CN116807457A - 一种基于单肌电传感器的步态事件检测方法及系统 - Google Patents
一种基于单肌电传感器的步态事件检测方法及系统 Download PDFInfo
- Publication number
- CN116807457A CN116807457A CN202310799149.XA CN202310799149A CN116807457A CN 116807457 A CN116807457 A CN 116807457A CN 202310799149 A CN202310799149 A CN 202310799149A CN 116807457 A CN116807457 A CN 116807457A
- Authority
- CN
- China
- Prior art keywords
- myoelectric
- rms
- gait
- value
- electromyographic signals
- 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.)
- Pending
Links
- 230000005021 gait Effects 0.000 title claims abstract description 69
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 230000003183 myoelectrical effect Effects 0.000 claims abstract description 58
- 210000003314 quadriceps muscle Anatomy 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000012958 reprocessing Methods 0.000 claims abstract description 11
- 238000009499 grossing Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 210000003141 lower extremity Anatomy 0.000 abstract description 12
- 230000006870 function Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000003319 supportive effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 206010019468 Hemiplegia Diseases 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 206010061296 Motor dysfunction Diseases 0.000 description 1
- 208000028389 Nerve injury Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004899 motility Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000008764 nerve damage Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于单肌电传感器的步态事件检测方法,应用于步态检测技术领域,采集股直肌的肌电信号,并对肌电信号进行预处理;对预处理后的肌电信号进行RMS特征提取,得到RMS特征组;将RMS特征组进行平滑处理,并计算所有极值点;根据极值点判断是否为极大值点,若是,则进入触发条件判断,若否,则返回继续采集肌电信号并重新处理;利用极大值和极小值的数值差与判断阈值比较,进行触发条件判断,若满足,则输出触发时刻对应的信号,若不满足返回继续采集肌电信号并重新处理。通过本发明能够准确检测支撑中期步态事件,得到其他步态参数,将该事件时刻实时发送给下肢外骨骼机器人,能够根据接收到的步态参数做出相应的控制调整。
Description
技术领域
本发明涉及步态检测技术领域,更具体的说是涉及一种基于单肌电传感器的步态事件检测方法及系统。
背景技术
偏瘫是一种由神经损伤引起的运动功能障碍。偏瘫患者的临床治疗主要是由康复治疗师指导下,一对一的康复治疗。这种方式费时,成本高。因此,迫切需要一种新的、高效的康复疗法来弥补传统康复训练的不足。康复外骨骼机器人将机器人技术与康复医学结合,可以使康复治疗师摆脱主要的体力劳动,并为病人制定更好的康复方案,提高康复效果。
康复训练有主动和被动两种模式。研究表明,主动康复模式比被动康复模式具备更有效的康复效果。因此,提取患者运动意图,并融入到康复外骨骼机器人中是一种有效提高患者主观能动性,实现更高效康复的技术。
康复训练行走过程中的步态包含了大量人体运动学信息。步态具有周期性和规律性,行走中每个步态周期都包含了一系列足姿位的转移。依据典型足姿位的变化可以将步态划分为一系列的相位。人体走路过程中的步态周期可以描述为,一侧脚跟着地到该腿脚跟再次着地的过程。一个步态周期可以分为两个阶段,支撑相和摆动相。支撑相从脚跟着地开始,到脚尖离地结束。摆动相从脚尖离地开始到脚跟触地结束。支撑相约占步态周期的60%,摆动相约占步态周期的40%。支撑相可细分为4个步态相位,分别是支撑初期、支撑中期、支撑后期、预摆动期。
准确地检测到步态各个时段相位并发送给下肢外骨骼康复机器人。外骨骼康复机器人就能够根据步态时段做出相应的控制决策。现阶段实现下肢运动意图识别的方法主要有两种,一种是利用人体生物电信号来识别人体运动意图,例如肌电或脑电;一种是检测人机交互力来识别人体运动意图。对于步态事件意图检测而言,常用的传感器有肌电、足底压力、IMU等。
肌电信号是肌肉运动和神经运动的综合结果。表面肌电信号(sEMG)包含了丰富的人体运动信息,这些信息包括关节运动的动作模式、动作大小等,且其采集过程对人体是方便无害的。但是对于下肢外骨骼机器人而言,患者的腿需要和外骨骼绑在一起。这些绑带占据了不少的空间,影响了肌电传感器的粘贴。越多的肌电传感器能带来更准确的意图估计结果,但传感器的粘贴面临更复杂的难题。
进一步,现有基于肌电的步态事件检测方法存在计算复杂和泛化能力不足的问题。虽然越多的肌电传感器能够检测到更多的意图,但也会带来传感器安装的复杂性和算法处理的复杂度。采用人工智能的方法确实能够提高检测的准确性,但存在泛化能力不足的问题。不同个体的肌电信号有差异,同一种AI模型不能准确的适用于其他个体。
针对现有技术存在的问题,本发明提出一种基于单肌电传感器的步态事件检测方法及系统,通过单个肌电传感器识别出支撑中期阶段,进而得到步态频率和迈步时间参数。然后,将步态频率和迈步时间发送给下肢外骨骼机器人。下肢外骨骼机器人就能根据步态频率和迈步时间改变机器人的运动状态,实现主动按需康复。
发明内容
有鉴于此,本发明提供了一种基于单肌电传感器的步态事件检测方法及系统,以解决背景技术中的问题。
为了实现上述目的,本发明提供如下技术方案:
一方面,本发明公开了一种基于单肌电传感器的步态事件检测方法,具体步骤如下:
采集股直肌的肌电信号,并对所述肌电信号进行预处理;
对预处理后的所述肌电信号进行RMS特征提取,得到RMS特征组;
将所述RMS特征组进行平滑处理,并计算所有极值点;
根据极值点判断是否为极大值点,若是,则进入触发条件判断,若否,则返回继续采集肌电信号并重新处理;
利用极大值和极小值的数值差与判断阈值比较,进行触发条件判断,若满足,则输出触发时刻对应的信号,若不满足返回继续采集肌电信号并重新处理。
优选的,在上述的一种基于单肌电传感器的步态事件检测方法中,还包括:终止指令,当检测到终止指令时,停止程序运行,否则返回到开始,继续采集肌电信号并进行处理。
优选的,在上述的一种基于单肌电传感器的步态事件检测方法中,所述触发时刻为对应步态相位中的支撑中期。
优选的,在上述的一种基于单肌电传感器的步态事件检测方法中,采集股直肌的肌电信号,并对所述肌电信号进行预处理具体步骤如下:将肌电传感器粘贴于股直肌的肌腹中心,获取肌电信号,对肌电信号进行的预处理包括:使用4阶的Butterworth带通滤波器对采集到的肌电信号进行20-500Hz的带通滤波;然后使用50Hz的陷波滤波器对肌电信号进行处理。
优选的,在上述的一种基于单肌电传感器的步态事件检测方法中,RMS特征值提取具体步骤如下:按照固定步长对肌电信号进行分窗处理,提取每个窗口肌电信号的RMS特征值,计算公式如下:
其中xi,pre为第i个预处理后的采样点数值,N为一个窗口肌电数据样本总数量,xt,rms为第t个窗口窗口对应的RMS特征值。
优选的,在上述的一种基于单肌电传感器的步态事件检测方法中,使用WMA对RMS特征组进行平滑处理,计算公式如下:
其中,ωt是t时间戳rms特征值的权重数值,每个RMS特征值都有相同的权重数值,ω=1/γ,γ为权重倒数。
优选的,在上述的一种基于单肌电传感器的步态事件检测方法中,当检测到最新检测到的极值点为极大值点,进行触发条件判断,触发条件如下:
其中,smax[-1]表示最新检测到的极大值点数值,smin[-1]表示最新检测到的极小值点数值,smax[-2]表示上一个检测到的极大值点数值,β为判断阈值。
另一方面,一种基于单肌电传感器的步态事件检测系统,包括:
采集及预处理模块,用于采集股直肌的肌电信号,并对所述肌电信号进行预处理;
特征提取模块,对预处理后的所述肌电信号进行RMS特征提取,得到RMS特征组;
平滑处理及计算模块,将所述RMS特征组进行平滑处理,并计算所有极值点;
第一判断模块,根据极值点判断是否为极大值点,若是,则进入触发条件判断,若否,则返回继续采集肌电信号并重新处理;
第二判断模块,利用极大值和极小值的数值差与判断阈值比较,进行触发条件判断,若满足,则输出触发时刻对应的信号,若不满足返回继续采集肌电信号并重新处理。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于单肌电传感器的步态事件检测方法及系统,仅使用单个肌电传感器就能实现步态事件意图的检测,通过本发明能够准确检测支撑中期步态事件,进而得到一些其他步态参数,将该事件时刻实时发送给下肢外骨骼机器人,下肢外骨骼机器人就能够根据接收到的步态参数做出相应的控制调整。
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,下面将对实施例或现有技术描述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的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明的方法流程图;
图2为本发明的系统框图。
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。
需要了解的是:用单个肌电传感器准确的检测到股直肌最大的峰值点,进而得到每个峰值点对应的时刻。相邻最大峰值点时刻的差为迈步时间,进而可以根据迈步时间获得步态频率。
本发明实施例公开了一种基于单肌电传感器的步态事件检测方法,如图1所示,具体步骤如下:
采集股直肌的肌电信号,并对所述肌电信号进行预处理;
对预处理后的所述肌电信号进行RMS特征提取,得到RMS特征组;
将所述RMS特征组进行平滑处理,并计算所有极值点;
根据极值点判断是否为极大值点,若是,则进入触发条件判断,若否,则返回继续采集肌电信号并重新处理;
利用极大值和极小值的数值差与判断阈值比较,进行触发条件判断,若满足,则输出触发时刻对应的信号,若不满足返回继续采集肌电信号并重新处理。
具体地,采集股直肌的肌电信号。将Delsys设备的肌电传感器粘贴于股直肌的肌腹中心。对肌电信号进行的预处理包括:使用4阶的Butterworth带通滤波器对采集到的肌电信号进行20-500Hz的带通滤波;使用50hz的陷波滤波器对肌电信号进行处理,以去除电源引起的50hz工频干扰。
在本实施例中,按照100ms对肌电信号进行分窗处理,然后提取每个窗口肌电信号的RMS特征值,计算公式如下:
其中xi,pre为第i个预处理后的采样点数值,N为一个窗口肌电数据样本总数量,xt,rms为该窗口对应的RMS特征值。Delsys设备的肌电传感器的采样频率为2000Hz,这里N取200。RMS特征反映了肌电信号幅值的时变特性,具有低延时和高实时性。RMS将肌电信号建模为高斯随机过程,并提供恒定力和无疲劳收缩振幅的最大似然估计。
(3)使用WMA对RMS特征组进行平滑处理,计算公式如下:
其中,ωt是t时间戳rms特征值的权重数值,每个RMS特征值都有相同的权重数值,ω=1/γ,γ为权重倒数,γ值越大,则使用WMA平滑的曲线越平滑。这里,取γ=8.
在本实施例中,求取所有极值点,使用Scipy库中的Argrelextrema函数求得所有的极值点。该函数为常用求极值点的函数。使用Argrelextrema函数实时处理平滑处理后的肌电数据。
在本实施例中,触发条件判断:当检测到最新检测到的极值点为极大值点,则进入触发条件判断环节,否则返回到开始,继续采集肌电信号并进行处理。
在本实施例中,当检测到最新检测到的极值点为极大值点,进行触发条件判断,触发条件如下:
其中,smax[-1]表示最新检测到的极大值点数值,smin[-1]表示最新检测到的极小值点数值,smax[-2]表示上一个检测到的极大值点数值,β为判断阈值。
在本实施例中,若最大极值点数值不满足触发条件,则返回到开始,继续采集肌电信号并进行处理。若最大极值点数值满足触发条件,则发送触发时刻信号给下肢康复外骨骼机器人。
通过实验得到不同的个体具有不同的β值。一般而言,β=0.4。
该方法没有使用深度学习等方法,不需要训练,泛化性高。当用于不同个体时,只需要调整判断阈值β。
在本实施例中,当检测到程序终止指令时,即停止程序运行,否则返回到开始,继续采集肌电信号并进行处理。
进一步,触发时刻,即对应步态相位中的支撑中期。通过准确检测到支撑中期时刻,就能够推导步态参数。
Tn=tn-tn-1;
Tn为第n次步态迈步时间,tn为第n次步态支撑中期发生的时间点,tn-1为第n-1次步态支撑中期发生的时间点,相邻两次步态支撑中期发生的时间间隔即为迈步时间。
步态频率为一分钟内跑过的步数:
ωn=60/Tn;
ωn为第n次步态频率。
进一步,这些步态参数反应了人体的步态意图信息,下肢外骨骼机器人就能够根据这些步态意图信息实时调整康复策略。
例如,检测到步态频率加快,下肢外骨骼机器人实时提高外骨骼机器人的步态频率,以达到同步适配效果;检测到步态频率减慢,下肢外骨骼机器人实时减少外骨骼机器人的步态频率,通过保证外骨骼与人体的同步性,提高穿戴舒适性;
同样的,也可以做出相反的调整,检测到步态频率加快,下肢外骨骼机器人实时减少步态频率,增大康复运动阻力,让患者感觉到愈加困难,
激发患者的运动意愿。
另一方面,本发明的另一实施例公开了一种基于单肌电传感器的步态事件检测系统,如图2所示,包括:
采集及预处理模块,用于采集股直肌的肌电信号,并对所述肌电信号进行预处理;
特征提取模块,对预处理后的所述肌电信号进行RMS特征提取,得到RMS特征组;
平滑处理及计算模块,将所述RMS特征组进行平滑处理,并计算所有极值点;
第一判断模块,根据极值点判断是否为极大值点,若是,则进入触发条件判断,若否,则返回继续采集肌电信号并重新处理;
第二判断模块,利用极大值和极小值的数值差与判断阈值比较,进行触发条件判断,若满足,则输出触发时刻对应的信号,若不满足返回继续采集肌电信号并重新处理。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于单肌电传感器的步态事件检测方法,其特征在于,具体步骤如下:
采集股直肌的肌电信号,并对所述肌电信号进行预处理;
对预处理后的所述肌电信号进行RMS特征值提取,得到RMS特征组;
将所述RMS特征组进行平滑处理,并计算所有极值点;
根据极值点判断是否为极大值点,若是,则进入触发条件判断,若否,则返回继续采集肌电信号并重新处理;
利用极大值和极小值的数值差与判断阈值比较,进行触发条件判断,若满足,则输出触发时刻对应的信号,若不满足返回继续采集肌电信号并重新处理。
2.根据权利要求1所述的一种基于单肌电传感器的步态事件检测方法,其特征在于,还包括:终止指令,当检测到终止指令时,停止程序运行,否则返回到开始,继续采集肌电信号并进行处理。
3.根据权利要求1所述的一种基于单肌电传感器的步态事件检测方法,其特征在于,所述触发时刻为对应步态相位中的支撑中期。
4.根据权利要求1所述的一种基于单肌电传感器的步态事件检测方法,其特征在于,采集股直肌的肌电信号,并对所述肌电信号进行预处理具体步骤如下:将肌电传感器粘贴于股直肌的肌腹中心,获取肌电信号,对肌电信号进行的预处理包括:使用4阶的Butterworth带通滤波器对采集到的肌电信号进行20-500Hz的带通滤波;然后使用50Hz的陷波滤波器对肌电信号进行处理。
5.根据权利要求1所述的一种基于单肌电传感器的步态事件检测方法,其特征在于,RMS特征值提取具体步骤如下:按照固定步长对肌电信号进行分窗处理,提取每个窗口肌电信号的RMS特征值,计算公式如下:
其中xi,pre为第i个预处理后的采样点数值,N为一个窗口肌电数据样本总数量,xt,rms为第t个窗口窗口对应的RMS特征值。
6.根据权利要求5所述的一种基于单肌电传感器的步态事件检测方法,其特征在于,使用WMA对RMS特征组进行平滑处理,计算公式如下:
其中,ωt是t时间戳rms特征值的权重数值,每个RMS特征值都有相同的权重数值,ω=1/γ,γ为权重倒数。
7.根据权利要求1所述的一种基于单肌电传感器的步态事件检测方法,其特征在于,当检测到最新检测到的极值点为极大值点,进行触发条件判断,触发条件如下:
其中,smax[-1]表示最新检测到的极大值点数值,smin[-1]表示最新检测到的极小值点数值,smax[-2]表示上一个检测到的极大值点数值,β为判断阈值。
8.一种基于单肌电传感器的步态事件检测系统,采用如权利要求1-7任一项所述的基于单肌电传感器的步态事件检测方法,其特征在于,包括:
采集及预处理模块,用于采集股直肌的肌电信号,并对所述肌电信号进行预处理;
特征提取模块,对预处理后的所述肌电信号进行RMS特征提取,得到RMS特征组;
平滑处理及计算模块,将所述RMS特征组进行平滑处理,并计算所有极值点;
第一判断模块,根据极值点判断是否为极大值点,若是,则进入触发条件判断,若否,则返回继续采集肌电信号并重新处理;
第二判断模块,利用极大值和极小值的数值差与判断阈值比较,进行触发条件判断,若满足,则输出触发时刻对应的信号,若不满足返回继续采集肌电信号并重新处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310799149.XA CN116807457A (zh) | 2023-07-03 | 2023-07-03 | 一种基于单肌电传感器的步态事件检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310799149.XA CN116807457A (zh) | 2023-07-03 | 2023-07-03 | 一种基于单肌电传感器的步态事件检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116807457A true CN116807457A (zh) | 2023-09-29 |
Family
ID=88112344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310799149.XA Pending CN116807457A (zh) | 2023-07-03 | 2023-07-03 | 一种基于单肌电传感器的步态事件检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116807457A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117338301A (zh) * | 2023-10-17 | 2024-01-05 | 首都医科大学宣武医院 | 一种基于肌电信号的糖尿病足风险等级评测系统 |
-
2023
- 2023-07-03 CN CN202310799149.XA patent/CN116807457A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117338301A (zh) * | 2023-10-17 | 2024-01-05 | 首都医科大学宣武医院 | 一种基于肌电信号的糖尿病足风险等级评测系统 |
CN117338301B (zh) * | 2023-10-17 | 2024-03-29 | 首都医科大学宣武医院 | 一种基于肌电信号的糖尿病足风险等级评测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN104107134B (zh) | 基于肌电反馈的上肢训练方法及系统 | |
CN101874758B (zh) | 辅助运动系统及其控制方法 | |
CN102499797B (zh) | 假肢控制方法及系统 | |
CN112842824B (zh) | 一种用于下肢康复恢复的训练方法 | |
CN110339024A (zh) | 下肢外骨骼机器人及其实时步态切换方法及存储装置 | |
CN116807457A (zh) | 一种基于单肌电传感器的步态事件检测方法及系统 | |
CN108563324B (zh) | 一种面向过程控制的运动想象脑-机接口设计方法 | |
CN106422172A (zh) | 基于肌电的下肢康复训练系统跑步机速度自适应控制方法 | |
CN109758336A (zh) | 一种利用患者患侧sEMG进行主动康复治疗的控制方法 | |
CN114587934B (zh) | 一种肌电自适应改变压力阈值的手指背伸训练系统 | |
Biswas et al. | Multichannel fused EMG based biofeedback system with virtual reality for gait rehabilitation | |
CN114569144A (zh) | 一种基于肌电-惯性传感的膝关节腱反射状态评估方法 | |
CN116831874A (zh) | 一种基于肌电信号的下肢康复器控制方法 | |
Tong et al. | BP-AR-based human joint angle estimation using multi-channel sEMG | |
Hameed et al. | Soft robotic glove system controlled with amplitude independent muscle activity detection algorithm by using single sEMG channel | |
CN116687429A (zh) | 一种基于下肢外骨骼机器人的肌肉实时监测分析系统 | |
CN104492033B (zh) | 基于sEMG的单关节主动训练控制方法及相应的康复机器人 | |
CN116564465A (zh) | 一种基于物联网平台下肢康复训练交互方法 | |
CN108403113B (zh) | 一种半自动的阵列式表面肌电信号分解方法 | |
CN114191261B (zh) | 迭代学习脑控电刺激和智能支撑系统与下肢康复训练方法 | |
CN108888482A (zh) | 基于运动皮层相关电位脑机接口的下肢外骨骼康复训练系统及方法 | |
CN115063883A (zh) | 一种肢体康复效果评估装置 | |
CN113647938A (zh) | 一种基于生理信号的超前检测运动状态变化的方法及系统 | |
CN1647789A (zh) | 自动跟踪调整体外反搏器最佳压力施加和释放时间的方法 |
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 |