CN104545906B - 基于sEMG的检测面瘫患者针灸疗效*** - Google Patents

基于sEMG的检测面瘫患者针灸疗效*** Download PDF

Info

Publication number
CN104545906B
CN104545906B CN201310518059.5A CN201310518059A CN104545906B CN 104545906 B CN104545906 B CN 104545906B CN 201310518059 A CN201310518059 A CN 201310518059A CN 104545906 B CN104545906 B CN 104545906B
Authority
CN
China
Prior art keywords
mrow
mtd
msub
mtr
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.)
Active
Application number
CN201310518059.5A
Other languages
English (en)
Other versions
CN104545906A (zh
Inventor
韩建达
赵新刚
熊安斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang Institute of Automation of CAS
Original Assignee
Shenyang Institute of Automation of CAS
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 Shenyang Institute of Automation of CAS filed Critical Shenyang Institute of Automation of CAS
Priority to CN201310518059.5A priority Critical patent/CN104545906B/zh
Publication of CN104545906A publication Critical patent/CN104545906A/zh
Application granted granted Critical
Publication of CN104545906B publication Critical patent/CN104545906B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—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]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4833—Assessment of subject's compliance to treatment
    • 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
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
  • Finger-Pressure Massage (AREA)

Abstract

本发明涉及一种基于表面肌电的面瘫患者针灸疗效检测可视化***及方法，所述***由sEMG信号采集电极、sEMG信号放大器、sEMG信号AD转换器、sEMG信号分析装置和显示器依次连接；采集sEMG信号，通过sEMG信号放大器进行放大，并通过sEMG信号AD转换器传输到sEMG信号分析装置进行预处理，提取时域和频域特征，组建成特征向量，采用PCA方法对特征向量降维，并利用kmeans聚类方法计算健康侧与患侧的类别中心距，将类别中心距拟合，得到AR模型，预测患者的康复趋势；本发明在无创便捷的条件下，准确的检测面瘫患者面部双侧肌肉恢复程度，并进一步预测患者的康复趋势，为医生的临床治疗与患者的康复效果评价提供辅助性参考指标。

Description

基于sEMG的检测面瘫患者针灸疗效***
技术领域
本发明涉及医疗康复诊断评价设备领域，尤其涉及一种基于sEMG的面瘫患者针灸疗效可视化***。
背景技术
面瘫是一种以面部表情肌群运动功能障碍为主要特征的一种常见病。目前，临床上面瘫患者疗效评价主要依赖医生的治疗经验，通过观察患者抬眉、鼓腮、撅嘴、噤鼻子等动作，从而对面瘫恢复情况进行主观评价；此外，Facial Disability Index(FDI)量表[1]，House Brackmann面神经分级标准[2]，Sunnybrook面神经分级标准[3]和Yanagihara面神经分级标准[4]等主观评价量表也广泛的应用于面瘫患者疗效的评价。这些分级量表都是基于医生和患者感受描述的主观评价方法，不能实时的给予面瘫患者客观准确的可视化反馈信息。
另一方面，Feng Zhao等[5]利用1-甲基-4-苯基-1,2,3,6-四氢吡啶(MPTP)制作恒河猴的帕金森综合症模型，使其右臂肌肉僵直。针刺足三里(ST36)，检测患臂的sEMG信号。对于健康的恒河猴，针灸对其没有任何影响；对于患病恒河猴，经过一段时间的针灸治疗，肌肉僵直情况有明显改善。在文献[6]中，针刺受试者对耳轮、对耳珠等位置，与此同时，受试者提起、放下单位重量的负载，采集相应部位——肩部三角肌与斜方肌的EMG信号。通过实验前中后的信号分析对比，发现60％收缩比下的EMG有大幅提高。上述这些研究，仅仅是利用表面肌电信号验证针灸对某种疾病的治疗效果，并没有提出一个明确的参数化指标，对受试对象的康复效果进行评价。现有的研究只能检测面瘫患者面部双侧肌肉sEMG信号，而无法给出准确的恢复程度，也无法对针灸治疗效果给出客观准确的评价，不能进一步预测患者的康复趋势。
[1]Kwon HJ,Kim JI,Lee MS,Choi JY,et al.Acupuncture for sequelae ofBell's palsy:a randomized controlled trial protocol.Trials.2011 Mar 9；12:71.
[2]Xia F,Han J,Liu X,Wang J,Jiang Z,Wang K,et al.Prednisolone andacupuncture in Bell’s palsy:study protocol for a randomized,controlledtrial.Trials 2011；12:158.
[3]Kanerva M,Poussa T,A.Sunnybrook and House-Brackmann FacialGrading Systems:intrarater repeatability and interrater agreement.OtolaryngolHead Neck Surg.2006 Dec；135(6):865-871.
[4]Ikeda M,Nakazato H,Hiroshige K,Abiko Y,Sugiura M.To what extent doevaluations of facial paralysis by physicians coincide with self-evaluationsby patients:comparison of the Yanagihara method,the House-Brackmann method,and self-evaluation by patients.Otol Neurotol.2003 Mar；24(2):334-338.
[5]Feng Zhao,Xiaotong Fan,Richard Grondin,Ramsey Edwards,Eric Forman,Jennifer Moorehead,Greg Gerhardt,XiaominWang,Zhiming Zhang,Improved methodsfor electroacupuncture and electromyographic recordings in normal andparkinsonian rhesus monkeys,Journal of Neuroscience Methods 192(2010)199–206.
[6]Fabiano Politti,Cesar Ferreira Amorim,Lilian Calili,Adriano deOliveira Andrade,Evanisi T.Palomari,The use of surface electromyography forthe study of auricular acupuncture,Journal of Bodywork&Movement Therapies(2010)14,219 226.
发明内容
针对现有技术的不足，本发明提供一种基于sEMG的面瘫患者针灸疗效可视化***。该***通过sEMG信号分析装置的预处理，提取时域和频域特征，组建成特征向量，降维等过程得到AR模型，准确的检测面瘫患者面部双侧肌肉恢复程度，从而对针灸治疗效果给出客观准确的评价，并进一步预测患者的康复趋势。
本发明为实现上述目的所采用的技术方案是：一种基于sEMG的检测面瘫患者针灸疗效***，sEMG信号放大器的输入端连接sEMG信号采集电极，sEMG信号放大器的输出端连接到sEMG信号AD转换器的输入端，sEMG信号分析装置的输入端连接sEMG信号AD转换器的输出端，sEMG信号分析装置的输出端连接显示器。
所述sEMG信号采集电极为电极片，且电极片形状适合肌肉形状和区域大小。
所述sEMG信号分析装置为对sEMG信号进行全面分析处理，实现实时检测、滤波、特征提取、特征向量降维、聚类功能，预测面瘫患者康复趋势的嵌入式***。
一种基于sEMG的检测面瘫患者针灸疗效方法，
将sEMG信号采集电极置于两侧面部肌肉，采集两侧面部肌肉的sEMG信号；
将得到的sEMG信号通过sEMG信号放大器进行放大，并通过sEMG信号AD转换器，将模拟sEMG信号转换成数字sEMG信号；
将数模转换后的sEMG信号传输到sEMG信号分析装置进行预处理；
提取预处理后的sEMG信号的时域和频域特征，组建成特征向量；
采用PCA方法对特征向量降维，并利用kmeans聚类方法计算健康侧与患侧的类别中心距；
利用多次测量的sEMG健康侧与患侧的类别中心距，拟合得到AR模型，预测患者下一次针刺治疗后，能够达到的康复效果。
所述预处理为对sEMG信号进行除野值、陷波以及滤波的处理过程。
所述时域和频域特征包括绝对值积分、过零次数、中值频率和一阶AR模型系数。
所述绝对值积分包括以下提取过程：
所述过零次数的提取过程为：
所述中值频率的提取过程为：
所述一阶AR模型系数的提取过程为：
xi＝a·xi-1+v
其中，IAV为绝对值积分，ZC为过零次数，MDF为中值频率，xi为sEMG数据的第i个采样点，N为sEMG时间窗的总长度，P(ω)是sEMG的功率谱密度，a是一阶AR模型系数，
所述组建成特征向量包括以下过程：
健康侧的sEMG特征向量为：
fvh＝[IAVh ZCh ARCh MDFh]
患侧的sEMG特征向量为：
fvd＝[IAVd ZCd ARCd MDFd]
IAVh＝[iav1,h,iav2,h,…,iavm,h]T,IAVd＝[iav1,d,iav2,d,…,iavm,d]T
ZCh＝[zc1,h,zc2,h,...,zcm,h]T,ZCd＝[zc1,d,zc2,d,...,zcm,d]T
ARCh＝[a1,h,a2,h,...,am,h]T,ARCd＝[a1,d,a2,d,...,am,d]T
MDFh＝[mdf1,h,mdf2,h,...,mdfm,h]T,MDFd＝[mdf1,d,mdf2,d,...,mdfm,d]T
其中：IAV为绝对值积分，ZC为过零次数，MDF为中值频率，ARC为一阶AR模型系数，m为sEMG时间窗的序号，h表示健康侧，d表示患侧，T表示向量的转置。
所述采用PCA方法对特征向量降维包括以下步骤：
步骤1)：以健康侧的特征向量作为基础样本，构建basis矩阵：
其中，iaviξ,zciξ,aiξ,mdfiξ分别为绝对值积分、过零次数、一阶AR模型系数和中值频率，h表示健康侧，d表示患侧，m表示sEMG时间窗序号；
步骤2)：计算basis矩阵的协方差矩阵：
H4×4＝cov(basis)＝STS
其中μi为S矩阵的各列的均值；
步骤3)：将协方差矩阵对角化，得到特征向量与对应的特征值：
v4×4＝[β1,β2,β3,β4]
式中β1,β2,β3,β4为特征向量，λ1,λ2,λ3,λ4为特征向量对应的特征值
步骤4)：将特征向量单位正交化，得到主要模式，并取前两列为传递矩阵
PM＝[η1,η2,η3,η4]4×4＝orthonormalized(v4×4)
TM＝[η1,η2]4×2
其中，PM为主要模式，TM为传递矩阵，η1,η2,η3,η4为所述特征向量β1,β2,β3,β4单位正交化后的结果；
步骤5)：利用步骤4)中TM将特征向量降维成2m×2维矩阵COEFF：
表示降维后的特征向量。
所述AR模型如下：
其中为待辨识的AR模型系数，n为AR模型的阶次，dk-1,dk-2,...,dk-n分别为第(k-1，k-2，…，k-n)次检测得到的健康侧与患侧的类别中心距，为预测得到的第k的健康侧与患侧的类别中心距离。
本发明具有以下有益效果及优点：
1.本发明采用敏感精确的表面肌电信号，检测面瘫患者面部肌肉活性，从而有效排除医生与患者临床感受等主观因素的影响，实现对面瘫治疗效果的定量客观评价；
2.本发明采用四阶巴特沃斯带通滤波、50HZ工频陷波等方法，对肌电信号进行预处理，能够有效滤除环境噪声对表面肌电的影响；
3.本发明提取表面肌电信号的时频域特征，组建特征向量，从而更全面的对面瘫治疗效果进行评价与预测，并使用PCA算法对特征向量降维，提高数据的稳定性；
4.本发明中采用kmeans算法对降维后的特征向量进行非监督聚类，并以健康侧与患侧的类别中心距作为评估面瘫治疗效果的量度，即健康侧与患侧的类别中心距越小，说明双侧肌肉活性差距越小，面瘫治疗有效果；
5.本发明中根据健康侧与患侧的类别中心距拟合得到AR模型，利用以往的sEMG数据，预测下一次针灸治疗后，患者将会达到的治疗效果。
附图说明
图1是本发明***结构框图；
图2是本发明中芯片连接图；
图3是本发明的方法流程图；
图4是本发明的结果实时显示图；
图5是本发明的针灸治疗效果评价图；
图6是本发明的k-means聚类结果图；
图7是本发明的类别中心距趋势图。
具体实施方式
下面结合附图和实施例对本专利做进一步说明。
如图1所示为本发明的***结构框图，sEMG信号放大器的输入端连接sEMG信号采集电极，sEMG信号放大器的输出端连接到sEMG信号AD转换器的输入端，sEMG信号分析装置的输入端连接sEMG信号AD转换器的输出端，sEMG信号分析装置的输出端连接显示器。
其中sEMG信号分析装置为S3C2410型芯片。
如图2所示为本发明中芯片连接图，幅值500uV左右的原始sEMG在增益500倍、共模抑制比100分贝的前置信号放大器(U2～U7)的作用下，变为幅值0.5V左右的模拟电压信号，并输入AD采集芯片LTC1867L(U9)，以2000HZ的频率进行模拟/数字转换，数字信号通过SPI协议(SDO和SDI)与S3C2410(U1)通信(SPIMISO0和SPIMOSI0口)；信号截取按钮，连接上拉电阻，接入S3C2410(U1)的AIN6口，作为标志信号，高电平时***截取保存对应的肌肉自主收缩sEMG。即，计算机串口U10与sEMG分析装置的U1相连；sEMG放大电极U2～U7分别与AD采集芯片U9的CH0～CH5引脚相连；U9通过SDI和SDO与U1相连；U1通过GPC和GPD引脚与显示屏U8相连。
如图3所示为本发明的方法流程图.
1)采集患者面部双侧额肌、提上唇肌和咬肌六块肌肉的sEMG，其中咬肌采用左三角型电极片，提上唇肌与额肌采用分离式电极片，电极片根据肌肉形状及区域大小而定。
与此同时，患者在医生的示意下，在针灸治疗的前后，分别完成抬眉、鼓腮、撅嘴、龇牙、噤鼻子等动作，每个动作持续时间两秒，动作间隔时间3秒；医生在患者每一个动作开始与结束的时候，摁动按钮，完成肌肉自主收缩sEMG信号的截取。
幅值500uV左右的原始sEMG在增益500倍、共模抑制比100分贝的前置信号放大器(U2～U7)的作用下，变为幅值0.5V左右的模拟电压信号，并输入sEMG信号AD转换器，以2000HZ的频率进行模拟/数字转换。
sEMG预处理：原始sEMG信号中，可能包含有环境噪声与工频干扰信号。因此将通过去除野值、工频50Hz陷波、4阶10Hz～500Hz的ButterWorth带通滤波等方法对信号进行预处理。
sEMG特征提取：sEMG信号属于非平稳信号，直接处理难度较大，因此本发明将利用128ms的时间窗，32ms的滑动窗提取其时域、频域以及时频域的特征，包括：
绝对值积分(Integral of Absolute Value,IAV)
过零次数(Zero Crossing)
中值频率(Median Frequency,MDF)
一阶AR模型系数(Auto-Regression Coefficients,ARC)
xi＝a·xi-1+v
其中，xi的sEMG数据的第i个采样点，N为sEMG时间窗的总长度，P(ω)是sEMG的功率谱密度，a是一阶AR模型系数，
3)组建特征向量：为了全面反映sEMG的特征，本发明将IAV,ZC,MDF和ARC组建特征向量：fvh＝[IAVh ZCh ARCh MDFh]和fvd＝[IAVd ZCd ARCd MDFd]分别表示健康侧与患侧的sEMG特征向量。其中：
IAVh＝[iav1,h,iav2,h,…,iavm,h]T,IAVd＝[iav1,d,iav2,d,…,iavm,d]T
ZCh＝[zc1,h,zc2,h,...,zcm,h]T,ZCd＝[zc1,d,zc2,d,...,zcm,d]T
ARCh＝[a1,h,a2,h,...,am,h]T,ARCd＝[a1,d,a2,d,...,am,d]T
MDFh＝[mdf1,h,mdf2,h,...,mdfm,h]T,MDFd＝[mdf1,d,mdf2,d,...,mdfm,d]T，m表示时间窗的序号，h和d分别代表健康侧与患侧，T表示向量的转置。
4)特征向量PCA方法降维：为了提高特征向量数据的稳定性，我们将对特征向量采用PCA方法进行降维。
i.以健康侧的特征向量作为基础样本(basis sample):
其中，iaviξ,zciξ,arciξ,mdfiξ等变量如3)中所述，h表示健康侧，d表示患侧，m表示sEMG时间窗序号。
ii.计算basis矩阵的协方差矩阵：
H4×4＝cov(basis)＝STS (2)
其中μi指S矩阵的各列的均值，iav,zc,a,mdf等特征如3)中定义。
iii.对角化H4×4矩阵，得到特征向量与对应的特征值。
v4×4＝[β1,β2,β3,β4]
式中β1,β2,β3,β4为特征向量，λ1,λ2,λ3,λ4为对应的特征值
iv.单位正交化特征向量，得到主要模式(Principal Modes)，并取前两列为传递矩阵(Transfer Matrix)
PM＝[η1,η2,η3,η4]4×4＝orthonormalized(v4×4)
TM＝[η1,η2]4×2
其中，PM为主要模式，TM为传递矩阵，TM将进一步用于特征矩阵的降维，η1,η2,η3,η4为所述特征向量β1,β2,β3,β4单位正交化后的结果。
v.因此，原始特征向量可以降维成2m×2维矩阵。
其中[IAVh ZCh ARCh MDFh]和[IAVd ZCd ARCd MDFd]IAV为绝对值积分，ZC为过零次数，MDF为中值频率，ARC为一阶AR模型系数，m为sEMG时间窗的序号，h表示健康侧，d表示患侧，T表示向量的转置，h表示健康侧，d表示患侧，m表示sEMG时间窗序号，等表示降维后的特征向量。
5)K-means聚类。对于得到的降维后的特征向量，采用k-means聚类方法进行聚类，并计算类别中心距离。具体方法如下：
i.任意选择2个初始中心点，例如
ii.对于COEFF中的所有点，分别与c[1]，c[2]比较，假定与c[i]差值最少，就标记为i，i＝1,2；
iii.对于所有标记为i点，重新计算c[i]＝{所有标记为i的点之和}/标记为i的个数；
iv.重复(2)(3)，直到所有c[i]值的变化小于给定阈值。
得到的c[i],i＝1,2即分别为健康侧与患侧的类别中心，以其二者之间的欧氏距离d作为量测面瘫康复情况的定量指标。
6)AR模型预测患者康复趋势。根据患者每次治疗后的sEMG，由上述方法计算得到健康侧与患侧的类别中心距离d，拟合得到四阶的AR模型：
其中为待辨识的AR模型系数，n为AR模型的阶次，dk-1,dk-2,...,dk-n分别为第(k-1，k-2，…，k-n)次检测得到的健康侧与患侧的类别中心距，为预测得到的第k的健康侧与患侧的类别中心距离；
将已有的n次中心距数据dk,dk-1,dk-2,...,dk-n代入上述AR模型中，即可辨识得到AR模型的系数并以此预测第n+1次中心距dk+1，即第n+1次的治疗效果。
如图4所示为本发明的结果实时显示图：
S3C2410通过UART0接口实现与计算机的RS232(U10)通信，并实时保存所有sEMG数据，以便进一步分析。此外，S3C2410通过GPC、GPD接口连接外部LCD屏幕，将上述sEMG信号、针灸疗效评价结果实时显示出来。
图4，能够实时显示六通道sEMG数据，从左至右分别为健康侧与患侧的咬肌、提上唇肌和额肌。
图5即为针灸治疗效果评价，不同颜色的柱状图，分别代表健康侧与患侧不同肌肉的差距，柱状图越高，表明双侧差距越大，面瘫程度越严重，由图中我们可以看到，随着一段时间的治疗，双侧差距逐渐缩小，针灸治疗面瘫有效果。
图6即为k-means聚类结果，星号代表健康侧样本，圆圈代表患侧样本，两个类别彼此界限分明，二者的类别中心距离作为评价面瘫康复水平的量度。
图7即为6～10号病人多次针灸治疗后sEMG的类别中心距趋势图，横坐标表示采集sEMG的次数，纵坐标表示每次健康侧与患侧的类别中心距离，可以看到健康侧与患侧的类别中心距在不断减小，说明面瘫康复效果良好。
通过现有的临床实验数据分析，本发明提出的sEMG分析方法及AR模型，在评估面瘫患者康复效果并预测康复水平上表现优秀，准确率达到92.8％以上。

Claims (8)

1.一种基于表面肌电的面瘫患者针灸疗效检测可视化***，其特征在于，
sEMG信号放大器的输入端连接sEMG信号采集电极，将sEMG信号采集电极置于两侧面部肌肉，采集两侧面部肌肉的sEMG信号；
sEMG信号放大器的输出端连接到sEMG信号AD转换器的输入端，将得到的sEMG信号通过sEMG信号放大器进行放大；
sEMG信号AD转换器的输出端连接sEMG信号分析装置的输入端，将模拟sEMG信号转换成数字sEMG信号后发送到sEMG信号分析装置进行预处理，sEMG信号分析装置将提取预处理后的sEMG信号的时域和频域特征，所述时域和频域特征包括绝对值积分、过零次数、中值频率和一阶AR模型系数，组建成特征向量，并采用PCA方法对特征向量降维，将特征向量降维成2m×2维矩阵COEFF，利用kmeans聚类方法进行聚类，计算健康侧与患侧的类别中心：
(1)任意选择2个初始中心点，其中和分别为健康侧的2m×2维COEFF矩阵中第一行第一列元素、第一行第二列元素和患侧的2m×2维COEFF矩阵中第一行第一列元素、第一行第二列元素；
(2)对于COEFF中的所有点，分别与c[1]，c[2]比较，假定与c[i]差值最少，就标记为i，i＝1,2；
(3)对于所有标记为i点，重新计算c[i]＝{所有标记为i的点之和}/标记为i的个数；
(4)重复(2)(3)，直到所有c[i]值的变化小于给定阈值；得到的c[i],i＝1,2即分别为健康侧与患侧的类别中心，以其二者之间的欧氏距离d作为量测面瘫康复情况的定量指标；sEMG信号分析装置利用多次测量的sEMG健康侧与患侧的类别中心距，拟合得到AR模型，预测患者下一次针刺治疗后，能够达到的康复效果；
sEMG信号分析装置的输出端连接显示器，显示器接收并显示sEMG信号分析装置发出的信号。
2.根据权利要求1所述的基于表面肌电的面瘫患者针灸疗效检测可视化***，其特征在于：所述sEMG信号采集电极为形状适合肌肉形状和区域大小的电极片。
3.根据权利要求1所述的基于表面肌电的面瘫患者针灸疗效检测可视化***，其特征在于：所述sEMG信号分析装置为对sEMG信号进行全面分析处理，实现实时检测、滤波、特征提取、特征向量降维、聚类功能的嵌入式***。
4.根据权利要求1所述的基于表面肌电的面瘫患者针灸疗效检测可视化***，其特征在于：所述预处理为对sEMG信号进行除野值、陷波以及滤波的处理过程。
5.根据权利要求1所述的基于表面肌电的面瘫患者针灸疗效检测可视化***，其特征在于：所述绝对值积分包括以下提取过程：
<mrow> <mi>I</mi> <mi>A</mi> <mi>V</mi> <mo>=</mo> <mfrac> <mn>1</mn> <mi>N</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <mrow> <mo>|</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>|</mo> </mrow> </mrow>
所述过零次数的提取过程为：
<mrow> <mi>Z</mi> <mi>C</mi> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <mi>sgn</mi> <mrow> <mo>(</mo> <mo>-</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>)</mo> </mrow> </mrow>
所述中值频率的提取过程为：
<mrow> <msubsup> <mo>&amp;Integral;</mo> <mn>0</mn> <mrow> <mi>M</mi> <mi>D</mi> <mi>F</mi> </mrow> </msubsup> <mi>P</mi> <mrow> <mo>(</mo> <mi>&amp;omega;</mi> <mo>)</mo> </mrow> <mi>d</mi> <mi>&amp;omega;</mi> <mo>=</mo> <msubsup> <mo>&amp;Integral;</mo> <mrow> <mi>M</mi> <mi>D</mi> <mi>F</mi> </mrow> <mi>&amp;infin;</mi> </msubsup> <mi>P</mi> <mrow> <mo>(</mo> <mi>&amp;omega;</mi> <mo>)</mo> </mrow> <mi>d</mi> <mi>&amp;omega;</mi> <mo>=</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <msubsup> <mo>&amp;Integral;</mo> <mn>0</mn> <mi>&amp;infin;</mi> </msubsup> <mi>P</mi> <mrow> <mo>(</mo> <mi>&amp;omega;</mi> <mo>)</mo> </mrow> <mi>d</mi> <mi>&amp;omega;</mi> </mrow>
所述一阶AR模型系数的提取过程为：
xi＝a·xi-1+v
其中，IAV为绝对值积分，ZC为过零次数，MDF为中值频率，xi为sEMG数据的第i个采样点，N为sEMG时间窗的总长度，P(ω)是sEMG的功率谱密度，ν为建模误差，a是一阶AR模型系数，
6.根据权利要求1所述的基于表面肌电的面瘫患者针灸疗效检测可视化***，其特征在于：所述组建成特征向量包括以下过程为：
健康侧的sEMG特征向量为：
fvh＝[IAVh ZCh ARCh MDFh]
患侧的sEMG特征向量为：
fvd＝[IAVd ZCd ARCd MDFd]
IAVh＝[iav1,h,iav2,h,L,iavm,h]T,IAVd＝[iav1,d,iav2,d,L,iavm,d]T
ZCh＝[zc1,h,zc2,h,...,zcm,h]T,ZCd＝[zc1,d,zc2,d,...,zcm,d]T
ARCh＝[a1,h,a2,h,...,am,h]T,ARCd＝[a1,d,a2,d,...,am,d]T
MDFh＝[mdf1,h,mdf2,h,...,mdfm,h]T,MDFd＝[mdf1,d,mdf2,d,...,mdfm,d]T
其中：IAV为绝对值积分，ZC为过零次数，MDF为中值频率，ARC为一阶AR模型系数，m为sEMG时间窗的序号，h表示健康侧，d表示患侧，T表示向量的转置，iav1,h,iav2,h,...,iavm,h表示1～m个健康侧窗数据中的肌电信号所提取的绝对值积分特征，iav1,d,iav2,d,...,iavm,d表示1～m个患侧窗数据中的肌电信号所提取的绝对值积分特征，zc1,h,zc2,h,...,zcm,h表示1～m个健康侧窗数据中的肌电信号所提取的过零次数特征，zc1,d,zc2,d,...,zcm,d表示1～m个患侧窗数据中的肌电信号所提取的过零次数特征，a1,h,a2,h,...,am,h表示1～m个健康侧窗数据中的肌电信号所提取的绝对值积分特征，a1,d,a2,d,...,am,d表示1～m个患侧窗数据中的肌电信号所提取的绝对值积分特征，mdf1,h,mdf2,h,...,mdfm,h表示1～m个健康窗数据中的肌电信号所提取的中值频率特征，mdf1,d,mdf2,d,...,mdfm,d表示1～m个患侧数据中的肌电信号所提取的中值频率特征。
7.根据权利要求1所述的基于表面肌电的面瘫患者针灸疗效检测可视化***，其特征在于：所述采用PCA方法对特征向量降维包括以下步骤：
步骤1)：以健康侧的特征向量作为基础样本，构建basis矩阵：
<mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>b</mi> <mi>a</mi> <mi>s</mi> <mi>i</mi> <mi>s</mi> <mo>=</mo> <msub> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <msub> <mi>IAV</mi> <mi>h</mi> </msub> </mrow> </mtd> <mtd> <mrow> <msub> <mi>ZC</mi> <mi>h</mi> </msub> </mrow> </mtd> <mtd> <mrow> <msub> <mi>ARC</mi> <mi>h</mi> </msub> </mrow> </mtd> <mtd> <mrow> <msub> <mi>MDF</mi> <mi>h</mi> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mrow> <mi>m</mi> <mo>&amp;times;</mo> <mn>4</mn> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>=</mo> <msub> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <msub> <mi>iav</mi> <mrow> <mn>1</mn> <mi>h</mi> </mrow> </msub> </mrow> </mtd> <mtd> <mrow> <msub> <mi>zc</mi> <mrow> <mn>1</mn> <mi>h</mi> </mrow> </msub> </mrow> </mtd> <mtd> <msub> <mi>a</mi> <mrow> <mn>1</mn> <mi>h</mi> </mrow> </msub> </mtd> <mtd> <mrow> <msub> <mi>mdf</mi> <mrow> <mn>1</mn> <mi>h</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>iav</mi> <mrow> <mn>2</mn> <mi>h</mi> </mrow> </msub> </mrow> </mtd> <mtd> <mrow> <msub> <mi>zc</mi> <mrow> <mn>2</mn> <mi>h</mi> </mrow> </msub> </mrow> </mtd> <mtd> <msub> <mi>a</mi> <mrow> <mn>2</mn> <mi>h</mi> </mrow> </msub> </mtd> <mtd> <mrow> <msub> <mi>mdf</mi> <mrow> <mn>2</mn> <mi>h</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>...</mn> </mtd> <mtd> <mn>...</mn> </mtd> <mtd> <mn>...</mn> </mtd> <mtd> <mn>...</mn> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>iav</mi> <mrow> <mi>m</mi> <mi>h</mi> </mrow> </msub> </mrow> </mtd> <mtd> <mrow> <msub> <mi>zc</mi> <mrow> <mi>m</mi> <mi>h</mi> </mrow> </msub> </mrow> </mtd> <mtd> <msub> <mi>a</mi> <mrow> <mi>m</mi> <mi>h</mi> </mrow> </msub> </mtd> <mtd> <mrow> <msub> <mi>mdf</mi> <mrow> <mi>m</mi> <mi>h</mi> </mrow> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mrow> <mi>m</mi> <mo>&amp;times;</mo> <mn>4</mn> </mrow> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> 2
其中，iaviξ,zciξ,aiξ,mdfiξ分别为绝对值积分、过零次数、一阶AR模型系数和中值频率，h表示健康侧，d表示患侧，m表示sEMG时间窗序号，i为特征矩阵中的任意一行的某个元素，ξ表示健康侧的sEMG信号特征；
步骤2)：计算basis矩阵的协方差矩阵：
H4×4＝cov(basis)＝STS
<mrow> <mi>S</mi> <mo>=</mo> <msub> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <msub> <mi>iav</mi> <mrow> <mn>1</mn> <mi>h</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mrow> <mn>1</mn> <mi>h</mi> </mrow> </msub> </mrow> </mtd> <mtd> <mrow> <msub> <mi>zc</mi> <mrow> <mn>1</mn> <mi>h</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mrow> <mn>2</mn> <mi>h</mi> </mrow> </msub> </mrow> </mtd> <mtd> <mrow> <msub> <mi>a</mi> <mrow> <mn>1</mn> <mi>h</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mrow> <mn>3</mn> <mi>h</mi> </mrow> </msub> </mrow> </mtd> <mtd> <mrow> <msub> <mi>mdf</mi> <mrow> <mn>1</mn> <mi>h</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mrow> <mn>4</mn> <mi>h</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>iav</mi> <mrow> <mn>2</mn> <mi>h</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mrow> <mn>1</mn> <mi>h</mi> </mrow> </msub> </mrow> </mtd> <mtd> <mrow> <msub> <mi>zc</mi> <mrow> <mn>2</mn> <mi>h</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mrow> <mn>2</mn> <mi>h</mi> </mrow> </msub> </mrow> </mtd> <mtd> <mrow> <msub> <mi>a</mi> <mrow> <mn>2</mn> <mi>h</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mrow> <mn>3</mn> <mi>h</mi> </mrow> </msub> </mrow> </mtd> <mtd> <mrow> <msub> <mi>mdf</mi> <mrow> <mn>2</mn> <mi>h</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mrow> <mn>4</mn> <mi>h</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>...</mn> </mtd> <mtd> <mn>...</mn> </mtd> <mtd> <mn>...</mn> </mtd> <mtd> <mn>...</mn> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>iav</mi> <mrow> <mi>m</mi> <mi>h</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mrow> <mn>1</mn> <mi>h</mi> </mrow> </msub> </mrow> </mtd> <mtd> <mrow> <msub> <mi>zc</mi> <mrow> <mi>m</mi> <mi>h</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mrow> <mn>2</mn> <mi>h</mi> </mrow> </msub> </mrow> </mtd> <mtd> <mrow> <msub> <mi>a</mi> <mrow> <mi>m</mi> <mi>h</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mrow> <mn>3</mn> <mi>h</mi> </mrow> </msub> </mrow> </mtd> <mtd> <mrow> <msub> <mi>mdf</mi> <mrow> <mi>m</mi> <mi>h</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mrow> <mn>4</mn> <mi>h</mi> </mrow> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mrow> <mi>m</mi> <mo>&amp;times;</mo> <mn>4</mn> </mrow> </msub> </mrow>
其中μi为basis矩阵的各列的均值；
步骤3)：将协方差矩阵对角化，得到特征向量与对应的特征值：
v4×4＝[β1,β2,β3,β4]
<mrow> <msub> <mi>d</mi> <mrow> <mn>4</mn> <mo>&amp;times;</mo> <mn>4</mn> </mrow> </msub> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <msub> <mi>&amp;lambda;</mi> <mn>1</mn> </msub> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <msub> <mi>&amp;lambda;</mi> <mn>2</mn> </msub> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <msub> <mi>&amp;lambda;</mi> <mn>3</mn> </msub> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <msub> <mi>&amp;lambda;</mi> <mn>4</mn> </msub> </mtd> </mtr> </mtable> </mfenced> </mrow>
式中β1,β2,β3,β4为特征向量，λ1,λ2,λ3,λ4为特征向量对应的特征值；
步骤4)：将特征向量单位正交化，得到主要模式，并取前两列为传递矩阵
PM＝[η1,η2,η3,η4]4×4＝orthonormalized(v4×4)
TM＝[η1,η2]4×2
其中，PM为主要模式，TM为传递矩阵，η1,η2,η3,η4为所述特征向量β1,β2,β3,β4单位正交化后的结果；
步骤5)：利用步骤4)中TM将特征向量降维成2m×2维矩阵COEFF：
<mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>COEFF</mi> <mi>h</mi> </msub> <mo>=</mo> <msub> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <msub> <mi>IAV</mi> <mi>h</mi> </msub> </mrow> </mtd> <mtd> <mrow> <msub> <mi>ZC</mi> <mi>h</mi> </msub> </mrow> </mtd> <mtd> <mrow> <msub> <mi>ARC</mi> <mi>h</mi> </msub> </mrow> </mtd> <mtd> <mrow> <msub> <mi>MDF</mi> <mi>h</mi> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mrow> <mi>m</mi> <mo>&amp;times;</mo> <mn>4</mn> </mrow> </msub> <mo>&amp;CenterDot;</mo> <msub> <mrow> <mo>&amp;lsqb;</mo> <msub> <mi>&amp;eta;</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>&amp;eta;</mi> <mn>2</mn> </msub> <mo>&amp;rsqb;</mo> </mrow> <mrow> <mn>4</mn> <mo>&amp;times;</mo> <mn>2</mn> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <msubsup> <mi>pc</mi> <mn>11</mn> <mi>h</mi> </msubsup> </mrow> </mtd> <mtd> <mrow> <msubsup> <mi>pc</mi> <mn>12</mn> <mi>h</mi> </msubsup> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msubsup> <mi>pc</mi> <mn>21</mn> <mi>h</mi> </msubsup> </mrow> </mtd> <mtd> <mrow> <msubsup> <mi>pc</mi> <mn>22</mn> <mi>h</mi> </msubsup> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>...</mn> </mtd> <mtd> <mn>...</mn> </mtd> </mtr> <mtr> <mtd> <mrow> <msubsup> <mi>pc</mi> <mrow> <mi>m</mi> <mn>1</mn> </mrow> <mi>h</mi> </msubsup> </mrow> </mtd> <mtd> <mrow> <msubsup> <mi>pc</mi> <mrow> <mi>m</mi> <mn>2</mn> </mrow> <mi>h</mi> </msubsup> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow> </mtd> </mtr> </mtable> </mfenced>
<mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>COEFF</mi> <mi>d</mi> </msub> <mo>=</mo> <msub> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <msub> <mi>IAV</mi> <mi>d</mi> </msub> </mrow> </mtd> <mtd> <mrow> <msub> <mi>ZC</mi> <mi>d</mi> </msub> </mrow> </mtd> <mtd> <mrow> <msub> <mi>ARC</mi> <mi>d</mi> </msub> </mrow> </mtd> <mtd> <mrow> <msub> <mi>MDF</mi> <mi>d</mi> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mrow> <mi>m</mi> <mo>&amp;times;</mo> <mn>4</mn> </mrow> </msub> <mo>&amp;CenterDot;</mo> <msub> <mrow> <mo>&amp;lsqb;</mo> <msub> <mi>&amp;eta;</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>&amp;eta;</mi> <mn>2</mn> </msub> <mo>&amp;rsqb;</mo> </mrow> <mrow> <mn>4</mn> <mo>&amp;times;</mo> <mn>2</mn> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <msubsup> <mi>pc</mi> <mn>11</mn> <mi>d</mi> </msubsup> </mrow> </mtd> <mtd> <mrow></mrow> </mtd> <mtd> <mrow> <msubsup> <mi>pc</mi> <mn>12</mn> <mi>d</mi> </msubsup> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msubsup> <mi>pc</mi> <mn>21</mn> <mi>d</mi> </msubsup> </mrow> </mtd> <mtd> <mrow></mrow> </mtd> <mtd> <mrow> <msubsup> <mi>pc</mi> <mn>22</mn> <mi>d</mi> </msubsup> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>...</mn> </mtd> <mtd> <mn>...</mn> </mtd> <mtd> <mn>...</mn> </mtd> </mtr> <mtr> <mtd> <mrow> <msubsup> <mi>pc</mi> <mrow> <mi>m</mi> <mn>1</mn> </mrow> <mi>d</mi> </msubsup> </mrow> </mtd> <mtd> <mrow></mrow> </mtd> <mtd> <mrow> <msubsup> <mi>pc</mi> <mrow> <mi>m</mi> <mn>2</mn> </mrow> <mi>d</mi> </msubsup> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow> </mtd> </mtr> </mtable> </mfenced> 3
<mrow> <mi>C</mi> <mi>O</mi> <mi>E</mi> <mi>F</mi> <mi>F</mi> <mo>=</mo> <msub> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <msub> <mi>COEFF</mi> <mi>h</mi> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>COEFF</mi> <mi>d</mi> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mrow> <mn>2</mn> <mi>m</mi> <mo>&amp;times;</mo> <mn>2</mn> </mrow> </msub> </mrow>
表示降维后的特征向量。
8.根据权利要求1所述的基于表面肌电的面瘫患者针灸疗效检测可视化***，其特征在于：所述AR模型如下：
<mrow> <msub> <mover> <mi>d</mi> <mo>^</mo> </mover> <mi>k</mi> </msub> <mo>=</mo> <msubsup> <mi>a</mi> <mn>1</mn> <mi>k</mi> </msubsup> <msub> <mi>d</mi> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>+</mo> <msubsup> <mi>a</mi> <mn>2</mn> <mi>k</mi> </msubsup> <msub> <mi>d</mi> <mrow> <mi>k</mi> <mo>-</mo> <mn>2</mn> </mrow> </msub> <mo>+</mo> <mo>...</mo> <mo>+</mo> <msubsup> <mi>a</mi> <mi>n</mi> <mi>k</mi> </msubsup> <msub> <mi>d</mi> <mrow> <mi>k</mi> <mo>-</mo> <mi>n</mi> </mrow> </msub> </mrow>
其中为待辨识的AR模型系数，n为AR模型的阶次，dk-1,dk-2,...,dk-n分别为第(k-1，k-2，…，k-n)次检测得到的健康侧与患侧的类别中心距，为预测得到的第k次的健康侧与患侧的类别中心距离。
CN201310518059.5A 2013-10-25 2013-10-25 基于sEMG的检测面瘫患者针灸疗效*** Active CN104545906B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310518059.5A CN104545906B (zh) 2013-10-25 2013-10-25 基于sEMG的检测面瘫患者针灸疗效***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310518059.5A CN104545906B (zh) 2013-10-25 2013-10-25 基于sEMG的检测面瘫患者针灸疗效***

Publications (2)

Publication Number Publication Date
CN104545906A CN104545906A (zh) 2015-04-29
CN104545906B true CN104545906B (zh) 2017-09-29

Family

ID=53063762

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310518059.5A Active CN104545906B (zh) 2013-10-25 2013-10-25 基于sEMG的检测面瘫患者针灸疗效***

Country Status (1)

Country Link
CN (1) CN104545906B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105326501B (zh) * 2015-12-10 2021-02-12 宁波工程学院 基于多通道sEMG的肌肉状态评估方法
CN106473737A (zh) * 2016-11-24 2017-03-08 张珊珊 一种基于sEMG深层肌肉电信号的测量***
US11478212B2 (en) * 2017-02-16 2022-10-25 Siemens Healthcare Gmbh Method for controlling scanner by estimating patient internal anatomical structures from surface data using body-surface and organ-surface latent variables
CN111923048A (zh) * 2020-08-14 2020-11-13 北京海益同展信息科技有限公司 肌电信号分类、外骨骼机器人控制方法及装置
CN115486820B (zh) * 2022-11-16 2023-03-17 安徽星辰智跃科技有限责任公司 一种针灸疗效及生理效应检测量化的方法、***和装置
CN116313029B (zh) * 2022-12-22 2023-08-08 安徽星辰智跃科技有限责任公司 一种数字针灸动态控制优化的方法、***和装置
CN116486999B (zh) * 2023-05-19 2023-10-20 黑龙江中医药大学 一种面瘫针灸治疗过程自适应辅助监控方法及***

Also Published As

Publication number Publication date
CN104545906A (zh) 2015-04-29

Similar Documents

Publication Publication Date Title
CN104545906B (zh) 基于sEMG的检测面瘫患者针灸疗效***
Moniri et al. Real-time forecasting of sEMG features for trunk muscle fatigue using machine learning
CN108784693B (zh) 基于独立成分分析和卡尔曼平滑的p300单次提取技术
Yang et al. Surface EMG based handgrip force predictions using gene expression programming
Zhang et al. Extracting time-frequency feature of single-channel vastus medialis EMG signals for knee exercise pattern recognition
CN105326501A (zh) 基于sEMG的肌肉疾病监测方法
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
Tryon et al. Classification of task weight during dynamic motion using EEG–EMG fusion
Akben Low-cost and easy-to-use grasp classification, using a simple 2-channel surface electromyography (sEMG)
Chandrasekhar et al. Design of a real time portable low-cost multi-channel surface electromyography system to aid neuromuscular disorder and post stroke rehabilitation patients
Veer Experimental study and characterization of SEMG signals for upper limbs
Yu et al. Wrist torque estimation via electromyographic motor unit decomposition and image reconstruction
Veer A flexible approach for segregating physiological signals
Veer Development of sensor system with measurement of surface electromyogram signal for clinical use
Ji et al. Stationary wavelet-based two-directional two-dimensional principal component analysis for EMG signal classification
CN114098768B (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
US20240197238A1 (en) Point-of-care prediction of muscle responsiveness to therapy during neurorehabilitation
Veer et al. Analysis and recognition of operations using SEMG from upper arm muscles
Daud et al. Effect of two adjacent muscles of flexor and extensor on finger pinch and Hand grip force
Kocer Classifying myopathy and neuropathy neuromuscular diseases using artificial neural networks
Veer Spectral and mathematical evaluation of electromyography signals for clinical use
Naseem et al. Detection of sEMG muscle activation intervals using gaussian mixture model and ant colony classifier
Wahab et al. Analysis and classification of forearm muscles activities during gripping using EMG signals
Cahyadi et al. Analysis of EMG based arm movement sequence using mean and median frequency
Altamirano EMG pattern prediction for upper limb movements based on wavelet and Hilbert-Huang transform

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant