CN114288634A - 基于肌电信号采集的健身动作自识别与报警系统 - Google Patents
基于肌电信号采集的健身动作自识别与报警系统 Download PDFInfo
- Publication number
- CN114288634A CN114288634A CN202210154935.XA CN202210154935A CN114288634A CN 114288634 A CN114288634 A CN 114288634A CN 202210154935 A CN202210154935 A CN 202210154935A CN 114288634 A CN114288634 A CN 114288634A
- Authority
- CN
- China
- Prior art keywords
- module
- electromyographic
- signal acquisition
- electromyographic signal
- processor module
- 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
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供了一种基于肌电信号采集的健身动作自识别与报警系统,包括肌电信号采集模块、处理器模块、控制模块和显示模块;肌电信号采集模块的电极与被测对象受试部位导联进行肌电信号采集,采集的肌电信号传送至处理器模块,处理器模块对肌电信号进行预处理后,提取信号内的特征量,并进行模式识别;控制模块分别与肌电信号采集模块和处理器模块相连,用于控制肌电信号采集模块和处理器模块的运行;显示模块与控制模块相连,用于显示控制模块的图形用户界面。本发明通过肌电信号采集与分析来监测健身人员运动时不同部位的肌肉发力程度,进而直观的反馈用户的健身动作是否标准,以给健身人员提供科学的健身指导,提高运动健身效率。
Description
技术领域
本发明涉及生物电信号识别与分析领域,具体涉及一种基于肌电信号采集的健身动作自识别与报警系统。
背景技术
随着国民素质的发展,越来越多的人认识到健身运动的重要性,但非专业的健身者在运动过程中很难判断自身动作是否标准、肌肉发力是否恰当,盲目进行运动锻炼,反而易因错误的运动方式导致身体疲劳损伤的情况出现。因此,对健身动作进行监测识别与评估报警具有重要的现实意义。
而如今市场上便携式、智能化的健身设备大多致力于心率、心电、血压、睡眠监测以及运动量计算等,基于肌肉收缩、舒张程度来反馈健身动作是否标准的辅助健身设备尚未听闻;涉及运动强度计算的健身可穿戴设备也主要是依靠心率采集技术,健身强度反馈过于笼统,不能很好的反应健身者的运动状态。
发明内容
本发明的目的在于提供一种基于肌电信号采集的健身动作自识别与报警系统,通过肌电信号采集与分析来监测健身人员运动时不同部位的肌肉发力程度,进而反馈用户的健身动作是否标准,以给健身人员提供科学的健身指导,提高运动健身效率。
本发明所提供的基于肌电信号采集的健身动作自识别与报警系统,包括肌电信号采集模块、处理器模块、控制模块和显示模块;
肌电信号采集模块的电极与被测对象受试部位导联进行肌电信号采集,采集的肌电信号传送至处理器模块,处理器模块对肌电信号进行预处理后,提取信号内的特征量,并进行模式识别;
控制模块分别与肌电信号采集模块和处理器模块相连,用于控制肌电信号采集模块和处理器模块的运行;
显示模块与控制模块相连,用于显示控制模块的图形用户界面。
本发明的一个实施例中,所述处理器模块为STM32F103单片机。
本发明的一个实施例中,所述处理器模块对肌电信号进行预处理的步骤为:
S1:进行放大与滤波,消除工频干扰和直流偏置;
S2:识别活动段;
其中,所述识别活动段的方法为:采用短时能量的移动平均法,结合阈值比较来进行活动段识别;具体为:
采用固定长度的滑动窗逐一推进并计算活动窗内数据的平均能量值,来反映信号的当前变化的趋势;
其中,所述阈值的标准量定义为:选取窗口数据内的标准差作为阈值的标准量;
则所述识别活动段的方法为:给定动作数据预期长度,根据同类动作数据的相似性原理,采用循环降阈值的平均能量法来进行活动段的识别与提取。
本发明的一个实施例中,所述处理器模块对肌电信号进行预处理的步骤S1中进行信号放大处理的电路采用AD620仪表放大器,其增益公式为:
本发明的一个实施例中,所述处理器模块对预处理后的肌电信号进行特征量提取的方法,具体为:
S3:提取5种时域特征量,即过零点数、标准差、肌电积分值、峰值平均、周期数;
S4:提取4种频域特征量,即频带宽度、频带峰值、平均功率谱、功率谱中值频率;
S5:对步骤S3和步骤S4提取的特征量使用最大最小归一化方法进行归一化处理。
在步骤S3中,所述过零点数为信号穿越横轴次数的统计;所述标准差为计算信号值偏离平均值的程度;所述肌电积分值为计算探取段内信号绝对值的和;所述峰值平均为先对信号求绝对值再求均值;所述周期数为计算单位时间内肌肉活动的次数;
所述5种时域特征和4种频域特征的特征量计算公式为:
本发明的一个实施例中,所述处理器模块进行模式识别的方法,具体为:
S6:将经过步骤S5处理的特征量与标准化参量进行对比,从而完成识别;
其中,所述标准化参量的获得方法为:
采用MTALAB工具完成不同动作所对应电信号的时域特征量及频域特征量的计算,将多组动作实验后的特征量数据导入BP神经网络训练,获得一个小范围内逼近真实值的上下限值,并以此作为标准化参量。
本发明的一个实施例中,所述处理器模块进行模式识别的方法还包括:
S7:当识别出肌电信号异常时,处理器模块触发控制模块的报警装置,进行报警。
本发明的一个实施例中,所述控制模块为上位机系统,所述上位机系统包括七个功能控制子模块和三个图像显示子模块,七个功能控制子模块分别为:采集数据、导入数据、保存数据、预处理、特征提取、模式识别和退出系统;三个图像显示子模块分别显示:动作肌电图、原始肌电图和频谱估计图;
所述显示模块与控制模块相连,所述显示模块的显示屏界面包括七个按键和三个图像显示窗口,七个按键分别为:采集数据、导入数据、保存数据、预处理、特征提取、模式识别和退出系统;三个图像显示窗口分别显示:动作肌电图、原始肌电图和频谱估计图。
本发明的一个实施例中,所述上位机系统的模式识别子模块还包括异常报警功能单元。
本发明的有益效果:
1、本发明通过前端肌电信号采集模块实时采集健身人员运动时受试部位的肌电信号,采集的肌电信号通过单片机STM32F103进行一系列模数转换与逻辑运算,最后通过显示模块将信号以波形的形式展示在显示屏上,达到了肌电信号可视化的效果,可以直观的反馈健身动作是否标准,给健身人员提供科学的健身指导。同时,本发明能让用户通过观察显示屏,判断自身佩戴设备是否正确、设备是否连接正常,若佩戴错误或连接不当,波形将失真。该技术在一定程度上保证了肌电信号采集的有效性与实时性,从而进一步确保对健身人员的有效监测,提高运动健身效率。
2、本发明通过对处理器模块的STM32F103单片机进行处理程序设计,并建立了标准化参量,对不同动作所对应的不同肌电信号阈值进行了相应的设定,形成了BP神经网络分类器,对正常和异常的肌电信号进行实时准确分类,当识别出肌电信号异常时,单片机将自动启动报警装置进行警告,提醒使用者规范自身的健身动作,达到良好的健身效果。
附图说明
为了更清楚地说明本发明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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的系统结构框图。
图2为本发明的系统流程图。
图3为本发明实施例中健身动作识别算法的流程图。
图4为本发明实施例中所述STM32F103单片机结构框图。
图5为本发明实施例中所述AD620仪表放大器引脚图。
图6为本发明显示模块界面展示图。
具体实施方式
在下文中,仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样,在不脱离本申请实施例的精神或范围的情况下,可通过各种不同方式修改所描述的实施例。因此,附图和描述被认为本质上是示例性的而非限制性的。
下面结合附图对本发明的实施例进行详细说明。
本发明实施例提供一种基于肌电信号采集的健身动作自识别与报警系统,涉及生物电信号识别与分析技术和报警提醒,旨在通过肌电信号采集与分析来监测健身人员运动时不同部位的肌肉发力程度,进而反馈用户的健身动作是否标准,以给健身人员提供科学的健身指导,提高运动健身效率。
如图1所示,本实施例提供的基于肌电信号采集的健身动作自识别与报警系统包括肌电信号采集模块、处理器模块、控制模块和显示模块;其中肌电信号采集模块与被测对象受试部位导联进行肌电信号采集,是系统的“手”;处理器模块对采集的肌电信号进行预处理、特征量提取等一系列转换与运算,最后进行模式识别判断,是系统的“脑”;控制模块分别与肌电信号采集模块和处理器模块相连,用于控制肌电信号采集模块和处理器模块的运行,是系统的“神经”;显示模块与控制模块相连,用于显示控制模块的图形用户界面,以及对信号波形、频谱等进行显示,并提醒使用人是否佩戴准确,是否有信号输入,是系统的“眼”;四个模块相辅相成,使整个系统更加完善、智能。整个系统的流程如图2所示,其核心部分-健身动作识别算法的流程如图3所示。
本实施例中,处理器模块采用STM32F103单片机,STM32F103的ADC是12位逐次逼近型的模拟数字转换器,它有18个通道,可测量16个外部和2个内部信号源。各通道的A/D转换可以单次、连续、扫描或间断模式执行,STM32f103ADC结构框图如图4所示。肌电信号采集模块通过外接线与STM32F103单片机的12位ADC相连并进行数据传输,进而处理采集得到的肌电信号。处理过程中,通过MTALAB工具完成不同动作(如腕伸、腕屈)所对应电信号的平均功率和均方根值的计算,将多组动作实验数据导入后采用BP神经网络训练,获得一个小范围内逼近真实值的上下限值,并以此作为动作标准判断的数据阈值,用以储备作为健身动作识别根据。
需要说明的是,上述模块正常工作所需的外围电路、电源等,均为现有常规技术可以实现,本领域技术人员应知晓,本申请不对其作详细阐述和具体限制。
肌电信号采集模块的电极以AgCl作为感应元件、以水凝胶作为粘性元件,与被测对象受试部位导联,如手臂、腿部等;肌电信号是一种伴随肌肉活动出现的微弱生物电信号,易受到外界环境及其他信号干扰,因此,电极拾取到的毫伏级肌电信号需送入处理器模块进行信号处理。
处理器模块对肌电信号进行处理包括三个阶段,即信号预处理、特征量提取和模式识别;
第一阶段:信号预处理,其步骤为:
S1:进行放大与滤波,消除工频干扰和直流偏置;
其中,信号放大处理的电路采用AD620仪表放大器,AD620具有高输入阻抗和高共模抑制比、低噪声、低漂移的特性,其引脚图如图5所示,其增益公式为:
本实施例将前置放大倍数设置为10倍左右,所以其匹配电阻RG取5.5KΩ。
S2:识别活动段;
处理器模块对肌电信号采用活动段识别的方法探测有效数据,计算合适的特征矢量,进而通过特征值去判断肌肉的活动状态。活动段识别是信号预处理阶段的核心,即提取出有效数据的起始和终止时刻。
基于系统的实时性要求,本实施例中,识别活动段的方法为:采用短时能量的移动平均法,结合阈值比较来进行活动段识别;具体为:
采用固定长度的滑动窗逐一推进并计算活动窗内数据的平均能量值,来反映信号的当前变化的趋势;
在活动段识别实现过程中,阈值的选择对肌电动作数据的采集装置、周围环境以及被采集对象具有很强的依赖性,当阈值设置偏大时无法识别出幅值较小的动作信号,阈值偏小时识别效果又会降低,进而失去其活动端识别的意义。针对不同采集条件获取的多组肌电数据很难获取统一的阈值这一技术难点,本实施例采用变平均能量法为计算方差法,选取窗口数据内的标准差作为判别的标准量,即阈值;通过给定动作数据预期长度,根据同类动作数据的相似性原理,采用循环降阈值的平均能量法来进行活动段的识别与提取。
处理肌电信号的目的在于研究其时域特征、频域特征与肌肉结构以及肌肉活动状态或肢体功能状态之间的关联性,进而根据肌电信号的变化有效反映肌肉的活动或功能状态。因此,对肌电信号进行预处理后,进入特征量提取阶段,即:
第二阶段:对预处理后的肌电信号进行特征量提取(此处为上位机进行特征提取的特征量),具体方法为:
S3:提取5种时域特征量,即过零点数、标准差、肌电积分值、峰值平均、周期数;
过零点数是信号穿越横轴次数的统计;标准差计算信号值偏离平均值的程度;肌电积分值计算探取段内信号绝对值的和;峰值平均先对信号求绝对值再求均值;周期数计算单位时间内肌肉活动的次数。
S4:提取4种频域特征量,即频带宽度、频带峰值、平均功率谱、功率谱中值频率;
这些特征参量综合反映了肌肉活动的平均水平及强度。
S5:对步骤S3和步骤S4提取的特征量使用最大最小归一化方法进行归一化处理;
通过归一化处理,增强特征量对动作识别的效果。
具体的,5种时域特征和4种频域特征的特征量计算公式为:
第三阶段:模式识别,即动作种类分析,以提取特征量为基础,根据不同动作的特征参数判断动作种类,具体方法为:
S6:将经过步骤S5计算的特征量与标准化参量进行对比,从而完成识别;
其中,标准化参量的获得方法为:
采用MTALAB工具完成不同动作所对应电信号的时域特征量及频域特征量的计算,将多组动作实验后的特征量数据导入BP神经网络训练,获得一个小范围内逼近真实值的上下限值,并以此作为标准化参量,即动作标准判断的数据阈值,也即BP神经网络分类器,可对正常和异常的肌电信号进行分类。
S7:当识别出肌电信号异常时,处理器模块触发控制模块的报警装置,进行报警;
通过异常信号报警,可提醒使用者规范自身的健身动作,达到良好的健身效果。
为了熟悉整个信号采集以及处理过程,本实施例中,控制模块为运用MATLAB建立的上位机系统,该上位机系统包括七个功能控制子模块和三个图像显示子模块,七个功能控制子模块分别为:采集数据、导入数据、保存数据、预处理、特征提取、模式识别和退出系统;三个图像显示子模块分别显示:动作肌电图、原始肌电图和频谱估计图;
上位机系统的部分程序代码如下:
显示模块为触控式显示屏,其与控制模块相连,用于展示控制模块的图形用户界面,以及对信号波形、频谱等,因此显示模块的显示屏界面包括七个按键和三个图像显示窗口,七个按键分别为:采集数据、导入数据、保存数据、预处理、特征提取、模式识别和退出系统;三个图像显示窗口分别显示:动作肌电图、原始肌电图和频谱估计图,显示模块界面如图6所示。
通过显示屏可以实现对控制模块的指令下达,控制模块接收用户指令后可对肌电信号采集模块和处理器模块的运行进行对应的控制,整个系统实现了肌电信号的可视化,使用时用户对自身的肌肉发力状态可以有直观的了解,操作体验也更佳。
本实施例中,显示模块通过STM32F103的TFT-LCD显示屏进行显示。TFT-LCD可有效克服非选通时的串扰,以大大提高了肌电图像质量。ALIENTEK TFTLCD模块采用16位的并行方式与外部连接,将电极采集的电压值,经STM32F103处理后可通过LCD显示屏实时反馈在界面中,达到肌电信号“可视化”的效果。
本实施例中,模式识别子模块还包括异常报警功能单元,当识别出肌电信号异常时,处理器模块触发异常报警功能单元,启动报警装置-蜂鸣器进行报警。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.基于肌电信号采集的健身动作自识别与报警系统,其特征在于,包括:
肌电信号采集模块、处理器模块、控制模块和显示模块;
肌电信号采集模块的电极与被测对象受试部位导联进行肌电信号采集,采集的肌电信号传送至处理器模块,处理器模块对肌电信号进行预处理后,提取信号内的特征量,并进行模式识别;
控制模块分别与肌电信号采集模块和处理器模块相连,用于控制肌电信号采集模块和处理器模块的运行;
显示模块与控制模块相连,用于显示控制模块的图形用户界面。
2.根据权利要求1所述的基于肌电信号采集的健身动作自识别与报警系统,其特征在于,所述处理器模块为STM32F103单片机。
3.根据权利要求1所述的基于肌电信号采集的健身动作自识别与报警系统,其特征在于,所述处理器模块对肌电信号进行预处理的步骤为:
S1:进行放大与滤波,消除工频干扰和直流偏置;
S2:识别活动段;
其中,所述识别活动段的方法为:采用固定长度的滑动窗逐一推进并计算活动窗内数据的平均能量值,并选取活动窗口数据内的标准差作为阈值,最后将平均能量值与阈值进行比较,识别活动段。
5.根据权利要求3所述的基于肌电信号采集的健身动作自识别与报警系统,其特征在于,所述处理器模块对预处理后的肌电信号进行特征量提取的方法为:
S3:提取5种时域特征量,即过零点数、标准差、肌电积分值、峰值平均、周期数;
S4:提取4种频域特征量,即频带宽度、频带峰值、平均功率谱、功率谱中值频率;
S5:对步骤S3和步骤S4提取的特征量使用最大最小归一化方法进行归一化处理。
6.根据权利要求5所述的基于肌电信号采集的健身动作自识别与报警系统,其特征在于,在步骤S3中,所述过零点数为信号穿越横轴次数的统计;所述标准差为计算信号值偏离平均值的程度;所述肌电积分值为计算探取段内信号绝对值的和;所述峰值平均为先对信号求绝对值再求均值;所述周期数为计算单位时间内肌肉活动的次数。
8.根据权利要求5所述的基于肌电信号采集的健身动作自识别与报警系统,其特征在于:所述处理器模块进行模式识别的方法为:
S6:将经过步骤S5处理的特征量与标准化参量进行对比,从而完成识别;其中,所述标准化参量的获得方法为:
采用MTALAB工具完成不同动作所对应电信号的时域特征量及频域特征量的计算,将多组动作实验后的特征量数据导入BP神经网络训练,获得一个小范围内逼近真实值的上下限值,并以此作为标准化参量。
9.根据权利要求8所述的基于肌电信号采集的健身动作自识别与报警系统,其特征在于:所述处理器模块进行模式识别的方法还包括:
S7:当识别出肌电信号异常时,处理器模块触发控制模块的报警装置,进行报警。
10.根据权利要求1所述的基于肌电信号采集的健身动作自识别与报警系统,其特征在于:所述控制模块为上位机系统,所述上位机系统包括七个功能控制子模块和三个图像显示子模块,七个功能控制子模块分别为:采集数据、导入数据、保存数据、预处理、特征提取、模式识别和退出系统;三个图像显示子模块分别显示:动作肌电图、原始肌电图和频谱估计图;所述显示模块与控制模块相连,所述显示模块的显示屏界面包括七个按键和三个图像显示窗口,七个按键分别为:采集数据、导入数据、保存数据、预处理、特征提取、模式识别和退出系统;三个图像显示窗口分别显示:动作肌电图、原始肌电图和频谱估计图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210154935.XA CN114288634B (zh) | 2022-02-21 | 2022-02-21 | 基于肌电信号采集的健身动作自识别与报警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210154935.XA CN114288634B (zh) | 2022-02-21 | 2022-02-21 | 基于肌电信号采集的健身动作自识别与报警系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114288634A true CN114288634A (zh) | 2022-04-08 |
CN114288634B CN114288634B (zh) | 2023-01-06 |
Family
ID=80976865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210154935.XA Active CN114288634B (zh) | 2022-02-21 | 2022-02-21 | 基于肌电信号采集的健身动作自识别与报警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114288634B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110313310A1 (en) * | 2010-06-16 | 2011-12-22 | Sony Corporation | Muscle-activity diagnosis apparatus, method, and program |
CN105597298A (zh) * | 2016-04-05 | 2016-05-25 | 哈尔滨工业大学 | 基于肌电信号及肢体动作检测的健身效果评价系统 |
CN108209910A (zh) * | 2017-05-25 | 2018-06-29 | 深圳市未来健身衣科技有限公司 | 健身运动数据的反馈方法及装置 |
CN109820482A (zh) * | 2019-03-05 | 2019-05-31 | 浙江强脑科技有限公司 | 肌肉状态检测方法、装置及计算机可读存储介质 |
CN110192863A (zh) * | 2019-06-05 | 2019-09-03 | 吉林工程技术师范学院 | 一种可穿戴肌肉运动监护的智能臂环及肌肉运动状态监测方法 |
CN111700718A (zh) * | 2020-07-13 | 2020-09-25 | 北京海益同展信息科技有限公司 | 一种识别握姿的方法、装置、假肢及可读存储介质 |
CN111714121A (zh) * | 2020-06-01 | 2020-09-29 | 北京海益同展信息科技有限公司 | 肌电数据分类模型构建方法、分类方法、装置及服务器 |
WO2020222626A1 (ko) * | 2019-04-29 | 2020-11-05 | 포항공과대학교 산학협력단 | 근전도 측정을 통한 근육 피로도 분석 방법 및 이를 수행하는 웨어러블 디바이스 |
-
2022
- 2022-02-21 CN CN202210154935.XA patent/CN114288634B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110313310A1 (en) * | 2010-06-16 | 2011-12-22 | Sony Corporation | Muscle-activity diagnosis apparatus, method, and program |
CN105597298A (zh) * | 2016-04-05 | 2016-05-25 | 哈尔滨工业大学 | 基于肌电信号及肢体动作检测的健身效果评价系统 |
CN108209910A (zh) * | 2017-05-25 | 2018-06-29 | 深圳市未来健身衣科技有限公司 | 健身运动数据的反馈方法及装置 |
CN109820482A (zh) * | 2019-03-05 | 2019-05-31 | 浙江强脑科技有限公司 | 肌肉状态检测方法、装置及计算机可读存储介质 |
WO2020222626A1 (ko) * | 2019-04-29 | 2020-11-05 | 포항공과대학교 산학협력단 | 근전도 측정을 통한 근육 피로도 분석 방법 및 이를 수행하는 웨어러블 디바이스 |
CN110192863A (zh) * | 2019-06-05 | 2019-09-03 | 吉林工程技术师范学院 | 一种可穿戴肌肉运动监护的智能臂环及肌肉运动状态监测方法 |
CN111714121A (zh) * | 2020-06-01 | 2020-09-29 | 北京海益同展信息科技有限公司 | 肌电数据分类模型构建方法、分类方法、装置及服务器 |
CN111700718A (zh) * | 2020-07-13 | 2020-09-25 | 北京海益同展信息科技有限公司 | 一种识别握姿的方法、装置、假肢及可读存储介质 |
Non-Patent Citations (1)
Title |
---|
徐峰等: "基于LabVIEW与MATLAB混合编程的手势识别系统", 《电子设计工程》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114288634B (zh) | 2023-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109620262B (zh) | 一种基于可穿戴手环的情绪识别系统及方法 | |
Belgacem et al. | ECG based human authentication using wavelets and random forests | |
CN105147248A (zh) | 基于生理信息的抑郁症评估系统及其评估方法 | |
CN204931634U (zh) | 基于生理信息的抑郁症评估系统 | |
CN108577834B (zh) | 一种用于癫痫间期棘波自动检测的方法 | |
CN110123314A (zh) | 基于脑电信号判断大脑专注放松状态的方法 | |
CN105942974A (zh) | 一种基于低频脑电的睡眠分析方法及系统 | |
CN110353704B (zh) | 基于穿戴式心电监测的情绪评估方法与装置 | |
CN109288515B (zh) | 基于穿戴式心电信号中早搏信号的周期性监测方法及装置 | |
CN114052744B (zh) | 基于脉冲神经网络的心电信号分类方法 | |
CN114781465A (zh) | 一种基于rPPG的非接触式疲劳检测系统及方法 | |
CN116035536B (zh) | 一种睡眠行为活跃水平检测量化的方法、系统和装置 | |
CN113288168A (zh) | 一种智能可穿戴疲劳监测及预警系统 | |
CN113197584A (zh) | 一种基于差分过零检测法的qrs波群识别方法 | |
CN111832537A (zh) | 异常心电信号识别方法及异常心电信号识别装置 | |
CN116784860B (zh) | 基于形态学心拍模板聚类的心电信号特征提取系统 | |
Li et al. | Detection of muscle fatigue by fusion of agonist and synergistic muscle semg signals | |
CN114288634B (zh) | 基于肌电信号采集的健身动作自识别与报警系统 | |
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 | |
CN115956918A (zh) | 一种具有基于多特征融合的心电信号质量评估功能的远程心电监测系统 | |
CN111671418B (zh) | 一种考虑脑工作状态的事件相关电位采集方法及系统 | |
Helal et al. | A hybrid approach for artifacts removal from EEG recordings | |
CN114469041A (zh) | 一种运动过程中心率变化数据特征分析方法 | |
Aravind et al. | ECG Classification and Arrhythmia Detection Using Wavelet Transform and Convolutional Neural Network | |
CN110946562A (zh) | 基于Micro:bit微处理器的生理电信号测量分析方法及系统 |
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 |