CN116211289B - 上肢运动异常的在线分析方法、装置、系统和存储介质 - Google Patents
上肢运动异常的在线分析方法、装置、系统和存储介质 Download PDFInfo
- Publication number
- CN116211289B CN116211289B CN202310141128.9A CN202310141128A CN116211289B CN 116211289 B CN116211289 B CN 116211289B CN 202310141128 A CN202310141128 A CN 202310141128A CN 116211289 B CN116211289 B CN 116211289B
- Authority
- CN
- China
- Prior art keywords
- myoelectric
- upper limb
- angle
- axis
- training
- 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
- 210000001364 upper extremity Anatomy 0.000 title claims abstract description 82
- 230000005856 abnormality Effects 0.000 title claims abstract description 31
- 238000004458 analytical method Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 74
- 238000000034 method Methods 0.000 claims abstract description 67
- 238000013145 classification model Methods 0.000 claims abstract description 41
- 230000002159 abnormal effect Effects 0.000 claims abstract description 23
- 208000012661 Dyskinesia Diseases 0.000 claims abstract description 11
- 238000010801 machine learning Methods 0.000 claims abstract description 9
- 230000003183 myoelectrical effect Effects 0.000 claims description 94
- 238000000605 extraction Methods 0.000 claims description 34
- 230000003595 spectral effect Effects 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 14
- 206010044565 Tremor Diseases 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 8
- 230000008030 elimination Effects 0.000 claims description 5
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 210000003205 muscle Anatomy 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 10
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 230000009471 action Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010006100 Bradykinesia Diseases 0.000 description 1
- 208000006083 Hypokinesia Diseases 0.000 description 1
- 206010052904 Musculoskeletal stiffness Diseases 0.000 description 1
- 208000018737 Parkinson disease Diseases 0.000 description 1
- 206010071390 Resting tremor Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 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
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1116—Determining posture transitions
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
- A61B5/1127—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique using markers
-
- 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
- A61B5/72—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
-
- 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
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供了一种上肢运动异常的在线分析方法、装置、系统和存储介质,该方法包括:采集患者上肢运动时产生的肌电信号;对肌电信号进行特征提取,将提取的肌电特征进行组合作为训练特征;判断患者的上肢是否出现运动异常,将判断结果作为训练标签;将训练特征和训练标签共同输入机器学习分类器中,得到训练好的分类模型;利用训练好的分类模型判断患者上肢是否出现异常,将分类模型的输出作为最终的判断结果;将判断结果上传至服务器。本发明可以根据患者运动过程中上肢运动的情况,准确客观的分析出患者上肢运动过程中是否发生运动异常,可以将判断结果随时随地的进行上传,不受环境场所限制,进而便于医生根据分析结果为患者合理的治疗方案。
Description
技术领域
本发明涉及机器识别技术领域,具体涉及一种上肢运动异常的在线分析方法、装置、系统和存储介质。
背景技术
对于患有帕金森症状的患者,往往会表现出不同程度的运动障碍症状,例如肌肉僵直、运动迟缓和静止性性震颤。并且患者的上肢也会出现运动异常,医生通过让患者做出指定动作,并进行观察,得出患者运动行为是否有异常的结论。目前判断患者是否具有上肢运动异常的方法,需要具有一定的专业背景的医生,且每个医生的评价结论可能会不一致,具有一定的主观性,缺少客观性。医生需要随时对患者的运动状况进行和观察,需要花费大量的时间,且会增加医生的工作负担。
因此,如何为客观全面分析患者上肢是否出现运动异常,减轻医生与患者的诊治负担,成为了本领域技术人员亟待解决的技术问题和始终研究的重点。
发明内容
鉴于上述问题,本发明实施例一种上肢运动异常的在线分析方法及装置,解决现有的技术问题。
为解决上述技术问题,本发明提供以下技术方案:
第一方面,本发明提供一种上肢运动异常的在线分析方法,所述方法包括:
采集患者上肢运动时产生的肌电信号;
对肌电信号进行特征提取,将提取的肌电特征进行组合作为训练特征;
判断患者的上肢是否出现运动异常,将判断结果作为训练标签;
将训练特征和训练标签共同输入机器学习分类器中,得到训练好的分类模型;
利用训练好的分类模型判断患者上肢是否出现异常,将分类模型的输出作为最终的判断结果;
将判断结果上传至服务器。
一实施例中,所述对肌电信号进行特征提取包括:
利用巴特沃斯滤波器对肌电信号进滤波处理;
将滤波处理后的肌电信号中的负值全部转换为正值,得到矫正后的肌电信号;
为矫正后的肌电信号配置一固定长度的滑动时间窗,提取所有滑动时间窗每次滑动后滑动时间窗中心点的包络线的值,得到待特征提取的肌电信号;将待特征提取的肌电信号进行特征提取,得到肌电特征。
一实施例中,所述滑动时间窗中心点的包络线的值通过下式计算得出:
式中,Env为提取得到的包络线;N为滑动时间窗的长度;sEMG为矫正后的肌电信号。
一实施例中,所述将肌电特征进行组合的方法包括:
所述肌电特征包括:加权平方根wRMS、特征均值Avg、波形长度WL、过零率ZC、斜率变化值SSC、震颤峰值频率Peakf、峰值频率功率谱密度PSDf、中位振幅能量MDP、平均振幅能量MNP和频率比值FR;
通过下式得到第一肌电系数JD1
通过下式得到第二肌电系数JD2
通过下式得到第三肌电系数JD3
通过下式得到第四肌电系数JD4
JD4=FR×Peakf;
将第一肌电系数JD1、第二肌电系数JD2、第三肌电系数JD3和第四肌电系数JD4作为训练特征。
一实施例中,还包括:
在采集患者上肢运动时产生的肌电信号的同时采集患者上肢运动时产生的六轴信号;
在对肌电信号进行特征提取的同时对六轴信号进行特征提取;
将肌电特征的组合和六轴特征的组合同时作为训练特征进行分类模型的训练特征。
一实施例中,所述对六轴信号进行特征提取包括:
利用四元数计算六轴信号的三个方向的欧拉角eulerx,eulery,eulerz;
选取Y轴方向的欧拉角eulery作为特征提取的角度信号angle;
寻找角度信号angle所有极大值点对应的角度值anglepos和索引idxpos,以及角度信号angle所有极小值点对应的角度值angleneg和索引idxneg;
利用每一个极大值点的角度值anglepos减去在它之后出现的第一个极小值点的角度值angleneg,得到每次向后摆臂的摆臂幅度amplback;
利用每一个极大值点的角度值anglepos减去在它之前出现的第一个极小值点的角度值angleneg,得到每次向前摆臂的摆臂幅度amplfor;
剔除摆臂幅度中的异常数据,并将异常数据附近的两个极值点的角度和索引剔除;
根据剔除后剩余的数据进行特征提取,得到六轴特征。
一实施例中,所述将六轴特征进行组合的方法包括:
所述六轴特征包括:平均向前摆臂角度mAngfor、平均向后摆臂角度mAngback、平均向前摆臂幅度mAmplfor、平均向后摆臂幅度mAmplback、平均向前摆臂时间mTfor和平均向后摆臂时间mTback;
通过下式得到第一六轴系数LZ1
通过下式得到第二六轴系数LZ2
通过下式得到第三六轴系数LZ3
将第一六轴系数LZ1、第二六轴系数LZ2和第三六轴系数LZ3作为训练特征。
第二方面,本发明提供一种上肢运动异常的在线分析装置,该装置包括:
信号采集模块:用于采集患者上肢运动时产生的肌电信号;
训练特征生成模块:用于对肌电信号进行特征提取,将提取的肌电特征进行组合作为训练特征;
训练标签生成模块:用于判断患者的上肢是否出现运动异常,将判断结果作为训练标签;
模型训练模块:用于将训练特征和训练标签共同输入机器学习分类器中,得到训练好的分类模型;
模型判断模块:用于利用训练好的分类模型判断患者上肢是否出现异常,将分类模型的输出作为最终的判断结果;
数据上传模块:用于将判断结果上传至服务器。
一实施例中,所述对肌电信号进行特征提取包括:
利用巴特沃斯滤波器对肌电信号进滤波处理;
将滤波处理后的肌电信号中的负值全部转换为正值,得到矫正后的肌电信号;
为矫正后的肌电信号配置一固定长度的滑动时间窗,提取所有滑动时间窗每次滑动后滑动时间窗中心点的包络线的值,得到待特征提取的肌电信号;将待特征提取的肌电信号进行特征提取,得到肌电特征。
一实施例中,所述滑动时间窗中心点的包络线的值通过下式计算得出:
式中,Env为提取得到的包络线;N为滑动时间窗的长度;sEMG为矫正后的肌电信号。
一实施例中,将肌电特征进行组合的方法包括:
所述肌电特征包括:加权平方根wRMS、特征均值Avg、波形长度WL、过零率ZC、斜率变化值SSC、震颤峰值频率Peakf、峰值频率功率谱密度PSDf、中位振幅能量MDP、平均振幅能量MNP和频率比值FR;
通过下式得到第一肌电系数JD1
通过下式得到第二肌电系数JD2
通过下式得到第三肌电系数JD3
通过下式得到第四肌电系数JD4
JD4=FR×Peakf;
将第一肌电系数JD1、第二肌电系数JD2、第三肌电系数JD3和第四肌电系数JD4作为训练特征。
一实施例中,还包括:
在采集患者上肢运动时产生的肌电信号的同时采集患者上肢运动时产生的六轴信号;
在对肌电信号进行特征提取的同时对六轴信号进行特征提取;
将肌电特征的组合和六轴特征的组合同时作为训练特征进行分类模型的训练特征。
一实施例中,所述对六轴信号进行特征提取包括:
利用四元数计算六轴信号的三个方向的欧拉角eulerx,eulery,eulerz;
选取Y轴方向的欧拉角eulery作为特征提取的角度信号angle;
寻找角度信号angle所有极大值点对应的角度值anglepos和索引idxpos,以及角度信号angle所有极小值点对应的角度值angleneg和索引idxneg;
利用每一个极大值点的角度值anglepos减去在它之后出现的第一个极小值点的角度值angleneg,得到每次向后摆臂的摆臂幅度amplback;
利用每一个极大值点的角度值anglepos减去在它之前出现的第一个极小值点的角度值angleneg,得到每次向前摆臂的摆臂幅度amplfor;
剔除摆臂幅度中的异常数据,并将异常数据附近的两个极值点的角度和索引剔除;
根据剔除后剩余的数据进行特征提取,得到六轴特征。
一实施例中,所述将六轴特征进行组合的方法包括:
所述六轴特征包括:平均向前摆臂角度mAngfor、平均向后摆臂角度mAngback、平均向前摆臂幅度mAmplfor、平均向后摆臂幅度mAmplback、平均向前摆臂时间mTfor和平均向后摆臂时间mTback;
通过下式得到第一六轴系数LZ1
通过下式得到第二六轴系数LZ2
通过下式得到第三六轴系数LZ3
将第一六轴系数LZ1、第二六轴系数LZ2和第三六轴系数LZ3作为训练特征。
第三方面,本发明提供一种上肢运动异常的在线分析系统,所述系统包括:
肌电臂环、终端设备和服务器;
所述肌电臂环设有肌电采集电极、六轴传感器和通信模块;
所述肌电采集电极用于采集患者上肢运动时产生的肌电信号;
所述六轴传感器用于采集患者上肢运动时产生的六轴信号;
所述通信模块用于将肌电信号和六轴信号上传至终端设备;
所述服务器设有处理器、存储器和通信单元;
所述存储器用于存储程序和通过通信单元接收的来自终端设备的肌电信号和六轴信号,所述处理器调用存储器存储的程序,以执行第一方面提供的一种上肢运动异常的在线分析方法。
第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质包括程序,所述程序在被处理器执行时用于执行第一方面提供的一种上肢运动异常的在线分析方法。
从上述描述可知,本发明通过采集患者上肢运动时产生的肌电信号,并对提取的肌电信号进行组合作为训练特征;判断患者的上肢是否出现运动异常,将判断结果作为训练标签;将训练特征和训练标签共同输入机器学习分类器中训练模型;之后利用训练好的分类模型判断患者上肢是否出现异常,将分类模型的输出作为最终的判断结果,最后将判断结果上传至服务器。本发明可以根据患者运动过程中上肢运动的情况,准确客观的分析出患者上肢运动过程中是否发生运动异常,避免医生主观判断的误差,并将判断结果随时随地的进行上传,不受环境场所限制,降低医生的工作负担,便于医生根据分析结果为患者合理的治疗方案。
附图说明
图1所示为本发明提供的方法实施例的流程框图;
图2所示为本发明提供的方法实施例整体的流程示意图;
图3所示为本发明提供的装置实施例的结构示意图;
图4所示为本发明提供的系统实施例的结构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明白,以下结合附图及具体实施方式对本发明作进一步说明。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作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。
实施例一
本发明提供一种上肢运动异常的在线分析方法,请参阅图1并结合图2,由图2可知,本发明的总体思路如下:首先通过肌电臂环进行数据采集,然后对采集的数据进行特征提取,之后对提取的特征进行组合,再之后通过组合特征进行模型训练,通过训练好的的模型进行症状(上肢异常)的检测,在检测时会自动进行数据采集-特征提取-特征组合等步骤并作为训练好的模型的输入,最后通过训练好的模型输出结果。
具体地,本发明实施例提供的上肢运动异常的在线分析方法包括如下步骤:
S110:采集患者上肢运动时产生的肌电信号。
具体地,在采集数据时,需要在患者上肢佩戴肌电臂环,并作出特定的动作。特定动作包括“静止放松”、“姿势保持”、“指鼻试验”、“对指”、“抓握”、“轮替”、“强直”这7个动作,然后通过肌电臂环的肌电采集电极分别采集患者每个动作产生的肌电信号。
S120:对肌电信号进行特征提取,将提取的肌电特征进行组合作为训练特征。
具体地,在对肌电信号进行处理时,首先需要对肌电信号进行预处理。更为具体地,肌电信号预处理的过程具体如下:
首先,利用巴特沃斯滤波器对肌电信号进滤波处理。在利用巴特沃斯滤波器进行滤波时,优选用20Hz-200Hz的带通滤波,排除肌电信号中的高频干扰、低频干扰,避免引入错误点和冗余点对数据分析造成干扰,提高最终分析结果的准确性;
然后,将滤波处理后的肌电信号中的负值全部转换为正值,得到矫正后的肌电信号。通过此步骤可以将肌电信号中的负值全部转换为正值,完整的保留经过滤波处理后产生的肌电信号,提高数据的利用率以及完整性。
之后为矫正后的肌电信号配置一固定长度的滑动时间窗,提取所有滑动时间窗每次滑动后滑动时间窗中心点的包络线的值,得到待特征提取的肌电信号。具体地,基于矫正后的肌电信号配置一固定长度的滑动时间窗,滑动时间窗每滑动一次就计算一次滑动时间窗内所有矫正后的肌电信号的均方根,最后得到预处理过后的待特征提取的肌电信号。例如:滑动时间窗的长度可以设置为50,每次滑动一个数据长度都会计算时间窗内所有数据点的均方根,得到一个包络线的值,当滑动时间窗滑动完成后即可得到完整的包络线(即为待特征提取的肌电信号)。通过这种方法可以使得待处理的肌电信号更加平滑,能够更准确的提取肌电信号的特征数据。
其中,滑动时间窗中心点的包络线的值通过下式计算得出:
式中,Env为提取得到的包络线;N为滑动时间窗的长度;sEMG为矫正后的肌电信号;
最后,将待特征提取的肌电信号进行特征提取,得到肌电特征。
最终得到的肌电特征包括:加权平方根wRMS、特征均值Avg、波形长度WL、过零率ZC、斜率变化值SSC、震颤峰值频率Peakf、峰值频率功率谱密度PSDf、中位振幅能量MDP、平均振幅能量MNP和频率比值FR。
更为具体地,上述的加权平方根wRMS通过下式计算得出:
式中,N为数据长度,sEMG为预处理后得到的肌电信号。
特征均值Avg通过下式计算得出:
式中,N为数据长度。
波形长度WL即肌电信号sEMG的振幅的累计长度,并通过下式计算得出:
式中,N为数据长度。
过零率ZC即肌电信号sEMG值改变正负号的次数。其具体获取方法为:遍历整个肌电信号sEMG,若第i个值与第i+1个值的乘积小于0,则过零率ZC的值加1,直至遍历整段肌电信号sEMG。
斜率变化值SSC即肌电信号sEMG斜率符号变化次数。其具体获取方法为:计算肌电信号sEMG的一阶差分sEMGdiff,遍历sEMGdiff,若第i个值与第i+1个值的乘积小于0,则斜率变化值SSC的值加1,直至遍历整段肌电信号sEMG。
震颤峰值频率Peakf的获取方法为:计算肌电信号sEMG的功率谱,在频率大于0的范围内,找到频谱最大值对应的频率,作为震颤峰值频率Peakf;
峰值频率功率谱密度PSDf的获取方法为:计算电信号sEMG的功率谱密度,找到震颤峰值频率Peakf对应的功率谱密度值,作为峰值频率功率谱密度PSDf。
中位振幅能量MDP的获取方法为:计算电信号sEMG的功率谱密度,找到所有功率谱密度值的中位数,作为中位振幅能量MDP。
平均振幅能量MNP的获取方法为:计算电信号sEMG的功率谱密度,计算所有功率谱密度值的平均值,作为平均振幅能量。
频率比值FR的获取方法为:计算电信号sEMG的功率谱密度,再计算功率谱密度的最小值对应的频率,与功率谱密度的最大值对应的频率的比值,作为频率比值FR。
将肌电特征进行组合的方法为:
通过下式得到第一肌电系数JD1
式中,N为数据长度,fs为采样频率。
通过下式得到第二肌电系数JD2
通过下式得到第三肌电系数JD3
通过下式得到第四肌电系数JD4
JD4=FR×Peakf;
将第一肌电系数JD1、第二肌电系数JD2、第三肌电系数JD3和第四肌电系数JD4作为训练特征。
通过设置这10个肌电特征,可以全面、客观、精准的描述患者上肢的运动过程。通过将这10个肌电特征进行组合,一是可以减少分类模型的训练特征数量以及计算时间,提高训练速度;二是可以使特征更加精炼,提高检测准确率。
S130:判断患者的上肢是否出现运动异常,将判断结果作为训练标签。
具体地,训练标签需要人为标注,在患者做上述的7个指定动作时,由专业医生进行判断,最后将判断结果作为训练标签,这个过程仅在训练模型时进行。
S140:将训练特征和训练标签共同输入机器学习分类器中,得到训练好的分类模型。
具体地,机器学习分类器可以采用采用随机森林算法,当然也不排除其他能够训练并生成分类模型的其它算法。
S150:利用训练好的分类模型判断患者上肢是否出现异常,将分类模型的输出作为最终的判断结果。
具体地,患者在任意时间地点,根据提示做出指定的7个动作,并自动提取患者运动过程产生的肌电信号,并按照如上规则提取肌电信号的特征,并将提取得到的特征输入训练好的分类模型中,分类模型会自动按照既定规则判断患者是否出现异常的结果。
S160:将判断结果上传至服务器。
具体地,将分类模型输出的结果上传至服务器,便于远程会诊。例如:将分类模型输出的结果整理成表格的形式,作为患者上肢运动分析报告,上传至服务器,医生通过与服务器通信的客户端进行查看。
在本实施例中,提供了专业模式下的患者上肢运动异常判断方法,在此模式下,指定动作包含7个,佩戴的肌电臂环具有6个肌电信号采集通道,每个通道共采集上述的4个肌电参数,得到168个肌电系数,将这些肌电特征作为训练特征,与训练标签一起,采用随机森林算法,训练分类模型。得到分类模型后,患者在任意时间和任意地点,只需根据提示做出指定的7个动作,根据采集的数据(肌电信号)计算出特征(肌电系数),并输入到已经训练好的分类模型中,即可自动得到是否存在运动异常的结论。
实施例二
在实施例一的基础上,本实施例通过利用实施例一中的肌电信号并结合六轴信号,提供一种在居家模式下的患者上肢运动异常在线分析方法。居家模式与专业模式的不同在于:在居家模式下可以不做上述的7个指定动作,患者可以自由活动,在患者自由活动中分析患者上肢是否出现运动异常。具体地,在居家模式下与专业模式的区别在于:
在采集患者上肢运动时产生的肌电信号的同时采集患者上肢运动时产生的六轴信号。
在对肌电信号进行特征提取的同时对六轴信号进行特征提取。
将肌电特征的组合和六轴特征的组合同时作为训练特征进行分类模型的训练特征。
具体地,在居家模式下,采集数据时同样需要患者穿戴肌电臂环,此肌电臂环不仅可以采集肌电信号,也可以同步采集六轴信号,六轴信号可通过惯性传感器(六轴传感器)采集。肌电信号的预处理过程以及特征提取方法与实施例一中相同,在本实施例中首先需要对六轴信号进行预处理,得到有价值的数据,其预处理的具体步骤如下:
首先,利用四元数计算六轴信号的三个方向的欧拉角eulerx,eulery,eulerz;选取Y轴方向的欧拉角eulery作为特征提取的角度信号angle;寻找角度信号angle所有极大值点对应的角度值anglepos和索引idxpos,以及角度信号angle所有极小值点对应的角度值angleneg和索引idxneg;
然后,利用每一个极大值点的角度值anglepos减去在它之后出现的第一个极小值点的角度值angleneg,得到每次向后摆臂的摆臂幅度amplback;利用每一个极大值点的角度值anglepos减去在它之前出现的第一个极小值点的角度值angleneg,得到每次向前摆臂的摆臂幅度amplfor;
之后,剔除摆臂幅度中的异常数据,并将异常数据附近的两个极值点的角度和索引剔除。其具体的剔除方法为:将向后摆臂幅度amplback从小到大排列,找到80%分位数对应的摆臂幅度值,将其乘以3,得到阈值TH1;找到20%分位数对应的摆臂幅度值,将其除以3,得到阈值TH2;将大于阈值TH1和小于阈值TH2的摆臂幅度删除,并将决定每个摆臂幅度的两个极值点的角度值和索引删除。
最后,根据剔除后剩余的数据进行特征提取,得到六轴特征。提取得到的六轴特征包括:平均向前摆臂角度mAngfor、平均向后摆臂角度mAngback、平均向前摆臂幅度mAmplfor、平均向后摆臂幅度mAmplback、平均向前摆臂时间mTfor和平均向后摆臂时间mTback。
更为具体地,上述的平均向前摆臂角度mAngfor的获取方法为:计算所有摆臂角度值的极大值点anglepos的平均值,得到平均向前摆臂角度mAngfor。用公式表示为:
式中,N为极大值点的个数。
平均向后摆臂角度mAngback的获取方法为:计算所有摆臂角度值的极大值点angleneg的平均值,得到平均向前摆臂角度mAngback。用公式表示为:
式中,N为极小值点的个数。
平均向前摆臂幅度mAmplfor的获取方法为: 计算所有向前摆臂幅度amplfor的平均值,得到平均向前摆臂幅度mAmplfor,用公式表示为:
式中,N为向前摆臂次数。
平均向后摆臂幅度mAmplback的获取方法为: 计算所有向前摆臂幅度amplback的平均值,得到平均向前摆臂幅度mAmplback。用公式表示为:
式中,N为向后摆臂次数。
平均向前摆臂时间mTfor的获取方法为:用每次向前摆臂对应的极大值点的索引值,减去极小值点的索引值,结果除以采样率fs,得到向前摆臂时间,所有向前摆臂时间取平均值,得到平均向前摆臂时间mTfor。用公式表示为:
式中,N为向前摆臂次数;
平均向后摆臂时间mTback的获取方法为:用每次向后摆臂对应的极小值点的索引值,减去极大值点的索引值,结果除以采样率fs,得到向后摆臂时间,所有向后摆臂时间取平均值,得到平均向后摆臂时间mTback。用公式表示为:
式中,N为向后摆臂次数。
将六轴特征进行组合的方法为:
通过下式得到第一六轴系数LZ1
通过下式得到第二六轴系数LZ2
通过下式得到第三六轴系数LZ3
将第一六轴系数LZ1、第二六轴系数LZ2和第三六轴系数LZ3作为训练特征。
通过将这6个六轴特征进行组合,一是可以减少分类模型的训练特征数量以及计算时间,提高训练速度。二是可以使特征更加精炼,提高检测准确率。
在本实施例中,提供了居家模式下的患者上肢运动异常判断方法,在此模式下,无需做出指定动作,在患者自由活动时会采集24个肌电系数和3个六轴系数,共27个训练特征,与训练标签一起,采用随机森林算法,训练分类模型。得到分类模型后,患者在任意时间和任意地点随意走动,根据采集的数据(肌电信号和六轴信号)计算出特征(肌电系数和六轴系数),并输入到已经训练好的分类模型中,即可自动得到是否存在运动异常的结论。
综上所述,实施例一和实施例二均可应用于帕金森患者的诊疗中,根据患者运动过程中上肢运动的情况,准确客观的分析出患者上肢运动过程中是否发生运动异常,避免医生主观判断的误差,并将判断结果随时随地的进行上传,不受环境场所限制,降低医生的工作负担,便于医生根据分析结果为患者合理的治疗方案。
实施例三
基于同一发明构思,本申请实施例还提供了一种上肢运动异常的在线分析装置,可以用于实现上述实施例所描述的方法,如下面的实施例所述。由于装置解决问题的原理与方法相似,因此装置的实施可以参见方法实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本发明提供了一种上肢运动异常的在线分析装置,请参阅图2。在图2中,该装置包括:
信号采集模块210:用于采集患者上肢运动时产生的肌电信号;
训练特征生成模块220:用于对肌电信号进行特征提取,将提取的肌电进行组合特征作为训练特征;
训练标签生成模块230:用于判断患者的上肢是否出现运动异常,将判断结果作为训练标签;
模型训练模块240:用于将训练特征和训练标签共同输入机器学习分类器中,得到训练好的分类模型;
模型判断模块250:用于利用训练好的分类模型判断患者上肢是否出现异常,将分类模型的输出作为最终的判断结果;
数据上传模块260:用于将判断结果上传至服务器。
在本发明一实施例中,对肌电信号进行特征提取包括:
利用巴特沃斯滤波器对肌电信号进滤波处理;
将滤波处理后的肌电信号中的负值全部转换为正值,得到矫正后的肌电信号;
为矫正后的肌电信号配置一固定长度的滑动时间窗,提取所有滑动时间窗每次滑动后滑动时间窗中心点的包络线的值,得到待特征提取的肌电信号;
将待特征提取的肌电信号进行特征提取,得到肌电特征。
在本发明一实施例中,滑动时间窗中心点的包络线的值通过下式计算得出:
式中,Env为提取得到的包络线;N为滑动时间窗的长度;sEMG为矫正后的肌电信号。
在本发明一实施例中,将肌电特征进行组合的方法包括:
肌电特征包括:加权平方根wRMS、特征均值Avg、波形长度WL、过零率ZC、斜率变化值SSC、震颤峰值频率Peakf、峰值频率功率谱密度PSDf、中位振幅能量MDP、平均振幅能量MNP和频率比值FR;
通过下式得到第一肌电系数JD1
通过下式得到第二肌电系数JD2
通过下式得到第三肌电系数JD3
通过下式得到第四肌电系数JD4
JD4=FR×Peakf;
将第一肌电系数JD1、第二肌电系数JD2、第三肌电系数JD3和第四肌电系数JD4作为训练特征。
在本发明一实施例中,还包括:
在采集患者上肢运动时产生的肌电信号的同时采集患者上肢运动时产生的六轴信号;
在对肌电信号进行特征提取的同时对六轴信号进行特征提取;
将肌电特征的组合和六轴特征的组合同时作为训练特征进行分类模型的训练特征。
在本发明一实施例中,对六轴信号进行特征提取包括:
利用四元数计算六轴信号的三个方向的欧拉角eulerx,eulery,eulerz;
选取Y轴方向的欧拉角eulery作为特征提取的角度信号angle;
寻找角度信号angle所有极大值点对应的角度值anglepos和索引idxpos,以及角度信号angle所有极小值点对应的角度值angleneg和索引idxneg;
利用每一个极大值点的角度值anglepos减去在它之后出现的第一个极小值点的角度值angleneg,得到每次向后摆臂的摆臂幅度amplback;
利用每一个极大值点的角度值anglepos减去在它之前出现的第一个极小值点的角度值angleneg,得到每次向前摆臂的摆臂幅度amplfor;
剔除摆臂幅度中的异常数据,并将异常数据附近的两个极值点的角度和索引剔除;
根据剔除后剩余的数据进行特征提取,得到六轴特征。
在本发明一实施例中,将六轴特征进行组合的方法包括:
六轴特征包括:平均向前摆臂角度mAngfor、平均向后摆臂角度mAngback、平均向前摆臂幅度mAmplfor、平均向后摆臂幅度mAmplback、平均向前摆臂时间mTfor和平均向后摆臂时间mTback;
通过下式得到第一六轴系数LZ1
通过下式得到第二六轴系数LZ2
通过下式得到第三六轴系数LZ3
将第一六轴系数LZ1、第二六轴系数LZ2和第三六轴系数LZ3作为训练特征。
实施例四
本申请的实施例还提供能够实现上述实施例中的方法中全部步骤的一种上肢运动异常的在线分析系统的具体实施方式,请参阅图2。该系统包括:
肌电臂环100、终端设备200和服务器300;
肌电臂环100设有肌电采集电极、六轴传感器和通信模块;
肌电采集电极用于采集患者上肢运动时产生的肌电信号;
六轴传感器用于采集患者上肢运动时产生的六轴信号;
通信模块用于将肌电信号和六轴信号上传至终端设备200;
服务器300设有处理器310、存储器320和通信单元330;
存储器320用于存储程序和通过通信单元330接收的来自终端设备200的肌电信号和六轴信号,所述处理器310调用存储器320存储的程序,以实现上述实施例中的一种上肢运动异常的在线分析方法中的全部步骤。
需要说明的是,处理器310、存储器320、通信单元330通过总线340完成相互间的通信。
本领域普通技术人员应理解:存储器320包括但不限于采用随机存取存储器(Random Access Memory,简称:RAM),只读存储器(Read Only Memory,简称:ROM),可编程只读存储器(Programmable Read-OnlyMemory,简称:PROM),可擦除只读存储器(ErasableProgrammable Read-Only Memory,简称:EPROM),电可擦除只读存储器(ElectricErasable Programmable Read-Only Memory,简称:EEPROM)等。其中,存储器320用于存储程序,处理器310在接收到执行指令后,执行程序。进一步地,上述存储器320内的软件程序以及模块还可包括操作系统,其可包括各种用于管理系统任务(例如内存管理、存储设备控制、电源管理等)的软件组件和/或驱动,并可与各种硬件或软件组件相互通信,从而提供其他软件组件的运行环境。
处理器310可以是一种集成电路芯片,具有信号的处理能力。上述的处理器310可以是通用处理器,包括中央处理器(Central Processing Unit,简称:CPU)、网络处理器(NetworkProcessor,简称:NP)等。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
实施例五
本申请还提供一种计算机可读存储介质,所述计算机可读存储介质包括程序,所述程序在被处理器执行时用于执行前述任一方法实施例提供的方法。
本领域普通技术人员应理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质,具体的介质类型本申请不做限制。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (8)
1.一种上肢运动异常的在线分析方法,其特征在于,所述方法包括:
采集患者上肢运动时产生的肌电信号;
对肌电信号进行特征提取,将提取的肌电特征进行组合作为训练特征;
所述对肌电信号进行特征提取包括:
利用巴特沃斯滤波器对肌电信号进滤波处理;
将滤波处理后的肌电信号中的负值全部转换为正值,得到矫正后的肌电信号;
为矫正后的肌电信号配置一固定长度的滑动时间窗,提取所有滑动时间窗每次滑动后滑动时间窗中心点的包络线的值,得到待特征提取的肌电信号;
将待特征提取的肌电信号进行特征提取,得到肌电特征;
将所述肌电特征进行组合的方法包括:
所述肌电特征包括:加权平方根wRMS、特征均值Avg、波形长度WL、过零率ZC、斜率变化值SSC、震颤峰值频率Peakf、峰值频率功率谱密度PSDf、中位振幅能量MDP、平均振幅能量MNP和频率比值FR;
通过下式得到第一肌电系数JD1
式中,N为数据长度,fs为采样频率;
通过下式得到第二肌电系数JD2
式中,N为数据长度,fs为采样频率;
通过下式得到第三肌电系数JD3
通过下式得到第四肌电系数JD4
JD4=FR×Peakf;
将第一肌电系数JD1、第二肌电系数JD2、第三肌电系数JD3和第四肌电系数JD4作为训练特征;
判断患者的上肢是否出现运动异常,将判断结果作为训练标签;
将训练特征和训练标签共同输入机器学习分类器中,得到训练好的分类模型;
利用训练好的分类模型判断患者上肢是否出现异常,将分类模型的输出作为最终的判断结果;
将判断结果上传至服务器。
2.如权利要求1所述的一种上肢运动异常的在线分析方法,其特征在于,所述滑动时间窗中心点的包络线的值通过下式计算得出:
式中,Env为提取得到的包络线;N为滑动时间窗的长度;sEMG为矫正后的肌电信号。
3.如权利要求2所述的一种上肢运动异常的在线分析方法,其特征在于,还包括:
在采集患者上肢运动时产生的肌电信号的同时采集患者上肢运动时产生的六轴信号;
在对肌电信号进行特征提取的同时对六轴信号进行特征提取;
将肌电特征的组合和六轴特征的组合同时作为训练特征进行分类模型的训练特征。
4.如权利要求3所述的一种上肢运动异常的在线分析方法,其特征在于,所述对六轴信号进行特征提取包括:
利用四元数计算六轴信号的三个方向的欧拉角eulerx,eulery,eulerz;
选取Y轴方向的欧拉角eulery作为特征提取的角度信号angle;
寻找角度信号angle所有极大值点对应的角度值anglepos和索引idxpos,以及角度信号angle所有极小值点对应的角度值angleneg和索引idxneg;
利用每一个极大值点的角度值anglepos减去在它之后出现的第一个极小值点的角度值angleneg,得到每次向后摆臂的摆臂幅度amplback;
利用每一个极大值点的角度值anglepos减去在它之前出现的第一个极小值点的角度值angleneg,得到每次向前摆臂的摆臂幅度amplfor;
剔除摆臂幅度中的异常数据,并将异常数据附近的两个极值点的角度和索引剔除;
根据剔除后剩余的数据进行特征提取,得到六轴特征。
5.如权利要求4所述的一种上肢运动异常的在线分析方法,其特征在于,将所述六轴特征进行组合的方法包括:
所述六轴特征包括:平均向前摆臂角度mAngfor、平均向后摆臂角度mAngback、平均向前摆臂幅度mAmplfor、平均向后摆臂幅度mAmplback、平均向前摆臂时间mTfor和平均向后摆臂时间mTback;
通过下式得到第一六轴系数LZ1
通过下式得到第二六轴系数LZ2
通过下式得到第三六轴系数LZ3
将第一六轴系数LZ1、第二肌六轴数LZ2和第三六轴系数LZ3作为训练特征。
6.一种上肢运动异常的在线分析装置,其特征在于,所述装置包括:
信号采集模块:用于采集患者上肢运动时产生的肌电信号;
训练特征生成模块:用于对肌电信号进行特征提取,将提取的肌电特征进行组合作为训练特征;
所述对肌电信号进行特征提取包括:
利用巴特沃斯滤波器对肌电信号进滤波处理;
将滤波处理后的肌电信号中的负值全部转换为正值,得到矫正后的肌电信号;
为矫正后的肌电信号配置一固定长度的滑动时间窗,提取所有滑动时间窗每次滑动后滑动时间窗中心点的包络线的值,得到待特征提取的肌电信号;
将待特征提取的肌电信号进行特征提取,得到肌电特征;
将所述肌电特征进行组合的方法包括:
所述肌电特征包括:加权平方根wRMS、特征均值Avg、波形长度WL、过零率ZC、斜率变化值SSC、震颤峰值频率Peakf、峰值频率功率谱密度PSDf、中位振幅能量MDP、平均振幅能量MNP和频率比值FR;
通过下式得到第一肌电系数JD1
通过下式得到第二肌电系数JD2
通过下式得到第三肌电系数JD3
通过下式得到第四肌电系数JD4
JD4=FR×Peakf;
将第一肌电系数JD1、第二肌电系数JD2、第三肌电系数JD3和第四肌电系数JD4作为训练特征;训练标签生成模块:用于判断患者的上肢是否出现运动异常,将判断结果作为训练标签;
模型训练模块:用于将训练特征和训练标签共同输入机器学习分类器中,得到训练好的分类模型;
模型判断模块:用于利用训练好的分类模型判断患者上肢是否出现异常,将分类模型的输出作为最终的判断结果;
数据上传模块:用于将判断结果上传至服务器。
7.一种上肢运动异常的在线分析系统,其特征在于,所述系统包括:
肌电臂环、终端设备和服务器;
所述肌电臂环设有肌电采集电极、六轴传感器和通信模块;
所述肌电采集电极用于采集患者上肢运动时产生的肌电信号;
所述六轴传感器用于采集患者上肢运动时产生的六轴信号;
所述通信模块用于将肌电信号和六轴信号上传至终端设备;
所述服务器设有处理器、存储器和通信单元;
所述存储器用于存储程序和通过通信单元接收的来自终端设备的肌电信号和六轴信号,所述处理器调用存储器存储的程序,以执行权利要求1至5任一项所述的一种上肢运动异常的在线分析方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括程序,所述程序在被处理器执行时用于执行权利要求1至5任一项所述的一种上肢运动异常的在线分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310141128.9A CN116211289B (zh) | 2023-02-16 | 2023-02-16 | 上肢运动异常的在线分析方法、装置、系统和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310141128.9A CN116211289B (zh) | 2023-02-16 | 2023-02-16 | 上肢运动异常的在线分析方法、装置、系统和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116211289A CN116211289A (zh) | 2023-06-06 |
CN116211289B true CN116211289B (zh) | 2023-08-25 |
Family
ID=86570945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310141128.9A Active CN116211289B (zh) | 2023-02-16 | 2023-02-16 | 上肢运动异常的在线分析方法、装置、系统和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116211289B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018015405A (ja) * | 2016-07-29 | 2018-02-01 | 日本電信電話株式会社 | 筋活動解析装置、方法およびプログラム |
JP2019030520A (ja) * | 2017-08-08 | 2019-02-28 | 日本電信電話株式会社 | 筋電計測装置、方法及びプログラム |
CN110238863A (zh) * | 2019-06-17 | 2019-09-17 | 北京国润健康医学投资有限公司 | 基于脑电-肌电信号的下肢康复机器人控制方法及系统 |
CN113059570A (zh) * | 2021-04-09 | 2021-07-02 | 华南理工大学 | 基于人体动态臂力估计模型的人-机器人协同控制方法 |
CN113157095A (zh) * | 2021-04-23 | 2021-07-23 | 上海交通大学 | 基于表面肌电信号的嵌入式实时自适应控制方法和系统 |
WO2022012364A1 (zh) * | 2020-07-15 | 2022-01-20 | 京东科技信息技术有限公司 | 肌电信号处理、外骨骼机器人控制方法及装置 |
CN114881079A (zh) * | 2022-05-11 | 2022-08-09 | 北京大学 | 面向穿戴式传感器的人体运动意图异常检测方法及系统 |
CN115105062A (zh) * | 2022-08-29 | 2022-09-27 | 中国科学院自动化研究所 | 髋膝关节协调性评估方法、装置、系统和存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013151770A1 (en) * | 2012-04-03 | 2013-10-10 | Carnegie Mellon University | Musculoskeletal activity recognition system and method |
US20220062096A1 (en) * | 2018-09-11 | 2022-03-03 | Encora, Inc. | Apparatus and Method for Reduction of Neurological Movement Disorder Symptoms Using Wearable Device |
-
2023
- 2023-02-16 CN CN202310141128.9A patent/CN116211289B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018015405A (ja) * | 2016-07-29 | 2018-02-01 | 日本電信電話株式会社 | 筋活動解析装置、方法およびプログラム |
JP2019030520A (ja) * | 2017-08-08 | 2019-02-28 | 日本電信電話株式会社 | 筋電計測装置、方法及びプログラム |
CN110238863A (zh) * | 2019-06-17 | 2019-09-17 | 北京国润健康医学投资有限公司 | 基于脑电-肌电信号的下肢康复机器人控制方法及系统 |
WO2022012364A1 (zh) * | 2020-07-15 | 2022-01-20 | 京东科技信息技术有限公司 | 肌电信号处理、外骨骼机器人控制方法及装置 |
CN113059570A (zh) * | 2021-04-09 | 2021-07-02 | 华南理工大学 | 基于人体动态臂力估计模型的人-机器人协同控制方法 |
CN113157095A (zh) * | 2021-04-23 | 2021-07-23 | 上海交通大学 | 基于表面肌电信号的嵌入式实时自适应控制方法和系统 |
CN114881079A (zh) * | 2022-05-11 | 2022-08-09 | 北京大学 | 面向穿戴式传感器的人体运动意图异常检测方法及系统 |
CN115105062A (zh) * | 2022-08-29 | 2022-09-27 | 中国科学院自动化研究所 | 髋膝关节协调性评估方法、装置、系统和存储介质 |
Non-Patent Citations (1)
Title |
---|
基于sEMG性别差异性手势识别与灵巧手仿真;雷建超;《中国优秀硕士学位论文全文数据库》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116211289A (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11529103B2 (en) | Artificial intelligence self-learning-based automatic electrocardiography analysis method and apparatus | |
CN107951485A (zh) | 基于人工智能自学习的动态心电图分析方法和装置 | |
CN111544015B (zh) | 基于认知力的操控工效分析方法、设备及系统 | |
US10368792B2 (en) | Method for detecting deception and predicting interviewer accuracy in investigative interviewing using interviewer, interviewee and dyadic physiological and behavioral measurements | |
CN111553617B (zh) | 基于虚拟场景中认知力的操控工效分析方法、设备及系统 | |
CN111598451B (zh) | 基于任务执行能力的操控工效分析方法、设备及系统 | |
CN106815570A (zh) | 一种基于动态模式识别的心电信号st‑t段识别方法 | |
CN111956208B (zh) | 一种基于超轻量级卷积神经网络的ecg信号分类方法 | |
CN106667436A (zh) | 一种睡眠诊断方法及系统 | |
CN111553618A (zh) | 操控工效分析方法、设备及系统 | |
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 | |
CN111345814B (zh) | 一种心电信号中心拍的分析方法、装置、设备和存储介质 | |
CN117690583B (zh) | 基于物联网的康复护理交互式管理系统及方法 | |
Papadogiorgaki et al. | Heart rate classification using ECG signal processing and machine learning methods | |
CN116211289B (zh) | 上肢运动异常的在线分析方法、装置、系统和存储介质 | |
Dubey et al. | A neural network approach for ECG classification | |
CN109431499B (zh) | 植物人家庭看护辅助系统和辅助方法 | |
CN108877931B (zh) | 肩关节康复评价方法、装置及系统 | |
CN114742090B (zh) | 一种基于精神疲劳监测的驾驶舱人机交互系统 | |
CN115607167A (zh) | 一种轻量化的模型训练方法、房颤检测方法、装置及系统 | |
Saadi et al. | Low-cost ecg monitoring system with classification using deep learning | |
Ay et al. | Real-time feature extraction of ECG signals using NI LabVIEW | |
CN111274953B (zh) | 一种根据表情判断疼痛的方法及系统 | |
CN114343664A (zh) | 一种基于心率刺激-恢复趋势的心肺耐力评估方法与装置 | |
Murthy et al. | Design and implementation of hybrid techniques and DA-based reconfigurable FIR filter design for noise removal in EEG signals on FPGA |
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 |