体上肢肩关节和肘关节同步连续运动时相关肌肉的肌电信号和肌音信号，具体是：十名志愿者分别在有负重和无负重情况下进肘关节和肩关节屈伸运动，每轮动作周期约为10秒，通过肌电信号采集仪和加速度传感器分别采集关节运动时相关肌肉的肌电和肌音信号，采集肌肉分别是肱二头肌、肱三头肌、肱桡肌、斜方肌、小圆肌、前三角肌、侧三角肌和胸大肌，然后采用带通滤波方法进行预处理。
步骤二，对希尔肌肉模型进行化简，并通过参数替代与关节运动学相结合得出肌电肌音状态空间模型的非线性表达式；化简后的希尔肌肉模型如下：
Figure BDA0002371215730000051
Fmt是肌腱力，fA(l)是主动力-肌腱关系，fV(v)是主动力-速度关系，fP(l)是被动力-肌腱关系，
Figure BDA0002371215730000052
是最大等距力，φ是肌肉羽状角，a(k)是肌肉激活。
将化简后的肌肉模型与关节运动学相结合得到关节角加速度
Figure BDA0002371215730000053
计算如下：
Figure BDA0002371215730000054
si(i＝1,2,...,5)是替代参数，均为常数，θ是关节角。
得出肌电肌音状态空间模型在离散时间下的表达式如下：
Figure BDA0002371215730000055
Ts是采样时间，
Figure BDA0002371215730000056
和θk分别是k时刻关节的角加速度，角速度和位置。
步骤三，提取肌电和肌音信号的威尔逊赋值和模糊熵特征，如图2和图3所示，组成测量方程作为状态反馈。然后将肌电肌音特征按下式与关节运动拟合：
Figure BDA0002371215730000057
Figure BDA0002371215730000058
是离线识别的固定参数，
Figure BDA0002371215730000059
是时刻k的威尔逊赋值和模糊熵特征。
肌电肌音状态空间模型的最终表达式如下：
Figure BDA00023712157300000510
Figure BDA0002371215730000061
Figure BDA0002371215730000062
Figure BDA0002371215730000063
ak＝a(k)，T是采样时间，ωk是过程噪声，υk是测量噪声，
Figure BDA0002371215730000064
是关节角加速度，
Figure BDA0002371215730000065
是关节角速度，θk是关节位置，
Figure BDA0002371215730000066
是离线识别的固定参数，si是均为常数的代替参数；
步骤四，根据步骤三的肌电肌音状态空间模型，将其代入无迹粒子滤波算法中的过程更新和测量更新方程，对关节连续运动进行估计；首先使用无迹卡尔曼滤波方法计算卡尔曼增益，为每个粒子生成重要性密度函数。
Figure BDA0002371215730000067
mk是时刻k的状态变量，nk是时刻k的测量值，
Figure BDA0002371215730000068
是状态变量平均值，
Figure BDA0002371215730000069
是测量平均值，
Figure BDA00023712157300000610
是自协方差，
Figure BDA00023712157300000611
是互协方差，
Figure BDA00023712157300000612
是协方差估计值，Ki是卡尔曼增益，重要性密度函数为
Figure BDA00023712157300000613
q是重要性密度函数，
Figure BDA00023712157300000614
是正态分布。
然后计算每个粒子的重要性权值
Figure BDA00023712157300000615
并归一化：
Figure BDA00023712157300000616
p是后验密度函数，
Figure BDA00023712157300000617
是状态变量估计值，
Figure BDA00023712157300000618
是重要性权值，
Figure BDA00023712157300000619
是归一化后的重要性权值。
最终输出估计的结果：
Figure BDA00023712157300000620
Figure BDA00023712157300000621
步骤五，令k＝k+1，对步骤四进行迭代循环，完成对多关节同步连续运动的估计，结果如表1、图4和图5所示。
表1肩、肘关节单独及同步运动估计(RMSE，均方根误差；CC，相关系数)
Figure BDA0002371215730000071

Claims (1)

1.基于肌电肌音模型和无迹粒子滤波的关节运动估计方法，其特征在于，该方法包括如下步骤：
步骤一，采集多关节同步连续运动时相关肌肉的肌电信号和肌音信号，即通过肌电信号采集仪采集肌肉的肌电信号，通过加速度传感器采集肌肉的肌电音号，然后采用带通滤波的方法对原始的肌电和肌音信号进行预处理；
步骤二，对希尔肌肉模型进行化简，并通过参数替代与关节运动学相结合得出肌电肌音状态空间模型的非线性表达式；化简后的希尔肌肉模型如下：
Figure FDA0002371215720000011
Fmt是肌腱力，fA(l)是主动力-肌腱关系，fV(v)是主动力-速度关系，fP(l)是被动力-肌腱关系，
Figure FDA0002371215720000012
是最大等距力，φ是肌肉羽状角，a(k)是肌肉激活；
将化简后的肌肉模型与关节运动学相结合得到关节角加速度
Figure FDA0002371215720000013
计算如下：
Figure FDA0002371215720000014
si是替代参数，均为常数，θ是关节角，i＝1,2,...,5；
得出肌电肌音状态空间模型在离散时间下的表达式如下：
Figure FDA0002371215720000015
Ts是采样时间，
Figure FDA0002371215720000016
和θk分别是k时刻关节的角加速度，角速度和位置；
步骤三，提取肌电和肌音信号的威尔逊赋值和模糊熵特征组成测量方程作为状态反馈；然后将肌电肌音特征按下式与关节运动拟合：
Figure FDA0002371215720000017
Figure FDA0002371215720000018
是离线识别的固定参数，
Figure FDA0002371215720000019
是时刻k的威尔逊赋值和模糊熵特征，u＝1,2；
肌电肌音状态空间模型的最终表达式如下：
Figure FDA0002371215720000021
Figure FDA0002371215720000022
Figure FDA0002371215720000023
Figure FDA0002371215720000024
ak＝a(k)，T是采样时间，ωk是过程噪声，υk是测量噪声，其中f(xk,ak)表示关节运动参数和肌肉激活的关系矩阵，h(xk)表示关节运动参数和特征参数的关系矩阵；
步骤四，根据步骤三的肌电肌音状态空间模型，将其代入无迹粒子滤波算法中的过程更新和测量更新方程，对关节连续运动进行估计；首先使用无迹卡尔曼滤波方法计算卡尔曼增益，为每个粒子生成重要性密度函数；
Figure FDA0002371215720000025
mk是时刻k的状态变量，nk是时刻k的测量值，
Figure FDA0002371215720000026
是状态变量平均值，
Figure FDA0002371215720000027
是测量平均值，
Figure FDA0002371215720000028
是自协方差，
Figure FDA0002371215720000029
是互协方差，
Figure FDA00023712157200000210
是协方差估计值，Ki是卡尔曼增益，重要性密度函数为
Figure FDA00023712157200000211
q是重要性密度函数，
Figure FDA00023712157200000212
是正态分布；
然后计算每个粒子的重要性权值
Figure FDA00023712157200000213
并归一化：
Figure FDA00023712157200000214
p是后验密度函数，
Figure FDA00023712157200000215
是状态变量估计值，
Figure FDA00023712157200000216
是重要性权值，
Figure FDA00023712157200000217
是归一化后的重要性权值；
最终输出估计的结果：
Figure FDA00023712157200000218
Figure FDA0002371215720000031
Figure FDA0002371215720000032
和
Figure FDA0002371215720000033
是最终的状态和协方差估计值，
Figure FDA0002371215720000034
是重要性权值估计值；
步骤五，令k＝k+1，对步骤四进行迭代循环，完成对多关节同步连续运动的估计。
CN202010051096.XA 2020-01-17 2020-01-17 基于肌电肌音模型和无迹粒子滤波的关节运动估计方法 Active CN111258426B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010051096.XA CN111258426B (zh) 2020-01-17 2020-01-17 基于肌电肌音模型和无迹粒子滤波的关节运动估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010051096.XA CN111258426B (zh) 2020-01-17 2020-01-17 基于肌电肌音模型和无迹粒子滤波的关节运动估计方法

Publications (2)

Publication Number Publication Date
CN111258426A CN111258426A (zh) 2020-06-09
CN111258426B true CN111258426B (zh) 2023-03-21

Family

ID=70945253

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010051096.XA Active CN111258426B (zh) 2020-01-17 2020-01-17 基于肌电肌音模型和无迹粒子滤波的关节运动估计方法

Country Status (1)

Country Link
CN (1) CN111258426B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111759316A (zh) * 2020-07-10 2020-10-13 郑州轻工业大学 一种基于肌音信号的下肢假肢步态识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109015633A (zh) * 2018-07-12 2018-12-18 深圳市寒武纪智能科技有限公司 一种视觉伺服跟踪方法、装置及系统
CN109645995A (zh) * 2019-01-16 2019-04-19 杭州电子科技大学 基于肌电模型和无迹卡尔曼滤波的关节运动估计方法
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
CN110151176A (zh) * 2019-04-10 2019-08-23 杭州电子科技大学 一种基于肌电信号的上肢肘关节连续运动估计方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140163412A1 (en) * 2012-12-11 2014-06-12 Vibrado Technologies, Inc. Myography method and system
KR101666399B1 (ko) * 2014-05-15 2016-10-14 한국과학기술연구원 다중 채널 표면 근전도에서의 신체 관절 운동학 정보 추출 방법, 이를 수행하기 위한 기록 매체 및 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109015633A (zh) * 2018-07-12 2018-12-18 深圳市寒武纪智能科技有限公司 一种视觉伺服跟踪方法、装置及系统
CN109645995A (zh) * 2019-01-16 2019-04-19 杭州电子科技大学 基于肌电模型和无迹卡尔曼滤波的关节运动估计方法
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
CN110151176A (zh) * 2019-04-10 2019-08-23 杭州电子科技大学 一种基于肌电信号的上肢肘关节连续运动估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
席旭刚等.融合表面肌电和加速度信号的下肢运动模式识别研究.2018,第45卷(第11期),2735-2741. *

Also Published As

Publication number Publication date
CN111258426A (zh) 2020-06-09

Similar Documents

Publication Publication Date Title
Xie et al. Classification of the mechanomyogram signal using a wavelet packet transform and singular value decomposition for multifunction prosthesis control
Lei An upper limb movement estimation from electromyography by using BP neural network
CN110946556B (zh) 基于可穿戴式体感网的帕金森静息态震颤评估方法
CN111317600B (zh) 一种假肢控制方法、装置、系统、设备和存储介质
CN110801226A (zh) 一种基于表面肌电信号的人体膝关节力矩测试系统方法及应用
Tang et al. Continuous estimation of human upper limb joint angles by using PSO-LSTM model
CN109009586A (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
Samuel et al. Examining the effect of subjects' mobility on upper-limb motion identification based on EMG-pattern recognition
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
CN110638444A (zh) 基于MEMD-rTVgPDC的皮层肌肉耦合分析方法
Samuel et al. A novel time-domain descriptor for improved prediction of upper limb movement intent in EMG-PR system
Delis et al. Estimation of the knee joint angle from surface electromyographic signals for active control of leg prostheses
CN113520413B (zh) 一种基于表面肌电信号的下肢多关节角度估计方法
Kosmidou et al. Evaluation of surface EMG features for the recognition of American Sign Language gestures
CN111258426B (zh) 基于肌电肌音模型和无迹粒子滤波的关节运动估计方法
CN109645995B (zh) 基于肌电模型和无迹卡尔曼滤波的关节运动估计方法
Sun et al. A fault-tolerant algorithm to enhance generalization of EMG-based pattern recognition for lower limb movement
CN116584961A (zh) 人体下肢运动意图识别及外骨骼机器人角度预测控制方法
CN111053555A (zh) 基于表面肌电信号与足底力的地形分类装置及方法
Younes et al. Design and Implementation of Myoelectric Controlled Arm
Bai et al. Intelligent prosthetic arm force control based on sEMG analysis and BPNN classifier
Triwiyanto et al. Dynamic feature for an effective elbow-joint angle estimation based on electromyography signals
Pecolt et al. Conversion of bioelectric sEMG signals into analog form for the BLDC motors control
Majid et al. Performance assessment of the optimum feature extraction for upper-limb stroke rehabilitation using angular separation method
Guo et al. Study of the control mechanism of robot-prosthesis based-on the EMG processed

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