CN106901732B - 突变状态下肌力与肌张力的测量方法和测量装置 - Google Patents

突变状态下肌力与肌张力的测量方法和测量装置 Download PDF

Info

Publication number
CN106901732B
CN106901732B CN201710244946.6A CN201710244946A CN106901732B CN 106901732 B CN106901732 B CN 106901732B CN 201710244946 A CN201710244946 A CN 201710244946A CN 106901732 B CN106901732 B CN 106901732B
Authority
CN
China
Prior art keywords
muscle
muscle tension
hilbert
mutation
marginal
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
CN201710244946.6A
Other languages
English (en)
Other versions
CN106901732A (zh
Inventor
王勇
胡保华
张秀锋
陈恩伟
刘正士
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.)
Hefei Polytechnic University
Original Assignee
Hefei Polytechnic University
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 Hefei Polytechnic University filed Critical Hefei Polytechnic University
Priority to CN201710244946.6A priority Critical patent/CN106901732B/zh
Publication of CN106901732A publication Critical patent/CN106901732A/zh
Application granted granted Critical
Publication of CN106901732B publication Critical patent/CN106901732B/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
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
    • A61B5/1071—Measuring physical dimensions, e.g. size of the entire body or parts thereof measuring angles, e.g. using goniometers
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/22—Ergometry; Measuring muscular strength or the force of a muscular blow
    • A61B5/224—Measuring muscular strength
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
    • A61B5/4519—Muscles
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
    • A61B5/4528—Joints
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • 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
    • 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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Signal Processing (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Rheumatology (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Power Engineering (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种突变状态下肌力与肌张力的测量方法和测量装置，该测量方法包括以下步骤：采集与待测定肌力与肌张力对应的肌电信号；利用固定长度的滑动窗对采集到的表面肌电信号进行分帧，通过帧移计算每帧信号的HHT边际谱熵；计算连续有效的HHT边际谱熵的个数，若个数大于设定值，则判定连续有效的HHT边际谱熵的起始时刻为肌力与肌张力状态突变点；以及根据肌力与肌张力状态突变点后的设定长度的肌电信号来测量肌力与肌张力。本发明采用时频域分析与非线性动力学结合的方法实现肌力与肌张力突变状态点的识别，同时对突变点后肌电信号进行时域分析，实现突变状态下肌力或肌张力的测量，可消除个体差异，提高了肌力与肌张力测量的准确性。

Description

突变状态下肌力与肌张力的测量方法和测量装置
技术领域
本发明涉及一种突变状态下肌力与肌张力的测量方法和测量装置。
背景技术
肌电信号的分析处理中，识别肌力与肌张力(即肌力和/或肌张力)状态突变点可用于意图识别、运动状态监测、痉挛检测等，一直是研究的热点，同时也是研究难点。
目前常用的肌电信号分析与处理研究方法有时域与频域两种方法，由于肌电信号是一种复杂的生理信号，具有非平稳性和非线性，且其微弱易受干扰，因此单纯的时域分析方法对肌电信号的解析能力有所不足。
而常用的频域分析方法，如FFT等，适用于周期信号，对于肌电信号这种非周期性信号并不适用。目前常用的状态突变点的识别多采用时域分析方法，考虑到肌电信号的特性，时域处理方法容易造成误判，不能保证识别的准确性。而比较适用于肌电信号分析的方法如小波分析等虽然在肌电信号分析处理方面的研究开展已久，并取得了一些进展，但是由于存在肌电信号复杂、计算复杂、实时性、噪声干扰等问题，还无人应用于肌力与肌张力状态突变点的识别。
现有的肌力与肌张力状态突变点的识别方法仅限于时域分析方法，导致突变点的识别不够准确，实时性更是难以保证，无法更好地满足意图识别、痉挛检测等需求。
突变状态下肌力与肌张力的测量具有重要的意义，如运动员运动功能评定、痉挛的定量评估等均需要实现突变状态下肌力与肌张力的测量。肌力与肌张力突变过程中相应肌肉开始募集电信号，因此肌电信号可反映出肌力与肌张力的状态。
但目前常用的基于肌力与肌张力的测量方法仅仅考虑整体肌电信号与肌力或肌张力的关系，没有考虑突变前后肌电信号的变化过程，导致突变状态下肌力与肌张力的测量结果不准确。
发明内容
本发明的目的在于提供一种突变状态下肌力与肌张力的测量方法，以提高肌力与肌张力测量的准确性。
本发明的目的还在于提供一种突变状态下肌力与肌张力的测量装置，以提高肌力与肌张力测量的准确性。
为此，本发明一方面提供了一种突变状态下肌力与肌张力的测量方法，采用时频域分析方法与非线性动力学结合的方法判定肌力与肌张力状态突变点，识别状态突变点后，对突变点后肌电信号进行分析实现突变状态下肌力或肌张力的测量，包括以下步骤：采集与待测定肌力与肌张力对应的肌电信号；利用固定长度的滑动窗对采集到的表面肌电信号进行分帧，通过帧移计算每帧信号的HHT边际谱熵；计算连续有效的HHT边际谱熵的个数，若个数大于设定值，则判定所述连续有效的HHT边际谱熵的起始时刻为肌力与肌张力状态突变点；以及根据肌力与肌张力状态突变点后的设定长度的肌电信号来测量肌力与肌张力。
进一步地，计算连续有效的HHT边际谱熵的个数包括：设定自适应阈值，将低于所述自适应阈值的HHT边际谱熵作为无效边际谱熵进行剔除，其余HHT边际谱熵作为有效边际谱熵进行保留；以及计算有效边际谱熵的连续个数。
进一步地，计算连续有效的HHT边际谱熵的个数还包括：在设定自适应阈值之前对HHT边际谱熵进行处理以提高灵敏度。
进一步地，对HHT边际谱熵进行处理以提高灵敏度的方式如下：
其中，为HHT边际谱熵，k为比例因子，N为幅值的n次方。
进一步地，在采集肌电信号时还同步采集与肌电信号对应的关节角度；以及在判定肌力与肌张力状态突变点后、确定与所述肌力与肌张力状态突变点对应的关节角度。
根据本发明的另一方面，提供了一种突变状态下肌力与肌张力的测量装置，包括计算机设备、所述计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：采集与待测定肌力与肌张力对应的肌电信号；利用固定长度的滑动窗对采集到的表面肌电信号进行分帧，通过帧移计算每帧信号的HHT边际谱熵；计算连续有效的HHT边际谱熵的个数，若个数大于设定值，则判定所述连续有效的HHT边际谱熵的起始时刻为肌力与肌张力状态突变点；以及根据肌力与肌张力状态突变点后的设定长度的肌电信号来测量肌力与肌张力。
进一步地，上述计算连续有效的HHT边际谱熵的个数包括：设定自适应阈值，将低于所述自适应阈值的HHT边际谱熵作为无效边际谱熵进行剔除，其余HHT边际谱熵作为有效边际谱熵进行保留；以及计算有效边际谱熵的连续个数。
进一步地，上述计算连续有效的HHT边际谱熵的个数还包括：在设定自适应阈值之前对HHT边际谱熵进行处理以提高灵敏度。
进一步地，上述处理器执行所述程序时还实现以下步骤：在采集与待测定肌力与肌张力对应的肌电信号时还同步采集与肌电信号对应的关节角度；以及在判定肌力与肌张力状态突变点后、确定与所述肌力与肌张力状态突变点对应的关节角度。
进一步地，上述测量装置用于痉挛检测，其中，所述肌张力状态突变点为痉挛起始点，所述痉挛起始点对应的关节角度为牵张反射阈值。
进一步地，本发明利用状态突变点后的设定长度的肌电信号的均方根实现痉挛的评定。
本发明采用时频域分析与非线性动力学结合的方法实现肌力与肌张力突变状态点的识别，同时对突变点前后肌电信号进行时域分析，实现突变状态下肌力或肌张力的测量，可消除个体差异，提高了肌力与肌张力测量的准确性。
其中，肌力与肌张力突变状态点利用设定个数的连续有效的HHT边际谱熵来识别，可以保证突变点识别的准确性。进一步地，通过对HHT边际谱熵进行处理，提高了肌力与肌张力状态突变点识别的灵敏度。改进的HHT边际谱熵解决了现有熵计算复杂实时性较差的问题。同时结合关节角度的测量，可实现肌力和/或肌张力对应的角度位置的检测。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明的突变状态下肌力与肌张力的测量方法的流程图；
图2是根据本发明一实施例的肌力与肌张力状态突变点的识别方法的计算机程序的算法流程图；
图3是根据本发明一实施例的肌电信号的波形和与其之对应的HHT边际谱熵经过整流后的波形的对比图；
图4是根据本发明另一实施例的肌电信号的波形和与之对应的改进后的HHT边际谱熵经过整流后的波形的对比图；以及
图5是根据本发明的突变状态下肌力与肌张力的测量装置的结构框图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
本发明根据突变状态前后肌电信号特征找到状态突变点后，分析突变点后肌电信号，实现突变状态下肌力或肌张力的测量。
图1至图5示出了根据本发明的一些实施例。
如图1所示，本发明的肌力与肌张力测量方法包括以下步骤：
S10、采集与待测肌力与肌张力对应的肌电信号；
当本发明的测量方法用于意图识别和运动状态监测时，在本步骤中，优先采用穿戴式采集设备来采集肌电信号，例如中国专利ZL201410001577.4公开的穿戴式移动手环，戴在大臂或小臂上，即可采集相应的肌电信号；当本发明的测量方法用于痉挛检测时，除了检测肌电信号，还同时检测关节角度。
S20、利用固定长度的滑动窗对采集到的表面肌电信号进行分帧，通过帧移计算每帧信号的HHT边际谱熵；以及
在本步骤中，在一些场合中，对肌电信号有选择性地进行预处理，该预处理主要为去噪处理，在另一些场合，无需对采集的肌电信号进行预处理。
在本步骤中，滑动窗的固定长度大于帧移的长度，例如滑动窗的固定长度取90点，帧移的长度取3点，该帧移长度也可根据需要选取其他的值。其中，点数根据计算量和计算准确度选取，对于要求计算量小的计算，可选取更少的点，反之应该增加点数。
每帧信号的HHT边际谱熵的计算方法如下：
希尔伯特-黄变换(Hilbert-Huang transform，HHT)是一种新的时频分析方法，由于其自适应性及时频分辨率高的特点，非常适用于处理非线性、非平稳信号。而信息熵作为复杂度指标，从平均意义上表征了信源的总体特征，代表信源输出的平均信息量。对某一特定信源，信息熵越大，说明信号成分越均匀，不确定越大。
HHT由经验模态分解(Empirical Mode Decomposition，EMD)和Hilbert变换组成。通过EMD分解、对各IMF分量进行后续Hilbert变换及构造解析函数，信号x(t)可表示成：
其中，Re取实部，ai(t)、f(t)、分别代表瞬时幅值、瞬时频率及瞬时相位。定义Hilbert-Huang时频谱，代表信号幅值的时间和频率分布：
对(2)进行时间积分得到信号的Hilbert边际谱：
边际谱是将分布在整个时间段内的特定频率对应的幅值相加得到的，表达了每个信号频率在整个时间段内的幅值累积。
由边际谱的定义，对于离散的频率点f＝iΔf，则有：
其中，n为信号在分析频段内的频率离散点数。
根据信息熵的定义，HHT边际谱熵可表示为：
式中，pi＝h(i)/∑h(i)，表示第i个频率对应幅值的概率。
为将熵值归一化在[0，1]范围内，则有
HHE’＝HHE/lnN------------------------------------(6)
N为h(i)的序列长度。
选取某位受试者(上肢痉挛患者)的肌电信号的波形及其HHT边际谱熵经过整流后的波形在图3中示出。
S30、计算连续有效的HHT边际谱熵的个数，若大于设定值则判定所述连续有效的HHT边际谱熵的起始时刻为肌力与肌张力状态突变点。
针对不同部位的肌电信号，设定值有所不同，设定值一般选择大于等于50，例如在50-500范围内取值。
S40、根据肌力与肌张力状态突变点后的设定长度的肌电信号来测量肌力与肌张力。
优选地，在本步骤中，对突变状态后表面肌电信号进行时域处理，获得突变点后肌电信号的均方根以实现突变状态下肌力与肌张力的测量，在一实例中，该肌力与肌张力采用电压值(μV)表征，实现肌力与肌张力测量评定。其中，肌电信号的设定长度根据肌力与肌张力的突变状态来设定，例如，屈肌痉挛患者肌张力突变点后肌电信号的设定长度的合适取值范围为0.1-1.5秒。
本发明利用设定个数的连续有效的HHT边际谱熵来识别肌力与肌张力突变状态点，量化了识别指标，可以保证突变点识别的准确性。
在一实施例中，计算连续有效的HHT边际谱熵的个数包括：设定自适应阈值，将低于所述自适应阈值的HHT边际谱熵作为无效边际谱熵进行剔除，其余HHT边际谱熵作为有效边际谱熵进行保留；以及计算有效边际谱熵的连续个数。在本实施例中，可将肌张力突变点的识别定量化，避免了状态突变点识别的主观随意性。
在一实施例中，肌电信号的处理算法如图2所示：对肌电信号进行90点滑动窗分帧，帧移为3点，计算每帧信号的HHT边际谱熵值记为MSEn。之后设定自适应阈值对边际谱熵进行整流得到En，将低于Th的MsEn值置0，保留大于Th的MsEn值。当某时刻整流后的En值大于0，并且接续的50个En值均大于0时，该时刻即判定为发生肌张力突变点。该实施例给出了本测量方法在痉挛起始点识别上的应用，即利用肱二头肌sEMG信号识别痉挛起始点的实例。
其中，上述自适应阈值Th根据以下公式确定：
Th＝min(MsEn)+λ[max(MsEn)-min(MsEn)]---------------------(7)
在一实施例中，min(MsEn)为所有帧中HHT边际谱熵的最小值，[max(MsEn)为所有帧中HHT边际谱熵的最小值，λ取0.3。
尽管肌力与肌张力状态突变点前后肌电信号的熵值存在一定的差异性，然而设定阈值进行整流后的熵值在状态突变点前的基底信号中出现了多次连续不为0的点，影响牵张反射肌电阈值判定的准确性。为寻找出能够更加显著反映出肌力与肌张力状态突变点前后信号的变化的指标，提高识别算法的准确性，对上述熵值求取方法进行相应改进，使前后信号熵值差异化更加明显。
在一改进实施例中，计算连续有效的HHT边际谱熵的个数包括：先对HHT边际谱熵进行处理以提高灵敏度；设定自适应阈值，对低于所述自适应阈值的处理后的HHT边际谱熵作为无效边际谱熵进行剔除，其余处理后的HHT边际谱熵作为有效边际谱熵进行保留；以及计算有效边际谱熵的连续个数。
分析HHT边际谱熵的特征，由于归一化等原因，熵值被最终限定在(0，1)范围内，难以显著描述出信号前后的差异，基于此，提出利用幅值N次方及比例因子k的思想，并去除归一化，对HHT边际谱熵的计算方法进行改进，以提高肌力与肌张力状态突变点识别的灵敏度:
分析熵值范围及实验结果，此次实验确定因子系数N＝2，k＝0.5效果最佳。
同一肌电信号的波形及其改进后的HHT边际谱熵的波形(该波形已整流)在图4中示出，对比图3和图4，状态突变点P前后肌电信号的熵值差异性变大，差异显著，设定阈值进行整流后的熵值在基底信号中几乎全部为0，说明改进后的算法增加了判读阈值的准确性和敏感性。
如图5所示，根据本发明的突变状态下肌力与肌张力的测量装置包括：计算机设备，所述计算机设备包括存储器31、处理器32、显示器33、及存储在存储器31上并可在处理器32上运行的计算机程序，还包括表面肌电信号采集装置20，表面肌电信号采集模块包括表面肌电信号传感器以及肌电信号处理模块，所述肌电信号处理模块包括与角度传感器电性连接的调理电路、与调理电路连接的A/D转换模块以及与A/D转换模块连接的信号发送模块。
所述处理器32执行所述程序时实现以下步骤：S10、采集与待测定肌力与肌张力对应的肌电信号；S20、对采集的信号进行预处理后，利用固定长度的滑动窗对采集到的表面肌电信号进行分帧，通过帧移计算每帧信号的HHT边际谱熵；S30、计算连续有效的HHT边际谱熵的个数，若大于设定值则判定所述连续有效的HHT边际谱熵的起始时刻为肌力与肌张力状态突变点；以及S40、根据肌力与肌张力状态突变点后的设定长度的肌电信号来测量肌力与肌张力。
本发明的测量方法和装置还可用于痉挛起始点(痉挛突变点)的识别和牵张反射阈值的确定、以及根据痉挛突变点后的肌电信号的均方根实现痉挛等级评定。
痉挛评定在临床以及科研中均起着至关重要的作用，如康复方案的制定、抗痉挛药物剂量的调整等，均要求医生对肌张力做出客观、精确的评定。目前临床常用等级式痉挛量表为MAS(改良Ashworth量表，Modified Ashworth Scale)，其评定结果主要依赖评定者主观判断，量表本身对于痉挛等级的划分描述也比较模糊，属半定量描述，难以精确地反映痉挛状况，而且数据不易保存，满足不了客观、精确、定量的评定要求。
已有文献证明肌电信号可有效地表征出牵张反射阈值。但目前基于sEMG信号的牵张反射阈值检测方法主要基于人工视觉法和时域相关参数法。人工视觉方法通过视觉检测sEMG变化点，主观性大，无法满足精确客观的痉挛评定要求。另外由于不同位置运动单位的肌电信号，动作电位到达采集点经历的时间不同，表现出不同的相位和幅值，这些相位和幅值均不同的信号无序的叠加在一起就够了sEMG的非平稳性。同时有学者指出，肌肉处在不同的动作模式和运动状态下，参与肌肉活动的运动神经单元在放电次数、数量以及传导速率上都会表现出差异，这些现象在动力学方面称为运动复杂度的改变。且肌电信号微弱易受干扰，因此单纯的时域及频域分析方法对肌电信号的解析能力会有所不足。
为此，本发明提出结合肌肉sEMG的HHT边际谱熵和关节运动角度判定痉挛突变点、牵张反射阈值、痉挛等级的痉挛测量评定装置。
再如图5所示，本发明的上述测量装置结合角度采集装置10(用于采集被测者患侧肘关节在被动伸展运动过程中的关节角度)，可实现基于表面肌电HHT边际谱熵判定牵张反射阈值(定义为屈肌痉挛患者肌张力突变点对应的关节角度)。该角度采集装置包括角度传感器和信号处理模块，所述信号处理模块包括与角度传感器电性连接的调理电路、与调理电路连接的A/D转换模块以及与A/D转换模块连接的信号发送模块。
其中，所述处理器32执行所述程序时实现以下步骤：在被测者患侧肘关节从屈曲可达最大角度至伸展可达最大角度的被动伸展运动过程中获得关节角度和肱二头肌表面肌电信号；利用固定长度的滑动窗对采集到的表面肌电信号进行分帧，通过帧移计算每帧信号的HHT边际谱熵；计算连续有效的HHT边际谱熵的个数，若大于设定值则判定所述连续有效的HHT边际谱熵的起始时刻为痉挛起始点；找出痉挛起始点对应的关节角度值，即得到牵张反射阈值；以及根据痉挛状态突变点后的设定长度的肌电信号均方根用于痉挛的等级评定。
根据本发明的一实施例实现了上肢屈肌痉挛患者牵张反射阈值的测量。具体步骤如下：
本实施例实现了上肢屈肌痉挛患者肌张力的评定。具体步骤如下：
(一)肱二头肌sEMG信号的采集采用三点式差动输入。使用酒精擦拭皮肤去除皮肤表面油脂和皮屑后，作为肌电的差分输入端的两个电极片顺着肌纤维方向放置在肌腹处，另外一个电极片为参考地，放置在无肌肉活动处。两电极中心相距20mm。将导联线适当固定，尽量减少动作过程中导联线晃动的干扰。
为减小环境因素对痉挛患者肌张力评定结果的影响，各测试者每次评定均在同一时间段、同一地点，室温25℃，每个受试者取坐姿***确保处于放松状态才能接受评定。评定完成后记录评分结果，交予研究者进行数据统计分析。
(二)检测过程中，各传感器将检测到的数据通过调理电路处理，再进行模数转换后发送至计算机设备的显示器，显示器可实时显示上肢运动过程中肱二头肌表面肌电信号并进行实时数据存储。
(三)通过上述方法获得表面肌电数据后，处理得到肌张力突变点，依据肱二头肌sEMG的HHT边际谱熵判定肌张力突变点：
具体地，对原始肌电信号或者经过幅值零均值化处理的肌电信号进行90点滑动窗分帧，帧移为3点，计算每帧信号的HHT边际谱熵值记为En。之后设定自适应阈值对边际谱熵进行整流得到MsEn，将低于Th的MsEn值置0，保留大于Th的MsEn值。当某时刻整流后的En值大于0，并且接续的50个En值均大于0时，该时刻即判定为发生肌张力突变点。
需要指出的是，对于某些表面肌电信号采集装置而言，所采集的原始肌电信号需要进行零均值化处理，该处理仅整体调整幅值大小，对波形没有影响。
(四)确定肌张力突变点后，计算肌张力突变点后固定长度的肌电信号均方根，根据均方根信息实现肌张力的定量评定。
本方法通过表面肌电数据以及关节角度的结合实现牵张反射阈值和肌张力的测量，实现了痉挛的定量评定，解决了当前痉挛检测主观性较大的问题。该方法同样适用于上肢伸肌痉挛、腕关节痉挛和下肢膝关节与踝关节痉挛的评估。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种突变状态下肌力与肌张力的测量方法，其特征在于，采用时频域分析方法与非线性动力学结合的方法判定肌力与肌张力状态突变点，识别状态突变点后，对突变点后肌电信号进行分析实现突变状态下肌力或肌张力的测量，包括以下步骤：
采集与待测定肌力与肌张力对应的肌电信号；
利用固定长度的滑动窗对采集到的表面肌电信号进行分帧，通过帧移计算每帧信号的希尔伯特-黄变换边际谱熵；
计算连续有效的希尔伯特-黄变换边际谱熵的个数，若个数大于设定值，则判定所述连续有效的希尔伯特-黄变换边际谱熵的起始时刻为肌力与肌张力状态突变点；以及
根据肌力与肌张力状态突变点后的设定长度的肌电信号来测量肌力与肌张力。
2.根据权利要求1所述的突变状态下肌力与肌张力的测量方法，其特征在于，计算连续有效的希尔伯特-黄变换边际谱熵的个数包括：设定自适应阈值，将低于所述自适应阈值的希尔伯特-黄变换边际谱熵作为无效边际谱熵进行剔除，其余希尔伯特-黄变换边际谱熵作为有效边际谱熵进行保留；以及计算有效边际谱熵的连续个数。
3.根据权利要求2所述的突变状态下肌力与肌张力的测量方法，其特征在于，计算连续有效的希尔伯特-黄变换边际谱熵的个数还包括：在设定自适应阈值之前对希尔伯特-黄变换边际谱熵进行处理以提高灵敏度。
4.根据权利要求3所述的突变状态下肌力与肌张力的测量方法，其特征在于，对希尔伯特-黄变换边际谱熵进行处理以提高灵敏度的方式如下：
其中，为希尔伯特-黄变换边际谱熵，k为比例因子，N为幅值的n次方，其中，pi表示第i个频率对应幅值的概率。
5.根据权利要求1所述的突变状态下肌力与肌张力的测量方法，其特征在于，在采集肌电信号时还同步采集与肌电信号对应的关节角度；以及在判定肌力与肌张力状态突变点后、确定与所述肌力与肌张力状态突变点对应的关节角度。
6.一种突变状态下肌力与肌张力的测量装置，包括计算机设备、所述计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现以下步骤：
采集与待测定肌力与肌张力对应的肌电信号；
利用固定长度的滑动窗对采集到的表面肌电信号进行分帧，通过帧移计算每帧信号的希尔伯特-黄变换边际谱熵；
计算连续有效的希尔伯特-黄变换边际谱熵的个数，若个数大于设定值，则判定所述连续有效的希尔伯特-黄变换边际谱熵的起始时刻为肌力与肌张力状态突变点；以及
根据肌力与肌张力状态突变点后的设定长度的肌电信号来测量肌力与肌张力。
7.根据权利要求6所述的突变状态下肌力与肌张力的测量装置，其特征在于，计算连续有效的希尔伯特-黄变换边际谱熵的个数包括：设定自适应阈值，将低于所述自适应阈值的希尔伯特-黄变换边际谱熵作为无效边际谱熵进行剔除，其余希尔伯特-黄变换边际谱熵作为有效边际谱熵进行保留；以及计算有效边际谱熵的连续个数。
8.根据权利要求7所述的突变状态下肌力与肌张力的测量装置，其特征在于，计算连续有效的希尔伯特-黄变换边际谱熵的个数还包括：在设定自适应阈值之前对希尔伯特-黄变换边际谱熵进行处理以提高灵敏度。
9.根据权利要求7所述的突变状态下肌力与肌张力的测量装置，其特征在于，所述处理器执行所述程序时还实现以下步骤：在采集与待测定肌力与肌张力对应的肌电信号时还同步采集与肌电信号对应的关节角度；以及在判定肌力与肌张力状态突变点后、确定与所述肌力与肌张力状态突变点对应的关节角度。
10.根据权利要求9所述的突变状态下肌力与肌张力的测量装置，其特征在于，所述测量装置用于痉挛检测，其中，所述肌张力状态突变点为痉挛起始点，所述痉挛起始点对应的关节角度为牵张反射阈值。
CN201710244946.6A 2017-04-14 2017-04-14 突变状态下肌力与肌张力的测量方法和测量装置 Active CN106901732B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710244946.6A CN106901732B (zh) 2017-04-14 2017-04-14 突变状态下肌力与肌张力的测量方法和测量装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710244946.6A CN106901732B (zh) 2017-04-14 2017-04-14 突变状态下肌力与肌张力的测量方法和测量装置

Publications (2)

Publication Number Publication Date
CN106901732A CN106901732A (zh) 2017-06-30
CN106901732B true CN106901732B (zh) 2019-12-10

Family

ID=59210149

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710244946.6A Active CN106901732B (zh) 2017-04-14 2017-04-14 突变状态下肌力与肌张力的测量方法和测量装置

Country Status (1)

Country Link
CN (1) CN106901732B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108903938A (zh) * 2018-05-08 2018-11-30 西北工业大学 一种自适应肌电信号活动段检测方法
CN109885159B (zh) * 2019-01-16 2022-03-01 杭州电子科技大学 基于正向动力学与希尔模型的状态空间肌电模型构建方法
CN112807002A (zh) * 2019-11-18 2021-05-18 深圳市理邦精密仪器股份有限公司 肌肉训练仪的参数优化方法、***、设备以及存储介质
CN111568428A (zh) * 2020-04-13 2020-08-25 汕头大学医学院 一种人体关节活动度检测***以及检测方法
CN113261981A (zh) * 2021-05-21 2021-08-17 华南理工大学 一种基于表面肌电信号的上肢痉挛量化评估方法及***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5291902A (en) * 1993-01-11 1994-03-08 Brent Carman Incontinence treatment
CN104382595A (zh) * 2014-10-27 2015-03-04 燕山大学 基于肌电信号与虚拟现实交互技术的上肢康复***及方法
CN105266806A (zh) * 2014-07-12 2016-01-27 复旦大学附属华山医院 基于牵张反射阈值和阻力变量的痉挛状态评价***及装置
CN105446484A (zh) * 2015-11-19 2016-03-30 浙江大学 一种基于隐马尔科夫模型的肌电信号手势识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5291902A (en) * 1993-01-11 1994-03-08 Brent Carman Incontinence treatment
CN105266806A (zh) * 2014-07-12 2016-01-27 复旦大学附属华山医院 基于牵张反射阈值和阻力变量的痉挛状态评价***及装置
CN104382595A (zh) * 2014-10-27 2015-03-04 燕山大学 基于肌电信号与虚拟现实交互技术的上肢康复***及方法
CN105446484A (zh) * 2015-11-19 2016-03-30 浙江大学 一种基于隐马尔科夫模型的肌电信号手势识别方法

Also Published As

Publication number Publication date
CN106901732A (zh) 2017-06-30

Similar Documents

Publication Publication Date Title
CN106901732B (zh) 突变状态下肌力与肌张力的测量方法和测量装置
Cifrek et al. Surface EMG based muscle fatigue evaluation in biomechanics
Phinyomark et al. Fractal analysis features for weak and single-channel upper-limb EMG signals
Fraser et al. Automated biosignal quality analysis for electromyography using a one-class support vector machine
Xie et al. Mean frequency derived via Hilbert-Huang transform with application to fatigue EMG signal analysis
Thongpanja et al. Probability density functions of stationary surface EMG signals in noisy environments
Clancy et al. Single‐channel techniques for information extraction from the surface EMG signal
Farago et al. A review of techniques for surface electromyography signal quality analysis
Karthick et al. Surface electromyography based muscle fatigue progression analysis using modified B distribution time–frequency features
Makaram et al. Analysis of dynamics of EMG signal variations in fatiguing contractions of muscles using transition network approach
Ao et al. Characterization of stroke-and aging-related changes in the complexity of EMG signals during tracking tasks
Rocha et al. Weighted-cumulated S-EMG muscle fatigue estimator
US20120296182A1 (en) Method and apparatus for monitoring sleep apnea severity
Khushaba et al. Time-dependent spectral features for limb position invariant myoelectric pattern recognition
CN107320097B (zh) 利用肌电信号边际谱熵提取肌肉疲劳特征的方法和装置
Too et al. Exploring the relation between EMG pattern recognition and sampling rate using spectrogram
De la Fuente et al. Understanding the effect of window length and overlap for assessing sEMG in dynamic fatiguing contractions: A non-linear dimensionality reduction and clustering
CN106983511B (zh) 肌力与肌张力状态突变点的识别方法及识别装置
Iadarola et al. A new method for sEMG envelope detection from reduced measurements
Wahyunggoro et al. DWT analysis of sEMG for muscle fatigue assessment of dynamic motion flexion-extension of elbow joint
Özgören et al. Peak counting in surface electromyography signals for quantification of muscle fatigue during dynamic contractions
Li et al. Adaptive detection of Ahead-sEMG based on short-time energy of local-detail difference and recognition in advance of upper-limb movements
Kamaruddin et al. The Use of Surface Electromyography in Muscle Fatigue Assessments–A Review
Kallenberg et al. Reproducibility of MUAP properties in array surface EMG recordings of the upper trapezius and sternocleidomastoid muscle
Mengarelli et al. Recurrence quantification analysis of gait rhythm in patients affected by Parkinson’s Disease

Legal Events

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