CN115778408A - 一种分步式肌电信号活动段检测方法 - Google Patents
一种分步式肌电信号活动段检测方法 Download PDFInfo
- Publication number
- CN115778408A CN115778408A CN202211583953.6A CN202211583953A CN115778408A CN 115778408 A CN115778408 A CN 115778408A CN 202211583953 A CN202211583953 A CN 202211583953A CN 115778408 A CN115778408 A CN 115778408A
- Authority
- CN
- China
- Prior art keywords
- point
- signal
- envelope
- points
- stop
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 230000000694 effects Effects 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 42
- 230000008859 change Effects 0.000 claims abstract description 23
- 230000004913 activation Effects 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 238000000638 solvent extraction Methods 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims description 31
- 230000003068 static effect Effects 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 9
- 238000002156 mixing Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 3
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000003183 myoelectrical effect Effects 0.000 claims 2
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000001994 activation Methods 0.000 description 16
- 230000033001 locomotion Effects 0.000 description 11
- 210000003205 muscle Anatomy 0.000 description 8
- 210000005036 nerve Anatomy 0.000 description 4
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 208000002033 Myoclonus Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 210000002161 motor neuron Anatomy 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种分步式肌电信号活动段检测方法,包括:获取原始肌电信号,并对其进行数据预处理,得到肌电信号的包络线;将得到的肌电信号包络线,利用斜率的变化提取转折点并分段,将段与段能量差异变化作为包络线起止点的提取依据,提取包络线起止点,并利用激活长度及激活能量的大小排除虚假尖峰;利用包络线起止点进行分区,将不同区内的原始数据映射到TKE域中,找到静息区的TKE最大值作为归一化的分母,比较标准值和归一化的信号大小,进而确定信号起止点。该方法有利于提高肌电信号活动段提取的效果。
Description
技术领域
本发明属于医学信号分析技术领域,具体涉及一种分步式肌电信号活动段检测方法。
背景技术
对于健康人体而言,自然流畅的运动是大脑皮层运动区产生的神经兴奋信号通过脊髓运动神经传递给肌肉运动神经末梢的结果。而对于脑卒中、肌阵挛等患者,由于运动脑区异常激活,影响神经控制信号的发放模式和传输过程,患者的肌肉运动神经元接收不到充足的信号,导致患者不能很好地控制肢体的运动。
肌电信号是神经控制信号转化为实际运动的肌肉反馈,间接反映了患者的神经控制机制。因此,提取患者运动时的有效信号,进行肌肉协同分析,或者结合脑电信号进行脑肌电耦合分析,对于运动状态评估、患病原因确定和康复情况评估都具有重要的临床意义。
上述分析的重要前提是准确提取肌电信号的活动段。然而,由于肌电信号存在微弱、随机、易受环境干扰的特点,且在患者的信号中常常会存在以虚假尖峰为主的不规则干扰,准确提取活动段十分困难。目前已经发表或公开的活动段提取技术中,主要分为阈值法和非阈值法两种。阈值法主要利用轮廓提取算法,如均方根值、瞬时能量、样本熵和Teager-Kaiser算子(TKE)等,突出静息段和活动段幅值上的差异,再利用静息段的背景噪声估计阈值,通过比较处理后的信号和阈值的大小确定活动段。阈值法算法简单,计算量小,但需要平衡检测率和检测精度之间的关系,太小的阈值可能会导致误报,太大的阈值会导致延迟,且阈值的选择也会引入主观成分。非阈值法在突出信号轮廓的基础上,结合轮廓的前后信息去除虚假尖峰的干扰,从而提取纯净肌电信号活动段,常见的方法有腐蚀膨胀法和局部积分法等。非阈值法解决了阈值选取的难题,但需要利用已有信息优化众多参数才能达到良好的效果。医学信号分析通常要求算法不经过调整或者经过简单调整就能适用于不同的患者,因此非阈值法难以应用在实际的医学信号分析中。
发明内容
本发明的目的在于提供一种分步式肌电信号活动段检测方法,该方法有利于提高肌电信号活动段提取的效果。
为实现上述目的,本发明采用的技术方案是:一种分步式肌电信号活动段检测方法,包括:
获取原始肌电信号,并对其进行数据预处理,得到肌电信号的包络线;
将得到的肌电信号包络线,利用斜率的变化提取转折点并分段,将段与段能量差异变化作为包络线起止点的提取依据,提取包络线起止点,并利用激活长度及激活能量的大小排除虚假尖峰;
利用包络线起止点进行分区,将不同区内的原始数据映射到TKE域中,找到静息区的TKE最大值作为归一化的分母,比较标准值和归一化的信号大小,进而确定信号起止点。
进一步地,对原始肌电信号进行数据预处理的具体方法为:
对获取的原始肌电信号,先经过50Hz的工频陷波器滤除电源噪声,再进行绝对值整流,然后经过截止频率为3Hz的3阶巴特沃夫低通滤波,得到表面肌电信号的包络线。
进一步地,提取包络线起止点的具体方法为:
经过数据预处理后,得到反映信号幅值变化的平滑包络线X(t)=[x1,x2,x3...xn];先利用斜率的变化关系找到包络线的K个转折点P;
P={x|(xi-xi-1)×(xi-xi+1)>0}
将点和点之间的数据定义为包络段,利用如下公式求出每个包络段的能量:
其中,Ej表示每个包络段的能量,Dj表示包络段,Lj表示每个包络段的数据长度, j=1,2,3...,K-1,表示包络段的数量;
计算段与段之间能量的变化情况:
其中,ΔEi表示包络段能量的变化情况,Ei为包络段能量,i=1,2,3...,K-2,表示能量变化的次数;
通过寻找每个周期中的正向最大值和负向最大值,结合最大值与初始数据点的关系,找到每个周期包络线的起止点;另外,提取起止点前后的第一峰值点;
在提取起止点和第一峰值点的过程中,按如下方法排除虚假尖峰:
由于在医学信号分析中,目标动作的执行次数已知,因此利用执行次数剔除虚假尖峰数据段:首先计算所有尖峰的激活时间点数,进行排序,选择激活时间较短的ΔL+2 个尖峰并进行标记;然后,计算被标记数据段的整体能量,进行排序,判定能量值较低的ΔL段数据为虚假尖峰数据,并予以排除。
进一步地,确定信号起止点的具体方法为:
在包络线起止点和峰值点的基础上,对原始信号进行分区,包括静止区、混合区和激活区:静止区为包络线终止点到起始点之间的区域,混合区为起止点到峰值点之间的区域,激活区为峰值点之间的区域;然后,利用TKE算式分别计算静止区和混合区的原始肌电信号;离散条件下,TKE算式定义为:
y(n)=x(n)2-x(n-1)x(n+1)
其中,y表示TKE域信号,x表示原信号,n=1,2,3...,N,N表示信号的长度;
然后记录每个周期内两个静止区的TKE最大值,利用最大值对每个周期内的静止区和混合区进行归一化,此时每个静止区的最大值为1;因此,在信号幅值增加阶段,将混合区内第一个大于1的点设置为起始点;在信号幅值减少阶段,将混合区内最后一个大于1的点设置为终止点。
进一步地,获得信号起止点后,结合起止点标签,通过结合检测正确率和检测精度的评估公式评估肌电信号活动段的提取效果。
进一步地,通过结合检测正确率和检测精度的评估公式评估肌电信号活动段的提取效果的具体方法为:
获取起止点标签,结合信号起止点,建立结合检测正确率和检测精度的评估公式如下:
其中,score表示评估得分;L表示活动段的数目;ΔL表示实际检测出的活动段数目与标准活动段数目的差值;R表示起止点的数目,Ja表示估计的起止点,即得到的信号起止点,Jk表示理想的起止点,即获得的起止点标签;B表示起止点点数误差数量级的最大值;K1和K2表示式中两个部分的权重;
通过所述评估公式计算评估得分,从而得到评估结果。
与现有技术相比,本发明具有以下有益效果:提供了一种分步式肌电信号活动段检测方法,该方法先利用数据段的能量变化定位活动段的主要区域,计算量小,同时不需要先验数据优化参数;再利用区域的特性排除虚假尖峰,避免了阈值法需要平衡检测精度和检测率的问题;然后利用每个周期前后静息段的信息生成自适应标准值,省去了人为调整阈值的过程。因此,本方法可以有效提高肌电信号活动段提取的效果,在医学信号分析中具有较高的实用性。
附图说明
图1是本发明实施例的方法实现流程图。
图2是本发明实施例中数据预处理的实现流程图。
图3是本发明实施例中包络线起止点提取的实现流程图。
图4是本发明实施例中信号起止点提取的实现流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和 /或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本实施例提供了一种分步式肌电信号活动段检测方法,包括:
1)获取原始肌电信号,并对其进行数据预处理,得到肌电信号的包络线。
2)将得到的肌电信号包络线,利用斜率的变化提取转折点并分段,将段与段能量差异变化作为包络线起止点的提取依据,提取包络线起止点,并利用激活长度及激活能量的大小排除虚假尖峰。
3)利用包络线起止点进行分区,将不同区内的原始数据映射到TKE域中,找到静息区的TKE最大值作为归一化的分母,比较标准值和归一化的信号大小,进而确定信号起止点。
4)获得信号起止点后,结合起止点标签,通过结合检测正确率和检测精度的评估公式评估肌电信号活动段的提取效果。
第一部分:数据预处理
数据预处理的实现流程如图2所示。对获取的原始肌电信号,先经过50Hz的工频陷波器滤除电源噪声,再进行绝对值(全波)整流,然后经过截止频率为3Hz的3阶巴特沃夫低通滤波,得到表面肌电信号的包络线。截止频率的大小可根据实际的滤波情况确定。
第二部分:包络线起止点提取
包络线起止点提取的实现流程如图3所示。经过数据预处理后,得到反映信号幅值变化的平滑包络线X(t)=[x1,x2,x3...xn]。先利用斜率的变化关系找到包络线的K个转折点P:
P={x|(xi-xi-1)×(xi-xi+1)>0}
将点和点之间的数据定义为包络段,利用如下公式求出每个包络段的能量:
其中,Ej表示每个包络段的能量,Dj表示包络段,Lj表示每个包络段的数据长度, j=1,2,3...,K-1,表示包络段的数量。
肌肉激活时,肌电信号会从幅值上呈现出较大的变化,表现在能量的变化上,上升段会呈现正向激增,下降段会呈现负向骤减,因此可以通过寻找每个周期中能量变化的正向最大值和负向最大值找到包络线的起止点。
利用如下公式求出段与段之间的能量变化情况:
其中,ΔEi表示包络段能量的变化情况,E为包络段能量,i=1,2,3...,K-2,表示能量变化的次数。
通过最大值与初始数据点的关系,找到每个周期包络线的起止点。为了方便下一步操作的进行,还提取了起止点前后的第一个峰值点,便于后续分析。
在提取起止点和第一峰值点的过程中,虚假尖峰和正常激活都会被算法检测到。由于在医学信号分析中,目标动作的执行次数是已知的,因此利用执行次数剔除虚假尖峰数据段。在本方法中,从激活时间和激活能量两个方面对所有尖峰进行筛查:首先计算所有尖峰的激活时间点数,进行排序,选择激活时间较短的ΔL+2个尖峰(ΔL表示实际激活数与检测激活数的差异)并进行标记。然后,计算被标记数据段的整体能量,进行排序,判定能量值较低的ΔL段数据为虚假尖峰数据,并予以排除。
第三部分:信号起止点提取
这一部分的实现流程如图4所示。包络线相比于原始信号更加平滑,且能很好地反映肌肉的静息状态和激活状态,但包络线的起止点相对于信号实际起止点均有延迟,并不能准确反映信号的起止时间。因此,在包络线起止点和峰值点的基础上,对原始信号进行分区,包括静止区、混合区和激活区:静止区为包络线终止点到起始点之间的区域,混合区为起止点到峰值点之间的区域,激活区为峰值点之间的区域。然后,利用TKE 算式分别计算静止区和混合区的原始肌电信号。离散条件下,TKE算式定义为:
y(n)=x(n)2-x(n-1)x(n+1)
其中,y表示TKE域信号,x表示原信号,n=1,2,3...,N,N表示信号的长度。
值得注意的是,若静止区内存在被标记为虚假尖峰的数据段时,需要先将虚假尖峰段数据舍弃,以免过大的TKE值影响后面起止点的判断。
然后记录每个周期内两个静止区的TKE最大值,利用最大值对每个周期内的静止区和混合区进行归一化,此时每个静止区的最大值为1。因此,在信号幅值增加阶段,将混合区内第一个大于1的点设置为起始点;在信号幅值减少阶段,将混合区内最后一个大于1的点设置为终止点。
第四部分:评估
在获得实际的起止点后,需要结合起止点标签进行评估,起止点标签通常由有经验的肌电图医师提供。评估可以从检测正确率和检测精度两个方面进行,但在运动评估和医学信号分析中,更加重视活动段的检测精度,因此赋予二者不同的权重。获取起止点标签,结合信号起止点,建立结合检测正确率和检测精度的评估公式如下:
其中,score表示评估得分;e是底数,e1=2.7183,以实现非线性计算;L表示活动段的数目;ΔL表示实际检测出的活动段数目与标准活动段数目的差值;R表示起止点的数目,Ja表示估计的起止点,即得到的信号起止点,Jk表示理想的起止点,即获得的起止点标签;B表示点数误差数量级的最大值;K1和K2表示式中两个部分的权重。
上述式子中,第一部分代表活动段数量检测的分数,第二部分代表起止点误差的分数。由于在医学分析中更加重视起止点的检测精度,因此分配的权重K1<K2。在第一部分中,通过引入非线性因素,实现了小误差占比小,大误差占比骤增的目的,意味着在较大的数目检测误差下,即使起止点检测精度高,该算法也不会有太高的分数。在第二部分中,计算每一段起止点的误差并求平均值,并利用误差数量级的最大值进行归一化。若检测正确率达100%,检测误差为0,则得分为100分。
通过所述评估公式计算评估得分,从而得到评估结果。
本方法使用时,首先对肌电数据进行50Hz工频滤波、绝对值整流、3阶巴特沃夫低通滤波等处理。然后对处理后得到的包络线利用斜率的变化找到所有转折点,利用转折点对包络线分段,计算段间的能量变化并提取变化的极值,从极值找到包络线的起止点和第一峰值点;同时,对激活时长和激活能量进行排序,剔除虚假尖峰的干扰。随后,利用起止点和第一峰值点对原始信号进行分区,具体分为静止区、混合区和激活区;将每一区的数据映射到TKE域中,提取静止区的TKE最大值并进行周期信号归一化;当上升段混合区第一个点大于1时,记为起始点,记下降段最后一个大于1的点为终止点。最后,获取信号起止点标签,利用评估公式对结果进行评估。
本方法先利用数据段的能量变化定位活动段的主要区域,计算量小,同时不需要先验数据优化参数;再利用区域的特性排除虚假尖峰,避免了阈值法需要平衡检测精度和检测率的问题;然后利用每个周期前后静息段的信息生成自适应标准值,省去了人为调整阈值的过程;最后通过评估公式,直观地展示活动段提取的效果。
本方法是所有基于肌电信号分析的基础,如分类器训练,运动学评估和控制机制分析等。目前,几乎所有的人机交互方式都离不开对用户运动意图的识别,而影响识别精度的重要因素就是分类器训练的质量,本方法可以准确提取运动的活动段,并且避免虚假尖峰的干扰,有利于提取有效信息,提高分类器的精度。此外,在运动评估和医学信号分析中,对于患者运动时刻的准确估计能够判断患者的患病类型,准确提取运动时的信息还能分析肌肉间的相互作用,分析患者的运动模式和肌肉间的代偿模式;结合脑电信号,还可以研究上行和下行通路的连接情况,对研究患者的患病原因,状态评估以及康复评估提供了极大地便利。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (6)
1.一种分步式肌电信号活动段检测方法,其特征在于,包括:
获取原始肌电信号,并对其进行数据预处理,得到肌电信号的包络线;
将得到的肌电信号包络线,利用斜率的变化提取转折点并分段,将段与段能量差异变化作为包络线起止点的提取依据,提取包络线起止点,并利用激活长度及激活能量的大小排除虚假尖峰;
利用包络线起止点进行分区,将不同区内的原始数据映射到TKE域中,找到静息区的TKE最大值作为归一化的分母,比较标准值和归一化的信号大小,进而确定信号起止点。
2.根据权利要求1所述的一种分步式肌电信号活动段检测方法,其特征在于,对原始肌电信号进行数据预处理的具体方法为:
对获取的原始肌电信号,先经过50Hz的工频陷波器滤除电源噪声,再进行绝对值整流,然后经过截止频率为3Hz的3阶巴特沃夫低通滤波,得到表面肌电信号的包络线。
3.根据权利要求1所述的一种分步式肌电信号活动段检测方法,其特征在于,提取包络线起止点的具体方法为:
经过数据预处理后,得到反映信号幅值变化的平滑包络线X(t)=[x1,x2,x3...xn];先利用斜率的变化关系找到包络线的K个转折点P;
P={x|(xi-xi-1)×(xi-xi+1)>0}
将点和点之间的数据定义为包络段,利用如下公式求出每个包络段的能量:
其中,Ej表示每个包络段的能量,Dj表示包络段,Lj表示每个包络段的数据长度,j=1,2,3...,K-1,表示包络段的数量;
计算段与段之间能量的变化情况:
其中,ΔEi表示包络段能量的变化情况,Ei为包络段能量,i=1,2,3...,K-2,表示能量变化的次数;
通过寻找每个周期中的正向最大值和负向最大值,结合最大值与初始数据点的关系,找到每个周期包络线的起止点;另外,提取起止点前后的第一峰值点;
在提取起止点和第一峰值点的过程中,按如下方法排除虚假尖峰:
由于在医学信号分析中,目标动作的执行次数已知,因此利用执行次数剔除虚假尖峰数据段:首先计算所有尖峰的激活时间点数,进行排序,选择激活时间较短的ΔL+2个尖峰并进行标记;然后,计算被标记数据段的整体能量,进行排序,判定能量值较低的ΔL段数据为虚假尖峰数据,并予以排除。
4.根据权利要求1所述的一种分步式肌电信号活动段检测方法,其特征在于,确定信号起止点的具体方法为:
在包络线起止点和峰值点的基础上,对原始信号进行分区,包括静止区、混合区和激活区:静止区为包络线终止点到起始点之间的区域,混合区为起止点到峰值点之间的区域,激活区为峰值点之间的区域;然后,利用TKE算式分别计算静止区和混合区的原始肌电信号;离散条件下,TKE算式定义为:
y(n)=x(n)2-x(n-1)x(n+1)
其中,y表示TKE域信号,x表示原信号,n=1,2,3...,N,N表示信号的长度;
然后记录每个周期内两个静止区的TKE最大值,利用最大值对每个周期内的静止区和混合区进行归一化,此时每个静止区的最大值为1;因此,在信号幅值增加阶段,将混合区内第一个大于1的点设置为起始点;在信号幅值减少阶段,将混合区内最后一个大于1的点设置为终止点。
5.根据权利要求1所述的一种分步式肌电信号活动段检测方法,其特征在于,获得信号起止点后,结合起止点标签,通过结合检测正确率和检测精度的评估公式评估肌电信号活动段的提取效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211583953.6A CN115778408B (zh) | 2022-12-10 | 2022-12-10 | 一种分步式肌电信号活动段检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211583953.6A CN115778408B (zh) | 2022-12-10 | 2022-12-10 | 一种分步式肌电信号活动段检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115778408A true CN115778408A (zh) | 2023-03-14 |
CN115778408B CN115778408B (zh) | 2024-08-27 |
Family
ID=85418446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211583953.6A Active CN115778408B (zh) | 2022-12-10 | 2022-12-10 | 一种分步式肌电信号活动段检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115778408B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030038935A (ko) * | 2001-11-09 | 2003-05-17 | 한국과학기술원 | 근전도 신호의 실시간 패턴 학습 및 분류방법 |
CN110236538A (zh) * | 2019-06-21 | 2019-09-17 | 西安交通大学 | 一种基于肌电信号的运动起始点自动实时检测方法 |
CN111844032A (zh) * | 2020-07-15 | 2020-10-30 | 北京海益同展信息科技有限公司 | 肌电信号处理、外骨骼机器人控制方法及装置 |
CN112773380A (zh) * | 2019-11-07 | 2021-05-11 | 深圳市理邦精密仪器股份有限公司 | 一种肌电信号的处理方法、处理设备以及存储介质 |
CN113111831A (zh) * | 2021-04-23 | 2021-07-13 | 浙江工业大学 | 一种基于多模态信息融合的手势识别技术 |
CN114533089A (zh) * | 2022-02-22 | 2022-05-27 | 北京工业大学 | 一种基于表面肌电信号的下肢动作识别分类方法 |
-
2022
- 2022-12-10 CN CN202211583953.6A patent/CN115778408B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030038935A (ko) * | 2001-11-09 | 2003-05-17 | 한국과학기술원 | 근전도 신호의 실시간 패턴 학습 및 분류방법 |
CN110236538A (zh) * | 2019-06-21 | 2019-09-17 | 西安交通大学 | 一种基于肌电信号的运动起始点自动实时检测方法 |
CN112773380A (zh) * | 2019-11-07 | 2021-05-11 | 深圳市理邦精密仪器股份有限公司 | 一种肌电信号的处理方法、处理设备以及存储介质 |
CN111844032A (zh) * | 2020-07-15 | 2020-10-30 | 北京海益同展信息科技有限公司 | 肌电信号处理、外骨骼机器人控制方法及装置 |
CN113111831A (zh) * | 2021-04-23 | 2021-07-13 | 浙江工业大学 | 一种基于多模态信息融合的手势识别技术 |
CN114533089A (zh) * | 2022-02-22 | 2022-05-27 | 北京工业大学 | 一种基于表面肌电信号的下肢动作识别分类方法 |
Non-Patent Citations (1)
Title |
---|
李琳;王建辉;顾树生;: "一种改进的基于信号能量阈值的表面肌电信号自动分割方法", 计算机科学, no. 1, 15 June 2013 (2013-06-15), pages 195 - 198 * |
Also Published As
Publication number | Publication date |
---|---|
CN115778408B (zh) | 2024-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111657889A (zh) | 一种基于毫米波雷达的非接触式驾驶员疲劳检测方法 | |
Thexton | A randomisation method for discriminating between signal and noise in recordings of rhythmic electromyographic activity | |
CN103310113B (zh) | 一种基于频带分离和数据建模的通用血糖预测方法 | |
CN110598676B (zh) | 基于置信度得分模型的深度学习手势肌电信号识别方法 | |
CN101259016A (zh) | 实时自动检测癫痫特征波的方法 | |
CN112115856B (zh) | 脑电质量评估方法、存储介质及系统 | |
CN114469124B (zh) | 一种运动过程中异常心电信号的识别方法 | |
CN111091074A (zh) | 最优区域共空间模式的运动想象脑电信号分类方法 | |
Drapała et al. | Two stage EMG onset detection method | |
CN114417926A (zh) | 一种基于深度卷积生成对抗网络的电力设备局部放电模式识别方法及系统 | |
CN111067513B (zh) | 一种特征权重自学习的睡眠质量检测关键脑区判定方法 | |
CN110236538B (zh) | 一种基于肌电信号的运动起始点自动实时检测方法 | |
US6937888B2 (en) | Signal evaluation method for detecting QRS complexes in electrocardiogram signals | |
CN115778408A (zh) | 一种分步式肌电信号活动段检测方法 | |
KR101273652B1 (ko) | 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용하여 심근 허혈을 검출하는 방법 | |
Al-Mulla et al. | Statistical class separation using sEMG features towards automated muscle fatigue detection and prediction | |
CN111887811A (zh) | 基于脑电信号特征的大脑异常放电检测方法及系统 | |
CN108388846B (zh) | 基于典型相关分析的脑电α波检测识别方法 | |
Li et al. | Crackles detection method based on time-frequency features analysis and SVM | |
CN108836312A (zh) | 一种新型基于人工智能的进行杂波剔除的方法及系统 | |
CN110507299A (zh) | 一种心率信号检测装置及方法 | |
CN113143275B (zh) | 一种样本与特征质量联合量化评估的脑电疲劳检测方法 | |
Zhao et al. | A knowledge-based approach for automatic quantification of epileptiform activity in children with electrical status epilepticus during sleep | |
CN106361327B (zh) | 睡眠状态分析中清醒状态检测方法和系统 | |
CN112773379B (zh) | 一种肌电信号的处理方法、处理设备以及存储介质 |
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 |