CN112558757B - 一种基于平滑约束非负矩阵分解的肌肉协同提取方法 - Google Patents

一种基于平滑约束非负矩阵分解的肌肉协同提取方法 Download PDF

Info

Publication number
CN112558757B
CN112558757B CN202011309787.1A CN202011309787A CN112558757B CN 112558757 B CN112558757 B CN 112558757B CN 202011309787 A CN202011309787 A CN 202011309787A CN 112558757 B CN112558757 B CN 112558757B
Authority
CN
China
Prior art keywords
muscle
matrix
electromyographic data
negative matrix
smooth constraint
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
CN202011309787.1A
Other languages
English (en)
Other versions
CN112558757A (zh
Inventor
马冶浩
左国坤
施长城
徐佳琳
张佳楫
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.)
Ningbo Institute of Material Technology and Engineering of CAS
Cixi Institute of Biomedical Engineering CIBE of CAS
Original Assignee
Ningbo Institute of Material Technology and Engineering of CAS
Cixi Institute of Biomedical Engineering CIBE of CAS
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 Ningbo Institute of Material Technology and Engineering of CAS, Cixi Institute of Biomedical Engineering CIBE of CAS filed Critical Ningbo Institute of Material Technology and Engineering of CAS
Priority to CN202011309787.1A priority Critical patent/CN112558757B/zh
Publication of CN112558757A publication Critical patent/CN112558757A/zh
Application granted granted Critical
Publication of CN112558757B publication Critical patent/CN112558757B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Dermatology (AREA)
  • General Health & Medical Sciences (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • Human Computer Interaction (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种基于平滑约束非负矩阵分解的肌肉协同提取方法，依次包括在人体运动过程中采集多块肌肉的肌电数据，得到多通道肌电数据矩阵D(n*m)，然后采用平滑约束非负矩阵分解从肌电数据矩阵D(n*m)中提取肌肉协同，本发明通过添加平滑约束改善非负矩阵分解肌肉协同提取优化过程中目标函数的非凸性，避免迭代陷入局部最优，提高肌肉协同提取的稳定性。

Description

一种基于平滑约束非负矩阵分解的肌肉协同提取方法
技术领域
本发明涉及生物信号处理技术与传感器技术领域，具体为一种基于平滑约束非负矩阵分解的肌肉协同提取方法。
背景技术
中枢神经系统如何控制身体的肌肉骨骼系统来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；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，而一个肌肉可在多个肌肉协同中存在激活，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表示，因此，肌肉协同是一种潜在的人体运动能力评估方法；尤其是脑卒中、脑瘫、脊髓损伤等患者的运动能力评估方面，具有光明的应用前景。
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取得；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之间的残差，直到达到收敛条件停止迭代，实现肌肉协同模式的提取；非负矩阵分解具有原理简单、容易实现、分解非负性的优点，但是该方法解具有非唯一性，且目标函数具有非凸性，在迭代优化过程中容易陷入局部最优，重复性有待提高。
发明内容
本发明的目的在于提供一种基于平滑约束非负矩阵分解的肌肉协同题图方法，以解决上述背景技术中提出的传统的肌肉协同提取方法的稳定性和重复性有待提高的问题。
为实现上述目的，本发明提供如下技术方案，一种基于平滑约束非负矩阵分解的肌肉协同提取方法，包括如下步骤：
S1.人体运动过程中采集多块肌肉的肌电数据，得到多通道肌电数据矩阵D(n*m)，n为肌电数据的通道数，m为肌电数据的变量数；
S2.采用平滑约束非负矩阵分解从肌电数据矩阵D(n*m)中提取肌肉协同。
优选的，所述S2中肌肉协同的具体包括：
S21.初始化协同数k；
S22.随机产生初始化矩阵C(n*k)和S(k*m)；
S23.迭代更新S
Figure BDA0002789428920000021
迭代更新C
Figure BDA0002789428920000022
S24.迭代收敛判断
Figure BDA0002789428920000023
Figure BDA0002789428920000024
若Q大于0.01％以及l+1小于1000，则返回S23重新迭代矩阵C(n*k)和S(k*m)，并计算Q；
若Q小于0.01％或者l+1大于1000，则进入S25；
其中l+1为迭代次数；
S25.在协同数k下利用平滑约束非负矩阵分解对肌电数据矩阵D(n*m)进行重构进度判断；
重构精度公式：
Figure BDA0002789428920000031
若VAF≤80％，则k＝k+1，然后返回S22进入迭代；
若VAF＞80％，则当前协同数k下的矩阵C(n*k)和S(k*m)为最终要提取的肌肉协同。
与现有技术相比，本发明的有益效果是：本发明通过添加平滑约束非负矩阵分解改善肌肉协同提取优化过程中目标函数的非凸性，避免迭代陷入局部最优，提高肌肉协同提取的稳定性。
附图说明
图1为传统的非负矩阵分解法对于某受试者同一肌电数据的重复计算肌肉协同统计盒须图；
图2为本发明方法对于某受试者同一肌电数据的重复计算肌肉协同统计盒须图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。
本发明提供一种技术方案：一种基于平滑约束非负矩阵分解的肌肉协同提取方法，其特征在于，包括如下步骤：
S1.人体运动过程中采集多块肌肉的肌电数据，得到多通道肌电数据矩阵D(n*m)，n为肌电数据的通道数，m为肌电数据的变量数；
具体采集流程包括：
五名健康受试者(平均年龄为27.6岁)进行规定的测试；五名受试者均采用右手在上肢康复机器人进行画圆康复任务；
第一阶段：受试者充分熟悉上肢康复机器人的画圆康复任务；
第二阶段：每名受试者重复完成画圆康复任务五次；
本申请主要利用Trigno Wireless System设备在第二阶段中对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；然后将采集到的7个通道肌电原始数据分别进行40Hz～400Hz的带通滤波、整流、取包络线、归一化等数据预处理，得到数据矩阵D(n*m)；
S2.采用平滑约束非负矩阵分解从肌电数据矩阵D(n*m)中提取肌肉协同；具体包括：
S21.初始化协同数k；
S22.随机产生初始化矩阵C(n*k)和S(k*m)；
S23.迭代更新S
Figure BDA0002789428920000041
迭代更新C
Figure BDA0002789428920000042
S24.迭代收敛判断
Figure BDA0002789428920000043
Figure BDA0002789428920000051
若Q大于0.01％以及l+1小于1000，则返回S23重新迭代矩阵C(n*k)和S(k*m)，并计算Q；
若Q小于0.01％或者l+1大于1000，则进入S25；
其中l+1为迭代次数；
S25.在协同数k下利用平滑约束非负矩阵分解对肌电数据矩阵D(n*m)进行重构进度判断；
重构精度公式：
Figure BDA0002789428920000052
若VAF≤80％，则k＝k+1，然后返回S22进入迭代；
若VAF＞80％，则当前协同数k下的矩阵C(n*k)和S(k*m)为最终要提取的肌肉协同。
图1为采用非负矩阵分解法对与某受试者同一肌电数据的重复计算鸡头协同统计盒须图，可见，非负矩阵分解法计算得到的3个协同波动范围较大；平均相关系数分别为0.958,0.889，0.857，标准差分别为：0.046，0.129，0.162；
图2为采用本申请平滑约束非负矩阵分解法的平均相关系数分别为0.977,0.963,0.970,标准差分别为：0.025,0.043,0.035，可见，平滑约束非负矩阵分解法的重复性更好；
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。非负矩阵分解计算得到的五名受试者协同的一致性相关系数为0.829、0.836、0.783，而平滑约束非负矩阵分解法计算得到的五名受试者协同的一致性相关系数为0.865,0.886,0.847。可见平滑约束非负矩阵分解法在肌肉协同提取上稳定性更好。
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，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 (1)

1.一种基于平滑约束非负矩阵分解的肌肉协同提取方法，其特征在于，包括如下步骤：
S1.人体运动过程中采集多块肌肉的肌电数据，得到多通道肌电数据矩阵D(n*m)，n为肌电数据的通道数，m为肌电数据的变量数；
S2.采用平滑约束非负矩阵分解从肌电数据矩阵D(n*m)中提取肌肉协同；具体包括：
S21.初始化协同数k；
S22.随机产生初始化矩阵C(n*k)和S(k*m)；C(n*k)是肌肉协同的矩阵；S(k*m)激活矩阵；
S23.迭代更新S
Figure FDA0003615839420000011
式中，α为迭代更新系数；
迭代更新C
Figure FDA0003615839420000012
S24.迭代收敛判断
Figure FDA0003615839420000013
Figure FDA0003615839420000014
若Q大于0.01％以及l+1小于1000，则返回S23重新迭代矩阵C(n*k)和S(k*m)，并计算Q；若Q小于0.01％或者l+1大于1000，则进入S25；
其中l+1为迭代次数；
S25.在协同数k下利用平滑约束非负矩阵分解对肌电数据矩阵D(n*m)进行重构精度判断；
重构精度公式：
Figure FDA0003615839420000021
若VAF≤80％，则k＝k+1，然后返回S22进入迭代；
若VAF＞80％，则当前协同数k下的矩阵C(n*k)和S(k*m)为最终要提取的肌肉协同。
CN202011309787.1A 2020-11-20 2020-11-20 一种基于平滑约束非负矩阵分解的肌肉协同提取方法 Active CN112558757B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011309787.1A CN112558757B (zh) 2020-11-20 2020-11-20 一种基于平滑约束非负矩阵分解的肌肉协同提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011309787.1A CN112558757B (zh) 2020-11-20 2020-11-20 一种基于平滑约束非负矩阵分解的肌肉协同提取方法

Publications (2)

Publication Number Publication Date
CN112558757A CN112558757A (zh) 2021-03-26
CN112558757B true CN112558757B (zh) 2022-08-23

Family

ID=75044241

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011309787.1A Active CN112558757B (zh) 2020-11-20 2020-11-20 一种基于平滑约束非负矩阵分解的肌肉协同提取方法

Country Status (1)

Country Link
CN (1) CN112558757B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105957537A (zh) * 2016-06-20 2016-09-21 安徽大学 一种基于l1/2稀疏约束卷积非负矩阵分解的语音去噪方法和系统
CN107016261A (zh) * 2017-04-11 2017-08-04 曲阜师范大学 基于联合约束非负矩阵分解的差异表达基因辨识方法
CN107451545A (zh) * 2017-07-15 2017-12-08 西安电子科技大学 基于软标签下多通道判别非负矩阵分解的人脸识别方法
CN108416374A (zh) * 2018-02-13 2018-08-17 中国科学院西安光学精密机械研究所 基于判别正交子空间约束的非负矩阵分解方法
CN111326252A (zh) * 2020-02-18 2020-06-23 杭州电子科技大学 一种基于肌间协同和肌间耦合运动功能分析方法
CN111543990A (zh) * 2020-05-13 2020-08-18 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8015003B2 (en) * 2007-11-19 2011-09-06 Mitsubishi Electric Research Laboratories, Inc. Denoising acoustic signals using constrained non-negative matrix factorization
CN105893954B (zh) * 2016-03-30 2019-04-23 深圳大学 一种基于核机器学习的非负矩阵分解人脸识别方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105957537A (zh) * 2016-06-20 2016-09-21 安徽大学 一种基于l1/2稀疏约束卷积非负矩阵分解的语音去噪方法和系统
CN107016261A (zh) * 2017-04-11 2017-08-04 曲阜师范大学 基于联合约束非负矩阵分解的差异表达基因辨识方法
CN107451545A (zh) * 2017-07-15 2017-12-08 西安电子科技大学 基于软标签下多通道判别非负矩阵分解的人脸识别方法
CN108416374A (zh) * 2018-02-13 2018-08-17 中国科学院西安光学精密机械研究所 基于判别正交子空间约束的非负矩阵分解方法
CN111326252A (zh) * 2020-02-18 2020-06-23 杭州电子科技大学 一种基于肌间协同和肌间耦合运动功能分析方法
CN111543990A (zh) * 2020-05-13 2020-08-18 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
THz spectral data analysis and components unmixing based on;Yehao Ma,et al;《Spectrochimica Acta Part A》;20170104;49-57 *
正交指数约束的平滑非负矩阵分解方法及应用;同鸣等;《系统工程与电子技术》;20131030;第35卷(第10期);2221-2228 *
训练轨迹对上肢肌肉协同的影响;何勇等;《北京生物医学工程》;20191030;第38卷(第5期);441-449 *

Also Published As

Publication number Publication date
CN112558757A (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
CN109262618B (zh) 基于肌肉协同的上肢多关节同步比例肌电控制方法与系统
Pan et al. Alterations of muscle synergies during voluntary arm reaching movement in subacute stroke survivors at different levels of impairment
He et al. Invariant surface EMG feature against varying contraction level for myoelectric control based on muscle coordination
CN109620651B (zh) 基于同步脑肌电的智能辅助康复设备
CN108743223B (zh) 一种基于健侧生物电控的智能外骨骼康复机械手及方法
CN106901728B (zh) 基于变尺度符号传递熵的多通道脑肌电耦合分析方法
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
CN106067178A (zh) 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
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
CN107822629B (zh) 四肢表面肌电轴的检测方法
Tang et al. Continuous estimation of human upper limb joint angles by using PSO-LSTM model
CN111708978B (zh) 多尺度时频肌间耦合分析方法
Liang et al. Identification of gesture based on combination of raw sEMG and sEMG envelope using supervised learning and univariate feature selection
CN109498370A (zh) 基于肌电小波关联维的下肢关节角度预测方法
Andrews et al. Optimal electrode configurations for finger movement classification using EMG
Meng et al. Evaluation of decomposition parameters for high-density surface electromyogram using fast independent component analysis algorithm
Guo et al. A method of evaluating rehabilitation stage by sEMG signals for the upper limb rehabilitation robot
CN115067970A (zh) 一种基于脑电肌电信号的康复效果评估方法及系统
CN113558638A (zh) 基于Vine Copula的脑肌耦合模型构建方法
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
CN117854744A (zh) 一种基于ssvep脑电信号的智能查房方法和系统
Phinyomark et al. The relationship between anthropometric variables and features of electromyography signal for human–computer interface
Veer A flexible approach for segregating physiological signals
Asres et al. A combination of AR and neural network technique for EMG pattern identification
Sun et al. Classification of sEMG signals using integrated neural network with small sized training data

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