CN116849684A - 基于独立成分分析的多通道sEMG的信号源空间定位方法 - Google Patents
基于独立成分分析的多通道sEMG的信号源空间定位方法 Download PDFInfo
- Publication number
- CN116849684A CN116849684A CN202311094252.0A CN202311094252A CN116849684A CN 116849684 A CN116849684 A CN 116849684A CN 202311094252 A CN202311094252 A CN 202311094252A CN 116849684 A CN116849684 A CN 116849684A
- Authority
- CN
- China
- Prior art keywords
- signal
- independent component
- signals
- electrode array
- circular area
- 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
- 238000012880 independent component analysis Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000004070 electrodeposition Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims 6
- 230000008859 change Effects 0.000 abstract description 6
- 210000003205 muscle Anatomy 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 230000003183 myoelectrical effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 208000034657 Convalescence Diseases 0.000 description 1
- 206010049816 Muscle tightness Diseases 0.000 description 1
- 208000006011 Stroke 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
- 230000002490 cerebral effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004220 muscle function Effects 0.000 description 1
- 230000036403 neuro physiology Effects 0.000 description 1
- 230000002232 neuromuscular Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000003491 skin Anatomy 0.000 description 1
- 210000004003 subcutaneous fat Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012795 verification 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
- A61B5/24—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
- A61B5/25—Bioelectric electrodes therefor
- A61B5/271—Arrangements of electrodes with cords, cables or leads, e.g. single leads or patient cord assemblies
-
- 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
- A61B5/25—Bioelectric electrodes therefor
- A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
- A61B5/296—Bioelectric electrodes therefor specially adapted for particular uses for 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
- A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
- A61B2560/02—Operational features
- A61B2560/0223—Operational features of calibration, e.g. protocols for calibrating sensors
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了基于独立成分分析的多通道sEMG的信号源空间定位方法，包括以下步骤：通过环形的电极阵列，采集环形的电极阵列内部圆形区域内的若干个信号源发出的sEMG信号；通过ICA独立成分分析算法，将电极阵列采集到的sEMG信号分解为独立的分量信号源的信号；在环形的电极阵列内部圆形区域建立二维平面坐标系，并将圆形区域进行网格化处理，通过圆形区域的每个网格到电极阵列中电极的距离与独立的分量信号源的信号强度呈负相关关系，在圆形区域的网格中筛选出信号源所在网格。由于用户手臂的肌肉组织结构不会发生变化，信号源之间的相对位置也是固定的。
Description
技术领域
本发明涉及信号源定位技术领域，具体涉及基于独立成分分析的多通道sEMG的信号源空间定位方法。
背景技术
表面肌电信号（surface Electromyographic，sEMG）是通过附着在人体皮肤表面的电极记录下来的、能够反映神经肌肉系统相关活动信息的微弱电生理信号生物电信号。sEMG是肌肉收缩时，所有参与肌肉控制的运动单位产生的运动单位动作电位序列经过肌肉、皮下脂肪以及皮肤组织等的滤波，在体表电极处叠加形成的信号。通过记录和分析sEMG信号，可非侵入地感知、解析人体的肌肉群的活动情况。鉴于其在用于肌肉活动感知中的非侵入性、直观性、易采集和有效性，sEMG已经被广泛应用于神经生理学、临床医学、运动医学和康复医学等研究领域，也在手势捕捉、肌肉功能检测、手部康复、UI交互领域等应用场景中展现了较好的应用前景。
现有的多通道sEMG的信号源空间定位技术，可以从sEMG中分离出若干个信号源，但无法确定这些信号源的空间位置和分布情况，因此无法对该信号源所对应的肌肉组织进行空间定位，由于环形的电极阵列无法保证每次定位时，环形的电极阵列的位置完全一致，每次重新佩戴时，都会在绕手臂方向有一定量的空间旋转，因此环形的电极阵列的各个通道与信号源之间的空间对应关系都会发生改变；每次使用环形的电极阵列进行信号源空间定位，都需要反复校准，费时费力，影响用户体验，且效果不佳。
发明内容
本发明的目的在于提供基于独立成分分析的多通道sEMG的信号源空间定位方法，解决以下技术问题：
现有的多通道sEMG的信号源空间定位技术，环形的电极阵列的各个通道与信号源之间的空间对应关系易发生改变，每次进行信号源空间定位，都需要反复校准，费时费力，影响用户体验，且效果不佳。
本发明的目的可以通过以下技术方案实现：
基于独立成分分析的多通道sEMG的信号源空间定位方法，包括以下步骤：
S1：通过环形的电极阵列，采集环形的电极阵列内部圆形区域内的若干个信号源发出的sEMG信号；
S2：通过ICA独立成分分析算法，将电极阵列采集到的sEMG信号分解为独立的分量信号源的信号；
S3：在环形的电极阵列内部圆形区域建立二维平面坐标系，并将圆形区域进行网格化处理，通过圆形区域的每个网格到电极阵列中电极的距离与独立的分量信号源的信号强度呈负相关关系，在圆形区域的网格中筛选出信号源所在网格。
作为本发明进一步的方案：所述步骤S1包括以下步骤：
将环形的电极阵列中的每个电极作为一个信号采集通道；
通过信号采集通道，采集环形的电极阵列内部圆形区域内的若干个信号源发出的sEMG信号。
作为本发明进一步的方案：所述步骤S2，包括以下步骤：
通过环形的电极阵列的每个信号采集通道采集若干个信号源发出的sEMG信号，存在n个位于不同位置的信号采集通道，信号源发出的信号都不服从正态分布，每个信号源发出了m个点的信号，获取每个信号采集通道采集到信号与信号源发出的信号之间的线性关系；
根据每个信号采集通道采集到信号与信号源发出的信号之间的线性关系，采用ICA独立成分分析算法计算出通道信号分解的独立的分量信号源的信号。
作为本发明进一步的方案：所述步骤S2中，获取每个信号采集通道采集到信号与信号源发出的信号之间的线性关系，包括以下步骤：
设存在n个位于不同位置的信号采集通道，信号源发出的信号都不服从正态分布，每个信号源发出了m个点的信号：
其中，为每个信号源发出了m个点的信号，为待求的变量；
从n个位于不同位置的信号采集通道，采集到了任一信号源发出的m个点的信号，采集到的m个点的信号为，/>表示为：
其中，为/>的某种线性组合；
存在混淆矩阵，使下式成立：
公式（1）。
作为本发明进一步的方案：所述步骤S2中，采用ICA算法计算出通道信号分解的独立的分量信号源的信号，包括以下步骤：
通过ICA独立成分分析算法求得的近似值/>；
将代替公式（1）中的/>得到：
公式（2）
通过以下公式求独立的分量信号源的信号：
公式（3）
其中，为通道信号分解的独立的分量信号源的信号。
作为本发明进一步的方案：所述步骤S3中，在环形的电极阵列内部的圆形区域建立二维平面坐标系，将环形的电极阵列内部的圆形区域进行网格化处理，包括以下步骤：
对环形的电极阵列内部的圆形区域建立二维平面坐标系；
将圆形区域进行网格化处理，共生成N个网格；
其中，第i个网格对应着唯一的坐标：；其中，i=1～N
作为本发明进一步的方案：所述步骤S3中，通过圆形区域的每个网格到电极阵列中电极的距离与独立的分量信号源的信号强度呈负相关关系，在圆形区域的网格中筛选出信号源所在网格，包括以下步骤：
环形的电极阵列的每个电极位置对应的坐标为：；
从第i个网格到第j个电极的距离的倒数为：
对于第i个网格，将j=1～n的n个排列为一行向量，表示如下：
中的第k行记为/>，k=1～n， />中的第j行记为/>,j=1～n；
计算与/>之间的相关系数为：
对于，将j=1～n的n个/>排列为一行向量，表示如下：
计算与/>之间的相关系数为：
对于中的第k个信号源，在所有N个网格的范围内寻找使得/>的值最大时，对应的i的值，则第k个信号源位于第i个网格。
作为本发明进一步的方案：所述环形的电极阵列设置有16个位于不同位置的信号采集通道。
本发明的有益效果：
本发明通过环形的电极阵列内部圆形区域建立二维平面坐标系，并将圆形区域进行网格化处理，通过圆形区域的每个网格到电极阵列中电极的距离与独立的分量信号源的信号强度呈负相关关系，在圆形区域的网格中筛选出信号源所在网格；有助于自动利用多通道EMG数据有效定位信号源的空间位置，从而将信号源位置与手环的各个通道之间建立一定的对应关系。由于信号源结构不会发生变化，信号源之间的相对位置也是固定的。因此用户可以无须参与任何校准流程，直接佩戴之后即可实现自动位置校准。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明环形的电极阵列的网格化示意图；
图2是本发明网格中筛选出信号源所在网格的结构示意图；
图3是本发明的环形的电极阵列采集信号强度示意图。
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、完整的描述，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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例一
请参阅图1-3所示，本发明为基于独立成分分析的多通道sEMG的信号源空间定位方法，包括以下步骤：
S1：通过环形的电极阵列，采集环形的电极阵列内部圆形区域内的若干个信号源发出的sEMG信号；
S2：通过ICA独立成分分析算法，将电极阵列采集到的sEMG信号分解为独立的分量信号源的信号；
其中，ICA独立成分分析算法是一种数据分析和信号处理方法，用于将混合信号分离为具有最大统计独立性的成分。ICA的目标是通过寻找一组线性变换，使得变换后的成分在统计上相互独立。这种独立性假设基于强统计的假设，即混合信号中的成分是相互独立的，并且不服从高斯分布。ICA算法的应用非常广泛，尤其适用于信号处理领域。
S3：在环形的电极阵列内部圆形区域建立二维平面坐标系，并将圆形区域进行网格化处理，通过圆形区域的每个网格到电极阵列中电极的距离与独立的分量信号源的信号强度呈负相关关系，在圆形区域的网格中筛选出信号源所在网格。
其中，请参阅图3所示，当位于MU处的独立的分量信号源被环形的电极阵列采集，独立的分量信号源距离环形的电极阵列越近时信号越强。根据图3所示的原理，做由此可得：圆形区域的每个网格到电极阵列中电极的距离与独立的分量信号源的信号强度呈负相关关系。图3参考论文：Roeleveld, K., D. F. Stegeman, H. M. Vingerhoets, and A.Van Oosterom, “The motor unit potential distribution over the skin surfaceand its use in estimating the motor unit location,” Acta Physiol Scand 161,465–472 (1997)。
具体的，通过环形的电极阵列内部圆形区域建立二维平面坐标系，并将圆形区域进行网格化处理，通过圆形区域的每个网格到电极阵列中电极的距离与独立的分量信号源的信号强度呈负相关关系，在圆形区域的网格中筛选出信号源所在网格；有助于自动利用多通道EMG数据有效定位信号源的空间位置，从而将信号源位置与手环的各个通道之间建立一定的对应关系。由于用户手臂的肌肉组织结构不会发生变化，信号源之间的相对位置也是固定的。因此用户可以无须参与任何校准流程，直接佩戴之后即可实现自动位置校准。
脑中风后手臂或下肢功能损伤的患者，往往存在手部肌肉肌张力改变、肌电信号异常的情况，通过环形的电极阵列采集内部圆形区域内的若干个信号源发出的sEMG信号，便于有效定位残存肌电信号源位置，从而有针对性的设计脑机接口装置，通过残存肌电信号控制功能义肢医疗设备。
对于处在康复期的患者，也可以定位EMG信号较弱的肌群的位置，定量评估各个肌群的功能变化和康复效果，从而设计更有效的康复动作和治疗方案。
在本发明其中一个实施例中，步骤S1包括以下步骤：
将环形的电极阵列中的每个电极作为一个信号采集通道；
通过信号采集通道，采集环形的电极阵列内部圆形区域内的若干个信号源发出的sEMG信号。
具体的，利用环形的电极阵列具有的多个信号采集通道，从多角度采集信号源信号，便于使得定位更加准确。
在本发明其中一个实施例中，步骤S2，包括以下步骤：
通过环形的电极阵列的每个信号采集通道采集若干个信号源发出的sEMG信号，存在n个位于不同位置的信号采集通道，信号源发出的信号都不服从正态分布，每个信号源发出了m个点的信号，获取每个信号采集通道采集到信号与信号源发出的信号之间的线性关系；
根据每个信号采集通道采集到信号与信号源发出的信号之间的线性关系，采用ICA独立成分分析算法计算出通道信号分解的独立的分量信号源的信号。
具体的，通过环形的电极阵列的每个信号采集通道采集若干个信号源发出的sEMG信号，便于从多角度对信号进行采集，保证了信号采集通道采集到信号与信号源发出的信号之间的线性关系的准确性，提高后续独立的分量信号源的信号求解的准确性。
在本发明其中一个实施例中，步骤S2中，获取每个信号采集通道采集到信号与信号源发出的信号之间的线性关系，包括以下步骤：
设存在n个位于不同位置的信号采集通道，信号源发出的信号都不服从正态分布，每个信号源发出了m个点的信号：
其中，为每个信号源发出了m个点的信号，为待求的变量；
从n个位于不同位置的信号采集通道，采集到了任一信号源发出的m个点的信号，采集到的m个点的信号为，/>表示为：
其中，为/>的某种线性组合；
存在混淆矩阵，使下式成立：
公式（1）。
在本发明其中一个实施例中，步骤S2中，采用ICA算法计算出通道信号分解的独立的分量信号源的信号，包括以下步骤：
通过ICA独立成分分析算法求得的近似值/>；
将代替公式（1）中的/>得到：
公式（2）
通过以下公式求独立的分量信号源的信号：
公式（3）
其中，为通道信号分解的独立的分量信号源的信号。
在本发明其中一个实施例中，步骤S3中，在环形的电极阵列内部的圆形区域建立二维平面坐标系，将环形的电极阵列内部的圆形区域进行网格化处理，包括以下步骤：
对环形的电极阵列内部的圆形区域建立二维平面坐标系；
将圆形区域进行网格化处理，共生成N个网格；
其中，第i个网格对应着唯一的坐标：；其中，i=1～N
在本发明其中一个实施例中，步骤S3中，通过圆形区域的每个网格到电极阵列中电极的距离与独立的分量信号源的信号强度呈负相关关系，在圆形区域的网格中筛选出信号源所在网格，包括以下步骤：
环形的电极阵列的每个电极位置对应的坐标为：；
从第i个网格到第j个电极的距离的倒数为：
对于第i个网格，将j=1～n的n个排列为一行向量，表示如下：
中的第k行记为/>，k=1～n， />中的第j行记为/>，j=1～n；
计算与/>之间的相关系数为：
对于，将j=1～n的n个/>排列为一行向量，表示如下：
计算与/>之间的相关系数为：
对于中的第k个信号源，在所有N个网格的范围内寻找使得/>的值最大时，对应的i的值，则第k个信号源位于第i个网格。
具体的，独立成分分析虽然可以从sEMG中分离出若干个信号源，但无法确定这些信号源的空间位置和分布情况，因此无法对该信号源所对应的肌肉组织进行空间定位。通过圆形区域的每个网格到电极阵列中电极的距离与独立的分量信号源的信号强度呈负相关关系，在圆形区域的网格中筛选出信号源所在网格，利用网格验证法求解信号源的位置，便于对信号源进行定位，也使得信号源的定位更加精确。
实施例二
在实施例一的基础上，请参阅图1-2所示，环形的电极阵列设置有16个位于不同位置的信号采集通道。
采集16通道数据，n=16，每个通道采集到信号为 ，即 />。使用ICA算法计算出 /> ，即/>；
对环形的电极阵列内部的二维平面建立坐标系。将环形的电极阵列内部的圆形区域进行网格化处理，共生成N个网格，其中第i个网格对应着唯一的坐标，i=1～n；
环形的电极阵列的每个电极位置对应的坐标为，j=1～16
从第i个网格到第j个电极的距离的倒数为
对于第i个网格，将j=1～16的16个排列为一行向量：
中的第k行记为/>，k=1～16./>中的第j行记为/>, j=1～16；
计算与/>之间的相关系数：
对于，将j=1～16的16个/>排列为一行向量：
计算与/>之间的相关系数:
对于中的第k个信号源，在1~N的范围内寻找i的值，使得/>的值最大，则第k个信号源位于第i个网格。
在本发明的描述中，需要理解的是，术语“上”、“下”、“左”、“右”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位，以及特定的方位构造和操作，因此，不能理解为对本发明的限制。此外，“第一”、“第二”仅由于描述目的，且不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。因此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者多个该特征。本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”“相连”“连接”等应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体的连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接连接，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。
Claims (8)
1.基于独立成分分析的多通道sEMG的信号源空间定位方法，其特征在于，包括以下步骤：
S1：通过环形的电极阵列，采集环形的电极阵列内部圆形区域内的若干个信号源发出的sEMG信号；
S2：通过ICA独立成分分析算法，将电极阵列采集到的sEMG信号分解为独立的分量信号源的信号；
S3：在环形的电极阵列内部圆形区域建立二维平面坐标系，并将圆形区域进行网格化处理，通过圆形区域的每个网格到电极阵列中电极的距离与独立的分量信号源的信号强度呈负相关关系，在圆形区域的网格中筛选出信号源所在网格。
2.根据权利要求1所述的基于独立成分分析的多通道sEMG的信号源空间定位方法，其特征在于，所述步骤S1包括以下步骤：
将环形的电极阵列中的每个电极作为一个信号采集通道；
通过信号采集通道，采集环形的电极阵列内部圆形区域内的若干个信号源发出的sEMG信号。
3.根据权利要求1所述的基于独立成分分析的多通道sEMG的信号源空间定位方法，其特征在于，所述步骤S2，包括以下步骤：
通过环形的电极阵列的每个信号采集通道采集若干个信号源发出的sEMG信号，存在n个位于不同位置的信号采集通道，信号源发出的信号都不服从正态分布，每个信号源发出了m个点的信号，获取每个信号采集通道采集到信号与信号源发出的信号之间的线性关系；
根据每个信号采集通道采集到信号与信号源发出的信号之间的线性关系，采用ICA独立成分分析算法计算出通道信号分解的独立的分量信号源的信号。
4.根据权利要求3所述的基于独立成分分析的多通道sEMG的信号源空间定位方法，其特征在于，所述步骤S2中，获取每个信号采集通道采集到信号与信号源发出的信号之间的线性关系，包括以下步骤：
设存在n个位于不同位置的信号采集通道，信号源发出的信号都不服从正态分布，每个信号源发出了m个点的信号：
其中，为每个信号源发出了m个点的信号，为待求的变量；
从n个位于不同位置的信号采集通道，采集到了任一信号源发出的m个点的信号，采集到的m个点的信号为，/>表示为：
其中，/>为/>的某种线性组合；
存在混淆矩阵，使下式成立：
公式（1）。
5.根据权利要求4所述的基于独立成分分析的多通道sEMG的信号源空间定位方法，其特征在于，所述步骤S2中，采用ICA算法计算出通道信号分解的独立的分量信号源的信号，包括以下步骤：
通过ICA独立成分分析算法求得的近似值/>；
将代替公式（1）中的/>得到：
公式（2）
通过以下公式求独立的分量信号源的信号：
公式（3）
其中，为通道信号分解的独立的分量信号源的信号。
6.根据权利要求1所述的基于独立成分分析的多通道sEMG的信号源空间定位方法，其特征在于，所述步骤S3中，在环形的电极阵列内部的圆形区域建立二维平面坐标系，将环形的电极阵列内部的圆形区域进行网格化处理，包括以下步骤：
对环形的电极阵列内部的圆形区域建立二维平面坐标系；
将圆形区域进行网格化处理，共生成N个网格；
其中，第i个网格对应着唯一的坐标：；其中，i=1～N。
7.根据权利要求6所述的基于独立成分分析的多通道sEMG的信号源空间定位方法，其特征在于，所述步骤S3中，通过圆形区域的每个网格到电极阵列中电极的距离与独立的分量信号源的信号强度呈负相关关系，在圆形区域的网格中筛选出信号源所在网格，包括以下步骤：
环形的电极阵列的每个电极位置对应的坐标为：；
从第i个网格到第j个电极的距离的倒数为：
对于第i个网格，将j=1～n的n个 排列为一行向量，表示如下：
中的第k行记为/>，k=1～n， />中的第j行记为/>,j=1～n，
计算与/>之间的相关系数为：
对于，将j=1～n的n个/> 排列为一行向量，表示如下：
计算与/>之间的相关系数为：
对于中的第k个信号源，在所有N个网格的范围内寻找使得/>的值最大时，对应的i的值，则第k个信号源位于第i个网格。
8.根据权利要求1-7任一项所述的基于独立成分分析的多通道sEMG的信号源空间定位方法，其特征在于，所述环形的电极阵列设置有8个或16个位于不同位置的信号采集通道。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311094252.0A CN116849684B (zh) | 2023-08-29 | 2023-08-29 | 基于独立成分分析的多通道sEMG的信号源空间定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311094252.0A CN116849684B (zh) | 2023-08-29 | 2023-08-29 | 基于独立成分分析的多通道sEMG的信号源空间定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116849684A true CN116849684A (zh) | 2023-10-10 |
| CN116849684B CN116849684B (zh) | 2023-11-03 |
Family
ID=88228872
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311094252.0A Active CN116849684B (zh) | 2023-08-29 | 2023-08-29 | 基于独立成分分析的多通道sEMG的信号源空间定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116849684B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180103887A1 (en) * | 2016-08-10 | 2018-04-19 | Hiroshima University | Method for sampling cerebral insular cortex activity |
| CN109480833A (zh) * | 2018-08-30 | 2019-03-19 | 北京航空航天大学 | 基于人工智能的癫痫患者脑电信号的预处理和识别方法 |
| CN111657941A (zh) * | 2020-07-10 | 2020-09-15 | 中国科学技术大学 | 基于肌肉核心激活区域的电极校正及肌电模式识别方法 |
| CN114587388A (zh) * | 2022-03-02 | 2022-06-07 | 北京航空航天大学 | 一种基于传感器时空融合模型的神经性运动功能辅助诊断臂环及其使用方法 |
| CN114587389A (zh) * | 2022-03-02 | 2022-06-07 | 北京航空航天大学 | 一种适用于神经性运动障碍患者的辅助诊断系统及其使用方法 |
| CN114732424A (zh) * | 2022-04-29 | 2022-07-12 | 苏州大学 | 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 |
| CN115050104A (zh) * | 2022-08-16 | 2022-09-13 | 苏州唯理创新科技有限公司 | 基于多通道表面肌电信号的连续手势动作识别方法 |
| WO2022256492A1 (en) * | 2021-06-03 | 2022-12-08 | Nextiles, Inc. | Electrically conductive yarn and fabric-based, noise-canceling, multimodal electrodes for physiological measurements |
| CN116473568A (zh) * | 2023-03-24 | 2023-07-25 | 北京富奥星电子技术有限公司 | 一种非接触式的心电信号重建方法 |
-
2023
- 2023-08-29 CN CN202311094252.0A patent/CN116849684B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180103887A1 (en) * | 2016-08-10 | 2018-04-19 | Hiroshima University | Method for sampling cerebral insular cortex activity |
| CN109480833A (zh) * | 2018-08-30 | 2019-03-19 | 北京航空航天大学 | 基于人工智能的癫痫患者脑电信号的预处理和识别方法 |
| CN111657941A (zh) * | 2020-07-10 | 2020-09-15 | 中国科学技术大学 | 基于肌肉核心激活区域的电极校正及肌电模式识别方法 |
| WO2022256492A1 (en) * | 2021-06-03 | 2022-12-08 | Nextiles, Inc. | Electrically conductive yarn and fabric-based, noise-canceling, multimodal electrodes for physiological measurements |
| CN114587388A (zh) * | 2022-03-02 | 2022-06-07 | 北京航空航天大学 | 一种基于传感器时空融合模型的神经性运动功能辅助诊断臂环及其使用方法 |
| CN114587389A (zh) * | 2022-03-02 | 2022-06-07 | 北京航空航天大学 | 一种适用于神经性运动障碍患者的辅助诊断系统及其使用方法 |
| CN114732424A (zh) * | 2022-04-29 | 2022-07-12 | 苏州大学 | 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 |
| CN115050104A (zh) * | 2022-08-16 | 2022-09-13 | 苏州唯理创新科技有限公司 | 基于多通道表面肌电信号的连续手势动作识别方法 |
| CN116473568A (zh) * | 2023-03-24 | 2023-07-25 | 北京富奥星电子技术有限公司 | 一种非接触式的心电信号重建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116849684B (zh) | 2023-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Vidal | Real-time detection of brain events in EEG | |
| EP0013183A1 (en) | Electroencephalographic system for the quantitative description of patient brain states | |
| JP2019528104A (ja) | 生体信号のモニタリングのための耳内感知システムおよび方法 | |
| US20190343457A1 (en) | Pain assessment method and apparatus for patients unable to self-report pain | |
| Farago et al. | A review of techniques for surface electromyography signal quality analysis | |
| CN107095667A (zh) | 用于收集脑电图数据的设备 | |
| Garcia et al. | A decomposition algorithm for surface electrode-array electromyogram | |
| Khan et al. | Brain–computer interface for single-trial EEG classification for wrist movement imagery using spatial filtering in the gamma band | |
| Major et al. | A survey of brain computer interfaces and their applications | |
| Pun et al. | Brain-computer interaction research at the Computer Vision and Multimedia Laboratory, University of Geneva | |
| Li et al. | Quantitative and sensitive assessment of neurophysiological status after human spinal cord injury | |
| Goen et al. | Review of surface electromyogram signals: its analysis and applications | |
| Burden | Surface electromyography | |
| CN204759349U (zh) | 一种基于稳态视觉诱发电位的飞行器控制装置 | |
| Ng et al. | Clinical applications of power spectral analysis of electromyographic investigations in muscle function | |
| CN106725463B (zh) | 应用皮层脑电信号对大脑皮层手部功能区定位的方法和系统 | |
| CN116849684B (zh) | 基于独立成分分析的多通道sEMG的信号源空间定位方法 | |
| Chang et al. | A versatile wireless portable monitoring system for brain–behavior approaches | |
| US20240197238A1 (en) | Point-of-care prediction of muscle responsiveness to therapy during neurorehabilitation | |
| Ji et al. | Stationary wavelet-based two-directional two-dimensional principal component analysis for EMG signal classification | |
| CN113545792B (zh) | 一种基于tms-eeg的神经生物标记物的检测方法 | |
| Planelles et al. | First steps in the development of an EEG-based system to detect intention of gait initiation | |
| Kallenberg et al. | Reproducibility of MUAP properties in array surface EMG recordings of the upper trapezius and sternocleidomastoid muscle | |
| Su et al. | Source separation and localization of individual superficial forearm extensor muscles using high-density surface electromyography | |
| Song et al. | Human cortical, muscular, and kinematic gait adaptation with novel use of an ankle exoskeleton |
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 |