CN114469142B - 一种基于人体肌肉动力学模型和肌电信号的肌力解码方法 - Google Patents
一种基于人体肌肉动力学模型和肌电信号的肌力解码方法 Download PDFInfo
- Publication number
- CN114469142B CN114469142B CN202210011713.2A CN202210011713A CN114469142B CN 114469142 B CN114469142 B CN 114469142B CN 202210011713 A CN202210011713 A CN 202210011713A CN 114469142 B CN114469142 B CN 114469142B
- Authority
- CN
- China
- Prior art keywords
- muscle
- model
- force
- dynamics
- time
- 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
- 210000003205 muscle Anatomy 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000009467 reduction Effects 0.000 claims abstract description 17
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 230000008878 coupling Effects 0.000 claims abstract description 10
- 238000010168 coupling process Methods 0.000 claims abstract description 10
- 238000005859 coupling reaction Methods 0.000 claims abstract description 10
- 230000004913 activation Effects 0.000 claims abstract description 8
- 230000012232 skeletal muscle contraction Effects 0.000 claims abstract description 5
- 238000012937 correction Methods 0.000 claims abstract description 3
- 102000003505 Myosin Human genes 0.000 claims description 12
- 108060008487 Myosin Proteins 0.000 claims description 12
- 102000007469 Actins Human genes 0.000 claims description 10
- 108010085238 Actins Proteins 0.000 claims description 10
- 238000005315 distribution function Methods 0.000 claims description 8
- 230000003183 myoelectrical effect Effects 0.000 claims description 8
- 210000002027 skeletal muscle Anatomy 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 108091005975 Myofilaments Proteins 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 210000003632 microfilament Anatomy 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 4
- 102000002151 Microfilament Proteins Human genes 0.000 claims description 2
- 108010040897 Microfilament Proteins Proteins 0.000 claims description 2
- 238000007499 fusion processing Methods 0.000 claims 1
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000005868 electrolysis reaction Methods 0.000 abstract 1
- 230000007774 longterm Effects 0.000 abstract 1
- 238000013178 mathematical model Methods 0.000 abstract 1
- 239000002245 particle Substances 0.000 description 7
- 230000007321 biological mechanism Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002079 cooperative effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003387 muscular Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- A61B5/389—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于人体肌肉动力学模型和肌电信号的肌力解码方法,针对现有肌电解码基于数学模型等方法,存在无法实现长期的肌肉估计,且大部分仅能适用于肌肉力等级估计,准确度低,且存在较长的延时,无法实现连续的实时力解码。本发明根据人体骨骼肌收缩模型,建立与肌肉激活程度相关的肌肉时空耦合动力学方程,然后对肌肉动力学方程进行降维获得最低一阶的肌肉动力学方程,同时基于降维后的肌肉动力学模型,推导出肌电与肌肉力的低维动力学关系,同时结合实时滤波算法对肌电信号进行采集和滤波,最后采用参数辨识和在线修正算法,获得模型参数并建立基于肌电信号的肌肉力估计模型。该方法可以代替传统的肌肉力等级估计方法,实现实时且高精度的肌肉力解码,为人体肌肉力估计和基于肌肉力的控制奠定了基础。
Description
技术领域
本发明涉及一种人体肌肉力解码方法,可用于对肌肉产生的电信号进行力解码。
背景技术
肌电信号作为一种易于获取的生物电信号,在医疗和康复领域有着广泛的应用。目前绝大多数的肌电信号解码均采用模式识别的方式,可以通过解码获得肌肉支配对象的运动轨迹。而在实际移动物体时,人脑会根据物体的特征计算出适当的肌肉力,并通过神经系统对肌肉发出相应的指令。该指令能够控制骨骼肌肉收缩,并且以肌电信号的形式被观测到,最终实现对物体的牢固握持。因此,肌电信号的肌肉力解码的研究不仅可以用于肌肉运动原理的探索,也可以作为控制信号来实现与机器人的协同动作。
到目前为止,有很多研究人员对肌电信号进行解码研究,但这些方法只能够解码多种运动模式,但无法精确解码力。同时,过去的一些研究也表明,肌电信号幅值一般会随着骨骼肌力的增加而增加,但这种关系并不是固定的,会受很多因素的影响。而目前在力估计常用的模型中,绝大多为实验模型,很多算法的训练时间也很长,容易过度学习,并且模型的结构参数也很难修正。所以,实用性相当差。基于生物学的骨骼肌模型能够实现更加精细和稳定的力估计,但是目前没有一个方便且简单实用的通用模型,限制了其在肌电估计力上的应用。虽然有一些方法可以用来完善这个模型,但它们仍然很复杂并且难以实现稳定的肌肉力估计。因此,基于生物学机理模型,研究出一种稳定且准确的肌电信号的力解码方法有着重要的意义。
发明内容
本发明的目的在与提出一种新的基于肌电信号的肌肉力解码方式,以生物学机理模型为基础,通过降维算法和参数识别算法,实现实用、且稳定和准确度较高的肌肉力解码。首先,根据骨骼肌收缩模型,建立与肌肉激活程度相关的肌肉时空耦合动力学方程;其次,对肌肉动力学方程进行降维获得最低一阶的肌肉动力学方程,同时基于降维后的肌肉动力学模型,推导出肌电与肌肉力的低维动力学关系;然后,采用实时滤波算法对肌电信号进行采集和滤波;最后采用参数辨识和参数修正算法,获得模型参数并建立基于肌电信号的肌肉力估计模型。
本发明解决其技术问题所采用的技术方案是:
一种基于生物肌肉动力学模型降维的肌电力信号解码方法,包括以下步骤:
步骤1:确定生物学模型,根据骨骼肌收缩模型,建立与肌肉激活程度相关的肌动蛋白-肌球蛋白之间形成横桥的动力学方程,用来描述肌肉力与横桥结合率的关系;
步骤2:对肌动蛋白和肌球蛋白之间形成横桥的时空耦合动力学方程进行降维。这里可以先将模型进行时空分离来降低模型维度。在此基础上,通过线性变换得到一个新的系统,该系统可以分为快系统和慢系统。在去除快速系统后,无限维常微分方程系统可以简化为常微分方程的有限集,实现进一步的降维,得到极低维的骨骼肌动力学模型。然后将时间和空间变量进行综合,并根据肌肉力与速度关系,最终获得骨骼肌宏观力;
步骤3:由于原始肌电信号包含大量噪声,因此需要对信号进行滤波处理。采用卡尔曼滤波方法对肌电信号进行估计,然后再采用采样数较低的均值滤波进行平滑处理,最后根据多通道相关性系数对数据进行融合;
步骤4:在完成骨骼肌生物学模型降维后,降维模型中依然存在较多的未知参数,且多数参数均与人体的生物学特性相关,因此在进行肌肉力估计之前需要采用参数辨识方法,对模型参数进行整定和优化。在长时间使用肌电信号采集设备的过程中,被试人员难以完全一致的方式和位置来佩戴设备,导致模型精度下降。此时可以采用最小二乘法对模型参数进行重新辨识。
附图说明
图1为本发明方法的示意图。
图2为本发明的肌电信号的实时滤波算法的原理图。
图3为本发明的肌电解码肌肉力模型后的实际应用示意图。
图4为本发明的肌电解码的肌肉力和实际测量的肌肉力对比图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步描述。
如图1,基于生物肌肉动力学模型降维的肌电力信号解码方法的具体步骤如下:
步骤1:建立肌动蛋白和肌球蛋白之间形成横桥的时空耦合动力学方程;
肌肉动态模型为:
式中h是肌丝滑移的最大距离,p(x,t)是横桥的结合数量分布函数,其自变量为时间t,和归一化位置x;f(x,t)表示反向(分离)速率函数;g(x,t)表示正向(结合)速率函数,r(t)表示肌肉的激活度函数。
式中v(t)代表肌丝滑移速率,其表达式为:
式中x代表横桥结合点位与肌球蛋白头之间距离xr的标准化值,其表达式为:
步骤2:低维的非耦合的肌动蛋白和肌球蛋白之间形成横桥的时空耦合动力学方程的建立;
根据谱方法有:
带入模型中后可得如下常微分方程组:
式中a(t)表示横桥结合数量分布函数与时间变化相关的变量,u(t)表示系统信号的输入变量,y(t)表示时空分离的横桥结合数量分布函数,A,B,C分别为谱方法降维后系统的参数矩阵;
然后根据肌肉力与速度关系有:
(F+Fa)(v(t)+vb)=(F0+Fa)vb (8)
骨骼肌宏观力F(t)的模型如下:
其中B为横桥的名义刚度,s(t)为肌小节长度,L表示肌动蛋白结合点位和分离点位之间的距离,Q表示为肌肉横截面积,m为单位体积的肌丝密度,ψk(t)表示横桥结合数量分布函数与空间变化相关的变量,M为降维后模型的维度,最少为1;
最终该模型整理如下:
式中r(t)表示肌电信号的输入变量,F(t)表示肌肉宏观力随时间变化的函数;
步骤3:如图2,采用实时滤波算法对肌电信号进行采集和滤波;
首先,将系统模型和测量方程写为如下的通用形式:
xτ+1=Aτxτ+Bτuτ+Gτw(t) (13)
zτ=Hτxτ+v(t)
式中w(t),v(t)分别为过程噪声和测量噪声;
式中:w(t)~(0,Qτ),v(t)~(0,Rτ)
对于该模型采用卡尔曼滤波更新方程如下:
初始化:
状态更新:
估计值更新:
误差协方差更新:
卡尔曼增益更新:
计算通道采样信号与肌肉力之间的相关程度:
然后将相关性最大的N个通道作为主要采集通道,并且将该参数作为权重因子来对N个通道的肌电信号进行融合:
步骤4:采用参数辨识算法,对降维后的肌动蛋白和肌球蛋白之间形成横桥的肌肉动力学方程中未知参数进行辨识和优化;
采用粒子群优化算法时,输入向量:
Parameter=[A1,...,AM,B1,...,BM,C1,...,CM,js1,...,jsM,h,h2,b,F0,Fa](22)
采用如下目标函数,在实验采样周期为T的情况下,使预测的肌肉力Fp与实际肌肉力Ft之间的误差最小化:
选择初始值,并设置粒子群参数,在初始值附近[-1,1]区间内随机产生初始粒子和速度,并计算适应度和最优粒子;
迭代计算:更新粒子速度,更新粒子群体,更新适应度,选择最优粒子,是否停止;采用最小二乘法辨识参数时,将方程第二步中获得的肌肉力方程写为如下形式:
将方程展开有:
根据CK对方程进行重新整理后有:
F(t)=C1F1(t)+,...,+CMFM(t)(26)
在第n步辨识过程下,将需要辨识的模型表述如下:
参数估计增益为:
参数估计更新方程为:
估计量的协方差矩阵的更新方程为:
如图3,最后采用实验的方法来验证参数辨识后模型解码肌肉力的准确度。
如图4,将模型估计的结果与实际测量的肌肉力进行对比。
Claims (1)
1.一种基于人体肌肉动力学模型和肌电信号的肌力解码方法,适用于人体肌肉力的解码和肌肉力的估计,其特征在于:首先,根据骨骼肌收缩模型,建立与肌肉激活程度相关的肌肉时空耦合动力学方程;其次,对肌肉动力学方程进行降维获得最低一阶的肌肉动力学方程,同时基于降维后的肌肉动力学模型,推导出肌电与肌肉力的低维动力学关系;然后,采用实时滤波算法对肌电信号进行采集和滤波;最后采用参数辨识和在线修正算法,获得模型参数并建立基于肌电信号的肌肉力估计模型;一种基于人体肌肉动力学模型和肌电信号的肌力解码方法的具体步骤如下:
第一步,建立肌动蛋白和肌球蛋白之间形成横桥的时空耦合动力学方程:
它描述了肌动蛋白和肌球蛋白之间形成横桥的结合率与肌肉激活程度的关系,同时肌肉的收缩力也是通过肌动蛋白和肌球蛋白细丝彼此之间的滑动产生的,其特征在于通过动力学方程将横桥的结合率和肌肉激活程度联系在一起,存在时间和空间的耦合:
式中h是肌丝滑移的最大距离,p(x,t)是横桥的结合数量分布函数,其自变量为时间t,和归一化位置x;f(x,t)表示反向分离速率函数;g(x,t)表示正向结合速率函数,r(t)表示肌肉的激活度函数,v(t)代表肌丝滑移速率,其表达式为:
式中x代表横桥结合点位与肌球蛋白头之间距离xr的标准化值,其表达式为:
第二步,对第一步中建立的肌动蛋白和肌球蛋白之间形成横桥的时空耦合动力学方程进行降维:
采用模型降维算法,对具有时间和空间耦合的肌肉动力学方程进行降维,获得低阶的时空分离的肌肉动力学方程:
式中a(t)表示横桥结合数量分布函数与时间变化相关的变量,u(t)表示肌电信号的输入变量,y(t)表示时空分离的横桥结合数量分布函数,A,B,C分别为系统的参数矩阵;
根据肌肉力与速度关系有:
(F+Fa)(v(t)+vb)=(F0+Fa)vb (5)
基于降维后的肌肉动力学方程,结合肌肉力与速度关系,推导出肌电信号与宏观肌肉力的低维动力学模型,最终获得骨骼肌宏观力F(t)的模型如下:
其中B为横桥的名义刚度,s(t)为肌小节长度,L表示肌动蛋白结合点位和分离点位之间的距离,Q表示为肌肉横截面积,m为单位体积的肌丝密度,ψk(x)表示横桥结合数量分布函数与空间变化相关的变量,M为降维后模型的阶数,最少为1;
第三步,采用实时滤波算法对肌电信号进行采集和滤波:
原始肌电信号中包含大量噪声且,需要对肌电信号进行实时滤波和信号融合处理;首先,将系统模型和测量方程写为如下的通用形式
式中w(t),v(t)分别为过程噪声和测量噪声,w(t)~(0,Qτ),v(t)~(0,Rτ)
对于该模型采用滤波算法进行更新,并对N个通道的肌电信号进行融合:
其中ρi表示与第i通道相关的肌电信号权重参数,α(t)表示肌电信号;
第四步,降维后的肌动蛋白和肌球蛋白之间形成横桥的肌肉动力学方程中未知参数的获取,需要采集肌电信号所对应的肌肉力,并采用参数辨识算法,对模型参数进行辨识,令损失函数J最小化,实现更加准确的估计结果;
Parameter=[A1,...,AM,B1,...,BM,C1,...,CM,js1,...,jsM,h,h2,b,F0,Fa] (9)
其中Fp为预测的肌肉力,Ft为实际肌肉力,parameter为模型中未知参数,T为实验采样点数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210011713.2A CN114469142B (zh) | 2022-01-06 | 2022-01-06 | 一种基于人体肌肉动力学模型和肌电信号的肌力解码方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210011713.2A CN114469142B (zh) | 2022-01-06 | 2022-01-06 | 一种基于人体肌肉动力学模型和肌电信号的肌力解码方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114469142A CN114469142A (zh) | 2022-05-13 |
CN114469142B true CN114469142B (zh) | 2024-06-21 |
Family
ID=81510167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210011713.2A Active CN114469142B (zh) | 2022-01-06 | 2022-01-06 | 一种基于人体肌肉动力学模型和肌电信号的肌力解码方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114469142B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115983037B (zh) * | 2023-01-17 | 2023-08-11 | 首都体育学院 | 肌肉协同约束的肌电和优化耦合的肌肉力计算方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU57098U1 (ru) * | 2006-01-17 | 2006-10-10 | Великолукская государственная академия физической культуры и спорта | Аппаратно-программный комплекс для эргодинамометрических и психофизиологических исследований |
WO2010095636A1 (ja) * | 2009-02-20 | 2010-08-26 | 国立大学法人東京大学 | 筋張力推定法及び装置 |
KR101593637B1 (ko) * | 2014-08-19 | 2016-02-15 | 재단법인 대구경북과학기술원 | 근육 세포 활성화 모델링 시스템 및 그 방법 |
US10507121B1 (en) * | 2015-10-15 | 2019-12-17 | Hrl Laboratories, Llc | Device and method to decode volitional motor commands using a biomechanical model for controlling a prosthetic limb |
JP6652252B2 (ja) * | 2015-12-10 | 2020-02-19 | 国立大学法人広島大学 | 筋電信号処理方法、装置およびプログラム |
CN105615890B (zh) * | 2015-12-24 | 2018-08-10 | 西安交通大学 | 人体下肢行走关节角度肌电连续解码方法 |
CN106202739B (zh) * | 2016-07-14 | 2017-12-08 | 哈尔滨理工大学 | 一种骨骼肌力学行为多尺度建模方法 |
CN108189037B (zh) * | 2018-01-18 | 2021-04-06 | 中南大学 | 一种基于扰动观测器的机械手主次协调控制方法 |
CN108681396B (zh) * | 2018-04-28 | 2021-07-06 | 北京机械设备研究所 | 基于脑-肌电双模态神经信号的人机交互系统及其方法 |
CN109885159B (zh) * | 2019-01-16 | 2022-03-01 | 杭州电子科技大学 | 基于正向动力学与希尔模型的状态空间肌电模型构建方法 |
WO2021209880A1 (en) * | 2020-04-16 | 2021-10-21 | Politecnico Di Bari | Method and apparatus for processing signals for detecting and signalling an imminent loss of balance of a subject and associated system for preventive detection of a fall |
CN113576463B (zh) * | 2021-07-31 | 2022-05-10 | 福州大学 | 肌电信号驱动的膝关节肌骨模型接触力估计方法及系统 |
-
2022
- 2022-01-06 CN CN202210011713.2A patent/CN114469142B/zh active Active
Non-Patent Citations (2)
Title |
---|
Noise-assisted multivariate empirical mode decomposition for multichannel EMG signals;Zhang, Y等;BIOMEDICAL ENGINEERING ONLINE;20170823;第1-17页 * |
肌电假肢手抓握力控制系统的设计与实现;邓华 等;传感器与微系统;20200826;第94-96+100页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114469142A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108681396B (zh) | 基于脑-肌电双模态神经信号的人机交互系统及其方法 | |
CN114469142B (zh) | 一种基于人体肌肉动力学模型和肌电信号的肌力解码方法 | |
CN101816822A (zh) | 功能性电刺激pid参数双源特征融合微粒子群整定方法 | |
CN112043473B (zh) | 智能假肢脑-肌电融合感知的并行嵌套与自主择优分类器 | |
CN110090017B (zh) | 一种基于lstm的脑电信号源定位方法 | |
CN113239744A (zh) | 基于深度学习的脑电-肌电信号融合识别方法 | |
CN113499084B (zh) | 脑卒中运动功能评价模型建立方法、评价方法及系统 | |
CN107618018B (zh) | 一种基于肌电的机械手动作速度比例控制方法 | |
CN101794114B (zh) | 助行功能性电刺激系统中遗传算法整定控制参数的方法 | |
CN108042145A (zh) | 情绪状态识别方法和系统、情绪状态识别设备 | |
CN106333688A (zh) | 一种踝关节动作的实时辨识方法 | |
CN115206484B (zh) | 一种脑卒中康复训练系统 | |
CN111603158B (zh) | 基于电生理信号人工智能分析的疲劳驾驶告警方法及系统 | |
CN115346676A (zh) | 一种基于皮层肌肉网络的运动功能重建动态模型构建方法 | |
CN115137351A (zh) | 一种基于肌电信号的上肢肘关节角度估计方法及系统 | |
CN110032987B (zh) | 一种基于小脑神经网络模型的表面肌电信号分类方法 | |
CN109645995B (zh) | 基于肌电模型和无迹卡尔曼滤波的关节运动估计方法 | |
CN116849683A (zh) | 用于运动康复治疗的智能辅助装置 | |
CN101837164B (zh) | 功能性电刺激中pid参数的双源特征融合蚁群整定方法 | |
CN114159080B (zh) | 上肢康复机器人运动意图识别模型训练、识别方法及装置 | |
CN115544777A (zh) | 一种表征关节助力补偿值的方法及系统 | |
CN109448835A (zh) | 一种残疾人生活脑控辅助系统及方法 | |
CN108875580A (zh) | 一种基于因效网络的多类运动想象脑电信号识别方法 | |
CN109241879A (zh) | 基于加权复合多尺度模糊熵的运动想象脑电信号的特征提取方法 | |
Cui et al. | sEMG-based prediction of human lower extremity movements by using a dynamic recurrent neural network |
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 |