CN111820901B - 一种基于脑肌电信号的步态识别方法 - Google Patents

一种基于脑肌电信号的步态识别方法 Download PDF

Info

Publication number
CN111820901B
CN111820901B CN202010606182.2A CN202010606182A CN111820901B CN 111820901 B CN111820901 B CN 111820901B CN 202010606182 A CN202010606182 A CN 202010606182A CN 111820901 B CN111820901 B CN 111820901B
Authority
CN
China
Prior art keywords
gait
signals
vector group
characteristic vector
phase
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
CN202010606182.2A
Other languages
English (en)
Other versions
CN111820901A (zh
Inventor
张进华
魏鹏娜
洪军
杨宇寒
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong 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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202010606182.2A priority Critical patent/CN111820901B/zh
Publication of CN111820901A publication Critical patent/CN111820901A/zh
Application granted granted Critical
Publication of CN111820901B publication Critical patent/CN111820901B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/112—Gait analysis

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Dentistry (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Physiology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (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脑肌电信号的步态识别方法，对一个步态周期的标定更加精细，更加接近人类真实步态。对下肢关键关节的运动轨迹进行同步采集，实现对连续下肢运动的精细划分，从而准确还原真实的步态过程。采用EEG和EMG信号相结合的方式，获取了更多的步态信息，提高了步态识别准确率。运动指令先在大脑中产生，因此，EEG信号也可以用于运动意图的识别，EEG信号的加入，完善了下肢的运动信息，进而提高下肢步态识别准确率。

Description

一种基于脑肌电信号的步态识别方法
【技术领域】
本发明属于步态识别方法，具体涉及一种基于脑肌电信号的步态识别方法。
【背景技术】
步态具有周期性和连续性，人类的一个步态周期一般可以分为支撑期和摆动期，其中支撑期又可细分为承重反应期、支撑中期和支撑末期，摆动期可分为预摆动期、摆动初期、摆动中期和摆动末期。对步态进行识别是下肢康复的首要工作，一般是先采集足底压力、关节角度、下肢肌电(Electromyography,EMG)和脑电(Electroencephalogram,EEG)等信息，对所采集的信息进行预处理，再对肌电信号和脑电信号进行特征分析和解码，最大限度的对每个步态周期的精细相位进行识别。
目前利用EMG信号对步态进行识别的技术已经非常成熟，比如Ziegler等人发表的《Classification of Gait Phases Based on Bilateral EMG Data Using SupportVector Machines》中提出，提取双腿肌肉对的EMG信号特征，用支持向量机(SupportVectorMachines，SVM)实现对支撑期和摆动期的识别，最高识别率可达96％。高发荣等人在《基于遗传算法优化支持向量机的肌电信号步态识别方法》中，利用遗传算法对SVM的惩罚参数和核函数参数进行优化，提高SVM对基于EMG信号的步态识别效果，实现对下肢支撑前期、支撑中期、支撑后期、摆动前期和摆动后期五个相位的识别。虽然上述文献中提出的方法实现了步态识别，但是，一方面，其并不能实现对精细步态的识别，另一方面，当肌肉出现疲劳时，EMG信号并不能实现对步态的准确识别。
大脑皮层的EEG信号先于运动产生，因此EEG信号可以用于人体运动意图识别，比如Chowdhury等在《An EEG-EMG correlation-based brain-computer interface forhand orthosis supported neuro-rehabilitation》中提到，提取了基于EEG-EMG之间的限带功率时间过程的相关性特征，令16名健康个体和8名偏瘫患者参与了一项基于脑机接口(Brain Computer Interface,BCI)的手部矫形触发任务，以测试该方法的性能，实验结果表明，EEG-EMG之间的限带功率时间过程的相关性特征驱动BCI系统的效果更佳。Tryon等人在《Performance Evaluation of EEG/EMG Fusion Methods for MotionClassification》中分别利用EMG、EMG与EEG融合方法，对不同肘部屈伸运动进行识别，同时改变肘部运动速度、重量和肌肉疲劳等参数，实验结果表明，EMG与EEG融合方法识别结果比EMG方法识别效果更好，此外，EMG与EEG融合方法识别结果受运动参数的影响较小，结果较稳定。
然而，在下肢运动识别中很少有研究者应用EMG与EEG融合方法，尤其在步态识别中，EMG与EEG融合方法是否能像在上肢中一样，提高识别准确率，并得到不受运动参数影响的识别结果，对步态识别将来在康复中的应用至关重要。
【发明内容】
本发明为解决步态识别时，采用EMG信号无法实现精细步态识别，且肌肉疲劳时识别准确性会降低，而EMG与EEG融合方法虽在上肢运动识别中效果更佳，但缺少应用于下肢运动识别研究依据的技术问题，提供一种基于脑肌电信号的步态识别方法。
为达到上述目的，本发明采用以下技术方案予以实现：
一种基于脑肌电信号的步态识别方法，包括以下步骤：
S1，采集待测对象的下肢关节运动轨迹、双腿运动肌肉群的表面EMG信号、以及EEG信号；
S2，利用经步骤S1进行重采样预处理后的下肢关节运动轨迹进行步态划分和标定，同时，对双腿运动肌肉群的表面EMG信号和EEG信号进行同步的步态划分和标定；
S3，分别提取双腿运动肌肉群的表面EMG信号和EEG信号经步骤S2进行步态划分后各相位的时域斜率变化特征，以及双腿运动肌肉群的表面EMG信号经步骤S2进行步态划分后各相位的平均功率频率特征；
S4，对双腿运动肌肉群的表面EMG信号对应各相位的时域斜率变化特征和平均功率频率特征进行组合，得到第一特征向量组；对EEG信号对应各相位的时域斜率变化特征、双腿运动肌肉群的表面EMG信号对应各相位的时域斜率变化特征和平均功率频率特征进行组合，得到第二特征向量组；
S5，利用第一特征向量组和第二特征向量组进行精细步态识别。
本发明进一步的改进在于：
所述步骤S1和所述步骤S2之间还包括步骤S1-2，对步骤S1所采集的下肢关节运动轨迹、双腿运动肌肉群的表面EMG信号、以及EEG信号进行重采样预处理。
所述步骤S1-2具体为，对EEG信号进行重参考、带通滤波、眼电独立成分去除和运动伪迹去除；对双腿运动肌肉群的表面EMG信号进行带通滤波和小波去燥；对下肢关节运动轨迹进行计算处理。
步骤S2中，所述步态划分具体是将一个步态周期划分为承重反应期、支撑中期、支撑末期、预摆动期、摆动初期、摆动中期和摆动末期七个相位。
所述步骤S5具体为：
S5.1，利用第一特征向量组和第二特征向量组建立七分类步态识别模型；
S5.2，将第一特征向量组和第二特征向量组的70％输入所述七分类步态识别模型进行训练；
S5.3，将第一特征向量组和第二特征向量组的剩余30％输入所述七分类步态识别模型，测试训练得到七分类步态识别模型的识别效果；
所述步骤S5.1具体为，对经步骤S2进行步态划分的相位分别设定不同的标签，利用第一特征向量组和第二特征向量组，分别在MATLAB中利用LIBSVM工具箱建立七分类步态识别模型；
步骤S5.3中，所述测试训练具体是在MATLAB中利用LIBSVM工具箱进行测试训练。
步骤S1-2中，所述重采样预处理的频率为1000Hz。
与现有技术相比，本发明具有以下有益效果：
本发明基于脑肌电信号的步态识别方法，对一个步态周期的标定更加精细，更加接近人类真实步态。对下肢关键关节的运动轨迹进行同步采集，实现对连续下肢运动的精细划分，从而准确还原真实的步态过程。采用EEG和EMG信号相结合的方式，获取了更多的步态信息，提高了步态识别准确率。运动指令先在大脑中产生，因此，EEG信号也可以用于运动意图的识别，EEG信号的加入，完善了下肢的运动信息，进而提高下肢步态识别准确率。
【附图说明】
为了更清楚的说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明步态识别的实施流程图；
图2为连续步态划分为单个周期的示意图，其中第三个子图为右脚跟z坐标方向的运动轨迹；
图3为一个步态周期划分为七个步态相位的示意图，Rheez表示右脚跟z方向的位移，Rtoez表示右脚趾z方向的位移，Lheez表示左脚跟z方向的位移，Rheey表示右脚跟y方向的位移，Lheey表示左脚跟y方向的位移；
图4为步态识别结果，其中黑色柱子的为采用EMG的SSC和MPF特征的识别结果，灰色柱子为采用EMG的SSC和MPF特征并结合EEG的SSC特征的识别结果，(a)、(b)和(c)分别为不同运动速度下的识别结果。
【具体实施方式】
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明实施例的描述中，需要说明的是，若出现术语“上”、“下”、“水平”、“内”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
此外，若出现术语“水平”，并不表示要求部件绝对水平，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
在本发明实施例的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合附图对本发明做进一步详细描述：
参见图1，本发明基于脑肌电信号的步态识别方法，具体包括以下步骤：
步骤一，采集实验对象三种不同运动速度下(1.4km/h，2.0km/h，2.6km/h)的EEG、运动相关肌肉群表面EMG信号和关节运动轨迹数据。
选取与下肢步态最相关的肌肉进行标定，采集其表面EMG信号，本发明中所采用的肌肉通道包括左右腿的肱二头肌、股内侧肌、腓肠肌和胫骨前肌，采集22个通道EEG信号、一个通道眼电信号，采集设备采用的是Brain Products公司的脑肌电同步采集32Ch LiveAmp脑电帽和无线LiveAmp放大器。将VICON T40S设备和无线LiveAmp放大器进行同步，利用VICON T40S采集下肢16个关节的运动轨迹，这些关节包括：左、右腿的髂前上棘(AnteriorSuperior iliac)、髂后上棘(Posterior Superior iliac)、大腿(Thigh)、膝关节(Knee)、胫骨(Tibia)、踝关节(Ankle)、脚后跟(Heel)、脚趾(Toe)。其中脑肌电信号采样频率为500Hz，关节运动轨迹数据采样频率为100Hz。
步骤二，对所采集的EEG、EMG信号和关节运动轨迹数据进行重采样(重采样频率为1000Hz)等预处理；例如，对所采集的EEG信号利用Analyzer 2.0软件进行重参考(原始参考电极距离脑电电极较近，会影响脑电数据准确性，因此采用双侧乳突位置的平均值作为新的参考)、零相移8阶带通(0.5-50Hz)Butterworth IIR滤波器进行带通滤波、与眼电相关独立成分去除，在MATLAB的EEGLAB工具箱中进行ASR运动伪迹去除等去燥工作，对EMG信号在MATLAB中进行采用10-350Hz的Elliptic带通滤波器进行带通滤波和小波去燥等预处理。对所采集的关节运动轨迹数据在Nexus 2.6软件中进行计算处理。
步骤三，首先利用右脚跟z坐标方向的运动轨迹将连续的运动过程划分为单个的步态周期，如图2所示，图中为一段连续30s的运动过程；其次，根据右脚跟z方向的位移(Rheez)，右脚趾z方向的位移(Rtoez)，左脚跟z方向的位移(Lheez)，右脚跟y方向的位移(Rheey)，左脚跟y方向的位移(Lheey)将一个步态周期划分为七个相位：承重反应期(LoadingResponse,LR)、支撑中期(Mid-stance,MST)、支撑末期(Terminal Stance,TST)、预摆动期(Pre-swing,PSW)、摆动初期(Initial Swing,ISW)、摆动中期(Mid-swing,MSW)和摆动末期(Terminal Swing,TSW)。
步骤四，提取预处理后EEG信号的SSC特征，预处理后EMG信号的SSC和MPF特征，分别提取七个步态相位的上述特征，并对EMG的两个特征进行组合，生成第一个特征向量组，向量维度为[7x100,8x2]，对EEG的特征和EMG的两个特征进行组合，生成第二个特征向量组，向量维度为[7x100,(8+22)x3]。
步骤五，首先在MATLAB中利用LIBSVM建立七分类步态识别模型，将所生成的特征向量组的70％输入模型对模型进行训练，将特征向量组剩下的30％输入模型，测试训练得到的模型的识别效果。识别结果如图4所示，从图中可以看出，平均识别率基本都在90％以上，最好的识别率可达100％，平均识别率EMG+EEG(SSC)要优于EMG特征组，个别相位下EMG特征组的识别结果较好。从图中还可看到，随着运动速度的加快，步态识别准确率越来越高。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于脑肌电信号的步态识别方法，其特征在于，包括以下步骤：
S1，采集待测对象的下肢关节运动轨迹、双腿运动肌肉群的表面EMG信号、以及EEG信号；
S2，利用经步骤S1进行重采样预处理后的下肢关节运动轨迹进行步态划分和标定，同时，对双腿运动肌肉群的表面EMG信号和EEG信号进行同步的步态划分和标定，所述步态划分具体是将一个步态周期划分为承重反应期、支撑中期、支撑末期、预摆动期、摆动初期、摆动中期和摆动末期七个相位；
S3，分别提取双腿运动肌肉群的表面EMG信号和EEG信号经步骤S2进行步态划分后各相位的时域斜率变化特征，以及双腿运动肌肉群的表面EMG信号经步骤S2进行步态划分后各相位的平均功率频率特征；
S4，对双腿运动肌肉群的表面EMG信号对应各相位的时域斜率变化特征和平均功率频率特征进行组合，得到第一特征向量组；对EEG信号对应各相位的时域斜率变化特征、双腿运动肌肉群的表面EMG信号对应各相位的时域斜率变化特征和平均功率频率特征进行组合，得到第二特征向量组；
S5，利用第一特征向量组和第二特征向量组进行精细步态识别，具体为：
S5.1，利用第一特征向量组和第二特征向量组建立七分类步态识别模型，具体为，对经步骤S2进行步态划分的相位分别设定不同的标签，利用第一特征向量组和第二特征向量组，分别在MATLAB中利用LIBSVM工具箱建立七分类步态识别模型；
S5.2，将第一特征向量组和第二特征向量组的70%输入所述七分类步态识别模型进行训练；
S5.3，将第一特征向量组和第二特征向量组的剩余30%输入所述七分类步态识别模型，测试训练得到七分类步态识别模型的识别效果，所述测试训练具体是在MATLAB中利用LIBSVM工具箱进行测试训练。
2.如权利要求1所述的基于脑肌电信号的步态识别方法，其特征在于：所述步骤S1和所述步骤S2之间还包括步骤S1-2，对步骤S1所采集的下肢关节运动轨迹、双腿运动肌肉群的表面EMG信号、以及EEG信号进行重采样预处理。
3.如权利要求2所述的基于脑肌电信号的步态识别方法，其特征在于：所述步骤S1-2具体为，对EEG信号进行重参考、带通滤波、眼电独立成分去除和运动伪迹去除；对双腿运动肌肉群的表面EMG信号进行带通滤波和小波去燥；对下肢关节运动轨迹进行计算处理。
4.如权利要求2所述的基于脑肌电信号的步态识别方法，其特征在于：步骤S1-2中，所述重采样预处理的频率为1000Hz。
CN202010606182.2A 2020-06-29 2020-06-29 一种基于脑肌电信号的步态识别方法 Active CN111820901B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010606182.2A CN111820901B (zh) 2020-06-29 2020-06-29 一种基于脑肌电信号的步态识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010606182.2A CN111820901B (zh) 2020-06-29 2020-06-29 一种基于脑肌电信号的步态识别方法

Publications (2)

Publication Number Publication Date
CN111820901A CN111820901A (zh) 2020-10-27
CN111820901B true CN111820901B (zh) 2021-11-19

Family

ID=72899451

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010606182.2A Active CN111820901B (zh) 2020-06-29 2020-06-29 一种基于脑肌电信号的步态识别方法

Country Status (1)

Country Link
CN (1) CN111820901B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114756136B (zh) * 2022-06-15 2022-09-27 深圳市心流科技有限公司 一种针对肌电信号与脑电信号的训练达标提示方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105054927A (zh) * 2015-07-16 2015-11-18 西安交通大学 一种下肢康复系统中主动参与度的生物量化评估方法
CN105213153A (zh) * 2015-09-14 2016-01-06 西安交通大学 基于脑肌信息变阻抗的下肢康复机器人控制方法
CN106237510A (zh) * 2016-08-26 2016-12-21 山东海天智能工程有限公司 一种脑控主动下肢医疗康复训练系统
US10342691B2 (en) * 2016-01-30 2019-07-09 Tokio Matsuzaki Mechanical assisted active orthosis using a robotic application
CN110495893A (zh) * 2019-07-30 2019-11-26 西安交通大学 一种运动意图连续脑肌电多层次动态融合识别系统及方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010126625A1 (en) * 2009-04-30 2010-11-04 Medtronic, Inc. Patient state detection based on support vector machine based algorithm
US20160157779A1 (en) * 2014-12-08 2016-06-09 Intel Corporation Wearable sensor apparatus with multiple flexible substrates
US10716494B2 (en) * 2015-05-07 2020-07-21 Samsung Electronics Co., Ltd. Method of providing information according to gait posture and electronic device for same
CN107411935A (zh) * 2017-07-18 2017-12-01 西安交通大学 一种用于软体康复机械手的多模式脑机接口控制方法
CN108681396B (zh) * 2018-04-28 2021-07-06 北京机械设备研究所 基于脑-肌电双模态神经信号的人机交互系统及其方法
CN110238863B (zh) * 2019-06-17 2020-09-01 北京国润健康医学投资有限公司 基于脑电-肌电信号的下肢康复机器人控制方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105054927A (zh) * 2015-07-16 2015-11-18 西安交通大学 一种下肢康复系统中主动参与度的生物量化评估方法
CN105213153A (zh) * 2015-09-14 2016-01-06 西安交通大学 基于脑肌信息变阻抗的下肢康复机器人控制方法
US10342691B2 (en) * 2016-01-30 2019-07-09 Tokio Matsuzaki Mechanical assisted active orthosis using a robotic application
CN106237510A (zh) * 2016-08-26 2016-12-21 山东海天智能工程有限公司 一种脑控主动下肢医疗康复训练系统
CN110495893A (zh) * 2019-07-30 2019-11-26 西安交通大学 一种运动意图连续脑肌电多层次动态融合识别系统及方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Correlations between Cortical and Locomotor Muscle in the Seven Gait Phases during Treadmill Walking;Pengna Wei, Jinhua Zhang, Baozeng Wang et al.;《 Research Square》;20200206;第1-40页 *
Performance Evaluation of EEG/EMG Fusion Methods for Motion Classification;Tryon J, Friedman E, Trejos AL;《IEEE Int Conf Rehabil Robot》;20190630;第971-976页 *
What Are Spectral and Spatial Distributions of EEG-EMG Correlations in Overground Walking? An Exploratory Study;J.Li et al.;《IEEE Access》;20191004;第143935-143946页 *
士兵可穿戴下肢外骨骼机器人多元感知方法研究;王海莲,张小栋,李华聪;《计算机测量与控制》;20151025;第3505-3507页 *

Also Published As

Publication number Publication date
CN111820901A (zh) 2020-10-27

Similar Documents

Publication Publication Date Title
Wootten et al. Dynamic electromyography. I. Numerical representation using principal component analysis
Neptune et al. The effect of pedaling rate on coordination in cycling
Ceseracciu et al. SVM classification of locomotion modes using surface electromyography for applications in rehabilitation robotics
CN111506189B (zh) 面向人体复杂运动的运动模式预测及切换控制方法
CN111820901B (zh) 一种基于脑肌电信号的步态识别方法
Wang et al. A simulation model of the surface EMG signal for analysis of muscle activity during the gait cycle
CN110537913A (zh) 基于lda算法的表面肌电信号的通道选取方法
Promsri et al. Principal postural acceleration and myoelectric activity: Interrelationship and relevance for characterizing neuromuscular function in postural control
CN115067970A (zh) 一种基于脑电肌电信号的康复效果评估方法及系统
Cahyadi et al. Muscle fatigue detections during arm movement using EMG signal
Seeland et al. Spatio-temporal comparison between ERD/ERS and MRCP-based movement prediction
CN113180641A (zh) 一种慢性踝关节不稳者特征性步态识别系统
Feldhege et al. MATLAB-based tools for automated processing of motion tracking data provided by the GRAIL
Castermans et al. EEG and human locomotion-descending commands and sensory feedback should be disentangled from artifacts thanks to new experimental protocols position paper
de OLIVEIRA et al. Input error analysis of an EMG-driven muscle model of the plantar flexors
Sun et al. A fault-tolerant algorithm to enhance generalization of EMG-based pattern recognition for lower limb movement
Zhang et al. A real-time gait phase recognition method based on multi-information fusion
Ahmed et al. Control of prosthetic hand by using mechanomyography signals based on support-vector machine classifier
Mobarak et al. Hand movement classification using transient state analysis of surface multichannel EMG signal
CN114010453A (zh) 一种基于运动信号的反馈穿戴系统及预处理方法
Tang et al. Differences between lower extremity joint running kinetics captured by marker-based and markerless systems were speed dependent
CN113951897A (zh) 一种多模态静息脑电数据干扰消除和标记方法及装置
Bhatlawande et al. An Electromyography Based Intelligent System for Classification of Sitting and Standing Posture
Simonetti et al. Clusterization of multi-channel electromyograms into muscle-specific activations to drive a subject-specific musculoskeletal model: towards fast and accurate clinical decision-making
Wang et al. EMG signal Analysis and Identification of Human Calf Muscles based on Walking on Different Slope Road

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