CN109512424A - 一种高密度或多通道肌电信号的肌肉激活起点检测方法 - Google Patents
一种高密度或多通道肌电信号的肌肉激活起点检测方法 Download PDFInfo
- Publication number
- CN109512424A CN109512424A CN201811364430.6A CN201811364430A CN109512424A CN 109512424 A CN109512424 A CN 109512424A CN 201811364430 A CN201811364430 A CN 201811364430A CN 109512424 A CN109512424 A CN 109512424A
- Authority
- CN
- China
- Prior art keywords
- channel
- starting point
- muscle
- electromyography signal
- muscle activation
- 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
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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种高密度或多通道肌电信号的肌肉激活起点检测方法,首先基于统计信息确定各通道肌电信号的激活阈值;然后以最先激活通道的起点为基准,在接下来的两个时间窗内给其余通道的肌肉激活起点赋值;接着通过聚类算法将各通道起点分为三类;最后排除肌肉局部误动作和外部干扰的影响,确定肌肉是否激活以及相应的激活起点。本发明通过利用高密度或多通道肌电信号中各个通道之间的相关性,准确、实时地从高密度或多通道肌电信号中判断肌肉是否激活和相应的激活起点。
Description
技术领域
本发明涉及生理电信号检测领域,特别是一种高密度或多通道肌电信号的肌肉激活起点检测方法。
背景技术
人体关节依靠肌肉收缩来保证肢体行为,通过大脑发出指令,经神经传导使肌肉做出反应,由静息状态变为激活状态,经电极可检测出肌电信号。肌电信号来源于控制肌肉收缩的神经的动作电位,体现了人体主观运动的意图以及肌肉的激活特性和收缩特性,在智能康复训练设备和康复评估领域得到广泛应用。
人体关节活动是由多块肌肉协同配合完成。相比于单通道肌电信号,高密度或多通道肌电信号包含更丰富信息。在高密度或多通道肌电信号中,准确、实时确定肌肉激活起点(Muscle Activation Onsets)对于研究神经肌肉活动特性,肌肉协同性分析以及基于肌电的实时康复训练控制***至关重要。
目前已经发表或公开使用的肌肉激活起点检测技术中,主要集中研究单通道肌电信号的起点检测,且为了提高起点检测的准确性,需要采用复杂的算法,限制了算法的实时应用。已有的高密度或多通道肌肉激活起点检测的方法有两种,一种方法是将找到的第一个起点作为肌肉激活起点,第二种方法是先分别检测各通道肌电信号的起点,然后以各通道的起点平均值作为肌肉激活起点。这两种高密度或多通道肌电信号的肌肉激活起点检测方法容易对肌肉局部误动作和外部干扰做出误判断,准确率低,实时性差。而高密度或多通道肌电信号的各个通道之间存在相关性,这两种方法都没有考虑肌电信号中各个通道间的相关性问题。
发明内容
有鉴于此,本发明的目的是提出一种高密度或多通道肌电信号的肌肉激活起点检测方法,通过利用高密度或多通道肌电信号中各个通道之间的相关性,准确、实时地从高密度或多通道肌电信号中判断肌肉是否激活和相应的激活起点。
本发明采用以下方案实现:一种高密度或多通道肌电信号的肌肉激活起点检测方法,包括以下步骤:
步骤S1:基于统计信息确定各通道肌电信号的激活阈值;
步骤S2:以最先激活通道的起点为基准,在接下来的两个时间窗内给其余通道的肌肉激活起点赋值;
步骤S3:通过聚类算法将各通道起点分为三类;
步骤S4:排除肌肉局部误动作和外部干扰的影响,确定肌肉是否激活以及相应的激活起点。
进一步地,步骤S1具体包括以下步骤:
步骤S11:采集一段人体静息状态下的肌电信号Sim;其中,i表示通道号,i=1,2…,N-1,N,其中N为所处理的高密度或多通道肌电信号的通道数;m表示数据点,m=1,2…,M-1,M,M表示所采集的这一段人体静息状态肌电信号的点数;
步骤S12:分别计算出这段数据段里各通道肌电信号的平均绝对值xi和标准差σi,并计算阈值Hi:
式中,α为自适应系数,其取值为大于等于1且小于5的常数。
进一步地,步骤S2具体包括以下步骤:
步骤S21:确定各通道肌电信号的肌肉激活的起点;设各通道的肌肉激活起点为Qi,i为通道号,i=1,2…,N-1,N;设窗口的大小为W,重叠窗大小为W/2,若连续三个窗口的绝对平均值大于该通道阈值,则认为该通道肌肉激活;
步骤S23:在通道总数为N的肌电信号的肌肉激活检测中,若最先检测某个通道激活,将此时时间记为QMIN,并将QMIN赋值该通道的肌肉激活起点;
步骤S24:在接下来的2W时间里,分别检测各个通道的肌肉激活情况,若某通道肌肉激活,将激活时间赋值给该通道的肌肉激活起点时间变量,如果某通道没有检测到起点,则将该通道的肌肉激活时间变量定为QMAX,QMAX=QMIN+2W。
进一步地,步骤S3具体包括以下步骤:
步骤S31:基于K-Means方法进行聚类,将全部起点Qi分为A、B、C三类,i=1,2…,N-1,N;其中,A、B、C三类分别为干扰信号,肌肉激活,肌肉未激活;求得各通道肌电信号的肌肉激活起点Qi的中间值QMID,初始化每一类的中心点ZA、ZB、ZC:ZA=QMIN、ZB=QMID、ZC=QMAX;
步骤S32:初始化A、B、C三类的个数LA、LB、LC:LA=1、LB=1、LC=1;
步骤S33:遍历各通道起点,对通道总数为N的肌电信号的各个通道起点Qi,将其与A、B、C三类中心值ZA、ZB、ZC分别进行比较,即分别计算各通道起点到A、B、C三类的中心点距离diA、diB、diC:
diA=|Qi-ZA|;
diB=|Qi-ZB|;
diC=|Qi-ZC|;
步骤S34:判断diA、diB、diC的最小值,将Qi归入最小值所在的类,并且将此类的个数加1,并更新ZA、ZB、ZC;
步骤S35:遍历完所有通道后,判断每一类的中心点ZA、ZB、ZC是否有变化,若有,则返回步骤S32,否则,结束。
进一步地,步骤S4具体包括以下步骤:
步骤S41:假设肌电信号中两个数据点之间的时间间距为T秒,b为取值大于等于0.5且小于1的常数;首先求取LA、LB、LC的最大值,设为LMAX;
步骤S42:如果LMAX等于LA,且LMAX大于b×N,判断为检测到肌肉激活,且激活起点为ZA;
步骤S43:LMAX等于LB,且LMAX大于b×N,判断为检测到肌肉激活,且激活起点为ZB;
步骤S44:如果ZB和ZA之间的时间间距不大于T,且LA+LB大于b×N,判断为检测到肌肉激活,且激活起点为(ZA+ZB)/2。
与现有技术相比,本发明有以下有益效果:本发明提出一种运用聚类算法实现从高密度或多通道肌电信号中排除误动作干扰,实时准确地检测出肌肉激活起始起点的方法。目前人机交互应用广泛,若想要对如机械臂等康复设备进行有效的实时控制,则肌肉激活检测尤为重要。本发明提供了准确的肌肉激活检测方法,在实时控制中,能够有效避免干扰和误动作的影响,最大程度地缩短***延时,控制在人体延时所能接受的延时范围以内。本发明能够克服现有技术的不足,能够准确地确定肢体动作时肌肉激活的起始时间点,同时能够保证原始信号的无损传输,便于肌电信号进行后续研究。
附图说明
图1为本发明实施例的方法流程示意图。
图2为本发明实施例的步骤S1流程示意图。
图3为本发明实施例的步骤S3流程示意图。
图4为本发明实施例的步骤S4流程示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本实施例提供了一种高密度或多通道肌电信号的肌肉激活起点检测方法,包括以下步骤:
步骤S1:基于统计信息确定各通道肌电信号的激活阈值;
步骤S2:以最先激活通道的起点为基准,在接下来的两个时间窗内给其余通道的肌肉激活起点赋值;
步骤S3:通过聚类算法将各通道起点分为三类;
步骤S4:排除肌肉局部误动作和外部干扰的影响,确定肌肉是否激活以及相应的激活起点。
在本实施例中,如图2所示,步骤S1具体包括以下步骤:
步骤S11:采集一段人体静息状态下的肌电信号Sim;其中,i表示通道号,i=1,2…,N-1,N,其中N为所处理的高密度或多通道肌电信号的通道数;m表示数据点,m=1,2…,M-1,M,M表示所采集的这一段人体静息状态肌电信号的点数;
步骤S12:分别计算出这段数据段里各通道肌电信号的平均绝对值和标准差σi,并计算阈值Hi:
式中,α为自适应系数,其取值为大于等于1且小于5的常数。
在本实施例中,步骤S2具体包括以下步骤:
步骤S21:确定各通道肌电信号的肌肉激活的起点;设各通道的肌肉激活起点为Qi,i为通道号,i=1,2…,N-1,N;由于肌电信号的非平稳性,单点的采样信号值不能够反映肌电信号的特征,因此对于每个通道,本实施例在肌电信号的一段时间窗内确定肌肉激活的起点;每个通道的肌肉激活检测方法为:设窗口的大小为W,重叠窗大小为W/2,W可以取20ms,若连续三个窗口的绝对平均值大于该通道阈值,则认为该通道肌肉激活;
步骤S23:在通道总数为N的肌电信号的肌肉激活检测中,若最先检测某个通道激活,将此时时间记为QMIN,并将QMIN赋值该通道的肌肉激活起点;
步骤S24:在接下来的2W时间里(即两个窗口的时间大小),分别检测各个通道的肌肉激活情况,若某通道肌肉激活,将激活时间赋值给该通道的肌肉激活起点时间变量,如果某通道没有检测到起点,则将该通道的肌肉激活时间变量定为QMAX,QMAX=QMIN+2W。
由此步骤可见,整个算法是在2W时间内判断是否有肌肉激活的,能够保证实时性。
在本实施例中,如图3所示,步骤S3具体包括以下步骤:
步骤S31:基于K-Means方法进行聚类,一段肌电存在三种情况:肌肉未激活,干扰信号,肌肉激活。考虑所有可能的情况,将全部起点Qi分为A、B、C三类,i=1,2…,N-1,N;其中,A、B、C三类分别为干扰信号,肌肉激活,肌肉未激活;求得各通道肌电信号的肌肉激活起点Qi的中间值QMID,初始化每一类的中心点ZA、ZB、ZC:ZA=QMIN、ZB=QMID、ZC=QMAX;
步骤S32:初始化A、B、C三类的个数LA、LB、LC:LA=1、LB=1、LC=1;
步骤S33:遍历各通道起点,对通道总数为N的肌电信号的各个通道起点Qi,将其与A、B、C三类中心值ZA、ZB、ZC分别进行比较,即分别计算各通道起点到A、B、C三类的中心点距离diA、diB、diC:
diA=|Qi-ZA|;
diB=|Qi-ZB|;
diC=|Qi-ZC|;
步骤S34:判断diA、diB、diC的最小值,将Qi归入最小值所在的类,并且将此类的个数加1,并更新ZA、ZB、ZC;
步骤S35:遍历完所有通道后,判断每一类的中心点ZA、ZB、ZC是否有变化(即重新计算每一类的中心点,也即将该类的起点之和除以该类的数目),若有,则返回步骤S32,否则,结束。
在本实施例中,步骤S4具体包括以下步骤:
步骤S41:根据多数原则进行判断,假设肌电信号中两个数据点之间的时间间距为T秒,b为取值大于等于0.5且小于1的常数;首先求取LA、LB、LC的最大值,设为LMAX;
步骤S42:如果LMAX等于LA,且LMAX大于b×N,判断为检测到肌肉激活,且激活起点为ZA;
步骤S43:LMAX等于LB,且LMAX大于b×N,判断为检测到肌肉激活,且激活起点为ZB;
步骤S44:如果ZB和ZA之间的时间间距不大于T,且LA+LB大于b×N,判断为检测到肌肉激活,且激活起点为(ZA+ZB)/2。
由此准则可以判断出肌肉局部误动作和外部干扰的影响而造成的虚假肌肉激活,提高了***的准确度。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (5)
1.一种高密度或多通道肌电信号的肌肉激活起点检测方法,其特征在于:包括以下步骤:
步骤S1:基于统计信息确定各通道肌电信号的激活阈值;
步骤S2:以最先激活通道的起点为基准,在接下来的两个时间窗内给其余通道的肌肉激活起点赋值;
步骤S3:通过聚类算法将各通道起点分为三类;
步骤S4:排除肌肉局部误动作和外部干扰的影响,确定肌肉是否激活以及相应的激活起点。
2.根据权利要求1所述的一种高密度或多通道肌电信号的肌肉激活起点检测方法,其特征在于:步骤S1具体包括以下步骤:
步骤S11:采集一段人体静息状态下的肌电信号Sim;其中,i表示通道号,i=1,2…,N-1,N,其中N为所处理的高密度或多通道肌电信号的通道数;m表示数据点,m=1,2…,M-1,M,M表示所采集的这一段人体静息状态肌电信号的点数;
步骤S12:分别计算出这段数据段里各通道肌电信号的平均绝对值和标准差σi,并计算阈值Hi:
式中,α为自适应系数,其取值为大于等于1且小于5的常数。
3.根据权利要求1所述的一种高密度或多通道肌电信号的肌肉激活起点检测方法,其特征在于:步骤S2具体包括以下步骤:
步骤S21:确定各通道肌电信号的肌肉激活的起点;设各通道的肌肉激活起点为Qi,i为通道号,i=1,2…,N-1,N;设窗口的大小为W,重叠窗大小为W/2,若连续三个窗口的绝对平均值大于该通道阈值,则认为该通道肌肉激活;
步骤S23:在通道总数为N的肌电信号的肌肉激活检测中,若最先检测某个通道激活,将此时时间记为QMIN,并将QMIN赋值该通道的肌肉激活起点;
步骤S24:在接下来的2W时间里,分别检测各个通道的肌肉激活情况,若某通道肌肉激活,将激活时间赋值给该通道的肌肉激活起点时间变量,如果某通道没有检测到起点,则将该通道的肌肉激活时间变量定为QMAX,QMAX=QMIN+2W。
4.根据权利要求1所述的一种高密度或多通道肌电信号的肌肉激活起点检测方法,其特征在于:步骤S3具体包括以下步骤:
步骤S31:基于K-Means方法进行聚类,将全部起点Qi分为A、B、C三类,i=1,2…,N-1,N;其中,A、B、C三类分别为干扰信号,肌肉激活,肌肉未激活;求得各通道肌电信号的肌肉激活起点Qi的中间值QMID,初始化每一类的中心点ZA、ZB、ZC:ZA=QMIN、ZB=QMID、ZC=QMAX;
步骤S32:初始化A、B、C三类的个数LA、LB、LC:LA=1、LB=1、LC=1;
步骤S33:遍历各通道起点,对通道总数为N的肌电信号的各个通道起点Qi,将其与A、B、C三类中心值ZA、ZB、ZC分别进行比较,即分别计算各通道起点到A、B、C三类的中心点距离diA、diB、diC:
diA=|Qi-ZA|;
diB=|Qi-ZB|;
diC=|Qi-ZC|;
步骤S34:判断diA、diB、diC的最小值,将Qi归入最小值所在的类,并且将此类的个数加1,并更新ZA、ZB、ZC;
步骤S35:遍历完所有通道后,判断每一类的中心点ZA、ZB、ZC是否有变化,若有,则返回步骤S32,否则,结束。
5.根据权利要求1所述的一种高密度或多通道肌电信号的肌肉激活起点检测方法,其特征在于:步骤S4具体包括以下步骤:
步骤S41:假设肌电信号中两个数据点之间的时间间距为T秒,b为取值大于等于0.5且小于1的常数;首先求取LA、LB、LC的最大值,设为LMAX;
步骤S42:如果LMAX等于LA,且LMAX大于b×N,判断为检测到肌肉激活,且激活起点为ZA;
步骤S43:LMAX等于LB,且LMAX大于b×N,判断为检测到肌肉激活,且激活起点为ZB;
步骤S44:如果ZB和ZA之间的时间间距不大于T,且LA+LB大于b×N,判断为检测到肌肉激活,且激活起点为(ZA+ZB)/2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811364430.6A CN109512424B (zh) | 2018-11-16 | 2018-11-16 | 一种高密度或多通道肌电信号的肌肉激活起点检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811364430.6A CN109512424B (zh) | 2018-11-16 | 2018-11-16 | 一种高密度或多通道肌电信号的肌肉激活起点检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109512424A true CN109512424A (zh) | 2019-03-26 |
CN109512424B CN109512424B (zh) | 2021-07-13 |
Family
ID=65777847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811364430.6A Active CN109512424B (zh) | 2018-11-16 | 2018-11-16 | 一种高密度或多通道肌电信号的肌肉激活起点检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109512424B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898445A (zh) * | 2020-06-29 | 2020-11-06 | 中国矿业大学(北京) | 一种针对多通道的面部表面肌电信号的活跃段检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102835955A (zh) * | 2012-09-08 | 2012-12-26 | 北京工业大学 | 一种无需设定阈值的脑电信号中眼电伪迹自动去除的方法 |
CN103027667A (zh) * | 2011-09-30 | 2013-04-10 | Ge医疗***环球技术有限公司 | 脉搏波的特征参数提取 |
US20140073981A1 (en) * | 2011-05-02 | 2014-03-13 | Topera, Inc. | System and method for reconstructing cardiac activation information |
CN105142509A (zh) * | 2013-03-15 | 2015-12-09 | 加利福尼亚大学董事会 | 用于重建心脏激动信息的***和方法 |
CN105326500A (zh) * | 2014-08-13 | 2016-02-17 | 华为技术有限公司 | 基于表面肌电信号的动作识别方法和设备 |
CN106333688A (zh) * | 2016-09-21 | 2017-01-18 | 北京机械设备研究所 | 一种踝关节动作的实时辨识方法 |
CN108272566A (zh) * | 2018-03-17 | 2018-07-13 | 郑州大学 | 一种基于多模态人机接口的智能轮椅 |
-
2018
- 2018-11-16 CN CN201811364430.6A patent/CN109512424B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140073981A1 (en) * | 2011-05-02 | 2014-03-13 | Topera, Inc. | System and method for reconstructing cardiac activation information |
CN103027667A (zh) * | 2011-09-30 | 2013-04-10 | Ge医疗***环球技术有限公司 | 脉搏波的特征参数提取 |
CN102835955A (zh) * | 2012-09-08 | 2012-12-26 | 北京工业大学 | 一种无需设定阈值的脑电信号中眼电伪迹自动去除的方法 |
CN105142509A (zh) * | 2013-03-15 | 2015-12-09 | 加利福尼亚大学董事会 | 用于重建心脏激动信息的***和方法 |
CN105326500A (zh) * | 2014-08-13 | 2016-02-17 | 华为技术有限公司 | 基于表面肌电信号的动作识别方法和设备 |
CN106333688A (zh) * | 2016-09-21 | 2017-01-18 | 北京机械设备研究所 | 一种踝关节动作的实时辨识方法 |
CN108272566A (zh) * | 2018-03-17 | 2018-07-13 | 郑州大学 | 一种基于多模态人机接口的智能轮椅 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898445A (zh) * | 2020-06-29 | 2020-11-06 | 中国矿业大学(北京) | 一种针对多通道的面部表面肌电信号的活跃段检测方法 |
CN111898445B (zh) * | 2020-06-29 | 2023-12-12 | 中国矿业大学(北京) | 一种针对多通道的面部表面肌电信号的活跃段检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109512424B (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Obeid et al. | Evaluation of spike-detection algorithms fora brain-machine interface application | |
US20170143226A1 (en) | Action Recognition Method and Device Based on Surface Electromyography Signal | |
CN102499797B (zh) | 假肢控制方法及*** | |
CN109431470A (zh) | 睡眠呼吸监测方法及装置 | |
US20170296081A1 (en) | Frame based spike detection module | |
CN110286774B (zh) | 一种基于手腕运动传感器的手语识别方法 | |
US20220054039A1 (en) | Breathing measurement and management using an electronic device | |
Zhang et al. | Real-time implementation of a self-recovery EMG pattern recognition interface for artificial arms | |
CN116602663B (zh) | 一种基于毫米波雷达的智能监测方法及*** | |
KR20190023611A (ko) | 웨어러블 기기 기반 운동 가이드 시스템 | |
JP6914525B2 (ja) | 嚥下機能解析システム及びプログラム | |
CN109512424A (zh) | 一种高密度或多通道肌电信号的肌肉激活起点检测方法 | |
Malik et al. | Automatic threshold optimization in nonlinear energy operator based spike detection | |
CN110650244A (zh) | 一种基于sta/lta+dtw的智能手机地震异常事件检测方法及智能手机 | |
CN114757237B (zh) | 一种基于WiFi信号的速度无关步态识别方法 | |
Mendes et al. | Subvocal speech recognition based on EMG signal using independent component analysis and neural network MLP | |
CN110547806A (zh) | 一种基于表面肌电信号的手势动作在线识别方法及*** | |
KR20200009595A (ko) | 온바디 센서 기반 감정-섭식 패턴 자동 생성 서버 및 그 방법 | |
CN109740531B (zh) | 监护设备及监护轮椅 | |
KR20180026711A (ko) | 지화 인식 시스템 및 방법 | |
TW202302032A (zh) | 基於心跳間隔下降率分組之呼吸暫停與不足事件偵測方法 | |
WO2011152562A1 (en) | Automatic gain control method and ambulatory monitoring system | |
CN112686213A (zh) | 一种基于循环神经网络及毫米波的osahs诊断*** | |
CN111012306A (zh) | 基于双神经网络的睡眠呼吸声检测方法及*** | |
Pinheiro et al. | The simulation of click and double-click through EMG signals |
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 |