CN113995956A - 基于肌电预期姿势调整的卒中电刺激训练意图识别方法 - Google Patents
基于肌电预期姿势调整的卒中电刺激训练意图识别方法 Download PDFInfo
- Publication number
- CN113995956A CN113995956A CN202111440647.2A CN202111440647A CN113995956A CN 113995956 A CN113995956 A CN 113995956A CN 202111440647 A CN202111440647 A CN 202111440647A CN 113995956 A CN113995956 A CN 113995956A
- Authority
- CN
- China
- Prior art keywords
- electrical stimulation
- signals
- electromyographic
- wrist
- myoelectric
- 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
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N1/00—Electrotherapy; Circuits therefor
- A61N1/18—Applying electric currents by contact electrodes
- A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
- A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
- A61N1/36014—External stimulators, e.g. with patch electrodes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/389—Electromyography [EMG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N1/00—Electrotherapy; Circuits therefor
- A61N1/18—Applying electric currents by contact electrodes
- A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
- A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
- A61N1/36003—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation of motor muscles, e.g. for walking assistance
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N1/00—Electrotherapy; Circuits therefor
- A61N1/18—Applying electric currents by contact electrodes
- A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
- A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
- A61N1/36014—External stimulators, e.g. with patch electrodes
- A61N1/3603—Control systems
- A61N1/36031—Control systems using physiological parameters for adjustment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Pathology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Physical Education & Sports Medicine (AREA)
- Physiology (AREA)
- Electrotherapy Devices (AREA)
Abstract
本发明公开了基于肌电预期姿势调整的卒中电刺激训练意图识别方法,所述方法包括如下步骤数据采集模块通过肌电采集电极获取受试者的运动肌电信号;数据特征处理模块对受试者的运动肌电信号按照预期姿势调整分权算法生成运动前肌电信号加权特征;模型训练模块采用支持向量机分类器对前预测肌电信号进行训练生运动意图数据信息;电刺激模块采集运动意图数据信息分别输出相应电刺激控制参数;主动控制电刺激单元将采集到运动肌电信号进行判别输出脉冲指令信号给电刺激模块;本发明能够对患者的运动意图实现预测,无需患侧肢体具有运动能力,克服卒中患者患侧肢体运动能力差无法识别运动意图的同时,无需采集目标运动肌肉的肌电信号,减少了电刺激伪迹的影响,并且减小了电刺激触发的延时,为脑卒中患者的康复治疗提供简单有效的帮助。
Description
技术领域
本发明涉及机电系统控制领域,尤其涉及本发明的目的在于提供基于肌电预期姿势调整的卒中电刺激训练意图识别方法。
背景技术
脑卒中的临床症状主要是以偏瘫为主的运动功能障碍,对患者的日常生活造成了严重的影响。因此,对卒中患者的运动功能恢复十分重要。目前对于脑卒中患者的运动功能康复,功能性电刺激(Functional Electrical Stimulation,FES)已被广泛在临床上使用。功能性电刺激利用低频弱电流脉冲刺激瘫痪患者的骨骼肌使其收缩,从而产生期望的运动,以辅助或恢复运动功能。功能性电刺激通过预设的低频脉冲电流以特定的波形、强度和频率,按照既定程序刺激一组或多组肌肉,诱发肌肉收缩完成特定的动作。临床研究已经证明功能性电刺激可以有效改善偏瘫患者的运动能力和肌力。但刺激模式单一和缺少患者主动参与以及动作预测延时等都对功能性电刺激的进一步应用起到了阻碍。而由于卒中患者患侧肢体运动功能受损,且在电刺激过程中电流会对目标肌肉的肌电信号产生伪迹,使得卒中患者在使用电刺激时的运动意图不易提取。
人的自身活动在使肢体的几何结构发生变化带来的重心偏移时,大脑的中枢神经系统会采取有效的姿势控制(Postural Control,PC),以确保身体重心的稳定,维持身体的平衡。姿势控制主要通过前馈控制、反馈控制来激活肌肉的活动,来控制姿势肌肉产生快速协同反应来维持自身的稳定状态。预期姿势调节(Anticipatory postural adjustments,APAs)是前馈控制重要的表现形式,其在姿势干扰前由知觉心理预期引发能够平衡由于初级动作引起的扰动,以确保整个身体的平衡。预期姿势调整(APAs)发生在动作肌的肌电电位信息的前200ms至后50ms,发生于突发姿势干扰之前,为肌电信号的超前识别提供可能性。基于预期姿势调整控制策略设计的人机交互方法,通过对上肢预期姿势调整姿势链中的姿势肌肉的激活情况进行分析,可以在姿势改变前提前预测到动作意图,并依照指令完成相应的动作。此外,基于预期姿势调整的预测模式可以通过识别预期姿势调整姿势链中其他姿势肌肉的肌电活动,补偿由于受损而无法检测的动作肌肉带来的信息缺失。
发明内容
针对现有技术存在的问题,本发明提出本发明的目的在于提供基于肌电预期姿势调整的卒中电刺激训练意图识别方法。该方法将功能性电刺激与预期姿势调整相结合,避开电刺激的目标肌肉的同时,还对卒中患者的运动意图进行了提前预测,不仅无需卒中患者的患侧具有运动能力,还尽可能减小了延时,实现运动和意图的最大同步化,融入患者主动意识的同时能够为偏瘫患者提供简单便捷有效的康复训练的。
本发明采用如下技术方案实施:
基于肌电预期姿势调整的卒中电刺激训练意图识别方法,该方法包括如下步骤:
数据采集模块通过肌电采集电极获取受试者运动侧肢体的肱二头肌、肱桡肌、指伸肌、旋前圆肌、掌长肌和胸大肌以及躯干上的腹直肌执行右手的手腕内翻、手腕外翻和手臂前伸的运动肌电信号;
数据特征处理模块对受试者的运动肌电信号按照预期姿势调整分权算法生成前预测肌电信号;
模型训练模块采用支持向量机分类器对运动前肌电信号加权特征进行训练生成含有手腕内翻、手腕外翻和手臂前伸的运动意图数据信息;
电刺激模块采集含有手腕内翻、手腕外翻和手臂前伸的运动意图数据信息分别输出相应电刺激控制参数;
主动控制电刺激单元将采集到运动肌电信号进行判别输出脉冲指令信号给电刺激模块,其中:电刺激模块根据脉冲指令信号生成刺激脉冲:
当刺激桡侧腕屈肌实现正常速度进行手腕内翻时,输出电流强度为V1;
当刺激尺侧腕伸肌实现正常速度进行手腕外翻时,输出电流强度为V2;
当刺激肱三头肌实现正常速度手臂前伸时,输出电流强度为V3;。
进一步,所述数据特征处理模块通过如下步骤生成运动前肌电信号加权特征:
将含有肱二头肌、肱桡肌、指伸肌、旋前圆肌、掌长肌、胸大肌和腹直肌的运动肌电信号分别对应编号1至7,将采集的肌电信号对应多次动作执行得到原始信号数据emgn,n∈(1,2,3,4,5,6,7),经过30-350Hz带通滤波、40Hz和50Hz陷波、归一化后,得到肌电数据EMGn,所述肌电数据EMGn分别对应七块肌肉处理后的肌电信号;
依据动作执行开始的时间,截取动作执行前1000ms内的处理后的肌电信号得到反馈肌电信号E(n,m),n为对应编号的肌肉,m表示第m次执行动作;对截取的肌电信号取绝对值后进行6Hz的低通滤波,得到反馈肌电信号的包络信号A(n,m),n为对应编号的肌肉,m表示第m次执行动作;
根据所截取的1000ms肌电包络信号中的前700ms计算各肌肉静息状态下的肌电包络信号的平均值mean(n,m)和标准差std(n,m),n为对应编号的肌肉,m表示第m次执行动作;当所截取的1000ms肌电包络信号A(n,m)中的后200ms中存在连续的15ms信号均在mean(n,m)-2*std(n,m)至mean(n,m)+2*std(n,m)的范围以外时,视为肌肉的预期激活,记录激活点P(n,m);
根据所截取的1000ms肌电信号E(n,m)中后200ms部分及激活点P(n,m)采用提取后200ms开始到激活点P(n,m)肌电信号的均方根特征值RMS1(n,m)及激活点P(n,m)到结束的肌电信号的均方根特征值RMS2(n,m);
定义运动前肌电信号加权特征为RMS1(n,m)+λ*RMS2(n,m),其中λ为经验值,一般设为3,其目的为放大激活后特征意图。
进一步,所述电刺激模块采用电刺激器以40Hz的频率,200μs的脉宽,从0mA开始增加电刺激的电流强度,增加间隔为0.1mA,分别刺激桡侧腕屈肌、尺侧腕伸肌和肱三头肌,这三块肌肉分别对应手腕内翻、手腕外翻和手臂前伸的动作。
有益效果
1、本发明通过采集受试者在执行运动前一段时间内的表面肌电信号(surfaceelectromyography,sEMG)特征,利用预期姿势调整(Anticipatory posturaladjustments,APAs)实现对受试者动作意图的预测,利用该预测结果控制电刺激的触发,进而使受试者完成目标动作,该方法无需患者具有运动能力且无需采集目标肌肉的肌电信号,摆脱电刺激伪迹的影响。
2、本发明运用肌电预期姿势调整技术,利用运动开始前大脑神经中枢为应对重心位置改变做出提前的调整,采集上肢执行手腕内翻、手腕外翻和手臂前伸三个动作的肌电信号,从而实现基于肌电信号的功能性电刺激控制模式,该发明延时低,能够提前预测受试者的运动意图,使中枢神经与外周神经达到最大化同步,从而使患者获得更好的康复效果。
3、现有的功能电刺激多为被动式抑或是控制延迟较高,无法将患者的主动意图与运动控制实现最大化的同步。而本技术发明提出了一种基于肌电预期姿势调整的卒中电刺激训练意图识别方法,能够对患者的运动意图实现预测,进而减小电刺激触发的延时,充分发挥患者的主动意图,为脑卒中患者的康复治疗提供简单有效的帮助。
附图说明
图1是本发明一种基于肌电预期姿势调整的卒中电刺激训练意图识别方法流程图;
图2是本发明涉及受试者执行动作示意图;
图3是本发明涉及电采集参数测定模块流程图;
图4是本发明涉及主动控制电刺激模块输出逻辑图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图与实例对本发明做详细的论述,以下实施例只是描述性的,不是限定性的,不能以此限定本发明的保护范围。
如图1所示,本发明是基于肌电预期姿势调整的功能性电刺激控制方法通过对识别模型进行训练后,基于预测结果实现对动作的预测,进而控制功能性电刺激,实现患者对目标动作的主动控制。本发明通过如下步骤予以实施:
数据采集模块通过肌电采集电极获取受试者运动侧肢体的肱二头肌、肱桡肌、指伸肌、旋前圆肌、掌长肌和胸大肌以及躯干上的腹直肌执行右手的手腕内翻、手腕外翻和手臂前伸的运动肌电信号;
数据特征处理模块对受试者的运动肌电信号按照预期姿势调整算法生成前预测肌电信号;其中:
将含有肱二头肌、肱桡肌、指伸肌、旋前圆肌、掌长肌、胸大肌和腹直肌的运动肌电信号分别对应编号1至7,将采集的肌电信号对应多次动作执行得到原始信号数据emgn,n∈(1,2,3,4,5,6,7),经过30-350Hz带通滤波、40Hz和50Hz陷波、归一化后,得到肌电数据EMGn,所述肌电数据EMGn分别对应七块肌肉处理后的肌电信号;
依据动作执行开始的时间,截取动作执行前1000ms内的处理后的肌电信号得到反馈肌电信号E(n,m),n为对应编号的肌肉,m表示第m次执行动作;对截取的肌电信号取绝对值后进行6Hz的低通滤波,得到反馈肌电信号的包络信号A(n,m),n为对应编号的肌肉,m表示第m次执行动作;
根据所截取的1000ms肌电包络信号中的前700ms计算各肌肉静息状态下的肌电包络信号的平均值mean(n,m)和标准差std(n,m),n为对应编号的肌肉,m表示第m次执行动作;当所截取的1000ms肌电包络信号A(n,m)中的后200ms中存在连续的15ms信号均在mean(n,m)-2*std(n,m)至mean(n,m)+2*std(n,m)的范围以外时,视为肌肉的预期激活,记录激活点P(n,m);
根据所截取的1000ms肌电信号E(n,m)中后200ms部分及激活点P(n,m)采用提取后200ms开始到激活点P(n,m)肌电信号的均方根特征值RMS1(n,m)及激活点P(n,m)到结束的肌电信号的均方根特征值RMS2(n,m);
定义运动前肌电信号加权特征为RMS1(n,m)+λ*RMS2(n,m),其中λ为经验值,一般设为3,其目的为放大激活后特征意图。
模型训练模块采用支持向量机分类器对前预测肌电信号进行训练生成含有手腕内翻、手腕外翻和手臂前伸运动意图数据信息。
电刺激模块采集含有手腕内翻、手腕外翻和手臂前伸法人运动意图数据信息分别输出相应电刺激控制参数;所述电刺激模块采用电刺激器以40Hz的频率,200μs的脉宽,从0mA开始增加电刺激的电流强度,增加间隔为0.1mA,分别刺激桡侧腕屈肌、尺侧腕伸肌和肱三头肌,这三块肌肉分别对应手腕内翻、手腕外翻和手臂前伸的动作。
主动控制电刺激单元将采集到运动肌电信号进行判别输出脉冲指令信号给电刺激模块,其中:电刺激模块根据脉冲指令信号生成刺激脉冲:
当刺激桡侧腕屈肌实现正常速度进行手腕内翻时,输出电流强度为V1;
当刺激尺侧腕伸肌实现正常速度进行手腕外翻时,输出电流强度为V2;
当刺激肱三头肌实现正常速度手臂前伸时,输出电流强度为V3;。
本发明实施例:
数据采集模块
用酒精擦拭过皮肤表面后,将肌电采集电极分别粘贴于受试者运动侧肢体的肱二头肌、肱桡肌、指伸肌、旋前圆肌、掌长肌和胸大肌以及躯干上的腹直肌。令受试者以正常速度分别执行右手的手腕内翻、手腕外翻和手臂前伸各10次,如图2所示,1表示手臂,2表示前臂,3表示上臂。运动过程中同步采集肌电信号。
数据处理及特征提取模块
将肱二头肌、肱桡肌、指伸肌、旋前圆肌、掌长肌、胸大肌和腹直肌分别对应编号1至7,将采集的肌电信号对应多次动作执行得到原始信号数据emgn,n∈(1,2,3,4,5,6,7),经过30-350Hz带通滤波、40Hz和50Hz陷波、归一化后,得到肌电数据EMGn,分别对应七块肌肉处理后的肌电信号。由于功能性电刺激刺激频率设置为40Hz,为消除电刺激电流对采集肌电信号带来的伪迹干扰,因此对采集的肌电信号进行40Hz的陷波器陷波。
依据动作执行开始的时间,截取动作执行前1000ms内的处理后的肌电信号得到E(n,m),n为对应编号的肌肉,m表示第m次执行动作;根据所截取的1000ms肌电包络信号中的前700ms计算各肌肉静息状态下的肌电包络信号的平均值mean(n,m)和标准差std(n,m),n为对应编号的肌肉,m表示第m次执行动作;当所截取的1000ms肌电包络信号A(n,m)中的后200ms中存在连续的15ms信号均在mean(n,m)-2*std(n,m)至mean(n,m)+2*std(n,m)的范围以外时,视为肌肉的预
期激活,记录激活点P(n,m);
根据所截取的1000ms肌电信号E(n,m)中后200ms部分及激活点P(n,m)采用提取后200ms开始到激活点P(n,m)肌电信号的均方根特征值RMS1(n,m)及激活点P(n,m)到结束的肌电信号的均方根特征值RMS2(n,m);
定义运动前肌电信号加权特征为RMS1(n,m)+λ*RMS2(n,m),其中λ为经验值,一般设为3,其目的为放大激活后特征意图。
该截取肌电为预期姿势调整阶段肌电,即下一步运动发生前的肌电,反映了下一步运动前肌肉的准备情况,且超前于实际运动发生。
模型训练模块
利用特征值对支持向量机(Support Vector Machine,SVM)分类器模型进行训练,对应手腕内翻、手腕外翻和手臂前伸分别输出1、2、3,对应静息输出0。
电刺激参数测定模块
如图3所示,用电刺激器以40Hz的频率,200μs的脉宽,从0mA开始增加电刺激的电流强度,增加间隔为0.1mA,分别刺激桡侧腕屈肌、尺侧腕伸肌和肱三头肌,这三块肌肉分别对应手腕内翻、手腕外翻和手臂前伸的动作,当刺激桡侧腕屈肌实现正常速度进行手腕内翻时,记录电流强度为V1;当刺激尺侧腕伸肌实现正常速度进行手腕外翻时,记录电流强度为V2;当刺激肱三头肌实现正常速度手臂前伸时,记录电流强度为V3。将强度记录至上位机,根据SVM分类器输出的指令值实现电刺激的控制输出,电刺激输出逻辑如图3所示。
主动控制电刺激模块
将分类模型和刺激导联和强度分别输入至上位机,受试者使用过程中,肌电信号实时采集至上位机,在上位机中进行处理分类和特征提取,将特征值输入至分类器得到指令值,上位机输出参数控制电刺激器的执行,自主完成电刺激的控制。整体控制方法工作原理,请参照图4。
本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案,上述的具体实施方式仅仅是示意性的,并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下,本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换,这些均属于本发明的保护范围之内。
Claims (3)
1.基于肌电预期姿势调整的卒中电刺激训练意图识别方法,其特征在于,该方法包括如下步骤:
数据采集模块通过肌电采集电极获取受试者运动侧肢体的肱二头肌、肱桡肌、指伸肌、旋前圆肌、掌长肌和胸大肌以及躯干上的腹直肌执行右手的手腕内翻、手腕外翻和手臂前伸的运动肌电信号;
数据特征处理模块对受试者的运动肌电信号按照预期姿势调整分权算法生成运动前肌电信号加权特征;
模型训练模块采用支持向量机分类器对运动前肌电信号加权特征进行训练生成含有手腕内翻、手腕外翻和手臂前伸的运动意图数据信息;
电刺激模块采集含有手腕内翻、手腕外翻和手臂前伸的运动意图数据信息分别输出相应电刺激控制参数;
主动控制电刺激单元将采集到运动肌电信号进行判别输出脉冲指令信号给电刺激模块,其中:电刺激模块根据脉冲指令信号生成刺激脉冲:
当刺激桡侧腕屈肌实现正常速度进行手腕内翻时,输出电流强度为V1;
当刺激尺侧腕伸肌实现正常速度进行手腕外翻时,输出电流强度为V2;
当刺激肱三头肌实现正常速度手臂前伸时,输出电流强度为V3;。
2.根据权利要求1所述的基于肌电预期姿势调整的卒中电刺激训练意图识别方法,其特征在于,所述数据特征处理模块通过如下步骤生成运动前肌电信号加权特征:
将含有肱二头肌、肱桡肌、指伸肌、旋前圆肌、掌长肌、胸大肌和腹直肌的运动肌电信号分别对应编号1至7,将采集的肌电信号对应多次动作执行得到原始信号数据emgn,n∈(1,2,3,4,5,6,7),经过30-350Hz带通滤波、40Hz和50Hz陷波、归一化后,得到肌电数据EMGn,所述肌电数据EMGn分别对应七块肌肉处理后的肌电信号;
依据动作执行开始的时间,截取动作执行前1000ms内的处理后的肌电信号得到反馈肌电信号E(n,m),n为对应编号的肌肉,m表示第m次执行动作;对截取的肌电信号取绝对值后进行6Hz的低通滤波,得到反馈肌电信号的包络信号A(n,m),n为对应编号的肌肉,m表示第m次执行动作;
根据所截取的1000ms肌电包络信号中的前700ms计算各肌肉静息状态下的肌电包络信号的平均值mean(n,m)和标准差std(n,m),n为对应编号的肌肉,m表示第m次执行动作;当所截取的1000ms肌电包络信号A(n,m)中的后200ms中存在连续的15ms信号均在mean(n,m)-2*std(n,m)至mean(n,m)+2*std(n,m)的范围以外时,视为肌肉的预期激活,记录激活点P(n,m);
根据所截取的1000ms肌电信号E(n,m)中后200ms部分及激活点P(n,m)采用提取后200ms开始到激活点P(n,m)肌电信号的均方根特征值RMS1(n,m)及激活点P(n,m)到结束的肌电信号的均方根特征值RMS2(n,m);
定义运动前肌电信号加权特征为RMS1(n,m)+λ*RMS2(n,m),其中λ为经验值,一般设为3,其目的为放大激活后特征意图。
3.根据权利要求1所述的基于肌电预期姿势调整的卒中电刺激训练意图识别方法,其特征在于,所述电刺激模块采用电刺激器以40Hz的频率,200μs的脉宽,从0mA开始增加电刺激的电流强度,增加间隔为0.1mA,分别刺激桡侧腕屈肌、尺侧腕伸肌和肱三头肌,这三块肌肉分别对应手腕内翻、手腕外翻和手臂前伸的动作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111440647.2A CN113995956B (zh) | 2021-11-30 | 2021-11-30 | 基于肌电预期姿势调整的卒中电刺激训练意图识别装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111440647.2A CN113995956B (zh) | 2021-11-30 | 2021-11-30 | 基于肌电预期姿势调整的卒中电刺激训练意图识别装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113995956A true CN113995956A (zh) | 2022-02-01 |
CN113995956B CN113995956B (zh) | 2022-09-13 |
Family
ID=79930993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111440647.2A Active CN113995956B (zh) | 2021-11-30 | 2021-11-30 | 基于肌电预期姿势调整的卒中电刺激训练意图识别装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113995956B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115024735A (zh) * | 2022-06-30 | 2022-09-09 | 北京工业大学 | 一种基于运动意图识别模型的脑卒中患者康复方法及系统 |
CN117618777A (zh) * | 2024-01-24 | 2024-03-01 | 北京析芒医疗科技有限公司 | 运动功能恢复系统及其刺激方案确定方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102089031A (zh) * | 2008-07-11 | 2011-06-08 | 麦德托尼克公司 | 使治疗调整与患者姿势状态相关联 |
EP3062872A1 (en) * | 2013-10-31 | 2016-09-07 | Ecole Polytechnique Fédérale de Lausanne (EPFL) | System to deliver adaptive epidural and/or subdural electrical spinal cord stimulation to facilitate and restore locomotion after a neuromotor impairment |
US10022545B1 (en) * | 2006-05-11 | 2018-07-17 | Great Lakes Neurotechnologies Inc | Movement disorder recovery system and method |
CN108392737A (zh) * | 2018-04-18 | 2018-08-14 | 福州大学 | 肌电调制的下肢康复多通道功能性电刺激输出控制方法 |
CN109589247A (zh) * | 2018-10-24 | 2019-04-09 | 天津大学 | 一种基于脑-机-肌信息环路的助行机器人系统 |
US20200061378A1 (en) * | 2016-11-15 | 2020-02-27 | The Regents Of The University Of California | Methods and Apparatuses for Improving Peripheral Nerve Function |
US20200147383A1 (en) * | 2018-11-13 | 2020-05-14 | Gtx Medical B.V. | Control system for closed-loop neuromodulation |
CN111249112A (zh) * | 2020-02-28 | 2020-06-09 | 上海势登坡智能科技有限公司 | 一种手功能障碍康复系统 |
CN111544882A (zh) * | 2020-04-30 | 2020-08-18 | 天津大学 | 一种基于脑机接口的新型脑卒中下肢主动康复系统及应用 |
CN111557828A (zh) * | 2020-04-29 | 2020-08-21 | 天津科技大学 | 基于健患侧耦合的主动式脑卒中下肢康复机器人控制方法 |
CN111672025A (zh) * | 2020-05-29 | 2020-09-18 | 南京锐诗得医疗科技有限公司 | 一种手功能康复训练装置及方法 |
CN113040785A (zh) * | 2021-02-24 | 2021-06-29 | 华南脑控(广东)智能科技有限公司 | 一种基于运动想象上肢运动康复治疗方法 |
CN113069127A (zh) * | 2021-03-17 | 2021-07-06 | 杜超 | 一种全自动智能神经肌肉电生理检查设备及应用方法 |
CN213607940U (zh) * | 2020-02-28 | 2021-07-06 | 上海势登坡智能科技有限公司 | 一种手功能障碍康复系统 |
US20210275807A1 (en) * | 2020-03-06 | 2021-09-09 | Northwell Health, Inc. | System and method for determining user intention from limb or body motion or trajectory to control neuromuscular stimuation or prosthetic device operation |
-
2021
- 2021-11-30 CN CN202111440647.2A patent/CN113995956B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10022545B1 (en) * | 2006-05-11 | 2018-07-17 | Great Lakes Neurotechnologies Inc | Movement disorder recovery system and method |
CN102089031A (zh) * | 2008-07-11 | 2011-06-08 | 麦德托尼克公司 | 使治疗调整与患者姿势状态相关联 |
EP3062872A1 (en) * | 2013-10-31 | 2016-09-07 | Ecole Polytechnique Fédérale de Lausanne (EPFL) | System to deliver adaptive epidural and/or subdural electrical spinal cord stimulation to facilitate and restore locomotion after a neuromotor impairment |
US20200061378A1 (en) * | 2016-11-15 | 2020-02-27 | The Regents Of The University Of California | Methods and Apparatuses for Improving Peripheral Nerve Function |
CN108392737A (zh) * | 2018-04-18 | 2018-08-14 | 福州大学 | 肌电调制的下肢康复多通道功能性电刺激输出控制方法 |
CN109589247A (zh) * | 2018-10-24 | 2019-04-09 | 天津大学 | 一种基于脑-机-肌信息环路的助行机器人系统 |
US20200147383A1 (en) * | 2018-11-13 | 2020-05-14 | Gtx Medical B.V. | Control system for closed-loop neuromodulation |
CN111249112A (zh) * | 2020-02-28 | 2020-06-09 | 上海势登坡智能科技有限公司 | 一种手功能障碍康复系统 |
CN213607940U (zh) * | 2020-02-28 | 2021-07-06 | 上海势登坡智能科技有限公司 | 一种手功能障碍康复系统 |
US20210275807A1 (en) * | 2020-03-06 | 2021-09-09 | Northwell Health, Inc. | System and method for determining user intention from limb or body motion or trajectory to control neuromuscular stimuation or prosthetic device operation |
CN111557828A (zh) * | 2020-04-29 | 2020-08-21 | 天津科技大学 | 基于健患侧耦合的主动式脑卒中下肢康复机器人控制方法 |
CN111544882A (zh) * | 2020-04-30 | 2020-08-18 | 天津大学 | 一种基于脑机接口的新型脑卒中下肢主动康复系统及应用 |
CN111672025A (zh) * | 2020-05-29 | 2020-09-18 | 南京锐诗得医疗科技有限公司 | 一种手功能康复训练装置及方法 |
CN113040785A (zh) * | 2021-02-24 | 2021-06-29 | 华南脑控(广东)智能科技有限公司 | 一种基于运动想象上肢运动康复治疗方法 |
CN113069127A (zh) * | 2021-03-17 | 2021-07-06 | 杜超 | 一种全自动智能神经肌肉电生理检查设备及应用方法 |
Non-Patent Citations (4)
Title |
---|
CHOUCHIH-HONG等: "Automated functional electrical stimulation training system for upper-limb function recovery in poststroke patients", 《MEDICAL ENGINEERING AND PHYSICS》 * |
丁其川等: "基于表面肌电的运动意图识别方法研究及应用综述", 《自动化学报》 * |
徐瑞等: "基于肌电的人机交互控制策略及其应用与挑战", 《电子测量与仪器学报》 * |
胡进等: "下肢康复机器人及其交互控制方法", 《自动化学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115024735A (zh) * | 2022-06-30 | 2022-09-09 | 北京工业大学 | 一种基于运动意图识别模型的脑卒中患者康复方法及系统 |
CN115024735B (zh) * | 2022-06-30 | 2024-04-09 | 北京工业大学 | 一种基于运动意图识别模型的脑卒中患者康复方法及系统 |
CN117618777A (zh) * | 2024-01-24 | 2024-03-01 | 北京析芒医疗科技有限公司 | 运动功能恢复系统及其刺激方案确定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113995956B (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103212156B (zh) | 基于本体镜像原理的偏瘫患者自主康复仪 | |
Jacob et al. | Artificial muscle intelligence system with deep learning for post-stroke assistance and rehabilitation | |
Reaz et al. | Techniques of EMG signal analysis: detection, processing, classification and applications | |
CN113995956B (zh) | 基于肌电预期姿势调整的卒中电刺激训练意图识别装置 | |
CN111317600B (zh) | 一种假肢控制方法、装置、系统、设备和存储介质 | |
Farina et al. | Human? Machine interfacing by decoding the surface electromyogram [life sciences] | |
Dai et al. | Prediction of individual finger forces based on decoded motoneuron activities | |
CN111584031B (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 | |
CN104951082A (zh) | 一种利用随机共振增强脑电信号的脑机接口方法 | |
CN114822761A (zh) | 基于肌肉协同和变刚度阻抗控制的手腕部康复训练系统 | |
CN105056396A (zh) | 镜像评估训练低频电刺激康复系统及使用方法 | |
CN110694169A (zh) | 基于运动意图诱发中枢神经系统微电刺激的运动功能障碍神经桥接系统 | |
Jiang et al. | Bio-robotics research for non-invasive myoelectric neural interfaces for upper-limb prosthetic control: a 10-year perspective review | |
Jiang et al. | Myoelectric control in neurorehabilitation | |
Xiong et al. | An user-independent gesture recognition method based on sEMG decomposition | |
CN1803216A (zh) | 利用脑电波直接控制功能性电刺激器的方法 | |
Liu et al. | An EEG-based brain-computer interface for gait training | |
Toledo-Peral et al. | sEMG signal acquisition strategy towards hand FES control | |
Li et al. | Preliminary study of online real-time control system for lower extremity exoskeletons based on EEG and sEMG fusion | |
CN211024807U (zh) | 多触发方式的智能电刺激手部训练器 | |
Luo et al. | Forearm muscle synergy reducing dimension of the feature matrix in hand gesture recognition | |
Chen et al. | A real-time EMG-controlled functional electrical stimulation system for mirror therapy | |
Millán | Brain–computer interfaces | |
Sun et al. | A fault-tolerant algorithm to enhance generalization of EMG-based pattern recognition for lower limb movement | |
Sharma et al. | Movement control of robot in real time using EMG signal |
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 |