CN114052750A - 基于标准模板肌电分解的脑肌信息传递规律提取方法 - Google Patents
基于标准模板肌电分解的脑肌信息传递规律提取方法 Download PDFInfo
- Publication number
- CN114052750A CN114052750A CN202111579890.2A CN202111579890A CN114052750A CN 114052750 A CN114052750 A CN 114052750A CN 202111579890 A CN202111579890 A CN 202111579890A CN 114052750 A CN114052750 A CN 114052750A
- Authority
- CN
- China
- Prior art keywords
- template
- signals
- signal
- electromyography
- extracting
- 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
- 210000003205 muscle Anatomy 0.000 title claims abstract description 48
- 238000002567 electromyography Methods 0.000 title claims abstract description 27
- 210000004556 brain Anatomy 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012546 transfer Methods 0.000 title claims abstract description 15
- 230000001360 synchronised effect Effects 0.000 claims abstract description 15
- 230000009471 action Effects 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract 3
- 230000033001 locomotion Effects 0.000 claims description 34
- 238000000354 decomposition reaction Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 12
- 230000036982 action potential Effects 0.000 claims description 9
- 238000012880 independent component analysis Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 5
- 230000003183 myoelectrical effect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 abstract description 10
- 230000008859 change Effects 0.000 abstract description 8
- 230000000875 corresponding effect Effects 0.000 abstract description 7
- 108010076504 Protein Sorting Signals Proteins 0.000 abstract 1
- 208000012661 Dyskinesia Diseases 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000002232 neuromuscular Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000000630 rising effect Effects 0.000 description 4
- 210000003710 cerebral cortex Anatomy 0.000 description 3
- 230000008602 contraction Effects 0.000 description 3
- 230000001054 cortical effect Effects 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 206010049565 Muscle fatigue Diseases 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000002161 motor neuron Anatomy 0.000 description 2
- 208000016285 Movement disease Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 206010008129 cerebral palsy Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004118 muscle contraction Effects 0.000 description 1
- 201000000585 muscular atrophy Diseases 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- 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
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- 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
- 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]
- A61B5/397—Analysis of electromyograms
-
- 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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychology (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标准模板肌电分解的脑肌信息传递规律提取方法。首先，安排受试者执行相应动作记录下同步的肌电信号和脑电信号。通过小波去噪先对sEMG信号完成预处理，再利用先验知识而总结提出的模板进行模板匹配，将肌电信号中的波形按照模板匹配的规则进行剥离MUAP进行分解。接着对分解出的信号序列分别提取MUAP数量、MUAP波幅、MUAP瞬时传导速度特征，构建肌电特征与同步脑电信号之间的实时变化关系图谱，显示在同一动作下脑肌电信号间的信息传递规律。本发明可以更为细化精确的找出脑肌间的信息传递方式，让所提取的特征更为敏感的响应每一次同步脑电的变化，这样可以更好地探究脑肌的信号变化规律率。
Description
技术领域
本发明属于生物电信号处理领域，涉及一种基于标准模板肌电分解的脑肌信息传递规律提取方法，特别涉及一种将信号分解后获取相应特征与另一同步信号间变化规律的提取方法。
背景技术
运动是人体最基本的一个功能，会陪伴人们每一天，参与人们的各种生活活动，但是根据资料显示，随着老龄化问题加重，肢体运动功能存在障碍的人群正在逐年上涨，据世界卫生组织统计，现在全世界已经超过17％的人群患有各式的运动障碍疾病，如中风、脑瘫、肌肉萎缩等，这些疾病严重影响了他们的日常生活。
不仅仅是疾病，一些事故和自然灾害也会可能会严重影响人们的运动，给人们造成很严重的运动障碍。对于上述的人群来说，如果不能及时了解、恢复自身的运动功能，那么将会导致生活质量大幅度下降，精神受到严重折磨，同时也给家庭和社会带来了巨大的压力，因此更加了解患者的运动障碍详情，针对患者进行有目的性的方案确定是非常有必要性的。
人的运动、动作意图很大程度反映在皮层与肌肉之间，运动皮层常常在简单的肌肉收缩过程中出现振荡，皮层和肌肉的活动存在很大的相关性，皮层肌肉间的相互作用关系反映了运动神经元与皮质之间的通信，因此了解皮层与肌肉间的信息传递规律，对于运动障碍患者的康复、治疗意义重大。
表面肌电信号(Surface electromyography,sEMG)是一种微弱的生理电信号，可以通过黏附在皮肤表面的电极进行检测，其形成就是在肌肉运动收缩中募集的运动单元(Motor Unit MU)间歇放电产生的运动单元动作电位序列(Motor Unit Action PotentialTrains，MUAPTs)在皮肤表面叠加形成的一种生理电信号；脑电信号(Electroencephalogram，EEG)是人体指令的中心信号，包含人体运动控制的大部分信息，能够有效揭示大脑活动状态。当肌肉收缩时，大脑皮层中参与肌肉控制的运动单元被激活，控制肌肉组织执行相应的活动，同时肌肉运动产生的动作信号也会通过上行运动神经元通路传递回大脑皮层进行反馈，因此研究皮层之间的传递规律对于了解神经系统的运行机制以及运动障碍康复相关的临床研究至关重要。
想要了解更多皮层之间传递规律，获得皮层与肌肉间的细节，可以通过了解EMG信号产生的逆过程——sEMG分解，将EMG信号还原成多个运动单位动作电位序列，进而获得更过深层的信息。目前关于皮层与肌肉间存在关系的研究大多都是研究肌肉整体(原始sEMG信号)与皮层(EEG信号)之间存在的关系，如Yang和Siemionow等人研究了肌肉渐进性疲劳过程皮层与肌肉间存在的关系，发现随着肌肉疲劳程度变高，EEG和EMG信号能量均显著下降，皮层与肌肉间相干性变弱；Gwin等人研究了肌肉在不同状态下的脑肌电信号间存在的关系，结果发现，肌肉等张收缩期间γ频段的脑肌信号间响应更好，而在等长收缩期间β频段的脑肌信号间响应更好。但是上述均是研究整个EMG信号与EEG的关系，并没有考虑神经肌肉系统内部的信息传输机制，而EMG信号分解可以通过获取运动单元的募集规律、发放及波形等信息直观的了解肌肉运动神经元的活动状态，是揭示神经肌肉机理的一种行之有效的手段，因此将肌电信号分解再探究和脑电间的关系，可以从生理学角度更深层地获取神经肌肉系统的传递信息，更深层了解皮层与肌肉间的传递规律。
发明内容
为了克服现有技术中存在的不足，本发明提供了一种基于标准模板肌电分解的脑肌信息传递规律提取方法。
本发明首先是采集了受试者在指定动作下的脑肌电信号，接着对采集的脑肌电信号分别进行预处理获得备用的脑肌电信号。然后利用构建的数学模板将肌电信号中的运动单元动作电位MUAP迭代剥离，即完成肌电信号的分解。在肌电信号分解的基础上提取运动单元动作电位序列MUAPT的三种特征。最后，将提取出的特征分别与同步的脑电信号构建时间序列波形图谱，分析运动时皮层与肌肉间的信息传递规律。
为了实现以上目的，本发明方法主要包括以下步骤：
步骤1：在受试者完成规定动作的同时采集同步的脑电肌电信号。采集受试者手臂处相关肌肉的肌电信号并记录每一次动作的开始点和结束点。
步骤2：对步骤1采集的肌电信号进行小波去噪，脑电信号进行带通滤波、ICA独立成分分析，对处理后的脑电信号分段，提取出手部动作时的脑电信号。
步骤3：对步骤2去噪后的肌电信号进行肌电分解获得MUAPT序列。
步骤4：对步骤3获得的MUAPT进行特征提取，分别提取MUAP数量、MUAP波幅、MUAP瞬时传导速率三个特征。
步骤5：利用所提取的特征与同步脑电信号，分别构建各自与同步脑电信号的波形图谱，提取在运动时脑肌信号间的信息传递规律。
进一步说，步骤1中，肌电信号采集位置为手臂屈指浅肌(FD)，脑电信号采集位置为C3单一通道；实验规定动作为使用握力器不同力量水平持续抓握5s，两种力量水平分别为15％和30％最大力量水平。
进一步说，步骤3所述肌电分解获得MUAPT序列的具体步骤如下：
(1)根据肌电信号先验知识构建先验模板，模板数学表达式为：
其中A是模板的幅度，t是时间常量，设置其值为10ms，a是时间伸缩因子，影响模板宽度，即持续时间，设置变化范围为5-20ms。
(2)对所构建的先验模板中的各参数进行初始化，并对模板中的可变参数进行变化范围约束。
|peak1|-|peakm|≤2sd(rest_signal) (6)
Ai≤mean(rest_peaks) (8)
其中A0表示先验模板的初始幅值，Ai表示第i次迭代先验模板的幅值，|peakm|表示sEMG中第m个尖峰点幅值的绝对值，sd(rest_signal)表示基线信号的标准差，mean(rest_peaks)表示基线信号中所有尖峰点幅值的平均值。
(3)峰值检测：根据肌电信号幅值的大小(波峰和波谷)设置合适的阈值，基于阈值检测出肌电信号的尖峰脉冲点。
(4)模板匹配：利用滑动窗口在每一个检测出的尖峰脉冲点进行截取，将截取的备选信号段与当前模板进行匹配，利用Pearson相关系数和残差比率判断当前备选信号段是否被分解剥离，所用Pearson相关系数和残差比率数学表达式如下：
其中yk(t)表示所构建的数学模板序列，xj(t)表示备选的肌电信号段，C(k，j)表示Pearson相关系数，R(k，j)表示残差比率，cov表示协方差，D表示方差。
备选肌电信号段确认被采用参与肌电分解，构成一次MUAP放电决策规则如下：
①若maxC(k，j)≥0.95，则认定备选肌电对应信号段和所用模板匹配，无需考虑残差率；
②若0.75≤maxC(k，j)＜0.95，则满足0.75≤C(k，j)＜0.95且minR(k，j)的肌电信号段与对应的先验模板匹配；
③若maxC(k，j)＜0.75，则判定该尖峰处无可用信号段与所用模板匹配。
(5)MUAP波形重确定：采用STA脉冲平均对所分解剥离出的信号段进行触发平均。
(6)循环迭代。不断改变先验模板幅度Ai，返回步骤(3)继续迭代分解，直至满足循环结束条件式(8)，便获得分解后的MUAPT序列。
进一步说，步骤4所述的MUAPT特征提取方法为将最小单位划分为0.01s，共5s，对每一个MUAPT序列每隔0.01s提取一次特征数据，特征数据包括MUAP数量、MUAP幅值、MUAP传导速率。接着对不同力量水平下的特征分别求平均，求得的平均值作为该力量水平下该特征的值。
本发明的有益效果：以往的研究内容大多是直接探究分析脑电肌电信号间的变化关系，直接用完整的肌电信号来分析皮层与肌肉的信息传递规律，其精确程度和变化灵敏度都会较低，不能够精确、直接、灵敏地反映皮层肌肉间一个信号变化时另一个信号所受到的影响。而本发明提出的肌电信号分解后再提取特征来分析脑肌电信号间的关系，可以从肌电信号产生的源头来探索，将肌电信号分解为原始的运动单元MU，再去从中提取特征分析与脑电信号的关系，可以精确灵敏的反映皮层肌肉间的信息传递规律。因此，该方法在探究皮层肌肉间的配合、皮层肌电间的信息传递等具有广阔的应用前景，对于运动障碍的康复具有积极意义。
附图说明
图1为本发明的实施流程图；
图2所示为实验数据采集流程图；
图3为本发明进行肌电分解时所用到的四种模板波形，其中(a)表示二相正向波形，(b)表示二相反向波形，(c)表示三相正向波形，(d)表示三相反向波形，利用这四种模板完成对肌电中MUAP的剥离分解。
图4为本发明进行脑肌电采集时所用的具体实验范式。
图5为对MUAPT进行MUAP波幅特征提取时具体提取规则。
图6为对MUAPT进行MUAP数量特征提取时具体提取规则。
图7为不同力量水平下所提取3种特征与同步脑电信号波形变化图。
具体实施方式
本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。下面结合附图对本发明的实施例作详细说明：
如图1所示，本实施例包括如下步骤：
步骤1：在受试者完成不同力量水平的动作时记录肌电信号和脑电信号，肌电信号采集位置为手臂处屈指浅肌(FD)，脑电信号通道为C3单一通道，实验动作选择单一的抓握动作，力量水平选择15％和30％最大力量水平两种。实验对象选择健康男性，要求受试者在实验前一周不进行剧烈运动，以避免肌肉疲劳，图2所示为本次实验数据采集流程。
步骤2：通过1～60Hz带通滤波以及ICA独立成分分析去除脑电信号中的高频噪声和眼动伪迹；通过小波包去噪完成对肌电信号预处理。
步骤3：对步骤2中预处理后的肌电信号分解，利用先验模板完成对肌电信号中MUAP的剥离，图3中(a)、(b)、(c)、(d)是所用到的四种先验模板，通过不断改变模板的幅值A迭代剥离出MUAP，完成肌电分解。
如图4所示，该图为肌电信号分解结果图，可以看出本次分解共迭代了4次，当第四次迭代后满足分解终止条件。当一次模板匹配完成后，会记录一次MUAP触发时间，同时将其在sEMG信号中剥离出来，当一次次完成MUAP触发剥离，残余信号剩下的MUAP波形越来越少，直至没有可以继续剥离出的MUAP波形，并且模板波幅迭代至终止条件，即完成肌电分解。
步骤4：完成对MUAPT中的特征提取。图5和图6是MUAP波幅、MUAP数量特征提取操作示意图，所选三种特征的提取方式均为在每一个0.01s计算一次特征平均值，即提取出随时间序列变化的三种特征。
步骤5：利用步骤2处理后的同步脑电信号与所提取特征分别构建波形图谱。如图7中(a)-(f)所示，可以看出脑电信号变化与不同力量水平对应的三种特征变化存在一定联系。
首先可以看出力量水平越大，脑电信号与所提取出的特征值也越大，这是符合常理的，接着看每一个特征对应同步脑电的关系，可以看出在不同力量水平下，三种特征均在脑电信号较明显的波峰或波谷处有上升趋势，但是力量水平不同，三种特征对于脑电信号波峰和波谷响应完成度也不同。在15％MVC力量水平中，有部分脑电信号的波谷并没有较为明显的特征上升响应；相比于30％MVC力量水平，三种特征都几乎完成了每一个脑电信号中波峰波谷的上升响应，考虑是力量水平不高的情况下肌肉激活水平不够，于是所提取肌电信号尖峰点较弱，提取出的特征不能很好响应同步脑电信号中的尖峰点。基于上述即研究皮层与肌肉间信息传递规律的一种方法，同时尽量使力量保持在约30％最大力量水平可以获得较为理想的数据结果。
Claims (6)
1.基于标准模板肌电分解的脑肌信息传递规律提取方法，其特征在于该方法包括如下步骤：
步骤1：对受试者采集同步的脑电肌电信号；
步骤2：对步骤1采集的信号进行预处理；
步骤3：对步骤2去噪后的肌电信号进行肌电分解；
步骤4：对步骤3分解获得的运动单元动作电位序列进行特征提取；
步骤5：利用步骤4所提取的特征与采集的同步脑电信号，得到不同特征与同步脑电信号的波形图谱，分析在运动时脑肌信号间的信息传递规律。
2.根据权利要求1所述的基于标准模板肌电分解的脑肌信息传递规律提取方法，其特征在于：
步骤1中，肌电信号采集位置为手臂屈指浅肌，脑电信号采集位置为C3单一通道；
采集受试者手臂处相关肌肉的肌电信号并记录每一次动作的开始点和结束点；
实验动作为使用握力器不同力量水平持续抓握5s，两种力量水平分别为15％和30％最大力量水平。
3.根据权利要求1所述的基于标准模板肌电分解的脑肌信息传递规律提取方法，其特征在于：
步骤2所述对采集信号的预处理主要是肌电信号进行小波去噪，脑电信号进行带通滤波、ICA独立成分分析，对处理后的脑电信号分段，提取进行手部动作时的脑电信号。
4.根据权利要求1所述的基于标准模板肌电分解的脑肌信息传递规律提取方法，其特征在于：步骤3所述肌电分解获得运动单元动作电位序列的具体步骤如下：
(1)根据肌电信号先验知识构建先验模板，模板数学表达式为：
其中A是模板的幅度，t是时间常量，设置其值为10ms，a是时间伸缩因子，影响模板宽度，即持续时间，设置变化范围为5-20ms；
(2)对所构建的先验模板中的各参数进行初始化，并对模板中的可变参数进行变化范围约束；
其中A0表示先验模板的初始幅值，Ai表示第i次迭代先验模板的幅值，|peakm|表示sEMG中第m个尖峰点幅值的绝对值，sd(rest_signal)表示基线信号的标准差，mean(rest_peaks)表示基线信号中所有尖峰点幅值的平均值；
(3)峰值检测：根据肌电信号幅值的大小(波峰和波谷)设置阈值，基于阈值检测出肌电信号的尖峰脉冲点；
(4)模板匹配：利用Pearson相关系数和残差比率判断当前备选信号段是否被分解剥离；
(5)MUAP波形重确定：采用STA脉冲平均对所分解剥离出的信号段进行触发平均；
(6)循环迭代：不断改变先验模板幅度Ai，返回步骤(3)继续迭代分解，直至满足循环结束条件式(8)，便获得分解后的运动单元动作电位序列。
5.根据权利要求1所述的基于标准模板肌电分解的脑肌信息传递规律提取方法，其特征在于：步骤4所述的运动单元动作电位序列特征提取为：分别提取运动单元动作电位序列数量、运动单元动作电位序列波幅、运动单元动作电位序列瞬时传导速率三个特征。
6.根据权利要求5所述的基于标准模板肌电分解的脑肌信息传递规律提取方法，其特征在于：提取方法具体为：将最小单位划分为0.01s，共5s，对运动单元动作电位序列每隔0.01s提取一次特征数据，特征数据包括运动单元动作电位序列数量、运动单元动作电位序列波幅、运动单元动作电位序列瞬时传导速率；接着对不同力量水平下的特征分别求平均，该平均值作为当前力量水平下特征数据的值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111579890.2A CN114052750B (zh) | 2021-12-22 | 2021-12-22 | 基于标准模板肌电分解的脑肌信息传递规律提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111579890.2A CN114052750B (zh) | 2021-12-22 | 2021-12-22 | 基于标准模板肌电分解的脑肌信息传递规律提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114052750A true CN114052750A (zh) | 2022-02-18 |
| CN114052750B CN114052750B (zh) | 2024-04-30 |
Family
ID=80230183
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111579890.2A Active CN114052750B (zh) | 2021-12-22 | 2021-12-22 | 基于标准模板肌电分解的脑肌信息传递规律提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114052750B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115840906A (zh) * | 2023-02-13 | 2023-03-24 | 博睿康科技（常州）股份有限公司 | 动作电位的分解方法、分解模型、信号分析设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106073702A (zh) * | 2016-05-27 | 2016-11-09 | 燕山大学 | 基于小波‑传递熵的多时频尺度间脑肌电耦合分析方法 |
| CN106901728A (zh) * | 2017-02-10 | 2017-06-30 | 杭州电子科技大学 | 基于变尺度符号传递熵的多通道脑肌电耦合分析方法 |
| CN108403115A (zh) * | 2018-02-11 | 2018-08-17 | 宁波工程学院 | 一种肌肉运动单元数量估计方法 |
| CN109359619A (zh) * | 2018-10-31 | 2019-02-19 | 浙江工业大学之江学院 | 一种基于卷积盲源分离的高密度表面肌电信号分解方法 |
| CN110367974A (zh) * | 2019-07-10 | 2019-10-25 | 南京邮电大学 | 基于变分模态分解-传递熵的脑肌电耦合的研究方法 |
| WO2021126093A1 (en) * | 2019-12-19 | 2021-06-24 | Univerza V Mariboru | A process and a device for decomposition of compound muscle action potentials |
| CN113397571A (zh) * | 2021-07-16 | 2021-09-17 | 杭州电子科技大学 | 一种基于先验模板的肌电运动单元分解方法 |
| CN113558639A (zh) * | 2021-07-05 | 2021-10-29 | 杭州电子科技大学 | 基于格兰杰因果关系和图论的运动意图脑肌网络分析方法 |
| CN113558638A (zh) * | 2021-07-05 | 2021-10-29 | 杭州电子科技大学 | 基于Vine Copula的脑肌耦合模型构建方法 |
-
2021
- 2021-12-22 CN CN202111579890.2A patent/CN114052750B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106073702A (zh) * | 2016-05-27 | 2016-11-09 | 燕山大学 | 基于小波‑传递熵的多时频尺度间脑肌电耦合分析方法 |
| CN106901728A (zh) * | 2017-02-10 | 2017-06-30 | 杭州电子科技大学 | 基于变尺度符号传递熵的多通道脑肌电耦合分析方法 |
| CN108403115A (zh) * | 2018-02-11 | 2018-08-17 | 宁波工程学院 | 一种肌肉运动单元数量估计方法 |
| CN109359619A (zh) * | 2018-10-31 | 2019-02-19 | 浙江工业大学之江学院 | 一种基于卷积盲源分离的高密度表面肌电信号分解方法 |
| CN110367974A (zh) * | 2019-07-10 | 2019-10-25 | 南京邮电大学 | 基于变分模态分解-传递熵的脑肌电耦合的研究方法 |
| WO2021126093A1 (en) * | 2019-12-19 | 2021-06-24 | Univerza V Mariboru | A process and a device for decomposition of compound muscle action potentials |
| CN113558639A (zh) * | 2021-07-05 | 2021-10-29 | 杭州电子科技大学 | 基于格兰杰因果关系和图论的运动意图脑肌网络分析方法 |
| CN113558638A (zh) * | 2021-07-05 | 2021-10-29 | 杭州电子科技大学 | 基于Vine Copula的脑肌耦合模型构建方法 |
| CN113397571A (zh) * | 2021-07-16 | 2021-09-17 | 杭州电子科技大学 | 一种基于先验模板的肌电运动单元分解方法 |
Non-Patent Citations (1)
| Title |
|---|
| CHRISTOPHER K. THOMPSON 等: "Exogenous neuromodulation of spinal neurons induces beta-band coherence during self-sustained discharge of hind limb motor unit populations", J APPL PHYSIOL, 18 June 2019 (2019-06-18) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115840906A (zh) * | 2023-02-13 | 2023-03-24 | 博睿康科技（常州）股份有限公司 | 动作电位的分解方法、分解模型、信号分析设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114052750B (zh) | 2024-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Hand gesture recognition based on motor unit spike trains decoded from high-density electromyography | |
| Merletti et al. | Analysis of motor units with high-density surface electromyography | |
| Naik et al. | Single-channel EMG classification with ensemble-empirical-mode-decomposition-based ICA for diagnosing neuromuscular disorders | |
| Merletti et al. | Advances in surface EMG: recent progress in detection and processing techniques | |
| Rakshit et al. | An efficient wavelet-based automated R-peaks detection method using Hilbert transform | |
| Cifrek et al. | Surface EMG based muscle fatigue evaluation in biomechanics | |
| CN111227830B (zh) | 一种基于复杂改进多尺度传递熵的脑肌电耦合分析方法 | |
| Garcia et al. | A decomposition algorithm for surface electrode-array electromyogram | |
| Zhang et al. | Muscle force estimation based on neural drive information from individual motor units | |
| Xiong et al. | Application of the chaos theory in the analysis of EMG on patients with facial paralysis | |
| Pavlov et al. | Recognition of electroencephalographic patterns related to human movements or mental intentions with multiresolution analysis | |
| Wang et al. | Research on EMG segmentation algorithm and walking analysis based on signal envelope and integral electrical signal | |
| Zhou et al. | A data-driven volitional EMG extraction algorithm during functional electrical stimulation with time variant parameters | |
| CN114052750B (zh) | 基于标准模板肌电分解的脑肌信息传递规律提取方法 | |
| KR101008825B1 (ko) | 다중 윈도우를 이용한 생체신호의 특성 파라미터 추출 장치및 방법 | |
| Dzitac et al. | Identification of ERD using fuzzy inference systems for brain-computer interface | |
| Zhao et al. | Online Decomposition of Surface Electromyogram into Individual Motor Unit Activities Using Progressive FastICA Peel-off | |
| CN117281479A (zh) | 一种基于表面肌电信号多维度特征融合的人体下肢慢性疼痛判别方法、存储介质及装置 | |
| Kaur et al. | Comparison of the techniques used for segmentation of EMG signals | |
| Noce et al. | Spike detection: the first step towards an ENG-based neuroprosheses | |
| Duhan et al. | Study of signal processing techniques for EMG analysis | |
| El Khadiri et al. | A Comparison of the Denoising Performance Using Capon Time-Frequency and Empirical Wavelet Transform Applied on Biomedical Signal. | |
| Helal et al. | A hybrid approach for artifacts removal from EEG recordings | |
| CN114288634B (zh) | 基于肌电信号采集的健身动作自识别与报警系统 | |
| Sivakumar et al. | Analysis of Ventricular Late Potentials using wavelets and FFT spectrum |
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 |