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 PDFInfo
- 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
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
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>&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>&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>&Integral;</mo>
<mn>0</mn>
<mrow>
<mi>M</mi>
<mi>D</mi>
<mi>F</mi>
</mrow>
</msubsup>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>&omega;</mi>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>&omega;</mi>
<mo>=</mo>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mi>M</mi>
<mi>D</mi>
<mi>F</mi>
</mrow>
<mi>&infin;</mi>
</msubsup>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>&omega;</mi>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>&omega;</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msubsup>
<mo>&Integral;</mo>
<mn>0</mn>
<mi>&infin;</mi>
</msubsup>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>&omega;</mi>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>&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>&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>&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>&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>&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>&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>&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>&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>&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>&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>&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>&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>&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>&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>&mu;</mi>
<mrow>
<mn>4</mn>
<mi>h</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mrow>
<mi>m</mi>
<mo>&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>&times;</mo>
<mn>4</mn>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>&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>&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>&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>&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>&times;</mo>
<mn>4</mn>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>&eta;</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&eta;</mi>
<mn>2</mn>
</msub>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<mn>4</mn>
<mo>&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>&times;</mo>
<mn>4</mn>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>&eta;</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&eta;</mi>
<mn>2</mn>
</msub>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<mn>4</mn>
<mo>&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>&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。
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)
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*** |
-
2013
- 2013-10-25 CN CN201310518059.5A patent/CN104545906B/zh active Active
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 |