CN112120697A - 一种基于表面肌电信号的肌肉疲劳提前预测与分类方法 - Google Patents

一种基于表面肌电信号的肌肉疲劳提前预测与分类方法 Download PDF

Info

Publication number
CN112120697A
CN112120697A CN202011019909.3A CN202011019909A CN112120697A CN 112120697 A CN112120697 A CN 112120697A CN 202011019909 A CN202011019909 A CN 202011019909A CN 112120697 A CN112120697 A CN 112120697A
Authority
CN
China
Prior art keywords
signal
value
fatigue
entropy
wavelet packet
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
Application number
CN202011019909.3A
Other languages
English (en)
Inventor
姜海燕
陈艳
黄书萍
杜民
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.)
Fuzhou University
Original Assignee
Fuzhou 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 Fuzhou University filed Critical Fuzhou University
Priority to CN202011019909.3A priority Critical patent/CN112120697A/zh
Publication of CN112120697A publication Critical patent/CN112120697A/zh
Pending legal-status Critical Current

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
    • A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
    • A61B5/4519—Muscles
    • 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
    • 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
    • A61B5/7239—Details of waveform analysis using differentiation including higher order derivatives
    • 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
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • 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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Rheumatology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及一种基于表面肌电信号的肌肉疲劳提前预测与分类方法，包括以下步骤：（1）选取与关节运动相关肌肉的表面肌电信号；（2）对获取的表面肌电信号进行预处理，然后对信号进行分段处理，并对每段信号提取非线性特征参量作为疲劳特征向量，所述非线性特征参量包括小波包熵、LZ复杂度和多尺度熵；（3）分别对每个特征参量采用改进的自适应归一化最小均方滤波器NLMS算法进行特征参量预测，改进的自适应NLMS算法利用NLMS在每一个时间步自适应更新的特性，根据设定的提前预测时间段进行特征参量的提前预测；（4）采用改进的小脑模型神经网络对预测得到的这些特征参量进行疲劳分类识别。该方法可以提前预测肌肉疲劳。

Description

一种基于表面肌电信号的肌肉疲劳提前预测与分类方法
技术领域
本发明属于表面肌肉信号分类技术领域，具体涉及一种基于表面肌电信号的肌肉疲劳提前预测与分类方法。
背景技术
在日常生活中，肌肉疲劳是一种常见的生理现象，通常是因为长时间运动或者发力而导致的肌肉无力或者酸痛的感觉。肌疲劳的定义是肌体由于肌肉运动系统的收缩能力暂时的下降而不能维持预期运动强度的动作。肌肉疲劳的评估在多个领域都具有广泛的应用，例如，在康复医学和体育运动学领域，肌疲劳可用于评估患者锻炼或运动员训练的强度，根据每个人的具体情况制定适合个体的锻炼或训练计划，防止过度疲劳引起的永久性肌肉损伤等等。
在康复训练治疗中，如果长时间不顾肌肉的疲劳而过量运动很可能会对肌体产生伤害，所以我们需要实时了解肌肉的疲劳状况，避免对肌体产生伤害。因此，对肌肉状态进行提前预测显得尤为重要。但是肌肉疲劳是一种复杂的生理状态，很难评估和量化，因为它同时反映了生理和心理方面的问题。此外，肌肉疲劳的时间进程和发展因受试者而异，这使得确定肌肉疲劳是个很严峻的问题。因此，研究一种能够适应个体并提前预测肌肉疲劳的方法具有必要性。实时监测并提前预测肌肉疲劳状态有助于医生和理疗师对患者进行康复治疗，并作为判断预后和诊断的指标。此外，预测肌肉活动和疲劳可以通过防止个人达到受伤风险的肌肉活动水平从而服务于更广泛的人群。
表面肌电信号(sEMG)是由运动时肌肉兴奋所产生的动作电位序列在皮肤表面叠加而成，是一种非平稳的微弱生物电信号。它可以反映神经肌肉系统的生理状态及活动情况，与肌肉疲劳之间有个重要关系，其特征能较好的表征肌体的疲劳状态，凭借它的反馈可以及时了解自身肌肉所处的状态。并且表面肌电信号的采集方式是无创采集，具有简便易操作的优势，所以基于表面肌电信号的疲劳研究是一种有效的方法。
发明内容
本发明的目的在于提供一种基于表面肌电信号的肌肉疲劳提前预测与分类方法，该方法可以提前预测肌肉疲劳。
为实现上述目的，本发明采用的技术方案是：一种基于表面肌电信号的肌肉疲劳提前预测与分类方法，包括以下步骤：
(1)选取与关节运动相关肌肉的表面肌电信号；
(2)对获取的表面肌电信号进行预处理，然后对信号进行分段处理，并对每段信号提取非线性特征参量作为疲劳特征向量，所述非线性特征参量包括小波包熵、LZ复杂度和多尺度熵；
(3)分别对每个特征参量采用改进的自适应归一化最小均方滤波器NLMS算法进行特征参量预测，改进的自适应NLMS算法利用NLMS在每一个时间步自适应更新的特性，根据设定的提前预测时间段进行特征参量的提前预测；
(4)采用改进的小脑模型神经网络对预测得到的这些特征参量进行疲劳分类识别。
进一步地，所述步骤(2)中，小波包熵的提取方法为：
(201)对表面肌电信号进行第j层小波包分解，得到2j个结点所对应的小波包系数：
Figure BDA0002700260390000021
其中，n为小波包系数长度，
Figure BDA0002700260390000022
表示第j层小波包分解得到的系数长度为n的第k个结点的小波包系数；
(202)取第j层各结点的小波包系数进行重构，得到各结点的小波包重构信号Dj,k；
(203)计算小波包重构信号Dj,k对应的能量Ej,k以及小波包重构信号的总能量E，其表达式如下：
Figure BDA0002700260390000023
Figure BDA0002700260390000024
其中，Dj,k(t)是Dj,k中的第t个离散数据，t＝1,2,...n；
(204)对Ej,k进行归一化处理，归一化的能量Pj,k为：
Figure BDA0002700260390000025
(205)计算小波包重构信号Dj,k对应的小波包熵WEj,k和总熵值WEtotal，其表达式如下：
WEj,k＝-Pj,klogPj,k (5)
Figure BDA0002700260390000031
如果表面肌电信号能量集中在一个子频带中，计算的WEtotal为零，即表面肌电信号为有序的，反之则相反。
进一步地，所述步骤(2)中，LZ复杂度的提取方法为：
将表面肌电信号的数字序列转换成符号序列，即将表面肌电信号得到值x(n)与预设的阈值进行比较，得到二进制序列s(n)，序列之和即为LZ复杂度。
进一步地，采用表面肌电信号的均值作为预设的阈值σ，表面肌电信号得到值x(n)大于阈值σ时，二进制序列取值为1，其他情况取值都为0，其具体公式为：
Figure BDA0002700260390000032
以上面计算得到的序列之和作为LZ复杂度的值，并根据其值判断信号的复杂度；计算得到的值越大说明该信号的复杂度大，反之则说明该信号的复杂度小。
进一步地，所述步骤(2)中，多尺度熵的提取方法为：
设表面肌电信号的时间序列为：x1,x2...,xn，采样频率为fs，则信号的原时间尺度为1/fs；
采用非重叠式粗粒化数据，时间尺度为j，即每次跳跃j个数据，并取j个数据进行平均以产生新的数据，其计算公式为：
y1＝(x1+x2+…+xj)/j，y2＝(xj+1+xj+2+…+x2j)/j，……；
以此类推，直至处理完所有数据；
然后计算每个尺度对应的样本熵及所选尺度范围内的样本熵值之和，即为多尺度熵；波动比较大的时间序列会产生比较大的熵值，反之则相反。
进一步地，所述步骤(3)中，采用改进的自适应归一化最小均方滤波器NLMS算法对每个特征参量进行特征参量预测的具体方法为：
(301)设提前预测的时间点数为l，特征向量提前预测的时间t＝l/ft，其中ft为特征参量的频率；输入特征参量y、训练窗口尺寸m、提前预测的时间点数l、学习率u、特征向量的长度N，其中，y为非线性特征参量中的一个；根据训练窗口点数m，初始化权重系数矩阵z为m×1的零矩阵；
(302)执行for循环，循环点数n从m+l到N-l；
(303)取n-m-l到n-l之间的m个原始样本点数据组成m×1的矩阵，将权重系数矩阵z的转置与该矩阵相乘计算得到预测的第n个样本点的输出值y'[n]；
(304)计算此时预测的输出值y'[n]与原始的数据点y[n]之间的误差e；
(305)根据误差e对权重z进行更新，更新公式为
Figure BDA0002700260390000041
(306)取n-m到n之间的m个原始样本点数据组成新的m×1矩阵，将更新后的权重系数矩阵z的转置与该矩阵相乘计算得到预测的第n+l个样本点的输出值y'[n+l]；
(307)返回到步骤(303)计算后面的样本输出值y'，直到循环点数n＝N-l循环结束；
输出预测的特征参量y'，其中y'为输入的非线性特征向量的预测值。
进一步地，所述步骤(4)中，采用改进的小脑模型神经网络对预测得到的特征参量进行疲劳分类识别的具体方法为：
小脑模型神经网络包括输入层、联想记忆层、感受野、权值记忆层以及输出层，所述联想记忆层的激活函数采用高斯型小波函数，具体为采用高斯函数的一阶导数作为小波函数，其计算公式如下所示：
Figure BDA0002700260390000042
其中，x为输入到联想记忆层的信号，b和a分别为小波函数的平移和扩张参数；对于这种高斯型小波函数，b和a也是高斯函数的均值和方差；
输出层激活函数采用sigmoid函数：
Figure BDA0002700260390000043
其中x是输入到输出层的信号；
输入层到输出层之间的表达式为：
Figure BDA0002700260390000051
其中，Ii为输入特征向量，m为特征向量维数；wik和wk分别是输入层与联想记忆层之间以及感受野与输出层之间的权值；n表示对输入向量特征的分辨率；为了增加网络的收敛性，误差函数使用的是交叉熵函数，其计算公式为：
Figure BDA0002700260390000052
其中，y为肌肉疲劳程度真实的输出值，
Figure BDA0002700260390000053
是小脑模型神经网络的肌肉疲劳程度预测值；
当小脑模型神经网络的输出值
Figure BDA0002700260390000054
大于等于设定阈值g时，神经网络判断其状态为疲劳状态，当
Figure BDA0002700260390000055
小于设定阈值g时，神经网络判断其状态为非疲劳。
相较于现有技术，本发明具有以下有益效果：该方法选取与关节运动相关肌肉的表面肌电信号，提取肌肉的非线性特征作为疲劳特征向量，采用改进的自适应NLMS算法进行特征预测，最后采用改进的小脑模型神经网络进行疲劳分类识别，从而实现了基于肌肉的表面肌电信号提前预测肌肉疲劳的目的，可广泛应用于康复医学和体育运动学领域，评估患者锻炼或运动员训练的强度。
附图说明
图1是本发明实施例的方法实现流程图。
图2是本发明实施例中采用改进的自适应归一化最小均方滤波器算法预测特征参量的实现流程。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的详细说明。
请参见图1，本发明提供了一种基于表面肌电信号的肌肉疲劳提前预测与分类方法，, 包括以下步骤：
(1)选取与关节运动相关肌肉的表面肌电信号，如腓肠肌、胫骨前肌、腓骨长肌等的表面肌电信号。
(2)对获取的表面肌电信号进行消噪等预处理，然后对信号进行分段处理，并对每段信号提取非线性特征参量作为疲劳特征向量，所述非线性特征参量包括小波包熵、 LZ(Lempel-Ziv)复杂度和多尺度熵。
其中，小波包熵的提取方法为：
(201)对表面肌电信号进行第j层小波包分解，得到2j个结点所对应的小波包系数：
Figure BDA0002700260390000061
其中，n为小波包系数长度，
Figure BDA0002700260390000062
表示第j层小波包分解得到的系数长度为n的第k个结点的小波包系数；
(202)取第j层各结点的小波包系数进行重构，得到各结点的小波包重构信号Dj,k；
(203)计算小波包重构信号Dj,k对应的能量Ej,k以及小波包重构信号的总能量E，其表达式如下：
Figure BDA0002700260390000063
Figure BDA0002700260390000064
其中，Dj,k(t)是Dj,k中的第t个离散数据，t＝1,2,...n；
(204)对Ej,k进行归一化处理，归一化的能量Pj,k为：
Figure BDA0002700260390000065
(205)计算小波包重构信号Dj,k对应的小波包熵WEj,k和总熵值WEtotal，其表达式如下：
WEj,k＝-Pj,klogPj,k (5)
Figure BDA0002700260390000066
如果表面肌电信号能量集中在一个子频带中，计算的WEtotal为零，即表面肌电信号为有序的，反之则相反。
LZ复杂度分析方法是分析肌电信号的一种非线性指标方法，该方法不需要过多的信号数据，并且具有良好的抗干扰性能。LZ复杂度的提取方法为：
将表面肌电信号的数字序列转换成符号序列，即将表面肌电信号得到值x(n)与预设的阈值进行比较，得到二进制序列s(n)，序列之和即为LZ复杂度。本发明中，采用表面肌电信号的均值作为预设的阈值σ，表面肌电信号得到值x(n)大于阈值σ时，二进制序列取值为1，其他情况取值都为0，其具体公式为：
Figure BDA0002700260390000071
以上面计算得到的序列之和作为LZ复杂度的值，并根据其值判断信号的复杂度。计算得到的值越大说明该信号的复杂度大，反之则说明该信号的复杂度小。
多尺度熵的提取方法为：
设表面肌电信号的时间序列为：x1,x2...,xn，采样频率为fs，则信号的原时间尺度为1/fs；
采用非重叠式粗粒化数据，时间尺度为j，即每次跳跃j个数据，并取j个数据进行平均以产生新的数据，其计算公式为：
y1＝(x1+x2+…+xj)/j，y2＝(xj+1+xj+2+…+x2j)/j，……；
以此类推，直至处理完所有数据；
本实施例中取j＝40，即每次跳跃40个数据，并取40个数据进行平均以产生新的数据。其计算公式为：y1＝(x1+x2+...+x40)/40；y2＝(x41+x42+...+x80)/40，以此类推。
然后计算每个尺度对应的样本熵及所选尺度范围内的样本熵值之和，即为多尺度熵。一个波动比较大的时间序列会产生比较大的熵值，反之则相反。
(3)分别对每个特征参量采用改进的自适应归一化最小均方滤波器NLMS算法进行特征参量预测，改进的自适应NLMS算法利用NLMS在每一个时间步自适应更新的特性，根据设定的提前预测时间段进行特征参量的提前预测。
如图2所示，采用改进的自适应归一化最小均方滤波器NLMS算法对每个特征参量进行特征参量预测的具体方法为：
(301)设提前预测的时间点数为l，特征向量提前预测的时间t＝l/ft，其中ft为特征参量的频率；输入特征参量y、训练窗口尺寸m、提前预测的时间点数l、学习率u、特征向量的长度N，其中，y为非线性特征参量中的一个；根据训练窗口点数m，初始化权重系数矩阵z为m×1的零矩阵；
(302)执行for循环，循环点数n从m+l到N-l；
(303)取n-m-l到n-l之间的m个原始样本点数据组成m×1的矩阵，将权重系数矩阵z的转置与该矩阵相乘计算得到预测的第n个样本点的输出值y'[n]；
(304)计算此时预测的输出值y'[n]与原始的数据点y[n]之间的误差e；
(305)根据误差e对权重z进行更新，更新公式为
Figure BDA0002700260390000081
(306)取n-m到n之间的m个原始样本点数据组成新的m×1矩阵，将更新后的权重系数矩阵z的转置与该矩阵相乘计算得到预测的第n+l个样本点的输出值y'[n+l]；
(307)返回到步骤(303)计算后面的样本输出值y'，直到循环点数n＝N-l循环结束；
输出预测的特征参量y'，其中y'为输入的非线性特征向量的预测值。
(4)采用改进的小脑模型神经网络对预测得到的这些特征参量进行疲劳分类识别。
小脑模型神经网络是基于神经生理学出的一种快速、泛化能力强、局部逼近的神经网络。本发明将改进的小脑模型神经网络用于对预测得到的特征参量进行疲劳分类识别，其具体方法为：
小脑模型神经网络包括输入层、联想记忆层、感受野、权值记忆层以及输出层，本发明中联想记忆层的激活函数采用高斯型小波函数，具体为采用高斯函数的一阶导数作为小波函数，其计算公式如下所示：
Figure BDA0002700260390000082
其中，x为输入到联想记忆层的信号，b和a分别为小波函数的平移和扩张参数；对于这种高斯型小波函数，b和a也是高斯函数的均值和方差；
输出层激活函数采用sigmoid函数：
Figure BDA0002700260390000083
其中x是输入到输出层的信号；
输入层到输出层之间的表达式为：
Figure BDA0002700260390000091
其中，Ii为输入特征向量，m为特征向量维数，此处m取值为3；wik和wk分别是输入层与联想记忆层之间以及感受野与输出层之间的权值；n取值为9，表示对输入向量特征的分辨率；为了增加网络的收敛性，本发明的误差函数使用的是交叉熵函数，其计算公式为：
Figure BDA0002700260390000092
其中，y为肌肉疲劳程度真实的输出值，
Figure BDA0002700260390000093
是小脑模型神经网络的肌肉疲劳程度预测值；
当小脑模型神经网络的输出值
Figure BDA0002700260390000094
大于等于设定阈值g时，神经网络判断其状态为疲劳状态，当
Figure BDA0002700260390000095
小于设定阈值g时，神经网络判断其状态为非疲劳。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (7)

1.一种基于表面肌电信号的肌肉疲劳提前预测与分类方法，其特征在于，包括以下步骤：
(1)选取与关节运动相关肌肉的表面肌电信号；
(2)对获取的表面肌电信号进行预处理，然后对信号进行分段处理，并对每段信号提取非线性特征参量作为疲劳特征向量，所述非线性特征参量包括小波包熵、LZ复杂度和多尺度熵；
(3)分别对每个特征参量采用改进的自适应归一化最小均方滤波器NLMS算法进行特征参量预测，改进的自适应NLMS算法利用NLMS在每一个时间步自适应更新的特性，根据设定的提前预测时间段进行特征参量的提前预测；
(4)采用改进的小脑模型神经网络对预测得到的这些特征参量进行疲劳分类识别。
2.根据权利要求1所述的一种基于表面肌电信号的肌肉疲劳提前预测与分类方法，其特征在于，所述步骤(2)中，小波包熵的提取方法为：
(201)对表面肌电信号进行第j层小波包分解，得到2j个结点所对应的小波包系数：
Figure FDA0002700260380000011
其中，n为小波包系数长度，
Figure FDA0002700260380000012
表示第j层小波包分解得到的系数长度为n的第k个结点的小波包系数；
(202)取第j层各结点的小波包系数进行重构，得到各结点的小波包重构信号Dj,k；
(203)计算小波包重构信号Dj,k对应的能量Ej,k以及小波包重构信号的总能量E，其表达式如下：
Figure FDA0002700260380000013
Figure FDA0002700260380000014
其中，Dj,k(t)是Dj,k中的第t个离散数据，t＝1,2,...n；
(204)对Ej,k进行归一化处理，归一化的能量Pj,k为：
Figure FDA0002700260380000015
(205)计算小波包重构信号Dj,k对应的小波包熵WEj,k和总熵值WEtotal，其表达式如下：
WEj,k＝-Pj,klogPj,k (5)
Figure FDA0002700260380000021
如果表面肌电信号能量集中在一个子频带中，计算的WEtotal为零，即表面肌电信号为有序的，反之则相反。
3.根据权利要求1所述的一种基于表面肌电信号的肌肉疲劳提前预测与分类方法，其特征在于，所述步骤(2)中，LZ复杂度的提取方法为：
将表面肌电信号的数字序列转换成符号序列，即将表面肌电信号得到值x(n)与预设的阈值进行比较，得到二进制序列s(n)，序列之和即为LZ复杂度。
4.根据权利要求3所述的一种基于表面肌电信号的肌肉疲劳提前预测与分类方法，其特征在于，采用表面肌电信号的均值作为预设的阈值σ，表面肌电信号得到值x(n)大于阈值σ时，二进制序列取值为1，其他情况取值都为0，其具体公式为：
Figure FDA0002700260380000022
以上面计算得到的序列之和作为LZ复杂度的值，并根据其值判断信号的复杂度；计算得到的值越大说明该信号的复杂度大，反之则说明该信号的复杂度小。
5.根据权利要求1所述的一种基于表面肌电信号的肌肉疲劳提前预测与分类方法，其特征在于，所述步骤(2)中，多尺度熵的提取方法为：
设表面肌电信号的时间序列为：x1,x2...,xn，采样频率为fs，则信号的原时间尺度为1/fs；
采用非重叠式粗粒化数据，时间尺度为j，即每次跳跃j个数据，并取j个数据进行平均以产生新的数据，其计算公式为：
y1＝(x1+x2+…+xj)/j，y2＝(xj+1+xj+2+…+x2j)/j，……；
以此类推，直至处理完所有数据；
然后计算每个尺度对应的样本熵及所选尺度范围内的样本熵值之和，即为多尺度熵；波动比较大的时间序列会产生比较大的熵值，反之则相反。
6.根据权利要求1所述的一种基于表面肌电信号的肌肉疲劳提前预测与分类方法，其特征在于，所述步骤(3)中，采用改进的自适应归一化最小均方滤波器NLMS算法对每个特征参量进行特征参量预测的具体方法为：
(301)设提前预测的时间点数为l，特征向量提前预测的时间t＝l/ft，其中ft为特征参量的频率；输入特征参量y、训练窗口尺寸m、提前预测的时间点数l、学习率u、特征向量的长度N，其中，y为非线性特征参量中的一个；根据训练窗口点数m，初始化权重系数矩阵z为m×1的零矩阵；
(302)执行for循环，循环点数n从m+l到N-l；
(303)取n-m-l到n-l之间的m个原始样本点数据组成m×1的矩阵，将权重系数矩阵z的转置与该矩阵相乘计算得到预测的第n个样本点的输出值y'[n]；
(304)计算此时预测的输出值y'[n]与原始的数据点y[n]之间的误差e；
(305)根据误差e对权重z进行更新，更新公式为
Figure FDA0002700260380000031
(306)取n-m到n之间的m个原始样本点数据组成新的m×1矩阵，将更新后的权重系数矩阵z的转置与该矩阵相乘计算得到预测的第n+l个样本点的输出值y'[n+l]；
(307)返回到步骤(303)计算后面的样本输出值y'，直到循环点数n＝N-l循环结束；
输出预测的特征参量y'，其中y'为输入的非线性特征向量的预测值。
7.根据权利要求1所述的一种基于表面肌电信号的肌肉疲劳提前预测与分类方法，其特征在于，所述步骤(4)中，采用改进的小脑模型神经网络对预测得到的特征参量进行疲劳分类识别的具体方法为：
小脑模型神经网络包括输入层、联想记忆层、感受野、权值记忆层以及输出层，所述联想记忆层的激活函数采用高斯型小波函数，具体为采用高斯函数的一阶导数作为小波函数，其计算公式如下所示：
Figure FDA0002700260380000032
其中，x为输入到联想记忆层的信号，b和a分别为小波函数的平移和扩张参数；对于这种高斯型小波函数，b和a也是高斯函数的均值和方差；
输出层激活函数采用sigmoid函数：
Figure FDA0002700260380000041
其中x是输入到输出层的信号；
输入层到输出层之间的表达式为：
Figure FDA0002700260380000042
其中，Ii为输入特征向量，m为特征向量维数；wik和wk分别是输入层与联想记忆层之间以及感受野与输出层之间的权值；n表示对输入向量特征的分辨率；为了增加网络的收敛性，误差函数使用的是交叉熵函数，其计算公式为：
Figure FDA0002700260380000043
其中，y为肌肉疲劳程度真实的输出值，
Figure FDA0002700260380000044
是小脑模型神经网络的肌肉疲劳程度预测值；
当小脑模型神经网络的输出值
Figure FDA0002700260380000045
大于等于设定阈值g时，神经网络判断其状态为疲劳状态，当
Figure FDA0002700260380000046
小于设定阈值g时，神经网络判断其状态为非疲劳。
CN202011019909.3A 2020-09-25 2020-09-25 一种基于表面肌电信号的肌肉疲劳提前预测与分类方法 Pending CN112120697A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011019909.3A CN112120697A (zh) 2020-09-25 2020-09-25 一种基于表面肌电信号的肌肉疲劳提前预测与分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011019909.3A CN112120697A (zh) 2020-09-25 2020-09-25 一种基于表面肌电信号的肌肉疲劳提前预测与分类方法

Publications (1)

Publication Number Publication Date
CN112120697A true CN112120697A (zh) 2020-12-25

Family

ID=73839253

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011019909.3A Pending CN112120697A (zh) 2020-09-25 2020-09-25 一种基于表面肌电信号的肌肉疲劳提前预测与分类方法

Country Status (1)

Country Link
CN (1) CN112120697A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112999585A (zh) * 2021-03-30 2021-06-22 郑州铁路职业技术学院 一种用于人体腰椎恢复的辅助装置
CN113116363A (zh) * 2021-04-15 2021-07-16 西北工业大学 一种基于表面肌电信号判断手部疲劳度方法
CN113133771A (zh) * 2021-03-18 2021-07-20 浙江工业大学 基于时频域熵特征的子宫肌电信号分析及早产预测方法
CN113143570A (zh) * 2021-04-27 2021-07-23 福州大学 多传感器融合反馈调整的止鼾枕
CN113274039A (zh) * 2021-05-19 2021-08-20 福州市第二医院（福建省福州中西医结合医院、福州市职业病医院） 一种基于表面肌电信号和运动信号的预测分类方法和装置
CN113974646A (zh) * 2021-12-01 2022-01-28 湖南万脉医疗科技有限公司 一种基于信息耦合的睡眠评估方法
CN114931390A (zh) * 2022-05-06 2022-08-23 电子科技大学 基于疲劳分析的肌力估计方法
CN115985463A (zh) * 2023-03-17 2023-04-18 山东大学齐鲁医院 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

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106108898A (zh) * 2016-07-20 2016-11-16 南京智松电子科技有限公司 一种检测眼睛肌肉疲劳的方法和检测系统
CN110032987A (zh) * 2019-04-23 2019-07-19 福州大学 一种基于小脑神经网络模型的表面肌电信号分类方法
CN110710984A (zh) * 2019-10-18 2020-01-21 福州大学 基于表面肌电信号的递归小脑模型的足踝力矩预测方法
CN110870769A (zh) * 2018-09-03 2020-03-10 香港理工大学深圳研究院 一种肌肉疲劳等级的检测方法及设备
KR102104465B1 (ko) * 2018-12-20 2020-04-24 조선대학교산학협력단 뉴럴 네트워크를 이용한 졸음운전 방지 방법 및 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106108898A (zh) * 2016-07-20 2016-11-16 南京智松电子科技有限公司 一种检测眼睛肌肉疲劳的方法和检测系统
CN110870769A (zh) * 2018-09-03 2020-03-10 香港理工大学深圳研究院 一种肌肉疲劳等级的检测方法及设备
KR102104465B1 (ko) * 2018-12-20 2020-04-24 조선대학교산학협력단 뉴럴 네트워크를 이용한 졸음운전 방지 방법 및 장치
CN110032987A (zh) * 2019-04-23 2019-07-19 福州大学 一种基于小脑神经网络模型的表面肌电信号分类方法
CN110710984A (zh) * 2019-10-18 2020-01-21 福州大学 基于表面肌电信号的递归小脑模型的足踝力矩预测方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
LI,ZHAN: "Muscle Fatigue Tracking with Evoked EMG via Recurrent Neural Network: Toward Personalized Neuroprosthetics", 《IEEE COMPUTATIONAL INTELLIGENCE MAGAZINE》 *
周睿: "表面肌电分析反馈仪软件系统设计及非线性信号处理技术的应用研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 *
张博文: "基于SEMG的肌肉疲劳度评估及其在上肢康复产品设计中的应用研", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
王乐军: "小波包分析与人工神经网络相结合探索运动性肌肉疲劳过程中sEMG变化特征", 《体育科学》 *
许全盛: "基于表面肌电多尺度熵的递增负荷诱导肌肉疲劳评估", 《天津体育学院学报》 *
赵京东: "基于小波变换和样本熵的假手肌电模式识别方法", 《控制与决策》 *
赵春晖: "《自适应信号处理技术》", 31 August 2009, 北京理工大学出版社 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113133771A (zh) * 2021-03-18 2021-07-20 浙江工业大学 基于时频域熵特征的子宫肌电信号分析及早产预测方法
CN113133771B (zh) * 2021-03-18 2022-10-28 浙江工业大学 基于时频域熵特征的子宫肌电信号分析及早产预测方法
CN112999585A (zh) * 2021-03-30 2021-06-22 郑州铁路职业技术学院 一种用于人体腰椎恢复的辅助装置
CN113116363A (zh) * 2021-04-15 2021-07-16 西北工业大学 一种基于表面肌电信号判断手部疲劳度方法
CN113143570A (zh) * 2021-04-27 2021-07-23 福州大学 多传感器融合反馈调整的止鼾枕
CN113143570B (zh) * 2021-04-27 2023-08-11 福州大学 多传感器融合反馈调整的止鼾枕
CN113274039A (zh) * 2021-05-19 2021-08-20 福州市第二医院（福建省福州中西医结合医院、福州市职业病医院） 一种基于表面肌电信号和运动信号的预测分类方法和装置
CN113974646A (zh) * 2021-12-01 2022-01-28 湖南万脉医疗科技有限公司 一种基于信息耦合的睡眠评估方法
CN114931390A (zh) * 2022-05-06 2022-08-23 电子科技大学 基于疲劳分析的肌力估计方法
CN115985463A (zh) * 2023-03-17 2023-04-18 山东大学齐鲁医院 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

Similar Documents

Publication Publication Date Title
CN112120697A (zh) 一种基于表面肌电信号的肌肉疲劳提前预测与分类方法
Nazarpour et al. Application of higher order statistics to surface electromyogram signal classification
CN110238863A (zh) 基于脑电-肌电信号的下肢康复机器人控制方法及系统
CN111184512B (zh) 一种脑卒中患者上肢及手部康复训练动作识别方法
AlOmari et al. Analysis of extracted forearm sEMG signal using LDA, QDA, K-NN classification algorithms
CN111931606B (zh) 基于混合Copula互信息的肌间耦合分析方法
CN105997064A (zh) 一种用于人体下肢表面肌电信号的辨识方法
Mokhlesabadifarahani et al. EMG signals characterization in three states of contraction by fuzzy network and feature extraction
Gao et al. Human gait recognition based on multiple feature combination and parameter optimization algorithms
CN113111831A (zh) 一种基于多模态信息融合的手势识别技术
Sun et al. One-channel surface electromyography decomposition for muscle force estimation
CN109498370A (zh) 基于肌电小波关联维的下肢关节角度预测方法
Majid et al. EMG feature extractions for upper-limb functional movement during rehabilitation
CN110738093B (zh) 基于改进小世界回声状态网络肌电的分类方法
Djemal et al. Tonic-myoclonic epileptic seizure classification based on surface electromyography
CN110321856B (zh) 一种时频多尺度散度csp的脑机接口方法及装置
Dubey et al. A neural network approach for ECG classification
Marri et al. Identification of onset of fatigue in biceps brachii muscles using surface EMG and multifractal DMA alogrithm
Djemal et al. Epileptic Seizure Motion Classification based on sEMG and Artificial Neural Network
Naseem et al. Detection of sEMG muscle activation intervals using gaussian mixture model and ant colony classifier
Jana et al. A hybrid method for classification of physical action using discrete wavelet transform and artificial neural network
CN113261974A (zh) 一种基于多生理信号的运动疲劳监测方法
Khadivi et al. SEMG classification for upper-limb prosthesis control using higher order statistics
Murthy et al. A machine learning based frame work for classification of neuromuscular disorders
Hosen et al. Age classification based on EMG signal using Artificial Neural Network

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201225

RJ01 Rejection of invention patent application after publication