CN114504333B - 一种基于肌电的穿戴式前庭监测系统及应用 - Google Patents
一种基于肌电的穿戴式前庭监测系统及应用 Download PDFInfo
- Publication number
- CN114504333B CN114504333B CN202210114276.7A CN202210114276A CN114504333B CN 114504333 B CN114504333 B CN 114504333B CN 202210114276 A CN202210114276 A CN 202210114276A CN 114504333 B CN114504333 B CN 114504333B
- Authority
- CN
- China
- Prior art keywords
- semg
- signals
- myoelectricity
- electromyographic
- convolution
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 76
- 230000006870 function Effects 0.000 claims abstract description 43
- 210000003205 muscle Anatomy 0.000 claims abstract description 29
- 230000033001 locomotion Effects 0.000 claims abstract description 20
- 230000003183 myoelectrical effect Effects 0.000 claims abstract description 17
- 230000001720 vestibular Effects 0.000 claims abstract description 12
- 238000011176 pooling Methods 0.000 claims description 81
- 230000007246 mechanism Effects 0.000 claims description 48
- 238000013527 convolutional neural network Methods 0.000 claims description 37
- 238000004458 analytical method Methods 0.000 claims description 31
- 230000035790 physiological processes and functions Effects 0.000 claims description 31
- 238000001914 filtration Methods 0.000 claims description 29
- 230000004913 activation Effects 0.000 claims description 27
- 230000005540 biological transmission Effects 0.000 claims description 22
- 238000006243 chemical reaction Methods 0.000 claims description 20
- 230000009471 action Effects 0.000 claims description 17
- WABPQHHGFIMREM-UHFFFAOYSA-N lead(0) Chemical compound [Pb] WABPQHHGFIMREM-UHFFFAOYSA-N 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 5
- 230000003321 amplification Effects 0.000 claims description 4
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 4
- 229920000742 Cotton Polymers 0.000 claims description 3
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 238000000034 method Methods 0.000 abstract description 4
- 206010042772 syncope Diseases 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 2
- 210000003128 head Anatomy 0.000 description 12
- 230000001133 acceleration Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 210000002480 semicircular canal Anatomy 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000008602 contraction Effects 0.000 description 2
- 208000002173 dizziness Diseases 0.000 description 2
- 210000003027 ear inner Anatomy 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 206010028813 Nausea Diseases 0.000 description 1
- 206010047700 Vomiting Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 210000001638 cerebellum Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 210000003477 cochlea Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 239000002003 electrode paste Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000000663 muscle cell Anatomy 0.000 description 1
- 230000004118 muscle contraction Effects 0.000 description 1
- 210000001087 myotubule Anatomy 0.000 description 1
- 230000008693 nausea Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000002842 otolith Effects 0.000 description 1
- 210000001265 otolithic membrane Anatomy 0.000 description 1
- 230000009023 proprioceptive sensation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 210000005077 saccule Anatomy 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 210000003582 temporal bone Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000008673 vomiting 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
- A61B5/25—Bioelectric electrodes therefor
- A61B5/251—Means for maintaining electrode contact with the body
- A61B5/256—Wearable electrodes, e.g. having straps or bands
-
- 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
- A61B5/25—Bioelectric electrodes therefor
- A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
- A61B5/296—Bioelectric electrodes therefor specially adapted for particular uses for electromyography [EMG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
- A63B71/06—Indicating or scoring devices for games or players, or for other sports activities
- A63B71/0619—Displays, user interfaces and indicating devices, specially adapted for sport equipment, e.g. display mounted on treadmills
- A63B71/0622—Visual, audio or audio-visual systems for entertaining, instructing or motivating the user
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2505/00—Evaluating, monitoring or diagnosing in the context of a particular type of medical care
- A61B2505/09—Rehabilitation or training
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B2225/00—Miscellaneous features of sport apparatus, devices or equipment
- A63B2225/50—Wireless data transmission, e.g. by radio transmitters or telemetry
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)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Physical Education & Sports Medicine (AREA)
- Multimedia (AREA)
- Fuzzy Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明的一种基于肌电的穿戴式前庭监测系统及应用,基于低功耗的ADS采集芯片设计的可佩戴设备用于采集人体表面肌肉电信号(sEMG),在采集过程中,sEMG信号经过滤波,放大,数字化,以及人体平衡信号传输到PC端,在PC端的APP中,运用深度学习算法进行训练和分类前庭功能低下患者在运动状态下的,短暂昏厥以及失衡均记录在肌电数据。本发明根据PC端软件平台,可快速、准确对穿戴者肌肉的状态进行分类,分类效果能达到较高水平,并且在PC端的APP中,可以查看到sEMG肌电信号的实时波形。在采集信号后可将预测的信号传输到PC端,进行下一步的监测。较高的准确率表明这套系统功能是具有可行性的。
Description
技术领域
本发明涉及一种肌肉运动状态的智能监测系统。特别是涉及一种基于肌电的穿戴式前庭监测系统及应用。
背景技术
在日常生活中,人体主要依靠前庭、视觉和本体感觉这3个系统的外周感受器感受身体位置、运动、以及外界的刺激,经过平衡中枢信息整合处理、相互协调而维持身体在空间适宜的位置。就维持平衡功能而言,上述3个系统中以前庭系统最为重要。前庭是人体平衡系统的主要末梢感受器官,是内耳器官之一,居颞骨岩部之内,和半规管、耳蜗紧密相连,共同组成内耳骨迷路。
前庭感受器包括3个半规管、椭圆囊和球囊。前庭的三个半规管感知身体旋转的角加速度,椭圆囊和球囊又称耳石器,其主要功能是感受直线加速度运动的刺激。人体可经前庭感知到加速、减速或转弯,从而产生眼球、颈肌、四肢及躯干肌反射来调整姿势维持平衡,在一些场合的姿势反射中,前庭系的作用比视觉重要。
因此,前庭系统是人体重要的维持身体平衡的器官,对身体平衡起着重要的作用,与患者的小脑还有大脑组织,共同维持人体的身体平衡,患者前庭功能低下,主要的表现就是患者更容易发生头晕,失衡的症状,前庭功能低下的患者在转圈或者做加减速运动的时候,更容易出现头晕、视物旋转或者伴有恶心、呕吐、走路不稳等症状。检测人体在行走时的肌肉状态,可实现监测人体运动时的晕厥次数和平衡状态,最终实现对人体前庭功能低下病情的判断。
随着科学技术的发展,肌电信号的智能识别及其应用逐渐走入日常生活,成为智能化生活的一个体现。采集人体肌肉电信号,进行分类识别,理解人体肌肉意图,进而做出相关的响应,渐渐成为一个智能化生活的一个重要趋势。
每当肌肉细胞被电击刺激或者通过神经使其激活的时候,人体就会产生相应的肌肉电位。所以,在此时测量人体肌肉的电信号,这样就可以检测和分析人体相应的肌肉运动情况,或者了解神经元被刺激的水平。因此,在肌肉收缩或舒张时,发送的电信号,在一定程度上可以体现神经和肌肉的运动情况,再利用算法进行训练分类。随着深度学习的兴起,和计算能力的提升,根据算法的分类判断,进而实时判断人体运动已经成为可能。
人体电信号采集技术是一种建立人体与计算机之间信息通路的新方式。人体电信号采集技术通过对被试者的肢体肌电信号进行采集和分析,提取蕴含在肌电信号中的丰富特征,进而判断被试者的肢体动作状态,以后可能会用在假体运动控制,临床肢体疾病检测,运动损伤的临床诊断,医疗检测以及医疗康复和改善日常生活活动,甚至在一些游戏娱乐领域。
然而,现有的多通道肌电采集设备大多存在价格昂贵、体积笨重、操作繁琐,不能实时分类等不便之处,穿戴式肌电采集设备则普遍存在精度不足、通道较少等缺点。因此,设计并开发一套高精度、多通道的穿戴式肌电采集设备,并用于人体电信号采集领域是非常必要的。
高性能、低成本、低功耗的嵌入式单片机(STM32)微处理器被广泛应用于工业控制、消费电子、物联网、通讯设备、医疗服务、安防监控等应用领域。基于STM32运行的稳定性和高性能理念设计的穿戴式肌电采集设备解决了通道较少,无线传输等问题。因此本发明采用STM32作为穿戴式肌电采集设备的主控芯片,配合高精度生物电信号采集模块,设备的采集精度也能得到满足。
肌电信号是一种生物电流信号,它产生于任意组织器官,一般是一种时间和一系列的振幅、频率和波形函数。肌电信号是伴随肌肉收缩动作产生的一种生物电信号,采集皮肤表面的肌电信号称为表面肌电信号sEMG。sEMG肌电信号是人体表面肌肉通过收缩产生的生物电流。神经系统控制肌肉的活动(收缩或者放松),在表面皮肤不同的肌肉纤维运动单元在同一时间产生相互不同的信号。所以肌电信号具有非线性、非稳态、噪声干扰严重等特点。
近年来,深度学习在目标检测、语音识别和自然语言处理等领域展示出其强大的潜力。深度卷积神经网络作为深度学习中成功应用的代表,能够对栅格状数据中的特征进行有效的提取。多层神经元的自编码神经网络和深度卷积神经网络的模型,能够发挥各自组成部分的相应优势,提取相对应的肌电信号的时域频域特征,进而实现对被试者肢体动作的准确识别。
此外,注意力已成为神经网络结构的重要组成部分,并在自然语言处理、统计学习、语音和计算机等领域有着大量的应用。注意模型旨在通过允许解码器访问整个编码的输入序列来减轻固定长度导致信息丢失挑战。其核心思想是在输入序列上引入注意权重,以优先考虑存在相关信息的位置集,以生成下一个输出。注意力模型可以更加有效地增加识别的准确度。
发明内容
本发明所要解决的技术问题是,为克服现有技术的不足,提供一种能够对人体运动时肌肉状态的检测,可达到辨识人体运动时的短暂昏厥以及人体失衡状态,以此判断人体前庭功能正常与否以及潜艇功能低下程度的基于肌电的穿戴式前庭监测系统及应用。
本发明所采用的技术方案是:一种基于肌电的穿戴式前庭监测系统,一种基于肌电的穿戴式前庭监测系统,包括有依次连接的:穿戴式肌电采集设备、肢体肌电主动训练界面、生理状态分析模块和预警模块,使用者按照所述的肢体肌电主动训练界面所显示的内容进行动作,并应用所述的穿戴式肢体肌电采集设备从肢体采集sEMG肌电信号;所述的生理状态分析模块接收sEMG肌电信号,并结合注意力机制卷积神经网络模型(CNN),智能辨识使用者肢体的肌肉状态;所述的肢体肌电主动训练界面、生理状态分析模块设置在PC端,所述的生理状态分析模块通过无线传输设备将预警信号送入预警模块进行预警。
所述的穿戴式肌电采集设备包括有:依次连接的用于采集sEMG肌电信号的电极贴及其导联线,用于肌电信号放大和转换的生物电信号采集模块、用于控制生物电信号采集模块的采集模式以及接收放大转换后的sEMG肌电信号的STM32微处理器、用于采集人体平衡状态信号的陀螺仪电路,所述的STM32微处理器还连接WIFI无线数据传输电路,用于将sEMG肌电信号和人体平衡状态信号分别传输给生理状态分析模块和肢体肌电主动训练界面,还设置有分别连接生物电信号采集模块和STM32微处理器的系统电源模块,其中,所述的电极贴及其导联线中的电极贴粘贴在使用者后颈左侧和右侧、左右手大臂和左右腿肌肉,采集使用者不同位置肌肉的sEMG肌电信号,并通过导联线及PJ313B接口与生物电信号采集模块相连接,将采集的sEMG肌电信号送入生物电信号采集模块;陀螺仪电路中的人体平衡采集部分粘贴在使用者后颈靠近耳部的左侧和右侧;
所述的生物电信号采集模块是由型号为ADS1299的生物电信号采集芯片组成,每片生物电信号采集芯片都集成了用于接收电极贴采集的sEMG肌电信号的高共模抑制比模拟输入AD模块、用于将sEMG肌电信号放大的低噪声可编程增益放大器和用于将模拟信号转换为数字信号的高分辨率同步采样模数转换器;
所述的WIFI无线数据传输模块工作在AP模式下,最高传输速率4Mbps,在STM32微处理器的控制下,周期性地将采集到的sEMG肌电信号和人体平衡状态信号以数据包的形式通过WIFI无线数据传输模块向肢体肌电主动训练界面和生理状态分析模块输出sEMG肌电信号和人体平衡状态信号。
所述的肢体肌电主动训练界面,包括有:依次连接的用于显示图像的PC端显示屏、用于与穿戴式肌电采集设备以及生理状态分析模块进行数据传输的WIFI模块、用于对sEMG肌电信号进行数值转换和滤波操作、控制PC端显示屏和PC端WIFI模块工作的CPU处理器;
所述的数值转换,是将从穿戴式肌电采集设备接收的A/D转换结果解析出sEMG肌电信号实际电压值,包括如下步骤:
1)确定生物电信号采集模块的参考电压VREF以及可编程增益放大器的放大倍数GPGA;
2)将每个通道的原始的十六进制A/D转换结果V16,转化为十进制A/D转换结果V10;
3)按照下列公式,计算sEMG肌电信号实际电压值VIN:
其中,k为系数,
所述的滤波操作,是数字带通滤波操作,是采用切比雪夫I型带通滤波器,所述切比雪夫I型带通滤波器的第一阻带频率Fstop1=0.001Hz,第一通带频率Fpass1=10Hz,第二阻带频率Fstop2=40Hz,第二通带频率Fpass2=30Hz,第一阻带衰减率为5dB,第二阻带衰减率为5dB;所述滤波操作的步骤如下:
1)获取原始sEMG肌电信号其中,N为原始sEMG肌电信号通道数和,L为每个通道原始sEMG肌电信号的数据长度,Ec,g表示原始sEMG肌电信号中由第c个电极采集的第g个原始sEMG肌电信号的数值;
2)对原始sEMG肌电信号进行数字带通滤波,并进行50Hz陷波滤波,去除工频干扰,得到处理后的sEMG肌电信号其中,Xc,g表示滤波后的sEMG肌电信号中第c个电极对应的第g个sEMG肌电信号的数值。
所述的肢体肌电主动训练界面,包括有:主动训练模式和康复模式;
在主动训练模式下,使用者完成PC端显示屏显示的9个康复动作,9个康复动作包括:前倾、后倾、左倾、右倾、左歪头、右歪头、低头、向上抬头和360°转动脖子;
在康复模式下,正常穿戴所述的穿戴式肌电采集设备。
所述的生理状态分析模块应用注意力机制卷积神经网络模型对使用者sEMG肌电信号与人体平衡信号进行辨识,将辨识结果通过肢体肌电主动训练界面中的PC端WIFI模块发送到预警模块。
所述的生理状态分析模块分为主动训练模式和康复模式,其中,
所述的数值转换,是将从穿戴式肌电采集设备接收的A/D转换结果解析出sEMG肌电信号实际电压值,包括如下步骤:
1)确定生物电信号采集模块的参考电压VREF以及可编程增益放大器的放大倍数GPGA;
2)将每个通道的原始的十六进制A/D转换结果V16,转化为十进制A/D转换结果V10;
3)按照下列公式,计算sEMG肌电信号实际电压值VIN:
其中,k为系数,
所述的滤波操作,是数字带通滤波操作,是采用切比雪夫I型带通滤波器,所述切比雪夫I型带通滤波器的第一阻带频率Fstop1=0.001Hz,第一通带频率Fpass1=10Hz,第二阻带频率Fstop2=40Hz,第二通带频率Fpass2=30Hz,第一阻带衰减率为5dB,第二阻带衰减率为5dB;所述滤波操作的步骤如下:
1)获取原始sEMG肌电信号其中,N为原始sEMG肌电信号通道数和,L为每个通道原始sEMG肌电信号的数据长度,Ec,g表示原始sEMG肌电信号中由第c个电极采集的第g个原始sEMG肌电信号的数值;
2)对原始sEMG肌电信号进行数字带通滤波,并进行50Hz陷波滤波,去除工频干扰,得到处理后的sEMG肌电信号其中,Xc,g表示滤波后的sEMG肌电信号中第c个电极对应的第g个sEMG肌电信号的数值。
所述的肢体肌电主动训练界面,包括有:主动训练模式和康复模式;
在主动训练模式下,使用者完成PC端显示屏显示的9个康复动作,9个康复动作包括:前倾、后倾、左倾、右倾、左歪头、右歪头、低头、向上抬头和360°转动脖子;
在康复模式下,正常穿戴所述的穿戴式肌电采集设备。
所述的生理状态分析模块应用注意力机制卷积神经网络模型对使用者sEMG肌电信号与人体平衡信号进行辨识,将辨识结果通过肢体肌电主动训练界面中的PC端WIFI模块发送到预警模块。
所述的所述的生理状态分析模块分为主动训练模式和康复模式,其中,
在主动训练模式下,对训练注意力机制卷积神经网络模型进行训练,包括:
1)基于数字化滤波的sEMG肌电信号在滤波后与人体平衡状态信号共同构成多个样本集;
2)进入参数微调阶段,将所述的多个样本集依次送入注意力机制卷积神经网络模型,进行训练和梯度修正,得到注意力机制卷积神经网络模型;
在康复模式下,使用者正常穿戴穿戴式肌电采集设备,应用注意力机制卷积神经网络模型。
所述的主动训练模式中第2)步包括对注意力机制卷积神经网络模型进行全监督训练,初始学习率设为0.004,学习率以指数形式衰减,以防止固定的学习率得不到最优模型,共进行500周期的循环训练,Batchsize大小为128,并设置了Earlystopping早停机制;将获得训练所有周期中,训练模型最好的模型作为训练好的注意力机制卷积神经网络模型;
所述的注意力机制卷积神经网络模型,包括数据输入层,与数据输入层相连的4个分支,每一分支的输入均为输入层输出的数字化滤波后的sEMG肌电信号样本;4个分支为不同的4个卷积池化层,并且4个卷积池化层结合注意力机制是并行运行,4个卷积池化层的输出进入全连接层;其中,
第一个分支依次包括:
(1)第一卷积层,卷积核数量为64个卷积核,大小为20×4,步长为1,卷积核选择ReLU作为激活函数,
(2)第一最大池化层,池化核大小为20×1,步长为1,对当前池化核覆盖下的输入数据的元素提取最大值作为输出;
(3)第二卷积层,卷积核数量为128个,卷积核大小为3×1,步长为1,卷积核选择ReLU作为激活函数;
(4)第二最大池化层,池化核大小为7×1,步长为1对当前池化核覆盖下的输入数据的元素提取最大值作为输出;
(5)注意力机制,用于分配重要权重,忽略输入中的噪声和冗余;
(6)第一Flatten层,用于将多维的输入一维化;
第二分支依次包括:
(1)第三卷积层,卷积核数量为64个卷积核,大小为16×4,步长为1,卷积核选择ReLU作为激活函数,
(2)第三最大池化层,池化核大小为20×1,步长为1,对当前池化核覆盖下的输入数据的元素提取最大值作为输出;
(3)第四卷积层,卷积核数量为128个,卷积核大小为4×1,步长为1,卷积核选择ReLU作为激活函数;
(4)第四最大池化层,池化核大小为6×1,步长为1对当前池化核覆盖下的输入数据的元素提取最大值作为输出;
(5)注意力机制,用于分配重要权重,忽略输入中的噪声和冗余;
(6)第二Flatten层,用于将多维的输入一维化;
第三个分支征依次包括:
(1)第五卷积层,卷积核数量为64个卷积核,大小为12×4,步长为1,卷积核选择ReLU作为激活函数,
(2)第五最大池化层,池化核大小为20×1,步长为1,对当前池化核覆盖下的输入数据的元素提取最大值作为输出;
(3)第六卷积层,卷积核数量为128个,卷积核大小为5×1,步长为1.卷积核选择ReLU作为激活函数;
(4)第六最大池化层,池化核大小为5×1,步长为1对当前池化核覆盖下的输入数据的元素提取最大值作为输出;
(5)注意力机制,用于分配重要权重,忽略输入中的噪声和冗余;
(6)第三Flatten层,用于将多维的输入一维化;
第四个分支依次包括:
(1)第七卷积层,卷积核数量为64个卷积核,大小为8×4,步长为1,卷积核选择ReLU作为激活函数,
(2)第七最大池化层,池化核大小为20×1,步长为1,对当前池化核覆盖下的输入数据的元素提取最大值作为输出;
(3)第八卷积层,卷积核数量为128个,卷积核大小为6×1,步长为1,卷积核选择ReLU作为激活函数;
(4)第八最大池化层,池化核大小为4×1,步长为1对当前池化核覆盖下的输入数据的元素提取最大值作为输出;
(5)注意力机制,用于分配重要权重,忽略输入中的噪声和冗余。
(6)第四Flatten层,用于将多维的输入一维化;
四个分支输出的四个不同的时域频域特征均为一维数据,对数据拼接,即进行时域频域特征信息融合,进而进入全连接层;
全连接层,选择节点数为128,选择ReLU作为激活函数,选择L2范数作为正则化项,L2范数设置为0.004;
输出层输出分类结果,选择节点数为肢体动作数目,选择softmax作为激活函数,Softmax函数本质上是归一化的指数函数,定义为其中e为自然对数值,zh为第h个神经元的输出,式子中的分母充当了正则项的作用,使得/>
本发明的一种基于肌电的穿戴式前庭监测系统的应用,包括:
为保证电极贴与皮肤完全接触,在测量肌电信号sEMG前,先用酒精棉擦拭使用者被测位置的皮肤,使用者要求前行运动,身体保持放松,并完成肌电主动训练界面所要求的动作;在确保系统电源模块正常后,开启系统,通过穿戴式肌电采集设备采集使用者的sEMG肌电信号和人体平衡状态信号传送至肢体肌电主动训练界面,完成肌电采集工作。
本发明的一种基于肌电的穿戴式前庭监测系统及应用,基于低功耗的ADS采集芯片设计的可佩戴设备用于采集人体表面肌肉电信号(sEMG),在采集过程中,sEMG信号经过滤波,放大,数字化,以及人体平衡信号传输到PC端,在PC端的APP中,运用深度学习算法进行训练和分类前庭功能低下患者在运动状态下的,短暂昏厥以及失衡均记录在肌电数据。本发明根据PC端软件平台,可快速、准确对穿戴者肌肉的状态进行分类,分类效果能达到较高水平,并且在PC端的APP中,可以查看到sEMG肌电信号的实时波形。在采集信号后可将预测的信号传输到PC端,进行下一步的监测。较高的准确率表明这套系统功能是具有可行性的。在本发明中,给出了详细的加入注意力机制的基于神经网络训练的算法结构。
附图说明
图1是本发明一种基于肌电的穿戴式前庭监测系统的构成框图;
图2是本发明中穿戴式肌电采集设备构成框图;
图3是本发明中无线传输模块构成框图。
图中
1:穿戴式肌电采集设备 11:电极贴及其导联线
12:生物电信号采集模块 13:STM32微处理器
14:陀螺仪电路 15:WIFI无线数据传输电路
16:系统电源模块 2:肢体肌电主动训练界面
21:PC端WIFI模块 22:CPU处理器
23:PC端显示屏 3:生理状态分析模块
4:预警模块
具体实施方式
下面结合实施例和附图对本发明的一种基于肌电的穿戴式前庭监测系统及应用做出详细说明。
如图1所示,本发明的一种基于肌电的穿戴式前庭监测系统,包括有依次连接的:穿戴式肌电采集设备1、肢体肌电主动训练界面2、生理状态分析模块3和预警模块4,其特征在于,使用者按照所述的肢体肌电主动训练界面2所显示的内容进行动作,并应用所述的穿戴式肢体肌电采集设备1从肢体采集sEMG肌电信号;所述的生理状态分析模块3接收sEMG肌电信号,并结合注意力机制卷积神经网络模型CNN,智能辨识使用者肢体的肌肉状态;所述的肢体肌电主动训练界面2、生理状态分析模块3设置在PC端,所述的生理状态分析模块3通过无线传输设备将预警信号送入预警模块4进行预警。
如图2所示,所述的穿戴式肌电采集设备1包括有:依次连接的用于采集sEMG肌电信号的电极贴及其导联线11,用于肌电信号放大和转换的生物电信号采集模块12、用于控制生物电信号采集模块12的采集模式以及接收放大转换后的sEMG肌电信号的STM32微处理器13、用于采集人体平衡状态信号的陀螺仪电路14,所述的STM32微处理器13还连接WIFI无线数据传输电路15,用于将sEMG肌电信号和人体平衡状态信号分别传输给生理状态分析模块3和肢体肌电主动训练界面2,还设置有分别连接生物电信号采集模块12和STM32微处理器13的系统电源模块16,其中,所述的电极贴及其导联线11中的电极贴粘贴在使用者后颈左侧和右侧、左右手大臂和左右腿肌肉,采集使用者不同位置肌肉的sEMG肌电信号,并通过导联线及PJ313B接口与生物电信号采集模块12相连接,将采集的sEMG肌电信号送入生物电信号采集模块12;陀螺仪电路14中的人体平衡采集部分粘贴在使用者后颈靠近耳部的左侧和右侧;
所述的生物电信号采集模块12是由型号为ADS1299的生物电信号采集芯片组成,每片生物电信号采集芯片都集成了用于接收电极贴采集的sEMG肌电信号的高共模抑制比模拟输入AD模块、用于将sEMG肌电信号放大的低噪声可编程增益放大器和用于将模拟信号转换为数字信号的高分辨率同步采样模数转换器;
所述的人体平衡状态的陀螺仪电路14是采型号为JY61或型号为JY61P的模块。
所述的WIFI无线数据传输模块15是采型号为E104-BT05或型号为E104-BT11N-IPX的模块,其工作在AP模式下,最高传输速率4Mbps,在STM32微处理器13的控制下,周期性地将采集到的sEMG肌电信号和人体平衡状态信号以数据包的形式通过WIFI无线数据传输模块15向肢体肌电主动训练界面2和生理状态分析模块3输出sEMG肌电信号和人体平衡状态信号;
所述的系统电源模块16,输入电压为3.7V,通过电压转换模块输出电压为2.5V、-2.5V和3.3V,用于提供系统不同芯片的工作电压;
预警模块4包括蜂鸣器、LED。
如图3所示,所述的肢体肌电主动训练界面2,包括有:依次连接的用于显示图像的PC端显示屏23、用于与穿戴式肌电采集设备1以及生理状态分析模块4进行数据传输的WIFI模块21、用于对sEMG肌电信号进行数值转换和滤波操作、控制PC端显示屏23和PC端WIFI模块21工作的CPU处理器22;
所述的数值转换,是将从穿戴式肌电采集设备1接收的A/D转换结果解析出sEMG肌电信号实际电压值,包括如下步骤:
1)确定生物电信号采集模块12的参考电压VREF以及可编程增益放大器的放大倍数GPGA;
2)将每个通道的原始的十六进制A/D转换结果V16,转化为十进制A/D转换结果V10;
3)按照下列公式,计算sEMG肌电信号实际电压值VIN:
其中,k为系数,
所述的滤波操作,是数字带通滤波操作,是采用切比雪夫I型带通滤波器,所述切比雪夫I型带通滤波器的第一阻带频率Fstop1=0.001Hz,第一通带频率Fpass1=10Hz,第二阻带频率Fstop2=40Hz,第二通带频率Fpass2=30Hz,第一阻带衰减率为5dB,第二阻带衰减率为5dB;所述滤波操作的步骤如下:
1)获取原始sEMG肌电信号其中,N为原始sEMG肌电信号通道数和,L为每个通道原始sEMG肌电信号的数据长度,Ec,g表示原始sEMG肌电信号中由第c个电极采集的第g个原始sEMG肌电信号的数值;
2)对原始sEMG肌电信号进行数字带通滤波,并进行50Hz陷波滤波,去除工频干扰,得到处理后的sEMG肌电信号其中,Xc,g表示滤波后的sEMG肌电信号中第c个电极对应的第g个sEMG肌电信号的数值。
所述的肢体肌电主动训练界面2,包括有:主动训练模式和康复模式;
在主动训练模式下,使用者完成PC端显示屏(23)显示的9个康复动作,9个康复动作包括:前倾、后倾、左倾、右倾、左歪头、右歪头、低头、向上抬头和360°转动脖子;
在康复模式下,正常穿戴所述的穿戴式肌电采集设备(1)。
所述的生理状态分析模块3应用注意力机制卷积神经网络模型(CNN)对使用者sEMG肌电信号与人体平衡信号进行辨识,将辨识结果通过肢体肌电主动训练界面2中的PC端WIFI模块发送到预警模块4。
所述的所述的生理状态分析模块3分为主动训练模式和康复模式,其中,
在主动训练模式下,对训练注意力机制卷积神经网络模型(CNN)进行训练,包括:
1)基于数字化滤波的sEMG肌电信号在滤波后与人体平衡状态信号共同构成多个样本集;
2)进入参数微调阶段,将所述的多个样本集依次送入注意力机制卷积神经网络模型,进行训练和梯度修正,得到注意力机制卷积神经网络模型;包括对注意力机制卷积神经网络模型进行全监督训练,初始学习率设为0.004,学习率以指数形式衰减,以防止固定的学习率得不到最优模型,共进行500周期的循环训练,Batchsize大小为128,并设置了Earlystopping早停机制;将获得训练所有周期中,训练模型最好的模型作为训练好的注意力机制卷积神经网络模型;在设计注意力机制卷积神经网络模型时,采集了很多人的肌电数据,来进行训练,使得深度学习模型具有跨被试的泛化能力。与许多传统的机器学习算法相比,CNN使用多层结构来提高识别模型的泛化性能和抽象性能,经过多次实验表明,利用本发明中所应用的CNN算法关于多通道sEMG信号处理是一种用于肢体运动模式识别的高效方法。
在康复模式下,使用者正常穿戴穿戴式肌电采集设备(1),应用注意力机制卷积神经网络模型。
所述的注意力机制卷积神经网络模型,包括数据输入层,与数据输入层相连的4个分支,每一分支的输入均为输入层输出的数字化滤波后的sEMG肌电信号样本;4个分支为不同的4个卷积池化层,并且4个卷积池化层结合注意力机制是并行运行,4个卷积池化层的输出进入全连接层;其中,
第一个分支依次包括:
(1)第一卷积层,卷积核数量为64个卷积核,大小为20×4,步长为1,卷积核选择ReLU作为激活函数,
(2)第一最大池化层,池化核大小为20×1,步长为1,对当前池化核覆盖下的输入数据的元素提取最大值作为输出;
(3)第二卷积层,卷积核数量为128个,卷积核大小为3×1,步长为1,卷积核选择ReLU作为激活函数;
(4)第二最大池化层,池化核大小为7×1,步长为1对当前池化核覆盖下的输入数据的元素提取最大值作为输出;
(5)注意力机制,用于分配重要权重,忽略输入中的噪声和冗余;
(6)第一Flatten层,用于将多维的输入一维化;
第二分支依次包括:
(1)第三卷积层,卷积核数量为64个卷积核,大小为16×4,步长为1,卷积核选择ReLU作为激活函数,
(2)第三最大池化层,池化核大小为20×1,步长为1,对当前池化核覆盖下的输入数据的元素提取最大值作为输出;
(3)第四卷积层,卷积核数量为128个,卷积核大小为4×1,步长为1,卷积核选择ReLU作为激活函数;
(4)第四最大池化层,池化核大小为6×1,步长为1对当前池化核覆盖下的输入数据的元素提取最大值作为输出;
(5)注意力机制,用于分配重要权重,忽略输入中的噪声和冗余;
(6)第二Flatten层,用于将多维的输入一维化;
第三个分支征依次包括:
(1)第五卷积层,卷积核数量为64个卷积核,大小为12×4,步长为1,卷积核选择ReLU作为激活函数,
(2)第五最大池化层,池化核大小为20×1,步长为1,对当前池化核覆盖下的输入数据的元素提取最大值作为输出;
(3)第六卷积层,卷积核数量为128个,卷积核大小为5×1,步长为1.卷积核选择ReLU作为激活函数;
(4)第六最大池化层,池化核大小为5×1,步长为1对当前池化核覆盖下的输入数据的元素提取最大值作为输出;
(5)注意力机制,用于分配重要权重,忽略输入中的噪声和冗余;
(6)第三Flatten层,用于将多维的输入一维化;
第四个分支依次包括:
(1)第七卷积层,卷积核数量为64个卷积核,大小为8×4,步长为1,卷积核选择ReLU作为激活函数,
(2)第七最大池化层,池化核大小为20×1,步长为1,对当前池化核覆盖下的输入数据的元素提取最大值作为输出;
(3)第八卷积层,卷积核数量为128个,卷积核大小为6×1,步长为1,卷积核选择ReLU作为激活函数;
(4)第八最大池化层,池化核大小为4×1,步长为1对当前池化核覆盖下的输入数据的元素提取最大值作为输出;
(5)注意力机制,用于分配重要权重,忽略输入中的噪声和冗余。
(6)第四Flatten层,用于将多维的输入一维化;
四个分支输出的四个不同的时域频域特征均为一维数据,对数据拼接,即进行时域频域特征信息融合,进而进入全连接层;
全连接层,选择节点数为128,选择ReLU作为激活函数,选择L2范数作为正则化项,L2范数设置为0.004;
输出层输出分类结果,选择节点数为肢体动作数目,选择softmax作为激活函数,Softmax函数本质上是归一化的指数函数,定义为其中e为自然对数值,zh为第h个神经元的输出,式子中的分母充当了正则项的作用,使得/>
本发明的基于肌电的穿戴式前庭监测系统的应用,包括:
为保证电极贴与皮肤完全接触,在测量肌电信号sEMG前,先用酒精棉擦拭使用者被测位置的皮肤,使用者要求前行运动,身体保持放松,并完成肌电主动训练界面所要求的动作;在确保系统电源模块正常后,开启系统,通过穿戴式肌电采集设备采集使用者的sEMG肌电信号和人体平衡状态信号传送至肢体肌电主动训练界面,完成肌电采集工作。
Claims (4)
1.一种基于肌电的穿戴式前庭监测系统,包括有依次连接的:穿戴式肌电采集设备(1)、肢体肌电主动训练界面(2)、生理状态分析模块(3)和预警模块(4),其特征在于,使用者按照所述的肢体肌电主动训练界面(2)所显示的内容进行动作,并应用所述的穿戴式肌电采集设备(1)从肢体采集sEMG肌电信号;所述的生理状态分析模块(3)接收sEMG肌电信号,并结合注意力机制卷积神经网络模型,智能辨识使用者肢体的肌肉状态;所述的肢体肌电主动训练界面(2)、生理状态分析模块(3)设置在PC端,所述的生理状态分析模块(3)通过无线传输设备将预警信号送入预警模块(4)进行预警;
所述的穿戴式肌电采集设备(1)包括有:依次连接的用于采集sEMG肌电信号的电极贴及其导联线(11),用于肌电信号放大和转换的生物电信号采集模块(12)、用于控制生物电信号采集模块(12)的采集模式以及接收放大转换后的sEMG肌电信号的STM32微处理器(13)、用于采集人体平衡状态信号的陀螺仪电路(14),所述的STM32微处理器(13)还连接WIFI无线数据传输电路(15),用于将sEMG肌电信号和人体平衡状态信号分别传输给生理状态分析模块(3)和肢体肌电主动训练界面(2),还设置有分别连接生物电信号采集模块(12)和STM32微处理器(13)的系统电源模块(16),其中,所述的电极贴及其导联线(11)中的电极贴粘贴在使用者后颈左侧和右侧、左右手大臂和左右腿肌肉,采集使用者不同位置肌肉的sEMG肌电信号,并通过导联线及PJ313B接口与生物电信号采集模块(12)相连接,将采集的sEMG肌电信号送入生物电信号采集模块(12);陀螺仪电路(14)中的人体平衡采集部分粘贴在使用者后颈靠近耳部的左侧和右侧;
所述的生物电信号采集模块(12)是由型号为ADS1299的生物电信号采集芯片组成,每片生物电信号采集芯片都集成了用于接收电极贴采集的sEMG肌电信号的高共模抑制比模拟输入AD模块、用于将sEMG肌电信号放大的低噪声可编程增益放大器和用于将模拟信号转换为数字信号的高分辨率同步采样模数转换器;
所述的WIFI无线数据传输电路(15)工作在AP模式下,最高传输速率4Mbps,在STM32微处理器(13)的控制下,周期性地将采集到的sEMG肌电信号和人体平衡状态信号以数据包的形式通过WIFI无线数据传输电路(15)向肢体肌电主动训练界面(2)和生理状态分析模块(3)输出sEMG肌电信号和人体平衡状态信号;
所述的生理状态分析模块(3)应用注意力机制卷积神经网络模型对使用者sEMG肌电信号与人体平衡信号进行辨识,将辨识结果通过肢体肌电主动训练界面(2)中的PC端WIFI模块发送到预警模块(4);所述的生理状态分析模块(3)分为主动训练模式和康复模式,其中,
在主动训练模式下,对训练注意力机制卷积神经网络模型进行训练,包括:
1)基于数字化滤波的sEMG肌电信号在滤波后与人体平衡状态信号共同构成多个样本集;
2)进入参数微调阶段,将所述的多个样本集依次送入注意力机制卷积神经网络模型,进行训练和梯度修正,得到注意力机制卷积神经网络模型;
在康复模式下,使用者正常穿戴穿戴式肌电采集设备(1),应用注意力机制卷积神经网络模型;
所述的主动训练模式中第2)步包括对注意力机制卷积神经网络模型进行全监督训练,初始学习率设为0.004,学习率以指数形式衰减,以防止固定的学习率得不到最优模型,共进行500周期的循环训练,Batchsize大小为128,并设置了Earlystopping早停机制;将获得训练所有周期中,训练模型最好的模型作为训练好的注意力机制卷积神经网络模型;
所述的注意力机制卷积神经网络模型,包括数据输入层,与数据输入层相连的4个分支,每一分支的输入均为输入层输出的数字化滤波后的sEMG肌电信号样本;4个分支为不同的4个卷积池化层,并且4个卷积池化层结合注意力机制是并行运行,4个卷积池化层的输出进入全连接层;其中,
第一个分支依次包括:
(1)第一卷积层,卷积核数量为64个卷积核,大小为20×4,步长为1,卷积核选择ReLU作为激活函数,
(2)第一最大池化层,池化核大小为20×1,步长为1,对当前池化核覆盖下的输入数据的元素提取最大值作为输出;
(3)第二卷积层,卷积核数量为128个,卷积核大小为3×1,步长为1,卷积核选择ReLU作为激活函数;
(4)第二最大池化层,池化核大小为7×1,步长为1对当前池化核覆盖下的输入数据的元素提取最大值作为输出;
(5)注意力机制,用于分配重要权重,忽略输入中的噪声和冗余;
(6)第一Flatten层,用于将多维的输入一维化;
第二分支依次包括:
(1)第三卷积层,卷积核数量为64个卷积核,大小为16×4,步长为1,卷积核选择ReLU作为激活函数,
(2)第三最大池化层,池化核大小为20×1,步长为1,对当前池化核覆盖下的输入数据的元素提取最大值作为输出;
(3)第四卷积层,卷积核数量为128个,卷积核大小为4×1,步长为1,卷积核选择ReLU作为激活函数;
(4)第四最大池化层,池化核大小为6×1,步长为1对当前池化核覆盖下的输入数据的元素提取最大值作为输出;
(5)注意力机制,用于分配重要权重,忽略输入中的噪声和冗余;
(6)第二Flatten层,用于将多维的输入一维化;
第三个分支征依次包括:
(1)第五卷积层,卷积核数量为64个卷积核,大小为12×4,步长为1,卷积核选择ReLU作为激活函数,
(2)第五最大池化层,池化核大小为20×1,步长为1,对当前池化核覆盖下的输入数据的元素提取最大值作为输出;
(3)第六卷积层,卷积核数量为128个,卷积核大小为5×1,步长为1.卷积核选择ReLU作为激活函数;
(4)第六最大池化层,池化核大小为5×1,步长为1对当前池化核覆盖下的输入数据的元素提取最大值作为输出;
(5)注意力机制,用于分配重要权重,忽略输入中的噪声和冗余;
(6)第三Flatten层,用于将多维的输入一维化;
第四个分支依次包括:
(1)第七卷积层,卷积核数量为64个卷积核,大小为8×4,步长为1,卷积核选择ReLU作为激活函数,
(2)第七最大池化层,池化核大小为20×1,步长为1,对当前池化核覆盖下的输入数据的元素提取最大值作为输出;
(3)第八卷积层,卷积核数量为128个,卷积核大小为6×1,步长为1,卷积核选择ReLU作为激活函数;
(4)第八最大池化层,池化核大小为4×1,步长为1对当前池化核覆盖下的输入数据的元素提取最大值作为输出;
(5)注意力机制,用于分配重要权重,忽略输入中的噪声和冗余;
(6)第四Flatten层,用于将多维的输入一维化;
四个分支输出的四个不同的时域频域特征均为一维数据,对数据拼接,即进行时域频域特征信息融合,进而进入全连接层;
全连接层,选择节点数为128,选择ReLU作为激活函数,选择L2范数作为正则化项,L2范数设置为0.004;
输出层输出分类结果,选择节点数为肢体动作数目,选择softmax作为激活函数,Softmax函数本质上是归一化的指数函数,定义为其中e为自然对数值,zh为第h个神经元的输出,式子中的分母充当了正则项的作用,使得/>
2.根据权利要求1所述的一种基于肌电的穿戴式前庭监测系统,其特征在于,所述的肢体肌电主动训练界面(2),包括有:依次连接的用于显示图像的PC端显示屏(23)、用于与穿戴式肌电采集设备(1)以及生理状态分析模块(3)进行数据传输的WIFI模块(21)、用于对sEMG肌电信号进行数值转换和滤波操作、控制PC端显示屏(23)和PC端WIFI模块(21)工作的CPU处理器(22);
所述的数值转换,是将从穿戴式肌电采集设备(1)接收的A/D转换结果解析出sEMG肌电信号实际电压值,包括如下步骤:
1)确定生物电信号采集模块(12)的参考电压VREF以及可编程增益放大器的放大倍数GPGA;
2)将每个通道的原始的十六进制A/D转换结果V16,转化为十进制A/D转换结果V10;
3)按照下列公式,计算sEMG肌电信号实际电压值VIN:
其中,k为系数,
所述的滤波操作,是数字带通滤波操作,是采用切比雪夫I型带通滤波器,所述切比雪夫I型带通滤波器的第一阻带频率Fstop1=0.001Hz,第一通带频率Fpass1=10Hz,第二阻带频率Fstop2=40Hz,第二通带频率Fpass2=30Hz,第一阻带衰减率为5dB,第二阻带衰减率为5dB;所述滤波操作的步骤如下:
1)获取原始sEMG肌电信号其中,N为原始sEMG肌电信号通道数和,L为每个通道原始sEMG肌电信号的数据长度,Ec,g表示原始sEMG肌电信号中由第c个电极采集的第g个原始sEMG肌电信号的数值;
2)对原始sEMG肌电信号进行数字带通滤波,并进行50Hz陷波滤波,去除工频干扰,得到处理后的sEMG肌电信号其中,Xc,g表示滤波后的sEMG肌电信号中第c个电极对应的第g个sEMG肌电信号的数值。
3.根据权利要求1所述的一种基于肌电的穿戴式前庭监测系统,其特征在于,所述的肢体肌电主动训练界面(2),包括有:主动训练模式和康复模式;
在主动训练模式下,使用者完成PC端显示屏(23)显示的9个康复动作,9个康复动作包括:前倾、后倾、左倾、右倾、左歪头、右歪头、低头、向上抬头和360°转动脖子;
在康复模式下,正常穿戴所述的穿戴式肌电采集设备(1)。
4.一种权利要求1所述的基于肌电的穿戴式前庭监测系统的应用,其特征在于,包括:
为保证电极贴与皮肤完全接触,在测量肌电信号sEMG前,先用酒精棉擦拭使用者被测位置的皮肤,使用者要求前行运动,身体保持放松,并完成肌电主动训练界面所要求的动作;在确保系统电源模块正常后,开启系统,通过穿戴式肌电采集设备采集使用者的sEMG肌电信号和人体平衡状态信号传送至肢体肌电主动训练界面,完成肌电采集工作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210114276.7A CN114504333B (zh) | 2022-01-30 | 2022-01-30 | 一种基于肌电的穿戴式前庭监测系统及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210114276.7A CN114504333B (zh) | 2022-01-30 | 2022-01-30 | 一种基于肌电的穿戴式前庭监测系统及应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114504333A CN114504333A (zh) | 2022-05-17 |
CN114504333B true CN114504333B (zh) | 2023-10-27 |
Family
ID=81550856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210114276.7A Active CN114504333B (zh) | 2022-01-30 | 2022-01-30 | 一种基于肌电的穿戴式前庭监测系统及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114504333B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115148058A (zh) * | 2022-07-25 | 2022-10-04 | 深圳市康进医疗科技有限公司 | 一种基于vr沉浸式医用盆底康复训练系统及应用方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108388348A (zh) * | 2018-03-19 | 2018-08-10 | 浙江大学 | 一种基于深度学习和注意力机制的肌电信号手势识别方法 |
CN112783327A (zh) * | 2021-01-29 | 2021-05-11 | 中国科学院计算技术研究所 | 基于表面肌电信号进行手势识别的方法及系统 |
CN112861604A (zh) * | 2020-12-25 | 2021-05-28 | 中国科学技术大学 | 一种与用户无关的肌电动作识别与控制方法 |
CN113143261A (zh) * | 2021-04-30 | 2021-07-23 | 中国科学院自动化研究所 | 基于肌电信号的身份识别系统、方法及设备 |
CN113349793A (zh) * | 2021-03-30 | 2021-09-07 | 北京芯动卫士科技有限公司 | 一种基于分层注意力模型的心律失常分类方法 |
CN113467307A (zh) * | 2021-07-05 | 2021-10-01 | 嘉兴职业技术学院 | 基于物联网的监护智能系统 |
CN113627401A (zh) * | 2021-10-12 | 2021-11-09 | 四川大学 | 融合双注意力机制的特征金字塔网络的肌电手势识别方法 |
CN113855053A (zh) * | 2021-06-07 | 2021-12-31 | 钧晟(天津)科技发展有限公司 | 基于肌电的佩戴式肌肉阈值监测系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007120819A2 (en) * | 2006-04-15 | 2007-10-25 | The Board Of Regents Of The Leland Stanford Junior University | Systems and methods for estimating surface electromyography |
EP3558101B1 (en) * | 2016-12-21 | 2022-06-08 | Emory University | Methods and systems for determining abnormal cardiac activity |
CN111460892A (zh) * | 2020-03-02 | 2020-07-28 | 五邑大学 | 一种脑电图模式分类模型的训练方法、分类方法及系统 |
-
2022
- 2022-01-30 CN CN202210114276.7A patent/CN114504333B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108388348A (zh) * | 2018-03-19 | 2018-08-10 | 浙江大学 | 一种基于深度学习和注意力机制的肌电信号手势识别方法 |
CN112861604A (zh) * | 2020-12-25 | 2021-05-28 | 中国科学技术大学 | 一种与用户无关的肌电动作识别与控制方法 |
CN112783327A (zh) * | 2021-01-29 | 2021-05-11 | 中国科学院计算技术研究所 | 基于表面肌电信号进行手势识别的方法及系统 |
CN113349793A (zh) * | 2021-03-30 | 2021-09-07 | 北京芯动卫士科技有限公司 | 一种基于分层注意力模型的心律失常分类方法 |
CN113143261A (zh) * | 2021-04-30 | 2021-07-23 | 中国科学院自动化研究所 | 基于肌电信号的身份识别系统、方法及设备 |
CN113855053A (zh) * | 2021-06-07 | 2021-12-31 | 钧晟(天津)科技发展有限公司 | 基于肌电的佩戴式肌肉阈值监测系统 |
CN113467307A (zh) * | 2021-07-05 | 2021-10-01 | 嘉兴职业技术学院 | 基于物联网的监护智能系统 |
CN113627401A (zh) * | 2021-10-12 | 2021-11-09 | 四川大学 | 融合双注意力机制的特征金字塔网络的肌电手势识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114504333A (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020119245A1 (zh) | 一种基于可穿戴手环的情绪识别系统及方法 | |
CN111631907B (zh) | 基于脑机交互混合智能的脑卒中患者手部康复系统 | |
CN107788976A (zh) | 基于振幅整合脑电图的睡眠监测系统 | |
Roy et al. | A combined sEMG and accelerometer system for monitoring functional activity in stroke | |
CN111513735B (zh) | 基于脑机接口和深度学习的重度抑郁症辨识系统及应用 | |
Pancholi et al. | Improved classification scheme using fused wavelet packet transform based features for intelligent myoelectric prostheses | |
Wang et al. | A low power cardiovascular healthcare system with cross-layer optimization from sensing patch to cloud platform | |
Al-Ayyad et al. | Electromyography monitoring systems in rehabilitation: A review of clinical applications, wearable devices and signal acquisition methodologies | |
Doheny et al. | Feature-based evaluation of a wearable surface EMG sensor against laboratory standard EMG during force-varying and fatiguing contractions | |
CN113855053A (zh) | 基于肌电的佩戴式肌肉阈值监测系统 | |
CN113871028A (zh) | 一种基于肌电智能穿戴的交互式康复系统 | |
CN109124655A (zh) | 精神状态分析方法、装置、设备、计算机介质及多功能椅 | |
CN114504333B (zh) | 一种基于肌电的穿戴式前庭监测系统及应用 | |
CN114647314A (zh) | 一种基于肌电的穿戴式肢体运动智能感知系统 | |
Tam et al. | A wearable wireless armband sensor for high-density surface electromyography recording | |
CN117503153B (zh) | 基于人工智能的患者术后康复评价方法 | |
CN110610754A (zh) | 一种沉浸式可穿戴诊断与治疗装置 | |
González-Mendoza et al. | Validation of an EMG sensor for Internet of Things and Robotics | |
CN116312951B (zh) | 一种基于多模态耦合分析的运动功能评估方法及其系统 | |
Salvekar et al. | Mind controlled robotic arm | |
CN109770851A (zh) | 一种基于蓝牙无线通信的心脏健康状态监测系统及方法 | |
Mekruksavanich et al. | Deep learning approaches for epileptic seizures recognition based on eeg signal | |
CN115910333A (zh) | 一种基于穿戴设备的生命力增减评估方法和系统 | |
CN113069127A (zh) | 一种全自动智能神经肌肉电生理检查设备及应用方法 | |
CN113080892A (zh) | 用于心脑血管疾病风险预测的检测数据处理方法和系统 |
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 |