TWI766597B - 生理訊號識別裝置及生理訊號識別方法 - Google Patents

生理訊號識別裝置及生理訊號識別方法 Download PDF

Info

Publication number
TWI766597B
TWI766597B TW110106860A TW110106860A TWI766597B TW I766597 B TWI766597 B TW I766597B TW 110106860 A TW110106860 A TW 110106860A TW 110106860 A TW110106860 A TW 110106860A TW I766597 B TWI766597 B TW I766597B
Authority
TW
Taiwan
Prior art keywords
signal
physiological signal
noise
physiological
corrected
Prior art date
Application number
TW110106860A
Other languages
English (en)
Other versions
TW202233127A (zh
Inventor
陳恒殷
黃筠貽
游舜宇
Original Assignee
財團法人工業技術研究院
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 財團法人工業技術研究院 filed Critical 財團法人工業技術研究院
Priority to TW110106860A priority Critical patent/TWI766597B/zh
Priority to CN202110327388.6A priority patent/CN114947889A/zh
Priority to US17/223,012 priority patent/US20220273244A1/en
Application granted granted Critical
Publication of TWI766597B publication Critical patent/TWI766597B/zh
Publication of TW202233127A publication Critical patent/TW202233127A/zh

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/22—Ergometry; Measuring muscular strength or the force of a muscular blow
    • A61B5/224—Measuring muscular strength
    • 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
    • A61B5/30—Input circuits therefor
    • A61B5/307—Input circuits therefor specially adapted for particular uses
    • A61B5/313—Input circuits 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
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/10—Athletes
    • 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
    • A61B2560/0242—Operational features adapted to measure environmental factors, e.g. temperature, pollution
    • A61B2560/0247—Operational features adapted to measure environmental factors, e.g. temperature, pollution for compensation or correction of the measured physiological value
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

生理訊號識別裝置及生理訊號識別方法。對生理訊號執行均方根演算法來獲得雜訊閾值，並基於雜訊閾值來調整生理訊號，而獲得調整後訊號。之後，在調整後訊號中偵測肌力啟動點。

Description

生理訊號識別裝置及生理訊號識別方法
本發明是有關於一種訊號處理機制，且特別是有關於一種生理訊號識別裝置及生理訊號識別方法。
現代人越來越依賴智慧型穿戴裝置來感測生理訊號，藉此時刻注意身體狀態，並有效管理健康。現在大部分的人普遍都很注重自身的健康，除了工作以外也會空出時間做些運動，無論是居家運動或是去健身房都是很方便的選擇。基於肌電（electromyography，EMG）訊號與運動的高度相關性，EMG訊號的分析成為熱門的研究議題，廣泛地應用在許多的領域。EMG訊號可用來判別肌肉的疲憊程度，藉由時域上的分析可監控可能狀況和周邊疲憊，而頻域上的分析則可了解運動單元的激發率。目前在時域及頻域分析上已有多項指標可做為醫療運用參考。然而，EMG訊號會因背景雜訊大、其他肌肉及電極間距雜訊變異，導致訊號失真，判讀不易。
本發明一實施例的生理訊號識別裝置，包括：生理訊號感測器，感測生理訊號；以及處理器，耦接至生理訊號感測器且經配置以：對生理訊號執行均方根（Root Mean Square，RMS）演算法來獲得雜訊閾值；基於雜訊閾值來調整生理訊號，而獲得調整後訊號；以及在調整後訊號中偵測肌力啟動點。
在本發明的一實施例中，所述處理器經配置以：將生理訊號中小於雜訊閾值的振幅乘上第一權重值，將生理訊號中大於或等於雜訊閾值的振幅乘上第二權重值，藉此來獲得調整後訊號。
在本發明的一實施例中，所述處理器經配置以：設定啟動訊號閾值，並基於啟動訊號閾值在調整後訊號中偵測肌力啟動點。
在本發明的一實施例中，所述處理器經配置以：根據一動作速度來設定啟動訊號閾值。
在本發明的一實施例中，所述處理器經配置以在對生理訊號執行RMS演算法之前，執行校正程序，以在獲得校正後生理訊號之後，對校正後生理訊號執行RMS演算法。所述校正程序包括：轉換生理訊號為初始頻域訊號；查找資料庫以獲得雜訊頻率；去除初始頻域訊號中的雜訊頻率而獲得校正後頻域訊號；轉換校正後頻域訊號為時域訊號；以及記錄時域訊號為校正後生理訊號。
在本發明的一實施例中，所述生理訊號識別裝置更包括：補償元件。所述補償元件耦接至處理器，用以獲得補償值。所述處理器經配置以：基於補償值來計算雜訊變異量，並自資料庫中查找與雜訊變異量對應的雜訊頻率。
在本發明的一實施例中，所述補償元件用以測量生理訊號感測器的兩電極間的拉伸間距來作為補償值。所述處理器經配置以：基於拉伸間距來獲得阻值，而基於所述阻值來計算雜訊變異量。
在本發明的一實施例中，所述補償元件用以測量導電率來作為補償值。所述處理器經配置以：自資料庫中查找與導電率對應的雜訊頻率。
在本發明的一實施例中，所述處理器經配置以查找資料庫，比對初始頻域訊號與標準訊號，以獲得雜訊頻率。
在本發明的一實施例中，所述生理訊號為肌電（electromyography，EMG）訊號。
本發明一實施例的生理訊號識別方法，包括：轉換生理訊號為初始頻域訊號；基於由補償元件所獲得的補償值來計算雜訊變異量；自資料庫中查找與雜訊變異量對應的雜訊頻率；去除初始頻域訊號中的雜訊頻率而獲得校正後頻域訊號；轉換校正後頻域訊號為時域訊號；以及記錄時域訊號為校正後生理訊號。
本發明實施例的生理訊號識別方法，包括：轉換生理訊號為初始頻域訊號；比對初始頻域訊號與標準訊號，以獲得雜訊頻率；去除初始頻域訊號中的雜訊頻率而獲得校正後頻域訊號；轉換校正後頻域訊號為時域訊號；以及記錄時域訊號為校正後生理訊號。
基於上述，本揭露實施例可即時偵測雜訊進而修正訊號，提高動態精準度，減少訊號失真。
圖1是依照本發明一實施例的生理訊號識別裝置的方塊圖。請參照圖1，生理訊號識別裝置100包括生理訊號感測器110、處理器120以及儲存裝置130。處理器120耦接至生理訊號感測器110以及儲存裝置130。
生理訊號感測器110用以偵測生理訊號。生理訊號例如為EMG訊號。處理器120例如為中央處理單元（Central Processing Unit，CPU）、物理處理單元（Physics Processing Unit，PPU）、可程式化之微處理器（Microprocessor）、嵌入式控制晶片、數位訊號處理器（Digital Signal Processor，DSP）、特殊應用積體電路（Application Specific Integrated Circuits，ASIC）或其他類似裝置。
儲存裝置130例如是任意型式的固定式或可移動式隨機存取記憶體、唯讀記憶體、快閃記憶體、安全數位卡、硬碟或其他類似裝置或這些裝置的組合。儲存裝置130中儲存有多個程式碼片段，而上述程式碼片段在被安裝後，由處理器120來執行，藉此來執行生理訊號識別方法。所述生理訊號識別方法包括：對生理訊號執行均方根（Root Mean Square，RMS）演算法來獲得雜訊閾值，基於雜訊閾值來調整生理訊號，而獲得調整後訊號，並且在調整後訊號中偵測肌力啟動點。
上述程式碼片段可組成為一系統模組，如圖2所示。圖2是依照本發明一實施例的系統模組的方塊圖。在圖2中，系統模組200包括RMS模組201、訊號調整模組203、閾值設定模組205以及肌力啟動點偵測模組207。將生理訊號傳送至RMS模組201，而由RMS模組201對生理訊號執行RMS演算法以獲得雜訊閾值。接著，由訊號調整模組203基於雜訊閾值來調整生理訊號。例如，將生理訊號中小於雜訊閾值的振幅乘上一第一權重值，將該生理訊號中大於或等於該雜訊閾值的振幅乘上一第二權重值，藉此來獲得該調整後訊號。
圖3A及圖3B是依照本發明一實施例的生理訊號的示意圖。在圖3A中，將生理訊號310中小於雜訊閾值Z的振幅乘上第一權重值，將生理訊號310中大於或等於雜訊閾值Z的振幅（即，主頻區域301中的振幅）乘上第二權重值，藉此獲得調整後訊號320。在此，第一權重值例如為0.01，第二權重值例如為1。即，將小於雜訊閾值Z的振幅視為是雜訊，故，將被視為雜訊的振幅乘上0.01，以降低其影響性。另一方面，將大於或等於雜訊閾值Z的振幅視為是主要頻率，故，將被視為是肌力訊號的振幅乘上1，以維持其訊號強度，而不會降低主要頻率的振幅。另外，在其他實施例中，第一權重值亦可以為其他任意數值，在此並不限定。
在獲得調整訊號320之後，如圖3B所示，閾值設定模組205基於調整後訊號來設定啟動訊號閾值T1。在此，閾值設定模組205可根據肌肉完成特定動作的動作速度來設定啟動訊號閾值T1。動作速度快，則啟動訊號閾值T1設定為高；動作速度慢時，啟動訊號閾值T1設定為低。例如，處理器120根據生理訊號中波形持續時間來判斷動作快慢，亦是訊號波形振盪之頻率，頻率愈小則表示動作較慢，反之，頻率愈大則表示動作較快，因可根據頻率大小偵測動作速度；此處說明是可實施的。據此，可在每次使用者配戴生理訊號識別裝置100執行特定動作的期間，處理器120根據生理訊號的波形來判斷動作速度。據此，基於動作速度來調整啟動訊號閾值T1進而提高肌力啟動點的辨識率。而在獲得啟動訊號閾值T1之後，由肌力啟動點偵測模組207基於啟動訊號閾值T1，在調整後訊號320中偵測肌力啟動點P。例如，在偵測到訊號突然持續大於啟動訊號閾值T1的那一點，便將所述點設定為肌力啟動點P。
圖4是依照本發明一實施例的生理訊號識別裝置的方塊圖。請參照圖4，生理訊號識別裝置400包括生理訊號感測器110、處理器120、補償元件410以及儲存裝置420。處理器120耦接至生理訊號感測器110、補償元件410以及儲存裝置420。儲存裝置420中儲存有多個程式碼片段，而上述程式碼片段在被安裝後，由處理器120來執行，藉此來執行生理訊號識別方法。上述程式碼片段可組成為系統模組42。系統模組42包括雜訊變異運算模組421、頻域轉換模組422、降噪模組423以及反頻域轉換模組424。底下搭配上述系統模組42來說明生理訊號識別方法各步驟。
圖5是依照本發明一實施例的生理訊號識別方法的流程圖。請同時參照圖4及圖5，在步驟S505中，由頻域轉換模組422轉換生理訊號為初始頻域訊號。例如，頻域轉換模組422採用傅立葉轉換演算法將時域的生理訊號轉換至頻域，以獲得初始頻域訊號。
接著，在步驟S510中，由雜訊變異運算模組421基於由補償元件410所獲得的補償值來計算一雜訊變異量。補償元件410用以測量生理訊號感測器110中的兩電極間的阻值來作為補償值。雜訊變異運算模組421基於補償值來計算雜訊變異量。
表1所示為雜訊變異量的查找表。不同的補償值具有對應的雜訊變異量。其中x 0為生理訊號感測器110中的兩電極未被拉伸時所量測到的補償值（阻值）。
表1
生理訊號 S 0 S 1 S 2 S 3 … S n
補償值（阻值） x 0 x 1 x 2 x 3 … x n
雜訊變異量 D 0=0 D 1 D 2 D 3 … D n
表1中，在兩電極未被拉伸時的雜訊變異量D 0的初始設定為0，其他雜訊變異量D 1～D n則是基於下述公式（1）計算而獲得。
Figure 02_image001
（1）
其中，D i為第i個雜訊變異量，x i為第i個補償值，
Figure 02_image003
為補償值的平均值。即，每獲得一個補償值便填入表1中來進行計算。
另外，也可透過補償元件410量測兩電極間的拉伸間距來作為補償值。圖6是依照本發明一實施例的感測電極的示意圖。在本實施例中，利用可拉伸電容/電阻601來作為補償元件410。可拉伸電容/電阻601設置在電極A1、A2之間。並且，以電極A2’來表示位移後的電極A2。拉伸前的間距為d，拉伸後的間距為d’，故，拉伸間距為d’-d。
舉例來說，可設定為在拉伸間距為1 mm時，雜訊變異量為CV1；在拉伸間距為2 mm時，雜訊變異量為CV2，以此類推。或者，也可以設定為：在拉伸間距落在0~1 mm的範圍內時，雜訊變異量為CV1；在拉伸間距落在1~2 mm時，雜訊變異量為CV2，以此類推。
另外，補償元件410還可採用多重電容或陀螺儀來實現，可偵測多方向伸展的運動型態。例如，利用多重電容來感測電極在多方向的拉伸，或是利用陀螺儀來感測扭轉拉伸形變，藉此量測兩電極間的拉伸間距。
又，補償元件410亦可以用來測量導電率來作為補償值。即，利用補償元件410感測皮膚汗液來獲得導電率。之後，處理器120自資料庫中查找與導電率對應的雜訊頻率。
表2所示為導電率與頻率的對應關係。表2
頻率\導電率 10% 20% …… 100%
10Hz 1db 0 … 2db
20Hz 3db 0 … 0
30Hz 0 4db … 5db
… … … … …
… … … … …
以導電率10%而言，倘若補償元件410偵測到導電率為10%，經由查表得知在頻率10Hz、20Hz處具有振幅，分別為1db、3db，故，以頻率10Hz、20Hz來作為雜訊頻率。
在獲得雜訊變異量之後，雜訊變異運算模組421在步驟S515中，自資料庫中查找與雜訊變異量對應的雜訊頻率。即，可事先在儲存裝置420中建立好不同的雜訊變異量對應的一個或多個雜訊頻率。在獲得雜訊變異量之後，便可透過查表來獲得對應的雜訊頻率。
之後，在步驟S520中，降噪模組423去除初始頻域訊號中的雜訊頻率而獲得校正後頻域訊號。然後，在步驟S525中，反頻域轉換模組424轉換校正後頻域訊號為時域訊號。而在步驟S530中，處理器120記錄時域訊號為校正後生理訊號。
在其他實施例中，也可以不使用補償元件，而直接根據生理訊號與標準訊號來獲得雜訊頻率。圖7是依照本發明一實施例的生理訊號識別裝置的方塊圖。圖8是依照本發明一實施例的生理訊號識別方法的流程圖。在本實施例中，生理訊號識別裝置700與生理訊號識別裝置400的差別在於生理訊號識別裝置700中不具有補償元件410。
在步驟S805中，由頻域轉換模組422轉換生理訊號為初始頻域訊號。接著，在步驟S810中，雜訊變異運算模組421比對初始頻域訊號與標準訊號，以獲得雜訊頻率。在此，在開始啟用生理訊號識別裝置700時，先進行初始化設定來獲得尚未開始進行動作的初始生理訊號，並將其轉換至時域的訊號來作為標準訊號，以供後續進行比對用。例如，將初始頻域訊號減去標準訊號來獲得雜訊頻率。
之後，在步驟S815中，降噪模組423去除初始頻域訊號中的雜訊頻率而獲得校正後頻域訊號。然後，在步驟S820中，反頻域轉換模組424轉換校正後頻域訊號為時域訊號。而在步驟S825中，處理器120記錄時域訊號為校正後生理訊號。
另外，圖5及圖8所示的生理訊號識別方法在獲得校正後生理訊號後，還可進一步對校正後生理訊號執行RMS演算法來獲得雜訊閾值，並基於雜訊閾值來調整校正後生理訊號，而獲得調整後訊號。也就是說，系統模組200與系統模組42可進行整合。
圖9是依照本發明一實施例的系統模組的方塊圖。本實施例的系統模組900為整合系統模組200與系統模組42而獲得。透過雜訊變異運算模組421、頻域轉換模組422、降噪模組423以及反頻域轉換模組424對生理訊號進行校正程序而獲得校正後生理訊號之後，反頻域轉換模組424將校正後生理訊號傳送至RMS模組201。之後，由RMS模組201、訊號調整模組203、閾值設定模組205以及肌力啟動點偵測模組207對校正後生理訊號進行調整，以在調整後訊號中偵測肌力啟動點，詳細描述可參照上述圖2、圖3A及圖3B的相關記載。
圖10是依照本發明一實施例的系統模組的方塊圖。在本實施例中，系統模組1000包括雜訊變異運算模組421、參數資料庫1010、RMS模組201、訊號調整模組203、閾值設定模組205以及肌力啟動點偵測模組207。雜訊變異運算模組421在獲得雜訊變異量之後，將雜訊變異量儲存至參數資料庫1010。而RMS模組201查詢參數資料庫1010獲得雜訊變異量，藉此來變更RMS演算法中用於標準差數值設定的參數。
上述實施例可應用於科學化運動訓練，可精準分析各肌肉啟動順序，進行對應的訓練調整。例如，可應用於棒球、體適能、高爾夫等運動訓練。上述實施例還可應用於復健、長照等健康照護，可確認復健動作是否確實外，拮抗肌的時機差也是肌肉與關節變異的指標。上述實施例也可應用於監控勞工安全，可分析長期出力的勞工，例如偵測左右肌力大小、肌肉收縮時間的差異、或手部拮抗肌的時機差過大等來作為身體警訊，藉此供雇主參考。
綜上所述，本揭露透過演算將雜訊與主要訊號分離來修正訊號，提高動態精準度，減少訊號失真。並且，利用權重調整，可降低雜訊的振幅並且能夠維持主要頻率的振幅。此外，還可根據使用者的動作速度來調整啟動訊號閾值，可提高肌力啟動點的辨識率。
雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
100、400、700:生理訊號識別裝置 110:生理訊號感測器 120:處理器 130、420:儲存裝置 200、42、900、1000:系統模組 201:RMS模組 203:訊號調整模組 205:閾值設定模組 207:肌力啟動點偵測模組 301:主頻區域 310:生理訊號 320:調整後訊號 410:補償元件 421:雜訊變異運算模組 422:頻域轉換模組 423:降噪模組 424:反頻域轉換模組 601:可拉伸電容/電阻 1010:參數資料庫 A1、A2、A2’:電極 d、d’:間距 P:肌力啟動點 T1:啟動訊號閾值 Z:雜訊閾值 S505～S530:生理訊號識別方法的各步驟 S805～S825:生理訊號識別方法的各步驟
圖1是依照本發明一實施例的生理訊號識別裝置的方塊圖。 圖2是依照本發明一實施例的系統模組的方塊圖。 圖3A及圖3B是依照本發明一實施例的生理訊號的示意圖。 圖4是依照本發明一實施例的生理訊號識別裝置的方塊圖。 圖5是依照本發明一實施例的生理訊號識別方法的流程圖。 圖6是依照本發明一實施例的感測電極的示意圖。 圖7是依照本發明一實施例的生理訊號識別裝置的方塊圖。 圖8是依照本發明一實施例的生理訊號識別方法的流程圖。 圖9是依照本發明一實施例的系統模組的方塊圖。 圖10是依照本發明一實施例的系統模組的方塊圖。
100:生理訊號識別裝置
110:生理訊號感測器
120:處理器
130:儲存裝置

Claims (19)

  1. 一種生理訊號識別裝置，包括：一生理訊號感測器，感測一生理訊號；以及一處理器，耦接至該生理訊號感測器且經配置以：對該生理訊號執行一均方根演算法來獲得一雜訊閾值；將該生理訊號中小於該雜訊閾值的振幅乘上一第一權重值，將該生理訊號中大於或等於該雜訊閾值的振幅乘上一第二權重值，藉此來獲得一調整後訊號；以及在該調整後訊號中偵測一肌力啟動點。
  2. 如請求項1所述的生理訊號識別裝置，其中該處理器經配置以：設定一啟動訊號閾值，並基於該啟動訊號閾值在該調整後訊號中偵測該肌力啟動點。
  3. 如請求項2所述的生理訊號識別裝置，其中該處理器經配置以：根據一動作速度來設定該啟動訊號閾值。
  4. 一種生理訊號識別裝置，包括：一生理訊號感測器，感測一生理訊號；以及一處理器，耦接至該生理訊號感測器且經配置以：對該生理訊號執行一校正程序，以獲得一校正後生理訊號；對該校正後生理訊號執行一均方根演算法來獲得一雜訊閾值；基於該雜訊閾值來調整該生理訊號，而獲得一調整後訊號；以及 在該調整後訊號中偵測一肌力啟動點，其中該校正程序包括：轉換該生理訊號為一初始頻域訊號；查找一資料庫以獲得一雜訊頻率；去除該初始頻域訊號中的該雜訊頻率而獲得一校正後頻域訊號；轉換該校正後頻域訊號為一時域訊號；以及記錄該時域訊號為該校正後生理訊號。
  5. 如請求項4所述的生理訊號識別裝置，更包括：一補償元件，耦接至該處理器，用以獲得一補償值；該處理器經配置以：基於該補償值來計算一雜訊變異量，並自該資料庫中查找與該雜訊變異量對應的該雜訊頻率。
  6. 如請求項5所述的生理訊號識別裝置，其中該補償元件用以測量該生理訊號感測器的兩電極間的一拉伸間距來作為該補償值；該處理器經配置以：基於該拉伸間距來獲得一阻值，而基於該阻值來計算該雜訊變異量。
  7. 如請求項5所述的生理訊號識別裝置，其中該補償元件用以測量一導電率來作為該補償值；該處理器經配置以：自該資料庫中查找與該導電率對應的該雜訊頻率。
  8. 如請求項4所述的生理訊號識別裝置，其中該處理器經配置以：查找該資料庫，比對該初始頻域訊號與一標準訊號，以獲得該雜訊頻率。
  9. 如請求項1或4所述的生理訊號識別裝置，其中該生理訊號為肌電訊號。
  10. 一種生理訊號識別方法，包括：轉換一生理訊號為一初始頻域訊號；基於由一補償元件所獲得的一補償值來計算一雜訊變異量；自一資料庫中查找與該雜訊變異量對應的一雜訊頻率；去除該初始頻域訊號中的該雜訊頻率而獲得一校正後頻域訊號；轉換該校正後頻域訊號為一時域訊號；以及記錄該時域訊號為該校正後生理訊號。
  11. 如請求項10所述的生理訊號識別方法，其中基於由該補償元件獲得該補償值來計算該雜訊變異量的步驟包括：透過該補償元件測量該生理訊號感測器的兩電極間的一拉伸間距來作為該補償值；以及基於該拉伸間距來獲得一阻值，而基於該阻值來計算該雜訊變異量。
  12. 如請求項10所述的生理訊號識別方法，其中基於由該補償元件獲得該補償值來計算該雜訊變異量的步驟包括：透過該補償元件測量一導電率來作為該補償值；以及 自該資料庫中查找與該導電率對應的該雜訊頻率。
  13. 如請求項10所述的生理訊號識別方法，更包括：對該校正後生理訊號執行執行一均方根演算法來獲得一雜訊閾值；以及基於該雜訊閾值來調整該校正後生理訊號，而獲得一調整後訊號。
  14. 如請求項13所述的生理訊號識別方法，其中基於該雜訊閾值來調整該校正後生理訊號，而獲得該調整後訊號的步驟包括：將該校正後生理訊號中小於該雜訊閾值的振幅乘上一第一權重值，將該校正後生理訊號中大於或等於該雜訊閾值的振幅乘上一第二權重值，藉此來獲得該調整後訊號。
  15. 如請求項13所述的生理訊號識別方法，其中在基於該雜訊閾值來調整該校正後生理訊號，而獲得該調整後訊號的步驟之後，更包括：根據一動作速度來設定一啟動訊號閾值，並基於該啟動訊號閾值在該調整後訊號中偵測一肌力啟動點。
  16. 一種生理訊號識別方法，包括：轉換一生理訊號為一初始頻域訊號；比對該初始頻域訊號與一標準訊號，以獲得一雜訊頻率；去除該初始頻域訊號中的該雜訊頻率而獲得一校正後頻域訊號； 轉換該校正後頻域訊號為一時域訊號；以及記錄該時域訊號為該校正後生理訊號。
  17. 如請求項16所述的生理訊號識別方法，更包括：對該校正後生理訊號執行執行一均方根演算法來獲得一雜訊閾值；以及基於該雜訊閾值來調整該校正後生理訊號，而獲得一調整後訊號。
  18. 如請求項17所述的生理訊號識別方法，其中基於該雜訊閾值來調整該校正後生理訊號，而獲得該調整後訊號的步驟包括：將該校正後生理訊號中小於該雜訊閾值的振幅乘上一第一權重值，將該校正後生理訊號中大於或等於該雜訊閾值的振幅乘上一第二權重值，藉此來獲得該調整後訊號。
  19. 如請求項17所述的生理訊號識別方法，其中在基於該雜訊閾值來調整該校正後生理訊號，而獲得該調整後訊號的步驟之後，更包括：根據一動作速度來設定一啟動訊號閾值，並基於該啟動訊號閾值在該調整後訊號中偵測一肌力啟動點。
TW110106860A 2021-02-26 2021-02-26 生理訊號識別裝置及生理訊號識別方法 TWI766597B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW110106860A TWI766597B (zh) 2021-02-26 2021-02-26 生理訊號識別裝置及生理訊號識別方法
CN202110327388.6A CN114947889A (zh) 2021-02-26 2021-03-26 生理信号识别装置及生理信号识别方法
US17/223,012 US20220273244A1 (en) 2021-02-26 2021-04-06 Physiological signal recognition apparatus and physiological signal recognition method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW110106860A TWI766597B (zh) 2021-02-26 2021-02-26 生理訊號識別裝置及生理訊號識別方法

Publications (2)

Publication Number Publication Date
TWI766597B true TWI766597B (zh) 2022-06-01
TW202233127A TW202233127A (zh) 2022-09-01

Family

ID=82973791

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110106860A TWI766597B (zh) 2021-02-26 2021-02-26 生理訊號識別裝置及生理訊號識別方法

Country Status (3)

Country Link
US (1) US20220273244A1 (zh)
CN (1) CN114947889A (zh)
TW (1) TWI766597B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI370254B (zh) * 2008-10-31 2012-08-11 Univ Nat Chiao Tung
TW201805885A (zh) * 2016-08-03 2018-02-16 國立臺灣大學 基於個人化基底的壓縮感知系統及其方法
TWM573229U (zh) * 2018-10-26 2019-01-21 艾力賀健康科技有限公司 肌力偵測裝置及系統

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8529448B2 (en) * 2009-12-31 2013-09-10 Cerner Innovation, Inc. Computerized systems and methods for stability—theoretic prediction and prevention of falls
WO2015131065A1 (en) * 2014-02-28 2015-09-03 Valencell, Inc. Method and apparatus for generating assessments using physical activity and biometric parameters
US10575760B2 (en) * 2014-03-26 2020-03-03 GestureLogic Inc. Systems, methods and devices for activity recognition
US20200008299A1 (en) * 2016-10-21 2020-01-02 Bao Tran Flexible printed electronics

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI370254B (zh) * 2008-10-31 2012-08-11 Univ Nat Chiao Tung
TW201805885A (zh) * 2016-08-03 2018-02-16 國立臺灣大學 基於個人化基底的壓縮感知系統及其方法
TWM573229U (zh) * 2018-10-26 2019-01-21 艾力賀健康科技有限公司 肌力偵測裝置及系統

Also Published As

Publication number Publication date
US20220273244A1 (en) 2022-09-01
TW202233127A (zh) 2022-09-01
CN114947889A (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
Gillinov et al. Variable accuracy of wearable heart rate monitors during aerobic exercise
US8348862B2 (en) Muscular energy state analysis system and method for swing motion and computer program product thereof
US10383562B2 (en) Measuring psychological stress from cardiovascular and activity signals
Pareja‐Blanco et al. Effects of velocity loss in the bench press exercise on strength gains, neuromuscular adaptations, and muscle hypertrophy
Rigoldi et al. Measuring regularity of human postural sway using approximate entropy and sample entropy in patients with Ehlers–Danlos syndrome hypermobility type
US8882669B2 (en) Computer program product, device and method for measuring the arousal of a user
CN108903929B (zh) 心率检测修正的方法、装置、存储介质和系统
WO2018214524A1 (zh) 一种运动训练预警方法及装置
TWI530280B (zh) Physiological State Feedback Control Method of Gait Training Equipment
Etxebarria et al. Variability in power output during cycling in international Olympic-distance triathlon
US10272243B2 (en) Control device for electrical stimulation apparatus, electrical stimulation apparatus, and pedaling exercise system
US20160157743A1 (en) Muscular fatigue determination apparatus, method for determining muscular fatigue, and recording medium
WO2018090604A1 (zh) 用于检测、缓解帕金森异常步态的装置
US20170311862A1 (en) Measuring psychological stress from cardiovascular and activity signals
WO2021249203A1 (zh) 运动状态的监测方法、装置、系统及存储介质
TWI766597B (zh) 生理訊號識別裝置及生理訊號識別方法
US8812090B2 (en) Calibration method of electrocardiogram signals and the application program for the same
US10376212B2 (en) Muscle fatigue output device, muscle fatigue output method, and recording medium
WO2022068589A1 (zh) 动态心率预测方法、装置、设备及可读存储介质
Ichinoseki-Sekine et al. Improving the accuracy of pedometer used by the elderly with the FFT algorithm
US11116427B2 (en) Breathing activity monitoring device, corresponding system and method
Marri et al. Identification of onset of fatigue in biceps brachii muscles using surface EMG and multifractal DMA alogrithm
Marri et al. Analyzing the influence of curl speed in fatiguing biceps brachii muscles using sEMG signals and multifractal detrended moving average algorithm
US20220047222A1 (en) Method for determining injury risk of user taking exercise
JP2017108871A (ja) 身体情報生成装置