CN111803099A - 基于径向基神经网络的人体上肢肌肉力预测装置及方法 - Google Patents
基于径向基神经网络的人体上肢肌肉力预测装置及方法 Download PDFInfo
- Publication number
- CN111803099A CN111803099A CN202010702763.6A CN202010702763A CN111803099A CN 111803099 A CN111803099 A CN 111803099A CN 202010702763 A CN202010702763 A CN 202010702763A CN 111803099 A CN111803099 A CN 111803099A
- Authority
- CN
- China
- Prior art keywords
- muscle
- muscle force
- upper limb
- neural network
- data
- 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.)
- Pending
Links
- 210000003205 muscle Anatomy 0.000 title claims abstract description 133
- 241000282414 Homo sapiens Species 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 52
- 210000001364 upper extremity Anatomy 0.000 title claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 42
- 230000033001 locomotion Effects 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000003183 myoelectrical effect Effects 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 10
- QBWCMBCROVPCKQ-UHFFFAOYSA-N chlorous acid Chemical compound OCl=O QBWCMBCROVPCKQ-UHFFFAOYSA-N 0.000 claims abstract description 4
- 210000002310 elbow joint Anatomy 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 210000000142 acromioclavicular joint Anatomy 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 210000002320 radius Anatomy 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 210000003010 carpal bone Anatomy 0.000 claims description 2
- 210000003109 clavicle Anatomy 0.000 claims description 2
- 238000004891 communication Methods 0.000 claims description 2
- 210000000245 forearm Anatomy 0.000 claims description 2
- 210000002758 humerus Anatomy 0.000 claims description 2
- 210000001991 scapula Anatomy 0.000 claims description 2
- 210000001898 sternoclavicular joint Anatomy 0.000 claims description 2
- 210000001562 sternum Anatomy 0.000 claims description 2
- 210000000115 thoracic cavity Anatomy 0.000 claims description 2
- 210000000623 ulna Anatomy 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims 1
- 210000000988 bone and bone Anatomy 0.000 abstract 1
- 230000006870 function Effects 0.000 description 26
- 238000005259 measurement Methods 0.000 description 9
- 230000009471 action Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000001727 in vivo Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 208000029549 Muscle injury Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003387 muscular Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000000323 shoulder joint Anatomy 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 210000002027 skeletal muscle Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 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
- A61B5/22—Ergometry; Measuring muscular strength or the force of a muscular blow
- A61B5/224—Measuring muscular strength
- A61B5/227—Measuring muscular strength of constricting muscles, i.e. sphincters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
- A61B5/1071—Measuring physical dimensions, e.g. size of the entire body or parts thereof measuring angles, e.g. using goniometers
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- Physical Education & Sports Medicine (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Fuzzy Systems (AREA)
- Dentistry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于径向基神经网络的人体肌肉力预测装置及方法,人体上肢肌肉力预测装置指肌电信号和关节角检测处理装置,其包括表面肌电信号传感器、磁敏角度传感器和信号预处理单元。预测方法包括肌肉力训练及预测流程,其包括基于径向基神经网络的表面肌电信号特征值、关节角和肌肉力的训练和肌肉力预测流程;通过vicon动作捕捉系统采集所需的运动轨迹数据,基于开源软件Opensim的上肢肌骨模型采用采集的运动轨迹数据计算所要预测的肌肉力,在采集运动数据的同时基于本发明的肌电信号和关节角检测装置同时获得运动过程中上肢肌肉的肌电信号和关节角数据,之后基于本发明的基于径向基神经网络的人体上肢肌肉力预测方法进行肌肉力训练和预测。
Description
技术领域
本发明涉及生物力学领域,更具体地,涉及基于径向基神经网络的人体上肢肌肉力预测装置及方法。
背景技术
肌肉是人类日常生产生活的动力来源,肌肉力的测定在很多研究领域具有重要意义,如类人机器人的设计制造必须通过对肌肉系统的仿真模拟实现类人运动。在人体康复医学领域中对病人的肌肉力进行测定可以了解肌肉损伤状况,康复医学中设计康复器械需要对肌肉力进行测定以实现较好的康复效果。体育竞技运动中为了提高运动员的成绩往往要对运动员在运动中肌肉力的变化做详细的测量和分析。因此肌肉力的测定具有广泛的应用和意义。
肌肉力及肌肉力学性能参数的测量在人体康复和人体肌肉评估方面有很重要的作用。公开号为CN 107050828 A的中国专利“一种基于肌肉质量测定的智能化力量训练方法”使用肌肉质量测定的智能化力量训练器械,通过等速向心运动获得人各部位的最大力量,通过生物电阻抗方法获得人体各部位的肌肉量,通过肌肉质量的评估模型,获得人体各部位和全身的肌肉质量评价结果,并根据肌肉质量的测定情况,给出可在设备中执行的力量训练方案,并对训练结果进行评估。该发明可以广泛应用于人体肌肉质量测评,用来评估人体肌肉衰老情况,然而该发明获得了向心运动中的最大力量却未能获得运动过程中的肌肉力量变化,该发明便携性较差,不能用于测定户外运动中的人体肌肉力。公开号为CN106264573 A的中国专利“一种便携式肌肉力学参数及肌肉力在体超声检测装置及方法”采用超声波检测装置对在体人或动物的肌肉进行超声波信号采集,即时对检测信号进行智能分析处理,并提取与肌肉力相关的多个特征参数进行分别成像,结合传统B扫描图像,实现对单块肌肉力学性能参数及肌肉力的测量和定量显示,根据肌肉预设阀值预测肌肉健康状态并对应发出报警提示。该发明的超声波检测装置能较好的测得肌肉力学性能和肌肉力,但由于超声检测设备较难直接固定在人体肌肉上,因此无法实现某些室外运动中的人体肌肉力的实时检测,同时该设备可移植性较差,不能结合某些康复器械使用。文献(Yu M,LiG,Jiang D,et al.Application of PSO-RBF neural network in gesture recognitionof continuous surface EMG signals[J]. Journal of Intelligent&Fuzzy Systems,2019(Preprint):1-12.)使用径向基神经网络和表面肌电信号对手势进行预测,本发明将使用表面肌电信号的肌电特征值、连续的关节角度值实现肌肉力的预测。
目前肌肉力的测定方法主要以检测、测量为主,而鲜有基于骨骼肌肉模型的肌肉力计算和预测系统。
目前随着计算机技术的发展,通过一些生物力学开源软件如Opensim中的虚拟肌肉骨骼模型可以计算得到肌肉力,这为肌肉力的预测提供了极大的便利。
发明内容
为了实现人体上肢肌肉力的预测,本发明提出了基于径向基神经网络的肌肉力预测装置及方法,装置和方法的特点是便携性,可以实现肌肉力的实时预测,可移植性较好,可以移植到其他设备,如康复机器人,以实现较好的康复效果。
本发明的人体上肢肌肉力预测装置是由表面肌电信号传感器、磁敏角度传感器、信号预处理单元组成。人体上肢肌肉力预测方法包括肌肉力预测模型的训练流程、肌肉力预测模型的预测流程。
第一方面,本发明提供基于径向基神经网络的人体上肢肌肉力预测装置,其特征在于:是由表面肌电信号传感器(1)、磁敏角度传感器(2)、信号预处理单元(3)组成。
所述的表面肌电信号传感器(1)由电极和蓝牙传感器组成。
所述的表面肌电信号传感器(1)通过蓝牙通信与信号预处理单元(3)连接。
所述的磁敏角度传感器(2)通过蓝牙与信号预处理单元连接。
所述的信号预处理单元(3)主要完成肌电信号的滤波、降噪和特征值提取及关节角数据的降噪滤波。
所述的信号预处理单元(3)为嵌入式系统,对采集的信号进行滤波、降噪和特征提取。
第二方面,本发明提供基于径向基神经网络的人体上肢肌肉力预测方法,该方法包含训练流程和预测流程。训练流程的数据来源于本发明的人体上肢肌肉力预测装置采集和处理得到的上肢肌电信号特征值和vicon运动捕捉系统采集的运动轨迹数据及基于Opensim人体上肢肌肉骨骼模型计算所得的肌肉力,关节角数据。设置径向基神经网络的参数,包括节点数和学习率。将肌电信号特征值、关节角作为神经网络的输入数据,肌肉力作为输出数据导入径向基神经网络中进行训练。预测流程的数据来源于本发明的人体上肢肌肉力预测装置采集和处理得到的上肢肌电信号特征值和关节角数据。将肌电信号特征值、关节角作为神经网络的输入数据导入径向基神经网络中进行训练,即可得到肌肉力作为输出数据,实现肌肉力的预测。
基于径向基神经网络的人体上肢肌肉力预测方法实施步骤如下:
步骤1)在手臂上放置Mark点,以肘屈伸动作为例,Mark点的运动要能反映出肘屈伸动作,使用运动捕捉系统获得待预测者肘关节屈伸运动轨迹数据,使用本发明的人体上肢肌肉力预测装置采集和处理得到在肘关节屈伸过程中的肌电信号,肌电信号经过信号预处理单元得到肌电特征值数据。
步骤2)使用步骤1)中的肘关节屈伸运动轨迹数据结合开源软件Opensim中上肢肌肉骨骼模型计算相关肌肉的肌肉力及关节角。
步骤3)肌肉力训练流程,使用肌电信号的特征值(特征值包括肌电积分值、均方根值和波长)、肘关节角度值和肌肉力值作为数据训练径向基神经网络。
步骤4)肌肉力预测流程,使用肌电信号和关节角检测处理装置采集的肌电信号来预测上肢肌肉力。将肌电信号特征值、关节角作为神经网络的输入数据导入径向基神经网络中进行预测,即可得到肌肉力作为输出数据,实现肌肉力的预测。
进一步的本发明的基于径向基神经网络的人体上肢肌肉力预测方法,步骤1)中手臂的 Mark点位于两侧肩膀,肘关节两侧的旋转中心和桡骨末端的两侧(靠近腕骨),共6个Mark 点。
进一步的本发明的基于径向基神经网络的人体上肢肌肉力预测方法,步骤2)中的肌肉骨骼模型为右上肢模型,该模型由7个身体部分(胸骨、锁骨、肩胛骨、肱骨、尺骨、桡骨和手) 和17个自由度(胸锁关节、肩锁关节和肩锁关节的3个正交铰链,胸椎关节的3个平动自由度和转动自由度以及肘关节的屈伸和前臂旋后)组成。
进一步的本发明的基于径向基神经网络的人体上肢肌肉力预测方法,步骤3)中肌电信号特征值中的肌电积分值计算如下:
进一步的本发明的基于径向基神经网络的人体上肢肌肉力预测方法,步骤3)中肌电信号特征值中的均方根值计算方法如下:
进一步的本发明的基于径向基神经网络的人体上肢肌肉力预测方法,步骤3)中肌电信号特征值中的波长计算方法如下:
进一步的本发明的基于径向基神经网络的人体上肢肌肉力预测方法,步骤3)中的径向基神经网络的激活函数如下:
进一步的本发明的基于径向基神经网络的人体上肢肌肉力预测方法,步骤3)中的径向基神经网络的输出如下:
进一步的本发明的基于径向基神经网络的人体上肢肌肉力预测方法,步骤3)中训练流程的数据来源于本发明的人体上肢肌肉力预测装置采集和处理得到的上肢肌电信号特征值和 vicon运动捕捉系统采集的运动轨迹数据及基于Opensim人体上肢肌肉骨骼模型计算所得的肌肉力。
进一步的本发明的基于径向基神经网络的人体上肢肌肉力预测方法,步骤4)中肌电信号和关节角数据使用本发明提供的一种人体上肢肌肉力预测装置采集和处理,经过预处理单元处理后可以得到肌电信号特征值和关节角。径向基神经网络使用肌电信号特征值(肌电积分值、均方根值和波长)、肘关节角等数据实现人体上肢肌肉力的预测。
本发明的有益效果:
(1)本发明的人体上肢肌肉力预测装置和方法可以实现室外运动状态下的肌肉力预测,便携性较好。
(2)本发明的人体上肢肌肉力预测装置具有较好的移植性,例如可以与一些康复器械结合使用。
(3)本发明的肌肉力计算基于肌肉骨骼模型,肌肉力预测采用神经网络模型,准确性较高。
(4)本发明的肌肉力预测模型经过了事先训练,结合本发明的人体上肢肌肉力预测装置可以实现实时预测,并可同时记录运动过程中的关节角度和肌电信号。
附图说明
图1为本发明的流程图;
图2为本发明一组训练数据(原始数据);
图3为本发明一组预测肌肉力与肌肉骨胳模型计算的肌肉力(真实值)对比。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本发明进行进一步详细说明。以下具体实施例用于说明本发明,但不能用来限制本发明的范围。
图1为基于径向基神经网络的人体上肢肌肉力预测系统工作流程图。以右手肱桡肌的肌肉力预测为例本方法的实施步骤如下:
接好肌电传感器,传感器贴于肱桡肌肌腹。在两侧肩膀关节上,右手肘关节两侧旋转中心,手关节内侧的两侧放置Mark点,共6个Mark点,手臂均匀地做肘屈伸动作,使用摄像设备和肌电采集装置记录3个完整的肘屈伸动作周期的Mark点轨迹和肌电信号。
运动轨迹经Opensim的逆运动学和静态优化步骤可计算出肘关节运动数据和肱桡肌肌肉力数据。计算出的肘关节角、肱桡肌肌肉力和肌电信号如图2所示,将其作为一组训练数据。
使用肌肉力预测系统对一个完整周期的肘关节角、肱桡肌肌肉力、肌电特征值进行训练,训练使用了300样本,50个样本作为测试集,其中径向基神经网络的隐藏层节点数为30,学习率为0.1。
接好肌电传感器和关节角检测装置,做几组肘屈伸动作,记录肌电信号及关节数据,可通过肌肉力预测系统实时显示出肱桡肌肌肉力。肌肉力预测系统预测一个完整周期的肌肉力,共363组特征值,如图3所示,所预测肌肉力的最大误差为3.44%,预测效果良好。
Claims (2)
1.一种基于径向基神经网络的人体上肢肌肉力预测装置,其特征在于:由表面肌电信号传感器(1)、磁敏角度传感器(2)、信号预处理单元(3)组成;
所述的表面肌电信号传感器(1)由电极和蓝牙传感器组成;
所述的表面肌电信号传感器(1)通过蓝牙通信与信号预处理单元(3)连接;
所述的磁敏角度传感器(2)通过蓝牙与信号预处理单元连接;
所述的信号预处理单元(3)主要完成肌电信号的滤波、降噪和特征值提取及关节角数据的降噪滤波;
所述的信号预处理单元(3)为嵌入式系统,对采集的信号进行滤波、降噪和特征提取。
2.一种基于径向基神经网络的人体上肢肌肉力预测方法,其特征在于,包括肌肉力预测模型的训练流程、肌肉力预测模型的预测流程,包括以下步骤:
步骤1)在手臂上放置Mark点,以肘屈伸动作为例,Mark点的运动要能反映出肘屈伸动作,使用运动捕捉系统获得待预测者肘关节屈伸运动轨迹数据,使用人体上肢肌肉力预测装置采集和处理得到在肘关节屈伸过程中的肌电信号,肌电信号经过信号预处理单元得到肌电特征值数据;
步骤2)使用步骤1)中的肘关节屈伸运动轨迹数据结合开源软件Opensim中上肢肌肉骨骼模型计算相关肌肉的肌肉力及关节角;
步骤3)肌肉力训练流程,使用肌电信号的特征值(特征值包括肌电积分值、均方根值和波长)、肘关节角度值和肌肉力值作为数据训练径向基神经网络;
步骤4)肌肉力预测流程,使用肌电信号和关节角检测处理装置采集的肌电信号来预测上肢肌肉力;将肌电信号特征值、关节角作为神经网络的输入数据导入径向基神经网络中进行计算,即可得到肌肉力作为输出数据,实现肌肉力的预测;
所述步骤1)中手臂的Mark点位于两侧肩膀,肘关节两侧的旋转中心和桡骨末端的两侧(靠近腕骨);
所述步骤2)中的肌肉骨骼模型为右上肢模型,该模型由7个身体部分(胸骨、锁骨、肩胛骨、肱骨、尺骨、桡骨和手)和17个自由度(胸锁关节、肩锁关节和肩锁关节的3个正交铰链,胸椎关节的3个平动自由度和转动自由度以及肘关节的屈伸和前臂旋后)组成;
所述步骤3)中肌电信号特征值中的肌电积分值计算如下:
所述步骤3)中肌电信号特征值中的均方根值计算方法如下:
所述步骤3)中肌电信号特征值中的波长计算方法如下:
所述步骤3)中的径向基神经网络的激活函数如下:
所述步骤3)中的径向基神经网络的输出如下:
所述步骤3)中训练流程的数据来源于本发明的人体上肢肌肉力预测装置采集和处理得到的上肢肌电信号特征值和vicon运动捕捉系统采集的运动轨迹数据及基于Opensim人体上肢肌肉骨骼模型计算所得的肌肉力;
所述步骤4)中肌电信号和关节角数据使用人体上肢肌肉力预测装置采集和处理,经过预处理单元处理后可以得到肌电信号特征值和关节角;径向基神经网络使用肌电信号特征值(肌电积分值、均方根值和波长)、肘关节角等数据实现人体上肢肌肉力的预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010702763.6A CN111803099A (zh) | 2020-07-21 | 2020-07-21 | 基于径向基神经网络的人体上肢肌肉力预测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010702763.6A CN111803099A (zh) | 2020-07-21 | 2020-07-21 | 基于径向基神经网络的人体上肢肌肉力预测装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111803099A true CN111803099A (zh) | 2020-10-23 |
Family
ID=72865016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010702763.6A Pending CN111803099A (zh) | 2020-07-21 | 2020-07-21 | 基于径向基神经网络的人体上肢肌肉力预测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111803099A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112504188A (zh) * | 2020-11-19 | 2021-03-16 | 东风汽车集团有限公司 | 一种生成人体模型的方法和测量人体尺寸的装置 |
CN112754505A (zh) * | 2020-12-29 | 2021-05-07 | 深圳市联影高端医疗装备创新研究院 | 一种肌肉老化程度检测方法、装置及系统 |
CN113049795A (zh) * | 2021-03-10 | 2021-06-29 | 上海逸动医学科技有限公司 | 一种用于膝关节标本的多种功能测试方法 |
CN114504322A (zh) * | 2022-01-27 | 2022-05-17 | 北京体育大学 | 一种下肢肌力的训练效果预测方法、系统、存储介质 |
CN114733160A (zh) * | 2022-04-14 | 2022-07-12 | 福州大学 | 一种基于肌电信号的肌力训练设备控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103417218A (zh) * | 2013-08-27 | 2013-12-04 | 中山大学附属第一医院 | 一种上肢运动的参数采集评估系统及方法 |
CN104200076A (zh) * | 2014-08-19 | 2014-12-10 | 钟亚平 | 一种运动员运动损伤风险预警方法 |
CN107397649A (zh) * | 2017-08-10 | 2017-11-28 | 燕山大学 | 一种基于径向基神经网络的上肢外骨骼康复机器人控制方法 |
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 |
-
2020
- 2020-07-21 CN CN202010702763.6A patent/CN111803099A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103417218A (zh) * | 2013-08-27 | 2013-12-04 | 中山大学附属第一医院 | 一种上肢运动的参数采集评估系统及方法 |
CN104200076A (zh) * | 2014-08-19 | 2014-12-10 | 钟亚平 | 一种运动员运动损伤风险预警方法 |
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 |
CN107397649A (zh) * | 2017-08-10 | 2017-11-28 | 燕山大学 | 一种基于径向基神经网络的上肢外骨骼康复机器人控制方法 |
Non-Patent Citations (1)
Title |
---|
张晋铭: "基于肌电信号和肌骨模型的肌力预测方法及其应用研究", 《优秀硕士学位论文全文库(电子期刊) 医药卫生科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112504188A (zh) * | 2020-11-19 | 2021-03-16 | 东风汽车集团有限公司 | 一种生成人体模型的方法和测量人体尺寸的装置 |
CN112754505A (zh) * | 2020-12-29 | 2021-05-07 | 深圳市联影高端医疗装备创新研究院 | 一种肌肉老化程度检测方法、装置及系统 |
CN113049795A (zh) * | 2021-03-10 | 2021-06-29 | 上海逸动医学科技有限公司 | 一种用于膝关节标本的多种功能测试方法 |
CN114504322A (zh) * | 2022-01-27 | 2022-05-17 | 北京体育大学 | 一种下肢肌力的训练效果预测方法、系统、存储介质 |
CN114504322B (zh) * | 2022-01-27 | 2023-10-27 | 北京体育大学 | 一种下肢肌力的训练效果预测方法、系统、存储介质 |
CN114733160A (zh) * | 2022-04-14 | 2022-07-12 | 福州大学 | 一种基于肌电信号的肌力训练设备控制方法 |
CN114733160B (zh) * | 2022-04-14 | 2022-10-18 | 福州大学 | 一种基于肌电信号的肌力训练设备控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111803099A (zh) | 基于径向基神经网络的人体上肢肌肉力预测装置及方法 | |
CN109222969A (zh) | 一种基于多传感器数据融合的可穿戴式人体上肢肌肉运动疲劳检测及训练系统 | |
CN103417218A (zh) | 一种上肢运动的参数采集评估系统及方法 | |
US20090118649A1 (en) | Apparatus and Method for Evaluating a Hypertonic Condition | |
Liu et al. | Lower extremity joint torque predicted by using artificial neural network during vertical jump | |
CN107951487A (zh) | 一种辅助握力球康复训练的多参数采集系统 | |
CN112057040B (zh) | 一种上肢运动功能康复评价方法 | |
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 | |
CN107822629B (zh) | 四肢表面肌电轴的检测方法 | |
CN109480838A (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 | |
Zhang et al. | A novel HD-sEMG preprocessing method integrating muscle activation heterogeneity analysis and kurtosis-guided filtering for high-accuracy joint force estimation | |
Ai et al. | Advanced rehabilitative technology: neural interfaces and devices | |
Saggio et al. | Sensory systems for human body gesture recognition and motion capture | |
Hidayat et al. | LOVETT scalling with MYO armband for monitoring finger muscles therapy of post-stroke people | |
Qiu et al. | Sonomyography analysis on thickness of skeletal muscle during dynamic contraction induced by neuromuscular electrical stimulation: a pilot study | |
Su et al. | Ankle joint torque prediction based on surface Electromyographic and angular velocity signals | |
Yang et al. | Wrist movement detection for prosthesis control using surface EMG and triaxial accelerometer | |
Yang et al. | Design of the human surface electromyogra signal acquisition system and signal analysis | |
Howard | The application of data analysis methods for surface electromyography in shot putting and sprinting | |
Murgia et al. | A portable device for the clinical assessment of upper limb motion and muscle synergies | |
Chuanling et al. | Monitoring Muscle Fatigue Based on Characteristics of Muscle Thickness Measured by Fabric Strain Sensors. | |
Chen et al. | The classification of surface electromyographic for ankle eversion and inversion based on cerebellar model neural networks | |
CN112580587A (zh) | 基于振动噪声信号的骨关节受损信息评估系统及评估方法 | |
Ghazal et al. | Assessment of motion quality using an iot-based wearable and mobile joint flexion sensors | |
Sidek et al. | Measurement system to study the relationship between forearm EMG signals and wrist position at varied hand grip force |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201023 |