CN116910464A - 一种肌电信号假肢手控制系统及方法 - Google Patents
一种肌电信号假肢手控制系统及方法 Download PDFInfo
- Publication number
- CN116910464A CN116910464A CN202311056450.8A CN202311056450A CN116910464A CN 116910464 A CN116910464 A CN 116910464A CN 202311056450 A CN202311056450 A CN 202311056450A CN 116910464 A CN116910464 A CN 116910464A
- Authority
- CN
- China
- Prior art keywords
- electromyographic
- layer
- prosthetic hand
- neural network
- module
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000003183 myoelectrical effect Effects 0.000 title abstract description 20
- 230000007246 mechanism Effects 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 230000002452 interceptive effect Effects 0.000 claims abstract description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 15
- 210000003205 muscle Anatomy 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 239000012634 fragment Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 210000003414 extremity Anatomy 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 210000001364 upper extremity Anatomy 0.000 description 2
- 206010049565 Muscle fatigue Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000002266 amputation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 210000000245 forearm Anatomy 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 201000000585 muscular atrophy Diseases 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Prostheses (AREA)
Abstract
本发明公开了一种肌电信号假肢手控制系统及方法,系统包括:数据采集模块:用于采集肌电信号数据;预处理模块:用于对所述肌电信号数据进行预处理;神经网络模块:用于提取、关注处理后的肌电信号中的特征,并进行识别,获取识别结果;实时控制模块:用于将所述识别结果应用于假肢手进行交互控制。本发明采用优化的深度学习模型和引入注意力机制,大幅提高了手势识别准确率,有效降低了误判率,使其能够更精准地区分不同手势。
Description
技术领域
本发明涉及肌电手势识别技术领域,尤其涉及一种肌电信号假肢手控制系统及方法。
背景技术
上肢残疾者在截肢后,日常生活操作变得不方便和不协调。因此,为了恢复他们的抓握能力,有必要帮助他们戴上假肢。使用假肢手完成一些日常操作,可以改善截肢者的生理和心理生活质量,还可以避免由于长期不活动而导致的上肢肌肉萎缩。近年来,表面肌电信号(sEMG)的手势识别被广泛应用于假肢手的开发中。这种非侵入性技术可以测量皮肤表面附近肌肉收缩和松弛产生的电活动,通过分析这些信号,可以准确解码预期的手部动作并将其转化为肌电假肢设备的控制命令。
随着深度学习技术的快速发展,卷积神经网络(CNN)和长短期记忆神经网络(LSTM)等深度学习模型在图像识别、自然语言处理等领域取得了显著成果。这些模型具有自动特征提取和端到端学习的能力,能够更好地捕捉肌电信号中的复杂时空特征。因此,将深度学习技术应用于肌电手势识别成为一种新的趋势。
然而,当前的深度学习模型在肌电手势识别领域仍面临一些挑战。首先,深度学习模型对于肌电信号的处理需要考虑信号的时域和频域信息,以充分利用信号的时序特性。其次,由于肌电信号的噪声和非稳态特性,模型的实时性和稳定性需要得到进一步优化。最后,如何将深度学习模型与实际假肢控制系统相结合,实现肌电信号驱动的精准操作也是一个值得研究的问题。
目前,已有一些基于深度学习的肌电信号假肢手控制系统被提出,但这些方法存在着依赖手动设计的特征提取器、对于信号中的噪声和干扰较为敏感、不能实现对多种手势的高准确率识别,并且在实时性方面存在一定的局限性等问题,无法满足假肢手在日常生活中使用的需求。
发明内容
本发明提出了一种肌电信号假肢手控制系统及方法,以解决现有技术中存在着肌电信号特征表达能力受限、分类精度低、实时性能存在局限性等问题。
一方面,为实现上述目的,本发明提供了一种肌电信号假肢手控制系统,包括:
数据采集模块:用于采集肌电信号数据;
预处理模块:用于对所述肌电信号数据进行预处理;
神经网络模块:用于提取、关注处理后的肌电信号数据中的特征,并进行识别,获取手势分类识别结果;
实时控制模块:用于将所述手势分类识别结果应用于假肢手,进行交互控制,实现肌电信号驱动的假肢手的精准操作。
优选地,所述数据采集模块包括多通道肌电传感单元,所述多通道肌电传感单元用于同时采集若干肌肉区域的肌电信号,并传输至所述预处理模块。
优选地,所述预处理模块包括归一化处理单元,所述归一化处理单元用于将所述肌电信号数据进行归一化处理。
优选地,对所述肌电信号数据进行预处理包括低通滤波和快速Hilbert变换操作,用于滤除高频噪声和提取信号的包络,保留信号的幅度特征。
优选地,所述神经网络模块包括:
卷积层:用于提取所述肌电信号数据中的特征信息,获取特征图;
池化层:在卷积层之间插入池化层,用于减少特征图的空间维度;
正则化层:用于减少过拟合风险,提高模型的泛化性能;
注意力机制层:用于对所述特征图进行加权,增强关键特征的重要性;
全连接层:用于接收来自所述卷积层和所述注意力机制层的特征信息,并将所述特征信息展开为适合分类的形式;
分类器:用于获取所述手势分类识别结果。
另一方面,为实现上述目的,本发明还提供了一种肌电信号假肢手控制方法,包括:
采集手部肌肉的肌电信号,对所述肌电信号进行预处理,其中,所述预处理包括低通滤波和快速Hilbert变换处理;
基于卷积神经网络模型对预处理后的肌电信号进行特征提取和关注,并对所述卷积神经网络模型进行训练,获取训练好的卷积神经网络模型;
通过训练好的卷积神经网络模型识别手势分类识别结果,根据所述手势分类识别结果对假肢手进行实时交互控制。
优选地,对预处理后的肌电信号进行特征提取,包括:
采用叠加滑动窗口法分割提取的肌电信号包络数据集,将数据集分解为存在具有特征提取价值的肌肉活动片段,处理肌电信号的时序特征。
优选地,所述卷积神经网络模型中,在第一个卷积层和全连接层之后,添加ECA注意力机制层,对输入特征的通道维度进行自适应的注意力加权;在原来的SE-NET中去除全连接层,换成一维卷积核进行处理。
优选地,所述卷积神经网络模型中的一维卷积核大小通过通道数C自适应确定,计算所述通道数C的方法为:
其中,k表示卷积核大小,C表示通道数,|x|odd表示距离x最近的奇数。
与现有技术相比,本发明具有如下优点和技术效果:
(1)通过深度学习的卷积神经网络结构,能够高效提取肌电信号中的时空特征,从而实现对不同手势的准确分类和识别。其次,引入注意力机制使系统能够动态调整特征的权重,关注肌电信号中的重要信息,从而进一步提高识别的精确性和稳定性。
(2)本发明系统具备实时交互控制能力,能够即时采集和应用识别结果于假肢手的控制,使残疾患者能够更自然地进行肢体运动控制;在识别性能、实时交互性、自适应注意力机制等方面表现出优越性,对改善残疾人生活质量和社会参与能力具有非常重要的意义。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例中信号采集实验示意图;
图2为本发明实施例中一种肌电信号假肢手控制方法的工作流程图;
图3为本发明实施例中滑动窗口结构图;
图4为本发明实施例中神经网络模型结构图;
图5为本发明实施例中ECA注意力模块结构图;
图6为本发明实施例中一种肌电信号假肢手控制系统结构图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本发明提出了一种肌电信号假肢手控制系统,如图6所示,包括:
数据采集模块,用于采集肌电信号数据;
预处理模块,用于对采集的肌电信号数据进行预处理,包括低通滤波和快速Hilbert变换;
神经网络模块,包括卷积层、注意力机制和分类器,用于提取和关注肌电信号中的重要特征;
实时控制模块,用于将识别结果应用于与假肢手进行交互控制。
其中,数据采集模块包括多通道肌电传感器,用于同时采集多个肌肉区域的肌电信号。
预处理模块还包括归一化处理单元,用于将采集的肌电信号数据进行归一化处理。
卷积神经网络模型通过在时间和通道维度上滑动卷积核,用于更有效地提取肌电信号中的特征信息。
注意力机制用于对卷积神经网络模型中的特征图进行加权,以增强关键特征的重要性。
实时控制装置基于识别结果,控制与假肢手之间的交互,实现肌电信号驱动的假肢手的精准操作。
在数据采集过程中,参与者佩戴肌电传感器后,根据电脑上的手势动作视频进行引导,并反复执行每个手势多次,以捕捉肌肉激活模式的自然变化。每个手势的采集时间为两分钟,为了避免肌肉疲劳,完成一个手势后休息两分钟,以确保数据采集的准确性和可靠性,为肌电手势识别系统的优化和性能提升提供有效的数据支持。
如图2所示,本发明还提出了一种肌电信号假肢手控制方法,包括如下步骤:
步骤一:根据假肢手实现的日常生活中常用手势,通过数据采集模块采集手部肌肉的肌电信号。
步骤二:肌电传感器采集患者小臂肌肉的肌电信号,通过预处理模块对肌电信号进行预处理。使用巴特沃斯低通滤波器对采集到的肌电信号进行滤波,截止频率设定为10-500Hz。接着通过快速Hilbert变换提取滤波后信号的包络信息,用于强化信号的有用特征。最后,使用线性归一化方法对包络信号进行归一化处理,将信号幅值缩放到[0,1]范围内,以确保数据的一致性和稳定性。
步骤三:运用神经网络模块中的卷积神经网络模型对预处理后的信号进行特征提取和关注,通过注意力机制提高对关键特征的关注能力,使模型可以更好的区分和利用不同特征之间的差异,进而提高模型的判别力和准确性。
步骤四:训练并保存模型,对手势进行分类。
步骤五:使用训练好的模型将识别结果应用于与假肢手进行实时交互控制。
在步骤一中,为了对肌电活动信号进行适当的分析,通常需要使用多个通道,以确保信号在处理过程中具有意义和实用性。当能量从一个肌肉群传播到另一个肌肉群时,可能会发生串扰现象,为了更好地处理信号,需要选择更加稳定的设备。本实施例采用八通道肌电臂环是肌电采集设备,内置8通道高灵敏肌电传感器和差分干电极,9轴运动传感器,蓝牙BLE4.2等模块,每个模块内部的电子部分和3个电极组成一路肌电传感器。通过电极接触皮肤采集肌电信号,由内部的电子器件进行放大滤波、放大、采样和数字化,如图1。
在步骤二中,采用叠加滑动窗口法来分割前面提取的肌电信号包络数据集,该方法用于将信号分解为可能存在具有特征提取价值的肌肉活动片段。通过调整窗口的大小和步长来控制数据窗口之间的重叠程度。
具体而言,首先确定滑动窗口的大小w和步长s。窗口的大小决定了每个窗口中包含的肌电信号数据的时间长度。步长定义了窗口之间的时间间隔,控制了窗口的滑动速度。在重叠窗口中,过去和下一个窗口的部分被重叠,如图3所示。这种基于滑动窗口的数据分割方法可以有效处理肌电信号的时序特征,提高手势识别系统的准确性和鲁棒性。
在步骤三中,神经网络模型结构如图4所示,包括:
卷积层:用于提取所述肌电信号数据中的特征信息,获取特征图;
池化层:在卷积层之间插入池化层,以减少特征图的空间维度,提取更重要的特征,并减少计算量;
正则化层(如Dropout):用于减少过拟合风险,提高模型的泛化性能;
注意力机制层:用于对所述特征图进行加权,增强关键特征的重要性;
全连接层:用于接收来自卷积层和注意力机制层的特征信息,并将其展开为适合分类的形式;
分类器:用于获取所述手势分类识别结果。将输入的肌电信号数据沿着神经网络各层前向传播,逐步提取关键特征,然后通过分类器层将这些特征转化为各个手势类别的预测概率分布。最终,选择具有最高概率的类别作为识别结果,实现肌电信号手势分类识别任务。
该模型主要由卷积层和注意力机制层组成。每层之间有一个批量归一化(BN)层和一个激活函数Relu来加快收敛速度,解决梯度爆炸问题。针对来自不同位置肌肉的通道数据,将第一、二、三层的卷积核大小设定分别设置为3×3,4×3和5×3,通过在时间和通道维度上滑动这些卷积核,网络可以同时捕捉时间序列中的动态模式和不同通道之间的相关性。
在第一个卷积层和全连接层之后,添加了ECA注意力机制层,其可视为SE-NET(Squeeze-and-Excitation Network)的升级版本。通过对输入特征的通道维度进行自适应的注意力加权,使模型能够更好地捕捉手势肌电信号中的重要信息。其结构如图5所示,在原来的SE-NET中去除了全连接层,换成一维卷积核进行处理,从而使模型变得更加轻量级。其中一维卷积核大小通过通道数C自适应确定,避免了手动调整,其公式为:
其中,k表示卷积核大小,C表示通道数,|x|odd表示距离x最近的奇数。
根据通道数调整卷积核的大小,从而充分融合部分通道间的交互,可以在保持性能的同时显著降低模型的复杂性,有效避免了降维对于通道注意力学习效果的影响,对模型处理速度和准确率提升具有更好的效果。
在步骤四中,与传统的机器学习方法和当前主流的深度学习肌电手势识别模型进行了对比,其结果如表1所示。采用准确率、召回率、F1得分、和精确度作为最终评价指标。
表1
结果表明,该模型与传统的机器学习方法和目前主流的手势识别模型相比,在处理肌电信号时能有效地提取和利用相关特征,且能够更好地捕捉多通道肌电信号与手势动作之间的关联性。此外,引入ECA注意力机制使模型能够更好地区分不同手势类别,从而提高了分类性能。
在步骤五中,采集设备实时采集使用者的肌电数据,并经过预处理后输入前面训练好的手势识别单元进行分类。控制单元接收到肌电信号的分类结果,并将相应的命令信号发送给电机驱动单元。伺服电机根据控制单元的指令旋转到移动角度,最终控制假肢手完成所需要的手势。
以上,仅为本申请较佳的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (9)
1.一种肌电信号假肢手控制系统,其特征在于,包括:
数据采集模块:用于采集肌电信号数据;
预处理模块:用于对所述肌电信号数据进行预处理;
神经网络模块:用于提取、关注处理后的肌电信号数据中的特征,并进行识别,获取手势分类识别结果;
实时控制模块:用于将所述手势分类识别结果应用于假肢手,进行交互控制,实现肌电信号驱动的假肢手的精准操作。
2.根据权利要求1所述的肌电信号假肢手控制系统,其特征在于,所述数据采集模块包括多通道肌电传感单元,所述多通道肌电传感单元用于同时采集若干肌肉区域的肌电信号,并传输至所述预处理模块。
3.根据权利要求1所述的肌电信号假肢手控制系统,其特征在于,所述预处理模块包括归一化处理单元,所述归一化处理单元用于将所述肌电信号数据进行归一化处理。
4.根据权利要求3所述的肌电信号假肢手控制系统,其特征在于,对所述肌电信号数据进行预处理包括低通滤波和快速Hilbert变换操作,用于滤除高频噪声和提取信号的包络,保留信号的幅度特征。
5.根据权利要求1所述的肌电信号假肢手控制系统,其特征在于,所述神经网络模块包括:
卷积层:用于提取所述肌电信号数据中的特征信息,获取特征图;
池化层:在卷积层之间插入池化层,用于减少特征图的空间维度;
正则化层:用于减少过拟合风险,提高模型的泛化性能;
注意力机制层:用于对所述特征图进行加权,增强关键特征的重要性;
全连接层:用于接收来自所述卷积层和所述注意力机制层的特征信息,并将所述特征信息展开为适合分类的形式;
分类器:用于获取所述手势分类识别结果。
6.一种肌电信号假肢手控制方法,其特征在于,包括:
采集手部肌肉的肌电信号,对所述肌电信号进行预处理,其中,所述预处理包括低通滤波和快速Hilbert变换处理;
基于卷积神经网络模型对预处理后的肌电信号进行特征提取和关注,并对所述卷积神经网络模型进行训练,获取训练好的卷积神经网络模型;
通过训练好的卷积神经网络模型识别手势分类识别结果,根据所述手势分类识别结果对假肢手进行实时交互控制。
7.根据权利要求6所述的肌电信号假肢手控制方法,其特征在于,对预处理后的肌电信号进行特征提取,包括:
采用叠加滑动窗口法分割提取的肌电信号包络数据集,将数据集分解为存在具有特征提取价值的肌肉活动片段,处理肌电信号的时序特征。
8.根据权利要求6所述的肌电信号假肢手控制方法,其特征在于,所述卷积神经网络模型中,在第一个卷积层和全连接层之后,添加ECA注意力机制层,对输入特征的通道维度进行自适应的注意力加权;在原来的SE-NET中去除全连接层,换成一维卷积核进行处理。
9.根据权利要求8所述的肌电信号假肢手控制方法,其特征在于,所述卷积神经网络模型中的一维卷积核大小通过通道数C自适应确定,计算所述通道数C的方法为:
其中,k表示卷积核大小,C表示通道数,|x|odd表示距离x最近的奇数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311056450.8A CN116910464A (zh) | 2023-08-22 | 2023-08-22 | 一种肌电信号假肢手控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311056450.8A CN116910464A (zh) | 2023-08-22 | 2023-08-22 | 一种肌电信号假肢手控制系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116910464A true CN116910464A (zh) | 2023-10-20 |
Family
ID=88358453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311056450.8A Pending CN116910464A (zh) | 2023-08-22 | 2023-08-22 | 一种肌电信号假肢手控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116910464A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117153379A (zh) * | 2023-10-31 | 2023-12-01 | 深圳市前海蛇口自贸区医院 | 一种胸廓出口综合征的预测装置 |
-
2023
- 2023-08-22 CN CN202311056450.8A patent/CN116910464A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117153379A (zh) * | 2023-10-31 | 2023-12-01 | 深圳市前海蛇口自贸区医院 | 一种胸廓出口综合征的预测装置 |
CN117153379B (zh) * | 2023-10-31 | 2024-02-20 | 深圳市前海蛇口自贸区医院 | 一种胸廓出口综合征的预测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108491077B (zh) | 一种基于多流分治卷积神经网络的表面肌电信号手势识别方法 | |
Shen et al. | Movements classification of multi-channel sEMG based on CNN and stacking ensemble learning | |
CN110555468A (zh) | 一种联合递归图和cnn的脑电信号识别方法及系统 | |
Zou et al. | A transfer learning model for gesture recognition based on the deep features extracted by CNN | |
CN112488002B (zh) | 基于n170的情绪识别方法及识别系统 | |
CN111584029B (zh) | 基于判别式对抗网络的脑电自适应模型及在康复中的应用 | |
Fang et al. | Improve inter-day hand gesture recognition via convolutional neural network-based feature fusion | |
Li et al. | EEG signal classification method based on feature priority analysis and CNN | |
CN116910464A (zh) | 一种肌电信号假肢手控制系统及方法 | |
Aly et al. | Bio-signal based motion control system using deep learning models: a deep learning approach for motion classification using EEG and EMG signal fusion | |
Abibullaev et al. | A brute-force CNN model selection for accurate classification of sensorimotor rhythms in BCIs | |
CN113143676A (zh) | 一种基于脑肌电协同的外肢体手指的控制方法 | |
Ibrahimy et al. | Design and performance analysis of artificial neural network for hand motion detection from EMG signals | |
CN112732092A (zh) | 基于双视图多尺度卷积神经网络的表面肌电信号识别方法 | |
CN116340824A (zh) | 基于卷积神经网络的肌电信号动作识别方法 | |
CN113974627B (zh) | 一种基于脑机生成对抗的情绪识别方法 | |
CN113988135A (zh) | 一种基于双分支多流网络的肌电信号手势识别方法 | |
CN113128353B (zh) | 面向自然人机交互的情绪感知方法及其系统 | |
CN112998725A (zh) | 一种基于运动观察的脑机接口技术的康复方法与系统 | |
Wang et al. | Research on multimodal fusion recognition method of upper limb motion patterns | |
CN116522106A (zh) | 一种基于迁移学习并行多尺度滤波器组时域卷积的运动想象脑电信号分类方法 | |
Wang et al. | EMG-based hand gesture recognition by deep time-frequency learning for assisted living & rehabilitation | |
CN113642528B (zh) | 一种基于卷积神经网络的手部运动意图分类方法 | |
CN114343679A (zh) | 基于迁移学习的表面肌电信号上肢动作识别方法及系统 | |
CN113947815A (zh) | 一种基于肌电传感和视觉传感的人机手势协同控制方法 |
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 |