CN111543990A - 肌肉协同的提取方法及基于肌肉协同的运动功能分析评估方法 - Google Patents
肌肉协同的提取方法及基于肌肉协同的运动功能分析评估方法 Download PDFInfo
- Publication number
- CN111543990A CN111543990A CN202010402052.7A CN202010402052A CN111543990A CN 111543990 A CN111543990 A CN 111543990A CN 202010402052 A CN202010402052 A CN 202010402052A CN 111543990 A CN111543990 A CN 111543990A
- Authority
- CN
- China
- Prior art keywords
- synergy
- muscle
- formula
- variable
- equal
- 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
Links
- 210000003205 muscle Anatomy 0.000 title claims abstract description 79
- 238000000605 extraction Methods 0.000 title claims abstract description 19
- 238000004458 analytical method Methods 0.000 title claims abstract description 14
- 238000011156 evaluation Methods 0.000 title claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims abstract description 69
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000006870 function Effects 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000001228 spectrum Methods 0.000 claims description 28
- 238000005457 optimization Methods 0.000 claims description 6
- 230000007659 motor function Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 238000002567 electromyography Methods 0.000 claims description 2
- 230000002401 inhibitory effect Effects 0.000 claims description 2
- 210000003141 lower extremity Anatomy 0.000 claims description 2
- 210000001364 upper extremity Anatomy 0.000 claims description 2
- 239000007787 solid Substances 0.000 abstract 1
- 238000000354 decomposition reaction Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 230000002195 synergetic effect Effects 0.000 description 4
- 230000003183 myoelectrical effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 210000003169 central nervous system Anatomy 0.000 description 2
- 210000000852 deltoid muscle Anatomy 0.000 description 2
- 210000003414 extremity Anatomy 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 210000002346 musculoskeletal system Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010049816 Muscle tightness Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 208000020431 spinal cord injury Diseases 0.000 description 1
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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供肌肉协同的提取方法及基于肌肉协同的运动功能分析评估方法。人体运动过程中采集多块肌肉的表面肌电信号,预处理后得到多通道肌电数据矩阵D,利用多元曲线分辨‑交替最小二乘对不同协同数下的方差占比进行分析,方差占比大于等于80%的最小协同数k为最终协同数,再利用多元曲线分辨‑交替最小二乘从肌电数据矩阵D中提取出k个肌肉协同。与现有基于非负矩阵分解的肌肉协同提取方法相比,该方法实现了肌肉协同的稳定和准确提取,尤其对于非稀疏肌肉协同提取具有更好的重复性和稳定性,为肌肉协同用于人体运动功能的分析评估奠定了坚实的基础。
Description
技术领域
本发明属于生物信号处理技术与传感器技术领域,尤其涉及肌肉协同的提取方法及基于肌肉协同的运动功能分析评估方法。
背景技术
中枢神经系统如何控制身体的肌肉骨骼系统完成日常各种复杂的肢体动作一直是众多学者研究的焦点和热点。而肌肉协同理论能够较好地解释中枢神经系统对于肌肉骨骼系统的控制机制。
一个肌肉协同是由多块不同激活强度的肌肉组成,而一块肌肉可在多个肌肉协同中被激活。人体的各种复杂肢体动作能够通过少数几个肌肉协同在时域上的叠加控制完成。因此,肌肉协同可用于分析、评估人体的运动功能。
目前,肌肉协同主要通过矩阵分解算法分析多通道肌电数据计算得到。非负矩阵分解是应用最为广泛的肌肉协同提取方法,该方法首先随机产生初始协同和激活矩阵,并由重构矩阵与原始数据矩阵的残差构建目标函数,最后通过迭代优化的方式不断缩小重构矩阵与原始数据矩阵之间的残差,直到达到收敛条件停止迭代,实现肌肉协同的提取。非负矩阵分解具有原理简单、容易实现、分解结果非负性的优点。该方法的计算过程存在稀疏性约束,因此对于稀疏协同具有较好的分析效果。但是对于肌肉群普遍肌张力保持较高水平的个体而言,例如脑卒中、脊髓损伤等患者,其肌肉协同难以保证稀疏性。此外,人体很多多自由度运动的肌肉协同也是非稀疏的。在这些情况下非负矩阵分解法容易陷入局部最优,重复性较差,难以获得准确的肌肉协同。因此,稳定、可靠的肌肉协同提取方法具有重要的意义。
发明内容
针对上述技术现状,本发明人经过大量的试验探索后发现,采用多元曲线分辨-交替最小二乘法提取的肌肉协同具有唯一性,大大提高了肌肉协同提取的稳定性和准确性,对运动功能的分析评估具有重要意义。
即,本发明的技术方案为:
一种肌肉协同提取方法,包括如下步骤:
(1)人体运动过程中采集多块肌肉的表面肌电信号,预处理后得到多通道肌电数据矩阵D(m×n),m为肌电数据的通道数,n为肌电数据的变量数;
(2)通过分析多通道肌电数据矩阵D(m×n),提取肌肉协同;
其特征是:所述的步骤(2)中,采用多元曲线分辨-交替最小二乘法提取肌肉协同,即,针对肌电数据矩阵D(m×n),利用多元曲线分辨-交替最小二乘法在不同协同数下的方差占比进行分析,方差占比大于80%的最小协同数k为最终协同数,2≤k≤m,再利用多元曲线分辨-最小二乘法从肌电数据矩阵D中提取k个肌肉协同。
2、如权利要求1所述的基于肌肉协同的运动功能分析评估方法,其特征是:所述步骤(2)包括如下:
(2-1)确定第1个纯变量
对于变量j,1≤j≤n,其平均值μj和均方差σj分别为:
其中,dij是肌电数据矩阵D中第i行、第j列的元素;
根据(式1)(式2)计算第1个纯度谱,第1个纯度谱中的第j(1≤j≤n)个元素为p1,j:
其中,α是矫正参数,对信号噪声有一定的抑制作用,其值为1到5的常数;
在第1个纯度谱中,假设第t1个元素纯度最大,则变量t1(1≤t1≤n)为第1个纯变量;
(2-2)确定第i个纯变量,2≤i≤k
首先利用变量长度λ对肌电数据矩阵D进行归一化,肌电变量j的长度λj为:
归一化后的肌电数据矩阵D(λ)中第i行、第j列元素为:
d(λ)i,j=di,j/λj (式5)
计算COO(Correlation around the origin)矩阵E:
E=(1/m)D(λ)TD(λ) (式6)
根据COO矩阵E,纯变量j的相关行列式为:
其中,t1为第一个纯变量,ω2,j作为权重系数用于计算第2个纯度谱,根据(式1)(式2)(式7)计算第2个纯度谱,第2个纯度谱中的第j个元素为p2,j,1≤j≤n:
在第2个纯度谱中,假设第t2个元素值最大,则变量t2为第2个纯变量,1≤t2≤n;
以此类推,对于i≥2时,相关行列式表示为:
对于i≥2时,第i个纯度谱中的第j个元素为pi,j,2≤i≤k,1≤j≤n:
在第i个纯度谱中,假设第ti个元素值最大,则变量ti为第i个纯变量,1≤ti≤n;
(2-3)假设协同数k=2;
(2-4)从肌电数据矩阵D中提取出所有纯变量(t1,t2,…,tk)对应位置的元素,组成初始协同矩阵S(m×k),然后利用交替最小二乘(式11和式12)迭代优化,使目标函数(式13)值最小,
C=(STS)-1(STD) (式11)
S=(DCT)(CCT)-1 (式12)
再利用式14计算方差占比VAF(Variance account for):
VAF=1-(||D-SC||2/||D-mean(D)||2) (式14)
(2-5)当步骤(2-4)计算得到的方差占比小于80%时,协同数k增加1,重复步骤(2-1)、(2-2)、(2-4),直到计算得到的方差占比大于或等于80%,对应的协同数k即为最终协同数,在该协同数下计算得到的矩阵S为最终的肌肉协同。
所述肌肉不限,包括上肢肌肉、下肢肌肉等。
本发明中的肌肉协同计算方法基于多元曲线分辨-交替最小二乘,包括纯变量计算、协同初始化矩阵、迭代优化等,首先计算各肌电信号变量的纯度谱,将成分贡献率较高的变量提取出来构建初始化协同矩阵,避免了传统非负矩阵分解法的随机初始化,然后基于初始化协同矩阵,利用交替最小二乘法优化分析结果,使多元曲线分辨的重构数据与原始数据更接近。与现有的非负矩阵分解法提取的肌肉协同相比,具有如下有益效果:
(1)对于非稀疏肌肉协同的提取具有更好的准确性和稳定性;
(2)无需重复运行程序寻找最小残差的分解结果,因此运行速度快于非负矩阵分解法;
(3)利用本发明提取得到的肌肉协同进行人体运动功能分析、评估、预测、控制时可提高相应的准确性与稳定性。
附图说明
图1是本发明实施例1中受试者A的数据矩阵D1经非负矩阵分解法重复计算20多次得到的肌肉协同统计盒须图。
图2是本发明实施例1中受试者A的数据矩阵D1经非负矩阵分解法以及多元曲线分辨-交替最小二乘法重复提取的肌肉协同统计图。
具体实施方式
下面结合实施例与附图对本发明作进一步详细描述,需要指出的是,以下所述实施例旨在便于对本发明的理解,而对其不起任何限定作用。
实施例1:
(1)六名受试者A、B、C、D、E、F(平均年龄28.5岁)进行规定的测试动作:六名受试者(右利手)右手握住测试杆进行折线运动,每名受试者重复该运动六次;运动过程中,利用Trigno Wireless System设备对7块肌肉:三角肌前束、三角肌后束、肱二头肌、肱三头肌、桡侧腕伸肌、肱肌和肱桡肌进行肌电数据采集,采样频率为2kHz。将采集到的7个通道肌电原始数据分别进行20Hz~450Hz的带通滤波、整流、1Hz的低通滤波(取包络线)、归一化等数据预处理,各受试者得到六次运动的数据矩阵D(7×1000)分别为Dn1、Dn2、Dn3、Dn4、Dn5、Dn6,其中n指代A、B、C、D、E或者F。
(2)利用非负矩阵分解法分析受试者A第一次运动得到的数据矩阵DA1,提取肌肉协同。
(3)利用多元曲线分辨-交替最小二乘法分析该数据矩阵DA1,提取肌中肉协同。具体如下:
(3-1)确定第1个纯变量
对于变量j(1≤j≤1000),其平均值μj和均方差σj分别为:
其中,dij是肌电数据矩阵DA1中第i行、第j列的元素;
根据(式1)(式2)计算第1个纯度谱,第1个纯度谱中的第j(1≤j≤1000)个元素为p1,j:
其中,α是矫正参数,其值为5;
在第1个纯度谱中,假设第t1个元素纯度最大,则变量t1(1≤t1≤1000)为第1个纯变量;
(3-2)确定第i(2≤i≤k)个纯变量,
首先利用变量长度λ对肌电数据矩阵DA1进行归一化,肌电变量j的变量长度λj为:
归一化后的肌电数据矩阵DA1(λ)中第i行、第j列元素为:
d(λ)i,j=di,j/λj(式5)
计算COO(Correlation around the origin)矩阵E:
E=(1/m)D(λ)TD(λ) (式6)
根据COO矩阵E,纯变量j的相关行列式为:
其中,t1为第一个纯变量,ω2,j作为权重系数用于计算第2个纯度谱,根据(式1)(式2)(式7)计算第2个纯度谱,第2个纯度谱中的第j(1≤j≤1000)个元素为p2,j:
在第2个纯度谱中,假设第t2个元素值最大,则变量t2(1≤t2≤1000)为第2个纯变量;
以此类推,对于i≥2时,相关行列式表示为:
对于i≥2时,第i(2≤i≤k)个纯度谱中的第j(1≤j≤1000)个元素为pi,j:
在第i个纯度谱中,假设第ti个元素值最大,则变量ti(1≤ti≤1000)为第i个纯变量;
(3-3)假设协同数k=2;
(3-4)从肌电数据矩阵DA1中提取出所有纯变量(t1,t2,…,tk)对应位置的元素,组成初始协同矩阵S(m×k),然后利用交替最小二乘(式11和式12)迭代优化,使目标函数(式13)值最小。收敛条件为:1)迭代次数小于1000次;2)目标函数(残差)迭代变化率小于0.01%。
C=(STS)-1(STD) (式11)
S=(DCT)(CCT)-1 (式12)
再利用式14计算方差占比VAF(Variance account for):
VAF=1-(||D-SC||2/||D-mean(D)||2) (式14)
(3-5)当步骤(3-4)计算得到的方差占比小于80%时,协同数k增加1,重复步骤(3-1)、(3-2)、(3-4),直到计算得到的方差占比大于或等于80%,对应的协同数k即为最终协同数,在该协同数下计算得到的矩阵S为最终的肌肉协同;
经计算,本实施例中,最终协同数k=3。
图1是采集得到的受试者A的同一数据矩阵DA1经步骤(2)中的非负矩阵分解法20次重复计算得到的肌肉协同统计盒须图,可见,3个协同波动范围较大,平均相关系数分别为0.834、0.813、0.739,盒长分别为:0.183、0.180、0.288。
图2中左图是采集得到的受试者A的同一数据矩阵DA1经步骤(2)中的非负矩阵分解法重复计算得到的肌肉协同结构统计图;图2中右图是采集得到的受试者A的同一数据矩阵DA1经步骤(3)多元曲线分辨-交替最小二乘法重复计算得到的肌肉协同结构统计图。由图2可见,利用非负矩阵分解法得到的结果波动性较大,而利用多元曲线分辨交替最小二乘法得到的解具有唯一性,因此稳定性更好。
由于同一个人的肌肉协同是稳定的,因此利用同一受试者不同运动次数间的肌肉协同一致性来评价两种算法。即,进行如下步骤(4)与步骤(5):
(4)利用非负矩阵分解法分别计算六名受试者的六次运动肌电数据矩阵Dn1、Dn2、Dn3、Dn4、Dn5、Dn6,其中n指代A、B、C、D、E或者F,提取肌肉协同,然后取平均值得到一致性相关系数。
(5)利用多元曲线分辨交替最小二乘法分别计算六名受试者的六次运动肌电数据矩阵Dn1、Dn2、Dn3、Dn4、Dn5、Dn6,其中n指代A、B、C、D、E或者F,提取肌肉协同,然后取平均值得到一致性相关系数。
在步骤(4)中,利用非负矩阵分解法计算得到的六名受试者六次运动的一致性相关系数为0.916、0.843、0.784;而在步骤(5)中,利用多元曲线分辨-交替最小二乘法计算得到的六名受试者六次运动的一致性相关系数为0.957,0.903,0.852,可见多元曲线分辨-交替最小二乘法在肌肉协同提取上稳定性更好。
因此,本实施例中,采用多元曲线分辨-交替最小二乘法分析数据矩阵D提取肌肉协同,然后根据肌肉协同分析、评估六名受试者的运动功能。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的具体实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.肌肉协同的提取方法,包括如下步骤:
(1)人体运动过程中采集多块肌肉的表面肌电信号,预处理后得到多通道肌电数据矩阵D(m×n),m为肌电数据的通道数,n为肌电数据的变量数;
(2)通过分析多通道肌电数据矩阵D(m×n),提取肌肉协同;
其特征是:所述的步骤(2)中,采用多元曲线分辨-交替最小二乘法提取肌肉协同,即,针对肌电数据矩阵D(m×n),利用多元曲线分辨-交替最小二乘法对不同协同数下的方差占比进行分析,方差占比大于80%的最小协同数k为最终协同数,2≤k≤m,再利用多元曲线分辨-最小二乘法从肌电数据矩阵D中提取出k个肌肉协同。
2.如权利要求1所述的肌肉协同的提取方法,其特征是:所述步骤(2)包括如下:
(2-1)确定第1个纯变量
对于变量j,1≤j≤n,其平均值μj和均方差σj分别为:
其中,dij是肌电数据矩阵D中第i行、第j列的元素;
根据(式1)(式2)计算第1个纯度谱,第1个纯度谱中的第j(1≤j≤n)个元素为p1,j:
其中,α是矫正参数,对信号噪声有一定的抑制作用,其值为1到5的常数;
在第1个纯度谱中,假设第t1个元素纯度最大,则变量t1(1≤t1≤n)为第1个纯变量;
(2-2)确定第i个纯变量,2≤i≤k
首先利用变量长度λ对肌电数据矩阵D进行归一化,肌电变量j的长度λj为:
归一化后的肌电数据矩阵D(λ)中第i行、第j列元素为:
d(λ)i,j=di,j/λj (式5)
计算COO(Correlation around the origin)矩阵E:
E=(1/m)D(λ)TD(λ) (式6)
根据COO矩阵E,纯变量j的相关行列式为:
其中,t1为第一个纯变量,ω2,j作为权重系数用于计算第2个纯度谱,根据(式1)(式2)(式7)计算第2个纯度谱,第2个纯度谱中的第j个元素为p2,j,1≤j≤n:
在第2个纯度谱中,假设第t2个元素值最大,则变量t2为第2个纯变量,1≤t2≤n;
以此类推,对于i≥2时,相关行列式表示为:
对于i≥2时,第i个纯度谱中的第j个元素为pi,j,2≤i≤k,1≤j≤n:
在第i个纯度谱中,假设第ti个元素值最大,则变量ti为第i个纯变量,1≤ti≤n;
(2-3)假设协同数k=2;
(2-4)从肌电数据矩阵D中提取出所有纯变量(t1,t2,…,tk)对应位置的元素,组成初始协同矩阵S(m×k),然后利用交替最小二乘(式11和式12)迭代优化,使目标函数(式13)值最小,
C=(STS)-1(STD) (式11)
S=(DCT)(CCT)-1 (式12)
再利用式14计算方差占比VAF(Variance account for):
VAF=1-(||D-SC||2/||D-mean(D)||2) (式14)
(2-5)当步骤(2-4)计算得到的方差占比小于80%时,协同数k增加1,重复步骤(2-1)、(2-2)、(2-4),直到计算得到的方差占比大于或等于80%,对应的协同数k即为最终协同数,在该协同数下计算得到的矩阵S为最终的肌肉协同。
3.如权利要求1所述的肌肉协同的提取方法,其特征是:所涉及的肌肉包括上肢肌肉与下肢肌肉。
4.基于肌肉协同的运动功能分析评估方法,其特征是:利用权利要求1、2或3所述的提取方法提取得到的肌肉协同分析评估个体的运动功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010402052.7A CN111543990B (zh) | 2020-05-13 | 2020-05-13 | 肌肉协同的提取方法及基于肌肉协同的运动功能分析评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010402052.7A CN111543990B (zh) | 2020-05-13 | 2020-05-13 | 肌肉协同的提取方法及基于肌肉协同的运动功能分析评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111543990A true CN111543990A (zh) | 2020-08-18 |
CN111543990B CN111543990B (zh) | 2022-11-04 |
Family
ID=72004693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010402052.7A Active CN111543990B (zh) | 2020-05-13 | 2020-05-13 | 肌肉协同的提取方法及基于肌肉协同的运动功能分析评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111543990B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112558757A (zh) * | 2020-11-20 | 2021-03-26 | 中国科学院宁波材料技术与工程研究所慈溪生物医学工程研究所 | 一种基于平滑约束非负矩阵分解的肌肉协同提取方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106067178A (zh) * | 2016-05-30 | 2016-11-02 | 杭州电子科技大学 | 一种基于肌肉协同激活模型的手部关节运动连续估计方法 |
US20180021353A1 (en) * | 2008-12-09 | 2018-01-25 | Metabolic Technologies, Inc. | Nutritional intervention for improving muscular function and strength |
JP2018015405A (ja) * | 2016-07-29 | 2018-02-01 | 日本電信電話株式会社 | 筋活動解析装置、方法およびプログラム |
CN110008836A (zh) * | 2019-03-06 | 2019-07-12 | 华东师范大学 | 一种病理组织切片高光谱图像的特征提取方法 |
CN110309851A (zh) * | 2019-05-16 | 2019-10-08 | 中国科学院西安光学精密机械研究所 | 基于子空间聚类约束的高光谱影像解混方法、计算机可读存储介质、电子设备 |
-
2020
- 2020-05-13 CN CN202010402052.7A patent/CN111543990B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180021353A1 (en) * | 2008-12-09 | 2018-01-25 | Metabolic Technologies, Inc. | Nutritional intervention for improving muscular function and strength |
CN106067178A (zh) * | 2016-05-30 | 2016-11-02 | 杭州电子科技大学 | 一种基于肌肉协同激活模型的手部关节运动连续估计方法 |
JP2018015405A (ja) * | 2016-07-29 | 2018-02-01 | 日本電信電話株式会社 | 筋活動解析装置、方法およびプログラム |
CN110008836A (zh) * | 2019-03-06 | 2019-07-12 | 华东师范大学 | 一种病理组织切片高光谱图像的特征提取方法 |
CN110309851A (zh) * | 2019-05-16 | 2019-10-08 | 中国科学院西安光学精密机械研究所 | 基于子空间聚类约束的高光谱影像解混方法、计算机可读存储介质、电子设备 |
Non-Patent Citations (3)
Title |
---|
M. ŠAVC等: "Comparison of non-negative matrix factorization and convolution kernel compensation in surface electromyograms of forearm muscles", 《2017 10TH INTERNATIONAL CONGRESS ON IMAGE AND SIGNAL PROCESSING, BIOMEDICAL ENGINEERING AND INFORMATICS (CISP-BMEI)》 * |
何勇等: "训练轨迹对上肢肌肉协同的影响", 《北京生物医学工程》 * |
王嘉津等: "腕功能康复机器人按需辅助控制策略研究", 《生物医学工程杂志》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112558757A (zh) * | 2020-11-20 | 2021-03-26 | 中国科学院宁波材料技术与工程研究所慈溪生物医学工程研究所 | 一种基于平滑约束非负矩阵分解的肌肉协同提取方法 |
CN112558757B (zh) * | 2020-11-20 | 2022-08-23 | 中国科学院宁波材料技术与工程研究所慈溪生物医学工程研究所 | 一种基于平滑约束非负矩阵分解的肌肉协同提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111543990B (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104091172B (zh) | 一种运动想象脑电信号的特征提取方法 | |
CN110238863B (zh) | 基于脑电-肌电信号的下肢康复机器人控制方法及系统 | |
Subasi | Classification of EMG signals using combined features and soft computing techniques | |
CN105997064A (zh) | 一种用于人体下肢表面肌电信号的辨识方法 | |
CN107951496A (zh) | 基于多尺度熵分析心身关联性的方法及系统 | |
CN111931606B (zh) | 基于混合Copula互信息的肌间耦合分析方法 | |
AlOmari et al. | Analysis of extracted forearm sEMG signal using LDA, QDA, K-NN classification algorithms | |
CN110638444A (zh) | 基于MEMD-rTVgPDC的皮层肌肉耦合分析方法 | |
CN111904416A (zh) | 肌肉疲劳检测方法、计算机设备以及存储介质 | |
Meng et al. | Evaluation of decomposition parameters for high-density surface electromyogram using fast independent component analysis algorithm | |
CN111708978A (zh) | 多尺度时频肌间耦合分析方法 | |
CN111543990B (zh) | 肌肉协同的提取方法及基于肌肉协同的运动功能分析评估方法 | |
CN115211858A (zh) | 一种基于深度学习的情绪识别方法、系统及可存储介质 | |
CN115881308A (zh) | 基于时空联合检测的心脏疾病分类模型构建方法 | |
CN117153379B (zh) | 一种胸廓出口综合征的预测装置 | |
Wahyunggoro et al. | DWT analysis of sEMG for muscle fatigue assessment of dynamic motion flexion-extension of elbow joint | |
CN117504133A (zh) | 肌电自适应刺激方法和系统 | |
CN112307996A (zh) | 一种指尖心电身份识别装置及方法 | |
Dao et al. | Quantitative comparison of EEG compressed sensing using Gabor and K-SVD dictionaries | |
CN114041801A (zh) | 基于psa-ewt和dcgan的心电信号重构方法及重构系统 | |
Zhang et al. | Identification and Analysis of Limb Rehabilitation Signal Based on Wavelet Transform. | |
Du et al. | The effect of combining stationary wavelet transform and independent component analysis in the multichannel SEMGs hand motion identification system | |
CN112558757B (zh) | 一种基于平滑约束非负矩阵分解的肌肉协同提取方法 | |
Ruan et al. | Convolutional neural network based human movement recognition using surface electromyography | |
Sidek | Cardioid graph based ECG biometric using compressed QRS complex |
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 |