CN102426651A - 人体前臂表面肌电信号采集及模式识别*** - Google Patents
人体前臂表面肌电信号采集及模式识别*** Download PDFInfo
- Publication number
- CN102426651A CN102426651A CN2011102452495A CN201110245249A CN102426651A CN 102426651 A CN102426651 A CN 102426651A CN 2011102452495 A CN2011102452495 A CN 2011102452495A CN 201110245249 A CN201110245249 A CN 201110245249A CN 102426651 A CN102426651 A CN 102426651A
- Authority
- CN
- China
- Prior art keywords
- signal
- electromyographic
- electromyographic signal
- human body
- semg
- 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.)
- Granted
Links
- 238000003909 pattern recognition Methods 0.000 title claims abstract description 23
- 210000000245 forearm Anatomy 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 18
- 210000003205 muscle Anatomy 0.000 claims abstract description 16
- 210000000707 wrist Anatomy 0.000 claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 38
- 230000009471 action Effects 0.000 claims description 24
- 238000001228 spectrum Methods 0.000 claims description 21
- 230000007306 turnover Effects 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000000034 method Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 13
- 230000014509 gene expression Effects 0.000 claims description 8
- 238000013481 data capture Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 4
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 4
- 238000010223 real-time analysis Methods 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 claims description 3
- 238000004321 preservation Methods 0.000 claims description 2
- 238000009877 rendering Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 claims description 2
- 101000739754 Homo sapiens Semenogelin-1 Proteins 0.000 claims 4
- 102100037550 Semenogelin-1 Human genes 0.000 claims 4
- 230000033001 locomotion Effects 0.000 abstract description 14
- 238000012706 support-vector machine Methods 0.000 abstract description 5
- 238000004891 communication Methods 0.000 abstract description 2
- 210000004247 hand Anatomy 0.000 abstract 5
- 210000003414 extremity Anatomy 0.000 description 11
- 238000011160 research Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000003183 myoelectrical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008676 import Effects 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002567 electromyography Methods 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 230000003387 muscular Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010061225 Limb injury Diseases 0.000 description 1
- 208000029549 Muscle injury Diseases 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 201000001880 Sexual dysfunction Diseases 0.000 description 1
- ZVQOOHYFBIDMTQ-UHFFFAOYSA-N [methyl(oxido){1-[6-(trifluoromethyl)pyridin-3-yl]ethyl}-lambda(6)-sulfanylidene]cyanamide Chemical compound N#CN=S(C)(=O)C(C)C1=CC=C(C(F)(F)F)N=C1 ZVQOOHYFBIDMTQ-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003851 biochemical process Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 210000002615 epidermis Anatomy 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000030279 gene silencing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000007659 motor function Effects 0.000 description 1
- 208000018360 neuromuscular disease Diseases 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000012113 quantitative test Methods 0.000 description 1
- 231100000872 sexual dysfunction Toxicity 0.000 description 1
- 210000003491 skin Anatomy 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种人体前臂表面肌电信号采集及模式识别***,包括用于对人体前臂表面肌电信号进行采集、滤波、放大的采集电路;用于对采集到的模拟肌电信号进行AD采样转换为数字肌电信号的PCI数据采集卡;用于对人体右手前臂的肱桡肌、桡侧腕长伸肌、尺侧腕伸肌以及桡侧腕屈肌4块肌肉上采集到的肌电信号进行处理,提取其特征,并结合支持向量机对人体手腕握拳,张手,下翻,上翻,内翻,外翻六个动作进行识别的信号处理及动作识别单元。本发明实现了一种成本低、实时性好,识别率高的SEMG在线模式识别研究平台。
Description
技术领域
本发明属于生物信息识别领域,特别是一种人体前臂表面肌电信号采集及模式识别***。
背景技术
表面肌电信号(Surface Electromyography,缩写SEMG)是一种复杂的表皮下肌肉电活动在皮肤表面处的时间和空间上的综合结果,已被广泛地应用于肌肉运动、肌肉损伤诊断、康复医学及体育运动等方面的研究[1-2],其中蕴含了丰富的与人体运动相关的各种信息。SEMG可以通过表面电极采集,因而SEMG的检测具有非侵入式特性,更易为患者所接受有广泛的应用前景,但存在干扰大识别困难难以定位及定量分析等问题[3]。
现阶段对SEMG信号的分析研究大体可分为两个方面:一方面是对SEMG信号富含的生理学信息进行分析研究,建立肌肉内部生理、生化过程与肌电信号变化间的关系,多应用于临床医学的神经肌肉疾病诊断与运动功能评价、人机工效学领域肌肉工作的工效学分析,体育科学中的疲劳评定、运动技术和理性分析等[4-5]。另一方面是利用SEMG信号富含的运动信息对各肢体运动对应的SEMG信号进行辨识。该方法广泛的应用于人机交互、临床康复等领域。
包括中国在内的世界上许多国家已经进入老龄化社会(我国60岁以上的老年人已有1.2亿,占全国人口的10%)。在老龄化过程中的生理衰退造成老年人四肢的灵活性不断下降,给日常的生活带来诸多不便;运动损伤和车祸等意外伤害造成的下肢骨骼断裂以及手术后恢复慢、效果不佳一直是困扰运动员以及普通百姓生活的严峻问题;由脑中风等各种疾病所引起的肢体运动性障碍病人也在显著增加。为了解决患者因肢体损伤所带来的生活及行动的不便,急需一种新的方式来构建人体与外界联系的桥梁,帮助肢体运动障碍的病人进行运动及肢体的康复训练。
通过表面肌电采集仪提取人体运动时肢体肌肉上的SEMG,然后对SEMG进行特征信息提取,结合模式识别算法,可以有效的识别出人体运动动作。因而,可以利用人体SEMG的这一特点来对外部机械的运动进行控制,搭建人体与外部交流的新通道。其中,SEMG的特征提取及模式识别算法是实现利用SEMG对外部机械进行控制所需着重研究的两个部分。通常,研究者从时域、频域、时-频域方面对表面肌电信号的特征提取方法进行研究。时域分析是将肌电信号看作时间的函数,通过分析得到肌电信号的某些统计特征,如平均绝对值(Mean Absolute Value,MAV)、均方根(Root Mean Square,RMS)、幅值的直方图、过零次数、均方值、三阶原点矩或四阶原点矩等,这些参数中除了均方根能代表信号的能量外,大多数没有明确的物理意义[6]。传统频域分析方法是通过傅立叶变换将时域信号转换为频域信号,对信号进行频谱或功率谱分析,常用快速傅立叶变换(FFT),表面肌电信号在频域常用的指标是中值频率(median frequency)、均值频率(mean frequency)、最高波峰频率、最高波峰幅值[7]。近年来,研究人员开始在时-频域内分析SEMG信号特征参数。典型方法有如短时傅立叶变换(Short-Time Fourier Transform,缩写STFT)、小波变换(Wavelet Transform,缩写WT)、小波包变换(Wavelet PacketTrans form,缩写WPT)、Wigner-Ville分布(Wigner-VilleDistribution,缩写WVD)、复倒谱系数、线性预测系数(LinearPredictive Coefficient,缩写LPC)等。Englehart等人选用了三种时-频分析方法:短时傅立叶变换、小波变换和小波包变换应用于SEMG动作模式分类,结果显示时-频特征增加了动作模式识别***的信息量[8]。由于人工神经网络(Artificial Neural Network,ANN)自学习的特点[9],其在以往的模式识别研究中得到了广泛的应用;近年来,支持向量机(Support Vector Machine,缩写SVM)算法也被广泛的应用在模式识别的研究中。
目前,我国上海交通大学、清华大学已经研制成功肌电假肢,其是通过表面肌电信号控制电机正反转来驱动假手的张合运动。哈尔滨工业大学机器人研究所建了立一套基于表面肌电信号(SEMG)的手指运动模式识别***,东北大学课题组对表面肌电信号的模式识别方法进行了探索性的研究,大连理工大学在已开发出数字式肌电假手的基础上,又对其传感器和控制器部分进行了开发[10-11]。还有,华中科技大学的康复训练机械手臂等[12]。
针对人体康复训练及智能假肢控制的SEMG研究中,肌电采集及模式识别平台是其中必不可少的一部分,它由肌电采集仪硬件电路和信号分析及模式识别软件两部分组成。目前,人体SEMG采集处理***平台大多为离线分析、处理平台,并不能满足对外部机械装置的实时控制研究的需求;而且目前的在线实时分析与处理***实验平台存在造价高,实时性较差,实验用途单一等缺点,很难得到推广使用,因而限制了SEMG在肢体康复训练及智能假肢控制等领域的深入研究及应用。
上述提到的参考文献如下:
[1]R.Merletti et al.Advances in processing of surfacemyoelectric signals:part 1[M].Medical&BiologicalEngineering&Computing.1995,5:362-372.
[2]F.Laterz et al.Analysis of EMG signals by means of thematched wavelet transform[J].Electronics Letters.1997,5:357-359.
[3]颜芳.电刺激诱发表面肌电信号检测分析及肌疲劳的研究[D].重庆:重庆大学,2003.
[4]B.Bigland-Ritchie,E.F.Donovan,C.S.Roussos.Conductionvelocity and EMG power spectrum changes in fatigue ofsustained maximal efforts[J].Journal of Applied Physiology.1981,51(5):1300-1305.
[5]M.A.Carary,G.D.Carnaby,M.E.Groher,et al.Functionalbenefits of dysphagia therapy using adjunctive sEMGbiofeedback.Dysphagia[J].2004,19(3):160-164.
[6]Guiraud D,Wieber PB,Makssoud HE.Modelling of the humanparalysed lower limb under FES[C],International Conferenceon Robotics&Automation,Taipei,Taiwan,2003,9:1419.
[7]刘亚伟.基于表面肌电多特征的下肢行走关键模态识别研究[D].天津:天津大学,2009.
[8]K.Englehart,B.Hudgins,P.A.Parker,et al.Classification of the myoelectric signal usingtime-frequency based representations[J].MedicalEngineering and Physics.1999,21:431-438.
[9]Graupe D.Artificial Neural Network control of FES inParaplegics for Patient Responsive Ambulation[J].IEEETransactions On Biomedical Engineering,1995,42(7):699707.
[10]王浩.智能肌电假手控制***研究[D].大连:大连理工大学,2004.
[11]郝秀春.肌电假手控制***的研究[D].大连:大连理工大学,2002.
[12]Wu Jun,Huan Jian,Wang Yongji.Upper limb rehabilitationrobot integrated with motion intention recognition andvirtual reality environment[C].Control Conference(CCC),2010 29th Chinese,3709-3715.
发明内容
本发明的目的为解决目前人体前臂表面肌电信号采集及模式识别***实时识别性能差,识别率低以及实验平台成本高等缺点,提出一种快速的信号消噪与特征提取方法,降低SEMG消噪及特征提取的时间;并充分利用PC机应用普遍,运算速度快等优点,在VC6.0开发环境下将该特征提取方法与支持向量机相结合,实现了对人体手腕部六动作的模式识别的人体前臂表面肌电信号采集及模式识别***。
为了实现上述目的,本发明所采用的技术方案是:
一种人体前臂表面肌电信号采集及模式识别***,包括
采集电路:用于对人体前臂表面肌电信号进行采集、滤波、放大,并将信号送到数据采集卡;
PCI数据采集卡:对采集到的模拟肌电信号进行AD采样转换为数字肌电信号,并通过PCI总线将信号发送到PC机;
信号处理及动作识别单元:对人体右手前臂的肱桡肌、桡侧腕长伸肌、尺侧腕伸肌以及桡侧腕屈肌4块肌肉上采集到的肌电信号进行处理,提取其特征,并结合支持向量机对人体手腕握拳,张手,下翻,上翻,内翻,外翻六个动作进行识别。
本发明采集电路包括以下单元:
前置放大(10倍增益)模块:由OP07组成的电压跟随器及AD620组成,初步对肌电信号进行放大,由于加入了一级OP07组成的电压跟随器,大大提高了电路的共模抑制比,一级驱动电路可以有效地消除人体自身的50Hz工频干扰噪声;
带通(0.5Hz-500Hz)滤波模块:该电路有效消除0.5Hz-500Hz外的噪声信号,并可以有效地抑制信号的基线漂移;
陷波(50Hz)模块:进一步抑制50Hz工频干扰信号;
二级放大(150倍增益)模块:对肌电信号进行进一步的放大,从而达到PCI数据采集卡信号采集的有效输入范围。
本发明信号处理及动作识别单元包括以下单元:
波形显示模块:用于将来自数据采集卡的肌电信号进行实时绘制、显示;
频谱显示模块:用于将来自数据采集卡的肌电信号进行实时的FFT变换,并实时显示信号的频谱信息;
数据保存模块:用于对来自数据采集卡的肌电信号进行保存,保存的肌电信号数据将用于支持向量机模型的训练以及离线分析;
模型训练模块:用于提取SEMG训练样本集的特征,并训练、生成SVM模型;
信号识别模块:用于提取SEMG测试样本的特征,利用生成的SVM模型,实现待识别表面肌电信号的模式识别;
所述信号处理及动作识别单元,在PC机上VC6.0平台下进行编写;采用多线程技术,将所述时域波形显示模块,所述频谱分析显示模块,所述数据保存模块及所述SEMG模式识别模块封装在不同的线程中,线程并发运行,用于对信号的实时分析、显示及模式识别。
本发明还提出一种人体前臂表面肌电信号模式识别方法,该方法通过从频域计算SEMG能量作为特征值,然后采用SVM对特征值进行分类识别,其具体步骤如下:
(1)采用快速傅里叶变换(Fast Fourier Transform,缩写FFT)计算人体右手前臂的肱桡肌、桡侧腕长伸肌、尺侧腕伸肌以及桡侧腕屈肌4块肌肉上四路离散训练肌电信号的频谱特征F(k);
(2)根据先验知识,肌电信号在0Hz,50Hz,100Hz这些频率点上存在着噪声干扰,将步骤(1)中计算得到的4路肌电信号频谱特征F(k)中0Hz,50Hz,100Hz所对应的频谱特征值置零,从频域上消除肌电信号中存在的噪声干扰;
(3)根据DFT(Discrete Fourier Transform,缩写DFT)形式下的Parseval定理,可以得到信号能量 因而可以利用公式 计算出四路离散训练肌电信号能量E1,E2,E3,E4,其中N为信号采样点数,x(n)为第n点信号的幅值,F(k)表示第k点信号的DFT变换;
(4)将四路离散训练肌电信号能量E1,E2,E3,E4分别按照公式EO=EI/ET进行归一化处理,然后将归一化处理后的四路离散训练肌电信号能量EO1,EO2,EO3,EO4串接成一维向量εi,其中EO表示经归一化处理后的肌电信号能量,EI表示未经归一化处理的肌电信号能量,I的取值范围为[1-4],ET=|E1|+|E2|+|E3|+|E4|,εi=[EO1 EO2 EO3 EO4];
(5)同(4),获取所有训练肌电信号的特征值ε;
(6)将训练肌电信号特征值ε用于训练支持向量机模型;
(7)同训练肌电信号步骤,提取待识别肌电信号的特征值μ;
(8)将待识别肌电信号的特征值μ用于已获得的支持向量机模型进行分类识别,实现对人体手腕部六种动作的识别。
本发明的有益效果在于:在VC6.0开发环境下实现了一种新的针对手腕部六动作模式识别方案,并结合肌电采集硬件电路实现了一种成本低,配置简单,识别率高的SEMG在线模式识别***。模式识别结果以直观的图片形式展示出来,并预留了模式识别结果输出端口。用户可以利用该端口与外部机械设备相连接,实现对外部机械设备的控制。
附图说明
图1是本发明的***工作流程图。
图2是本发明的信号处理及动作识别单元功能结构图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细描述。
图1是本发明的***工作流程图,本发明的实施例是在本发明技术方案为前提下进行实施的,给出了详细的实施方案及具体的操作过程,但本发明的保护范围不限于下述实施例。
实施例是采集一名24岁男性自愿者右手前臂4块肌肉(肱桡肌、桡侧腕长伸肌、尺侧腕伸肌以及桡侧腕屈肌)SEMG进行试验。具体试验过程如下:
1、表面肌电信号采集分析***安装连接
将SEMG采集电极线的D15公头与SEMG采集电路的D15母头相连接;将SEMG采集电路的电源接头与电源(电池供电)相连接;将SEMG采集电路的信号输出接头与安装在PC机内部的PCI数据采集卡外延线相连接;然后打开PC机上的EMG_Analyze.exe文件,弹出SEMG处理及模式识别软件。至此,整个表面肌电信号采集分析***安装连接完毕。
2、粘贴肌电电极片
在自愿者右手前臂肱桡肌、桡侧腕长伸肌、尺侧腕伸肌以及桡侧腕屈肌四块肌肉上,分别粘贴两个肌电电极片,作为SEMG采集电路Ch1,Ch2,Ch3,Ch4四个通道表面肌电信号采集点;在右手腕关节靠近骨头处粘贴一个肌电电极片REF,该电极片作为SEMG采集电路的参考电极。
3、肌电电极片与SEMG采集电极线连接
将SEMG采集电极线中的驱动电极线与右手腕关节处的REF参考电极相连接,将SEMG采集电极线的Ch1,Ch2,Ch3,Ch4通道与肱桡肌、桡侧腕长伸肌、尺侧腕伸肌以及桡侧腕屈肌四块肌肉上的肌电采集点相连接。
4、SEMG训练样本集的采集
(1)在SEMG处理及模式识别单元中配置PCI数字采集卡采样参数,4通道采样,每通道采样频率为1KHz。
(2)点击SEMG处理及模式识别单元中的‘采集样本’按钮,弹出‘训练样本采集参数配置’窗口;‘动作种类组数’设置为6,‘每组采集个数’设置为30;
(3)自愿者全身放松静坐在座椅上,右手水平举起;
(4)点击SEMG处理及模式识别单元中的‘开始试验’按钮,弹出‘点击确定,开始第1次数据采集’提示框,提示自愿者开始准备;
(5)点击确定后,***开始采集人体表面肌电信号,自愿者右手作握拳动作,并保持该动作直到软件提示数据采集结束,每个动作采集30个样本,每个样本含有512*4个数据(512表示每块肌肉上采集的离散肌电信号的点数,4表示Ch1,Ch2,Ch3,Ch4四个肌电采集通道);
(6)然后根据试验要求,自愿者右手依次作张手、下翻、上翻、内翻、外翻动作,重复步骤(3)、(4)、(5),完成对肱桡肌、桡侧腕长伸肌、尺侧腕伸肌以及桡侧腕屈肌四块肌肉上肌电信号的数据采集工作。
以上步骤共采集了握拳、张手、下翻、上翻、内翻、外翻六种动作的肌电信号数据,分别保存在文件夹mode1,mode2,mode3,mode4,mode5,mode6中,每个文件夹中分别包含有30文本文档,命名为Data1.txt,Data2.txt...Data30.txt,每个文本文件中共存储有512行*4列数据。
5、SEMG训练样本集的特征提取
(1)从文件夹mode1中提取出文本文件Data1.txt,文本文件中含有4列数据,每列含有512个数据;
(2)采用快速傅里叶变换(Fast Fourier Transform,缩写FFT)依次计算Data1.txt中4列数据的频谱特征F(k),4列数据的频谱特征F(k)分别反映地是自愿者右手手臂作握拳动作时肱桡肌、桡侧腕长伸肌、尺侧腕伸肌以及桡侧腕屈肌四块肌肉上采集到的肌电信号的频谱特征;
(3)根据先验知识,肌电信号在0Hz,50Hz,100Hz这些频率点上存在着噪声干扰,因而分别将步骤(2)中计算得到的4路肌电信号频谱特征F(k)中0Hz,50Hz,100Hz所对应的频谱特征值置零,从频域上消除肌电信号中存在的噪声干扰;
(4)根据DFT形式下的Parseval定理,可以得到信号能量 因而可以利用公式 分别计算出Data1.txt中四路离散训练肌电信号能量E1,E2,E3,E4;
(5)将四路离散训练肌电信号能量E1,E2,E3,E4分别按照公式EO=EI/ET进行归一化处理,然后将归一化处理后的四路离散训练肌电信号能量EO1,EO2,EO3,EO4串接成一维向量εi;
(6)重复步骤(1)至(5),获取所有SEMG训练样本集的特征值集ε,并将该特征集ε保存在文本文件train_data.txt中;
6、训练SVM模型
读取步骤5中保存在train_data.txt中的训练SEMG样本集的特征值集ε,并将该特征值集ε作为支持向量机的训练向量,训练支持向量机模型,将训练得到的支持向量机模型svm_mode1以文件的形式进行保存;下面将会利用训练得到的支持向量机模型svm_mode1对测试SEMG样本进行分类。
7、SEMG测试样本模式识别
(1)点击SEMG处理及模式识别软件中的‘模式识别’按钮,导入步骤6中保存的支持向量机模型svm_mode1,点击‘开始试验’按钮,进行实时模式识别;
(2)自愿者全身放松静坐在座椅上,右手水平举起并作握拳、张手、下翻、上翻、内翻、外翻六个动作中的一种;
(3)肌电采集电路实时采集自愿者右手前臂4块肌肉(肱桡肌、桡侧腕长伸肌、尺侧腕伸肌以及桡侧腕屈肌)上的SEMG,每采集到512行*4列数据即一个SEMG测试样本,立即通过PCI总线传入PC机上,进行特征提取;
(4)采用快速傅里叶变换(Fast Fourier Transform,缩写FFT)依次计算SEMG测试样本中4列数据的频谱特征F(k);
(5)根据先验知识,肌电信号在0Hz,50Hz,100Hz这些频率点上存在着噪声干扰,因而分别将步骤(4)中计算得到的4路肌电信号频谱特征F(k)中0Hz,50Hz,100Hz所对应的频谱特征值置零,从频域上消除肌电信号中存在的噪声干扰;
(6)根据DFT形式下的Parseval定理,可以得到信号能量 因而可以利用公式 分别计算出SEMG测试样本中四路离散测试肌电信号的能量E1,E2,E3,E4;
(7)将四路离散测试肌电信号能量E1,E2,E3,E4分别按照公式EO=EI/ET进行归一化处理,然后将归一化处理后的四路离散测试肌电信号能量EO1,EO2,EO3,EO4串接成一维向量μi;
(8)将步骤(7)中归一化后的特征值μi作为识别向量,利用步骤(1)中导入的支持向量机模型svm_mode1对特征值μi进行实时模式识别,将识别结果以图像的形式进行生动的展示,并通过数据采集卡DIO接口将识别结果实时输出,用于对外部机械设备的实时控制。
图2中波形显示模块的功能是对数据卡采集到的SEMG进行实时显示;频谱显示模块的功能是对数据采集卡采集到的SEMG进行FFT变换,并将频谱信息进行实时显示;数据保存模块的功能是实时保存采集到的表面肌电信号,便于离线分析;模型训练模块的功能是提取SEMG训练样本集的特征,并训练、生成SVM模型;信号识别模块的功能是提取实时SEMG测试样本特征,利用模型训练模块中生成的SVM模型进行模式识别。以上各功能模块封装在不能的程序线程中,每个线程并发运行,从而保证了对SEMG分析及模式识别的实时性要求。
为了更好的说明该***的有效性,自愿者手腕部随机作握拳、张手、下翻、上翻、内翻、外翻六种动作中的一种,***对采集的测试SEMG进行实时的、在线模式识别。每种动作重复此实验50次,得出实验结果。经测试,该***对人体手腕部握拳、张手、下翻、上翻、内翻、外翻六种动作平均识别率为95.7%;由于整个软件***在PC机VC6.0环境下编写完成,***采用多线程运行机制,充分利用PC机处理速度高的优势,从而保证了在线SEMG模式识别***实时性高、准确率高的要求。由于整个软件***在VC6.0环境下编写完成,而不依赖其他运行平台,因而***配置简单,大大降低了***成本。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (4)
1.一种人体前臂表面肌电信号采集及模式识别***,包括
采集电路:用于对人体前臂表面肌电信号进行采集、滤波、放大,并将信号送到数据采集卡;
PCI数据采集卡:对采集到的模拟肌电信号进行AD采样转换为数字肌电信号,并通过PCI总线将信号发送到PC机;
信号处理及动作识别单元:对人体右手前臂的肱桡肌、桡侧腕长伸肌、尺侧腕伸肌以及桡侧腕屈肌4块肌肉上采集到的肌电信号进行处理,提取其特征,并结合支持向量机对人体手腕握拳,张手,下翻,上翻,内翻,外翻六个动作进行识别。
2.如权利要求1所述的人体前臂表面肌电信号采集及模式识别***,其特征在于:所述采集电路包括
前置放大模块:由OP07组成的电压跟随器及AD620组成,初步对肌电信号进行放大;
带通滤波模块:该电路有效消除0.5Hz-500Hz外的噪声信号,并可以有效地抑制信号的基线漂移;
陷波模块:进一步抑制工频干扰信号;
二级放大模块:对肌电信号进行进一步的放大,从而达到PCI数据采集卡信号采集的有效输入范围。
3.如权利要求1所述的人体前臂表面肌电信号采集及模式识别***,其特征在于:所述信号处理及动作识别单元包括
波形显示模块:用于将来自数据采集卡的肌电信号进行实时绘制、显示;
频谱显示模块:用于将来自数据采集卡的肌电信号进行实时的FFT变换,并实时显示信号的频谱信息;
数据保存模块:用于对来自数据采集卡的肌电信号进行保存,保存的肌电信号数据将用于支持向量机模型的训练以及离线分析;
模型训练模块:用于提取SEMG训练样本集的特征,并训练、生成SVM模型;
信号识别模块:用于提取SEMG测试样本的特征,利用生成的SVM模型,实现待识别表面肌电信号的模式识别;
所述信号处理及动作识别单元,在PC机上VC6.0平台下进行编写;采用多线程技术,将所述时域波形显示模块,所述频谱分析显示模块,所述数据保存模块及所述SEMG模式识别模块封装在不同的线程中,线程并发运行,用于对信号的实时分析、显示及模式识别。
4.根据权利要求3所述的SEMG采集及动作识别***,其特征在于,所述信号识别模块的信号识别方法为:
(1)采用快速傅里叶变换计算人体右手前臂的肱桡肌、桡侧腕长伸肌、尺侧腕伸肌以及桡侧腕屈肌4块肌肉上四路离散训练肌电信号的频谱特征F(k);
(2)根据先验知识,肌电信号在0Hz,50Hz,100Hz这些频率点上存在着噪声干扰,将步骤(1)中计算得到的4路肌电信号频谱特征F(k)中0Hz,50Hz,100Hz所对应的频谱特征值置零,从频域上消除肌电信号中存在的噪声干扰;
(3)根据DFT形式下的Parseval定理,可以得到信号能量 因而可以利用公式 计算出四路离散训练肌电信号能量E1,E2,E3,E4,其中N为信号采样点数,x(n)为第n点信号的幅值,F(k)表示第k点信号的DFT变换;
(4)将四路离散训练肌电信号能量E1,E2,E3,E4分别按照公式EO=EI/ET进行归一化处理,然后将归一化处理后的四路离散训练肌电信号能量EO1,EO2,EO3,EO4串接成一维向量εi,其中EO表示经归一化处理后的肌电信号能量,EI表示未经归一化处理的肌电信号能量,I的取值范围为[1-4],ET=|E1|+|E2|+|E3|+|E4|,εi=[EO1 EO2 EO3 EO4];
(5)同(4),获取所有训练肌电信号的特征值ε;
(6)将训练肌电信号特征值ε用于训练支持向量机模型;
(7)同训练肌电信号步骤,提取待识别肌电信号的特征值μ;将待识别肌电信号的特征值μ用于已获得的支持向量机模型进行分类识别,实现对人体手腕握拳,张手,下翻,上翻,内翻,外翻六种动作的识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110245249.5A CN102426651B (zh) | 2011-08-25 | 2011-08-25 | 人体前臂表面肌电信号采集及模式识别*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110245249.5A CN102426651B (zh) | 2011-08-25 | 2011-08-25 | 人体前臂表面肌电信号采集及模式识别*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102426651A true CN102426651A (zh) | 2012-04-25 |
CN102426651B CN102426651B (zh) | 2014-04-16 |
Family
ID=45960630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110245249.5A Expired - Fee Related CN102426651B (zh) | 2011-08-25 | 2011-08-25 | 人体前臂表面肌电信号采集及模式识别*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102426651B (zh) |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103190905A (zh) * | 2013-04-01 | 2013-07-10 | 武汉理工大学 | 基于Wi-Fi的多通道表面肌电信号采集***及处理方法 |
CN104049752A (zh) * | 2014-06-04 | 2014-09-17 | 北京智谷睿拓技术服务有限公司 | 基于人体的交互方法及交互装置 |
CN104523270A (zh) * | 2014-12-18 | 2015-04-22 | 深圳先进技术研究院 | 一种肌电信号分析方法及*** |
CN104546235A (zh) * | 2013-10-23 | 2015-04-29 | 库尔特W·斯科特 | 混合型假手 |
CN105326500A (zh) * | 2014-08-13 | 2016-02-17 | 华为技术有限公司 | 基于表面肌电信号的动作识别方法和设备 |
CN105997091A (zh) * | 2015-03-26 | 2016-10-12 | 中国科学院软件研究所 | 一种多通道健康笔*** |
CN105997064A (zh) * | 2016-05-17 | 2016-10-12 | 成都奥特为科技有限公司 | 一种用于人体下肢表面肌电信号的辨识方法 |
CN106383579A (zh) * | 2016-09-14 | 2017-02-08 | 西安电子科技大学 | 一种基于emg和fsr的精细手势识别***及方法 |
CN106725466A (zh) * | 2016-12-31 | 2017-05-31 | 安徽工业大学 | 一种基于表面肌电技术的驼背提醒装置及提醒方法 |
CN106821390A (zh) * | 2017-03-15 | 2017-06-13 | 安徽工业大学 | 一种基于肌音信号检测的驼背提醒装置及提醒方法 |
CN107126303A (zh) * | 2017-02-15 | 2017-09-05 | 上海术理智能科技有限公司 | 一种基于手机app的上下肢运动辅助方法 |
CN108108654A (zh) * | 2017-09-19 | 2018-06-01 | 东华大学 | 一种基于多通道表面肌电信号的手绘轨迹重建方法 |
CN108378848A (zh) * | 2018-02-11 | 2018-08-10 | 宁波工程学院 | 肌肉运动单元空间位置估计方法 |
CN108784694A (zh) * | 2018-04-23 | 2018-11-13 | 京东方科技集团股份有限公司 | 一种信号采集电路、信号采集方法及可穿戴设备 |
CN108836328A (zh) * | 2018-06-07 | 2018-11-20 | 中国航天员科研训练中心 | 一种用于肌电信号监测及产生相应电刺激信号的设备 |
CN109077726A (zh) * | 2018-10-29 | 2018-12-25 | 博睿康科技(常州)股份有限公司 | 一种肌电检测装置与肌电识别方法 |
CN109308471A (zh) * | 2018-09-29 | 2019-02-05 | 河海大学常州校区 | 一种肌电信号特征提取方法 |
CN109799710A (zh) * | 2019-02-02 | 2019-05-24 | 南京林业大学 | 基于多方位肌电信号的老年座椅运动控制方法和*** |
CN110192863A (zh) * | 2019-06-05 | 2019-09-03 | 吉林工程技术师范学院 | 一种可穿戴肌肉运动监护的智能臂环及肌肉运动状态监测方法 |
CN110353678A (zh) * | 2019-07-10 | 2019-10-22 | 南开大学 | 一种基于导电硅胶的防水肌电信号传感器 |
CN110738140A (zh) * | 2019-09-26 | 2020-01-31 | 深圳大学 | 一种基于前臂肌电信号的动作识别方法及*** |
CN110850979A (zh) * | 2019-11-07 | 2020-02-28 | 中国航天员科研训练中心 | 基于航天医监医保信号的手势识别人机交互方法 |
CN111046731A (zh) * | 2019-11-11 | 2020-04-21 | 中国科学院计算技术研究所 | 基于表面肌电信号进行手势识别的迁移学习方法和识别方法 |
CN111522435A (zh) * | 2020-02-21 | 2020-08-11 | 浙江工业大学 | 一种基于表面肌电信号的机械臂交互方法 |
CN111730604A (zh) * | 2020-08-04 | 2020-10-02 | 季华实验室 | 基于人体肌电信号的机械夹爪控制方法、装置和电子设备 |
CN111887869A (zh) * | 2020-08-06 | 2020-11-06 | 复旦大学附属中山医院 | 一种肌力测定***及应用 |
CN112022293A (zh) * | 2020-08-18 | 2020-12-04 | 同济大学 | 一种用于静脉注射机器人的姿态识别静脉穿刺方法和装置 |
CN112569565A (zh) * | 2020-12-10 | 2021-03-30 | 浙江大学德清先进技术与产业研究院 | 一种颈部功能锻炼识别方法及*** |
CN112842368A (zh) * | 2021-02-01 | 2021-05-28 | 上海龙旗科技股份有限公司 | 一种识别表面肌电信号的***及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090062680A1 (en) * | 2007-09-04 | 2009-03-05 | Brain Train | Artifact detection and correction system for electroencephalograph neurofeedback training methodology |
CN101587546A (zh) * | 2009-06-12 | 2009-11-25 | 浙江大学 | 基于支持向量多元分类的下肢动作模式的识别方法 |
US20090327171A1 (en) * | 2008-06-26 | 2009-12-31 | Microsoft Corporation | Recognizing gestures from forearm emg signals |
CN101859377A (zh) * | 2010-06-08 | 2010-10-13 | 杭州电子科技大学 | 基于多核支持向量机的肌电信号分类方法 |
CN102073881A (zh) * | 2011-01-17 | 2011-05-25 | 武汉理工大学 | 人体表面肌电信号消噪、特征提取和模式识别方法 |
-
2011
- 2011-08-25 CN CN201110245249.5A patent/CN102426651B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090062680A1 (en) * | 2007-09-04 | 2009-03-05 | Brain Train | Artifact detection and correction system for electroencephalograph neurofeedback training methodology |
US20090327171A1 (en) * | 2008-06-26 | 2009-12-31 | Microsoft Corporation | Recognizing gestures from forearm emg signals |
CN101587546A (zh) * | 2009-06-12 | 2009-11-25 | 浙江大学 | 基于支持向量多元分类的下肢动作模式的识别方法 |
CN101859377A (zh) * | 2010-06-08 | 2010-10-13 | 杭州电子科技大学 | 基于多核支持向量机的肌电信号分类方法 |
CN102073881A (zh) * | 2011-01-17 | 2011-05-25 | 武汉理工大学 | 人体表面肌电信号消噪、特征提取和模式识别方法 |
Non-Patent Citations (2)
Title |
---|
卢蕾等: "采集表面肌电信号应用于动作识别的可行性", 《中国组织工程研究与临床康复》, vol. 15, no. 22, 28 May 2011 (2011-05-28), pages 4103 - 4106 * |
顾昕: "肌电信号的数字采集及其模式识别", 《中国优秀硕士学位论文全文数据库》, 31 December 2010 (2010-12-31) * |
Cited By (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103190905B (zh) * | 2013-04-01 | 2014-12-03 | 武汉理工大学 | 基于Wi-Fi的多通道表面肌电信号采集***及处理方法 |
CN103190905A (zh) * | 2013-04-01 | 2013-07-10 | 武汉理工大学 | 基于Wi-Fi的多通道表面肌电信号采集***及处理方法 |
CN104546235A (zh) * | 2013-10-23 | 2015-04-29 | 库尔特W·斯科特 | 混合型假手 |
CN104049752A (zh) * | 2014-06-04 | 2014-09-17 | 北京智谷睿拓技术服务有限公司 | 基于人体的交互方法及交互装置 |
WO2015184778A1 (en) * | 2014-06-04 | 2015-12-10 | Beijing Zhigu Rui Tuo Tech Co., Ltd | Human body-based interaction method and interaction apparatus |
US10521018B2 (en) | 2014-06-04 | 2019-12-31 | Beijing Zhigu Rui Tuo Tech Co., Ltd | Human body-based interaction method and interaction apparatus |
CN104049752B (zh) * | 2014-06-04 | 2017-04-12 | 北京智谷睿拓技术服务有限公司 | 基于人体的交互方法及交互装置 |
CN105326500B (zh) * | 2014-08-13 | 2018-02-09 | 华为技术有限公司 | 基于表面肌电信号的动作识别方法和设备 |
CN105326500A (zh) * | 2014-08-13 | 2016-02-17 | 华为技术有限公司 | 基于表面肌电信号的动作识别方法和设备 |
CN104523270A (zh) * | 2014-12-18 | 2015-04-22 | 深圳先进技术研究院 | 一种肌电信号分析方法及*** |
CN105997091A (zh) * | 2015-03-26 | 2016-10-12 | 中国科学院软件研究所 | 一种多通道健康笔*** |
CN105997064A (zh) * | 2016-05-17 | 2016-10-12 | 成都奥特为科技有限公司 | 一种用于人体下肢表面肌电信号的辨识方法 |
CN105997064B (zh) * | 2016-05-17 | 2018-10-23 | 成都奥特为科技有限公司 | 一种用于人体下肢表面肌电信号的辨识方法 |
CN106383579A (zh) * | 2016-09-14 | 2017-02-08 | 西安电子科技大学 | 一种基于emg和fsr的精细手势识别***及方法 |
CN106725466A (zh) * | 2016-12-31 | 2017-05-31 | 安徽工业大学 | 一种基于表面肌电技术的驼背提醒装置及提醒方法 |
CN107126303A (zh) * | 2017-02-15 | 2017-09-05 | 上海术理智能科技有限公司 | 一种基于手机app的上下肢运动辅助方法 |
CN106821390A (zh) * | 2017-03-15 | 2017-06-13 | 安徽工业大学 | 一种基于肌音信号检测的驼背提醒装置及提醒方法 |
CN108108654A (zh) * | 2017-09-19 | 2018-06-01 | 东华大学 | 一种基于多通道表面肌电信号的手绘轨迹重建方法 |
CN108378848A (zh) * | 2018-02-11 | 2018-08-10 | 宁波工程学院 | 肌肉运动单元空间位置估计方法 |
CN108784694A (zh) * | 2018-04-23 | 2018-11-13 | 京东方科技集团股份有限公司 | 一种信号采集电路、信号采集方法及可穿戴设备 |
CN108836328A (zh) * | 2018-06-07 | 2018-11-20 | 中国航天员科研训练中心 | 一种用于肌电信号监测及产生相应电刺激信号的设备 |
CN109308471A (zh) * | 2018-09-29 | 2019-02-05 | 河海大学常州校区 | 一种肌电信号特征提取方法 |
CN109077726A (zh) * | 2018-10-29 | 2018-12-25 | 博睿康科技(常州)股份有限公司 | 一种肌电检测装置与肌电识别方法 |
CN109799710A (zh) * | 2019-02-02 | 2019-05-24 | 南京林业大学 | 基于多方位肌电信号的老年座椅运动控制方法和*** |
CN110192863A (zh) * | 2019-06-05 | 2019-09-03 | 吉林工程技术师范学院 | 一种可穿戴肌肉运动监护的智能臂环及肌肉运动状态监测方法 |
CN110353678B (zh) * | 2019-07-10 | 2022-03-01 | 南开大学 | 一种基于导电硅胶的防水肌电信号传感器 |
CN110353678A (zh) * | 2019-07-10 | 2019-10-22 | 南开大学 | 一种基于导电硅胶的防水肌电信号传感器 |
CN110738140A (zh) * | 2019-09-26 | 2020-01-31 | 深圳大学 | 一种基于前臂肌电信号的动作识别方法及*** |
CN110738140B (zh) * | 2019-09-26 | 2023-09-12 | 深圳大学 | 一种基于前臂肌电信号的动作识别方法及*** |
CN110850979A (zh) * | 2019-11-07 | 2020-02-28 | 中国航天员科研训练中心 | 基于航天医监医保信号的手势识别人机交互方法 |
CN110850979B (zh) * | 2019-11-07 | 2023-05-09 | 中国航天员科研训练中心 | 基于航天医监医保信号的手势识别人机交互方法 |
CN111046731A (zh) * | 2019-11-11 | 2020-04-21 | 中国科学院计算技术研究所 | 基于表面肌电信号进行手势识别的迁移学习方法和识别方法 |
CN111522435A (zh) * | 2020-02-21 | 2020-08-11 | 浙江工业大学 | 一种基于表面肌电信号的机械臂交互方法 |
CN111730604A (zh) * | 2020-08-04 | 2020-10-02 | 季华实验室 | 基于人体肌电信号的机械夹爪控制方法、装置和电子设备 |
CN111887869A (zh) * | 2020-08-06 | 2020-11-06 | 复旦大学附属中山医院 | 一种肌力测定***及应用 |
CN112022293A (zh) * | 2020-08-18 | 2020-12-04 | 同济大学 | 一种用于静脉注射机器人的姿态识别静脉穿刺方法和装置 |
CN112569565A (zh) * | 2020-12-10 | 2021-03-30 | 浙江大学德清先进技术与产业研究院 | 一种颈部功能锻炼识别方法及*** |
CN112842368A (zh) * | 2021-02-01 | 2021-05-28 | 上海龙旗科技股份有限公司 | 一种识别表面肌电信号的***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102426651B (zh) | 2014-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102426651B (zh) | 人体前臂表面肌电信号采集及模式识别*** | |
CN104107134B (zh) | 基于肌电反馈的上肢训练方法及*** | |
CN101987048B (zh) | 假肢控制方法和*** | |
CN109222969A (zh) | 一种基于多传感器数据融合的可穿戴式人体上肢肌肉运动疲劳检测及训练*** | |
CN100594858C (zh) | 一种脑电肌电联合控制的电动假手的控制方法 | |
CN102499797B (zh) | 假肢控制方法及*** | |
CN202288542U (zh) | 假肢控制装置 | |
WO2020118797A1 (zh) | 假肢控制方法、装置、***、设备和存储介质 | |
CN104337666A (zh) | 多肌肉协同肌电反馈康复训练***和方法 | |
CN104799854A (zh) | 一种表面肌电采集装置及其肌电信号处理方法 | |
Bian et al. | SVM based simultaneous hand movements classification using sEMG signals | |
CN105361880A (zh) | 肌肉运动事件的识别***及其方法 | |
CN107822629A (zh) | 四肢表面肌电轴的检测方法 | |
CN104887198A (zh) | 基于人体生理信号多参数融合的疼痛定量分析***及方法 | |
Li et al. | Wireless sEMG-based identification in a virtual reality environment | |
CN110354387A (zh) | 多触发方式的智能电刺激手部训练器及方法 | |
Pancholi et al. | Development of low cost EMG data acquisition system for Arm Activities Recognition | |
Wu et al. | Upper limb motion recognition based on LLE-ELM method of sEMG | |
Ai et al. | Advanced rehabilitative technology: neural interfaces and devices | |
Guo et al. | A method of evaluating rehabilitation stage by sEMG signals for the upper limb rehabilitation robot | |
CN105686827B (zh) | 一种基于微控制器的肌电信号处理及特征提取方法 | |
CN106308748A (zh) | 一种下背痛患者功能障碍分析方法及实现该方法的装置 | |
CN111360792A (zh) | 面向仿生机械手的可穿戴便携式实时控制动作识别*** | |
Sharma et al. | Movement control of robot in real time using EMG signal | |
CN114098768A (zh) | 基于动态阈值和EasyTL的跨个体表面肌电信号手势识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
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: 20140416 |