CN113288532B - 一种肌电控制方法和装置 - Google Patents
一种肌电控制方法和装置 Download PDFInfo
- Publication number
- CN113288532B CN113288532B CN202110598200.1A CN202110598200A CN113288532B CN 113288532 B CN113288532 B CN 113288532B CN 202110598200 A CN202110598200 A CN 202110598200A CN 113288532 B CN113288532 B CN 113288532B
- Authority
- CN
- China
- Prior art keywords
- unit
- motion
- sequence
- window
- muscle excitation
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000003183 myoelectrical effect Effects 0.000 title abstract description 12
- 210000003205 muscle Anatomy 0.000 claims abstract description 81
- 230000005284 excitation Effects 0.000 claims abstract description 73
- 230000009471 action Effects 0.000 claims abstract description 46
- 230000036982 action potential Effects 0.000 claims abstract description 23
- 210000003414 extremity Anatomy 0.000 claims description 32
- 238000002567 electromyography Methods 0.000 claims description 17
- 230000001133 acceleration Effects 0.000 claims description 14
- 210000003857 wrist joint Anatomy 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 210000000707 wrist Anatomy 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000005070 sampling Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 230000008407 joint function Effects 0.000 description 6
- 210000002161 motor neuron Anatomy 0.000 description 6
- 238000000926 separation method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000001537 neural effect Effects 0.000 description 5
- 230000002232 neuromuscular Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 210000000245 forearm Anatomy 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000001087 myotubule Anatomy 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
- A61F2/00—Filters implantable into blood vessels; Prostheses, i.e. artificial substitutes or replacements for parts of the body; Appliances for connecting them with the body; Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
- A61F2/50—Prostheses not implantable in the body
- A61F2/68—Operating or control means
- A61F2/70—Operating or control means electrical
- A61F2/72—Bioelectric control, e.g. myoelectric
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Vascular Medicine (AREA)
- Cardiology (AREA)
- Artificial Intelligence (AREA)
- Transplantation (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Prostheses (AREA)
Abstract
本申请提供了一种肌电控制方法和装置。所述方法包括：采集表面肌电信号；分析所述表面肌电信号获取运动单元动作电位序列；根据所述运动单元动作电位序列估计肌肉兴奋值；基于预设肌肉骨骼模型获取所述肌肉兴奋值对应的运动学数据；根据所述运动学数据控制对应假肢的运动。该方法能够灵活、精细地控制假肢的运动，提高用户体验。
Description
技术领域
本发明涉及信息处理技术领域，特别涉及一种肌电控制方法和装置。
背景技术
目前假肢通过肌电接口接收用户的控制命令。利用这个接口，通过采集表面肌电信号(sEMG)来检测残肢中的肌肉纤维电活动，通过分类和回归的方法对表面肌电信号的分析处理控制对应的假肢。
在实现本申请的过程中，发明人发现上述方式只能控制指定动作，不能根据表面肌电信号灵活、精准控制假肢运动。
发明内容
有鉴于此，本申请提供一种肌电控制方法和装置，能够灵活、精细地控制假肢的运动，提高用户体验。
为解决上述技术问题，本申请的技术方案是这样实现的：
在一个实施例中，提供了一种肌电控制方法，所述方法包括：
采集表面肌电信号；
分析所述表面肌电信号获取运动单元动作电位序列；
根据所述运动单元动作电位序列估计肌肉兴奋值；
基于预设肌肉骨骼模型获取所述肌肉兴奋值对应的运动学数据；
根据所述运动学数据控制对应假肢的运动。
在另一个实施例中，提供了一种肌电控制装置，所述装置包括：采集单元、分析单元、估计单元、获取单元和控制单元；
所述采集单元，用于采集表面肌电信号；
所述分析单元，用于分析所述采集单元采集的表面肌电信号获取运动单元动作电位序列；
所述估计单元，用于根据所述分析单元获取的运动单元动作电位序列估计肌肉兴奋值；
所述获取单元，用于基于预设肌肉骨骼模型获取所述估计单元估计的肌肉兴奋值对应的运动学数据；
所述控制单元，根据所述获取单元获取的运动学数据控制对应假肢的运动。
在另一个实施例中，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述肌电控制方法的步骤。
在另一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述肌电控制方法的步骤。
由上面的技术方案可见，上述实施例中通过利用表面肌电信号来解析神经运动信息序列，并将信息序列映射到生物力学模型上进而控制假肢进行运动。实现了使用由运动神经元活动直接驱动的全正向动力学肌肉骨骼模型来模拟从肌肉兴奋到产生关节功能的一系列转变，能够灵活、精细地控制假肢的运动，提高用户体验。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例一中肌电控制流程示意图；
图2为本申请实施例二中肌电控制流程示意图；
图3为本申请实施例三中肌电控制流程示意图；
图4为本申请实施例四中肌电控制流程示意图；
图5为本申请实施例中肌电控制装置结构示意图；
图6为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他步骤或单元。
下面以具体实施例对本发明的技术方案进行详细说明。下面几个具体实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
本申请实施例中提供一种肌电控制方法，应用于控制假肢的场景中，通过利用表面肌电信号来解析神经运动信息序列，并将信息序列映射到生物力学模型上进而控制假肢进行运动。实现了使用由运动神经元活动直接驱动的全正向动力学肌肉骨骼模型来模拟从肌肉兴奋到产生关节功能的一系列转变，能够灵活、精细地控制假肢的运动，提高用户体验。
这里的控制假肢运动场景可以为人体上的真实假肢的控制，也可以为模拟的假肢控制场景。
下面结合附图，详细说明本申请实施例中实现肌电控制过程。
实施例一
参见图1，图1为本申请实施例一中肌电控制流程示意图。具体步骤为：
步骤101，采集表面肌电信号。
具体实现时，在指定位置处通过高密度电极网格记录表面肌电信号，通过设定采样频率采集表面肌电信号；
若使用在模拟场景中，也可以获取预先采集存储的表面肌电信号。
步骤102，分析所述表面肌电信号获取运动单元动作电位序列。
本申请实施例中具体实现时，可以采用卷积盲源分离技术从表面肌电信号中分解得到运动单元动作电位序列。
如可以使用FastICA方式进行卷积盲源分离，并在使用FastICA时，将瞬时线性混合模型扩展为卷积模型，即对于某一个通道i表面肌电信号来说，第j个运动单位的波形与其发放时刻卷积，就形成了第j个运动单位在这个通道中的运动单位动作电位序列，将所有参与发放的运动单位的运动单位动作电位序列叠加，就得到该通道采集的表面肌电信号xi(t)，即:
上式中xi(t)表示第i通道的表面肌电信号，aij(t)，t＝0，1，...，L-1代表第j个运动单位在第i通道中的波形，波形长度为L；sj(t)为运动单位的发放时间序列。
首先将信号进行扩展以达到近似解卷积的效果，定义扩展向量如下：
X(t)＝[x1(t)，x1(t-1)，...，x1(t-K+1)，...，xM(t)，...，xM(t-K+1)]T；
S(t)＝[s1(t)，s1(t-1)，...，s1(t-K+1)，…，sM(t)，...，sM(t-K+1)]T；
其中，K是延迟因子，其选择由信号的采样率来确定，如对于采样率为2kHz的表面肌电信号，K的选择在5～30个采样点较为合适，因此上述公式可改写成：
X(t)＝AS(t)
其中，上式中A是一个由所有的波形系数aij，按一定次序排列成的巨大的波形系数矩阵。
因此FastICA输出中波形的峰值位置就对应着某运动单位的发放时刻，然后根据发放位置的平均波形来作为运动单位动作电位波形的估计，得到运动单元动作电位序列。
上述使用卷积盲源分离技术从表面肌电信号中分解得到运动单元动作电位序列的方式为本申请提供的一种可实现的方式，具体实现时不限于上述实现方式。
步骤103，根据所述运动单元动作电位序列估计肌肉兴奋值。
步骤104，基于预设肌肉骨骼模型获取所述肌肉兴奋值对应的运动学数据。
在现有实现时，通常会在执行到步骤102后，直接根据运动单元动作单位序列来控制假肢的运动；而本申请继续执行步骤103和步骤104，来通过运动单元动作电位序列估计肌肉兴奋值，并基于预设肌肉骨骼模型来获取对应的运动学数据，其中，运动学数据包括：关节力矩和加速度。
其中，预设肌肉骨骼模型能用来分析神经肌肉的自由度，分析运动表现，预测肌肉负荷。
预设肌肉骨骼模型基于Opensim生成，Opensim是一款开源软件，允许用户开发、分析、可视化骨骼肌肉模型并进行运动动力学仿真。
步骤105，根据所述运动学数据控制对应假肢的运动。
在具体控制时，根据运动学数据(关节力矩和加速度)，将加速度向前整合以产生关节角速度和屈伸、尺侧/桡侧偏斜和旋前/旋后的位置来控制对应假肢的运动。
本申请实施例中通过利用表面肌电信号来解析神经运动信息序列，并将信息序列映射到生物力学模型上进而控制假肢进行运动。可以实现由运动神经元活动直接驱动的全正向动力学肌肉骨骼模型来模拟从肌肉兴奋到产生关节功能的一系列转变，能够灵活、精细地控制假肢的运动，提高用户体验。
实施例二
参见图2，图2为本申请实施例二中肌电控制流程示意图。具体步骤为：
步骤201，采集表面肌电信号。
具体实现时，在指定位置处通过高密度电极网格记录表面肌电信号，通过设定采样频率采集表面肌电信号；
若使用在模拟场景中，也可以获取预先采集存储的表面肌电信号。
步骤202，对所述表面肌电信号进行预处理。
对表面肌电信号的预处理可以根据信号采集方式确定具体预处理过程，如滤除工频干扰，进行带通滤波等，还可以根据实际需要确定是否进行归一化和去均值处理等。
如可以使用50Hz陷波处理，滤除工频干扰；通过进行4阶巴特沃斯带通滤波，截止频率为20Hz到800Hz，具体实现时不限于此。
步骤203，分析预处理后的表面肌电信号获取运动单元动作电位序列。
本申请实施例中具体实现时，可以采用卷积盲源分离技术从表面肌电信号中分解得到运动单元动作电位序列，但不限于上述实现方式。
步骤204，根据所述运动单元动作电位序列估计肌肉兴奋值。
步骤205，基于预设肌肉骨骼模型获取所述肌肉兴奋值对应的运动学数据。
在现有实现时，通常会在执行到步骤203后，直接根据运动单元动作单位序列来控制假肢的运动；而本申请继续执行步骤204和步骤205，来通过运动单元动作电位序列估计肌肉兴奋值，并基于预设肌肉骨骼模型来获取对应的运动学数据，其中，运动学数据包括：关节力矩和加速度。
其中，预设肌肉骨骼模型能用来分析神经肌肉的自由度，分析运动表现，预测肌肉负荷。
预设肌肉骨骼模型基于Opensim生成，Opensim是一款开源软件，允许用户开发、分析、可视化骨骼肌肉模型并进行运动动力学仿真。
步骤206，根据所述运动学数据控制对应假肢的运动。
在具体控制时，根据运动学数据(关节力矩和加速度)，将加速度向前整合以产生关节角速度和屈伸、尺侧/桡侧偏斜和旋前/旋后的位置来控制对应假肢的运动。
本申请实施例中通过利用表面肌电信号来解析神经运动信息序列，并将信息序列映射到生物力学模型上进而控制假肢进行运动。可以实现由运动神经元活动直接驱动的全正向动力学肌肉骨骼模型来模拟从肌肉兴奋到产生关节功能的一系列转变，能够灵活、精细地控制假肢的运动，提高用户体验。
实施例三
参见图3，图3为本申请实施例三中肌电控制流程示意图。具体步骤为：
步骤301，采集表面肌电信号。
具体实现时，在指定位置处通过高密度电极网格记录表面肌电信号，通过设定采样频率采集表面肌电信号；
若使用在模拟场景中，也可以获取预先采集存储的表面肌电信号。
步骤302，分析所述表面肌电信号获取运动单元动作电位序列。
本申请实施例中具体实现时，可以采用卷积盲源分离技术从表面肌电信号中分解得到运动单元动作电位序列，但不限于上述实现方式。
步骤303，基于所述运动单元动作电位序列使用第一预设长度的滑动窗口，每次滑动第二预设长度来获取多个窗口，并计算每个窗口中运动单元动作电位序列的放电数。
其中，第一预设长度大于第二预设长度，这样滑动窗口在滑动时会存在重叠部分。
如第一预设长度可以为100ms，第二预设长度可以为90ms，也就是说滑动窗口时重叠10ms，但不限于这样的窗口和滑动长度的设置。
假设运动单元动作电位序列为A1，A2，…，AN；基于所述运动单元动作电位序列滑动第二预设长度的第一预设长度的窗口获得M个窗口，记为：W1，W2，…，WM；
计算每个窗口对应的运动单元动作电位序列对应的放电数，放电数为电位序列的活跃数。
步骤304，针对每个窗口，若该窗口中运动单元动作电位序列的放电数不全为0，则对每个运动单元动作电位序列的放电数进行线性模型拟合，并取中位数作为所述窗口对应的肌肉兴奋值；若该窗口中所有运动单元动作电位序列的放电数均为0，则基于预设神经网络模型估计所述窗口中运动单元动作电位序列的时域特征对应的肌肉兴奋值，作为所述窗口对应的肌肉兴奋值。
针对每个窗口分别确定对应的肌肉兴奋值；当窗口中的所有放电数不全为0，即存在不为0的放电数时，使用线性模型拟合，通过取中位数的方式获取窗口对应的肌肉兴奋值；若窗口中的所有放电数均为0，则使用神经网络模型估计该窗口对应的肌肉兴奋值，这里的肌肉兴奋值也可以称为肌肉激励数。
其中，在使用线性模型拟合的时候可以使用最小二乘法实现；
在使用预设神经网络模型时可以基于ANN建立神经网络模型，运动单元动作电位序列的时域特征包括：均方根、斜率符号变化，过零点数和波形长度。
步骤305，将所有窗口对应的肌肉兴奋值按照窗口对应顺序排列作为所述运动单元动作电位序列对应的肌肉兴奋值。
针对每个窗口获取对应的肌肉兴奋值，按照获取窗口的顺序依次记录M个窗口对应的肌肉兴奋值为：X1，X2，…，XM。
步骤303到步骤305实现了根据所述运动单元动作电位序列估计肌肉兴奋值。
步骤306，基于预设肌肉骨骼模型获取所述肌肉兴奋值对应的运动学数据。
在现有实现时，通常会在执行到步骤302后，直接根据运动单元动作单位序列来控制假肢的运动；而本申请继续执行步骤303和步骤305，来通过运动单元动作电位序列估计肌肉兴奋值，并基于预设肌肉骨骼模型来获取对应的运动学数据，其中，运动学数据包括：关节力矩和加速度。
其中，预设肌肉骨骼模型能用来分析神经肌肉的自由度，分析运动表现，预测肌肉负荷。
预设肌肉骨骼模型基于Opensim生成，Opensim是一款开源软件，允许用户开发、分析、可视化骨骼肌肉模型并进行运动动力学仿真。
步骤307，根据所述运动学数据控制对应假肢的运动。
在具体控制时，根据运动学数据(关节力矩和加速度)，将加速度向前整合以产生关节角速度和屈伸、尺侧/桡侧偏斜和旋前/旋后的位置来控制对应假肢的运动。
本申请实施例中通过利用表面肌电信号来解析神经运动信息序列，并将信息序列映射到生物力学模型上进而控制假肢进行运动。可以实现由运动神经元活动直接驱动的全正向动力学肌肉骨骼模型来模拟从肌肉兴奋到产生关节功能的一系列转变，能够灵活、精细地控制假肢的运动，提高用户体验。
实施例四
参见图4，图4为本申请实施例四中肌电控制流程示意图。具体步骤为：
步骤401，采集手前臂的表面肌电信号。
具体实现时，在指定位置处通过高密度电极网格记录表面肌电信号，通过设定采样频率采集表面肌电信号；
若使用在模拟场景中，也可以获取预先采集存储的表面肌电信号。
步骤402，分析所述表面肌电信号获取运动单元动作电位序列。
本申请实施例中具体实现时，可以采用卷积盲源分离技术从表面肌电信号中分解得到运动单元动作电位序列。
步骤403，根据所述运动单元动作电位序列估计肌肉兴奋值。
步骤404，基于预设手臂肌肉骨骼模型获取所述肌肉兴奋值对应的运动学数据。
其中，所述预设手臂肌肉骨骼模型包括：腕关节及作用于所述腕关节上的腕屈肌、桡侧腕屈肌、尺侧腕伸肌、桡侧腕伸肌、旋前肌和旋后肌；并设置腕关节休息位置的肌肉兴奋值为零。
在现有实现时，通常会在执行到步骤402后，直接根据运动单元动作单位序列来控制假肢的运动；而本申请继续执行步骤403和步骤404，来通过运动单元动作电位序列估计肌肉兴奋值，并基于预设肌肉骨骼模型来获取对应的运动学数据，其中，运动学数据包括：关节力矩和加速度。
其中，预设手臂肌肉骨骼模型能用来分析手臂神经肌肉的自由度，分析运动表现，预测肌肉负荷。
预设手臂肌肉骨骼模型基于Opensim生成，Opensim是一款开源软件，允许用户开发、分析、可视化骨骼肌肉模型并进行运动动力学仿真。
步骤405，根据所述运动学数据控制对应假肢的运动。
在具体控制时，根据运动学数据(关节力矩和加速度)，将加速度向前整合以产生关节角速度和屈伸、尺侧/桡侧偏斜和旋前/旋后的位置来控制对应假肢的运动。
本实施例中以控制手臂对应的假肢为例进行如下实验：
手前臂近三分之一处的高密度8×8电极网格记录表面肌电信号，电极间距为1cm，采样率为2048Hz，首先，受试者被要求保持手臂完全放松，并将自己放在椅子上，以便手可以自由地向任何方向移动，肘部放松，充分伸展。然后依次进行水平屈伸、尺/桡骨偏移以及前臂手腕旋前/旋后运动，每个运动方向上重复三次采集，将得到离线数据通过上述控制方法进行处理，对相关参数微调后，在实时控制肌电假肢上，跟踪性能优于现有实现方式。
本申请实施例中通过利用表面肌电信号来解析神经运动信息序列，并将信息序列映射到生物力学模型上进而控制假肢进行运动。可以实现由运动神经元活动直接驱动的全正向动力学肌肉骨骼模型来模拟从肌肉兴奋到产生关节功能的一系列转变，能够灵活、精细地控制假肢的运动，提高用户体验。
基于同样的发明构思，本申请实施例中还提供一种肌电控制装置。参见图5，图5为本申请实施例中肌电控制装置结构示意图。所述装置包括：采集单元501、分析单元502、估计单元503、获取单元504和控制单元505；
采集单元501，用于采集表面肌电信号；
分析单元502，用于分析采集单元501采集的表面肌电信号获取运动单元动作电位序列；
估计单元503，用于根据分析单元502获取的运动单元动作电位序列估计肌肉兴奋值；
获取单元504，用于基于预设肌肉骨骼模型获取估计单元503估计的肌肉兴奋值对应的运动学数据；
控制单元505，根据获取单元504获取的运动学数据控制对应假肢的运动。
在一个实施例中，所述装置进一步包括：处理单元506；
处理单元506，用于将采集单元501采集到的表面肌电信号进行预处理；
分析单元502，进一步用于分析所述处理单元进行预处理后的表面肌电信号获取运动单元动作电位序列。
在一个实施例中，
估计单元503，具体用于根据所述运动单元动作电位序列估计肌肉兴奋值时，包括：基于所述运动单元动作电位序列使用第一预设长度的滑动窗口，每次滑动第二预设长度来获取多个窗口，并计算每个窗口中运动单元动作电位序列的放电数；针对每个窗口，若该窗口中运动单元动作电位序列的放电数不全为0，则对每个运动单元动作电位序列的放电数进行线性模型拟合，并取中位数作为所述窗口对应的肌肉兴奋值；若该窗口中所有运动单元动作电位序列的放电数均为0，则基于预设神经网络模型估计所述窗口中运动单元动作电位序列的时域特征对应的肌肉兴奋值，作为所述窗口对应的肌肉兴奋值；将所有窗口对应的肌肉兴奋值按照窗口对应顺序排列作为所述运动单元动作电位序列对应的肌肉兴奋值。
在一个实施例中，
所述运动学数据包括：关节力矩和加速度。
在一个实施例中，
当所述表面肌电信号为手前臂的表面肌电信号时，所述预设肌肉骨骼模型为预设手臂肌肉骨骼模型；其中，所述预设手臂肌肉骨骼模型包括：腕关节及作用于所述腕关节上的腕屈肌、桡侧腕屈肌、尺侧腕伸肌、桡侧腕伸肌、旋前肌和旋后肌；并设置腕关节休息位置的肌肉兴奋值为零。
上述实施例的单元可以集成于一体，也可以分离部署；可以合并为一个单元，也可以进一步拆分成多个子单元。
在另一个实施例中，还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述肌电控制方法的步骤。
在另一个实施例中，还提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被处理器执行时可实现所述肌电控制方法中的步骤。
图6为本发明实施例提供的电子设备的实体结构示意图。如图6所示，该电子设备可以包括：处理器(Processor)610、通信接口(Communications Interface)620、存储器(Memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行如下方法：
采集表面肌电信号；
分析所述表面肌电信号获取运动单元动作电位序列；
根据所述运动单元动作电位序列估计肌肉兴奋值；
基于预设肌肉骨骼模型获取所述肌肉兴奋值对应的运动学数据；
根据所述运动学数据控制对应假肢的运动。
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
Claims (10)
1.一种肌电控制方法，其特征在于，所述方法包括：
采集表面肌电信号；
分析所述表面肌电信号获取运动单元动作电位序列；
根据所述运动单元动作电位序列估计肌肉兴奋值；
基于预设肌肉骨骼模型获取所述肌肉兴奋值对应的运动学数据；
根据所述运动学数据控制对应假肢的运动；
其中，所述根据所述运动单元动作电位序列估计肌肉兴奋值，包括：
基于所述运动单元动作电位序列使用第一预设长度的滑动窗口，每次滑动第二预设长度来获取多个窗口，并计算每个窗口中运动单元动作电位序列的放电数；
根据每个窗口中运动单元动作电位序列的放电数确定每个所述窗口对应的肌肉兴奋值；
将所有窗口对应的肌肉兴奋值按照窗口对应顺序排列作为所述运动单元动作电位序列对应的肌肉兴奋值。
2.根据权利要求1所述的方法，其特征在于，所述采集表面肌电信号之后，所述分析所述表面肌电信号获取运动单元动作电位序列之前，所述方法进一步包括：
对所述表面肌电信号进行预处理。
3.根据权利要求1所述的方法，其特征在于，所述根据每个窗口中运动单元动作电位序列的放电数确定每个所述窗口对应的肌肉兴奋值，包括：
针对每个窗口，若该窗口中运动单元动作电位序列的放电数不全为0，则对每个运动单元动作电位序列的放电数进行线性模型拟合，并取中位数作为所述窗口对应的肌肉兴奋值；
若该窗口中所有运动单元动作电位序列的放电数均为0，则基于预设神经网络模型估计所述窗口中运动单元动作电位序列的时域特征对应的肌肉兴奋值，作为所述窗口对应的肌肉兴奋值。
4.根据权利要求1所述的方法，其特征在于，所述运动学数据包括：关节力矩和加速度。
5.根据权利要求1-4任一项所述的方法，其特征在于，
当所述表面肌电信号为手前臂的表面肌电信号时，所述预设肌肉骨骼模型为预设手臂肌肉骨骼模型；
其中，所述预设手臂肌肉骨骼模型包括：腕关节及作用于所述腕关节上的腕屈肌、桡侧腕屈肌、尺侧腕伸肌、桡侧腕伸肌、旋前肌和旋后肌；并设置腕关节休息位置的肌肉兴奋值为零。
6.一种肌电控制装置，其特征在于，所述装置包括：采集单元、分析单元、估计单元、获取单元和控制单元；
所述采集单元，用于采集表面肌电信号；
所述分析单元，用于分析所述采集单元采集的表面肌电信号获取运动单元动作电位序列；
所述估计单元，用于根据所述分析单元获取的运动单元动作电位序列估计肌肉兴奋值；
所述获取单元，用于基于预设肌肉骨骼模型获取所述估计单元估计的肌肉兴奋值对应的运动学数据；
所述控制单元，根据所述获取单元获取的运动学数据控制对应假肢的运动；
其中，
所述估计单元，具体用于根据所述运动单元动作电位序列估计肌肉兴奋值时，包括：基于所述运动单元动作电位序列使用第一预设长度的滑动窗口，每次滑动第二预设长度来获取多个窗口，并计算每个窗口中动作电位序列的放电数；根据每个窗口中运动单元动作电位序列的放电数确定每个所述窗口对应的肌肉兴奋值；将所有窗口对应的肌肉兴奋值按照窗口对应顺序排列作为所述运动单元动作电位序列对应的肌肉兴奋值。
7.根据权利要求6所述的装置，其特征在于，所述装置进一步包括：处理单元；
所述处理单元，用于将所述采集单元采集到的表面肌电信号进行预处理；
所述分析单元，进一步用于分析所述处理单元进行预处理后的表面肌电信号获取运动单元动作电位序列。
8.根据权利要求6所述的装置，其特征在于，
所述估计单元，具体用于根据每个窗口中运动单元动作电位序列的放电数确定每个所述窗口对应的肌肉兴奋值时，包括：针对每个窗口，若该窗口中运动单元动作电位序列的放电数不全为0，则对每个运动单元动作电位序列的放电数进行线性模型拟合，并取中位数作为所述窗口对应的肌肉兴奋值；若该窗口中所有运动单元动作电位序列的放电数均为0，则基于预设神经网络模型估计所述窗口中运动单元动作电位序列的时域特征对应的肌肉兴奋值，作为所述窗口对应的肌肉兴奋值。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110598200.1A CN113288532B (zh) | 2021-05-31 | 2021-05-31 | 一种肌电控制方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110598200.1A CN113288532B (zh) | 2021-05-31 | 2021-05-31 | 一种肌电控制方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113288532A CN113288532A (zh) | 2021-08-24 |
| CN113288532B true CN113288532B (zh) | 2023-04-07 |
Family
ID=77326146
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110598200.1A Active CN113288532B (zh) | 2021-05-31 | 2021-05-31 | 一种肌电控制方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113288532B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116985093B (zh) * | 2023-07-31 | 2024-07-19 | 香港理工大学 | 通过肌电信号控制气动肌肉装置的方法、装置及终端设备 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE60010789T2 (de) * | 1999-03-22 | 2004-10-07 | Advanced Control Res Ltd | Gliederprothesen |
| CN101987048B (zh) * | 2009-08-03 | 2013-07-03 | 深圳先进技术研究院 | 假肢控制方法和系统 |
| CN107357419B (zh) * | 2017-06-13 | 2020-05-19 | 中国科学院深圳先进技术研究院 | 一种基于共同收缩率的动作识别系统及方法 |
| CN111317600B (zh) * | 2018-12-13 | 2022-03-15 | 深圳先进技术研究院 | 一种假肢控制方法、装置、系统、设备和存储介质 |
| CN110298286B (zh) * | 2019-06-24 | 2021-04-30 | 中国科学院深圳先进技术研究院 | 基于表面肌电与深度图像的虚拟现实康复训练方法及系统 |
| CN111603162B (zh) * | 2020-05-07 | 2023-05-30 | 京东科技信息技术有限公司 | 肌电信号处理方法、装置、智能可穿戴设备及存储介质 |
| CN111616846A (zh) * | 2020-05-29 | 2020-09-04 | 北京海益同展信息科技有限公司 | 假肢控制方法、装置、电子设备及存储介质 |
-
2021
- 2021-05-31 CN CN202110598200.1A patent/CN113288532B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113288532A (zh) | 2021-08-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Khushaba et al. | A framework of temporal-spatial descriptors-based feature extraction for improved myoelectric pattern recognition | |
| Dai et al. | Finger joint angle estimation based on motoneuron discharge activities | |
| Reaz et al. | Techniques of EMG signal analysis: detection, processing, classification and applications | |
| Schlögl et al. | Using adaptive autoregressive parameters for a brain-computer-interface experiment | |
| Jiang et al. | Extracting simultaneous and proportional neural control information for multiple-DOF prostheses from the surface electromyographic signal | |
| Yang et al. | Accurate EMG onset detection in pathological, weak and noisy myoelectric signals | |
| CN107273798A (zh) | 一种基于表面肌电信号的手势识别方法 | |
| CN104107134A (zh) | 基于肌电反馈的上肢训练方法及系统 | |
| CN104337666A (zh) | 多肌肉协同肌电反馈康复训练系统和方法 | |
| CN113589920A (zh) | 手势识别方法、人机交互方法、装置、设备及存储介质 | |
| Li et al. | Muscle activity onset time detection using teager-kaiser energy operator | |
| Gauthaam et al. | EMG controlled bionic arm | |
| KR101152841B1 (ko) | 근육 진동 신호를 이용한 팔 굽힘 힘 추정장치 및 방법 | |
| JP2913611B2 (ja) | 学習型筋電パターン認識ロボットハンド制御装置 | |
| CN102499797A (zh) | 假肢控制方法及系统 | |
| CN113288532B (zh) | 一种肌电控制方法和装置 | |
| George et al. | Sensing, processing and application of EMG signals for HAL (Hybrid Assistive Limb) | |
| Omama et al. | Surface EMG classification of basic hand movement | |
| Hamedi et al. | Facial gesture recognition using two-channel bio-sensors configuration and fuzzy classifier: A pilot study | |
| Turgunov et al. | A new dataset for the detection of hand movements based on the SEMG signal | |
| Amor et al. | Constrained particle filtering for movement identification in forearm prosthesis | |
| Aishwarya et al. | Feature extraction for EMG based prostheses control | |
| KR100994408B1 (ko) | 손가락 힘 추정 방법 및 추정 장치, 손가락 힘 추정을 위한근육 판별 방법 및 근육 판별 장치 | |
| Sharma et al. | Movement control of robot in real time using EMG signal | |
| Sun et al. | A fault-tolerant algorithm to enhance generalization of EMG-based pattern recognition for lower limb movement |
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 |