CN115965127A - 基于多元信号融合的肌疲劳预测方法、系统及电刺激器 - Google Patents
基于多元信号融合的肌疲劳预测方法、系统及电刺激器 Download PDFInfo
- Publication number
- CN115965127A CN115965127A CN202211597143.6A CN202211597143A CN115965127A CN 115965127 A CN115965127 A CN 115965127A CN 202211597143 A CN202211597143 A CN 202211597143A CN 115965127 A CN115965127 A CN 115965127A
- Authority
- CN
- China
- Prior art keywords
- muscle fatigue
- characteristic quantity
- time
- data set
- signal
- 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
- 206010049565 Muscle fatigue Diseases 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000004927 fusion Effects 0.000 title claims abstract description 32
- 230000000638 stimulation Effects 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 210000003205 muscle Anatomy 0.000 claims abstract description 17
- 230000007830 nerve conduction Effects 0.000 claims abstract description 16
- 238000007637 random forest analysis Methods 0.000 claims abstract description 13
- 230000009467 reduction Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000003066 decision tree Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 230000003183 myoelectrical effect Effects 0.000 claims description 7
- 230000001360 synchronised effect Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 230000004118 muscle contraction Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000763 evoking effect Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000002232 neuromuscular Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000007115 recruitment Effects 0.000 description 2
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000036982 action potential Effects 0.000 description 1
- 230000002567 autonomic effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000002027 skeletal muscle Anatomy 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
- 230000021542 voluntary musculoskeletal movement Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
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多元信号融合的肌疲劳预测方法、系统及电刺激器，所述方法包括：获取M波的神经传导延迟时间和时频域特征量以及MMG信号的时频域特征量，作为肌电信号特征量的数据集；获取所述数据集中各肌电信号特征量与电刺激诱发肌力值的斯皮尔曼相关系数，将所述斯皮尔曼相关系数作为所述肌电信号特征量的标签；采用层次聚类算法对所述数据集中的肌电信号特征量进行降维；利用降维后的数据集训练随机森林预测模型，得到肌疲劳预测模型；基于所述肌疲劳预测模型，进行肌疲劳预测，得到肌疲劳预测结果。本发明能够通过获取M波以及MMG信号的时频域特征量训练肌疲劳预测模型，通过肌疲劳预测模型快速、准确进行肌疲劳预测。
Description
技术领域
本发明涉及肌疲劳预测技术领域，特别是涉及一种基于多元信号融合的肌疲劳预测方法、系统及电刺激器。
背景技术
功能性电刺激技术经过多年研究，目前已被广泛应用于上、下肢康复治疗领域，主要面对神经肌肉受损导致自主运动障碍的患者。功能性电刺激(Functional electricalstimulation，FES)通过不断输出电脉冲作用于受损的神经肌肉位置，实现肌肉自主收缩功能恢复和神经功能重建效果，但长时间的脉冲刺激或不适当的刺激参数设置均会引起刺激部位肌肉收缩异常以及患者不适。由于患者往往存在神经和肢体受损，无法自主反馈肌肉疲劳状态，在治疗过程中需要实时观测患者肌肉状态，进而调整治疗手段。
电刺激引起的肌电信号中的复合动作电位信号(M波)和肌肉收缩产生的机械肌图信号(MMG)的幅值、中值频率等参数均与电刺激作用的肌肉疲劳状态相关。但使用肌电采集设备进行信号采集时，采集到的信号往往由刺激伪迹和M波组成，需要对M波进行提取才可用来表征肌疲劳状态。而且刺激过程中，电刺激引起的肌肉收缩产生的MMG信号易与自主运动收缩产生的MMG信号混合，容易对肌疲劳的判定造成干扰，需要对混合信号进行分解才可用于肌疲劳表征。对于以上信号采集问题和电刺激技术应用现状，研究出一种可利用混合信号预测肌肉疲劳的预测方案至关重要。
发明内容
本发明的目的是提供一种基于多元信号融合的肌疲劳预测方法、系统及电刺激器，能够通过获取M波以及MMG信号的时频域特征量训练肌疲劳预测模型，通过肌疲劳预测模型快速、准确进行肌疲劳预测，为电刺激器调整治疗手段提供可靠依据。
为实现上述目的，本发明提供了如下方案：
本发明提供了一种基于多元信号融合的肌疲劳预测方法，包括以下步骤：
获取M波的神经传导延迟时间和时频域特征量以及MMG信号的时频域特征量，作为肌电信号特征量的数据集；
获取所述数据集中各肌电信号特征量与电刺激诱发肌力值的斯皮尔曼相关系数，将所述斯皮尔曼相关系数作为所述肌电信号特征量的标签；
采用层次聚类算法对所述数据集中的肌电信号特征量进行降维；
利用降维后的数据集训练随机森林预测模型，得到肌疲劳预测模型；
基于所述肌疲劳预测模型，进行肌疲劳预测，得到肌疲劳预测结果。
进一步地，所述获取M波的神经传导延迟时间和时频域特征量，包括：
在第三级时序中，刺激器在脉冲输出的同时发送同步信号至肌电信号采集端，根据同步信号，在混合肌电信号中定位电刺激脉冲的起始时刻和结束时刻，在结束时刻和下一次开始时刻间的数据段搜寻最大值点，得到M波负向峰值点，计算起始时刻至M波负向峰值点间的时间段作为M波的神经传导延迟时间；
在第三级时序中，获取电刺激脉冲诱发出的未被刺激伪迹干扰的所有M波的峰值点，基于每个M波的峰值点，向左向右截取相同时间段内的数据点进行均值计算，用此均值表征此单式次M波；
在第二级时序中，将一次刺激脉冲的所有单式次M波进行包络线绘制，对绘制得到的包络线进行时频域特征提取，得到M波的时频域特征量。
进一步地，所述获取MMG信号的时频域特征量，包括：
对所述MMG信号进行等权重融合，得到融合后MMG信号；
对融合后MMG信号进行滤波处理；
采用与获取M波的时频域特征量相同的方法，获取MMG信号的时频域特征量。
进一步地，所述获取所述数据集中各肌电信号特征量与电刺激诱发肌力值的斯皮尔曼相关系数之前，对所述肌电信号特征量进行归一化处理。
进一步地，所述采用层次聚类算法对所述数据集中的肌电信号特征量进行降维，包括：
步骤1，获取两两所述肌电信号特征量之间的欧式距离；
步骤2，将欧式距离最小的两个肌电信号特征量合并成一个新特征量；
步骤3，获取所述新特征量与任一所述肌电信号特征量之间的欧式距离；
步骤4，重复步骤2至步骤3，直到所有类最后合并成一类，得到降维后的数据集。
进一步地，所述利用降维后的数据集训练随机森林预测模型，得到肌疲劳预测模型，包括：
从降维后的数据集中，采用bootstrap有放回的随机抽取一部分肌电信号特征量以及对应的标签组成训练集，此过程重复多次，得到多个训练集；
用每个训练集作为训练样本训练出对应的决策树，每个决策树均会对训练样本做出判断；
使用所有决策树的预测值的加权平均值作为预测结果；
基于训练后的决策树，构建肌疲劳预测模型。
进一步地，所述方法还包括：
根据所述肌疲劳预测结果，确定电刺激器的预设模式，所述预设模式包括不疲劳、开始疲劳以及一般疲劳；
根据所述预设模式，调整电刺激器的刺激参数。
本发明还提供一种基于多元信号融合的肌疲劳预测系统，包括：
数据集获取模块，用于获取M波的神经传导延迟时间和时频域特征量以及MMG信号的时频域特征量，作为肌电信号特征量的数据集；
标签获取模型，用于获取所述数据集中各肌电信号特征量与电刺激诱发肌力值的斯皮尔曼相关系数，将所述斯皮尔曼相关系数作为所述肌电信号特征量的标签；
降维处理模块，用于采用层次聚类算法对所述数据集中的肌电信号特征量进行降维；
模型训练模块，用于利用降维后的数据集训练随机森林预测模型，得到肌疲劳预测模型；
预测模块，用于基于所述肌疲劳预测模型，进行肌疲劳预测，得到肌疲劳预测结果。
本发明还提供一种电刺激器，包括：嵌入式多核心处理器以及与嵌入式多核心处理器电性连接的WIFI模块、UART通讯模块和触摸屏，所述嵌入式多核心处理器用于执行上述任一种所述的基于多元信号融合的肌疲劳预测方法，所述WIFI模块和UART通讯模块用于接收各类传感器采集到的原始肌电信号，所述触摸屏用于显示肌疲劳预测结果。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于多元信号融合的肌疲劳预测方法、系统及电刺激器，通过获取M波的神经传导延迟时间和时频域特征量以及MMG信号的时频域特征量，作为肌电信号特征量的数据集，无需对原始信号进行复杂提取，简化了信号处理流程，实现了快速处理原始信号的功能；之后使用层次聚类算法对数据集进行特征优化，缩短了随机森林算法的计算时间，提高了实时预测速度；通过训练好的肌疲劳预测模型快速、准确进行肌疲劳预测，为电刺激器进行康复治疗提供可靠的数据依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的基于多元信号融合的肌疲劳预测方法的流程示意图；
图2为本发明提供的刺激器输出的三级时序示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于多元信号融合的肌疲劳预测方法、系统及电刺激器，能够通过获取M波以及MMG信号的时频域特征量训练肌疲劳预测模型，通过肌疲劳预测模型快速、准确进行肌疲劳预测，为电刺激器调整治疗手段提供可靠依据。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供的基于多元信号融合的肌疲劳预测方法，包括如下步骤：
获取M波的神经传导延迟时间和时频域特征量以及MMG信号的时频域特征量，作为肌电信号特征量的数据集；
获取所述数据集中各肌电信号特征量与电刺激诱发肌力值的斯皮尔曼相关系数，将所述斯皮尔曼相关系数作为所述肌电信号特征量的标签；
采用层次聚类算法对所述数据集中的肌电信号特征量进行降维；
利用降维后的数据集训练随机森林预测模型，得到肌疲劳预测模型；
基于所述肌疲劳预测模型，进行肌疲劳预测，得到肌疲劳预测结果。
示例地，所述获取M波的神经传导延迟时间和时频域特征量，包括：
(1)，如图2所示，在第三级时序中，刺激器在脉冲输出的同时发送同步信号至肌电信号采集端，根据同步信号，在混合肌电信号中定位电刺激脉冲的起始时刻和结束时刻，在结束时刻和下一次开始时刻间的数据段搜寻最大值点，得到M波负向峰值点，计算起始时刻至M波负向峰值点间的时间段作为M波的神经传导延迟时间。其中神经传导延迟时间将和时频域特征量一起用作M波的特征量。
(2)，在第三级时序中，获取电刺激脉冲诱发出的未被刺激伪迹干扰的所有M波的峰值点。基于每个M波的峰值点，向左向右截取相同时间段内的数据点进行均值计算，用此均值表征此单式次M波；均值计算公式表示如下：
式中，μ为均值；xi为数据点，n为数据长度。
(3)，在第二级时序中，将一次刺激脉冲的所有单式次M波进行包络线绘制，对绘制得到的包络线进行时频域特征提取，得到M波的时频域特征量。其中，绘制包络线可以量化电刺激下肌肉的募集水平。提取的时频域特征包括平均值、整流平均值、均方根值、肌电积分值等常用特征。
可见，本发明基于电刺激器产生的高精度同步信号，使用双阈值算法准确提取出部分M波，实现了仅借助部分有效波形即可量化电刺激下肌肉的募集水平的功能。
示例地，所述获取MMG信号的时频域特征量，包括：
对所述MMG信号进行等权重融合，得到融合后MMG信号；具体的融合公式如下：
对融合后MMG信号进行滤波处理；
采用与获取M波的时频域特征量相同的方法，获取MMG信号的时频域特征量。
其中，本发明实施例可以选用加速度传感器作为MMG信号的采集设备，加速度传感器传感器感受到肌肉振动时，质量块加在压电片上的力随之改变，进而产生的电信号发生改变，通过计算即可得到与肌肉振动相对应的加速度值。由于采集到的信号为三轴加速度值，且均与肌疲劳等级具有较高的相关性，因此对MMG信号进行等权重融合。之后，可以使用巴特沃夫滤波器对融合后MMG信号进行100Hz滤波，避免其他信号干扰。
示例地，所述获取所述数据集中各肌电信号特征量与电刺激诱发肌力值的斯皮尔曼相关系数之前，对所述肌电信号特征量进行归一化处理。
本发明实施例对MMG信号在时频域上进行与M波相同的特征提取之后，将提取得到的特征量作为后续算法的数据集。将计算得到的M波和MMG信号的共计44种特征量进行归一化处理，公式如下：
式中：Xnorm为特征量归一化后数值；Xmin为特征量中的最小值，Xmax为特征量中的最大值。
本发明使用斯皮尔曼相关性计算公式对44种特征量与所对应的肌力值进行计算，得出二者的相关性系数作为该特征量标签。本发明使用的斯皮尔曼相关系数计算公式如下：
式中：rs为斯皮尔曼相关系数；di为两个数据次序的插值，n为数据的总量。
本发明可以通过根据相关性系数筛选出与肌力值显著相关的特征量。
由于获取得到的数据集中的肌电信号特征量数量较多，若全部用于预测模型使用，将造成计算时间过长，预测实时性下降。因此，本发明提出使用层次聚类算法对44种特征量进行降维的优化。
示例地，所述采用层次聚类算法对所述数据集中的肌电信号特征量进行降维，包括：
步骤1，获取两两所述肌电信号特征量之间的欧式距离；例如，针对特征量Xi和特征量Xj为例，计算欧式距离：
式中，p为特征总数；
为特征Xi和特征Xj的行向量。
步骤2，将欧式距离最小的两个肌电信号特征量合并成一个新特征量；
步骤3，获取所述新特征量与任一所述肌电信号特征量之间的欧式距离；
步骤4，重复步骤2至步骤3，直到所有类最后合并成一类，得到降维后的数据集。
通过上述处理，降维后的数据集采用较少特征量即可表征M波和MMG信号。
本发明使用随机森林算法对降维后的数据集的特征量进行训练，进而预测用户是否疲劳。在用户第一次使用时首先采集一次完整刺激治疗时期全部数据构建训练集，利用训练集对模型中的分类器进行训练，之后即可使用训练后模型进行实施预测。具体地，所述利用降维后的数据集训练随机森林预测模型，得到肌疲劳预测模型，包括：
从降维后的数据集中，采用bootstrap有放回的随机抽取一部分肌电信号特征量以及对应的标签组成训练集，此过程重复多次，得到多个训练集；
用每个训练集作为训练样本训练出对应的决策树，每个决策树均会对训练样本做出判断；
使用所有决策树的预测值的加权平均值作为预测结果，计算公式如下：
式中，H(x)为最终预测结果，Wi为决策树权重，hi为决策树预测值，T为决策树个数。
基于训练后的决策树，构建肌疲劳预测模型。
示例地，所述基于多元信号融合的肌疲劳预测方法还包括：
根据所述肌疲劳预测结果，确定电刺激器的预设模式，所述预设模式包括不疲劳、开始疲劳以及一般疲劳；
根据所述预设模式，调整电刺激器的刺激参数。
进一步地，所述根据所述预设模式，调整电刺激器的刺激参数，包括：
当监测到使用者处于开始疲劳期时，调整刺激频率；监测到使用者处于在一般疲劳期时，调整刺激强度；若连续十个刺激周期监测到使用者处于一般疲劳状态，则停止治疗进行休息。
本发明还提供一种基于多元信号融合的肌疲劳预测系统，包括：
数据集获取模块，用于获取M波的神经传导延迟时间和时频域特征量以及MMG信号的时频域特征量，作为肌电信号特征量的数据集；
标签获取模型，用于获取所述数据集中各肌电信号特征量与电刺激诱发肌力值的斯皮尔曼相关系数，将所述斯皮尔曼相关系数作为所述肌电信号特征量的标签；
降维处理模块，用于采用层次聚类算法对所述数据集中的肌电信号特征量进行降维；
模型训练模块，用于利用降维后的数据集训练随机森林预测模型，得到肌疲劳预测模型；
预测模块，用于基于所述肌疲劳预测模型，进行肌疲劳预测，得到肌疲劳预测结果。
本发明还提供一种电刺激器，包括：嵌入式多核心处理器、WIFI模块、UART通讯模块和触摸屏，所述嵌入式多核心处理器用于执行上述任一种所述的基于多元信号融合的肌疲劳预测方法，所述WIFI模块和UART通讯模块用于接收各类传感器采集到的原始肌电信号，所述触摸屏用于显示肌疲劳预测结果，便于使用者实时监测肌疲劳状态，同时刺激器根据预测结果，按照预设模式调整相应的刺激参数。
本发明通过在电刺激器内部加入嵌入式多核心处理器，通过WIFI模块和UART通讯接收采集到的原始信号，在电刺激器内部完成肌疲劳相关信号处理和预测的全过程，将预测结果实时显示至电刺激器的触摸屏上，并根据预设模式调节输出参数。大大提高了系统的实时性，减小了计算延迟，有效延长康复治疗时间。
综上，本发明提供的基于多元信号融合的肌疲劳预测方法及系统，借助于电刺激器的精确同步信号，可以在原始肌电信号中准确提出M波的神经传导时间这一有效参数用于肌疲劳表征，无需对原始信号进行复杂提取，简化了信号处理流程，实现了快速处理原始信号的功能。之后使用层次聚类算法对其进行特征优化，缩短了随机森林算法的计算时间，用所述预测方法，减少了计算时间，提高了实时预测速度。
本发明提供的电刺激器内部加入高性能嵌入式处理器，不借助外部上位机等设备进行算法运算，大大提高了系统的实时性，减小了计算延迟，有效延长康复治疗时间。
本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于多元信号融合的肌疲劳预测方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于多元信号融合的肌疲劳预测方法。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种基于多元信号融合的肌疲劳预测方法，其特征在于，包括以下步骤：
获取M波的神经传导延迟时间和时频域特征量以及MMG信号的时频域特征量，作为肌电信号特征量的数据集；
获取所述数据集中各肌电信号特征量与电刺激诱发肌力值的斯皮尔曼相关系数，将所述斯皮尔曼相关系数作为所述肌电信号特征量的标签；
采用层次聚类算法对所述数据集中的肌电信号特征量进行降维；
利用降维后的数据集训练随机森林预测模型，得到肌疲劳预测模型；
基于所述肌疲劳预测模型，进行肌疲劳预测，得到肌疲劳预测结果。
2.根据权利要求1所述的基于多元信号融合的肌疲劳预测方法，其特征在于，所述获取M波的神经传导延迟时间和时频域特征量，包括：
在第三级时序中，刺激器在脉冲输出的同时发送同步信号至肌电信号采集端，根据同步信号，在混合肌电信号中定位电刺激脉冲的起始时刻和结束时刻，在结束时刻和下一次开始时刻间的数据段搜寻最大值点，得到M波负向峰值点，计算起始时刻至M波负向峰值点间的时间段作为M波的神经传导延迟时间；
在第三级时序中，获取电刺激脉冲诱发出的未被刺激伪迹干扰的所有M波的峰值点，基于每个M波的峰值点，向左向右截取相同时间段内的数据点进行均值计算，用此均值表征此单式次M波；
在第二级时序中，将一次刺激脉冲的所有单式次M波进行包络线绘制，对绘制得到的包络线进行时频域特征提取，得到M波的时频域特征量。
3.根据权利要求1所述的基于多元信号融合的肌疲劳预测方法，其特征在于，所述获取MMG信号的时频域特征量，包括：
对所述MMG信号进行等权重融合，得到融合后MMG信号；
对融合后MMG信号进行滤波处理；
采用与获取M波的时频域特征量相同的方法，获取融合后MMG信号的时频域特征量。
4.根据权利要求1所述的基于多元信号融合的肌疲劳预测方法，其特征在于，所述获取所述数据集中各肌电信号特征量与电刺激诱发肌力值的斯皮尔曼相关系数之前，对所述数据集中的各肌电信号特征量进行归一化处理。
5.根据权利要求1所述的基于多元信号融合的肌疲劳预测方法，其特征在于，所述采用层次聚类算法对所述数据集中的肌电信号特征量进行降维，包括：
步骤1，获取两两所述肌电信号特征量之间的欧式距离；
步骤2，将欧式距离最小的两个肌电信号特征量合并成一个新特征量；
步骤3，获取所述新特征量与任一所述肌电信号特征量之间的欧式距离；
步骤4，重复步骤2至步骤3，直到所有类最后合并成一类，得到降维后的数据集。
6.根据权利要求1所述的基于多元信号融合的肌疲劳预测方法，其特征在于，所述利用降维后的数据集训练随机森林预测模型，得到肌疲劳预测模型，包括：
从降维后的数据集中，采用bootstrap有放回的随机抽取一部分肌电信号特征量以及对应的标签组成训练集，此过程重复多次，得到多个训练集；
用每个训练集作为训练样本训练出对应的决策树，每个决策树均会对训练样本做出判断；
使用所有决策树的预测值的加权平均值作为预测结果；
基于训练后的决策树，构建肌疲劳预测模型。
7.根据权利要求1所述的基于多元信号融合的肌疲劳预测方法，其特征在于，所述方法还包括：
根据所述肌疲劳预测结果，确定电刺激器的预设模式，所述预设模式包括不疲劳、开始疲劳以及一般疲劳；
根据所述预设模式，调整电刺激器的刺激参数。
8.一种基于多元信号融合的肌疲劳预测系统，其特征在于，包括：
数据集获取模块，用于获取M波的神经传导延迟时间和时频域特征量以及MMG信号的时频域特征量，作为肌电信号特征量的数据集；
标签获取模型，用于获取所述数据集中各肌电信号特征量与电刺激诱发肌力值的斯皮尔曼相关系数，将所述斯皮尔曼相关系数作为所述肌电信号特征量的标签；
降维处理模块，用于采用层次聚类算法对所述数据集中的肌电信号特征量进行降维；
模型训练模块，用于利用降维后的数据集训练随机森林预测模型，得到肌疲劳预测模型；
预测模块，用于基于所述肌疲劳预测模型，进行肌疲劳预测，得到肌疲劳预测结果。
9.一种电刺激器，其特征在于，包括：嵌入式多核心处理器以及与嵌入式多核心处理器电性连接的WIFI模块、UART通讯模块和触摸屏，所述嵌入式多核心处理器用于执行如权利要求1-7任一所述的基于多元信号融合的肌疲劳预测方法，所述WIFI模块和UART通讯模块用于接收各类传感器采集到的原始肌电信号，所述触摸屏用于显示肌疲劳预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211597143.6A CN115965127B (zh) | 2022-12-12 | 2022-12-12 | 基于多元信号融合的肌疲劳预测方法、系统及电刺激器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211597143.6A CN115965127B (zh) | 2022-12-12 | 2022-12-12 | 基于多元信号融合的肌疲劳预测方法、系统及电刺激器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115965127A true CN115965127A (zh) | 2023-04-14 |
| CN115965127B CN115965127B (zh) | 2023-11-17 |
Family
ID=87362756
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211597143.6A Active CN115965127B (zh) | 2022-12-12 | 2022-12-12 | 基于多元信号融合的肌疲劳预测方法、系统及电刺激器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115965127B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080058668A1 (en) * | 2006-08-21 | 2008-03-06 | Kaveh Seyed Momen | Method, system and apparatus for real-time classification of muscle signals from self-selected intentional movements |
| CN103006212A (zh) * | 2013-01-15 | 2013-04-03 | 中国医学科学院生物医学工程研究所 | 近似熵分析诱发肌电m波评价电刺激致肌疲劳的方法 |
| US20180360336A1 (en) * | 2017-06-16 | 2018-12-20 | Safeop Surgical, Inc. | Systems, methods, and devices for detecting the threshold of nerve-muscle response using variable frequency of stimulation |
| CN109222969A (zh) * | 2018-10-31 | 2019-01-18 | 郑州大学 | 一种基于多传感器数据融合的可穿戴式人体上肢肌肉运动疲劳检测及训练系统 |
| CN112686313A (zh) * | 2020-12-31 | 2021-04-20 | 江西理工大学 | 基于信息论改进的并行深度森林分类方法 |
| CN113181550A (zh) * | 2021-03-18 | 2021-07-30 | 中山大学 | 一种调控关节力矩和刚度的功能性电刺激系统和方法 |
| CN114722870A (zh) * | 2022-04-01 | 2022-07-08 | 皖西学院 | 一种基于gra-ics-svr模型和mmg信号的肌力估计方法 |
| CN114931390A (zh) * | 2022-05-06 | 2022-08-23 | 电子科技大学 | 基于疲劳分析的肌力估计方法 |
-
2022
- 2022-12-12 CN CN202211597143.6A patent/CN115965127B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080058668A1 (en) * | 2006-08-21 | 2008-03-06 | Kaveh Seyed Momen | Method, system and apparatus for real-time classification of muscle signals from self-selected intentional movements |
| CN103006212A (zh) * | 2013-01-15 | 2013-04-03 | 中国医学科学院生物医学工程研究所 | 近似熵分析诱发肌电m波评价电刺激致肌疲劳的方法 |
| US20180360336A1 (en) * | 2017-06-16 | 2018-12-20 | Safeop Surgical, Inc. | Systems, methods, and devices for detecting the threshold of nerve-muscle response using variable frequency of stimulation |
| CN109222969A (zh) * | 2018-10-31 | 2019-01-18 | 郑州大学 | 一种基于多传感器数据融合的可穿戴式人体上肢肌肉运动疲劳检测及训练系统 |
| CN112686313A (zh) * | 2020-12-31 | 2021-04-20 | 江西理工大学 | 基于信息论改进的并行深度森林分类方法 |
| CN113181550A (zh) * | 2021-03-18 | 2021-07-30 | 中山大学 | 一种调控关节力矩和刚度的功能性电刺激系统和方法 |
| CN114722870A (zh) * | 2022-04-01 | 2022-07-08 | 皖西学院 | 一种基于gra-ics-svr模型和mmg信号的肌力估计方法 |
| CN114931390A (zh) * | 2022-05-06 | 2022-08-23 | 电子科技大学 | 基于疲劳分析的肌力估计方法 |
Non-Patent Citations (3)
| Title |
|---|
| EMILIANO CÈ 等: "Changes in the electromechanical delay components during a fatiguing stimulation in human skeletal muscle an EMG, MMG and force combined approach", 《EUROPEAN JOURNAL OF APPLIED PHYSIOLOGY》, vol. 117, no. 1, pages 95 - 107, XP036151240, DOI: 10.1007/s00421-016-3502-z * |
| 裴子文 等: "电-机械延迟:神经肌肉传导之关键", 《中国组织工程研究》, vol. 21, no. 24, pages 3931 - 3936 * |
| 谢佳智 等: "肌音信号典型时域、频域特征与肌力关系研究", 《中国运动医学杂志》, vol. 38, no. 11, pages 948 - 954 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115965127B (zh) | 2023-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110495880B (zh) | 基于经颅电刺激脑肌耦合的运动障碍皮层可塑性管理方法 | |
| CN103845137B (zh) | 基于稳态视觉诱发脑机接口的机器人控制方法 | |
| CN107024987B (zh) | 一种基于eeg的实时人脑注意力测试和训练系统 | |
| CN104107134B (zh) | 基于肌电反馈的上肢训练方法及系统 | |
| 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 | |
| CN103886215B (zh) | 一种基于肌肉协同的步行能力分析方法和装置 | |
| CN102063180B (zh) | 基于hht高频组合编码稳态视觉诱发电位脑机接口方法 | |
| CN110238863A (zh) | 基于脑电-肌电信号的下肢康复机器人控制方法及系统 | |
| CN103019383B (zh) | 一种稳态视觉诱发电位脑—机接口信号识别方法 | |
| CN110179643A (zh) | 一种基于环带传感器的颈部康复训练系统和训练方法 | |
| CN103691059A (zh) | 基于角度信息与肌电信号反馈控制的电刺激康复装置及方法 | |
| CN104091172A (zh) | 一种运动想象脑电信号的特征提取方法 | |
| CN104571504B (zh) | 一种基于想象动作的在线脑‑机接口方法 | |
| CN108904980A (zh) | 基于脑电和功能性电刺激的上肢主动康复方法及装置 | |
| CN109820482A (zh) | 肌肉状态检测方法、装置及计算机可读存储介质 | |
| CN101515200A (zh) | 基于瞬态视觉诱发脑电的目标选择方法 | |
| CN110442244A (zh) | 一种基于脑机接口的虚拟现实游戏交互方法及系统 | |
| CN105708587A (zh) | 一种运动想象模式脑机接口触发的下肢外骨骼训练方法及系统 | |
| CN109318207A (zh) | 一种利用肌电定时的下肢运动准备电位检测系统及方法 | |
| CN111584027A (zh) | 融合复杂网络和图卷积的脑控康复系统运动想象识别系统 | |
| CN104536572A (zh) | 一种基于事件相关电位的跨个体通用型脑机接口方法 | |
| CN108937926A (zh) | 大数据的表面肌电信号的分析方法和装置 | |
| CN107510451B (zh) | 一种基于脑干听觉诱发电位的音高感知能力客观评估方法 | |
| CN107510890A (zh) | 功能性脑深部电刺激控制系统及方法 | |
| CN115965127B (zh) | 基于多元信号融合的肌疲劳预测方法、系统及电刺激器 |
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 |