CN114732424B - 基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法 - Google Patents

基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法 Download PDF

Info

Publication number
CN114732424B
CN114732424B CN202210467072.1A CN202210467072A CN114732424B CN 114732424 B CN114732424 B CN 114732424B CN 202210467072 A CN202210467072 A CN 202210467072A CN 114732424 B CN114732424 B CN 114732424B
Authority
CN
China
Prior art keywords
network
fatigue
complex network
sequence
attribute
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
Application number
CN202210467072.1A
Other languages
English (en)
Other versions
CN114732424A (zh
Inventor
郭浩
王翼鸣
公培浩
李春光
齐菲
黄海波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou University
Original Assignee
Suzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou University filed Critical Suzhou University
Priority to CN202210467072.1A priority Critical patent/CN114732424B/zh
Publication of CN114732424A publication Critical patent/CN114732424A/zh
Application granted granted Critical
Publication of CN114732424B publication Critical patent/CN114732424B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A61B5/389—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • General Health & Medical Sciences (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法，包括S1、采集多通道表面肌电信号数据，对表面肌电信号数据进行预处理；并将表面肌电信号数据按预设条件划分为无疲劳、中度疲劳和重度疲劳三个状态；S2、根据预处理后的表面肌电信号数据计算任意两两通道间的皮尔森相关系数，基于各皮尔森相关系数构建复杂网络；S3、获取复杂网络的经济属性和小世界属性；S4、分析无疲劳、中度疲劳和重度疲劳三个状态下复杂网络的经济属性和小世界属性的变化规律。其能够基于预处理后的肌电信号数据构建复杂网络，并分析复杂网络的经济属性和小世界属性，为肌肉疲劳提供了新的表面肌电复杂网络属性，改善交互接口的疲劳适应性。

Description

基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法
技术领域
本发明涉及康复医学及人体工效学技术领域，尤其是指一种基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法。
背景技术
表面肌电可直接反映肌肉收缩状态，已成为构建生物机电交互接口的主要信号之一，然而交互中肌肉反复收缩引起的疲劳会使得多肌肉间协同功能和信息传播效率发生改变，从而导致基于表面肌电的人机交互接口性能受到影响。为了尽量避免肌肉疲劳造成的影响，在康复医学和人体工效学等领域里，需要通过检测人体肌肉的疲劳状态来制定相应的交互方案，因此，研究肌肉不同疲劳状态的属性，对康复医学和人体工效学等领域有重要的应用价值。
目前，对于肌肉疲劳的研究多只是仅获取表面肌电信号，而表面肌电信号(Surface Electromyo-graphy，sEMG)是一种非平稳的微电信号，表面肌电信号包含肌肉疲劳状态的多种信息，目前一般直接利用肌电信号来评估肌肉疲劳多使用信号的时域和频域等传统特征，但是疲劳是一个多维度的复杂生理问题，传统的特征研究不足以分析全面，对人机交互接口的疲劳适应性有待提高。
发明内容
本发明要解决的技术问题是提供一种基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法，其基于预处理后的肌电信号数据构建复杂网络，并分析复杂网络的经济属性和小世界属性，为肌肉疲劳提供了新的表面肌电复杂网络属性，有效改善交互接口的疲劳适应性。
为解决上述技术问题，本发明提供了一种基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法，包括以下步骤：S1、采集多通道表面肌电信号数据，对所述表面肌电信号数据进行预处理；并将所述表面肌电信号数据按预设条件划分为无疲劳、中度疲劳和重度疲劳三个状态；S2、根据预处理后的表面肌电信号数据计算任意两两通道间的皮尔森相关系数，基于各所述皮尔森相关系数构建复杂网络；S3、获取所述复杂网络的网络密度序列、全局效率序列、聚类系数和平均最短路径，并将所述网络密度序列转换成网络成本序列；将所述全局效率序列减去网络成本序列以得到所述复杂网络的经济属性；设定所述聚类系数和平均最短路径之比为所述复杂网络的小世界属性；S4、分析无疲劳、中度疲劳和重度疲劳三个状态下所述复杂网络的经济属性和小世界属性的变化规律。
作为优选的，所述S2中，任意两两通道间的皮尔森相关系数的计算公式为：
Figure BDA0003624802330000021
其中，cov(x，y)为通道x和y的协方差，δxδy为通道x和y的标准差；若所述皮尔森相关系数的值大于0，则判定两个通道间肌电信号正相关；若所述皮尔森相关系数的值小于0，则判定两个通道间肌电信号成负相关，并对所述皮尔森相关系数进行指数变换，即将pij转换成
Figure BDA0003624802330000022
其中，i和j代表任意两个通道，k为指数系数。
作为优选的，所述S3中，获取所述复杂网络的网络密度序列、全局效率序列，并将所述网络密度序列转换成网络成本序列的方法具体为：
设定复杂网络中每个权值参数ωij的阈值，每取一个阈值，令复杂网络中小于阈值的值为零，并获取所述复杂网络的网络密度Den；计算所述复杂网络的全局效率GEff：
Figure BDA0003624802330000023
其中，∑ωij是对复杂网络中所有的加权边求和，dij是复杂网络内两个节点间的距离，N是复杂网络的节点个数；随着复杂网络中每个权值参数ωij的阈值取遍后，计算网络密度序列Denr和全局效率序列GEffr，并将所述网络密度序列Denr转换成网络成本序列Costr：
Figure BDA0003624802330000031
其中，Denmax为网络密度序列中的最大值，GEffmax为全局效率序列中的最大值，i和j代表复杂网络内两个节点，r为复杂网络中各权值参数ωij的阈值，r∈[min(ωij)，max(ωij)]，Costr，GEffr∈[0，1]；基于所述全局效率序列GEffr和网络成本序列Costr，得到所述复杂网络的经济属性Ecostr：Ecostr＝GEffr-Costr。
作为优选的，所述小世界属性的计算公式为：
Figure BDA0003624802330000032
其中γr、λr分别为标准化的聚类系数和平均最短路径；Cr与Lr分别为网络的聚类系数与最短路径，其计算公式分别为：
Figure BDA0003624802330000033
Figure BDA0003624802330000034
ki是节点i的邻居数目，Ei是节点i的k个邻居之间实际存在的边数，dij是两节点间的距离，N是节点个数；Crand、Lrand为等效的随机网络中的聚类系数和平均最短路径。
作为优选的，所述S1中，采集多通道表面肌电信号数据，对所述表面肌电信号数据进行预处理的方法为：选择人体上肢n个部位的肌肉，n个部位的肌肉对应通道1至通道n；将医用表面肌电电极片贴在所测肌肉处，按照预设的采样频率和采样时长进行表面肌电信号数据采样；对被测试者进行主观问卷测评，以将被测试者的所述表面肌电信号数据划分为无疲劳、中度疲劳和重度疲劳三个状态；对所述表面肌电信号数据依次进行带通滤波和工频陷波处理，并对处理后的所述表面肌电信号数据归一化。
作为优选的，表面肌电信号数据的不同疲劳状态是通过多个任务诱发；所述任务包括体力训练和疲劳驾驶，将多个任务下采集的表面肌电信号数据进行整合，并通过主观问卷测评，将被测试者的数据划分为无疲劳、中度疲劳和重度疲劳三个状态。
作为优选的，所述n个部位的肌肉包括：上斜方肌、中斜方肌、下斜方肌、竖脊肌、背阔肌、三角肌后束和多裂肌。
作为优选的，基于表面肌电信号提取肌肉疲劳状态复杂网络属性的系统，其特征在于，包括：疲劳数据采集模块，其用于采集多通道表面肌电信号数据，对所述表面肌电信号数据进行预处理；并将所述表面肌电信号数据按预设条件划分为无疲劳、中度疲劳和重度疲劳三个状态；复杂网络模型建立模块，其基于预处理后的表面肌电信号数据求取两两通道间的皮尔森相关系数，根据相关系数构建不同通道间的复杂网络；复杂网络属性计算模块，其获取所述复杂网络的网络密度序列、全局效率序列、聚类系数和平均最短路径，并将所述网络密度序列转换成网络成本序列；将所述全局效率序列减去网络成本序列以得到所述复杂网络的经济属性；设定所述聚类系数和平均最短路径之比为所述复杂网络的小世界属性；疲劳规律分析模块，其用于分析在无疲劳、中度疲劳和重度疲劳三个状态下所述复杂网络的经济属性和小世界属性的变化规律。
作为优选的，基于表面肌电信号提取肌肉疲劳状态复杂网络属性的系统，其特征在于，所述预处理包括带通滤波处理和工频陷波处理。
一种计算机可读存储介质，其中存储有指令，所述指令被处理器执行时，执行所述的基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法。
本发明的上述技术方案相比现有技术具有以下优点：
1、本发明通过采集多通道表面肌电信号数据，基于处理后的表面肌电信号数据计算两两通道间的皮尔森相关系数，并构建复杂网络，通过复杂网络能够输出经济属性和小世界属性，为肌肉疲劳提供了新的表面肌电复杂网络属性，为提高基于表面肌电生物机电接口的疲劳适应性提供新的思路。
2、本发明分析无疲劳、中度疲劳和重度疲劳三个状态下所述复杂网络的经济属性和小世界属性的变化规律。能够在数值上给出量化结果，为复杂网络的属性研究提供更可靠的依据。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中：
图1为本发明提取肌肉疲劳状态复杂网络属性的方法流程示意图；
图2为本发明无疲劳状态下的经济属性随网络成本变化的示意图；
图3为本发明中度疲劳状态下的经济属性随网络成本变化的示意图；
图4为本发明重度疲劳状态下的经济属性随网络成本变化的示意图；
图5是本发明无疲劳状态下的小世界属性随网络成本变化的示意图；
图6是本发明中度疲劳状态下的小世界属性随网络成本变化的示意图；
图7是本发明中重度疲劳状态下的小世界属性随网络成本变化的示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
本发明公开了基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法，包括以下步骤：
步骤一、采集多通道表面肌电信号数据，对表面肌电信号数据进行预处理：选择人体上肢的n个部位的肌肉，n个部位的肌肉对应通道1至通道n，其中，n大于1。
在本实施例中n优选为7，即选择人体上肢的七个部位的肌肉，分别对应上斜方肌、中斜方肌、下斜方肌、竖脊肌、背阔肌、三角肌后束和多裂肌，对应通道1至通道7。
采集多通道表面肌电信号数据时，将医用表面肌电电极片贴在所测肌肉处，按照预设的采样频率和采样时长进行表面肌电信号数据采样，优选采样频率为1024Hz，采样时长为7秒，采集前后进行主观问卷测评，包括主观评价量表和行为学测试，通过问卷结果综合分析，将对应的肌电数据划分为无疲劳、中度疲劳、重度疲劳三个状态。
采集各部位肌肉的表面肌电信号数据是通过不同任务时背力计诱发的。具体地，不同任务指体力训练和疲劳驾驶，表面肌电信号数据采集后将两个任务的表面肌电信号数据整合一起，通过主观问卷测评得分，将被测试者的数据划分为无疲劳、中度疲劳和重度疲劳三个状态。
对表面肌电信号数据进行预处理的方法为：首先对表面肌电信号数据进行带通滤波，之后再进行工频陷波处理，再进行归一化处理。具体地，应用巴特沃斯带通滤波，设置通带频率为10-350Hz，并进行50Hz陷波处理去除工频干扰，之后将数据进行z-score归一化处理。
步骤二、根据预处理后的表面肌电信号数据计算任意两两通道间的皮尔森相关系数，基于各皮尔森相关系数构建复杂网络。
具体地，任意两两通道间的皮尔森相关系数的计算公式为：
Figure BDA0003624802330000061
其中，cov(x，y)为通道x和y的协方差，δxδy为通道x和y的标准差。
进一步地，若皮尔森相关系数的值大于0，则判定两个通道间肌电信号正相关；若皮尔森相关系数的值小于0，则判定两个通道间肌电信号成负相关，并对皮尔森相关系数进行指数变换，即将pij转换成
Figure BDA0003624802330000062
其中，i和j代表任意两个通道，k为指数系数，调整k的大小可对复杂网络进行缩放，在本示例中优选k＝15。
步骤三、(1)获取复杂网络的网络密度序列和全局效率序列，并将网络密度序列转换成网络成本序列。将全局效率序列减去网络成本序列以得到复杂网络的经济属性。(2)获取复杂网络的聚类系数和平均最短路径，设定聚类系数和平均最短路径之比为复杂网络的小世界属性。
具体地，设定复杂网络中每个权值参数ωij的阈值r，每取一个阈值，令复杂网络中小于阈值的值为零，获取复杂网络的网络密度Den，计算复杂网络的全局效率GEff。全局效率GEff的计算公式为：
Figure BDA0003624802330000071
其中，∑ωij是对复杂网络中所有的加权边求和，dij是复杂网络内两个节点间的距离，N是复杂网络的节点个数。
随着取遍权值后，获得网络密度序列Denr和全局效率序列GEffr，并将网络密度序列Denr转换成网络成本序列Costr：
Figure BDA0003624802330000072
其中，Denmax为网络密度序列中的最大值，GEffmax为全局效率序列中的最大值，i和j代表复杂网络内两个节点，r为阈值，范围为[min(ωij)，max(ωij)]，Costr，GEffr∈[0，1]。
基于全局效率序列GEffr和网络成本序列Costr，得到复杂网络的经济属性Ecostr：Ecostr＝GEffr-Costr。复杂网络的经济属性即为成本效率。
当经济属性为正值时，说明复杂网络是经济型网络。三个疲劳状态下经济属性随网络成本的变化如图2-图4所示，参照图2-图4可知，经济属性呈现出先递增后递减的趋势，随着疲劳程度的加剧，经济属性的最大值逐渐增加，且不同状态间有显著差异(p值＝0.04)。在经济属性达到最大值时，网络成本都在较低的区间范围(0.15-0.25)，且网络效率在较高范围为0.9以上，可知，复杂网络满足低成本下高效率的经济属性。
分析复杂网络的小世界属性时，设定复杂网络中每个权值参数ωij的阈值r，每取一个阈值，令复杂网络中小于阈值的值为零，获得复杂网络的聚类系数C和平均最短路径L，则小世界属性公式如下：
Figure BDA0003624802330000073
其中γr、λr分别为标准化的聚类系数和平均最短路径；Cr与Lr分别为网络的聚类系数与最短路径，其计算公式分别为：
Figure BDA0003624802330000074
Figure BDA0003624802330000075
ki是节点i的邻居数目，Ei是节点i的k个邻居之间实际存在的边数，dij是两节点间的距离，N是节点个数；Crand、Lrand为等效的随机网络中的聚类系数和平均最短路径。
小世界属性网络介于规则网络和随机网络之间，具有最短路径小，聚类系数高的特征，具有小世界属性的网络σr>1，三个疲劳状态下，小世界属性随网络成本的变化如图5-图7所示，参照图5-图7可知，小世界属性呈现出先递增后递减的趋势，三个疲劳状态下网络都有σr>1的成本区间，说明本发明提出的复杂网络具有小世界属性。下表1为本实施例中随着疲劳程度的加剧，小世界属性的最大值和成本效率(即经济属性)的变化规律。
表1小世界属性的最大值和成本效率(即经济属性)的变化规律
无疲劳 中度疲劳 重度疲劳 P值
成本效率最大值 0.6996 0.7298 0.7335 0.022
小世界属性最大值 3.505 1.994 1.768 0.040
参照表1可知，随着疲劳程度的加剧，小世界属性的最大值逐渐减小，且不同的疲劳状态间有显著差异，p值为0.022。
本发明分析随着疲劳状态的变化，复杂网络的经济属性和小世界属性的变化规律，并对不同疲劳状态的小世界属性进行显著性分析，验证得到小世界属性在不同疲劳状态具有显著差异。
本发明提出的提取肌肉疲劳状态复杂网络属性的方法，通过对复杂网络经济属性和小世界属性随疲劳变化规律的研究，为肌肉疲劳提供了新的表面肌电复杂网络特征，有望为提高基于表面肌电生物机电接口的疲劳适应性提供新的思路。
基于上述的提取肌肉疲劳状态复杂网络属性的方法，本发明还提出了一种基于表面肌电信号提取肌肉疲劳状态复杂网络属性的系统，上述系统包括：疲劳数据采集模块、复杂网络模型建立模块、复杂网络属性计算模块和疲劳规律分析模块。
其中，疲劳数据采集模块用于采集多通道表面肌电信号数据，对表面肌电信号数据进行预处理，预处理包括带通滤波处理和工频陷波处理，并将表面肌电信号数据按预设条件划分为无疲劳、中度疲劳和重度疲劳三个状态。
复杂网络模型建立模块用于根据预处理后的表面肌电信号数据计算两两通道间的皮尔森相关系数，基于皮尔森相关系数构建复杂网络。
复杂网络属性计算模块用于获取复杂网络的网络密度序列、全局效率序列、聚类系数和平均最短路径，并将网络密度序列转换成网络成本序列；将全局效率序列减去网络成本序列以得到复杂网络的经济属性，设定聚类系数和平均最短路径之比为复杂网络的小世界属性。
疲劳规律分析模块用于分析在无疲劳、中度疲劳和重度疲劳三个状态下复杂网络的经济属性和小世界属性的变化规律。
本发明还提出了一种计算机可读存储介质，其中存储有指令，指令被处理器执行时，执行上述的基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (8)

1.基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法，其特征在于，包括以下步骤：
S1、采集多通道表面肌电信号数据，对所述表面肌电信号数据进行预处理，并将所述表面肌电信号数据按预设条件划分为无疲劳、中度疲劳和重度疲劳；
S2、根据预处理后的表面肌电信号数据计算任意两两通道间的皮尔森相关系数，基于各所述皮尔森相关系数构建复杂网络；
S3、获取所述复杂网络的网络密度序列、全局效率序列、聚类系数和平均最短路径，并将所述网络密度序列转换成网络成本序列；
将所述全局效率序列减去网络成本序列以得到所述复杂网络的经济属性；设定所述聚类系数和平均最短路径之比为所述复杂网络的小世界属性；
S4、分析无疲劳、中度疲劳和重度疲劳三个状态下所述复杂网络的经济属性和小世界属性的变化规律；
所述S3中，获取所述复杂网络的网络密度序列、全局效率序列，并将所述网络密度序列转换成网络成本序列的方法具体为：
获取所述复杂网络的网络密度Den；计算所述复杂网络的全局效率GEff：
Figure FDA0003956210540000011
其中，∑ωij是对复杂网络中所有的加权边求和，dij是复杂网络内两个节点间的距离，N是复杂网络的节点个数；
计算网络密度序列Denr和全局效率序列GEffr，并将所述网络密度序列Denr转换成网络成本序列Costr：
Figure FDA0003956210540000012
其中，Denmax为网络密度序列中的最大值，GEffmax为全局效率序列中的最大值，i和j代表复杂网络内两个节点，r为复杂网络中各权值参数ωij的阈值,r∈[min(ωij),max(ωij)]，Costr,GEffr∈[0,1]；
基于所述全局效率序列GEffr和网络成本序列Costr，得到所述复杂网络的经济属性Ecostr：Ecostr＝GEffr-Costr；
所述小世界属性的计算公式为：
Figure FDA0003956210540000021
其中γr、λr分别为标准化的聚类系数和平均最短路径；Cr与Lr分别为网络的聚类系数与最短路径，其计算公式分别为：
Figure FDA0003956210540000022
Figure FDA0003956210540000023
ki是节点i的邻居数目,Ei是节点i的k个邻居之间实际存在的边数,dij是两节点间的距离，N是节点个数；Crand、Lrand为等效的随机网络中的聚类系数和平均最短路径。
2.根据权利要求1所述的基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法，其特征在于，所述S2中，任意两两通道间的皮尔森相关系数的计算公式为：
Figure FDA0003956210540000024
其中，cov(x,y)为通道x和y的协方差，δxδy为通道x和y的标准差；
若所述皮尔森相关系数的值大于0，则判定两个通道间肌电信号正相关；若所述皮尔森相关系数的值小于0，则判定两个通道间肌电信号成负相关，并对所述皮尔森相关系数进行指数变换，即将pij转换成
Figure FDA0003956210540000025
其中，i和j代表任意两个通道，k为指数系数。
3.根据权利要求1所述的基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法，其特征在于，所述S1中，采集多通道表面肌电信号数据，对所述表面肌电信号数据进行预处理的方法为：
选择人体上肢n个部位的肌肉，n个部位的肌肉对应通道1至通道n，n>1；
将医用表面肌电电极片贴在所测肌肉表面，按照预设的采样频率和采样时长进行表面肌电信号数据采样；对被测试者进行主观问卷测评，以将被测试者的所述肌电数据划分为无疲劳、中度疲劳和重度疲劳三个状态；
对所述表面肌电信号数据依次进行带通滤波和工频陷波处理，并将处理后的所述表面肌电信号数据归一化。
4.根据权利要求1所述的基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法，其特征在于，所述表面肌电信号数据的不同疲劳状态是通过多个任务诱发的；
所述任务包括体力训练和疲劳驾驶，将各任务下采集的肌电数据进行整合，并通过主观问卷测评，将被测试者的所述表面肌电信号数据划分为无疲劳、中度疲劳和重度疲劳三个状态。
5.根据权利要求3所述的基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法，其特征在于，所述n个部位的肌肉包括：上斜方肌、中斜方肌、下斜方肌、竖脊肌、背阔肌、三角肌后束和多裂肌。
6.基于表面肌电信号提取肌肉疲劳状态复杂网络属性的系统，其特征在于，包括：
疲劳数据采集模块，其用于采集多通道表面肌电信号数据，对所述表面肌电信号数据进行预处理；并将所述表面肌电信号数据按预设条件划分为无疲劳、中度疲劳和重度疲劳三个状态；
复杂网络模型建立模块，其基于预处理后的表面肌电信号数据求取任意两两通道间的皮尔森相关系数，根据皮尔森相关系数构建不同通道间的复杂网络；
复杂网络属性计算模块，其获取所述复杂网络的网络密度序列、全局效率序列、聚类系数和平均最短路径，并将所述网络密度序列转换成网络成本序列；将所述全局效率序列减去网络成本序列以得到所述复杂网络的经济属性；设定所述聚类系数和平均最短路径之比为所述复杂网络的小世界属性；
疲劳规律分析模块，其用于分析在无疲劳、中度疲劳和重度疲劳三个状态下所述复杂网络的经济属性和小世界属性的变化规律；
获取所述复杂网络的网络密度序列、全局效率序列，并将所述网络密度序列转换成网络成本序列的方法具体为：
获取所述复杂网络的网络密度Den；计算所述复杂网络的全局效率GEff：
Figure FDA0003956210540000041
其中，∑ωij是对复杂网络中所有的加权边求和，dij是复杂网络内两个节点间的距离，N是复杂网络的节点个数；
计算网络密度序列Denr和全局效率序列GEffr，并将所述网络密度序列Denr转换成网络成本序列Costr：
Figure FDA0003956210540000042
其中，Denmax为网络密度序列中的最大值，GEffmax为全局效率序列中的最大值，i和j代表复杂网络内两个节点，r为复杂网络中各权值参数ωij的阈值,r∈[min(ωij),max(ωij)]，Costr,GEffr∈[0,1]；
基于所述全局效率序列GEffr和网络成本序列Costr，得到所述复杂网络的经济属性Ecostr：Ecostr＝GEffr-Costr；
所述小世界属性的计算公式为：
Figure FDA0003956210540000043
其中γr、λr分别为标准化的聚类系数和平均最短路径；Cr与Lr分别为网络的聚类系数与最短路径，其计算公式分别为：
Figure FDA0003956210540000044
Figure FDA0003956210540000045
ki是节点i的邻居数目,Ei是节点i的k个邻居之间实际存在的边数,dij是两节点间的距离，N是节点个数；Crand、Lrand为等效的随机网络中的聚类系数和平均最短路径。
7.根据权利要求6所述的基于表面肌电信号提取肌肉疲劳状态复杂网络属性的系统，其特征在于，所述预处理包括带通滤波处理和工频陷波处理。
8.一种计算机可读存储介质，其中存储有指令，所述指令被处理器执行时，执行如权利要求1-5所述的基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法。
CN202210467072.1A 2022-04-29 2022-04-29 基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法 Active CN114732424B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210467072.1A CN114732424B (zh) 2022-04-29 2022-04-29 基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210467072.1A CN114732424B (zh) 2022-04-29 2022-04-29 基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法

Publications (2)

Publication Number Publication Date
CN114732424A CN114732424A (zh) 2022-07-12
CN114732424B true CN114732424B (zh) 2023-04-07

Family

ID=82286019

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210467072.1A Active CN114732424B (zh) 2022-04-29 2022-04-29 基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法

Country Status (1)

Country Link
CN (1) CN114732424B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116269393B (zh) * 2023-05-22 2023-08-01 南京航空航天大学 融合肌电和主观感知的交互式健身疲劳监测方法及装置
CN116849684B (zh) * 2023-08-29 2023-11-03 苏州唯理创新科技有限公司 基于独立成分分析的多通道sEMG的信号源空间定位方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101521926A (zh) * 2009-04-08 2009-09-02 西安电子科技大学 用于大规模无线分布式网络的协同路由方法
CN101778005A (zh) * 2010-03-05 2010-07-14 中兴通讯股份有限公司 复杂网络配置方法和系统
CN112436514A (zh) * 2020-12-15 2021-03-02 广东电网有限责任公司佛山供电局 一种考虑光伏不确定性的多微网互联优化方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7616632B2 (en) * 2003-07-25 2009-11-10 Kanchei Loa System and method of implementing contacts of small worlds in packet communication networks
US11176082B2 (en) * 2014-10-27 2021-11-16 Mississippi State University Inhomogeneous computer interconnects for classical and quantum computers
CN106202721A (zh) * 2016-07-11 2016-12-07 西南大学 脑网络效率计算方法
CN110491501B (zh) * 2019-08-14 2023-05-02 电子科技大学 一种青少年孤独症大脑功能网络模型分析方法
CN112957056B (zh) * 2021-03-16 2022-12-30 苏州大学 利用协同网络的肌肉疲劳等级特征的提取方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101521926A (zh) * 2009-04-08 2009-09-02 西安电子科技大学 用于大规模无线分布式网络的协同路由方法
CN101778005A (zh) * 2010-03-05 2010-07-14 中兴通讯股份有限公司 复杂网络配置方法和系统
CN112436514A (zh) * 2020-12-15 2021-03-02 广东电网有限责任公司佛山供电局 一种考虑光伏不确定性的多微网互联优化方法

Also Published As

Publication number Publication date
CN114732424A (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
CN114732424B (zh) 基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法
CN108714026B (zh) 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法
CN106709469B (zh) 基于脑电和肌电多特征的自动睡眠分期方法
CN108959895B (zh) 一种基于卷积神经网络的脑电信号eeg身份识别方法
CN103034837B (zh) 特征参数与脉象要素的关联
CN109674468A (zh) 一种单导脑电自动睡眠分期方法
CN110811609A (zh) 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测方法
CN110292377B (zh) 基于瞬时频率和功率谱熵融合特征的脑电信号分析方法
CN112641451B (zh) 基于单通道脑电信号多尺度残差网络睡眠分期方法及系统
CN112957056B (zh) 利用协同网络的肌肉疲劳等级特征的提取方法及系统
CN112450947B (zh) 一种针对情绪唤醒度的动态脑网络分析方法
CN113128552A (zh) 一种基于深度可分离因果图卷积网络的脑电情绪识别方法
CN114266276A (zh) 一种基于通道注意力和多尺度时域卷积的运动想象脑电信号分类方法
CN114533086A (zh) 一种基于空域特征时频变换的运动想象脑电解码方法
CN115563484A (zh) 一种基于生理唤醒识别的街道绿化品质检测方法
CN115363586A (zh) 一种基于脉搏波信号的心理压力等级评估系统及方法
CN116340824A (zh) 基于卷积神经网络的肌电信号动作识别方法
CN113128585B (zh) 一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法
CN107320097A (zh) 利用肌电信号边际谱熵提取肌肉疲劳特征的方法和装置
CN115760900A (zh) 基于ResNet-GCN网络模型的脑胶质瘤恶性程度分级方法
CN115251845A (zh) 基于TB-TF-BiGRU模型处理脑电波信号的睡眠监测方法
CN115017960A (zh) 一种基于时空联合mlp网络的脑电信号分类方法及应用
CN113558637A (zh) 一种基于相位传递熵的音乐感知下脑网络构建方法
CN113876339A (zh) 一种睡眠状态脑电特征信号特征集的构建方法
CN106682605A (zh) 一种识别脑电放松度的方法及系统

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