CN111317600B - 一种假肢控制方法、装置、系统、设备和存储介质 - Google Patents

一种假肢控制方法、装置、系统、设备和存储介质 Download PDF

Info

Publication number
CN111317600B
CN111317600B CN201811524294.2A CN201811524294A CN111317600B CN 111317600 B CN111317600 B CN 111317600B CN 201811524294 A CN201811524294 A CN 201811524294A CN 111317600 B CN111317600 B CN 111317600B
Authority
CN
China
Prior art keywords
muscle
signal
electromyographic
signals
impedance
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
CN201811524294.2A
Other languages
English (en)
Other versions
CN111317600A (zh
Inventor
黄品高
李光林
张元康
翁恭伟
魏文昊
黄天展
杨子健
王辉
于文龙
黄剑平
汪圆圆
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201811524294.2A priority Critical patent/CN111317600B/zh
Priority to PCT/CN2018/125437 priority patent/WO2020118797A1/zh
Publication of CN111317600A publication Critical patent/CN111317600A/zh
Application granted granted Critical
Publication of CN111317600B publication Critical patent/CN111317600B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
    • A61F2/00—Filters implantable into blood vessels; Prostheses, i.e. artificial substitutes or replacements for parts of the body; Appliances for connecting them with the body; Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
    • A61F2/50—Prostheses not implantable in the body
    • A61F2/68—Operating or control means
    • A61F2/70—Operating or control means electrical
    • A61F2/72—Bioelectric control, e.g. myoelectric
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
    • A61F2/00—Filters implantable into blood vessels; Prostheses, i.e. artificial substitutes or replacements for parts of the body; Appliances for connecting them with the body; Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
    • A61F2/50—Prostheses not implantable in the body
    • A61F2/68—Operating or control means
    • A61F2/70—Operating or control means electrical
    • A61F2002/704—Operating or control means electrical computer-controlled, e.g. robotic control

Landscapes

  • Health & Medical Sciences (AREA)
  • Cardiology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Transplantation (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Vascular Medicine (AREA)
  • Life Sciences & Earth Sciences (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)
  • Prostheses (AREA)

Abstract

本发明公开了一种假肢控制方法、装置、系统、设备和存储介质。该方法包括：获取假肢连接处的肌肉信号，肌肉信号包括肌电信号和肌肉阻抗信号；识别肌肉信号对应的动作类型；根据动作类型生成假肢的控制指令。本发明实施例提高了假肢控制的准确率。

Description

一种假肢控制方法、装置、系统、设备和存储介质
技术领域
本发明实施例涉及生理信号检测技术，尤其涉及一种假肢控制方法、装置、系统、设备和存储介质。
背景技术
随着肌电信号检测和识别技术的不断发展，肌电信号在假肢控制、肌肉疾病诊断和神经系统疾病分析等方面得到了广泛的研究和应用。肌电信号是大量运动单元兴奋发放的动作电序列沿肌纤维传播的生理电信号，不同的肢体动作类型具有不同的肌肉收缩模式，这些模式的差别反映在肌电信号特征的差异上，通过辨别出这些差异以区分不同的肌肉动作类型，从而使假肢动作类型更加自然，控制更方便。但由于肌电信号比较微弱，易受干扰，对其实时采集、处理有一定的困难，为了取得更好的效果，往往会将肌电信号混合其它信号进行联合处理分析。肌肉阻抗是由生物体血液、肌肉与细胞组织中的电阻和电容等组成的综合阻抗，其通过电极向被测肌肉组织区域施加激励电流，检测对应区域的电压信号并利用欧姆定律计算得到，作为肌肉特性的一个重要参数，也常用于做肌肉疾病分析，肌电信号可以结合肌肉阻抗信号进行联合处理分析。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：基于肌电信号实现对假肢控制的准确率较低；由于大部分采集装置仅能实现肌电信号和肌肉阻抗信号的单一信号采集，导致肌电信号结合肌肉阻抗信号进行联合处理分析有一定难度。
发明内容
本发明实施例提供一种假肢控制方法、装置、系统、设备和存储介质，以提高假肢控制的准确率。
第一方面，本发明实施例提供了一种假肢控制方法，该方法包括：
获取假肢连接处的肌肉信号，肌肉信号包括肌电信号和肌肉阻抗信号；
识别肌肉信号对应的动作类型；
根据动作类型生成所述假肢的控制指令。
进一步的，所述识别肌肉信号对应的动作类型，包括：
叠加所述肌电信号和所述肌肉阻抗信号，得到叠加肌肉信号；
将所述叠加肌肉信号输入至预先训练的肌肉动作类型识别模型中，获取与所述肌肉信号对应的动作类型。
进一步的，所述识别所述肌肉信号对应的动作类型，包括：
提取所述肌电信号的特征得到肌电特征信号，以及，提取所述肌肉阻抗信号的特征得到肌肉阻抗特征信号；
叠加所述肌电特征信号和所述肌肉阻抗特征信号，得到叠加特征信号；
将所述叠加特征信号输入至预先训练的特征动作类型识别模型中，得到所述肌肉信号对应的动作类型。
进一步的，所述识别所述肌肉信号对应的动作类型，包括：
将所述肌电信号输入至预先训练的肌电动作类型识别模型中，获取肌电动作类型；
将所述肌肉阻抗信号输入至预先训练的肌肉阻抗动作类型识别模型中，获取肌肉阻抗动作类型；
根据所述肌电动作类型和所述肌肉阻抗动作类型确定所述肌肉信号对应的动作类型。
进一步的，通过如下方式训练所述肌肉动作类型识别模型：
获取肌电样本信号、肌肉阻抗样本信号以及与肌电样本信号和肌肉阻抗信号对应的动作类型；
叠加所述肌电样本信号和所述肌肉阻抗样本信号，得到叠加肌肉样本信号；
将所述叠加肌肉样本信号作为输入变量，所述肌电样本信号和所述肌肉阻抗样本信号对应的动作类型作为输出变量，训练分类器模型，得到所述肌肉动作类型识别模型。
进一步的，通过如下方式训练所述特征动作类型识别模型：
获取肌电样本信号、肌肉阻抗样本信号以及与肌电样本信号和肌肉阻抗信号对应的动作类型；
提取所述肌电样本信号的特征得到肌电样本特征信号，以及，提取所述肌肉阻抗样本信号的特征得到肌肉阻抗样本特征信号；
叠加所述肌电样本特征信号和所述肌肉阻抗样本特征信号，得到叠加肌肉样本特征信号；
将所述叠加肌肉样本特征信号作为输入变量，所述肌电样本信号和肌肉阻抗样本信号对应的动作类型作为输出变量，训练分类器模型，得到所述肌肉信号对应的动作类型为输出变量训练分类器模型，得到特征动作类型识别结果。
进一步的，通过如下方式训练所述肌肉动作类型识别模型：
获取肌电样本信号、肌肉阻抗样本信号以及肌电样本信号和肌肉阻抗样本信号对应的动作类型；
获取肌电样本信号以及与肌电样本信号对应的动作类型；
将所述肌电样本信号作为输入变量，所述肌电样本信号对应的动作类型作为输出变量，训练分类器模型，得到所述肌电动作类型识别模型；
通过如下方式训练所述肌肉阻抗动作类型识别模型：
获取肌肉阻抗样本信号以及与肌肉阻抗样本信号对应的动作类型；
将所述肌肉阻抗样本信号作为输入变量，所述肌肉阻抗样本信号对应的动作类型作为输出变量，训练分类器模型，得到所述肌肉阻抗动作类型识别模型。
进一步的，所述肌电信号是根据所述肌肉阻抗信号经处理后得到的。
进一步的，所述肌电信号是根据所述肌肉阻抗信号经处理后得到的，包括：
获取待筛选肌电信号，所述待筛选肌电信号和所述肌肉阻抗信号是经同步采集得到的；
如果所述肌肉阻抗信号小于预设阈值，则将所述待筛选肌电信号作为所述肌电信号。
第二方面，本发明实施例还提供了一种假肢控制装置，该装置包括：
肌肉信号获取模块，用于获取假肢连接处的肌肉信号，所述肌肉信号包括肌电信号和肌肉阻抗信号；
动作类型识别模块，用于识别所述肌肉信号对应的动作类型；
控制指令生成模块，用于根据所述动作类型生成所述假肢的控制指令。
第三方面，本发明实施例还提供了一种假肢控制系统，该系统包括上位机和下位机，所述上位机设置如本发明实施例所述的假肢控制装置；所述上位机与所述下位机通信连接；
所述下位机采集肌肉信号，所述肌肉信号包括肌电信号和肌肉阻抗信号，并将所述肌肉信号发送至所述上位机。
进一步的，所述下位机包括采集模块和控制模块，所述控制模块分别与所述采集模块和所述上位机连接；
所述控制模块控制所述采集模块同步采集所述肌肉信号和所述肌肉阻抗信号，并将所述肌电信号和所述肌肉阻抗信号发送至所述上位机。
进一步的，所述采集模块包括电极单元和模拟前端单元，所述模拟前端单元包括第一通道和第二通道；所述电极单元置于假肢连接处的肌肉组织表面，所述电极单元分别与所述第一通道和所述第二通道连接；
所述模拟前端单元将调制出的调制信号发送至所述电极单元，所述第一通道对所述调制信号进行处理得到所述肌电信号，所述第二通道对所述调制信号进行处理得到所述肌肉阻抗信号。
第四方面，本发明实施例还提供了一种设备，该设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例所述的方法。
第五方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所述的方法。
本本发明实施例通过获取假肢连接处的肌肉信号，肌肉信号包括肌电信号和肌肉阻抗信号，识别肌肉信号对应的动作类型，根据动作类型生成假肢的控制指令，提高了假肢控制的准确率。
附图说明
图1是本发明实施例一中的一种假肢控制方法的流程图；
图2是本发明实施例二中的一种假肢控制装置的结构示意图；
图3是本发明实施例三中的一种假肢控制系统的结构示意图；
图4是本发明实施例三中的一种上位机的主窗口操作界面的结构示意图；
图5是本发明实施例三中的一种模拟前端单元的结构示意图；
图6是本发明实施例四中的一种设备的结构示意图。
具体实施方式
下述各实施例中，每个实施例中同时提供了可选特征和示例，实施例中记载的各个特征可进行组合，形成多个可选方案，不应将每个编号的实施例仅视为一个技术方案。下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种假肢控制方法的流程图，本实施例可适用于基于肌电信号和肌肉阻抗信号对假肢进行的情况，该方法可以由假肢控制装置来执行，该装置可以采用软件和/或硬件的方式实现，该装置可以配置于设备中，例如典型的是计算机等。如图1所示，该方法具体包括如下步骤：
步骤110、获取假肢连接处的肌肉信号，肌肉信号包括肌电信号和肌肉阻抗信号。
在本发明的实施例中，假肢是将微电子技术、计算机控制技术、生物医学工程技术以及传感器技术等融合在一起，制作出的能够模仿人的肢体的感觉和动作的仿生肢体。假肢研究的最终目的是制造出外形与人的肢体相仿、功能与人的肢体接近、具有类似人的肢体皮肤的感觉以及能对各种动作进行实时控制的仿人肢体。在人体中，肌肉作为运动系统的重要组成部分，能够将化学能转化为机械能，而人体的各种运动都或多或少的与它有关。
肌肉信号可以包括肌电信号和肌肉阻抗信号，其中，肌电信号记录的是不同机能状态下骨骼肌的电位变化，这种电位变化与肌肉结构，收缩的力度以及收缩时的化学变化有关。肌电信号的产生机理为：肌电信号发源于作为中枢神经一部分的脊髓中的运动神经单元，运动神经单元的细胞体处在其中，其轴突伸展到肌纤维处，经终板区域肌纤维耦合(是生化过程性质的的耦合)。与每个神经元联系的肌纤维不只一条，这些部分合在一起，构成所谓的运动单元。肌细胞膜内外的电位差称为跨膜电位或膜电位。肌肉安静时膜内为负，膜外为正的现象称为极化，其电位差称为静息电位。肌肉细胞兴奋时，膜电位发生去极化和再极化的变化，并向周围扩大，称为动作电位。单个肌纤维的动作电位称为单纤维动作电位。由同一神经分支控制的若千个肌纤维与该神经分支一起构成运动单位肌肉受到来自中枢神经或外部刺激时，同一运动单位的所有肌纤维同步兴奋，其所有肌细胞的动作电位综合称为运动单位动作电位。骨骼肌肌细胞有四种不同的生物电位：静息电位、动作电位、终极电位和损伤电位。在中枢神经的控制下，运动神经元产生电脉冲发放，沿轴突传导到肌纤维，并在所有的肌纤维上引起脉冲序列，沿肌纤维向两个方向传播。这些电脉冲引起肌纤维收缩从而产生肌张力，同时传播中的电脉冲在人体软组织中引起电流场，并在检测电极间表现出电位差。各肌纤维在检测点上表现出的电位波形，其极性与终板和检测点的相对位置有关，又和纤维与测点间的距离有关：相距愈远，幅度愈小。各肌纤维在检测点间引起电位的总和构成运动单元的动作电位。由于轴突上的电发放是脉冲序列，因此，检测点间引起的也是动作电位的序列，肌电信号则是许多运动单元产生的动作电位的序列的总和。根据检测电极的种类和安放位置的不同，肌电信号可分为针电极肌电信号和表面电极肌电信号(即表面肌电信号)两种，前者是以针电极为引导电极，将其植入肌肉内部，直接在活动肌纤维附近检测到的电活动，后者则是以表面电极为引导电极，将其安置在皮肤表面时拾取到的肌肉电活动在检测表面出的电位综合。表面电极具有测量的无损伤性优点，可根据需要和实际条件，随时在皮肤表面任意位置采集任意多的表面肌电信号，无需医生或者专业护理人员的参与，且采集信号的持续时间在承受范围内可自由控制，因此，本发明实施例所述的肌电信号指的是由表面电极检测的表面肌电信号。肢体的不同动作对应不同的肌肉收缩模式，这些模式的差别可以反映在表面肌电信号的差异上，因此，可以通过对表面肌电信号进行分析以区分肢体的不同动作类型，以便对假肢进行控制。基于表面肌电信号的假肢控制原理为：表面肌电信号控制假肢的信息源是残肢残存的肌肉群，通过残肢肌肉表面的表面电极检测出表面肌电信号，并进行采集放大和识别处理来控制假肢。更为具体的：肌肉由肌细胞组成，当自主收缩时伴有一定的生物电效应。人的四肢要完成某些动作时，相应的指令从大脑以电冲动的形式经脊髓、运动神经传给肌肉，这时神经肌肉接头(突触)发生电化学反应，产生微伏级的电信号，引起肌肉收缩。肌电信号控制系统对表面肌电信号进行检测和放大，识别相应的动作类型，并根据动作类型生成假肢的控制指令。此外，由于表面肌电信号是许多运动单位的电发放的总和，因此波形呈干扰形，很难从中分辨单一单位动作的波形。表面肌电信号具有其上述微弱性使得其容易受到外界噪声源的干扰，因此，为了取得更好的效果，往往会将表面肌电信号混合其它信号进行联合处理。肌肉阻抗技术是生物电阻抗技术中的一种，其利用电流电极向被测肌肉组织区域施加激励电流(如高频、低强度交变电流)，通过分析测量电极检测的肌肉组织电压信号，提取与肌肉成分变化，结构破坏，神经肌肉疾病等肌肉生理状态息息相关的阻抗特性及其变化规律。肌肉组织在运动过程中，肌肉阻抗也随之变化，肌肉阻抗可以看作是由电阻、电容和电感并联得到的，其中，由于感抗的值很小可以忽略不计，容抗在高频电流作用下的值也很小，也可以忽略不计，因此，在高频电流作用下，肌肉阻抗的值主要由电阻的值决定。当给肌肉组织通以恒定的高频电流时，便可以根据欧姆定律，通过测量肌肉组织中两点间的电压差间接测量肌肉阻抗，即得到肌肉阻抗信号。
如前所述，为了使基于肌电信号的假肢控制效果更好，可以将肌电信号混合其它信号进行联合处理，由于肌肉阻抗信号也可以反映肌肉组织变化，因此，可以采用将肌电信号结合肌肉阻抗信号进行联合处理的方式来实现上述目的。而为了实现将肌电信号结合肌肉阻抗信号进行联合处理，就需要利用可以实现同步采集肌电信号和肌肉阻抗信号的系统。相应的，可以理解到，本发明实施例中所述的肌肉信号便是利用可以实现同步采集肌电信号和肌肉阻抗信号的系统获取到的。示例性的，如上述系统可以包括上位机和下位机，上位机和下位机通信连接，下位机采集肌肉信号，肌肉信号可以包括肌电信号和肌肉阻抗信号，并将肌肉信号发送至上位机，上位机对肌肉信号进行识别处理生成假肢的控制指令。更为具体的：下位机可以包括采集模块和控制模块，控制模块分别与采集模块和上位机连接。上位机可以包括肌肉信号获取模块、动作类型识别模块和控制指令生成模块。控制模块控制采集模块同步采集肌电信号和肌肉阻抗信号，并将肌肉信号和肌肉阻抗信号发送至上位机。肌肉信号获取模块可以用于获取假肢连接处的肌肉信号；动作类型识别模块可以用于识别肌肉信号对应的动作类型；控制指令生成模块可以用于根据动作类型生成假肢的控制指令。其中，采集模块可以包括电极单元和模拟前端单元，模拟前端单元包括第一通道和第二通道；电极单元置于假肢连接处的肌肉组织表面，电极单元分别与第一通道和第二通道连接；模拟前端单元将调制出的调制信号发送至电极单元，电极单元既作为高频恒流源的激励电极又作为肌肉阻抗信号的输入电极，第一通道对调制信号进行处理得到肌电信号，第二通道对调制信号进行处理得到肌肉阻抗信号。
可以理解到，基于肌肉信号的假肢控制原理可以为：利用肌肉信号控制假肢的信息源是残肢残存的肌肉群，在残肢肌肉表面安置电极单元，通过控制模块控制采集模块同步采集肌电信号和肌肉阻抗信号，并将肌电信号和肌肉阻抗信号发送至上位机，经上位机中的肌肉信号获取模块获取假肢连接处的肌肉信号、动作类型识别模块识别肌肉信号对应的动作类型和控制指令生成模块根据动作类型生成假肢的控制指令后，实现基于肌肉信号的假肢控制。
相比于现有技术中仅通过肌电信号实现对假肢的控制，上述设置的有益效果在于：通过同步采集的肌电信号和肌肉阻抗信号实现对假肢的控制，进一步提高了对假肢控制的准确率。
步骤120、识别肌肉信号对应的动作类型。
在本发明的实施例中，在获取到假肢连接处的肌肉信号后，需要对肌肉信号进行识别，确定肌肉信号对应的动作类型，以便于后续可以根据动作类型生成假肢的控制指令。其中，动作类型通常可以包括假肢常见的运动模式，示例性的，如握手、上翻、下翻、手势V和手势OK等。
上述识别肌肉信号对应的动作类型的过程可以理解为模式识别。随着模式识别理论的不断发展，越来越多的分类器模型被应用到肌肉信号的模式识别中。肌肉信号的模式识别可以理解为：将获取到的肌肉信号作为输入变量输入至预先训练的动作类型识别模型中，经过动作类型识别模型的计算，得到肌肉信号对应的动作类型，其中，预先训练的分类器模型可以由设定数量组的训练样本基于分类器模型训练生成，训练样本可以包括肌电样本信号、肌肉阻抗样本信号以及与肌电样本信号和肌肉阻抗样本信号对应的动作类型。目前，常用的分类器模型包括Bayes决策、极大似然分类器、贝叶斯分类器、聚类分析模型、神经网络模型、支持向量机模型、混沌与分形模型和隐马尔科夫模型等。需要说明的是，分类器模型具体可以根据实际情况进行设定，在此不作具体限定。下面以聚类分析模型和神经网络模型为例进行进一步说明。
聚类分析模型的基本思想是根据各个待分类的模式特征相似程度进行分类，相似的归为一类，不相似的作为另一类。简单地说，相似就是两个特征矢量之间各分量分别较接近。聚类分析包括两个基本内容，即模式相似性的度量和聚类算法。聚类分析模型是一种线性分类模型，其算法简单、运算速度快，在用于肌肉信号的模式分类中对于不同类别重叠区域小和差异明显的特征，采用这种模型可以避免许多非线性分类冗长的训练过程，得到较好的识别结果。
神经网络的全称是人工神经网络(Artificial Neural Networks，ANN)，其是基于生物学中神经网络的基本原理，在理解和抽象了人脑结构和外界刺激响应机制后，以网络拓扑知识为理论基础，模拟人脑的神经系统对复杂信息的处理机制的一种数学模型。该模型具体是依靠系统的复杂程度，通过调整内部大量节点(神经元)之间相互连接的权值，来实现处理信息的。ANN模型具有自学习、自适应、自组织、非线性和运算深度并行的优点。ANN模型由大量的节点(或称神经元)之间相互连接构成，每个节点代表一种特定的输出函数，称为激活函数。每两个节点间的连接都代表一个对于通过该连接信号的权值，ANN模型的输出取决于网络的结构、网络的连接方式、权值和激活函数。以ANN模型为三层结构为例进行说明，即该ANN模型包括输入层、隐藏层和输出层。相应的，需要说明的是，ANN模型的输入权值为ANN模型的输入节点到隐藏层节点的权值；ANN模型的阈值为隐藏层节点的阈值。还需要说明的是，ANN模型的输入权值和ANN模型的阈值是随机设定的。基于ANN模型对设定数量组的训练样本进行训练生成预先训练的运动类型识别模型有如下两种方式：
方式一、获取肌电样本信号、肌肉阻抗样本信号以及与肌电样本信号和肌肉阻抗样本信号对应的动作类型；叠加肌电样本信号和肌肉阻抗样本信号，得到叠加肌肉样本信号；将叠加肌肉样本信号作为ANN模型的输入变量，以及将肌电样本信号和肌肉阻抗样本信号对应的动作类型作为ANN模型的输出变量，根据输入变量、输出变量、ANN模型的输入权值和ANN模型的阈值确定ANN模型的输出权值；根据ANN模型的输入权值、阈值和输出权值确定预先训练的运动类型模型。
方式二、获取肌电样本信号、肌肉阻抗样本信号以及与肌电样本信号和肌肉阻抗样本信号对应的动作类型；提取肌电样本信号的特征得到肌电样本特征信号，以及，提取肌肉阻抗样本信号的特征得到肌肉阻抗样本特征信号；叠加肌电样本特征信号和肌肉阻抗样本特征信号，得到叠加肌肉样本特征信号；将叠加肌肉样本特征信号作为ANN模型的输入变量，以及将肌电样本信号和肌肉阻抗样本信号对应的动作类型作为ANN模型的输出变量，根据输入变量、输出变量、ANN模型的输入权值和ANN模型的阈值确定ANN模型的输出权值；根据ANN模型的输入权值、阈值和输出权值确定预先训练的运动类型模型。
动作类型通常可以包括假肢常见的运动模式，示例性的，如握手、上翻、下翻、手势V和手势OK等。
可选的，在上述技术方案的基础上，识别肌肉信号对应的动作类型，具体可以包括：叠加肌电信号和肌肉阻抗信号，得到叠加肌肉信号。将叠加肌肉信号输入至预先训练的肌肉动作类型识别模型中，得到肌肉信号对应的动作类型。
在本发明的实施例中，识别肌肉信号对应的动作类型，具体可以包括：将肌电信号和肌肉阻抗信号进行叠加，得到叠加肌肉信号，将叠加肌肉信号作为输入变量输入至预先训练的肌肉动作类型识别模型中，经过肌肉动作类型识别模型的计算，得到肌肉信号对应的动作类型。
上述将肌电信号和肌肉阻抗信号进行叠加，得到叠加肌肉信号，将叠加肌肉信号作为输入变量输入至预先训练的肌肉动作类型识别模型，得到肌肉信号对应的动作类型，实现了信号级别的模式识别。
可选的，在上述技术方案的基础上，可以通过如下方式训练肌肉动作类型识别模型：获取肌电样本信号、肌肉阻抗样本信号以及与肌电样本信号和肌肉阻抗样本信号对应的动作类型。叠加肌电样本信号和肌肉阻抗样本信号，得到叠加肌肉样本信号。将叠加肌肉样本信号作为输入变量，肌电样本信号和肌肉阻抗样本信号对应的动作类型作为输出变量，训练分类器模型，得到肌肉动作类型识别模型。
在本发明的实施例中，可以通过如下方式训练肌肉动作识别模型：获取肌电样本信号、肌肉阻抗样本信号以及与肌电样本信号和肌肉阻抗样本信号对应的动作类型，上述构成设定数量组的训练样本。为了使训练得到的肌肉动作识别模型对动作类型的识别率更高，对训练样本的选择提出如下两点要求：其一，可以理解到，人体各个动作的完成均是由各个肌肉组织相互协调，共同配合完成的。在动作的完成过程中，各肌肉组织的参与时间不同，所对动作完成的贡献大小也不相同，由此而产生的肌肉信号也不相同。对于同一受试者不同肌肉组织的肌肉信号存在差异性，不同受试者同一肌肉组织的肌肉信号也存在差异性，而同一受试者同一肌肉组织在不同动作类型下的肌肉信号也存在差异性。为了使训练得到的肌肉动作识别模型对动作类型的识别率更高，需要最大限度地降低测量部位的选择对模式识别率产生的影响。具体可以在对常见动作类型与各肌群之间的对应关系进行研究的基础上，选择各个动作类型下起主导作用的肌群，以利用这些肌群的肌肉信号完成对应运动类型的识别；其二，在完成肌肉信号测量部位的确定后，需要对动作类型进行选择，以最大程度地降低动作类型的选择对模式识别率产生的影响，主要根据以下两个原则：其一，欲选取的动作类型与测量部位具有直接对应关系，以保证该动作类型下测量部位的肌肉信号幅度较大，信号较明显；其二，欲选择的动作类型需是日常生活中常见的运动类型，以保证本发明实施例的实用性，在完成肌肉运动类型识别模型的建立后，使其能够应用于假肢的实际开发中。需要说明的是，在满足上述对训练样本的选择所提出的两点要求的基础上，可以根据实际情况进行选择，在此不作具体限定。示例性的，如选择桡侧腕屈肌与尺侧腕伸肌作为提取肌肉信号的肌肉组织，这是由于上述两块肌肉组织与手臂的常见运动类型密切相关，手臂的运动在这两块肌肉产生的肌肉信号较为明显，并且这两块肌肉组织体积较大，由此采集到的肌肉信号不会受到其它相邻肌肉组织的肌肉信号的影响。在此基础上选择运动类型握拳、上翻、下翻、手势V和手势OK。基于上述，分别提取这5个运动类型下的测量部位的肌肉信号，构成设定数量组的训练样本。
需要说明的是，设定数量组的训练样本可以是来自同一名受试者的训练样本所形成的数量组，也可以是来自不同受试者的训练样本所形成的数量组，具体可根据实际情况进行设定，在此也不作具体限定。可选的，考虑到上述肌肉信号的差异性，设定数量组的训练样本是来自同一名受试者的训练样本所形成的数量组，这样设置的有益效果在于：可以使得基于此建立的肌肉运动类型识别模型的预测精确性更好。还需要说明的是，分类器模型也可以根据实际情况进行设定，在此也不作具体限定。
在获取到设定数量组的训练样本后，叠加肌电样本信号和肌肉阻抗样本信号，得到叠加肌肉样本信号，将叠加肌肉样本信号作为输入变量，肌电样本信号和肌肉阻抗样本信号对应的动作类型作为输出变量，训练分类器模型，得到肌肉动作类型识别模型。下面以分类器模型为ANN模型为例对训练分类器模型得到肌肉动作类型识别模型进行进一步的说明，具体的：
示例性的，如设定有M组训练样本(xi,yi)，其中，xi表示第i个输入变量，其为n维向量；yi为第i个输出变量，其为m维向量；ωi为第i个输入节点与隐藏层节点的输入权值；θi为第i个隐藏层节点的阈值；βi为第i个输出权值。存在N个隐藏层节点，g(x)为激活函数，则ANN模型为
Figure BDA0001904004670000111
其中，j＝1,2,...，M。通过输入变量xi、ANN模型的输入权值ωi和ANN模型的阈值θi对预先设定的ANN模型
Figure BDA0001904004670000112
进行训练，确定输出权值βi。再基于ANN模型的输入权值ωi、ANN模型的阈值θi和ANN模型的输出权值βi确定出预先训练的肌肉动作类型识别模型。当n＝4且m＝5时，本发明实施例所设计的ANN模型为输入层具有4个神经元节点，与输入向量xi的维数相对应。输出层神经元节点数目的选择应根据输出变量yi的维数，也即运动类型的个数来决定，t个神经元节点的输出层，能组合出2t个输出序列，与2t个输出运动类型相对应。由于运动类型的个数为5个，因此将输出层神经元节点数目设定为3，可完成对5个动作类型的识别。隐含层神经元节点数目的确定尚无确切的理论依据，但有经验同时可以参考，经过反复试验便可确定隐含层的神经元节点数目，如将其设置为6个。至此对预先设定的ANN模型进行训练得到一个输入层有4个神经节点，隐含层有6个神经节点以及输出层有3个神经元节点的肌肉动作类型识别模型。
可选的，在上述技术方案的基础上，识别肌肉信号对应的动作类型，具体可以包括：提取肌电信号的特征得到肌电特征信号，以及，提取肌肉阻抗信号的特征得到肌肉阻抗特征信号。叠加肌电特征信号和肌肉阻抗特征信号，得到叠加特征信号。将叠加特征信号输入至预先训练的特征动作类型识别模型中，得到肌肉信号对应的动作类型。
在本发明的实施例中，识别肌肉信号对应的动作类型，具体可以包括：提取肌电信号的特征得到肌电特征信号，以及，提取肌肉阻抗信号的特征得到肌肉阻抗特征信号。叠加肌电特征信号和肌肉阻抗特征信号，得到叠加特征信号。将叠加特征信号输入至预先训练的特征动作类型识别模型中，得到肌肉信号对应的动作类型，经过特征动作类型识别模型的计算，得到肌肉信号对应的动作类型。
上述提取肌电信号的特征得到肌电特征信号，以及，提取肌肉阻抗信号的特征得到肌肉阻抗特征信号，将肌电特征信号和肌肉阻抗特征信号进行叠加，得到叠加特征信号，将叠加特征信号作为输入变量输入至预先训练的特征动作类型识别模型，得到肌肉信号对应的动作类型，实现了特征级别的模式识别。
可选的，在上述技术方案的基础上，可以通过如下方式训练特征动作类型识别模型：获取肌电样本信号、肌肉阻抗样本信号以及与肌电样本信号和肌肉阻抗样本信号对应的动作类型。提取肌电样本信号的特征得到肌电样本特征信号，以及，提取肌肉阻抗样本信号的特征得到肌肉阻抗样本特征信号。叠加肌电样本特征信号和肌肉阻抗样本特征信号，得到叠加肌肉样本特征信号。将叠加肌肉样本特征信号作为输入变量，肌电样本信号和所述肌肉阻抗样本信号对应的动作类型作为输出变量，训练分类器模型，得到特征动作类型识别模型。
在本发明的实施例中，特征提取(又称为维数约减或降维)是指将原始训练数据从原先的高维数据空间映射或变换到低维特征空间，得到最能反映训练数据本质的低维数据特征。示例性的，如特征提取可以描述为这样一个过程，对特征矢量U＝(u1，u2，...，uQ)T施行变换：vs＝hs(U)，s＝1，2，...，P，P<Q，产生出降维的特征向量V＝(v1，v2，...，vP)T。所提取出的低维数据特征的优劣对模式识别准确率的高低有较大影响，为了提高模式识别的准确率，有必要对获取到的肌电样本信号和肌肉阻抗样本信号进行特征提取。肌电样本信号的特征提取就是从采集到的肌电样本信号中提取出最有效和最能区别出其它动作类型下肌电样本信号的成分。同样的，肌肉阻抗样本信号的特征提取就是从采集到的肌肉阻抗样本信号中提取最有效和最能区别出其它动作类型下肌肉阻抗样本信号的成分。针对肌电样本信号来说，特征提取可以采用时域分析法、频域分析法、时频域分析法以及混沌分形法等。其中，时域分析法对肌电样本信号进行特征提取时，通常将肌电样本信号看作是一维零均值、方差随着动作强度而变化的随机信号。在进行时域分析时，肌电样本信号最明显的特征量便是肌电样本信号的幅度，其次是肌电样本信号的方差和均方差等其它特征量。肌电样本信号的时域特征具有提取方便和运算简单等的优点，但由于肌肉收缩力的微小变化便可以引起时域特征元素如均值或方差等产生较大的波动，因此利用肌电样本信号的时域特征进行动作类型的模式识别具有一定的随机性与不稳定性。频域分析法通常可采用功率谱估计，功率谱估计的主要频域特征有频率范围、功率谱最大值、功率谱最大频率、中值频率和平均功率频率等参数。由于傅里叶变换只能将时域信号转换到频域，因此，在转换过程中，丢掉了非平稳信号在时域中的任何信息，仅保留了信号的频域特征。但肌电样本信号是一种时变非平稳信号，完全基于时域或者频域的方法对其进行特征提取都会丢掉其一部分特征。基于上述可以采用针对非平稳信号的时频域分析法，常见的时频域分析法有小波变换、小波包变换、短时傅里叶变换以及维格纳分布等。当然可以理解到，特征提取方法可根据实际情况进行选择，在此不作具体限定。
分类器模型同样也可以选择ANN模型，具体特征动作类型识别模型的训练过程可参考上述肌肉运动类型识别模型，区别在于输入变量的不同，但两者思路相同，在此不作具体赘述。
当然可以理解到，训练特征动作类型识别模型时所采用的分类器模型可以与训练肌肉运动类型识别模型所采用的分类器模型相同，如均采用ANN模型，也可以不同，如训练特征动作类型识别模型时采用的分类器模型为ANN模型，而训练肌肉运动类型识别模型时采用的分类器模型为聚类分析模型。具体可根据实际情况进行设定，在此不作具体限定。
需要说明的是，提取肌电信号的特征得到肌电特征信号，以及，提取肌肉阻抗信号的特征得到肌肉阻抗特征信号所采用的特征提取方法可以与训练特征动作类型识别模型时相同。
可选的，在上述技术方案的基础上，识别肌肉信号对应的动作类型，具体可以包括：将肌电信号输入至预先训练的肌电动作类型识别模型中，获取肌电动作类型。将肌肉阻抗信号输入至预先训练的肌肉阻抗动作类型识别模型中，获取肌肉阻抗动作类型。根据肌电动作类型和肌肉阻抗动作类型确定肌肉信号对应的动作类型。
在本发明的实施例中，识别肌肉信号对应的动作模型，具体可以包括：将肌电信号输入至预先训练的肌电动作类型识别模型中，获取肌电动作类型。将肌肉阻抗信号输入至预先训练的肌肉阻抗动作类型识别模型中，获取肌肉阻抗动作类型。经过上述过程，基于肌电信号和肌肉阻抗信号分别得到肌电动作类型和肌肉阻抗动作类型识别结果，便可以根据肌电动作类型和肌肉阻抗动作类型确定肌肉信号对应的动作类型。这里根据肌电动作类型和肌肉阻抗动作类型确定肌肉信号对应的动作类型可以作如下理解：预先设定肌电动作类型和肌肉阻抗动作类型所占的比例，根据比例确定肌肉信号对应的动作类型。当然上述比例可以在训练肌电动作类型识别模型和肌肉阻抗动作类型识别模型中确定。
上述将肌电信号输入至预先训练的肌电动作类型识别模型中，获取肌电动作类型，将肌肉阻抗信号输入至预先训练的肌肉阻抗动作类型识别模型中，获取肌肉阻抗动作类型，根据肌电动作类型和肌肉阻抗动作类型确定肌肉信号对应的动作类型，实现了决策级别的模式识别。
可选的，在上述技术方案的基础上，可以通过如下方式训练肌电动作类型识别模型：获取肌电样本信号以及与肌电样本信号对应的动作类型。将肌电样本信号作为输入变量，肌电样本信号对应的动作类型作为输出变量，训练分类器模型，得到肌电动作类型识别模型。
可以通过如下方式训练肌肉阻抗动作类型识别模型：获取肌肉阻抗样本信号以及与肌肉阻抗样本信号对应的动作类型。将肌肉阻抗样本信号作为输入变量，肌肉阻抗样本信号对应的动作类型作为输出变量，训练分类器模型，得到肌肉阻抗动作类型识别模型。
在本发明的实施例中，需要说明的是，训练肌电动作类型识别模型时所采用的分类器模型可以为ANN模型，训练肌肉阻抗动作类型识别模型时所分类器模型同样也可以为ANN模型，具体肌电动作类型识别模型和肌肉阻抗动作类型识别模型的训练过程均可参考上述肌肉运动类型识别模型，区别在于输入变量的不同，但两者思路相同，在此不作具体赘述。
还需要说明的是，训练肌电动作类型识别模型时所采用的分类器模型、训练肌肉阻抗动作类型识别模型时所分类器模型、训练特征动作类型识别模型时所采用的分类器模型以及训练肌肉运动类型识别模型所采用的分类器模型可以相同，如均采用ANN模型，也可以不同，如训练肌电动作类型识别模型时采用的分类器模型和训练特征动作类型识别模型时采用的分类器模型均为ANN模型，而训练肌肉阻抗动作类型识别模型时分类器模型和训练肌肉运动类型识别模型时采用的分类器模型为聚类分析模型。具体可根据实际情况进行设定，在此不作具体限定。
步骤130、根据动作类型生成假肢的控制指令。
在本发明的实施例中，在根据肌肉信号识别出对应的动作类型后，便可以根据动作类型生成假肢的控制指令，控制指令可以用于指示驱动模块驱动假肢进行相应的动作。此外，还可以控制由假肢参与的相关操作的进行。
示例性的，如根据肌肉信号识别出对应的动作类型为握手，则可以根据动作类型生成假肢的控制指令为握手。再如，如假肢参与蓝牙小车实验，蓝牙小车包括蓝牙通信模块、控制器、遥控器和电机驱动模块，遥控器界面上设置有前进、后退、左转、右转和停止等按键。蓝牙小车的工作原理为：蓝牙通信模块与遥控器的蓝牙进行配对，从而接收遥控器发送的动作指令，动作指令可以通过按下遥控器界面上相应的按键生成，并将动作指令发送至控制器，控制器对动作指令进行解析从而控制电机驱动模块驱动电机的正反转实现小车的前进、后退、左转、右转或停止。现遥控器可以由假肢操控，根据肌肉信号识别出对应的动作类型，根据动作类型生成假肢的控制指令，根据控制指令控制假肢操控遥控器生成对应的动作指令，并将动作指令通过蓝牙通信模块发送给控制器，控制器对接收到的动作指令进行解析控制电机驱动模块驱动电机正转或反转，从而实现小车的前进、后退、左转、右转或停止。
本实施例的技术方案，通过获取假肢连接处的肌肉信号，肌肉信号包括肌电信号和肌肉阻抗信号，识别肌肉信号对应的动作类型，根据动作类型生成假肢的控制指令，提高了假肢控制的准确率。
根据所述动作类型生成所述假肢的控制指令。
可选的，在上述技术方案的基础上，肌电信号是根据肌肉阻抗信号经处理后得到的。
在本发明的实施例中，在采集肌电信号的过程中，可能存在电极脱落的情况，此时，获取到的肌电信号实质上是干扰信号，即是肌电信号的运动伪迹。而且由于电极脱落，相应的，获取到的肌肉阻抗信号将会很大，如大于预设阈值。基于上述，在这种情况下，可以根据肌肉阻抗信号确定获取到的肌电信号是否是干扰信号，如果根据肌肉阻抗信号确定获取到的肌电信号是干扰信号，则可以将该肌电信号作舍弃处理，即该肌电信号是无效肌电信号。如果根据肌肉阻抗信号确定获取到的肌电信号不是干扰信号，则将保留该肌电信号，即该肌电信号是有效肌电信号，可以用于后续的数据处理。
上述根据肌肉阻抗信号确定肌电信号是否是干扰信号，如果确定该肌电信号是干扰信号，则将该肌电信号作舍弃处理，实现了消除肌电信号的运动伪迹，进而提高了模式识别的准确率。
可选的，在上述技术方案的基础上，肌电信号是根据肌肉阻抗信号经处理后得到的，具体可以包括：获取待筛选肌电信号，待筛选肌电信号和肌肉阻抗信号是经同步采集得到的。如果肌肉阻抗信号小于预设阈值，则将待筛选肌电信号作为肌电信号。
在本发明的实施例中，预设阈值可以用于作为判断待筛选肌电信号是否是干扰信号的标准。可以理解到，肌肉信号中所包括的肌电信号是根据肌肉阻抗信号经处理后得到的，在此之前，获取待筛选肌电信号，待筛选肌电信号和肌肉阻抗信号是经同步采集得到的，如果肌肉阻抗信号小于预设阈值，则可以说明该待筛选肌电信号不是干扰信号，换句话说，其是有效肌电信号，此时，便可以将该待筛选肌电信号作为肌电信号。如果肌肉阻抗信号大于等于预设阈值，则可以说明该待筛选肌电信号是干扰信号，换句话说，其是无效肌电信号，此时，便可以将该待筛选肌电信号作舍弃处理。
需要说明的是，由于待筛选肌电信号和肌肉阻抗信号是经同步采集得到的，而肌电信号属于待筛选肌电信号，因此，可以理解到，肌电信号和肌肉阻抗信号也是经同步采集得到的。
还需要说明的是，本发明实施例所述的肌电信号均是根据肌肉阻抗信号经处理后得到的，同样，在训练阶段，肌电样本信号均是根据肌肉阻抗样本信号经处理后得到的。
实施例二
图2为本发明实施例二提供的一种假肢控制装置的结构示意图，本实施例可适用于基于肌电信号和肌肉阻抗信号对假肢进行的情况，该装置可以采用软件和/或硬件的方式实现，该装置可以配置于设备中，例如典型的是计算机等。如图2所示，该装置具体包括：
肌肉信号获取模块210，用于获取假肢连接处的肌肉信号，肌肉信号包括肌电信号和肌肉阻抗信号。
动作类型识别模块220，用于识别肌肉信号对应的动作类型。
控制指令生成模块230，用于根据动作类型生成假肢的控制指令。
本实施例的技术方案，通过获取假肢连接处的肌肉信号，肌肉信号包括肌电信号和肌肉阻抗信号，识别肌肉信号对应的动作类型，根据动作类型生成假肢的控制指令，提高了假肢控制的准确率。
可选的，在上述技术方案的基础上，动作类型识别模块220，具体可以包括：
叠加肌肉信号获取单元，用于叠加肌电信号和肌肉阻抗信号，得到叠加肌肉信号。
动作类型第一识别单元，用于将叠加肌肉信号输入至预先训练的肌肉动作类型识别模型中，得到肌肉信号对应的动作类型。
可选的，在上述技术方案的基础上，动作类型识别模块220，具体可以包括：
特征信号获取单元，用于提取肌电信号的特征得到肌电特征信号，以及，提取肌肉阻抗信号的特征得到肌肉阻抗特征信号。
叠加特征信号获取单元，用于叠加肌电特征信号和肌肉阻抗特征信号，得到叠加特征信号。
动作类型第二识别单元，用于将叠加特征信号输入至预先训练的特征动作类型识别模型中，得到肌肉信号对应的动作类型。
可选的，在上述技术方案的基础上，动作类型识别模块220，具体可以包括：
肌电动作类型获取单元，用于将肌电信号输入至预先训练的肌电动作类型识别模型中，获取肌电动作类型。
肌肉阻抗动作类型获取单元，用于将肌肉阻抗信号输入至预先训练的肌肉阻抗动作类型识别模型中，获取肌肉阻抗动作类型。
动作类型第三识别单元，用于根据肌电动作类型和肌肉阻抗动作类型确定肌肉信号对应的动作类型。
可选的，在上述技术方案的基础上，可以通过如下方式训练肌肉动作类型识别模型：
获取肌电样本信号、肌肉阻抗样本信号以及与肌电样本信号和肌肉阻抗样本信号对应的动作类型。
叠加肌电样本信号和肌肉阻抗样本信号，得到叠加肌肉样本信号。
将叠加肌肉样本信号作为输入变量，肌电样本信号和肌肉阻抗样本信号对应的动作类型作为输出变量，训练分类器模型，得到肌肉动作类型识别模型。
可选的，在上述技术方案的基础上，可以通过如下方式训练特征动作类型识别模型：
获取肌电样本信号、肌肉阻抗样本信号以及与肌电样本信号和肌肉阻抗样本信号对应的动作类型。
提取肌电样本信号的特征得到肌电样本特征信号，以及，提取肌肉阻抗样本信号的特征得到肌肉阻抗样本特征信号。
叠加肌电样本特征信号和肌肉阻抗样本特征信号，得到叠加肌肉样本特征信号。
将叠加肌肉样本特征信号作为输入变量，肌电样本信号和肌肉阻抗样本信号对应的动作类型作为输出变量，训练分类器模型，得到特征动作类型识别模型。
可选的，在上述技术方案的基础上，可以通过如下方式训练肌电动作类型识别模型：
获取肌电样本信号以及与肌电样本信号对应的动作类型。
将肌电样本信号作为输入变量，肌电样本信号对应的动作类型作为输出变量，训练分类器模型，得到肌电动作类型识别模型。
可以通过如下方式训练肌肉阻抗动作类型识别模型：
获取肌肉阻抗样本信号以及与肌肉阻抗样本信号对应的动作类型。
将肌肉阻抗样本信号作为输入变量，肌肉阻抗样本信号对应的动作类型作为输出变量，训练分类器模型，得到肌肉阻抗动作类型识别模型。
可选的，在上述技术方案的基础上，肌电信号是根据肌肉阻抗信号经处理后得到的。
可选的，在上述技术方案的基础上，肌电信号是根据肌肉阻抗信号经处理后得到的，具体可以包括：
获取待筛选肌电信号，待筛选肌电信号和所述肌肉阻抗信号是经同步采集得到的。
如果肌肉阻抗信号小于预设阈值，则将待筛选肌电信号作为肌电信号。
本发明实施例所提供的假肢控制装置可执行本发明任意实施例所提供的假肢控制方法，具备执行方法相应的功能模块和有益效果。
实施例三
图3为本发明实施例三提供的一种假肢控制系统的结构示意图，本实施例可适用于基于肌电信号和肌肉阻抗信号对假肢进行的情况，如图3所示，该假肢控制系统具体可以包括：上位机1和下位机2，上位机1设置本发明实施例所述的假肢控制装置，上位机1与下位机2通信连接。下面对其结构和功能进行说明。
下位机2采集肌肉信号，肌肉信号包括肌电信号和肌肉阻抗信号，并将肌肉信号发送至上位机1。
在本发明的实施例中，下位机2采集肌肉信号，肌肉信号包括肌电信号和肌肉阻抗信号，并将肌肉信号发送至上位机1，上位机1设置有本发明实施例所述的假肢控制装置，用于对肌肉信号进行识别得到对应的动作类型，并根据动作类型生成对假肢的控制指令。需要说明的是，这里所述的下位机2可以实现采集肌电信号和肌肉阻抗信号。
如图4所示，给出了上位机1的主窗口操作界面的结构示意图。主窗口操作界面(下称主界面)可以采用Matlab的APP Designer设计。该主界面具体可以包括信号采集模块、采集端配置模块和机械控制模块，其中，信号采集模块可以用于将获取到的肌电信号和肌肉阻抗信号实时显示在波形显示面板中，并且提供坐标轴显示范围调整功能，实时滤波与基线漂移修正功能、受试者基本信息的创建与修改功能以及数据保存功能。采集端配置模块可以提供采集端(即下位机2)的工作参数设定功能，如设定下位机2的采样频率，以及可以用于显示采集端工作状态。机械控制模块可以用于提供控制参数设定以及机械实时控制功能。上述主界面上所涉及的各个模块以及各个模块所提供的功能均可以通过点击主界面上相应的按钮实现。
本实施例的技术方案，通过上位机接收下位机采集的假肢连接处的肌肉信号，肌肉信号包括肌电信号和肌肉阻抗信号，识别肌肉信号对应的动作类型，根据动作类型生成假肢的控制指令，提高了假肢控制的准确率。
可选的，如图3所示，在上述技术方案的基础上，下位机2具体可以包括采集模块21和控制模块22，控制模块22分别与采集模块21和上位机1连接。控制模块22控制采集模块21同步采集肌电信号和肌肉阻抗信号，并将肌电信号和肌肉阻抗信号发送至上位机1。
在本发明的实施例中，下位机2具体可以包括采集模块21和控制模块22，控制模块22可以用来控制采集模块21同步采集肌电信号和肌肉阻抗信号。其中，控制模块22可以选用STM8L151F3芯片。
可选的，如图3所示，在上述技术方案的基础上，采集模块21具体可以包括电极单元211和模拟前端单元212，模拟前端单元212具体可以包括第一通道和第二通道；电极单元211置于假肢连接处的肌肉组织表面，电极单元211分别与第一通道和第二通道连接。模拟前端单元212将调制出的调制信号发送至电极单元211，第一通道对调制信号进行处理得到肌电信号，第二通道对调制信号进行处理得到肌肉阻抗信号。
在本发明的实施例中，采集模块21具体可以包括电极单元211和模拟前端单元212，电极单元211具体可以包括至少两个电极，极模拟前端单元212具体可以包括第一通道和第二通道，模拟前端单元212还可以包括调制器，第一通道可以包括低通滤波器、第一可编程增益放大器、第一模数转换器和寄存器，第二通道可以包括高通滤波器、第二可编程增益放大器、解调器、第二模数转换器和寄存器。
电极是传感器的一种，其作用是将人体内的离子导电的位移电流转化为检测电路中的电子导电的传导电流。根据前文所述可知，本发明实施例所述的肌电信号指的是表面肌电信号，是由表面电极作为引导电极测量得到的，可以通过测量两点间的电压差间接测量得到肌肉阻抗信号，由于在测量肌电信号时，已在假肢连接处的肌肉表面贴上了电极，这样就可以通过共用电极来采集肌电肌肉阻抗信号。利用电极测量肌肉阻抗信号有四电极法和双电极法，其中，四电极法是将其中两个电极作为激励信号的输出电极，另外两个作为肌肉阻抗信号的输入电极；双电极法是将两个电极既作为激励信号的输出电极又作为肌肉阻抗信号的输入电极。上述可以根据实际情况进行选择，在此不作具体限定。可选的，采用双电极法，即利用一对电极实现同步采集肌电信号和肌肉阻抗信号，此时，电极单元211包括两个电极。为了实现同步采集肌电信号和肌肉阻抗信号，需要将肌电信号和肌肉阻抗信号置于不同的频带。调制器可以用于输出调制信号，并将调制出的调制信号发送至电极单元211，该调制信号可以作为测量肌肉阻抗信号的激励信号，该激励信号加载到置于假肢连接处的肌肉组织表面的两个电极上，通常该激励信号的频率远高于肌电信号的频带范围，基于上述，电极单元211采集得到的是包含肌电信号和肌肉组织信号的混合信号。该混合信号经第一通道的低通过滤器滤除高频信号，得到包含肌电信号的低频信号，再经过第一可编程增益放大器和第一模数转换器进入寄存器进行存储。该混合信号同时经过第二通道的高通滤波器滤除低频信号，得到包含肌肉阻抗信号的高频调制信号，再经过第二可编程增益放大器后将调制信号输入解调器进行解调，得到相应的电压信号，根据该电压信号得到对应的肌肉阻抗信号，肌肉阻抗信号经第二模数转换器进入寄存器进行存储。
需要说明的是，模拟前端单元212可以选用ADS1292R芯片。
可选的，在上述技术方案的基础上，下位机2具体还可以包括蓝牙模块，蓝牙模块分别与控制模块22和上位机1连接，蓝牙模块用于实现控制模块22与上位机1的通信连接。
在本发明的实施例中，上位机1中也设置有蓝牙模块，可将上位机1中的蓝牙模块设置为主机模式，下位机2中的蓝牙模块设置为从机模式，两者配置相同的波特率，从而实现控制模块22与上位机1的通信连接。此外，需要说明的是，为了保证数据传输的一致性，该波特率需要与控制模块与采集模块设置的波特率保持一致。其中，蓝牙模块可选用HJ-580X无线蓝牙串口透传模块，其具有体积小和功耗低等优点，并且支持串口透传以及可以通过指令更改模块的主从性，通讯距离可达20m。
可选的，在上述技术方案的基础上，下位机2具体还可以包括电源模块，电源模块分别与采集模块21、控制模块22和蓝牙模块连接并为之提供电能。
在本发明的实施例中，为了降低工频干扰以及增强下位机1的便携性，电源模块可以选用3.7V锂电池，同时使用CMOS低压差稳压器进行电路保护。
下面以模拟前端单元211选用ADS1292R芯片，控制模块22选用STM8L151F3芯片为例，对控制模块22与采集模块21间的工作原理进行说明。具体的：
ADS1292R芯片是TI公司推出的一款用于生物电信号采集和模数转换的芯片，尤其适合于肌电信号和肌肉阻抗信号的测量。它拥有便携性、低功耗医疗和运动监测等应用领域所需要的各种特性。其内部包括两个低噪音的可编程增益放大器(Pmgrammable GainAmplifier，PGA)和两个24位高分辨率的模数转换器(Analog to Digital Converter，ADC)，可以实现肌电信号和肌肉阻抗信号的同时采集同时转换。如图5所示，给出了模拟前端单元211的结构示意图。为了满足实际需求，电极单元211并未与模拟前端模块212直接连接，而是在电极单元211和模拟前端模块212之间设置了低通滤波器和高通滤波器。其中，通路1采集肌电信号，通路2采集肌肉阻抗信号。STM8L151F3芯片是一款专为高编码效率和性能而设计的超低功耗芯片。STM8L151F3芯片用于控制模拟前端单元212、蓝牙模块和电源模块工作，它是模拟前端单元212与上位机1的功能纽带，一方面它通过SPI(SerialPeripheral Interface，串行外设接口)总线控制ADS1292R芯片的寄存器，实现肌电信号和肌肉阻抗信号的同步采集，另一方面它经串口与蓝牙模块进行通信，接收上位机1的命令，同时控制蓝牙模块将采集到的肌电信号和肌肉阻抗信号上传至上位机1。下面对肌电信号和肌肉阻抗信号的采集过程进行说明，具体的：
由ADS1292R芯片调制器输出一个32kHz交流方波信号作为测量肌肉阻抗信号的激励信号，其频率远高于肌电信号的频带范围，此时差分电极(即电极1和电极2)采集得到的是包含肌电信号和肌肉阻抗信号的混合信号。该混合信号在通路1使用低通滤波器滤除高频信号，得到包含肌电信号的低频成分；通路2使用高通滤波器滤除低频信号，得到包含肌肉阻抗信号的高频调制信号，再经过ADS1292R芯片内部的解调器解调得到相应的电压信号，可由该电压信号计算得到对应的肌肉阻抗信号。
需要说明的是，模拟前端单元211、控制模块22、蓝牙模块和电源模块均可根据实际情况进行类型选择，在此不作具体限定。
实施例四
图6为本发明实施例四提供的一种设备的结构示意图。图6示出了适于用来实现本发明实施方式的示例性设备412的框图。图6显示的设备412仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，设备412以通用计算设备的形式表现。设备412的组件可以包括但不限于：一个或者多个处理器416，系统存储器428，连接于不同系统组件(包括系统存储器428和处理器416)的总线418。
总线418表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
设备412典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备412访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器428可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)430和/或高速缓存存储器432。设备412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统434可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储器428可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块442的程序/实用工具440，可以存储在例如存储器428中，这样的程序模块442包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。
设备412也可以与一个或多个外部设备414(例如键盘、指向设备、显示器424等)通信，还可与一个或者多个使得用户能与该设备412交互的设备通信，和/或与使得该设备412能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且，设备412还可以通过网络适配器420与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器420通过总线418与设备412的其它模块通信。应当明白，尽管图6中未示出，可以结合设备412使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器416通过运行存储在系统存储器428中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种假肢控制方法，包括：
获取假肢连接处的肌肉信号，肌肉信号包括肌电信号和肌肉阻抗信号。
识别肌肉信号对应的动作类型。
根据动作类型生成假肢的控制指令。
当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供应用于设备的假肢控制方法的技术方案。该设备的硬件结构以及功能可参见实施例四的内容解释。
实施例五
本发明实施例五还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的一种假肢控制方法，该方法包括：
获取假肢连接处的肌肉信号，肌肉信号包括肌电信号和肌肉阻抗信号。
识别肌肉信号对应的动作类型。
根据动作类型生成假肢的控制指令。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
当然，本发明实施例所提供的一种计算机可读存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的设备的假肢控制方法中的相关操作。对存储介质的介绍可参见实施例五中的内容解释。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (13)

1.一种假肢控制方法，其特征在于，包括：
获取假肢连接处的肌肉信号，所述肌肉信号包括肌电信号和肌肉阻抗信号；所述肌电信号是根据所述肌肉阻抗信号经处理后得到的；
识别所述肌肉信号对应的动作类型；
根据所述动作类型生成所述假肢的控制指令；
其中，所述肌电信号是根据所述肌肉阻抗信号经处理后得到的，包括：
获取待筛选肌电信号，所述待筛选肌电信号和所述肌肉阻抗信号是经同步采集得到的；
如果所述肌肉阻抗信号小于预设阈值，则将所述待筛选肌电信号作为所述肌电信号。
2.根据权利要求1所述的方法，其特征在于，所述识别所述肌肉信号对应的动作类型，包括：
叠加所述肌电信号和所述肌肉阻抗信号，得到叠加肌肉信号；
将所述叠加肌肉信号输入至预先训练的肌肉动作类型识别模型中，得到所述肌肉信号对应的动作类型。
3.根据权利要求1所述的方法，其特征在于，所述识别所述肌肉信号对应的动作类型，包括：
提取所述肌电信号的特征得到肌电特征信号，以及，提取所述肌肉阻抗信号的特征得到肌肉阻抗特征信号；
叠加所述肌电特征信号和所述肌肉阻抗特征信号，得到叠加特征信号；
将所述叠加特征信号输入至预先训练的特征动作类型识别模型中，得到所述肌肉信号对应的动作类型。
4.根据权利要求1所述的方法，其特征在于，所述识别所述肌肉信号对应的动作类型，包括：
将所述肌电信号输入至预先训练的肌电动作类型识别模型中，获取肌电动作类型；
将所述肌肉阻抗信号输入至预先训练的肌肉阻抗动作类型识别模型中，获取肌肉阻抗动作类型；
根据所述肌电动作类型和所述肌肉阻抗动作类型确定所述肌肉信号对应的动作类型。
5.根据权利要求2所述的方法，其特征在于，通过如下方式训练所述肌肉动作类型识别模型：
获取肌电样本信号、肌肉阻抗样本信号以及与肌电样本信号和肌肉阻抗样本信号对应的动作类型；
叠加所述肌电样本信号和所述肌肉阻抗样本信号，得到叠加肌肉样本信号；
将所述叠加肌肉样本信号作为输入变量，所述肌电样本信号和所述肌肉阻抗样本信号对应的动作类型作为输出变量，训练分类器模型，得到所述肌肉动作类型识别模型。
6.根据权利要求3所述的方法，其特征在于，通过如下方式训练所述特征动作类型识别模型：
获取肌电样本信号、肌肉阻抗样本信号以及与肌电样本信号和肌肉阻抗样本信号对应的动作类型；
提取所述肌电样本信号的特征得到肌电样本特征信号，以及，提取所述肌肉阻抗样本信号的特征得到肌肉阻抗样本特征信号；
叠加所述肌电样本特征信号和所述肌肉阻抗样本特征信号，得到叠加肌肉样本特征信号；
将所述叠加肌肉样本特征信号作为输入变量，所述肌电样本信号和所述肌肉阻抗样本信号对应的动作类型作为输出变量，训练分类器模型，得到所述特征动作类型识别模型。
7.根据权利要求4所述的方法，其特征在于，通过如下方式训练所述肌电动作类型识别模型：
获取肌电样本信号以及与肌电样本信号对应的动作类型；
将所述肌电样本信号作为输入变量，所述肌电样本信号对应的动作类型作为输出变量，训练分类器模型，得到所述肌电动作类型识别模型；
通过如下方式训练所述肌肉阻抗动作类型识别模型：
获取肌肉阻抗样本信号以及与肌肉阻抗样本信号对应的动作类型；
将所述肌肉阻抗样本信号作为输入变量，所述肌肉阻抗样本信号对应的动作类型作为输出变量，训练分类器模型，得到所述肌肉阻抗动作类型识别模型。
8.一种假肢控制装置，其特征在于，包括：
肌肉信号获取模块，用于获取假肢连接处的肌肉信号，所述肌肉信号包括肌电信号和肌肉阻抗信号，所述肌电信号是根据所述肌肉阻抗信号经处理后得到的；
动作类型识别模块，用于识别所述肌肉信号对应的动作类型；
控制指令生成模块，用于根据所述动作类型生成所述假肢的控制指令；
其中，所述肌电信号是根据所述肌肉阻抗信号经处理后得到的，包括：
获取待筛选肌电信号，所述待筛选肌电信号和所述肌肉阻抗信号是经同步采集得到的；
如果所述肌肉阻抗信号小于预设阈值，则将所述待筛选肌电信号作为所述肌电信号。
9.一种假肢控制系统，其特征在于，包括上位机和下位机，所述上位机设置如权利要求8所述的假肢控制装置；所述上位机与所述下位机通信连接；
所述下位机采集肌肉信号，所述肌肉信号包括肌电信号和肌肉阻抗信号，并将所述肌肉信号发送至所述上位机。
10.根据权利要求9所述的系统，其特征在于，所述下位机包括采集模块和控制模块，所述控制模块分别与所述采集模块和所述上位机连接；
所述控制模块控制所述采集模块同步采集所述肌肉信号和所述肌肉阻抗信号，并将所述肌电信号和所述肌肉阻抗信号发送至所述上位机。
11.根据权利要求10所述的系统，其特征在于，所述采集模块包括电极单元和模拟前端单元，所述模拟前端单元包括第一通道和第二通道；所述电极单元置于假肢连接处的肌肉组织表面，所述电极单元分别与所述第一通道和所述第二通道连接；
所述模拟前端单元将调制出的调制信号发送至所述电极单元，所述第一通道对所述调制信号进行处理得到所述肌电信号，所述第二通道对所述调制信号进行处理得到所述肌肉阻抗信号。
12.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7任一所述的方法。
13.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一所述的方法。
CN201811524294.2A 2018-12-13 2018-12-13 一种假肢控制方法、装置、系统、设备和存储介质 Active CN111317600B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201811524294.2A CN111317600B (zh) 2018-12-13 2018-12-13 一种假肢控制方法、装置、系统、设备和存储介质
PCT/CN2018/125437 WO2020118797A1 (zh) 2018-12-13 2018-12-29 假肢控制方法、装置、系统、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811524294.2A CN111317600B (zh) 2018-12-13 2018-12-13 一种假肢控制方法、装置、系统、设备和存储介质

Publications (2)

Publication Number Publication Date
CN111317600A CN111317600A (zh) 2020-06-23
CN111317600B true CN111317600B (zh) 2022-03-15

Family

ID=71076230

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811524294.2A Active CN111317600B (zh) 2018-12-13 2018-12-13 一种假肢控制方法、装置、系统、设备和存储介质

Country Status (2)

Country Link
CN (1) CN111317600B (zh)
WO (1) WO2020118797A1 (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111743668B (zh) * 2020-06-30 2023-12-05 京东科技信息技术有限公司 假肢控制方法、装置、电子设备和存储介质
CN112057212A (zh) * 2020-08-03 2020-12-11 桂林电子科技大学 基于深度学习的假肢系统
CN112842368A (zh) * 2021-02-01 2021-05-28 上海龙旗科技股份有限公司 一种识别表面肌电信号的系统及方法
CN113288532B (zh) * 2021-05-31 2023-04-07 北京京东乾石科技有限公司 一种肌电控制方法和装置
CN114138111B (zh) * 2021-11-11 2022-09-23 深圳市心流科技有限公司 一种肌电智能仿生手的全系统控制交互方法
CN114224483B (zh) * 2021-11-19 2024-04-09 浙江强脑科技有限公司 假肢控制的训练方法、终端设备及计算机可读存储介质
CN115114962A (zh) * 2022-07-19 2022-09-27 歌尔股份有限公司 基于表面肌电信号的控制方法、装置及可穿戴设备
CN115105270B (zh) * 2022-08-29 2022-11-11 深圳市心流科技有限公司 一种智能假肢的肌电匹配阈值的动态调节方法
CN116985093A (zh) * 2023-07-31 2023-11-03 香港理工大学 通过肌电信号控制气动肌肉装置的方法、装置及终端设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101987048A (zh) * 2009-08-03 2011-03-23 深圳先进技术研究院 假肢控制方法和系统
CN102427778A (zh) * 2009-04-28 2012-04-25 卡当斯生物医药公司 可调整的假肢
CN102429748A (zh) * 2011-12-01 2012-05-02 上海理工大学 握速可控式的智能肌电假手控制电路
CN103892945A (zh) * 2012-12-27 2014-07-02 中国科学院深圳先进技术研究院 肌电假肢控制系统
EP3000391A1 (en) * 2010-07-01 2016-03-30 Vanderbilt University Systems and method for volitional control of jointed mechanical devices based on surface electromyography
CN106232000A (zh) * 2014-02-14 2016-12-14 美敦力公司 感测和刺激系统
CN106308792A (zh) * 2016-09-06 2017-01-11 武汉大学 一种便携的高精度肌电信号采集装置
WO2017160183A1 (en) * 2016-03-15 2017-09-21 Shchukin Sergey Igorevich Method of bionic control of technical devices.
CN108464831A (zh) * 2018-04-19 2018-08-31 福州大学 一种穿戴式肌肉疲劳检测的装置及方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105786189B (zh) * 2016-04-28 2018-07-06 深圳大学 一种基于肌动信号的指部独立动作识别方法及系统
CN206730022U (zh) * 2017-01-10 2017-12-12 云南巨能科技发展有限公司 一种基于生物电阻测量的仿生假肢
CN107126302B (zh) * 2017-02-15 2020-05-22 上海术理智能科技有限公司 上下肢运动仿真处理方法
RU2673151C1 (ru) * 2017-07-26 2018-11-22 Сергей Игоревич Щукин Способ бионического управления техническими устройствами
CN107861628A (zh) * 2017-12-19 2018-03-30 许昌学院 一种基于人体表面肌电信号的手部姿态识别系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102427778A (zh) * 2009-04-28 2012-04-25 卡当斯生物医药公司 可调整的假肢
CN101987048A (zh) * 2009-08-03 2011-03-23 深圳先进技术研究院 假肢控制方法和系统
EP3000391A1 (en) * 2010-07-01 2016-03-30 Vanderbilt University Systems and method for volitional control of jointed mechanical devices based on surface electromyography
CN102429748A (zh) * 2011-12-01 2012-05-02 上海理工大学 握速可控式的智能肌电假手控制电路
CN103892945A (zh) * 2012-12-27 2014-07-02 中国科学院深圳先进技术研究院 肌电假肢控制系统
CN106232000A (zh) * 2014-02-14 2016-12-14 美敦力公司 感测和刺激系统
WO2017160183A1 (en) * 2016-03-15 2017-09-21 Shchukin Sergey Igorevich Method of bionic control of technical devices.
CN106308792A (zh) * 2016-09-06 2017-01-11 武汉大学 一种便携的高精度肌电信号采集装置
CN108464831A (zh) * 2018-04-19 2018-08-31 福州大学 一种穿戴式肌肉疲劳检测的装置及方法

Also Published As

Publication number Publication date
CN111317600A (zh) 2020-06-23
WO2020118797A1 (zh) 2020-06-18

Similar Documents

Publication Publication Date Title
CN111317600B (zh) 一种假肢控制方法、装置、系统、设备和存储介质
Farina et al. Man/machine interface based on the discharge timings of spinal motor neurons after targeted muscle reinnervation
Milosevic et al. Design challenges for wearable EMG applications
Guo et al. Nonlinear multiscale Maximal Lyapunov Exponent for accurate myoelectric signal classification
Benatti et al. Analysis of robust implementation of an EMG pattern recognition based control
WO2017112679A1 (en) Multimodal closed-loop brain-computer interface and peripheral stimulaiton for neuro-rehabilitation
CN109480838B (zh) 一种基于表层肌电信号的人体连续复杂运动意图预测方法
Narayan Hb vsEMG signal classification with time domain and Frequency domain features using LDA and ANN classifier
He et al. Spatial information enhances myoelectric control performance with only two channels
Peng et al. Feasibility of NeuCube spiking neural network architecture for EMG pattern recognition
Topalović et al. EMG map image processing for recognition of fingers movement
Pancholi et al. Development of low cost EMG data acquisition system for arm activities recognition
Xie et al. Biosignal-based transferable attention Bi-ConvGRU deep network for hand-gesture recognition towards online upper-limb prosthesis control
Yu et al. Wrist torque estimation via electromyographic motor unit decomposition and image reconstruction
Abougarair et al. Real time classification for robotic arm control based electromyographic signal
Wang et al. Lower limb motion recognition based on surface electromyography signals and its experimental verification on a novel multi-posture lower limb rehabilitation robots☆
Aljobouri A Virtual EMG Signal Control and Analysis for Optimal Hardware Design.
Meselmani et al. Pattern recognition of EMG signals: Towards adaptive control of robotic arms
Sharma et al. Feature extraction and classification of surface EMG signals for robotic hand simulation
Sharma et al. Movement control of robot in real time using EMG signal
Islam et al. Myoelectric pattern recognition performance enhancement using nonlinear features
Yu et al. Continuous estimation of wrist torques with stack-autoencoder based deep neural network: A preliminary study
Veer Spectral and mathematical evaluation of electromyography signals for clinical use
Yang et al. Detection and identification the human surface electromyogra signal
Li et al. Inter-subject variability evaluation of continuous elbow angle from sEMG using BPNN

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