CN111329476B - 一种基于微观神经驱动信息进行肌力估计的方法及装置 - Google Patents

Abstract

本发明公开了一种基于微观神经驱动信息进行肌力估计的方法及装置，该方法包括：获取待测试位置在预设定动作下的表面肌电信号；确定所述表面肌电信号中各个运动单位的发放序列；依据所述发放序列，确定动作电位波形；依据所述动作电位波形和所述发放序列对所述待测试位置进行肌力估计。上述的方法在肌力估计过程中，不仅考虑了所述表面肌电信号中各个运动单位的发放序列对肌力估计的影响，而且还将与每一个发放序列对应的动作电位波形也作为肌力估计的影响因素考虑在内，区分了不同运动单位对肌力形成的贡献程度，提高了肌力估计的准确性。

Description

一种基于微观神经驱动信息进行肌力估计的方法及装置

技术领域

本发明涉及数据处理技术领域，尤其涉及一种基于微观神经驱动信息进行肌力估计的方法及装置。

背景技术

人体的骨骼肌收缩是在中枢神经系统的支配和调控下产生运动行为的原动力。肌肉收缩力的产生是由肌肉中运动单位的募集和按照一定频率发放两种策略分别调控的。一般来讲，运动单位按照从小到大的顺序逐渐被募集。随着来自中枢的刺激增加，更多的运动单位被募集，同时被激活的运动单位的发放率也会提高。在这个过程中，肌肉产生了相应的肌力和表面肌电。因此，肌力的大小可以通过表面肌电的强度和复杂性反映。研究表明，当肌肉进行等长收缩时，表面肌电(surface electromyography，SEMG)的幅值与肌肉力量之间有稳定的、重复性较高的线性关系、二次函数关系或指数关系等。

目前，国内外对表面肌电分解技术的研究较多，并取得了较大进展。例如，使用快速盲源分离法对表面肌电进行分解得到单个运动单位的发放序列，然后通过计算运动单位的发放率进行肌力估计。虽然运动单位的发放序列是一种较好的神经接口，但肌力的产生是多个运动单位活动的综合结果，该方法未考虑不同运动单位的动作电位波形对肌力贡献的差异，影响了肌力估计的准确性。

发明内容

有鉴于此，本发明提供了一种基于微观神经驱动信息进行肌力估计的方法及装置用以解决现有的采用发放序列进行肌力估计的过程中，未考虑不同运动单位的动作电位波形对肌力贡献的差异，影响了肌力估计的准确性的问题，具体方案如下：

一种基于微观神经驱动信息进行肌力估计的方法，包括：

获取待测试位置在预设定动作下的表面肌电信号；

确定所述表面肌电信号中各个运动单位的发放序列；

依据所述发放序列，确定动作电位波形；

依据所述动作电位波形和所述发放序列对所述待测试位置进行肌力估计。

上述的方法，可选的，确定所述表面肌电信号中各个运动单位的发放序列，包括：

采集多通道表面肌电信号；

对所述表面肌电信号进行扩展，得到表面肌电信号的卷积混合模型；

依据所述表面肌电信号的卷积混合模型，确定各个运动单位的发放序列。

上述的方法，可选的，还包括：

对所述发放序列进行修正，得到目标发放序列。

上述的方法，可选的，依据所述发放序列，确定动作电位波形，还包括：

依据所述电位波形和发放序列计算重构表面肌电信号；

依据所述重构表面肌电信号和所述表面肌电信号计算残差信号；

依据所述残差信号确定是否存在新增运动单位的发放序列。

上述的方法，可选的，依据所述动作电位波形和所述发放序列对所述待测试位置进行肌力估计，包括：

获取所述待测试位置的实际肌力信号；

针对各个运动单位，依据其对应的动作电位波形和发放序列确定肌力估计模型，其中，所述肌力估计模型中包含未知参数；

依据所述肌力估计模型，确定估计肌力信号，其中，所述估计肌力信号中包含未知参数；

依据所述实际肌力信号和所述估计肌力信号采用机器学习法确定目标肌力估计模型，其中，所述目标肌力估计模型各个参数均已知；

依据所述目标肌力估计模型对所述待测试位置进行肌力估计。

上述的方法，可选的，针对各个运动单位，依据其对应的动作电位波形和发放序列确定肌力估计模型包括：

针对所述各个运动单位，获取每个运动单位的动作电位波形的最大幅度与颤搐力幅度，其中，依据所述颤搐力幅度可获得颤搐力波形，各个运动单位的颤搐力序列由颤搐力波形与发放序列卷积形成，并与发放序列的间隔存在关联，所有运动单位的颤搐力序列叠加获得肌力；

构建所述动作电位波的最大幅度与所述颤搐力幅度的二次函数关系，其中，所述二次函数关系包括三个未知参数；

依据所述二次函数关系构建肌力估计模型。

一种基于微观神经驱动信息进行肌力估计的装置，包括：

获取模块，用于获取待测试位置在预设定动作下的表面肌电信号；

发放序列确定模块，用于确定所述表面肌电信号中各个运动单位的发放序列；

动作电位波形确定模块，用于依据所述发放序列，确定动作电位波形；

估计模块，用于依据所述动作电位波形和所述发放序列对所述待测试位置进行肌力估计。

上述的装置，可选的，所述发放序列确定模块包括：

采集单元，用于采集多通道表面肌电信号；

扩展单元，用于对所述表面肌电信号进行扩展，得到表面肌电信号的卷积混合模型；

发放序列确定单元，用于依据所述表面肌电信号的卷积混合模型，确定各个运动单位的发放序列。

上述的装置，可选的，所述动作电位波形确定模块还包括：

重构单元，用于依据所述电位波形和发放序列计算重构表面肌电信号；

计算单元，用于依据所述重构表面肌电信号和所述表面肌电信号计算残差信号；

新增发放序列确定单元，用于依据所述残差信号确定是否存在新增运动单位的发放序列。

上述的装置，可选的，所述估计模块包括：

肌力信号获取单元，用于获取所述待测试位置的实际肌力信号；

模型确定单元，用于针对各个运动单位，依据其对应的动作电位波形和发放序列确定肌力估计模型，其中，所述肌力估计模型中包含未知参数；

肌力信号确定单元，用于依据所述肌力估计模型，确定估计肌力信号，其中，所述估计肌力信号中包含未知参数；

目标模型确定单元，用于依据所述实际肌力信号和所述估计肌力信号采用机器学习法确定目标肌力估计模型，其中，所述目标肌力估计模型各个参数均已知；

估计单元，用于依据所述目标肌力估计模型对所述待测试位置进行肌力估计。

与现有技术相比，本发明包括以下优点：

本发明公开了一种基于微观神经驱动信息进行肌力估计的方法及装置，该方法包括：获取待测试位置在预设定动作下的表面肌电信号；确定所述表面肌电信号中各个运动单位的发放序列；依据所述发放序列，确定动作电位波形；依据所述动作电位波形和所述发放序列对所述待测试位置进行肌力估计。上述的方法在肌力估计过程中，不仅考虑了所述表面肌电信号中各个运动单位的发放序列对肌力估计的影响，而且还将与每一个发放序列对应的动作电位波形也作为肌力估计的影响因素考虑在内，区分了不同运动单位对肌力形成的贡献程度，提高了肌力估计的准确性。当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例公开的一种基于微观神经驱动信息进行肌力估计的方法流程图；

图2为本申请实施例公开的使用逐步独立向量剥离法分解高密度表面肌电后得到的运动单位发放序列和运动单位动作电位波形示意图；

图3为本申请实施例公开的基于不同信息进行肌力估计的误差值均方根差在不同力度下的箱线图；

图4为本申请实施例公开的基于不同信息进行肌力估计的误差值均方根差在不同力度下的均值柱状图；

图5为本申请实施例公开的一种基于微观神经驱动信息进行肌力估计的装置结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

本发明公开了一种基于微观神经驱动信息进行肌力估计的方法及装置，应用在对肌力的估计过程中，近年来，高密度表面肌电已经被广泛的应用于肌力估计。该领域的研究主要分为两大类。一类是通过直接从SEMG中提取各种特征(如均方根(root mean square，RMS)、峰值、包络)建立肌力估计的统计模型，成为肌力估计应用的主流方法。尽管通过提取SEMG信号的宏观特征的方法可以实现相对精确的肌力估计，但其缺乏对肌力产生的内在机制的描述，肌力估计的精度提升存在局限性。尤其考虑到SEMG为非平稳生理信号，其测量又存在诸多噪声和干扰，例如，相邻肌肉信号的串扰，运动单位动作电位波形易因相位不同发生的抵消现象，以及从肌纤维到皮肤表面的导电过程或电极偏移导致的波形变化。因此，直接使用SEMG的宏观特征，会掩盖实际的神经控制信息。

鉴于上述问题，另一类是通过运动单位的活动信息(如动作电位波形、发放序列)，即神经驱动肌肉活动的微观信息，建立肌力估计模型实现肌力估计。运动单位的活动信息可以通过肌电信号分解得到。相比之下，基于运动单位的活动信息作为肌力估计模型的控制输入可以克服上述基于SEMG的相关信息作为输入的不足。

目前，国内外对表面肌电分解技术的研究较多，并取得了较大进展。因此，在表面肌电分解后利用所得的微观神经驱动信息进行肌力估计的方法逐渐被采用。虽然运动单位的发放序列是一种较好的神经接口，但肌力的产生是多个运动单位活动的综合结果，该方法未考虑不同运动单位对肌力贡献的差异，影响了肌力估计的准确性。因此，本发明提供了一种基于微观神经驱动信息进行肌力估计的方法，其中，微观神经驱动信息包括：各个运动单位的发放序列和相应动作电位波形。所述方法的执行流程如图1所示，包括步骤：

S101、获取待测试位置在预设定动作下的表面肌电信号；

本发明实施例中，所述表面肌电信号依据肌电信号采集设备采集得到，所述肌电信号采集设备包括：包含有总增益为60dB的两级放大器，20-500HZ的带通滤波器和16位模数转换器。本发明实施例中，对所述肌电信号采集设备的具体存在形式不进行限定，采集过程如下，假设所述肌电信号采集设备选取行通道数为p，列通道数为q，相邻通道间距离为D的柔性高密度电极阵列。示例性的，基于肌肉大小和肌纤维密度可设置：p＝8，q＝8，D＝4mm。将电极阵列贴放在待测试位置。示例性的，选取测试者的拇指展肌作为待测试位置，选取所述预设的动作为拇指外展的动作进行测试，本发明实施例中对所述待测试位置和所述预定动作不进行具体限定，测试过程如下：测试者的拇指展肌执行拇指外展的动作进行发力，测量其高密度表面肌电信号。实验过程中，测试者需要完成拇指外展并保持拇指展肌执行等长收缩任务。肌力在开始收缩的前2s内从0开始尽量保持渐进线性增加到某一目标肌力，然后保持在该肌力水平维持肌肉收缩约3s后放松。整个任务执行为5s左右的时间长度。其中，实验预设有四个目标力度水平，分别为测试者执行该肌肉最大随意收缩力MVC(maximum voluntary contraction)的10％，20％，30％，40％。可按照随机顺序分别执行四个力度水平下的测试。每个力度水平下，上述任务重复5次。在每次重复之间或两种不同力度水平的测试之间，受试者可以保持肌肉放松状态并使测力计读数回到基准线，持续不少于3秒，以防止疲劳。

进一步的，将所述表面肌电信号通过一个20-500HZ的巴特沃斯带通滤波器消除低频基线漂移，高频噪声和运动伪迹，并通过一个49-51HZ的巴特沃斯带阻滤波器消除工频干扰。

S102、确定所述表面肌电信号中各个运动单位的发放序列；

本发明实施例中，假设所述表面肌电信号分解后可得到N个运动单位，那么第i个通道的表面肌电信号可以表示为：

s_j(t)＝∑_kδ(t-T_j(k)) (2)

其中，a_ij代表第i个通道第j个运动单位的动作电位波形；

L是波形长度；

s_j(t)是运动单位的发放序列(它是一个0-1序列)，表示第j个运动单位在t时刻是否发放；

T_j(k)是第j个运动单位的第k次发放时刻；

δ是detla函数；

n(t)是第i个通道的均值为0的高斯白噪声。

将表面肌电信号进行扩展，定义扩展变量如下所示：

其中，Q是延迟因子。

因此，表示所述表面肌电信号的卷积混合模型可以表示为：

为所有动作电位波形系数a_ij按照一定的顺序排列成的波形系数矩阵。

将所述表面肌电信号扩展后，利用快速独立向量分析方法来获得不同运动单位的发放时间信息。该技术利用非高斯性来度量独立性找到独立成分，使用负熵度量非高斯性。具有零均值和单位方差的随机变量可以用非多项式函数来近似，如下所示：

J(y)∝[E{G(y)}-E(G(v)}]² (7)

G(x)＝log(cosh(x)) (8)

其中，G是非多项式函数；

J(y)是负熵；

v是标准正态分布的随机变量。

对于经过白化的x，为了获得独立分量y＝W^Tx，需要对下面的负熵最大化问题进行优化：

maxJ_G(W)＝[E{G(W^Tx)}-E{G(v)}]² (9)

s.t.h(W)＝E{y²}-1＝||W||²-1＝0 (10)

基于不动点理论进行更新求解，如下所示：

W⁺＝E{xG′(W^Tx)}-E{G″(W^Tx)}W (11)

为了减少累积误差，使用对称正交化步骤代替上述标准化步骤的并行版的快速独立向量分析法同时估计多个独立向量，如下所示：

其中，W＝[W₁,W₂,…,W_n]^T。

经过快速独立向量分析法输出得到的各独立向量波形的峰值位置可认为是对应着运动单位的发放时刻，由此便得到不同运动单位的发放序列的数量与独立分量相同。

进一步的为了检测所述发放序列的可靠性并修正序列中可能出现的错误发放和缺失的发放，将得到的发放序列作为参考序列，然后对扩展后的表面肌电信号应用约束快速独立向量分析方法。将得到的目标发放序列进行存储，优选的，可以将目标发放序列保存到集合Θ中。

具体执行过程如下：

将所述发放序列作为时域约束(参考序列)来驱使快速独立向量分析法在所述表面肌电信号上收敛至尽可能与所述发放序列相似的独立分量。如果约束快速独立分析法不能实现这一点，则认为所述发放序列不可靠并将其删除。对于被判断可靠地发放序列，则将其发放时刻与约束快速独立向量分析的输出结果进行比较，通过更正可能的错误或遗漏的发放来更新该发放序列。

与快速独立向量分析发相比，约束快速独立向量分析的优化问题如下所示：

maxJ_G(W)＝[E{G(W^Tx)}-E{G(v)}]² (9)

s.t.g(y)＝ξ-E{y^Tr}≤0 (15)

h(W)＝E{(W^Tx)²}-1＝||W||²-1＝0 (10)

E{r²}-1＝0 (16)

其中，g(y)是输出信号y＝W^Tx与参考信号r(待测发放序列)之间的相似性度量，在此选择相关性大小进行约束。ξ(0≤ξ≤1)为预设的相关性下界。约束E{r²}-1＝0在此可以单独处理，因此可从约束条件中去除。

该优化问题可通过增广拉格朗日函数法来进行求解：

其中，μ和λ是拉格朗日乘子，γ是惩罚因子，使用拟牛顿法来更新W：

W⁺＝E{xG′(W^Tx)}-μE{G″(xg′(y)} (11)

μ⁺＝max{0,μ+γg(y)} (18)

S103、依据所述发放序列，确定动作电位波形；

本发明实施例中，为了得到各运动单位在原始信号每个通道中的波形，使所述发放序列或者目标发放序列采用最小二乘法得出。优选的，依据所述目标发放序列确定动作电位波形。

本发明实施例中，以一个通道的信号为例：

对于单个通道，第j个运动单位的运动单位动作电位序列是由第j个运动单位动作电位波形与其发放时刻卷积得到，然后将所有运动单位动作电位序列叠加便得到表面肌电信号。假设已估计出q个运动单位的发放序列，那么为了估计出这q个运动单位的动作电位波形，可求解如下的最小二乘问题：

min(X-A_(q)*S_(q))^T(X-A_(q)*S_(q)) (20)

其中，X是包含x中所有采样点的向量，A_(q)是包含q个运动单位动作电位波形的向量，S_(q)是包含q个运动单位的发放序列的向量，A_(q)*S_(q)是一个由每一对a_j和s_j卷积并对q个运动单位动作电位序列叠加得到的向量。该最小二乘的解析解如下所示：

其中，

是由S_(q)中的元素组成的矩阵，并且满足

解

便是q个运动单位在此最小二乘意义下的最优波形(动作电位波形)。

进一步的，为了得到更多可靠的发放序列，通过

便可以得到依据目前分解得到的信息卷积出重构信号，对信号进行剥离(原始信号-重构信号)得到残差信号。具体来说，在得到运动单位动作电位波形

和发放序列

后，然后使用

得到残差信号。并对残差信号进行扩展回到S102继续循环以上操作。

若没有新的可靠地运动单位产生或算法达到预设终止条件则终止循环输出所述动作电位波形，基于上述方法分解得到的运动单位发放序列和运动单位动作电位波形示意图如图2所示。其中，所述预设终止条件可以依据经验或者具体情况进行设定，本发明实施例中，对所述预设终止条件不进行限定。

S104、依据所述动作电位波形和所述发放序列对所述待测试位置进行肌力估计。

本发明实施例中，当神经系统受到的激励大于运动单位的募集阈值时，运动单位被激活，被激活的各运动单位所控制的所有肌纤维收缩产生颤搐力，将所有运动单位产生的颤搐力叠加可得到肌力。本发明以各个运动单位动作电位波形最大幅度muMax和发放时间序列作为输入，使用经过机器学习构建的肌力估计模型得到各运动单位的颤搐力序列。最后，对所有运动单位颤搐力序列相加得到估计肌力。具体如下：

颤搐力被模拟为二阶系统临界阻尼的冲击响应，主要与运动单位的颤搐力幅度和收缩时间有关。P_i和T_i为第i个运动单位的颤搐力幅度和收缩时间。第i个运动单位的颤搐力波形表示如下：

将分解得到的第i个运动单位的动作电位波形在所有通道中的最大幅度muMax_i与颤搐力幅度P_i建立二次函数关系如下：

P_i＝x(1)·muMax_i ²+x(2)·muMax_i+x(3) (23)

颤搐力幅度P_i与收缩时间T_i间的反幂函数关系如下：

其中，T_L为最长收缩时间，C为常数。示例性的，可以设置T_L＝90，C＝4.2。

运动单位产生力度的增益随其发放率的变化而变化。其中，ISI为相邻时间发放间隔，

为第i个运动单位第j次发放时标准化的ISI，K为常数。示例性的，可以设置K＝3.3。第i个运动单位第j次发放的相邻时间发放间隔和增益变化如下所示：

ISI_j＝t_i,j+1-t_i,j (25)

n个运动单位在t发放时间内产生的颤搐力序列叠加形成t时间内的肌肉收缩力F(t)。最终产生的肌肉收缩力如下所示：

为了确定肌力估计模型F(t)中未知的参数x(1),x(2),x(3)，使用非线性最小二乘法得到。目标函数y如下：

其中

为使用最大最小值归一化的估计力度，F为使用最大最小值归一化的实测力度。获得未知参数值后，肌力估计模型初始化完成，得到目标肌力估计模型，依据所述目标肌力估计模型进行肌力估计。

进一步的，基于上述的计算方法计算得到的肌力计算结果，可以应用于运动控制和运动医学领域，例如，对患者康复评估或者运动功能检查的过程中，需要进行肌力计算时，可以采用上述的肌力计算方法进行计算，由于相较于现有的肌力计算方法本发明的肌力计算结果准确率较高，因此，针对康复评估或者运动功能检查的结果的准确率也有提高。

本发明公开了一种基于微观神经驱动信息进行肌力估计的方法，包括：获取待测试位置在预设定动作下的表面肌电信号；确定所述表面肌电信号中各个运动单位的发放序列；依据所述发放序列，确定动作电位波形；依据所述动作电位波形和所述发放序列对所述待测试位置进行肌力估计。上述的方法中，在肌力估计过程中，不仅考虑了所述表面肌电信号中各个运动单位的发放序列对肌力估计的影响，而且还将与每一个发放序列对应的动作电位波形也作为肌力估计的影响因素考虑在内，区分了不同运动单位对肌力形成的贡献程度，提高了肌力估计的准确性。

为了说明本发明上述方案的性能，使用常用的评估指标RMSD计算误差值。

其中，n是样本的个数，

为归一化的估计力度，F为归一化的实测力度。

计算方法如下：

在每一个力度水平下，五段收缩周期的信号依次作为训练段，其余四段作为测试段进行交叉验证，最后在每一个测试者的每一个力度下得到20个误差结果值。

进一步的，选取几种常规方法进行对比。

基于运动单位的发放率的肌力估计，过程如下：将分解得到的不同运动的发放序列进行叠加得到总的发放序列。利用窗长为M ms，步长为Nms的滑动窗对总发放序列进行划分。示例性的，可以设置M＝250，N＝20。每个窗内的发放率计算为窗内发放个数除以窗长。最后剩余未满250ms的信号段发放率计算为剩余序列长度的发放个数除以剩余序列长度。将每个收缩周期的发放率曲线与对应的实测力度曲线通过最大最小值进行归一化。使用多项式拟合模型进行肌力估计。示例性的，可以选择四阶多项式，如下所示：

f＝a₁x⁴+a₂x³+a₃x²+a₄x+a₅ (32)

基于运动单位发放序列的肌力估计。过程如下：将分解后得到的不同的运动单位的发放时间序列依据募集顺序进行从小到大的排列。使用肌力估计模型F(t)进行肌力估计，在该模型中颤搐力幅度P与按从小至大排序后的运动单位序号的关系如下：

P_i＝e^b·i (33)

其中，b为常数，RP用于指定颤搐力幅度的范围，Num为运动单元池中运动单位的数目。示例性的，RP＝100，Num＝120，b＝0.0384，如分解得到13个运动单位，令第一个募集的运动单位肌肉颤搐力幅度为1.04单位，收缩时间为89.18ms，最后一个募集的运动单位肌肉颤搐力幅度为1.65单位，收缩时间为79.90ms。

使用RMSD计算归一化的估计力度和实测力度的误差值。过程如下：基于表面肌电信号RMS值的肌力估计。将滤波之后的信号进行分窗处理。为避免参数设置的影响，其滑动窗参数设置与计算发放率时保持一致。对于每一个滑动窗，RMS计算方法如下：

其中，p是每个滑动窗内的样本个数，q是表面肌电信号通道的数量，x_i(n)是第i个通道第n个样本的幅度。

将每个收缩周期的RMS曲线与对应的实测力度曲线通过最大最小值进行归一化，仍使用四阶多项式进行肌力估计。

基于表面肌电信号包络的肌力估计。过程如下：将滤波处理后的信号经过全波整流和5Hz的低通滤波提取每个通道的信号包络。对将每个收缩周期的包络与对应的实测力度曲线通过最大最小值进行归一化，并对所有通道的包络求平均作为力估计模型的输入。该方法中仍使用四阶多项式进行肌力估计。

本发明提供的方法以及对比方法在每个力度水平下进行肌力估计后得到的RMSD％的箱线图如图3所示，均值柱状图如4所示。实验结果证明基于微观神经信息进行肌力估计(特别是利用运动单位动作电位波形和发放序列来差异化不同的运动单位对肌力的贡献时)的方法能够提供较高的力估计精度和稳定性。因此，该方法的提出对于康复医疗、人工智能、体育运动等领域具有重要意义。

本发明实施例中，通过肌电分解得到运动单位动作电位波形和发放序列，并将其作为经过机器学习得到的肌力估计模型的输入，获得各运动单位的颤搐力序列，最后将所有运动单位的颤搐力序列叠加获得估计肌力。该方法通过处理微观的神经驱动信息，考虑了肌力产生的底层生理机制，区分了不同运动单位对肌力形成的贡献，相比采用肌电信号宏观特征的肌力估计方法，具有更高的精度。

基于上述的一种基于微观神经驱动信息进行肌力估计的方法，本发明实施例中还提供了一种基于微观神经驱动信息进行肌力估计的装置，所述装置的结构框图如图5所示，包括：

获取模块201、发放序列确定模块202、动作电位波形确定模块203和估计模块204。

其中，

所述获取模块201，用于获取待测试位置在预设定动作下的表面肌电信号；

所述发放序列确定模块202，用于确定所述表面肌电信号中各个运动单位的发放序列；

所述动作电位波形确定模块203，用于依据所述发放序列，确定动作电位波形；

所述估计模块204，用于依据所述动作电位波形和所述发放序列对所述待测试位置进行肌力估计。

本发明公开了一种基于微观神经驱动信息进行肌力估计的装置，包括：获取待测试位置在预设定动作下的表面肌电信号；确定所述表面肌电信号中各个运动单位的发放序列；依据所述发放序列，确定动作电位波形；依据所述动作电位波形和所述发放序列对所述待测试位置进行肌力估计。上述的装置中，在肌力估计过程中，不仅考虑了所述表面肌电信号中各个运动单位的发放序列对肌力估计的影响，而且还将与每一个发放序列对应的动作电位波形也作为肌力估计的影响因素考虑在内，区分了不同运动单位对肌力形成的贡献程度，提高了肌力估计的准确性。

本发明实施例中，所述发放序列确定模块202包括：

采集单元205、扩展单元206和发放序列确定单元207。

其中，

所述采集单元205，用于采集多通道表面肌电信号；

所述扩展单元206，用于对所述表面肌电信号进行扩展，得到表面肌电信号的卷积混合模型；

所述发放序列确定单元207，用于依据所述表面肌电信号的卷积混合模型，确定各个运动单位的发放序列。

本发明实施例中，所述动作电位波形确定模块203还包括：

重构单元208、计算单元209和新增发放序列确定单元210。

其中，

所述重构单元208，用于依据所述动作电位波形和发放序列计算重构表面肌电信号；

所述计算单元209，用于依据所述重构表面肌电信号和所述表面肌电信号计算残差信号；

所述新增发放序列确定单元210，用于依据所述残差信号确定是否存在新增运动单位的发放序列。

本发明实施例中，所述估计模块204包括：

肌力信号获取单元211、模型确定单元212、肌力信号确定单元213、目标模型确定单元214和估计单元215。

其中，

所述肌力信号获取单元211，用于获取所述待测试位置的实际肌力信号；

所述模型确定单元212，用于针对各个运动单位，依据其对应的动作电位波形和发放序列确定肌力估计模型，其中，所述肌力估计模型中包含未知参数；

所述肌力信号确定单元213，用于依据所述肌力估计模型，确定估计肌力信号，其中，所述估计肌力信号中包含未知参数；

所述目标模型确定单元214，用于依据所述实际肌力信号和所述估计肌力信号采用机器学习法确定目标肌力估计模型，其中，所述目标肌力估计模型各个参数均已知；

所述估计单元215，用于依据所述目标肌力估计模型对所述待测试位置进行肌力估计。

各个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

以上对本发明所提供的一种基于微观神经驱动信息进行肌力估计的方法及装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (7)

1.一种基于微观神经驱动信息进行肌力估计的方法，其特征在于，包括：

获取待测试位置在预设定动作下的表面肌电信号；

确定所述表面肌电信号中各个运动单位的发放序列；

依据所述发放序列，确定动作电位波形；

依据所述动作电位波形和所述发放序列对所述待测试位置进行肌力估计；

其中，依据所述动作电位波形和所述发放序列对所述待测试位置进行肌力估计，包括：

获取所述待测试位置的实际肌力信号；

针对各个运动单位，依据其对应的动作电位波形和发放序列确定肌力估计模型，其中，所述肌力估计模型中包含未知参数；

依据所述肌力估计模型，确定估计肌力信号，其中，所述估计肌力信号中包含未知参数；

依据所述实际肌力信号和所述估计肌力信号采用机器学习法确定目标肌力估计模型，其中，所述目标肌力估计模型各个参数均已知；

依据所述目标肌力估计模型对所述待测试位置进行肌力估计；

所述针对各个运动单位，依据其对应的动作电位波形和发放序列确定肌力估计模型，包括：

针对所述各个运动单位，获取每个运动单位的动作电位波形的最大幅度与颤搐力幅度，其中，依据所述颤搐力幅度可获得颤搐力波形，各个运动单位的颤搐力序列由颤搐力波形与发放序列卷积形成，并与发放序列的间隔存在关联，所有运动单位的颤搐力序列叠加获得肌力；

构建所述动作电位波形的最大幅度与所述颤搐力幅度的二次函数关系，其中，所述二次函数关系包括三个未知参数；

依据所述二次函数关系构建肌力估计模型。

2.根据权利要求1所述的方法，其特征在于，确定所述表面肌电信号中各个运动单位的发放序列，包括：

采集多通道表面肌电信号；

对所述表面肌电信号进行扩展，得到表面肌电信号的卷积混合模型；

依据所述表面肌电信号的卷积混合模型，确定各个运动单位的发放序列。

3.根据权利要求2所述的方法，其特征在于，还包括：

对所述发放序列进行修正，得到目标发放序列。

4.根据权利要求1所述的方法，其特征在于，依据所述发放序列，确定动作电位波形，还包括：

依据所述电位波形和发放序列计算重构表面肌电信号；

依据所述重构表面肌电信号和所述表面肌电信号计算残差信号；

依据所述残差信号确定是否存在新增运动单位的发放序列。

5.一种基于微观神经驱动信息进行肌力估计的装置，其特征在于，包括：

获取模块，用于获取待测试位置在预设定动作下的表面肌电信号；

发放序列确定模块，用于确定所述表面肌电信号中各个运动单位的发放序列；

动作电位波形确定模块，用于依据所述发放序列，确定动作电位波形；

估计模块，用于依据所述动作电位波形和所述发放序列对所述待测试位置进行肌力估计；

其中，所述估计模块包括：

肌力信号获取单元，用于获取所述待测试位置的实际肌力信号；

模型确定单元，用于针对各个运动单位，依据其对应的动作电位波形和发放序列确定肌力估计模型，其中，所述肌力估计模型中包含未知参数；

肌力信号确定单元，用于依据所述肌力估计模型，确定估计肌力信号，其中，所述估计肌力信号中包含未知参数；

目标模型确定单元，用于依据所述实际肌力信号和所述估计肌力信号采用机器学习法确定目标肌力估计模型，其中，所述目标肌力估计模型各个参数均已知；

估计单元，用于依据所述目标肌力估计模型对所述待测试位置进行肌力估计；

所述针对各个运动单位，依据其对应的动作电位波形和发放序列确定肌力估计模型，包括：

针对所述各个运动单位，获取每个运动单位的动作电位波形的最大幅度与颤搐力幅度，其中，依据所述颤搐力幅度可获得颤搐力波形，各个运动单位的颤搐力序列由颤搐力波形与发放序列卷积形成，并与发放序列的间隔存在关联，所有运动单位的颤搐力序列叠加获得肌力；

构建所述动作电位波形的最大幅度与所述颤搐力幅度的二次函数关系，其中，所述二次函数关系包括三个未知参数；

依据所述二次函数关系构建肌力估计模型。

6.根据权利要求5所述的装置，其特征在于，所述发放序列确定模块包括：

采集单元，用于采集多通道表面肌电信号；

扩展单元，用于对所述表面肌电信号进行扩展，得到表面肌电信号的卷积混合模型；

发放序列确定单元，用于依据所述表面肌电信号的卷积混合模型，确定各个运动单位的发放序列。

7.根据权利要求5所述的装置，其特征在于，所述动作电位波形确定模块还包括：

重构单元，用于依据所述电位波形和发放序列计算重构表面肌电信号；

计算单元，用于依据所述重构表面肌电信号和所述表面肌电信号计算残差信号；

新增发放序列确定单元，用于依据所述残差信号确定是否存在新增运动单位的发放序列。

Images