CN202776906U - 基于肌音信号的人体上肢功能康复训练系统 - Google Patents

基于肌音信号的人体上肢功能康复训练系统 Download PDF

Info

Publication number
CN202776906U
CN202776906U CN 201220071899 CN201220071899U CN202776906U CN 202776906 U CN202776906 U CN 202776906U CN 201220071899 CN201220071899 CN 201220071899 CN 201220071899 U CN201220071899 U CN 201220071899U CN 202776906 U CN202776906 U CN 202776906U
Authority
CN
China
Prior art keywords
upper limb
signals
muscle
human body
body upper
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.)
Expired - Fee Related
Application number
CN 201220071899
Other languages
English (en)
Inventor
官龙
喻洪流
赵胜楠
朱沪生
易金花
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN 201220071899 priority Critical patent/CN202776906U/zh
Application granted granted Critical
Publication of CN202776906U publication Critical patent/CN202776906U/zh
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Images

Landscapes

  • Rehabilitation Tools (AREA)

Abstract

本实用新型涉及一种基于肌音信号的人体上肢功能康复训练系统，MMG肌音信号传感器固定在人体上肢肱二头肌的表皮处，传感器将肌音信号转化为电压信号，经由前置放大电路将信号放大到伏特级别输出，输出信号通过有源低通有源滤波电路滤掉信号中含有的高频部分后，经过A/D转换模块进行数模转换，模拟肌音信号转换成肌音数字信号，数字信号采集模块采集肌音数字信号导入PC机，通过PC机内进行数字信号处理，PC机输出控制信号到人体上肢模型，调整人体上肢模型动作。受试者可以根据虚拟环境中的视觉反馈实时对人体上肢模型进行不同MVC%动作模式的控制，最终实现了功能康复训练的目的，能够实现产业化目标以及扩大适用者人群。

Description

基于肌音信号的人体上肢功能康复训练系统
技术领域
本实用新型涉及一种医疗设备控制系统，特别涉及一种基于肌音信号的人体上肢功能康复训练系统。 
背景技术
肌音信号MMG是肌肉收缩产生肌力的过程中肌纤维由于分布不均匀等因素发生侧向振动而表现为宏观上的发出机械波的一种力学现象。其主要特点有：信号幅值大；平稳性好；抗干扰能力强等。MMG信号本质属于机械振动信号的相比于传统肌电信号；另外还受其他一些外在因素影响，例如肌肉疲劳、皮肤潮湿等，因此，一个重要发展方向。 
目前，国内外在肌音信号以及肌音信号的应用方面的研究取得了一些进展，Oster 和Jaffe（1980）发现肌音信号强度与肌肉紧张程度成正比。Orizio通过对比不同频率的电激励加到肌肉纤维运动单元所引起的肌音信号，以及分析时域和频域信号的特性得出肌音信号的成因和频率分布规律,而且证明了肌音信号反映着肌肉运动单元的恢复补充和激励频率。Barry（1986）提出肌音信号可以用于假肢控制，并作了初期研究尝试。Bertrand Diemontd等通过利用FFT 和MESE 对肌音信号进行分析，证实了功率谱方法可以提取肌音信号中蕴含的肌肉动作信息。Travis W利用小波分析和小波变换方法对非平稳肌音信号进行分析，验证了肌肉进行不同动作时所产生的肌音信号存在差异。 
目前在国外，肌音信号已开始应用于肌肉功能检测及肌肉控制的相关领域研究，如检测肌肉疲劳度，肌肉纤维分布，肌肉疲劳度，以及人体假肢控制。 
因此实现基于肌音信号控制的、具有生物反馈与患者主动参与功能的康复训练，为卒后功能康复训练治疗探索了一条新途径。 
发明内容
本实用新型是针对复训中肌肉收缩产生肌力的过程中肌纤维分布不均匀，测试控制困难的问题，提出了一种基于肌音信号的人体上肢功能康复训练系统，此系统可以进行实时调节，精度和稳定性高。 
本实用新型的技术方案为：一种基于肌音信号的人体上肢功能康复训练系统，MMG肌音信号传感器固定在人体上肢肱二头肌的表皮处，传感器将肌音信号转化为电压信号，经由前置放大电路将信号放大到伏特级别输出，输出信号通过有源低通有源滤波电路滤掉信号中含有的高频部分后，经过A/D转换模块进行数模转换，模拟肌音信号转换成肌音数字信号，数字信号采集模块采集肌音数字信号导入PC机，通过PC机内进行数字信号处理，PC机输出控制信号到人体上肢模型，调整人体上肢模型动作。 
所述MMG信号传感器采用压电材料原理的肌振传感器；所述前置预处理电路选用LM324放大器；所述有源低通滤波电路选用巴特沃兹低通有源滤波器，截止频率设定为100Hz；所述A/D转化模块以及数字信号采集模块选用NI-PCI6221数据采集卡。 
本实用新型的有益效果在于：本实用新型基于肌音信号的人体上肢功能康复训练系统，通过受试者的视觉实时反馈进行虚拟环境中功能康复训练可以提高功能康复训练效果。此系统的准确性和稳定性较高，能够实现产业化目标以及扩大适用者人群。 
附图说明
图1为本实用新型基于肌音信号的人体上肢功能康复训练系统结构框图。 
具体实施方式
如图1所示基于肌音信号的人体上肢功能康复训练系统结构框图，包括MMG信号压电传感器1、前置放大电路2、有源低通滤波电路3、A/D转换模块4、数字信号采集模块5、数字信号处理及特征提取模块6、信号动作模式识别模块7和虚拟现实动画反馈模块8。MMG肌音信号传感器1固定在人体上肢肱二头肌的表皮处，肌肉收缩时， MMG肌音信号传感器1将原为机械振动的肌音信号转化为电压信号，经由前置放大电路2将信号放大到伏特级别，通过巴特沃兹有源低通滤波电路3滤掉信号中含有的高频部分，然后信号经A/D转换模块4进行模拟肌音信号转换成肌音数字信号送数字信号采集模块5，数字信号采集模块5将肌音数字信号导入PC机，通过PC机中数字信号处理软件6对肌音信号进行特征提取，再通过信号动作模式识别模块7对所提取的肌音信号特征进行动作模式分类，最后输出控制信号控制虚拟现实动画反馈模块8进行虚拟环境中3D上肢的动作反馈，进而实现功能康复训练的目的。 
MMG信号传感器1采用压电材料原理的肌振传感器；前置放大电路2选用LM324放大器；有源低通滤波电路3选用巴特沃兹有源低通滤波器，截止频率设定为100Hz；A/D转化模块4以及数字信号采集模块5选用NI-PCI6221数据采集卡；数字信号处理及特征提取模块6和信号动作模式识别模块7是基于PC机上的Matlab软件工作环境；虚拟现实动画反馈模块8选用多体动力学仿真分析软件Adams。 
系统的特征提取方法：分别从MMG信号提取时域，频域和时频域的数字特征如下： 
1）MMG肌音信号时域特征均方根（root mean square，RMS）计算采用的方法：对上肢肱二头肌肌肉收缩运动时采集到的数字MMG信号，以1024个采样点为一组，进行分组，取加权平均，如果用 
Figure DEST_PATH_DEST_PATH_IMAGE001
表示第组采样点的MMG信号时域序列， 
Figure DEST_PATH_RE-DEST_PATH_IMAGE002
表示求均值后的第组采样点的均方根值：
Figure DEST_PATH_DEST_PATH_IMAGE003
 
Figure DEST_PATH_DEST_PATH_IMAGE004
注：对于采样序列尾部的可能不满1024个采样点，直接用其前一组采样点的均值，代替最后一组MMG信号均方根。
2）MMG肌音信号频域特征中值频率（mean power frequency，MPF）的计算方法： 
如果数字肌音信号序列为
Figure DEST_PATH_DEST_PATH_IMAGE005
，其自相关序列为
Figure DEST_PATH_DEST_PATH_IMAGE006
则：
Figure DEST_PATH_DEST_PATH_IMAGE007
通过自相关函数法求的的功率谱密度估计为
Figure DEST_PATH_DEST_PATH_IMAGE008
满足：
Figure DEST_PATH_DEST_PATH_IMAGE009
其中为采样时间间隔，本实用新型中取
Figure DEST_PATH_476147DEST_PATH_IMAGE010
为500Hz
进而求的MMG肌音信号频域特征中值频率MPF为：
Figure DEST_PATH_DEST_PATH_IMAGE011
3）MMG肌音信号AR（auto regressive）自回归模型特征参数A矩阵的计算方法：Yule-Walker法，又称为自相关方法，是从随机信号序列的自相关序列计算中指出一定阶数的AR模型参数。Yule-Walker方程的求解可以通过递推算法Levinson-Durbin来实现。通过求解如下矩阵方程：
Figure DEST_PATH_RE-DEST_PATH_IMAGE012
其中
Figure DEST_PATH_DEST_PATH_IMAGE013
,…, 
Figure DEST_PATH_RE-DEST_PATH_IMAGE014
是自回归模型，
Figure DEST_PATH_DEST_PATH_IMAGE015
,…, 
Figure DEST_PATH_RE-DEST_PATH_IMAGE016
为相关系数，称为Toeplitz自相关阵，因此只要知道信号的自相关系数就可以求得各个系数。
系统的控制方法：人体上肢肌肉收缩时，肌肉产生的肌音信号通过压电传感器采集到，经过放大滤波，A/D转换以及采样后导入PC机，在PC中利用数字信号处理软件对肌音数字信号进行特征提取和模式识别，分别提取肌音信号的时域，频域和时频域特征，利用线性分类器进行分类。 
由于线性分类器需要根据不同的受试者计算判别准则函数中的权向量，因此在实际应用中，系统要先对学习样本进行学习，才能进行功能康复训练过程。 
    系统的动作分类方法：系统动作分类采用线性分类器方法。若设
Figure DEST_PATH_RE-DEST_PATH_IMAGE018
，
Figure DEST_PATH_DEST_PATH_IMAGE019
Figure DEST_PATH_RE-DEST_PATH_IMAGE020
是向量
Figure DEST_PATH_DEST_PATH_IMAGE021
通过变换
Figure DEST_PATH_RE-DEST_PATH_IMAGE022
得到的标量，则它是一维的。对于给定的
Figure DEST_PATH_144020DEST_PATH_IMAGE022
，
Figure DEST_PATH_923757DEST_PATH_IMAGE020
就是判决函数的值。由子集
Figure DEST_PATH_DEST_PATH_IMAGE023
样本映射后的两个子集为
Figure DEST_PATH_RE-DEST_PATH_IMAGE024
。求解权向量即是求解
Figure DEST_PATH_132015DEST_PATH_IMAGE022
的最佳方向，可以令
Figure DEST_PATH_DEST_PATH_IMAGE025
，那么
Figure DEST_PATH_946388DEST_PATH_IMAGE020
就是
Figure DEST_PATH_831167DEST_PATH_IMAGE021
在
Figure DEST_PATH_98200DEST_PATH_IMAGE022
方向上的投影。使样本投影后最容易区分开的
Figure DEST_PATH_297101DEST_PATH_IMAGE022
方向正是区分超平面的法线方向。因此在使用线性分类器时，本系统共有
Figure DEST_PATH_RE-DEST_PATH_IMAGE026
共5种动作，需要4个判别函数，若第一个判别函数
Figure DEST_PATH_DEST_PATH_IMAGE027
是区别
Figure DEST_PATH_RE-DEST_PATH_IMAGE028
的则定义： 
Figure DEST_PATH_DEST_PATH_IMAGE029
                         
若
Figure DEST_PATH_RE-DEST_PATH_IMAGE030
则
Figure DEST_PATH_DEST_PATH_IMAGE031
属于
Figure DEST_PATH_RE-DEST_PATH_IMAGE032
类，若
Figure DEST_PATH_DEST_PATH_IMAGE033
则属于类，以此类推。
   系统的输出反馈方法：系统PC机中的控制平台Matlab通过特征提取和模式识别输出代表不同肌肉收缩动作模式的控制信号之后，通过软件之间接口设计将控制信号导入虚拟现实软件Adams中，在Adams中事先设计好3D人体上肢模型，并设置了上肢肘关节的自由度和控制参数，这样就受试者可以通过改变肌肉动作模式的进而改变模式识别控制系统控制信号，相应的实时的控制虚拟现实软件Adams中人体上肢模型的运动，进而实现人体上肢功能康复训练。 

Claims (2)

1.一种基于肌音信号的人体上肢功能康复训练系统，其特征在于， MMG肌音信号传感器固定在人体上肢肱二头肌的表皮处，传感器将肌音信号转化为电压信号，经由前置放大电路将信号放大到伏特级别输出，输出信号通过有源低通有源滤波电路滤掉信号中含有的高频部分后，经过A/D转换模块进行数模转换，模拟肌音信号转换成肌音数字信号，数字信号采集模块采集肌音数字信号导入PC机，通过PC机内进行数字信号处理，PC机输出控制信号到人体上肢模型，调整人体上肢模型动作。
2.根据权利要求1所述基于肌音信号的人体上肢功能康复训练系统，其特征在于，所述MMG信号传感器采用压电材料原理的肌振传感器；所述前置预处理电路选用LM324放大器；所述有源低通滤波电路选用巴特沃兹低通有源滤波器，截止频率设定为100Hz；所述A/D转化模块以及数字信号采集模块选用NI-PCI6221数据采集卡。
CN 201220071899 2012-03-01 2012-03-01 基于肌音信号的人体上肢功能康复训练系统 Expired - Fee Related CN202776906U (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 201220071899 CN202776906U (zh) 2012-03-01 2012-03-01 基于肌音信号的人体上肢功能康复训练系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 201220071899 CN202776906U (zh) 2012-03-01 2012-03-01 基于肌音信号的人体上肢功能康复训练系统

Publications (1)

Publication Number Publication Date
CN202776906U true CN202776906U (zh) 2013-03-13

Family

ID=47804263

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 201220071899 Expired - Fee Related CN202776906U (zh) 2012-03-01 2012-03-01 基于肌音信号的人体上肢功能康复训练系统

Country Status (1)

Country Link
CN (1) CN202776906U (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102614061A (zh) * 2012-03-01 2012-08-01 上海理工大学 基于肌音信号的人体上肢功能康复训练实现方法
CN107405128A (zh) * 2014-12-11 2017-11-28 米奥德纳米克有限公司 动物或人类个体的体适能的评估

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102614061A (zh) * 2012-03-01 2012-08-01 上海理工大学 基于肌音信号的人体上肢功能康复训练实现方法
CN107405128A (zh) * 2014-12-11 2017-11-28 米奥德纳米克有限公司 动物或人类个体的体适能的评估

Similar Documents

Publication Publication Date Title
CN102614061A (zh) 基于肌音信号的人体上肢功能康复训练实现方法
CN104107134B (zh) 基于肌电反馈的上肢训练方法及系统
CN102499797B (zh) 假肢控制方法及系统
Yang et al. Accurate EMG onset detection in pathological, weak and noisy myoelectric signals
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
CN202288542U (zh) 假肢控制装置
Li et al. Muscle activity onset time detection using teager-kaiser energy operator
CN105769173A (zh) 一种具有心电信号去噪功能的心电监测系统
CN108958474A (zh) 一种基于误差权重的动作识别多传感信息融合方法
Chen et al. Individual identification based on chaotic electrocardiogram signals
CN107822629A (zh) 四肢表面肌电轴的检测方法
Hamedi et al. Facial gesture recognition using two-channel bio-sensors configuration and fuzzy classifier: A pilot study
CN106890038A (zh) 基于myo臂环的假肢手控制系统及其控制方法
CN202776906U (zh) 基于肌音信号的人体上肢功能康复训练系统
Attenberger et al. Modeling and visualization of classification-based control schemes for upper limb prostheses
Gayathri et al. Control of bionic arm using ICA-EEG
KR101446183B1 (ko) 상관 특징 분석 기반 실시간 ｅｍｇ 패턴 인식 방법
Geng et al. Recognition of combined arm motions using support vector machine
Kurzynski et al. Multiple classifier system applied to the control of bioprosthetic hand based on recognition of multimodal biosignals
Ahmed et al. Control of prosthetic hand by using mechanomyography signals based on support-vector machine classifier
Sun et al. A fault-tolerant algorithm to enhance generalization of EMG-based pattern recognition for lower limb movement
CN105686827A (zh) 一种基于微控制器的肌电信号处理及特征提取方法
Baranowski et al. Non-integer order filtration of electromyographic signals
Kaur et al. Wavelet based machine learning technique to classify the different shoulder movement of upper limb amputee
Ibrahim et al. Electromyography signal based for intelligent prosthesis design

Legal Events

Date Code Title Description
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20130313

Termination date: 20150301

EXPY Termination of patent right or utility model