WO2021066671A1 - Способ тренировки моторных функций кисти руки с обратной связью - Google Patents

Способ тренировки моторных функций кисти руки с обратной связью Download PDF

Info

Publication number
WO2021066671A1
WO2021066671A1 PCT/RU2019/000699 RU2019000699W WO2021066671A1 WO 2021066671 A1 WO2021066671 A1 WO 2021066671A1 RU 2019000699 W RU2019000699 W RU 2019000699W WO 2021066671 A1 WO2021066671 A1 WO 2021066671A1
Authority
WO
WIPO (PCT)
Prior art keywords
gesture
user
pattern
training
emg
Prior art date
Application number
PCT/RU2019/000699
Other languages
English (en)
French (fr)
Inventor
Анатолий Сергеевич БОБЕ
Павел Олегович ПРОЯЕВ
Original Assignee
Общество С Ограниченной Ответственностью "Нейроассистивные Технологии"
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 Общество С Ограниченной Ответственностью "Нейроассистивные Технологии" filed Critical Общество С Ограниченной Ответственностью "Нейроассистивные Технологии"
Priority to PCT/RU2019/000699 priority Critical patent/WO2021066671A1/ru
Publication of WO2021066671A1 publication Critical patent/WO2021066671A1/ru

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb

Definitions

  • the present technical solution relates to the field of computing, in particular, to a computer-implemented method for training the motor functions of the hand with feedback based on the recognition of an electromyography (EMG) signal.
  • EMG electromyography
  • EMG is a functional diagnostic technique that studies the electrical activity of the peripheral apparatus of the nervous system.
  • patients need to undergo a rehabilitation course. This course is aimed at the patient performing a series of exercises for fine motor skills of the hand using EMG electrodes.
  • the most important step in the rehabilitation process is the assessment of the quality of the exercise.
  • a source of information WO 2019/132692, 07/04/2019, disclosing a method for controlling electronic devices using an electromyographic reader, is known from the prior art. This method can be used in the rehabilitation of people after the loss of a limb or in connection with diseases that lead to a violation of the musculoskeletal system. This method reads the EMG signal from the user and processes this signal to determine the type of gesture. The gesture type is identified based on a set of characteristics of the EMG signal using an artificial neural network.
  • the difference from the specified source is the establishment of feedback on the quality of his exercise. That is, a reference gesture is formed, with which the performed gesture is compared and, in addition to recognizing the performed gesture, the characteristics of the gesture performance (quality of performance, level of effort, determination of user fatigue) are also determined.
  • the closest analogue of the claimed invention is the source of information US 2016/0331304 A1, 11/17/2016, which discloses a method for assessing physiotherapy exercises, which provides tips for performing exercises and using Muscle activity measuring devices measure exercise performance.
  • the perfect gesture is compared with the reference gesture and the results are displayed.
  • the difference between the claimed invention and the specified source is the absence of a system containing a sequence of gestures, that is, in the claimed invention, a patient can independently choose exercises, or perform them according to a set of training exercises recommended by a doctor.
  • the claimed invention controls the user's performance, that is, when the performance decreases, the training program ends.
  • the difference is that the calibration data is recorded and processed from the reference (healthy) user, and not from the patient performing the exercises.
  • the technical problem to be solved by the claimed technical solution is the creation of a computer-implemented method for training the motor functions of the hand with feedback based on the recognition of the EMG signal, which are described in the independent claim of the formula. Additional embodiments of the present invention are presented in the dependent claims.
  • the technical result consists in increasing the efficiency of rehabilitation of patients with hand dysfunctions.
  • a computer-implemented method for training hand motor functions with feedback based on EMG signal recognition containing a processor for performing the following steps:
  • the first stage is a preparatory stage, at which:
  • - EMG signals are processed by calculating averaged patterns for each of the perfect gesture, as well as a number of informative signs;
  • the second stage is the Worker, at which: a) the user chooses a training program and starts moving according to the selected program, or makes movements of his own choice; b) in real time during exercise, EMG signals are recorded using electrodes; c) process EMG signals to calculate the pattern of the perfect gesture, informative signal signs, and determine the perfect gesture from the set of training exercises; d) comparing the pattern corresponding to the performed gesture with the average pattern for the given gesture from the database; f) based on the comparison, present the current parameters of the exercise to the user; repeat stages af until the end of the training program or until the moment when the user's performance is reduced.
  • the EMG signal is read from the reference user.
  • the automatic gesture recognition module is trained using the LDA machine learning algorithm.
  • the EMG signal is additionally processed to determine the level of muscle effort when performing predictions.
  • the current parameters represent at least one of the gesture being performed, the quality of the gesture being performed, the level of developed muscle power.
  • the exercise parameters are displayed as a percentage relative to the reference parameters.
  • FIG. 1 illustrates a computer-implemented method for training hand motor functions with feedback based on EMG signal recognition.
  • the present invention is aimed at providing a computer-implemented method for training hand motor functions with feedback based on EMG signal recognition.
  • a computer-implemented method for training hand motor functions with feedback based on EMG signal recognition is implemented as follows.
  • the EMG electrodes To remove the EMG signal, it uses EMG electrodes, the number of biopolar leads is used at least 8, and a biomagnifier of the signal.
  • the amplified signal is wirelessly transmitted in real time for processing to a computing device.
  • the user selects a set of training exercises, which is formed arbitrarily by the user or set by a doctor.
  • This set includes from 1 to 10 different motor movements of individual fingers or the entire hand.
  • the user After selecting a set of exercises, the user performs at least 7 to 10 repetitions of each gesture with moderate effort and pauses between the sequence of gestures.
  • the EMG signal is recorded, after which it is sent to the computing device for processing through the signal biomagnifier, via wireless communication, in real time.
  • the received EMG signal is processed by calculating the averaged patterns for all repetitions of the same gesture performed by the user.
  • the calculation includes the following steps:
  • the EMG signal pattern is calculated for all repetitions of the given gesture; - the repetition of a gesture is normalized in time (bringing more "long” and more “shorter” gestures to a single scale);
  • the envelope power was, conventionally, 5-7, and for the seventh - 30 (the electrode slipped or some kind of interference), such samples are considered incorrect and they are eliminated.
  • the averaged curve is recorded in the pattern database as a reference property of the gesture.
  • the pattern database also records EMG signal strength parameters that correspond to moderate effort when the user performs gestures. This parameter is used to calculate the relative power of the user's effort, which he develops when making a gesture.
  • the system is trained to distinguish between gestures.
  • LDA Linear Discriminant Analysis
  • 1C A Independent Component Analysis
  • the multichannel signal is separated into statistically independent components.
  • the following informative indicators are calculated:
  • Higuchi fractal dimension - a measure of signal complexity, on the basis of which it is possible to track local changes in its structure
  • PCA principal component method
  • the system rejects the unsuitable gesture and may offer to repeat the calibration procedure or change the set of gestures.
  • a set of EMG electrodes connected to a signal biomagnifier is attached to the user - patient.
  • User - the patient randomly selects a set of exercises, or a set of training exercises recommended by the doctor, and begins to perform the exercises.
  • EMG signals are recorded on the contraction of the active muscles of the hand. Next, the EMG signal is processed.
  • the pattern of the perfect gesture is calculated, as described above, and informative signs are calculated according to the pattern and the perfect gesture is determined from the set of training exercises.
  • the pattern of the perfect gesture is compared with the average pattern for this gesture from the pattern database.
  • the parameters are also compared with the reference pattern to determine the quality of the gesture, which is based on correlation analysis.
  • the determination of the effort and the degree of fatigue is determined based on the comparison of the signal strength for the current gesture with the signal strength for the previous commitments of this gesture.
  • the current parameters of the exercise are given to the patient, which include at least one of: determination of the perfect gesture, the quality of the performed gesture, the level of developed muscle power.
  • the above parameters are displayed to the patient on the display of the computing device as a percentage relative to the reference parameters.
  • the working stage is repeated until the training program ends or until the moment when the patient's performance is reduced, that is, the definition of fatigue.
  • This method allows the user-patient to assess the correctness of the exercise, to correct the movements to better match the reference variant of the gesture.
  • it is possible to observe the progress over time of training, as well as to stop training when the user's performance decreases.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Dentistry (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Physiology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • User Interface Of Digital Computer (AREA)
  • Rehabilitation Tools (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

Изобретение относится к компьютерно-реализованному способу тренировки моторных функций кисти руки с обратной связью на основе распознавания сигнала ЭМГ. Способ включает в себя два этапа: подготовительный и рабочий. На подготовительном этапе с референтного человека записывают сигналы ЭМГ, при помощи электродов и обрабатывают их, посредством расчета усредненных паттернов и сохраняют их в базу данных паттернов, как эталонные значения жеста. На рабочем этапе, с пользователя - пациента, в режиме реального времени, регистрируют сигналы ЭМГ и обрабатывают сигнал ЭМГ для расчета паттерна, а также ряда информативных признаков, совершенного жеста для определения совершенного жеста. Сравнивают паттерн совершенного жеста с усредненным паттерном жеста из базы данных. На основе сравнения выдают текущие параметры выполнения упражнения пользователю. Рабочий этап повторяется до окончания программы тренировки или до определения момента снижения работоспособности пользователем. Обеспечивается установление обратной связи с пользователем, относительно качества выполнения им упражнений.

Description

СПОСОБ ТРЕНИРОВКИ МОТОРНЫХ ФУНКЦИЙ КИСТИ РУКИ с ОБРАТНОЙ СВЯЗЬЮ
ОБЛАСТЬ ТЕХНИКИ
Настоящее техническое решение относится к области вычислительной техники, в частности, к компьютерно-реализованному способу тренировки моторных функций кисти руки с обратной связью на основе распознавания сигнала электромиографии (ЭМГ).
УРОВЕНЬ ТЕХНИКИ
ЭМГ является методом функциональной диагностики, который изучает электрическую активность периферического аппарата нервной системы. При получении травм или наличии заболеваний, сопровождающихся нарушением либо частичной утратой подвижности верхних конечностей, в частном случае кистевой части руки, пациентам необходимо проходить курс реабилитации. Данный курс направлен на выполнение пациентом ряда упражнений на мелкую моторику кисти руки с использованием электродов ЭМГ. Наиболее важным этапом в процессе реабилитации является оценка качества выполнения упражнений.
Из уровня техники известен источник информации WO 2019/132692, 04.07.2019, раскрывающий способ управления электронными устройствами с использованием электромиографического считывателя. Данный способ может использоваться в реабилитации людей после потери конечности или в связи с заболеваниями, которые приводят к нарушению опорно-двигательного аппарата. В указанном способе считывают ЭМГ сигнал с пользователя и обрабатывают данный сигнал для определения типа жеста. Тип жеста идентифицируется на основе набора характеристик сигнала EMG с использованием искусственной нейронной сети.
Отличие от указанного источника является установление обратной связи относительно качества выполнения им упражнений. То есть формируется эталонный жест, с которым сравнивается совершаемый жест и помимо распознавания выполненного жеста, определяют и характеристики выполнения жеста (качество выполнения, уровень усилия, определение усталости пользователя).
Наиболее близким аналогом заявленного изобретения является источник информации US 2016/0331304 А1, 17.11.2016, раскрывающий способ оценки лечебной физкультуры, в котором даются подсказки для выполнения упражнения и при помощи устройства для измерения мышечной активности определяют качество выполнения упражнения. Сравнивают совершенный жест с эталонным жестом и выводят результаты на дисплей.
Отличием заявленного изобретения от указанного источника является отсутствие системы, содержащей последовательность совершения жестов, то есть в заявленном изобретении пациент может самостоятельно выбирать упражнения, либо выполнять их по набору тренировочных упражнений, рекомендованных врачом. Кроме того, заявленное изобретение контролирует работоспособность пользователя, то есть при снижении работоспособности программа тренировки заканчивается. Также отличием является то, что калибровочные данные регистрируются и обрабатываются с референтного (здорового) пользователя, а не от пациента, выполняющего упражнения.
СУЩНОСТЬ ИЗОБРЕТЕНИЯ
Технической проблемой, на решение которой направлено заявленное техническое решение, является создание компьютерно-реализуемого способа тренировки моторных функций кисти руки с обратной связью на основе распознавания сигнала ЭМГ, которые охарактеризованы в независимом пункте формулы. Дополнительные варианты реализации настоящего изобретения представлены в зависимых пунктах изобретения.
Технический результат заключается в повышении эффективности реабилитации пациентов с нарушениями функций кисти руки.
В предпочтительном варианте реализации заявлен компьютерно-реализованный способ тренировки моторных функций кисти руки с обратной связью на основе распознавания сигнала ЭМГ, содержащий процессор для выполнения следующих этапов: Первый этап - подготовительный этап, на котором:
- записывают сигнал ЭМГ по сокращению активных мышц кисти руки, при помощи электродов, посредством совершения жестов из набора тренировочных упражнений;
- обрабатывают ЭМГ сигналы, посредством расчета усредненных паттернов для каждого из совершенного жеста, а также ряда информативных признаков;
- сохраняют данные паттернов как эталонные свойства жестов в базу данных;
-обучают модуль автоматического распознавания жестов на основе анализа информативных признаков для каждого жеста;
- отклоняют жесты, уровень распознавания которых не соответствует заданному уровню;
Второй этап - Рабочий, на котором: а) пользователь выбирает программу тренировки и начинает движение согласно выбранной программе, либо совершает движения по собственному выбору; b) в режиме реального времени во время выполнения упражнений регистрируют сигналы ЭМГ, при помощи электродов; c) обрабатывают сигналы ЭМГ для расчета паттерна совершённого жеста, информативных признаков сигнала, и определения совершённого жеста из набора тренировочных упражнений; d) сравнивают паттерн, соответствующий совершённому жесту, с усреднённым паттерном для данного жеста из базы данных; f) на основе сравнения выдают текущие параметры выполнения упражнения пользователю; повторяют этапы a-f до окончания программы тренировки или до определения момента снижения работоспособности пользователя.
В частном варианте на подготовительном этапе сигнал ЭМГ считывают с референтного пользователя.
В другом частном варианте модуль автоматического распознавания жестов обучают при помощи алгоритма машинного обучения LDA.
В другом частном варианте на рабочем этапе, дополнительно обрабатывают сигнал ЭМГ для определения уровня усилия мышц при выполнении упреждений.
В другом частном варианте текущие параметры представляют собой по меньшей мере одно из: совершаемый жест, качество выполнения совершаемого жеста, уровень развиваемой мышечной мощности.
В другом частном варианте выводят параметры упражнения в процентном соотношении относительно эталонных параметров.
ОПИСАНИЕ ЧЕРТЕЖЕЙ
Реализация изобретения будет описана в дальнейшем в соответствии с прилагаемыми чертежами, которые представлены для пояснения сути изобретения и никоим образом не ограничивают область изобретения. К заявке прилагаются следующие чертежи:
Фиг. 1 иллюстрирует компьютерно-реализуемый способ тренировки моторных функций кисти руки с обратной связью на основе распознавания сигнала ЭМГ.
ДЕТАЛЬНОЕ ОПИСАНИЕ ИЗОБРЕТЕНИЯ
В приведенном ниже подробном описании реализации изобретения приведены многочисленные детали реализации, призванные обеспечить отчетливое понимание настоящего изобретения. Однако, квалифицированному в предметной области специалисту, будет очевидно каким образом можно использовать настоящее изобретение, как с данными деталями реализации, так и без них. В других случаях хорошо известные методы, процедуры и компоненты не были описаны подробно, чтобы не затруднять понимание особенностей настоящего изобретения.
Кроме того, из приведенного изложения будет ясно, что изобретение не ограничивается приведенной реализацией. Многочисленные возможные модификации, изменения, вариации и замены, сохраняющие суть и форму настоящего изобретения, будут очевидными для квалифицированных в предметной области специалистов.
Настоящее изобретение направлено на обеспечение компьютерно-реализованного способа тренировки моторных функций кисти руки с обратной связью на основе распознавания сигнала ЭМГ.
Способ будет описан на примере обработки сигналов ЭМГ с электродов, однако, этот пример не является ограничивающим.
Как представлено на Фиг. 1, компьютерно-реализованный способ тренировки моторных функций кисти руки с обратной связью на основе распознавания сигнала ЭМГ реализован следующим образом.
Для снятия сигнала ЭМГ использует электроды ЭМГ, число биополярных отведений используется не менее 8, и биоусилитель сигнала. Усиленный сигнал, посредством беспроводной связи, в режиме реального времени, передается на обработку в вычислительное устройство.
Перед началом тренировки пользователя - пациента, необходимо предварительно откалибровать систему. Калибровка происходит следующим образом.
На референтном (здоровом) пользователе, закрепляют набор электродов ЭМГ, подключенных к биоусилителю сигнала.
Пользователь выбирает набор тренировочных упражнений, который формируется произвольно пользователем или устанавливается врачом. Данный набор включает от 1 до 10 различных моторных движений отдельных пальцев или всей кисти.
После выбора набора упражнений пользователь совершает, по меньшей мере, от 7 до 10 повторений каждого жеста с умеренным усилием и с паузами между последовательностью жестов.
При выполнении упражнений пользователем ЭМГ сигнал записывается, после чего через биоусилитель сигнала, посредством беспроводной связи, в режиме реального времени, поступает на обработку в вычислительное устройство.
Обрабатывают поступивший сигнал ЭМГ, посредством расчета усредненных паттернов для всех повторений одного жеста, совершенных пользователем. Расчёт включает следующие этапы:
- рассчитывают паттерн ЭМГ сигнала для всех повторений данного жеста; - нормируют повторение жеста по времени (приведение более "долгих" и более "коротких" выполнений жеста к единой шкале);
- осуществляют поиск и отсеивание образцов сигнала, отличающихся от прочих подобных образцов сигнала, на основе статистического анализа полученных нормированных огибающих. Например, для 6 повторений жеста мощность по огибающей была, условно, 5-7, а для седьмого - 30 (электрод сполз или помеха какая-то), такие образцы считаются некорректными и их отсеивают.
- осуществляют усреднение полученных кривых. Усредненная кривая записывается в базу данных паттернов как эталонное свойство жеста.
В базу данных паттернов также записываются параметры мощности сигнала ЭМГ, соответствующие умеренному усилию при выполнении пользователем жестов. По данному параметру рассчитывается относительная мощность усилия пользователя, которую он развивает при совершении жеста.
Далее по рассчитанным усредненным паттернам, при помощи алгоритма машинного обучения LDA (Linear Discriminant Analysis), обучают систему различать жесты. Посредством 1C A (Independent Component Analysis) многоканальный сигнал разделяется на статистически независимые компоненты. По каждому компоненту, в отдельности, рассчитываются следующие информативные признаки:
- Фрактальная размерность Хигучи - мера сложности сигнала, на основе которой можно отслеживать локальные изменения в его структуре;
- MFL (maximum fractal length), максимальная фрактальная длина, ещё один фрактальный параметр;
- RMS (Root mean square) - среднеквадратичное значение;
- Waveform Length (WL) - коэффициент формы сигнала;
- ZC (zero-crossings), число пересечений с нулем, косвенный частотный параметр;
- AR - авторегрессионный коэффициент;
- Доминирующая частота Фурье-спектра;
- Мощность спектра.
Все результаты для всех компонент объединяются в один вектор, и к нему применяется преобразование методом главных компонент (РСА) для снижения размерности, и далее по полученным данным проводится обучение по алгоритму LDA.
Если уровень распознавания хотя бы одного жеста из набора слишком низкий, система отклоняет непригодный жест и может предложить повторить процедуру калибровки или сменить набор жестов.
Далее начинается этап работы с пациентом. На пользователе - пациенте закрепляют набор электродов ЭМГ, подключенных к биоусилителю сигнала. Пользователь - пациент произвольно выбирает набор упражнений, либо набор тренировочных упражнений, рекомендованных врачом, и начинает выполнять упражнения.
В режиме реального времени, во время выполнения упражнения, регистрируют сигналы ЭМГ по сокращению активных мышц кисти руки. Далее проходит обработка сигнала ЭМГ.
Рассчитывают паттерн совершённого жеста, как было описано выше, а также рассчитывают по паттерну информативные признаки и определяют совершённый жест из набора тренировочных упражнений.
После определения совершенного жеста, происходит сравнение паттерна совершенного жеста с усредненным паттерном для данного жеста из базы данных паттернов. Также сравниваются с эталонным паттерном параметры для определения качества выполнения жеста, которое основано на корреляционном анализе. А определение усилия и степени усталости определяется на основании сопоставления мощности сигнала для текущего жеста с мощностью сигнала для предыдущих совершений данного жеста.
По результатам сравнения выдают текущие параметры выполнения упражнения пациенту, которые включают в себя по меньшей мере одно из: определение совершенного жеста, качество выполнения совершаемого жеста, уровень развиваемой мышечной мощности.
Вышеуказанные параметры отображают пациенту на дисплее вычислительного устройства в процентном соотношении относительно эталонных параметров.
Рабочий этап повторяется до тех пор, пока не закончится программа тренировки либо до определения момента снижения работоспособности пациента, то есть определения усталости.
Данный способ позволяет пользователю- пациенту оценить правильность выполнения упражнения, корректировать движения для лучшего соответствия эталонному варианту исполнения жеста. Кроме того благодаря способу можно наблюдать прогресс с течением времени тренировки, а также прекращать тренировку в момент снижения работоспособности пользователя.
В настоящих материалах заявки было представлено предпочтительное раскрытие осуществление заявленного технического решения, которое не должно использоваться как ограничивающее иные, частные воплощения его реализации, которые не выходят за рамки испрашиваемого объема правовой охраны и являются очевидными для специалистов в соответствующей области техники. б

Claims

Формула изобретения
1. Компьютерно-реализованный способ тренировки моторных функций кисти руки с обратной связью на основе распознавания сигнала ЭМГ, содержащий процессор для выполнения следующих этапов:
Первый этап - подготовительный этап, на котором: записывают сигнал ЭМГ для расчета паттерна совершённого жеста, при помощи электродов, посредством совершения жестов из набора тренировочных упражнений; обрабатывают ЭМГ сигналы, посредством расчета усредненных паттернов для каждого из совершенного жеста, а также ряда информативных признаков; сохраняют данные паттернов как эталонные свойства жестов в базу данных; обучают модуль автоматического распознавания жестов на основе анализа информативных признаков для каждого жеста; отклоняют жесты, уровень распознавания которых не соответствует заданному уровню;
Второй этап - Рабочий, на котором: a) пользователь выбирает программу тренировки и начинает движение согласно выбранной программе, либо совершает движения по собственному выбору;
B) в режиме реального времени, во время выполнения упражнений, регистрируют сигналы ЭМГ при помощи электродов; c) обрабатывают сигналы ЭМГ, информативных признаков сигнала, и определения совершённого жеста из набора тренировочных упражнений; d) сравнивают паттерн, соответствующий совершённому жесту, с усреднённым паттерном для данного жеста из базы данных; f) на основе сравнения выдают текущие параметры выполнения упражнения пользователю; повторяют этапы a-f до окончания программы тренировки или до определения момента снижения работоспособности пользователя.
2. Способ по п.1 отличающийся тем, что на подготовительном этапе сигнал ЭМГ считывают с референтного пользователя.
3. Способ по п.1 отличающийся тем, что модуль автоматического распознавания жестов обучают при помощи алгоритма машинного обучения LDA.
4. Способ по п.1 отличающийся тем, что на рабочем этапе, дополнительно обрабатывают сигнал ЭМГ для определения уровня усилия мышц при выполнении упреждений.
5. Способ по п.1 отличающийся тем, что текущие параметры представляют собой по меньшей мере одно из: совершаемый жест, качество выполнения совершаемого жеста, уровень развиваемой мышечной мощности.
6. Способ по п.1 отличающийся тем, что выводят параметры упражнения в процентном соотношении относительно эталонных параметров.
PCT/RU2019/000699 2019-10-02 2019-10-02 Способ тренировки моторных функций кисти руки с обратной связью WO2021066671A1 (ru)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/RU2019/000699 WO2021066671A1 (ru) 2019-10-02 2019-10-02 Способ тренировки моторных функций кисти руки с обратной связью

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/RU2019/000699 WO2021066671A1 (ru) 2019-10-02 2019-10-02 Способ тренировки моторных функций кисти руки с обратной связью

Publications (1)

Publication Number Publication Date
WO2021066671A1 true WO2021066671A1 (ru) 2021-04-08

Family

ID=75336428

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/RU2019/000699 WO2021066671A1 (ru) 2019-10-02 2019-10-02 Способ тренировки моторных функций кисти руки с обратной связью

Country Status (1)

Country Link
WO (1) WO2021066671A1 (ru)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8280503B2 (en) * 2008-10-27 2012-10-02 Michael Linderman EMG measured during controlled hand movement for biometric analysis, medical diagnosis and related analysis
US9173612B2 (en) * 2011-02-28 2015-11-03 Rutgers, The State University Of New Jersey Gesture recognition biofeedback
FR3028746A1 (fr) * 2014-11-20 2016-05-27 Univ Joseph Fourier - Grenoble 1 Procede et systeme pour la mesure, le suivi, le controle et la correction d'un mouvement ou d'une posture d'un utilisateur
US20160151672A1 (en) * 2014-11-30 2016-06-02 WiseWear Corporation Recommending an exercise activity for a user
US9389694B2 (en) * 2013-10-22 2016-07-12 Thalmic Labs Inc. Systems, articles, and methods for gesture identification in wearable electromyography devices
US20160331304A1 (en) * 2015-05-13 2016-11-17 University Of Washington System and methods for automated administration and evaluation of physical therapy exercises

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8280503B2 (en) * 2008-10-27 2012-10-02 Michael Linderman EMG measured during controlled hand movement for biometric analysis, medical diagnosis and related analysis
US9173612B2 (en) * 2011-02-28 2015-11-03 Rutgers, The State University Of New Jersey Gesture recognition biofeedback
US9389694B2 (en) * 2013-10-22 2016-07-12 Thalmic Labs Inc. Systems, articles, and methods for gesture identification in wearable electromyography devices
FR3028746A1 (fr) * 2014-11-20 2016-05-27 Univ Joseph Fourier - Grenoble 1 Procede et systeme pour la mesure, le suivi, le controle et la correction d'un mouvement ou d'une posture d'un utilisateur
US20160151672A1 (en) * 2014-11-30 2016-06-02 WiseWear Corporation Recommending an exercise activity for a user
US20160331304A1 (en) * 2015-05-13 2016-11-17 University Of Washington System and methods for automated administration and evaluation of physical therapy exercises

Similar Documents

Publication Publication Date Title
CN106984027B (zh) 一种动作对比分析方法、装置及一种显示器
US11246531B2 (en) Fatigue measurement in a sensor equipped garment
US7848797B2 (en) Motor unit number estimation (MUNE) for the assessment of neuromuscular function
US20170173391A1 (en) Adaptive calibration for sensor-equipped athletic garments
EP3644322B1 (en) Method and system for interpreting neural interplay involving proprioceptive adaptation during a dual task paradigm
WO2018045623A1 (zh) 一种基于脉搏波时间序列分析的情绪分类方法及装置
WO2018214524A1 (zh) 一种运动训练预警方法及装置
Al-Qaisi et al. Electromyography analysis: Comparison of maximum voluntary contraction methods for anterior deltoid and trapezius muscles
CN108209912B (zh) 一种肌电信号采集方法及装置
CN107157450A (zh) 用于对帕金森病人的手部运动能力进行量化评估方法和系统
CN113707268A (zh) 一种康复训练评估方法及系统
Mitchell et al. Reliability of surface EMG as an assessment tool for trunk activity and potential to determine neurorecovery in SCI
Örücü et al. Design and validation of multichannel wireless wearable SEMG system for real-time training performance monitoring
CN117133404B (zh) 一种针对胸廓出口综合征的智能化康复护理装置
WO2021066671A1 (ru) Способ тренировки моторных функций кисти руки с обратной связью
CN108877931A (zh) 肩关节康复评价方法、装置及系统
CN112773380B (zh) 一种肌电信号的处理方法、处理设备以及存储介质
Kim et al. Finding and evaluating suitable contents to recognize depression based on neuro-fuzzy algorithm
CN112773381B (zh) 一种肌电信号的处理方法、处理设备以及存储介质
RU2018142349A (ru) Диагностическая система для измерения уровня сознания и соответствующий способ
CN112786150A (zh) 肌肉训练方案的设置方法、训练系统、装置及存储介质
Ranka et al. Motor aspects of upper limb functioning and occupation analysis
CN110782189A (zh) 一种基于认知负荷测量教学水平的方法和装置
JPWO2019078323A1 (ja) 脳波測定システム、脳波測定方法、プログラム、及び非一時的記録媒体
CN112807632A (zh) 训练仪的参数优化方法、系统、肌肉训练设备以及装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19947487

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 30.08.2022)

122 Ep: pct application non-entry in european phase

Ref document number: 19947487

Country of ref document: EP

Kind code of ref document: A1