CN213758282U - 一种表面肌电信号采集装置 - Google Patents
一种表面肌电信号采集装置 Download PDFInfo
- Publication number
- CN213758282U CN213758282U CN202022623602.6U CN202022623602U CN213758282U CN 213758282 U CN213758282 U CN 213758282U CN 202022623602 U CN202022623602 U CN 202022623602U CN 213758282 U CN213758282 U CN 213758282U
- Authority
- CN
- China
- Prior art keywords
- signal
- electromyographic
- layer
- acquisition device
- signal acquisition
- 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
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本实用新型涉及一种表面肌电信号采集装置,包括:肌电信号传感器,用于采集初始表面肌电信号;低通滤波器,与所述肌电信号传感器连接,用于对所述初始表面肌电信号进行滤波,得到滤波后的信号;运算放大器,与所述低通滤波器连接,用于将所述滤波后的信号进行放大,得到放大后的信号;模数转换器,与所述运算放大器连接,用于将所述放大后的信号转换为数字信号,得到表面肌电信号;无线传输模块,与所述模数转换器连接,用于对所述表面肌电信号进行传输。本实用新型结构简单,可以准确、便捷地采集表面肌电信号。
Description
技术领域
本实用新型涉及信号采集技术领域,特别是涉及一种表面肌电信号采集装置。
背景技术
表面肌电信号(surface electromyographys,sEMG)是肌纤维中运动单元动作电位在时间和空间上的叠加,神经系统控制肌肉的活动(收缩或者放松),在表面皮肤不同的肌肉纤维运动单元在同一时间产生相互不同的信号,其蕴含着一系列丰富的病理/生理信息。目前sEMG被广泛用于临床医学、人机功效学、康复医学、体育科学、康复假肢应用、手势动作识别等领域。然而,银等刚性电极在采集表面肌电信号过程中存在皮肤电极接触阻抗较大,易受工频信号干扰,皮肤表面接触区域不平坦等问题;此外,采集的sEMG信号外部干扰较强、多通道信号处理繁琐、特征向量选择难等问题,限制了sEMG信号的进一步的发展与大规模应用。
实用新型内容
本实用新型的目的是提供一种表面肌电信号采集装置,以准确、便捷地采集表面肌电信号。
为实现上述目的,本实用新型提供了如下方案:
一种表面肌电信号采集装置,包括:
肌电信号传感器,用于采集初始表面肌电信号;
低通滤波器,与所述肌电信号传感器连接,用于对所述初始表面肌电信号进行滤波,得到滤波后的信号;
运算放大器,与所述低通滤波器连接,用于将所述滤波后的信号进行放大,得到放大后的信号;
模数转换器,与所述运算放大器连接,用于将所述放大后的信号转换为数字信号,得到表面肌电信号;
无线传输模块,与所述模数转换器连接,用于对所述表面肌电信号进行传输。
可选地,所述肌电信号传感器包括从上到下依次设置的触面层、抑制运动轨迹层、织物导电层和基底;所述触面层用于与待采集皮肤表面接触,采集初始表面肌电信号;所述抑制运动轨迹层用于缓冲所述触面层与所述待采集皮肤表面之间的相互作用;所述织物导电层用于对所述初始表面肌电信号进行传输。
可选地,所述触面层为针织银导电布,所述抑制运动轨迹层为导电海绵,所述基底为弹性尼龙材料。
可选地,所述肌电信号传感器还包括:
绝缘遮挡层,设置在所述触面层两侧,用于隔离所述待采集皮肤表面与所述织物导电层。
可选地,所述绝缘遮挡层为中心镂空的绝缘织物材料。
可选地,所述低通滤波器为RC低通滤波器。
可选地,所述运算放大器和所述模数转换器为ADS1299芯片。
可选地,所述无线传输模块为CC3200芯片内部集成的WIFI模块。
根据本实用新型提供的具体实施例,本实用新型公开了以下技术效果:
本实用新型公开了一种表面肌电信号采集装置,包括:肌电信号传感器,用于采集初始表面肌电信号;低通滤波器,与所述肌电信号传感器连接,用于对所述初始表面肌电信号进行滤波,得到滤波后的信号;运算放大器,与所述低通滤波器连接,用于将所述滤波后的信号进行放大,得到放大后的信号;模数转换器,与所述运算放大器连接,用于将所述放大后的信号转换为数字信号,得到表面肌电信号;无线传输模块,与所述模数转换器连接,用于对所述表面肌电信号进行传输。本实用新型结构简单,可以准确、便捷地采集表面肌电信号。
附图说明
为了更清楚地说明本实用新型实施例或现有技术中的技术方案,下面将对实施例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实用新型的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本实用新型实施例1提供的表面肌电信号采集装置结构图;
图2为本实用新型实施例1提供的RC低通电路图;
图3为本实用新型实施例1提供的肌电信号传感器结构图;
图4为本实用新型实施例2提供的肌肉运动识别方法流程图;
图5为本实用新型实施例2提供的获得表面肌电信号特征子集的流程图;
图6为本实用新型实施例2提供的对归一化后的信号进行滤波的流程图;
图7为本实用新型实施例2提供的滤波前的信号图;
图8为本实用新型实施例2提供的滤波后的信号图;
图9为本实用新型实施例2提供的粒子群算法过程示意图;
图10为本实用新型实施例2提供的随机森林-递归特征消除算法流程图。
符号说明:1-触面层,2-抑制运动轨迹层,3-基底,4-绝缘遮挡层,5-织物导电层。
具体实施方式
下面将结合本实用新型实施例中的附图,对本实用新型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实用新型一部分实施例,而不是全部的实施例。基于本实用新型中的实施例,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,都属于本实用新型保护的范围。
本发实用新型的目的是提供一种表面肌电信号采集装置,以准确、便捷地采集表面肌电信号。
为使本实用新型的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本实用新型作进一步详细的说明。
实施例1
图1为本实用新型实施例1提供的表面肌电信号采集装置结构图,如图1所示,表面肌电信号采集装置包括:
肌电信号传感器,用于采集初始表面肌电信号。
低通滤波器,与肌电信号传感器连接,用于对初始表面肌电信号进行滤波,得到滤波后的信号。
运算放大器,与低通滤波器连接,用于将滤波后的信号进行放大,得到放大后的信号。
模数转换器,与运算放大器连接,用于将放大后的信号转换为数字信号,得到表面肌电信号。
无线传输模块,与模数转换器连接,用于对表面肌电信号进行传输。
在本实施例中,表面肌电信号采集装置还包括控制器,与肌电信号传感器、低通滤波器、运算放大器、模数转换器和无线传输模块连接,用于控制肌电信号传感器、低通滤波器、运算放大器、模数转换器和无线传输模块的运行。其中控制模块为CC3200芯片。
在本实施例中,运算放大器和模数转换器为ADS1299芯片。无线传输模块为CC3200芯片内部集成的WIFI模块。低通滤波器为RC低通滤波器,图2为本实用新型实施例1提供的RC低通电路图。
图3为本实用新型实施例1提供的肌电信号传感器结构图,如图3所示,肌电信号传感器包括从上到下依次设置的触面层1、抑制运动轨迹层2、织物导电层5和基底3。触面层1用于与待采集皮肤表面接触,采集初始表面肌电信号。抑制运动轨迹层2用于缓冲触面层1与待采集皮肤表面之间的相互作用。织物导电层5用于对初始表面肌电信号进行传输,还可用于屏蔽高频干扰信号。具体地,肌电信号传感器还包括绝缘遮挡层4,设置在触面层1两侧,用于隔离待采集皮肤表面与织物导电层5。
其中,触面层1为针织银导电布,克服了刚性电极接触区域不平坦的问题,并且具备良好的导电性和极高的灵敏度。抑制运动轨迹层2为导电海绵。基底3为弹性尼龙材料。绝缘遮挡层4为中心镂空的绝缘织物材料,其与触面层1之间具有一定的尺寸差异,构成支撑平面,防止待采集皮肤表面与织物导电层5接触产生干扰信号。
实施例2
图4为本实用新型实施例2提供的肌肉运动识别方法流程图,如图4所示,肌肉运动识别方法包括:
步骤101:获取历史表面肌电信号。其中历史表面肌电信号是基于实施例1中的表面肌电信号采集装置采集的。
步骤102:对所述历史表面肌电信号进行处理,得到表面肌电信号特征子集。
步骤103:构建卷积神经网络模型。
步骤104:通过所述表面肌电信号特征子集对所述卷积神经网络模型进行训练,得到肌肉运动识别模型。
步骤105:根据所述肌肉运动识别模型识别肌肉运动。
图5为本实用新型实施例2提供的获得表面肌电信号特征子集的流程图,如图5所示,步骤102具体包括:
步骤1021:对所述历史表面肌电信号进行归一化处理,得到归一化后的信号;具体为利用公式:
步骤1022:对所述归一化后的信号进行滤波处理,得到滤波后的信号;具体为:对所述归一化后的信号进行离散小波变化,得到高频信号系数和低频信号系数。根据预设阈值对所述高频信号系数进行滤波,得到滤波后的高频信号系数。利用所述低频信号系数和所述滤波后的高频信号系数进行信号重构,得到滤波后的信号。
图6为本实用新型实施例2提供的对归一化后的信号进行滤波的流程图,如图5所示,在空间Vj=Vj-1+Wj-1上表示归一化后表面肌电信号Xi',如式(2)所示,对于每一个在Vj空间上的信号都可以用两个基函数表示。
其中,A1(k)和D1(k)是尺度度量空间j-1的两个系数,来自j空间的系数A0的分解,c是常数,φj,k(t)是Xi'在空间j上的分解量,φj-1,k(t)和ωj-1,k(t)为在空间j-1上的分解量。A0(k)为整个空间上的系数。
A0(k)分解为系数A1(k)和D1(k)的过程如下:
其中A1(k)对应精确系数,D1(k)对应粗略系数,h0低通滤波系数,h1高通滤波系数,n表示滤波器阶数,k表示第k个数据。
对分解后系数D1(k)滤波阈值ξ设定,如式(4)所示:
其中N是信号的总个数,m=Median(|D1(k)|)/0.6745,m是系数,Median()是中值函数。
对D1(k)滤波,当D1(k)中的值小于阈值ξ时,置零,当D1(k)中的值大于等于阈值ξ时,保持不变,即:
再根据式(2)重构滤波后信号,得到滤波后的信号。滤波前后信号对比图如图7-8所示。
步骤1023:提取所述滤波后的信号的时域特征,构建特征矩阵;所述时域特征包括均方根、方差、波长长度、过零点数、平均绝对值、最大分形长度、平均能量和自回归系数。
均方根RMS计算公式如下:
其中,N为信号的总个数,Yi为滤波后的信号Y中第i个信号。
方差VAR计算公式如下:
波长长度WL计算公式如下:
其中,Yi+1为滤波后的信号Y中第i个信号。
过零点数ZC计算公式如下:
其中,τ是避免低级噪声的阈值,设置为0.5,sgn(x)为符号函数,用于判断单次是否过零点。
平均绝对值MAV计算公式如下:
最大分形长度MLF计算公式如下:
平均能量AP计算公式如下:
自回归系数计算公式如下:
其中,α为自回归系数,p为自回归系数的阶数,e为残差,Yk为序列数为k的时间序列,k为序列的数量。
步骤和1024:对所述特征矩阵进行滤波处理,得到滤波后的特征矩阵。
在采集肌电信号的某些动作时,可能由于执行动作强度不一致等干扰不可避免的造成同一动作的肌电信号幅值不同,导致不同的窗存在孤立点或异常值,针对该问题,本实施例提出基于特征信息的滤波方法。即考虑到孤立点/异常值的存在,每个点采用前后N个值与随时间递减的比例系数相乘来代替该点,具体为利用公式:
对所述特征矩阵进行滤波处理;其中,yi为滤波后的特征矩阵中的第i个值,N为滤波器阶数,fj为从特征矩阵提取的第j个值,fj的累计和为1,q为比例系数。利用粒子群算法对滤波器阶数和比例系数进行优化,具体过程为:
利用滤波器阶数和比例系数初始化粒子数量。
根据粒子的位置计算粒子适应值。
根据所述粒子适应值、粒子经过的最优位置和所述粒子数量下的粒子群经过的最优位置更新粒子最优位置、粒子群最优位置以及粒子的速度和位置。
根据更新后的粒子群最优位置输出最终粒子;所述最终粒子为所述滤波器阶数和所述比例系数。
图9为本实用新型实施例2提供的粒子群算法过程示意图,如图9所示,具体优化过程如下:
初始化随机粒子,设置最大迭代次数800,粒子的最大速度Vmax=5,位置信息为整个搜索空间,在速度区间和搜索空间上随机初始化速度和位置,设置粒子群规模为M(即滤波器阶数和比例系数的不同组合),每个粒子随机初始化一个飞翔速度。
粒子的更新速度和位置公式如下所示:
其中,i为第i个粒子,i=1,2,...,N1,N1为为粒子的总数,vi为粒子速度,rand()为产生随机数,xi为粒子位置,c1和c2是学习因子,设置为2。
粒子更新速度包含三个部分:
(1)第一部分粒子先前速度。
(2)第二部分为认知部分,表示粒子本身的思考,即粒子当前位置与最优位置的距离。
(3)第三部分为社会部分,表示粒子间的信息共享与合作,即粒子与群体间的最优位置。
计算粒子适应值,计算公式如下:
ln y=(cos(2Πx[0])+cos(2Πx[1]))/2-2.71289 (16)
其中,y为适应值,x为粒子位置。
初始化一群粒子(包括随机位置和速度)。
评价并评估每个粒子的适应值。
对每个粒子,将其适应值与其经过的最好位置pbest作比较,如果较好,则将其作为当前的最好位置pbest。(pbest为历史最佳位置)
对每个粒子,将其适应值与其经过的最好位置gbest作比较,如果较好,则将其作为当前的最好位置gbest。(gbest为全局最佳位置)
根据式(15)调整粒子速度和位置。
判断是否到达结束条件。结束条件为到达迭代最大循环次数500,或者全局最佳位置满足最小界限J。
若否,则重新评价并评估每个粒子的适应值;若是,则输出最终粒子,最终粒子为滤波器阶数和比例系数。
步骤1025:根据所述滤波后的特征矩阵利用随机森林-递归特征消除算法得到表面肌电信号特征子集。具体为:
利用bootstrap重抽样方法从原始样本中抽取多个样本,对每个bootstrap样本构建决策树,所有的决策树构成随机森林,在回归模型中计算特征重要度,此时将后向迭代的特征评价引入,删除特征重要度小的特征后再次使用随机森林算法计算剩余的特征的特征重要度,直至最后特征只剩下一个,根据相关系数和均方根误差选择最有特征集合。
详细过程如下:
(1)滤波后的矩阵S样本数量为n,应用bootstrap抽样有放回地随机抽取b个样本子集,并根据这些样本子集构建b棵回归树,每次bootstrap抽样时并没有被抽到的样本组成了b个袋外数据,这些袋外数据组成了随机森林的测试样本。
(2)设原始样本集的特征个数为p,选择在每一棵回归树的每个节点处随机抽取m个变量(m<=p)作为备选变量,然后在其中根据一定的准则选取最优分枝,在不同的情况下,决定每棵决策树最大限度的生长;
(3)将(1)中生成的b棵回归树集成为随机森林回归模型,使用采用袋外数据预测的残差均方MSE评价随机森林回归模型的效果,MSE的计算公式为公式如下所示:
(4)通过袋外数据预测的残差均方计算平均下降MSE值,随机森林回归中的变量重要性可用平均下降MSE值来衡量,其值越大说明特征越重要。
(5)计算得到平均下降MSE值后,根据后向迭代的原理首先删除特征重要度最小的特征,然后将剩余的特征重复(1)一(4),逐步删除重要度小的特征,直至剩余最后一个特征,结果输出后,选择均方根误差最小,相关系数最大的特征个数作为特征选择的结果用于森林生物量遥感估测。图10为本实用新型实施例2提供的随机森林-递归特征消除算法流程图。
根据本实用新型提供的具体实施例,本实用新型公开了以下技术效果:
本实用新型使用柔性电极材料采集肌电信号,克服了刚性电极接触区域不平坦等问题。并且本实用新型结构简单,可以准确、便捷地采集表面肌电信号。
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。
本文中应用了具体个例对本实用新型的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本实用新型的核心思想;同时,对于本领域的一般技术人员,依据本实用新型的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本实用新型的限制。
Claims (7)
1.一种表面肌电信号采集装置,其特征在于,包括:
肌电信号传感器,用于采集初始表面肌电信号;所述肌电信号传感器包括从上到下依次设置的触面层、抑制运动轨迹层、织物导电层和基底;所述触面层用于与待采集皮肤表面接触,采集初始表面肌电信号;所述抑制运动轨迹层用于缓冲所述触面层与所述待采集皮肤表面之间的相互作用;所述织物导电层用于对所述初始表面肌电信号进行传输;
低通滤波器,与所述肌电信号传感器连接,用于对所述初始表面肌电信号进行滤波,得到滤波后的信号;
运算放大器,与所述低通滤波器连接,用于将所述滤波后的信号进行放大,得到放大后的信号;
模数转换器,与所述运算放大器连接,用于将所述放大后的信号转换为数字信号,得到表面肌电信号;
无线传输模块,与所述模数转换器连接,用于对所述表面肌电信号进行传输。
2.根据权利要求1所述的表面肌电信号采集装置,其特征在于,所述触面层为针织银导电布,所述抑制运动轨迹层为导电海绵,所述基底为弹性尼龙材料。
3.根据权利要求1所述的表面肌电信号采集装置,其特征在于,所述肌电信号传感器还包括:
绝缘遮挡层,设置在所述触面层两侧,用于隔离所述待采集皮肤表面与所述织物导电层。
4.根据权利要求3所述的表面肌电信号采集装置,其特征在于,所述绝缘遮挡层为中心镂空的绝缘织物材料。
5.根据权利要求1所述的表面肌电信号采集装置,其特征在于,所述低通滤波器为RC低通滤波器。
6.根据权利要求1所述的表面肌电信号采集装置,其特征在于,所述运算放大器和所述模数转换器为ADS1299芯片。
7.根据权利要求1所述的表面肌电信号采集装置,其特征在于,所述无线传输模块为CC3200芯片内部集成的WIFI模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202022623602.6U CN213758282U (zh) | 2020-11-13 | 2020-11-13 | 一种表面肌电信号采集装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202022623602.6U CN213758282U (zh) | 2020-11-13 | 2020-11-13 | 一种表面肌电信号采集装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN213758282U true CN213758282U (zh) | 2021-07-23 |
Family
ID=76917997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202022623602.6U Active CN213758282U (zh) | 2020-11-13 | 2020-11-13 | 一种表面肌电信号采集装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN213758282U (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116035599A (zh) * | 2023-04-03 | 2023-05-02 | 南京邮电大学 | 表面肌电信号采集系统及方法 |
-
2020
- 2020-11-13 CN CN202022623602.6U patent/CN213758282U/zh active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116035599A (zh) * | 2023-04-03 | 2023-05-02 | 南京邮电大学 | 表面肌电信号采集系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104523266B (zh) | 一种心电信号自动分类方法 | |
CN112244851A (zh) | 一种肌肉运动识别方法及表面肌电信号采集装置 | |
CN102622605B (zh) | 一种表面肌电信号的特征提取及动作模式识别方法 | |
CN110826625B (zh) | 一种基于表面肌电信号的手指手势分类方法 | |
CN105769173A (zh) | 一种具有心电信号去噪功能的心电监测系统 | |
CN101596101A (zh) | 依据脑电信号判定疲劳状态的方法 | |
CN111967506A (zh) | 一种人工蜂群优化bp神经网络的脑电信号分类方法 | |
AlOmari et al. | Analysis of extracted forearm sEMG signal using LDA, QDA, K-NN classification algorithms | |
CN113111831A (zh) | 一种基于多模态信息融合的手势识别技术 | |
CN101385645A (zh) | 基于量子简单递归神经网络心电图智能检测法 | |
Powar et al. | A novel pre-processing procedure for enhanced feature extraction and characterization of electromyogram signals | |
CN105534517A (zh) | 一种去除三导联心电信号中车辆运动噪声的方法 | |
CN213758282U (zh) | 一种表面肌电信号采集装置 | |
Meng et al. | Evaluation of decomposition parameters for high-density surface electromyogram using fast independent component analysis algorithm | |
Bai et al. | Multi-channel sEMG signal gesture recognition based on improved CNN-LSTM hybrid models | |
CN105796091B (zh) | 一种用于去除心电信号车辆运动噪声的智能终端 | |
AlOmari et al. | Novel hybrid soft computing pattern recognition system SVM–GAPSO for classification of eight different hand motions | |
CN110738093B (zh) | 基于改进小世界回声状态网络肌电的分类方法 | |
CN111839847A (zh) | 肌电假肢控制方法、装置、电子设备和计算机可读介质 | |
CN110321856B (zh) | 一种时频多尺度散度csp的脑机接口方法及装置 | |
Fu et al. | Identification of finger movements from forearm surface EMG using an augmented probabilistic neural network | |
CN115329800B (zh) | 一种基于解耦训练的卷积神经网络活动识别方法 | |
CN112084935B (zh) | 一种基于扩充高质量脑电样本的情绪识别方法 | |
CN110464517B (zh) | 基于小波加权排列熵的肌电信号识别方法 | |
Oyama et al. | Wrist EMG signals identification using neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GR01 | Patent grant | ||
GR01 | Patent grant |