CN106983511A - 肌力与肌张力状态突变点的识别方法及识别装置 - Google Patents
肌力与肌张力状态突变点的识别方法及识别装置 Download PDFInfo
- Publication number
- CN106983511A CN106983511A CN201710245858.8A CN201710245858A CN106983511A CN 106983511 A CN106983511 A CN 106983511A CN 201710245858 A CN201710245858 A CN 201710245858A CN 106983511 A CN106983511 A CN 106983511A
- Authority
- CN
- China
- Prior art keywords
- muscle
- hht
- tension state
- entropies
- muscle strength
- 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
- 210000003205 muscle Anatomy 0.000 title claims abstract description 66
- 230000035772 mutation Effects 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000003387 muscular Effects 0.000 title abstract 5
- 238000001228 spectrum Methods 0.000 claims abstract description 78
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000009432 framing Methods 0.000 claims abstract description 10
- 206010049816 Muscle tightness Diseases 0.000 claims description 63
- 230000003595 spectral effect Effects 0.000 claims description 29
- 208000005392 Spasm Diseases 0.000 claims description 28
- 230000003183 myoelectrical effect Effects 0.000 claims description 13
- 230000011514 reflex Effects 0.000 claims description 12
- 230000035945 sensitivity Effects 0.000 claims description 10
- 230000037433 frameshift Effects 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005312 nonlinear dynamic Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims 2
- 238000012545 processing Methods 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 210000002310 elbow joint Anatomy 0.000 description 7
- 210000001364 upper extremity Anatomy 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000003750 conditioning effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- WABPQHHGFIMREM-UHFFFAOYSA-N lead(0) Chemical compound [Pb] WABPQHHGFIMREM-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 208000001840 Dandruff Diseases 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000036982 action potential Effects 0.000 description 1
- 210000003423 ankle Anatomy 0.000 description 1
- 210000000784 arm bone Anatomy 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000000629 knee joint Anatomy 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000001087 myotubule Anatomy 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种肌力与肌张力状态突变点的识别方法和识别装置,该识别方法包括以下步骤:采集与待测定肌力与肌张力对应的肌电信号;对采集的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;以及计算连续有效的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。本发明采用时频域分析与非线性动力学结合的方法,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,可以保证突变点识别的准确性。
Description
技术领域
本发明涉及一种肌力与肌张力状态突变点的识别方法和识别装置。
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。
发明内容
本发明的目的在于提供一种肌力与肌张力状态突变点的识别方法,以提高突变点的识别准确性。
本发明的目的还在于提供一种肌力与肌张力状态突变点的识别装置,以提高突变点的识别准确性。
为此,本发明一方面提供了一种肌力与肌张力状态突变点的识别方法,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,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,计算每帧信号的HHT边际谱熵;以及计算连续有效的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。
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,提供了一种肌力与肌张力状态突变点的识别装置,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,计算每帧信号的HHT边际谱熵;以及计算连续有效的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。
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,所述识别装置用于痉挛起始点的识别,其中,所述肌力与肌张力状态突变点为痉挛起始点。
进一步地,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,即牵张反射阈值。
本发明采用时频域分析与非线性动力学结合的方法,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,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是根据本发明的肌力与肌张力状态突变点的识别方法的流程图;
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是根据本发明的肌力与肌张力状态突变点的识别装置的结构框图。
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。
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状态突变点的识别方法包括:
S10、采集与待测肌力与肌张力对应的肌电信号;
当本发明的识别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;当本发明的识别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。
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。该实施例给出了本识别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,根据本发明的肌力与肌张力状态突变点的识别装置包括: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、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。
本发明的识别方法和装置还可用于痉挛起始点(痉挛突变点)的识别。
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,本发明提出相关肌肉sEMG的HHT边际谱熵和关节运动角度判定动态牵张反射阈值的痉挛测量评定装置。
再如图5所示,本发明的上述识别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;以及找出痉挛起始点对应的关节角度值,即得到牵张反射阈值。
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:
(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。
电极片布置完成后检查者在受试者患侧上肢肘关节穿戴角度采集模块,确保角度采集模块中角度传感器的轴心与肘关节中心肱骨外上髁一致,同时固定绑带保证运动过程中装置不会松动,以保证装置旋转轴和肘关节旋转轴同轴。同时调节角度采集装置确保其与肌电采集装置无干扰。
测试时受试者取坐姿中立位,检查者根据经验以适宜的速度对受试者进行上肢MAS评分。要求受试者取坐姿***确保处于放松状态才能接受评定。
(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,计算机设备可实时显示上肢运动过程中肘关节角度变化情况、肘关节角速度情况,以及肱二头肌表面肌电信号并进行实时数据存储。
(三)通过上述方法获得肘关节角度以及表面肌电数据后,依据肱二头肌sEMG的HHT边际谱熵判定牵张反射阈,判定方法如图2所示。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。
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)找出肌张力突变点对应的关节角度,即获得牵张反射阈值。
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的判定。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)
1.一种肌力与肌张力状态突变点的识别方法,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,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;以及
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。
2.根据权利要求1所述的肌力与肌张力状态突变点的识别方法,其特征在于,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。
3.根据权利要求2所述的肌力与肌张力状态突变点的识别方法,其特征在于,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。
4.根据权利要求3所述的肌力与肌张力状态突变点的识别方法,其特征在于,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。
5.根据权利要求1所述的肌力与肌张力状态突变点的识别方法,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。
6.一种肌力与肌张力状态突变点的识别装置,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HHT边际谱熵;以及
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。
7.根据权利要求6所述的肌力与肌张力状态突变点的识别装置,其特征在于,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。
8.根据权利要求7所述的肌力与肌张力状态突变点的识别装置,其特征在于,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。
9.根据权利要求6所述的肌力与肌张力状态突变点的识别装置,其特征在于,所述识别装置用于痉挛起始点的识别,其中,所述肌张力状态突变点为痉挛起始点。
10.根据权利要求9所述的肌力与肌张力状态突变点的识别装置,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、确定与所述肌张力状态突变点对应的关节角度,即牵张反射阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710245858.8A CN106983511B (zh) | 2017-04-14 | 2017-04-14 | 肌力与肌张力状态突变点的识别方法及识别装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710245858.8A CN106983511B (zh) | 2017-04-14 | 2017-04-14 | 肌力与肌张力状态突变点的识别方法及识别装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106983511A true CN106983511A (zh) | 2017-07-28 |
CN106983511B CN106983511B (zh) | 2019-12-10 |
Family
ID=59415092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710245858.8A Active CN106983511B (zh) | 2017-04-14 | 2017-04-14 | 肌力与肌张力状态突变点的识别方法及识别装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106983511B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108309295A (zh) * | 2018-02-11 | 2018-07-24 | 宁波工程学院 | 一种手臂肌肉力量测评方法 |
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 |
Citations (4)
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 |
-
2017
- 2017-04-14 CN CN201710245858.8A patent/CN106983511B/zh active Active
Patent Citations (4)
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 |
Non-Patent Citations (1)
Title |
---|
张秀锋等: "《第十四届全国敏感元件与传感器学术会议论文集》", 30 November 2016 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108309295A (zh) * | 2018-02-11 | 2018-07-24 | 宁波工程学院 | 一种手臂肌肉力量测评方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN106983511B (zh) | 2019-12-10 |
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 | |
Georgakis et al. | Fatigue analysis of the surface EMG signal in isometric constant force contractions using the averaged instantaneous frequency | |
Cifrek et al. | Surface EMG based muscle fatigue evaluation in biomechanics | |
Clancy et al. | Single‐channel techniques for information extraction from the surface EMG signal | |
Phinyomark et al. | Fractal analysis features for weak and single-channel upper-limb EMG signals | |
Tkach et al. | Study of stability of time-domain features for electromyographic pattern recognition | |
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 | |
Karthick et al. | Surface electromyography based muscle fatigue progression analysis using modified B distribution time–frequency features | |
Jordanic et al. | Spatial distribution of HD-EMG improves identification of task and force in patients with incomplete spinal cord injury | |
Farago et al. | A review of techniques for surface electromyography signal quality analysis | |
Makaram et al. | Analysis of dynamics of EMG signal variations in fatiguing contractions of muscles using transition network approach | |
Rocha et al. | Weighted-cumulated S-EMG muscle fatigue estimator | |
Karthick et al. | Analysis of muscle fatigue progression using cyclostationary property of surface electromyography signals | |
Xi et al. | Enhanced EEG–EMG coherence analysis based on hand movements | |
Norali et al. | Surface electromyography signal processing and application: A review | |
Khushaba et al. | Time-dependent spectral features for limb position invariant myoelectric pattern recognition | |
CN106983511B (zh) | 肌力与肌张力状态突变点的识别方法及识别装置 | |
Too et al. | Exploring the relation between EMG pattern recognition and sampling rate using spectrogram | |
Clancy et al. | Time-and frequency-domain monitoring of the myoelectric signal during a long-duration, cyclic, force-varying, fatiguing hand-grip task | |
Ma'as et al. | Real-time muscle fatigue monitoring based on median frequency of electromyography signal | |
Wahyunggoro et al. | DWT analysis of sEMG for muscle fatigue assessment of dynamic motion flexion-extension of elbow joint | |
Kamaruddin et al. | The Use of Surface Electromyography in Muscle Fatigue Assessments–A Review | |
Wu et al. | Age-related differences in complexity during handgrip control using multiscale entropy | |
Kallenberg et al. | Reproducibility of MUAP properties in array surface EMG recordings of the upper trapezius and sternocleidomastoid muscle |
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 |