CN112043268A - 一种基于康复运动主动性参与判定的上肢康复评价方法 - Google Patents

一种基于康复运动主动性参与判定的上肢康复评价方法 Download PDF

Info

Publication number
CN112043268A
CN112043268A CN202010913069.9A CN202010913069A CN112043268A CN 112043268 A CN112043268 A CN 112043268A CN 202010913069 A CN202010913069 A CN 202010913069A CN 112043268 A CN112043268 A CN 112043268A
Authority
CN
China
Prior art keywords
rehabilitation
fuzzy
signal
signals
feature vector
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
Application number
CN202010913069.9A
Other languages
English (en)
Other versions
CN112043268B (zh
Inventor
郭健
郭书祥
蔡慧敏
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.)
Tianjin University of Technology
Original Assignee
Tianjin University of Technology
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 Tianjin University of Technology filed Critical Tianjin University of Technology
Priority to CN202010913069.9A priority Critical patent/CN112043268B/zh
Publication of CN112043268A publication Critical patent/CN112043268A/zh
Application granted granted Critical
Publication of CN112043268B publication Critical patent/CN112043268B/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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • Psychiatry (AREA)
  • Artificial Intelligence (AREA)
  • Veterinary Medicine (AREA)
  • Mathematical Physics (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

一种基于康复运动主动性参与判定的上肢康复评价方法，包括信号采集、滤波、小波分解及重构、时间片划分、信号特征向量的计算、建立模糊集进行模糊化、训练数据、计算隶属度函数、模糊评价矩阵合成、康复主动性和运动功能评价；该方法无需康复医师的参与，基于康复过程中的肌电信号和接触力将上肢康复运动情况通过康复运动的参与程度衡量。本发明可以帮助促进使用者的康复积极性、增强患者信心、了解自身病情恢复情况，并使患者根据康复情况阶段性调整康复运动的方式和强度。

Description

一种基于康复运动主动性参与判定的上肢康复评价方法
技术领域
本发明属于运动康复工程领域，具体涉及一种基于康复运动主动性参与判定的上肢康复评价方法。
背景技术
基于脑可塑性理论，脑卒中患者可以通过康复运动恢复上肢功能。近年来，脑卒中患者的数量与日俱增，而康复医师却存在较大缺口。于是，越来越多人选择使用上肢康复机器人替代传统的康复医师进行康复运动。然而只有经过合理的康复评价，才能对个性化的康复目标选择适当强度、适当种类的康复运动。
现有技术中，脑卒中偏瘫康复评价主要基于运动、语言、日常活动的相关量表，如医学量表法、参数对比法、费茨定律法。这些评价方法不太直观，且对非专业人员理解起来也不方便，通常需要有经验的康复医师辅助才能完成测评。传统康复评价的低下效率更是与采用上肢康复机器人的初衷背道而驰。
相比于完全被动的跟随康复机器人的牵引移动，康复运动的参与主动性会极大影响康复运动的效果，主动参与康复运动更有利于恢复运动能力。因此，在康复过程中，康复医师会要求患者主动配合运动，从而增强康复效果。患者的对康复运动的参与度也极大影响着康复运动的效果，且能及时反应患者的心理状态以及康复运动强度是否适合。
表面肌电信号是一种非平稳的随机信号，信号的非平稳性使得肌肉收缩和放松程度的特征参数不断随时间变化，很难通过某个特征参数判断。本发明将表面肌电信号按照时间片切割为若干小段的信号，据时间片内信号短时间的特征参数的分析，获得肌肉收缩或放松的程度，从而获知康复患者在康复运动中的参与程度。
模糊推理是一种建立模糊集合通过隶属度理论把定性的评价结果转换为定量评价结果的方法。它的基本原理是把决策问题划分为若干特征，通过不同特征的隶属度关系确定各因素的权重大小，最终确定评价结果。相比于传统的量表评价方法，它更加高效和客观，能够反应更细微的康复情况。相比于其它将量表直接建模的方法，本发明由于针对的是康复运动的参与程度，因此更加直观有效，且可以根据参与度反馈，调整康复运动的复杂度和强度。
目前的现有康复评价技术主要基于肌电、协调能力、平衡度、心理测试和生活指数测评量表填写，结合肌电信号和运动参数对量表进行拟合建模，或是基于神经、血流、氧供给、肌肉组织等方面的医疗检测数据进行分析。评估工具中常用的指标来自运动学和动力学数据，如位置、速度和扭矩，但这些数据不能反映神经系统疾病使用者的肌肉状况(如肌肉力量、肌肉活动)或意图。这些方法的优点在于基于现有量表建模，省去了测量人员的计算过程，缺点在于仍需专业人士辅助测量和填写输入的数据。本发明在康复训练过程中采集相关数据，无需另行检测，且根据近些年的理论研究，主要基于患者的康复运动参与主动程度，对患者的主动性给出评价，可以判断出当前康复运动的强度与病人的运动能力是否匹配，并对采取的康复运动种类给出建议。
发明内容
本发明的目的在于提供一种基于康复运动主动性参与判定的上肢康复评价方法，它可以弥补现有技术的不足，通过采集康复运动过程中的肌电信号和接触力信号，利用模糊推理模型对患者的康复运动参与主动程度进行评估，将上肢康复运动情况评价指标量化，便于患者掌握自己的康复状态并控制康复运动强度，该方法简单且容易实现，可用于选择不同的上肢康复机器人训练方案。
本发明采用的技术方案：一种基于康复运动主动性参与判定的上肢康复评价方法，其特征在于它包括以下步骤：
(1)在使用上肢康复机器人康复训练的过程中采集肌电信号和力信号作为模糊推理模型的输入端源数据；
所述步骤(1)中力信号是康复机器人与手指间的压力测力装置获得的压力F，压力F越小越均匀表示患者的参与程度越低。
所述步骤(1)中肌电信号是患者在康复运动过程中肱二头肌、肱三头肌、三角肌经表面电极采集到的电信号。
(2)对步骤(1)获取到的肌电信号数据进行滤波；滤波前后的图像如图2所示，滤波使曲线更为平滑且去除了一些高频噪声信号；
所述步骤(2)中的对步骤(1)获取到的肌电信号数据进行滤波是利用巴特沃斯带通滤波器实现。
所述巴特沃斯带通滤波器是二阶带通滤波器，其截止频率设为500Hz，能有效的去除500Hz以上高频噪声。
(3)对步骤(2)滤波后的肌电信号进行小波包分解，利用极大极小值原理选择阈值法，将分解得到的小波包的最底层的低频系数和其它各层的高频系数进行小波重构，进而获得小波处理后的肌电信号，其目的主要是为了进行去噪；
所述步骤(3)中对肌电信号进行小波包分解时利用sym8小波基进行4层小波包分解。
(4)基于短时傅里叶变换，将步骤(3)中降噪并经过小波分解重构后的信号按照时间片[i×Δt，(i+1)×Δt]划分，从而降低信号的非平稳性，其中i指第i个时间片，Δt指间隔时间；后续特征提取针对每个时间片进行，形成不同的特征向量；
所述步骤(4)中信号按照时间片[i×Δt，(i+1)×Δt]划分是指每隔50ms，将其中的数据点划分为一个信号段，从而降低信号的非平稳性；若选择的时间片过长则获得的特征值数据量过少，无法较好的描述运动特征；时间片过短则数据量较大，影响后续网络的处理速度和收敛效率；经过多次测试50ms的数据量是一个合适的标准，是测试性能最佳的时间片切割方案之一。
(5)计算肌电信号方差作为用于表示信号幅值的特征向量：
Figure BDA0002663996450000041
其中，xij表示第i个时间片内第j个采样点的数值大小，
Figure BDA0002663996450000043
表示第i个时间片内信号平均值，N是信号点总数量；通过该方法对每个时间片的数据依次计算即可获得特征向量S，其大小决定于肌电信号振幅值的变化，该特征向量常被用于反应肌肉活动状态，其数值变化通常与肌肉收缩力强弱有关；
(6)计算肌电信号绝对平均值作为用于表示信号幅值的一阶矩的特征向量：
Figure BDA0002663996450000042
其中，x(i)是单个时间片内第i个数据点的值，N是该时间片内信号点总数量；
对每个时间片的数据依次计算即可获得特征向量V，该特征向量反映了肌电信号强度随时间的波动情况，即表征了肌肉的收缩特性，也就可以衡量患者肌肉参与康复运动的程度；
(7)计算平均功率频率作为频域分析的特征：
Figure BDA0002663996450000051
其中，f为第i个时间片功率谱上离散的频率点，p(f)为离散频率点f对应的功率；通过该方法对每个时间片的数据依次计算即可获得特征向量M；
特征向量M主要用于检测肌电信号的频域特征；当肌肉张力没有显着变化时，肌电信号的时域特征并不稳定；然而，在通过诸如傅立叶变换的频域分析方法处理信号之后，信号的频率值没有明显的波动；因此，频域的抗扰性优于时域特征，该特征的高低与外围运动单元动作电位的传导速度、参与活动的运动单元类型以及同步化程度有关，且可以描述患者的疲劳程度；
(8)利用滑动窗口法计算手指用力特征组，即：平均值FA和标准差FS；手指用力可以更客观的反映患者的运动功能，其变化特性也可以体现出患者在实际运动中的主动性；
(9)建立模糊推理模型的输入向量u＝[S V M FA FS]T，将其作为判定康复运动参与程度的因素集，其中，T为矩阵转置符号；对输入向量u中的每一个特征向量进行去中心化处理，即：
Figure BDA0002663996450000052
其中，m为不同特征向量，i为该特征向量中第i个值，i＝1,2,…,N，N为特征向量长度，
Figure BDA0002663996450000053
为该特征向量的均值，σm为该特征向量的方差；随后将特征向量标准化。通过这种方法可以提高数据处理的精度，同时能够降低特征向量因不同单位或数量级对判断结果的影响；
(10)在Matlab下新建一个文件，在命令栏输入fuzzy命令打开Fuzzy工具箱；设置输入参数个数、添加隶属度函数、设置并添加输入向量，生成FIS(Fuzzy InferenceSystem，模糊推理系统)对象；假设将特征向量的评价标准设置为w个模糊集，则表示为：I＝{A1,A2,…Aw}；其中，模糊集内元素A1到Aw表示信号的强度等级由弱到强，将隶属度函数矩阵用字母A来表示；
(11)根据1916年美国哈佛大学矫形外科学教授Lovett提出后在国际上普遍应用的“手肌力检查”肌力分级标准中不同阶段患者的情况，如表1所示，分别进行模拟康复训练，收集肱二头肌、肱三头肌和三角肌的肌电信号以及手指与康复机器人间的压力信号，将其作为步骤(10)FIS对象的输入信号；点击Fuzzy工具箱中的“train”进行训练，当Matlab提示FIS对象经过训练已经收敛，就可以获得每个模糊集对应的隶属度函数；
表1“手肌力检查”肌力分级标准
Figure BDA0002663996450000061
所述步骤(11)中得到的隶属度函数能够通过在Fuzzy工具箱中单击每条隶属度函数，修改右侧“params”一栏中的参数进行参数修改，从而达到修改该隶属度函数曲线的参数的目的；所述“params”为单个隶属度函数曲线中a、b、c的值；单个隶属度函数表达式为：
Figure BDA0002663996450000071
其中，A(x)是隶属度函数，a、b、c的含义为隶属度函数三个顶点的横坐标；
(12)有步骤(11)得到的隶属度函数能够描述康复训练过程中提取的特征向量u处于模糊集中每个分类的概率，因此，将特征向量u和隶属度函数矩阵A进行模糊合成就可以获得模糊评价矩阵；
所述步骤(12)中将特征向量u和模糊集内每个元素的隶属度函数矩阵A进行模糊合成de具体方法是指：假设特征向量u是p×q上的矩阵，A是q×w上的矩阵，则模糊评价矩阵为
Figure BDA0002663996450000072
由此，则可以分别获得特征向量u中每个特征分类在模糊集I中每个元素的概率序列{a1,a2,…aw}，其中，w为q×w的矩阵A的列数，即模糊集I中所含元素个数，ai是该特征被评价为模糊集I中第i个评价的概率，i＝1…w；
(13)由于模糊集I评价的是肌电信号和力信号的强度，将模糊集I中每个等级的信号强度描述为m＝{0,1,2…w}T，其中，w为模糊集I中所含元素的个数，T指矩阵的转置；
(14)对步骤(12)中得到的每个概率序列点乘步骤(13)中的信号强度m；此时，特征向量u中的每个特征信号将获得一个数值，即为特征信号强度的数学期望值；用步骤(5)、步骤(6)及步骤(7)分别得到的特征向量S、特征向量V及特征向量M描述肌电信号的特征，用平均值FA和标准差FS描述康复机器人与手指间的接触力特征；由于步骤(9)中已经将输入向量u中的每一个特征向量进行了去中心化和标准化，即已消除了不同特征向量中单位和数量级的影响；因此，将特征向量S、特征向量V及特征向量M的数学期望平均值E作为对肌电信号强度的描述，分为大、中、小三组，即：
E的分类结果：
Figure BDA0002663996450000081
将平均值FA和标准差FS的数学期望平均值EF作为对接触力信号强度的描述，分为大、小两组，即：
EF分类结果：
Figure BDA0002663996450000082
(15)根据对E和EF的模糊逻辑判别，根据表2对使用者的康复主动性和康复状况进行评价；
表2康复评价判别表
Figure BDA0002663996450000083
使用者的康复运动主动性越强，肌电信号强度E越大，由于使用者存在主动用力，接触力EF也会越大；根据表1，将最终判定结果划分为五个等级，即：Ze(Zero，近无)、Tr(Trace，微缩)、Po(Poor，差)、Fa(Fair，普通)、Go(Good，良好)、No(Normal，正常)；其中，Ze表示无任何力信号，即：完全被动参与康复运动；Tr表示有轻微力量，即：能检测到主动参与意图，但力量微弱；Po表示可以对抗常规轻质物品的重力，即：能轻微带动康复机器人；Fa表示具备轻微运动能力，即：在康复机器人提供助力情况下能自主进行运动；Go表示运动能力初步恢复，比普通人稍弱，即：可以主动参与康复运动，机器人不提供助力；No表示与正常人力量相同，即：可以积极主动参与康复运动，在机器人提供阻力的情况下带动康复机器人；进而实现对患者的上肢康复评价。
对于判别结果的分级解释：
a.对于最终分级为“近无(Ze)”的使用者，存在两种情况。
可能1：使用者几乎没有任何自主运动能力。此阶段的康复病人建议选择被动训练，训练模式应当设定为较为缓慢的康复运动方式，由机器人小心缓慢的移动使用者的上肢。此阶段的病人主要目标是提高肌肉力量和肌肉控制能力。
可能2：使用者并没有按照要求积极主动的参与康复运动，这样将导致康复锻炼效果较差，建议之后的康复运动应提高主动性，家人积极照顾情绪，及时进行鼓励。
b.对于最终分级为微缩(Tr)的使用者：
此阶段的使用者活动能力较弱。建议仍然采用被动训练的训练方法，可以少量加强运动强度。
c.对于最终分级为差(Po)的使用者：
此阶段的使用者已经具备对抗常规轻质物品的重力，可以轻微带动康复机器人。建议采用双边康复的训练方法，同时对健侧和患肢进行锻炼可以有助于使用者更好的恢复对肢体的控制能力。
d.对于最终分级为普通(Fa)的使用者：
此阶段的使用者已经具备较弱的运动能力，具体表现为应当可以在康复机器人提供助力情况下自主进行运动。可以逐步采用主动训练的训练方式。机器人检测到使用者的运动意图后提供助力，由使用者带动完成康复训练。
e.对于最终分级为良好(Go)的使用者：
此阶段的使用者已经可以在无康复机器人带动的情况下自主进行运动，主要需求是肌肉力量增强。此时康复机器人可以由少至多逐步增加阻力，让使用者进行阻抗模式的康复训练。
f.对于最终分级为正常(No)的使用者：
此阶段的使用者已经基本恢复正常运动能力，可以在康复机器人提供阻力的情况下进行康复运动，使用者恢复良好，已经具备了独立生活的能力。
本发明的工作原理：利用了模糊推理和康复运动参与程度对康复运动效果的最新研究成果，提出了一种全新的康复评价方式。在脑卒中患者使用上肢康复机器人进行康复锻炼的过程中，采集肌电信号和力信号。对患者参与康复运动的主动性进行评估，从而促进使用者的康复积极性，患者可以根据康复参与的主动情况调整康复运动的方式(如主动康复、被动康复)和强度(如康复运动的时长和速度、康复游戏的复杂程度)。
本发明的优越性：通过采集患者在上肢康复过程中的肌电信号和接触力信号，借助康复运动参与程度对康复阶段和康复运动强度是否适合进行判断，并能够对参与度进行评判并对康复运动给出建议，使得利用上肢康复机器人在家中进行康复的患者可以掌握自己的康复情况和康复训练强度是否合适；；无需进行额外的量表填写或血液采集、仪器检查，也无需康复医师的协助，患者在家就可以自行完成；此外，选择模糊推理模型进行康复评价可以综合考虑影响信息系统的众多因素，根据各因素的重要程度和对它的评价结果，把原来的定性评价定量化，较好地处理信息系统多因素、模糊性以及主观判断等问题。
附图说明：
图1为本发明所涉一种基于康复运动主动性参与判定的上肢康复评价方法的原理结构示意图。
图2为本发明所涉一种基于康复运动主动性参与判定的上肢康复评价方法中滤波前后的肌电信号对比示意图。
图3为本发明所涉具体实施方式中上肢康复评价方法的隶属度函数曲线及设置界面示意图。
图4为本发明所涉一种基于康复运动主动性参与判定的上肢康复评价方法中单个隶属度函数示意图。
图5为本发明所涉一种基于康复运动主动性参与判定的上肢康复评价方法的评价结果与测试集各康复阶段数量对比示意图。
具体实施方式：
实施例：一种基于康复运动主动性参与判定的上肢康复评价方法，其整体流程原理框图如图1所示，其特征在于它包括以下步骤：
(1)在使用上肢康复机器人康复训练的过程中采集肌电信号和力信号作为模糊推理模型的输入端源数据；
其中力信号是康复机器人与手指间的压力测力装置获得的压力F，压力F越小越均匀表示患者的参与程度越低，肌电信号是患者在康复运动过程中肱二头肌、肱三头肌、三角肌经表面电极采集到的电信号。
(2)利用巴特沃斯带通滤波器对步骤(1)获取到的肌电信号数据进行滤波，其截止频率设为500Hz，是二阶带通滤波器，能有效的去除500Hz以上高频噪声；滤波前后的图像如图2所示，可以看出滤波后曲线更为平滑且去除了一些高频噪声信号；
(3)利用sym8小波基对步骤(2)滤波后的肌电信号进行4层小波包分解，利用极大极小值原理选择阈值法，将分解得到的小波包的最底层的低频系数和其它各层的高频系数进行小波重构，进而获得小波处理后的肌电信号，其目的主要是为了进行去噪；
(4)基于短时傅里叶变换，将步骤(3)中降噪并经过小波分解重构后的信号按照时间片[i×Δt，(i+1)×Δt]划分，从而降低信号的非平稳性，其中i指第i个时间片，Δt指间隔时间；后续特征提取针对每个时间片进行，形成不同的特征向量；
其中，信号按照时间片[i×Δt，(i+1)×Δt]划分是指每隔50ms，将其中的数据点划分为一个信号段，从而降低信号的非平稳性；若选择的时间片过长则获得的特征值数据量过少，无法较好的描述运动特征；时间片过短则数据量较大，影响后续网络的处理速度和收敛效率；经过多次测试50ms的数据量是一个合适的标准，是测试性能最佳的时间片切割方案之一。
(5)计算肌电信号方差作为用于表示信号幅值的特征向量：
Figure BDA0002663996450000121
其中，xij表示第i个时间片内第j个采样点的数值大小，
Figure BDA0002663996450000122
表示第i个时间片内信号平均值，N是信号点总数量；通过该方法对每个时间片的数据依次计算即可获得特征向量S，其大小决定于肌电信号振幅值的变化，该特征向量常被用于反应肌肉活动状态，其数值变化通常与肌肉收缩力强弱有关；
(6)计算肌电信号绝对平均值作为用于表示信号幅值的一阶矩的特征向量：
Figure BDA0002663996450000131
其中，x(i)是单个时间片内第i个数据点的值，N是该时间片内信号点总数量；
对每个时间片的数据依次计算即可获得特征向量V，该特征向量反映了肌电信号强度随时间的波动情况，即表征了肌肉的收缩特性，也就可以衡量患者肌肉参与康复运动的程度；
(7)计算平均功率频率作为频域分析的特征：
Figure BDA0002663996450000132
其中，f为第i个时间片功率谱上离散的频率点，p(f)为离散频率点f对应的功率；通过该方法对每个时间片的数据依次计算即可获得特征向量M；
特征向量M主要用于检测肌电信号的频域特征；当肌肉张力没有显着变化时，肌电信号的时域特征并不稳定；然而，在通过诸如傅立叶变换的频域分析方法处理信号之后，信号的频率值没有明显的波动；因此，频域的抗扰性优于时域特征，该特征的高低与外围运动单元动作电位的传导速度、参与活动的运动单元类型以及同步化程度有关，且可以描述患者的疲劳程度；
(8)利用滑动窗口法计算手指用力特征组，即：平均值FA和标准差FS；手指用力可以更客观的反映患者的运动功能，其变化特性也可以体现出患者在实际运动中的主动性；
(9)建立模糊推理模型的输入向量u＝[S V M FA FS]T，将其作为判定康复运动参与程度的因素集，其中，T为矩阵转置符号；对输入向量u中的每一个特征向量进行去中心化处理，即：
Figure BDA0002663996450000141
其中，m为不同特征向量，i为该特征向量中第i个值，i＝1,2,…,N，N为特征向量长度，
Figure BDA0002663996450000142
为该特征向量的均值，σm为该特征向量的方差；随后将特征向量标准化。通过这种方法可以提高数据处理的精度，同时能够降低特征向量因不同单位或数量级对判断结果的影响；
(10)在Matlab下新建一个文件，在命令栏输入fuzzy命令打开Fuzzy工具箱；设置输入参数个数、添加隶属度函数、设置并添加输入向量，生成FIS对象；假设将特征向量的评价标准设置为w个模糊集，则表示为：I＝{A1,A2,…Aw}；其中，模糊集内元素A1到Aw表示信号的强度等级由弱到强，将隶属度函数矩阵用字母A来表示；
(11)根据1916年美国哈佛大学矫形外科学教授Lovett提出后在国际上普遍应用的“手肌力检查”肌力分级标准中不同阶段患者的情况，如表1所示，分别进行模拟康复训练，收集肱二头肌、肱三头肌和三角肌的肌电信号以及手指与康复机器人间的压力信号，将其作为步骤(10)FIS对象的输入信号；点击Fuzzy工具箱中的“train”进行训练，当Matlab提示FIS对象经过训练已经收敛，就可以获得每个模糊集对应的隶属度函数；
表1“手肌力检查”肌力分级标准
Figure BDA0002663996450000143
Figure BDA0002663996450000151
其中得到的隶属度函数能够通过在Fuzzy工具箱中单击每条隶属度函数，修改右侧“params”一栏中的参数进行参数修改，从而达到修改该隶属度函数曲线的参数的目的，如图3所示；所述“params”为单个隶属度函数曲线中a、b、c的值；单个隶属度函数表达式为：
Figure BDA0002663996450000152
其中，A(x)是隶属度函数，a、b、c的含义为隶属度函数三个顶点的横坐标，单个隶属度函数图像和a、b、c的位置如图4所示，横坐标代表特征向量的值，纵坐标代表特征向量在模糊化时分类在该模糊集的隶属度大小，隶属度函数的值越接近1，表示特征向量属于该模糊集的可能性越高。
也可以不自行训练而是直接选用本发明经过多次模拟获得的比较通用的隶属度函数，即将信号强度由小到大划分为五个分级，{Z：[0 0.3546 0.751]，S：[0.17 0.6621.16]，M：[0.6494 0.9833 1.549]，N：[1.051 1.445 1.883]，L：[1.436 1.85 2.272]}。
(12)有步骤(11)得到的隶属度函数能够描述康复训练过程中提取的特征向量u处于模糊集中每个分类的概率，因此，将特征向量u和隶属度函数矩阵A进行模糊合成就可以获得模糊评价矩阵；
将特征向量u和模糊集内每个元素的隶属度函数矩阵A进行模糊合成de具体方法是指：假设特征向量u是p×q上的矩阵，A是q×w上的矩阵，则模糊评价矩阵为
Figure BDA0002663996450000162
由此，则可以分别获得特征向量u中每个特征分类在模糊集I中每个元素的概率序列{a1,a2,…aw}，其中，w为q×w的矩阵A的列数，即模糊集I中所含元素个数，ai是该特征被评价为模糊集I中第i个评价的概率，i＝1…w；本文所提到的模糊集整体用I表示，模糊集内的元素为A1到Aw,隶属度函数矩阵用A表示。
(13)由于模糊集I评价的是肌电信号和力信号的强度，将模糊集I中每个等级的信号强度描述为m＝{0,1,2…w}T，其中，w为模糊集I中所含元素的个数，T指矩阵的转置；
(14)对步骤(12)中得到的每个概率序列点乘步骤(13)中的信号强度m；此时，特征向量u中的每个特征信号将获得一个数值，即为特征信号强度的数学期望值；用步骤(5)、步骤(6)及步骤(7)分别得到的特征向量S、特征向量V及特征向量M描述肌电信号的特征，用平均值FA和标准差FS描述康复机器人与手指间的接触力特征；由于步骤(9)中已经将输入向量u中的每一个特征向量进行了去中心化和标准化，即已消除了不同特征向量中单位和数量级的影响；因此，将特征向量S、特征向量V及特征向量M的数学期望平均值E作为对肌电信号强度的描述，分为大、中、小三组，即：
E的分类结果：
Figure BDA0002663996450000161
将平均值FA和标准差FS的数学期望平均值EF作为对接触力信号强度的描述，分为大、小两组，即：
EF分类结果：
Figure BDA0002663996450000171
(15)根据对E和EF的模糊逻辑判别，根据表2对使用者的康复主动性和康复状况进行评价；
表2康复评价判别表
Figure BDA0002663996450000172
使用者的康复运动主动性越强，肌电信号强度E越大，由于使用者存在主动用力，接触力EF也会越大；根据表1，将最终判定结果划分为五个等级，即：Ze(Zero，近无)、Tr(Trace，微缩)、Po(Poor，差)、Fa(Fair，普通)、Go(Good，良好)、No(Normal，正常)；其中，Ze表示无任何力信号，即：完全被动参与康复运动；Tr表示有轻微力量，即：能检测到主动参与意图，但力量微弱；Po表示可以对抗常规轻质物品的重力，即：能轻微带动康复机器人；Fa表示具备轻微运动能力，即：在康复机器人提供助力情况下能自主进行运动；Go表示运动能力初步恢复，比普通人稍弱，即：可以主动参与康复运动，机器人不提供助力；No表示与正常人力量相同，即：可以积极主动参与康复运动，在机器人提供阻力的情况下带动康复机器人；进而实现对患者的上肢康复评价。
对于判别结果的分级解释：
a.对于最终分级为“近无(Ze)”的使用者，存在两种情况。
可能1：使用者几乎没有任何自主运动能力。此阶段的康复病人建议选择被动训练，训练模式应当设定为较为缓慢的康复运动方式，由机器人小心缓慢的移动使用者的上肢。此阶段的病人主要目标是提高肌肉力量和肌肉控制能力。
可能2：使用者并没有按照要求积极主动的参与康复运动，这样将导致康复锻炼效果较差，建议之后的康复运动应提高主动性，家人积极照顾情绪，及时进行鼓励。
b.对于最终分级为微缩(Tr)的使用者：
此阶段的使用者活动能力较弱。建议仍然采用被动训练的训练方法，可以少量加强运动强度。
c.对于最终分级为差(Po)的使用者：
此阶段的使用者已经具备对抗常规轻质物品的重力，可以轻微带动康复机器人。建议采用双边康复的训练方法，同时对健侧和患肢进行锻炼可以有助于使用者更好的恢复对肢体的控制能力。
d.对于最终分级为普通(Fa)的使用者：
此阶段的使用者已经具备较弱的运动能力，具体表现为应当可以在康复机器人提供助力情况下自主进行运动。可以逐步采用主动训练的训练方式。机器人检测到使用者的运动意图后提供助力，由使用者带动完成康复训练。
e.对于最终分级为良好(Go)的使用者：
此阶段的使用者已经可以在无康复机器人带动的情况下自主进行运动，主要需求是肌肉力量增强。此时康复机器人可以由少至多逐步增加阻力，让使用者进行阻抗模式的康复训练。
f.对于最终分级为正常(No)的使用者：
此阶段的使用者已经基本恢复正常运动能力，可以在康复机器人提供阻力的情况下进行康复运动，使用者恢复良好，已经具备了独立生活的能力。
本发明进行了基于国际通用康复过程中肌力检查量表进行的康复训练模拟以及不同阶段脑卒中患者康复训练肌电数据对模糊推理模型进行训练，最终将模型收敛并优化后获得较为通用的隶属度函数。通过该隶属度函数可以较好的对患者的运动功能进行基于参与主动性的评价。使用者也可以将自己使用的设备的训练数据输入该模糊推理模型，收敛后获得更适应自己设备的决策模型。
本实施例将输入层信号强度划分为5个模糊集I：{近无(Z)、较弱(S)、小(M)、普通(N)、较大(L)}，其中，近无、较弱、小、普通、较大的描述均是指信号的强度；对应图3中的各条隶属度函数曲线；隶属度函数的值越接近1，表示特征向量属于该模糊集的可能性越高；该隶属度函数使用的数据是本发明中提到的多次对模型优化后获得的比较通用的隶属度函数。
例如，特征向量经过matlab计算获得的结果为[0.31,0.37,0.18,0.12,0.09]，它的含义是该特征划分为“近无”的可能性是0.31，划分为“较弱”的可能性是0.37，划分为“小”的可能性是0.18，“普通”的可能性是0.12，划分为“较大”的可能性是0.09。点乘矩阵[0,1,2,3,4]T的结果为1.45。按照此方法计算出特征向量u中的每个特征的数学期望，最终获得E和EF的分类结果。例如分类结果是E为中EF为大，则评价结果为“普通”，患者后续建议采用主动康复策略，带动机器人，在机器人提供助力的情况下运动。
最后，在数据库中多次选择随机的50组数据按照此方法进行评价并与正确结果进行对比，综合准确率为95.13％。图5的评价结果展示了50组数据中不同分级的数量，其中实线代表实际分级，虚线代表网络所输出的分级，测试集的预测结果与正确结果基本吻合。
本发明的数据来源于基于国际通用康复过程中肌力检查量表进行的康复训练模拟以及不同阶段脑卒中患者康复的训练肌电数据。经过训练获得隶属度函数表格，从而通过模糊推理模型实现对上肢的康复效果进行评价。由于肌电信号和力信号的强度判断是有国际标准的且不随测量设备有较大波动，因此该隶属度函数实际上并不仅仅适用于某一个设备或某一段信号，而是对于任意设备都能通过本发明的步骤获得评价结果。因此可以选择将本发明训练得到的隶属度函数直接使用。
尽管为说明目的公开了本发明的实施例和附图，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的范围内，各种替换、变化和修改都是可能的，因此，本发明的范围不局限于实施例和附图所公开的内容。

Claims (7)

1.一种基于康复运动主动性参与判定的上肢康复评价方法，其特征在于它包括以下步骤：
(1)在使用上肢康复机器人康复训练的过程中采集肌电信号和力信号作为模糊推理模型的输入端源数据；
(2)对步骤(1)获取到的肌电信号数据进行滤波；滤波前后的图像如图2所示，滤波使曲线更为平滑且去除了一些高频噪声信号；
(3)对步骤(2)滤波后的肌电信号进行小波包分解，利用极大极小值原理选择阈值法，将分解得到的小波包的最底层的低频系数和其它各层的高频系数进行小波重构，进而获得小波处理后的肌电信号，其目的主要是为了进行去噪；
(4)基于短时傅里叶变换，将步骤(3)中降噪并经过小波分解重构后的信号按照时间片[i×Δt，(i+1)×Δt]划分，从而降低信号的非平稳性，其中i指第i个时间片，Δt指间隔时间；后续特征提取针对每个时间片进行，形成不同的特征向量；
(5)计算肌电信号方差作为用于表示信号幅值的特征向量：
Figure FDA0002663996440000011
其中，xij表示第i个时间片内第j个采样点的数值大小，
Figure FDA0002663996440000012
表示第i个时间片内信号平均值，N是信号点总数量；通过该方法对每个时间片的数据依次计算即可获得特征向量S，其大小决定于肌电信号振幅值的变化，该特征向量常被用于反应肌肉活动状态，其数值变化通常与肌肉收缩力强弱有关；
(6)计算肌电信号绝对平均值作为用于表示信号幅值的一阶矩的特征向量：
Figure FDA0002663996440000021
其中，x(i)是单个时间片内第i个数据点的值，N是该时间片内信号点总数量；对每个时间片的数据依次计算即可获得特征向量V，该特征向量反映了肌电信号强度随时间的波动情况，即表征了肌肉的收缩特性，也就可以衡量患者肌肉参与康复运动的程度；
(7)计算平均功率频率作为频域分析的特征：
Figure FDA0002663996440000022
其中，f为第i个时间片功率谱上离散的频率点，p(f)为离散频率点f对应的功率；通过该方法对每个时间片的数据依次计算即可获得特征向量M；所述特征向量M主要用于检测肌电信号的频域特征；当肌肉张力没有显着变化时，肌电信号的时域特征并不稳定；该特征的高低与外围运动单元动作电位的传导速度、参与活动的运动单元类型以及同步化程度有关，且可以描述患者的疲劳程度；
(8)利用滑动窗口法计算手指用力特征组，即：平均值FA和标准差FS；手指用力可以更客观的反映患者的运动功能，其变化特性也可以体现出患者在实际运动中的主动性；
(9)建立模糊推理模型的输入向量u＝[S V M FA FS]T，将其作为判定康复运动参与程度的因素集，其中，T为矩阵转置符号；对输入向量u中的每一个特征向量进行去中心化处理，即：
Figure FDA0002663996440000023
其中，m为不同特征向量，i为该特征向量中第i个值，i＝1,2,…,N，N为特征向量长度，
Figure FDA0002663996440000031
为该特征向量的均值，σm为该特征向量的方差；随后将特征向量标准化；
(10)在Matlab下新建一个文件，在命令栏输入fuzzy命令打开Fuzzy工具箱；设置输入参数个数、添加隶属度函数、设置并添加输入向量，生成FIS对象；假设将特征向量的评价标准设置为w个模糊集，则表示为：I＝{A1,A2,…Aw}；其中，模糊集内元素A1到Aw表示信号的强度等级由弱到强，将隶属度函数矩阵用字母A来表示；
(11)根据“手肌力检查”肌力分级标准表中不同阶段患者的情况，分别进行模拟康复训练，收集肱二头肌、肱三头肌和三角肌的肌电信号以及手指与康复机器人间的压力信号，将其作为步骤(10)FIS对象的输入信号；点击Fuzzy工具箱中的“train”进行训练，当Matlab提示FIS对象经过训练已经收敛，就可以获得每个模糊集对应的隶属度函数；
表1“手肌力检查”肌力分级标准
Figure FDA0002663996440000032
Figure FDA0002663996440000041
(12)有步骤(11)得到的隶属度函数能够描述康复训练过程中提取的特征向量u处于模糊集中每个分类的概率，因此，将特征向量u和隶属度函数矩阵A进行模糊合成就可以获得模糊评价矩阵；
(13)由于模糊集I评价的是肌电信号和力信号的强度，将模糊集I中每个等级的信号强度描述为m＝{0,1,2…w}T，其中，w为模糊集I中所含元素的个数，T指矩阵的转置；
(14)对步骤(12)中得到的每个概率序列点乘步骤(13)中的信号强度m；此时，特征向量u中的每个特征信号将获得一个数值，即为特征信号强度的数学期望值；用步骤(5)、步骤(6)及步骤(7)分别得到的特征向量S、特征向量V及特征向量M描述肌电信号的特征，用平均值FA和标准差FS描述康复机器人与手指间的接触力特征；由于步骤(9)中已经将输入向量u中的每一个特征向量进行了去中心化和标准化，即已消除了不同特征向量中单位和数量级的影响；因此，将特征向量S、特征向量V及特征向量M的数学期望平均值E作为对肌电信号强度的描述，分为大、中、小三组，即：
E的分类结果：
Figure FDA0002663996440000042
将平均值FA和标准差FS的数学期望平均值EF作为对接触力信号强度的描述，分为大、小两组，即：
EF分类结果：
Figure FDA0002663996440000043
(15)根据对E和EF的模糊逻辑判别，根据“康复评价判别表”对使用者的康复主动性和康复状况进行评价；
表2 康复评价判别表
Figure FDA0002663996440000051
使用者的康复运动主动性越强，肌电信号强度E越大，由于使用者存在主动用力，接触力EF也会越大；最终判定结果划分为五个等级，即：Ze(Zero，近无)、Tr(Trace，微缩)、Po(Poor，差)、Fa(Fair，普通)、Go(Good，良好)、No(Normal，正常)；其中，所述Ze表示无任何力信号，即：完全被动参与康复运动；所述Tr表示有轻微力量，即：能检测到主动参与意图，但力量微弱；所述Po表示可以对抗常规轻质物品的重力，即：能轻微带动康复机器人；所述Fa表示具备轻微运动能力，即：在康复机器人提供助力情况下能自主进行运动；所述Go表示运动能力初步恢复，比普通人稍弱，即：可以主动参与康复运动，机器人不提供助力；所述No表示与正常人力量相同，即：可以积极主动参与康复运动，在机器人提供阻力的情况下带动康复机器人；进而实现对患者的上肢康复评价。
2.根据权利要求1所述一种基于康复运动主动性参与判定的上肢康复评价方法，其特征在于所述步骤(1)中力信号是康复机器人与手指间的压力测力装置获得的压力F，压力F越小越均匀表示患者的参与程度越低；所述肌电信号是患者在康复运动过程中肱二头肌、肱三头肌、三角肌经表面电极采集到的电信号。
3.根据权利要求1所述一种基于康复运动主动性参与判定的上肢康复评价方法，其特征在于所述步骤(2)中的对步骤(1)获取到的肌电信号数据进行滤波是利用巴特沃斯带通滤波器实现；所述巴特沃斯带通滤波器是二阶带通滤波器，其截止频率设为500Hz，能有效的去除500Hz以上高频噪声。
4.根据权利要求1所述一种基于康复运动主动性参与判定的上肢康复评价方法，其特征在于所述步骤(3)中对肌电信号进行小波包分解时利用sym8小波基进行4层小波包分解。
5.根据权利要求1所述一种基于康复运动主动性参与判定的上肢康复评价方法，其特征在于所述步骤(4)中信号按照时间片[i×Δt，(i+1)×Δt]划分是指每隔50ms。
6.根据权利要求1所述一种基于康复运动主动性参与判定的上肢康复评价方法，其特征在于所述步骤(11)中得到的隶属度函数能够通过在Fuzzy工具箱中单击每条隶属度函数，修改右侧“params”一栏中的参数进行参数修改，从而达到修改该隶属度函数曲线的参数的目的；所述“params”为单个隶属度函数曲线中a、b、c的值；单个隶属度函数表达式为：
Figure FDA0002663996440000061
其中，A(x)是隶属度函数，a、b、c的含义为隶属度函数三个顶点的横坐标。
7.根据权利要求1所述一种基于康复运动主动性参与判定的上肢康复评价方法，其特征在于所述步骤(12)中将特征向量u和模糊集内每个元素的隶属度函数矩阵A进行模糊合成de具体方法是指：假设特征向量u是p×q上的矩阵，A是q×w上的矩阵，则模糊评价矩阵为C＝u°A；由此，则可以分别获得特征向量u中每个特征分类在模糊集I中每个元素的概率序列{a1,a2,…aw}，其中，w为q×w的矩阵A的列数，即模糊集I中所含元素个数，ai是该特征被评价为模糊集I中第i个评价的概率，i＝1…w。
CN202010913069.9A 2020-09-03 2020-09-03 一种基于康复运动主动性参与判定的上肢康复评价方法 Active CN112043268B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010913069.9A CN112043268B (zh) 2020-09-03 2020-09-03 一种基于康复运动主动性参与判定的上肢康复评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010913069.9A CN112043268B (zh) 2020-09-03 2020-09-03 一种基于康复运动主动性参与判定的上肢康复评价方法

Publications (2)

Publication Number Publication Date
CN112043268A true CN112043268A (zh) 2020-12-08
CN112043268B CN112043268B (zh) 2024-01-26

Family

ID=73607673

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010913069.9A Active CN112043268B (zh) 2020-09-03 2020-09-03 一种基于康复运动主动性参与判定的上肢康复评价方法

Country Status (1)

Country Link
CN (1) CN112043268B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103584884A (zh) * 2013-11-07 2014-02-19 中国科学院深圳先进技术研究院 肌力评估方法及装置、肌肉康复训练跟踪评估方法及系统
KR20140071739A (ko) * 2012-12-04 2014-06-12 재단법인대구경북과학기술원 상지 근육의 근전도 신호를 이용한 재활 평가 방법 및 그 재활 평가 장치
CN104382595A (zh) * 2014-10-27 2015-03-04 燕山大学 基于肌电信号与虚拟现实交互技术的上肢康复系统及方法
CN104997523A (zh) * 2014-04-18 2015-10-28 东北大学 一种上肢康复机器人康复训练运动功能评价方法
KR20170135459A (ko) * 2016-05-31 2017-12-08 울산과학기술원 환자 맞춤형 재활을 위한 거대자료 기반 지능형 로봇 치료사
CN109394476A (zh) * 2018-12-06 2019-03-01 上海神添实业有限公司 脑肌信息自动意图识别与上肢智能控制方法及系统
CN109568083A (zh) * 2018-12-15 2019-04-05 华南理工大学 一种多模态交互的上肢康复机器人训练系统
CN110570946A (zh) * 2019-09-05 2019-12-13 东北大学 一种下肢康复机器人康复训练运动功能康复评价方法
CN110840696A (zh) * 2019-10-30 2020-02-28 邱桂才 一种绳带pnf组合式康复系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140071739A (ko) * 2012-12-04 2014-06-12 재단법인대구경북과학기술원 상지 근육의 근전도 신호를 이용한 재활 평가 방법 및 그 재활 평가 장치
CN103584884A (zh) * 2013-11-07 2014-02-19 中国科学院深圳先进技术研究院 肌力评估方法及装置、肌肉康复训练跟踪评估方法及系统
CN104997523A (zh) * 2014-04-18 2015-10-28 东北大学 一种上肢康复机器人康复训练运动功能评价方法
CN104382595A (zh) * 2014-10-27 2015-03-04 燕山大学 基于肌电信号与虚拟现实交互技术的上肢康复系统及方法
KR20170135459A (ko) * 2016-05-31 2017-12-08 울산과학기술원 환자 맞춤형 재활을 위한 거대자료 기반 지능형 로봇 치료사
CN109394476A (zh) * 2018-12-06 2019-03-01 上海神添实业有限公司 脑肌信息自动意图识别与上肢智能控制方法及系统
CN109568083A (zh) * 2018-12-15 2019-04-05 华南理工大学 一种多模态交互的上肢康复机器人训练系统
CN110570946A (zh) * 2019-09-05 2019-12-13 东北大学 一种下肢康复机器人康复训练运动功能康复评价方法
CN110840696A (zh) * 2019-10-30 2020-02-28 邱桂才 一种绳带pnf组合式康复系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张维秋: "五自由度上肢康复机器人康复评价系统的研究与实现", 《控制理论与控制工程》 *
胡玉叶: "基于sEMG信号的上肢康复机器人训练系统的研究", 《控制工程》 *

Also Published As

Publication number Publication date
CN112043268B (zh) 2024-01-26

Similar Documents

Publication Publication Date Title
Bunderson et al. Quantification of feature space changes with experience during electromyogram pattern recognition control
CN110675933B (zh) 一种手指镜像康复训练系统
CN103440498A (zh) 基于lda算法的表面肌电信号识别方法
CN109446972B (zh) 基于肌电信号的步态识别模型建立方法、识别方法及装置
CN110974212A (zh) 一种融合心电和肌电特征的康复训练运动状态监测方法及系统
US9907489B2 (en) Systems and methods for hierarchical pattern recognition for simultaneous control of multiple-degree of freedom movements for prosthetics
Mokhlesabadifarahani et al. EMG signals characterization in three states of contraction by fuzzy network and feature extraction
Sebelius et al. Myoelectric control of a computer animated hand: A new concept based on the combined use of a tree-structured artificial neural network and a data glove
CN109498370A (zh) 基于肌电小波关联维的下肢关节角度预测方法
CN108681685A (zh) 一种基于人体表面肌电信号的躯干动作意图识别方法
CN113974612B (zh) 一种卒中患者上肢运动功能自动化评估方法与系统
CN113111831A (zh) 一种基于多模态信息融合的手势识别技术
CN110931104A (zh) 基于机器学习的上肢康复机器人智能训练系统及方法
CN111584031A (zh) 基于便携式脑电采集设备的脑控智能肢体康复系统及应用
CN115969383A (zh) 一种基于心电信号和呼吸信号的人体生理疲劳检测方法
CN118044813B (zh) 基于多任务学习的心理健康状况评估方法及系统
CN115985463B (zh) 一种基于可穿戴式设备的实时预测肌肉疲劳度方法及系统
CN116831874A (zh) 一种基于肌电信号的下肢康复器控制方法
CN116564465A (zh) 一种基于物联网平台下肢康复训练交互方法
CN112043268B (zh) 一种基于康复运动主动性参与判定的上肢康复评价方法
CN115778760A (zh) 一种手功能自适应康复训练系统及工作方法
Veer et al. Analysis and recognition of operations using SEMG from upper arm muscles
Sun et al. A fault-tolerant algorithm to enhance generalization of EMG-based pattern recognition for lower limb movement
CN115670481A (zh) 意识关联康复机器臂运动意愿提取及协同控制方法
CN115300325A (zh) 一种穿戴式肢体康复训练系统

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