CN111227796A - 一种基于支持向量机多模态融合下的平衡障碍量化评估方法及*** - Google Patents
一种基于支持向量机多模态融合下的平衡障碍量化评估方法及*** Download PDFInfo
- Publication number
- CN111227796A CN111227796A CN202010033220.XA CN202010033220A CN111227796A CN 111227796 A CN111227796 A CN 111227796A CN 202010033220 A CN202010033220 A CN 202010033220A CN 111227796 A CN111227796 A CN 111227796A
- Authority
- CN
- China
- Prior art keywords
- vector machine
- support vector
- balance
- lower limb
- parameters
- 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.)
- Pending
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4005—Detecting, measuring or recording for evaluating the nervous system for evaluating the sensory system
- A61B5/4023—Evaluating sense of balance
-
- 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]
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Physiology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及平衡障碍评估技术领域,具体地说,涉及一种基于支持向量机多模态融合下的平衡障碍量化评估方法及***。其方法包括如下步骤:采集获取下肢平衡多模态参数;建立支持向量机分类器对获取的下肢平衡多模态参数进行训练;采用支持向量机分类器进行分类输出。基于支持向量机多模态融合下的平衡障碍量化评估方法及***中,利用动态捕捉器采集到步态运动学参数,利用足底压力传感器获取步态的动力学参数,利用肌电信号采集设备得到下肢运动的肌电信号,结合平衡量表指南,疾病分类指南,明确等级的多模态数据为基础,对支持向量机进行训练,在收敛速度、稳定性、分类效果三方面进行评估,实现量化评估。
Description
技术领域
本发明涉及平衡障碍评估技术领域,具体地说,涉及一种基于支持向量机多模态融合下的平衡障碍量化评估方法及***。
背景技术
从生理角度来说,平衡功能控制是包括前庭核、脑干网状结构、脊髓、小脑及大脑皮层等在内的多级神经中枢,对来自肌肉、肌腱、关节内的本体感觉、视觉以及前庭***等各方面信息的整合加工,由与平衡功能有关的肌肉组织调节身体,使身体在脚底有限支持平面上保持重心稳定。
目前根据Berg临床量表对患者是否患有平衡障碍(确定基准线),及患有平衡障碍的状况进行分级,需要参考的项目多,分界线不明显,分级效果差,且无法做到量化评估。
发明内容
本发明的目的在于提供一种基于支持向量机多模态融合下的平衡障碍量化评估方法及***,以解决上述背景技术中提出的问题。
为实现上述技术问题的解决,本发明的目的之一在于,提供一种基于支持向量机多模态融合下的平衡障碍量化评估方法,其方法包括如下步骤:
S1、采集获取下肢平衡多模态参数;
S2、建立支持向量机分类器对获取的下肢平衡多模态参数进行训练;
S3、采用支持向量机分类器进行分类输出。
作为优选,所述S1中,采集获取下肢平衡多模态参数的方法包括肌电信号处理及特征提取方法、动作捕捉特征提取方法和人体足底压力中心特征提取方法。
作为优选,所述肌电信号处理及特征提取方法包括如下步骤:
S1.1、利用经验模态分解对表面肌电信号进行去基线、去噪;
S1.2、利用基本尺度熵来对表面肌电信号进行特征提取(基本尺度熵具有近似熵抗噪声干扰能力强的优点,并且由于采用了动态规划的方法,因此其计算复杂度较近似熵和样本熵较小)。
肌电信号(EMG)是一种幅值不大于5毫伏的微弱信号,表面肌电信号(sEMG)信号噪声干扰包括有:
电极附近肌群的串扰;
采集设备自身的干扰;
电源干扰、环境干扰等。
作为优选,所述动作捕捉特征提取方法包括如下步骤:
S2.1、利用动作捕捉***(多点)获得人体相应节点三维坐标;
S2.2、对关键部位的三维坐标进行一阶特征、二阶特征的推导。
作为优选,所述人体足底压力中心特征提取方法包括如下步骤:
S3.1、轨迹面积计算,轨迹面积指的是在一次实验周期内,压力中心所覆盖的区域面积,因为轨迹面积能够反映身体的摆动范围,所以是一种常见的评价平衡能力的特征;
S3.2、左右重心分布比和前后重心分布比计算,如果以压力平台的几何中心为坐标原点,左右重心分布比和前后重心分布比分别指的是压力中心分布在纵轴左右的个数的比值和分布在横轴上下个数的比值;
S3.3、COP的轨迹长度计算,其计算公式如下:
COP的左右轨迹长度计算公式:
COP的前后轨迹长度计算公式:
x、y为压力中心的坐标值,n=采样频率×t。
S3.4、动摇径计算,动摇径指的是压力中心的最大偏差范围,按照重心的偏移方向,可以分为左右动摇径和前后动摇径,动摇径和重心分布比类似,可以分为左右动摇径和前后动摇径,分别表示为:
Dx=xmax-xmin;
Dy=ymax-ymin;
其中xmax指的是压力中心在横轴正向的最大偏移,而xmin指的是压力中心在横轴反方向的最大偏移;同理,ymax和ymin分别代表压力中心在纵轴正向和反向的最大偏移。
作为优选,所述S2中,下肢平衡多模态参数进行训练的方法包括如下步骤:
S4.1、支持向量机的工作原理就是寻找最大间隔,最终转化为凸二次规划求最优解的问题,其公式如下:
s.t.yi(wTxi+b)≥1,i=1,2,...,m.
w表示分类超平面的系数,b是一个常数;
S4.2、由于有些样本在低维中并不能找到一个超平面可以正确划分两类样本,此时需要通过一个映射函数φ(x)将原样本映射到更高的线性可分的维度上进行分割;
S4.3、在求解过程中会出现φ(xi)Tφ(xj),为样本映射到特征空间后的内积,由于特征空间维度可能很高甚至是无穷维,计算困难,为了避免该问题引入核函数;
核函数种类很多,可选择线性核、多项式核高斯核、拉普拉斯核、Sigmoid核等进行构造。
让所有样本都满足约束条件很难实现,在现实任务中最大化间隔的同时我们允许存在一些样本不满足约束,对这些样本只需要足够少即可此时两个异类支持向量间的间隔称为“软间隔”在数学求解w和b中,我们引入损失函数,常用替代损失函数有hinge损失、指数损失、对率损失等,本发明中使用hinge损失函数:
lhinge(z)=max(0,1-z)。
作为优选,所述S3中,支持向量机分类器进行分类输出的方法为:使用软间隔SVM在对一个新的样本进行分类预测时,如果则预测为正类,否则为负类。
本发明的目的之二在于,提供一种基于支持向量机多模态融合下的平衡障碍量化评估***,包括:
参数采集模块:用于采集获取下肢平衡多模态参数;
支持向量机训练模块:用于建立支持向量机分类器对获取的下肢平衡多模态参数进行训练;
分类输出模块:用于采用支持向量机分类器进行分类输出。
本发明的目的之三在于,提供一种基于支持向量机多模态融合下的平衡障碍量化评估装置,包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行上述的计算机程序时实现如上述中任一所述的基于支持向量机多模态融合下的平衡障碍量化评估方法的步骤。
本发明的目的之四在于,一种计算机可读存储介质,所述存储介质中存储有至少一段程序,所述至少一段程序由上述的处理器执行以实现如上述中任一所述的基于支持向量机多模态融合下的平衡障碍量化评估方法的步骤。
与现有技术相比,本发明的有益效果:该基于支持向量机多模态融合下的平衡障碍量化评估方法及***中,利用动态捕捉器采集到步态运动学参数,利用足底压力传感器获取步态的动力学参数,利用肌电信号采集设备得到下肢运动的肌电信号,提取以上三种方式获取的多模态数据特征,结合平衡量表指南,疾病分类指南,以这些标注明确疾病,明确等级的多模态数据为基础,对不同的线性核、多项式核和高斯核等的支持向量机进行训练,在收敛速度、稳定性、分类效果三方面进行评估,实现量化评估。
附图说明
图1为本发明的整体流程框图;
图2为本发明肌电信号处理及特征提取方法的流程图;
图3为本发明动作捕捉特征提取方法的流程图;
图4为本发明人体足底压力中心特征提取方法的流程图;
图5为本发明下肢平衡多模态参数进行训练的流程图;
图6为本发明的基于支持向量机多模态融合下的平衡障碍量化评估装置结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-图6所示,本发明提供一种技术方案:
本发明提供一种基于支持向量机多模态融合下的平衡障碍量化评估方法,其方法包括如下步骤:
S1、采集获取下肢平衡多模态参数;
S2、建立支持向量机分类器对获取的下肢平衡多模态参数进行训练;
S3、采用支持向量机分类器进行分类输出。
本实施例中,S1中,采集获取下肢平衡多模态参数的方法包括肌电信号处理及特征提取方法、动作捕捉特征提取方法和人体足底压力中心特征提取方法。
进一步的,肌电信号处理及特征提取方法包括如下步骤:
S1.1、利用经验模态分解对表面肌电信号进行去基线、去噪;
S1.2、利用基本尺度熵来对表面肌电信号进行特征提取(基本尺度熵具有近似熵抗噪声干扰能力强的优点,并且由于采用了动态规划的方法,因此其计算复杂度较近似熵和样本熵较小)。
其中,肌电信号(EMG)是一种幅值不大于5毫伏的微弱信号,表面肌电信号(sEMG)信号噪声干扰包括有:
电极附近肌群的串扰;
采集设备自身的干扰;
电源干扰、环境干扰等。
具体的,动作捕捉特征提取方法包括如下步骤:
S2.1、利用动作捕捉***(多点)获得人体相应节点三维坐标;
S2.2、对关键部位的三维坐标进行一阶特征、二阶特征的推导。
值得说明的是,人体足底压力中心特征提取方法包括如下步骤:
S3.1、轨迹面积计算,轨迹面积指的是在一次实验周期内,压力中心所覆盖的区域面积,因为轨迹面积能够反映身体的摆动范围,所以是一种常见的评价平衡能力的特征;
S3.2、左右重心分布比和前后重心分布比计算,如果以压力平台的几何中心为坐标原点,左右重心分布比和前后重心分布比分别指的是压力中心分布在纵轴左右的个数的比值和分布在横轴上下个数的比值;
S3.3、COP的轨迹长度计算,其计算公式如下:
COP的左右轨迹长度计算公式:
COP的前后轨迹长度计算公式:
x、y为压力中心的坐标值,n=采样频率×t。
S3.4、动摇径计算,动摇径指的是压力中心的最大偏差范围,按照重心的偏移方向,可以分为左右动摇径和前后动摇径,动摇径和重心分布比类似,可以分为左右动摇径和前后动摇径,分别表示为:
Dx=xmax-xmin;
Dy=ymax-ymin;
其中xmax指的是压力中心在横轴正向的最大偏移,而xmin指的是压力中心在横轴反方向的最大偏移;同理,ymax和ymin分别代表压力中心在纵轴正向和反向的最大偏移。
再进一步的,S2中,下肢平衡多模态参数进行训练的方法包括如下步骤:
S4.1、支持向量机的工作原理就是寻找最大间隔,最终转化为凸二次规划求最优解的问题,其公式如下:
s.t.yi(wTxi+b)≥1,i=1,2,...,m.
w表示分类超平面的系数,b是一个常数;
S4.2、由于有些样本在低维中并不能找到一个超平面可以正确划分两类样本,此时需要通过一个映射函数φ(x)将原样本映射到更高的线性可分的维度上进行分割;
S4.3、在求解过程中会出现φ(xi)Tφ(xj),为样本映射到特征空间后的内积,由于特征空间维度可能很高甚至是无穷维,计算困难,为了避免该问题引入核函数;
值得说明的是,核函数种类很多,可选择线性核、多项式核高斯核、拉普拉斯核、Sigmoid核等进行构造。
让所有样本都满足约束条件很难实现,在现实任务中最大化间隔的同时我们允许存在一些样本不满足约束,对这些样本只需要足够少即可此时两个异类支持向量间的间隔称为“软间隔”在数学求解w和b中,我们引入损失函数,常用替代损失函数有hinge损失、指数损失、对率损失等,本发明中使用hinge损失函数:
lhinge(z)=max(0,1-z)。
S3中,支持向量机分类器进行分类输出的方法为:使用软间隔SVM在对一个新的样本进行分类预测时,如果则预测为正类,否则为负类。
本发明的目的之二在于,提供一种基于支持向量机多模态融合下的平衡障碍量化评估***,包括:
参数采集模块:用于采集获取下肢平衡多模态参数;
支持向量机训练模块:用于建立支持向量机分类器对获取的下肢平衡多模态参数进行训练;
分类输出模块:用于采用支持向量机分类器进行分类输出。
需要说明的是,参数采集模块、支持向量机训练模块、分类输出模块的功能具体参见各模块对应的方法部分的描述,这里就不再赘述。
参阅图6,示出了本发明实施例所涉及的一种基于支持向量机多模态融合下的平衡障碍量化评估装置结构示意图,该装置包括处理器、存储器和总线。
处理器包括一个或一个以上处理核心,处理器通过总线与处理器相连,存储器用于存储程序指令,处理器执行存储器中的程序指令时实现上述的基于支持向量机多模态融合下的平衡障碍量化评估方法。
可选的,存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随时存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
此外,本发明还提供一种计算机可读存储介质,存储介质中存储有至少一段程序,至少一段程序由上述的处理器执行以实现如上述中任一的基于支持向量机多模态融合下的平衡障碍量化评估方法的步骤。
可选的,本发明还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各方面基于支持向量机多模态融合下的平衡障碍量化评估方法的步骤。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储与一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种基于支持向量机多模态融合下的平衡障碍量化评估方法,其方法包括如下步骤:
S1、采集获取下肢平衡多模态参数;
S2、建立支持向量机分类器对获取的下肢平衡多模态参数进行训练;
S3、采用支持向量机分类器进行分类输出。
2.根据权利要求1所述的基于支持向量机多模态融合下的平衡障碍量化评估方法,其特征在于:所述S1中,采集获取下肢平衡多模态参数的方法包括肌电信号处理及特征提取方法、动作捕捉特征提取方法和人体足底压力中心特征提取方法。
3.根据权利要求2所述的基于支持向量机多模态融合下的平衡障碍量化评估方法,其特征在于:所述肌电信号处理及特征提取方法包括如下步骤:
S1.1、利用经验模态分解对表面肌电信号进行去基线、去噪;
S1.2、利用基本尺度熵来对表面肌电信号进行特征提取。
4.根据权利要求2所述的基于支持向量机多模态融合下的平衡障碍量化评估方法,其特征在于:所述动作捕捉特征提取方法包括如下步骤:
S2.1、利用动作捕捉***(多点)获得人体相应节点三维坐标;
S2.2、对关键部位的三维坐标进行一阶特征、二阶特征的推导。
5.根据权利要求2所述的基于支持向量机多模态融合下的平衡障碍量化评估方法,其特征在于:所述人体足底压力中心特征提取方法包括如下步骤:
S3.1、轨迹面积计算;
S3.2、左右重心分布比和前后重心分布比计算;
S3.3、COP的轨迹长度计算,其计算公式如下:
COP的左右轨迹长度计算公式:
COP的前后轨迹长度计算公式:
x、y为压力中心的坐标值,n=采样频率×t;
S3.4、动摇径计算,其公式为:
Dx=xmax-xmin;
Dy=ymax-ymin;
其中xmax指的是压力中心在横轴正向的最大偏移,而xmin指的是压力中心在横轴反方向的最大偏移;ymax和ymin分别代表压力中心在纵轴正向和反向的最大偏移。
7.根据权利要求1所述的基于支持向量机多模态融合下的平衡障碍量化评估方法,其特征在于:所述S3中,支持向量机分类器进行分类输出的方法为:判断wTxi+b>0是否成立,是则预测为正类,否则为负类。
8.一种基于支持向量机多模态融合下的平衡障碍量化评估***,包括:
参数采集模块:用于采集获取下肢平衡多模态参数;
支持向量机训练模块:用于建立支持向量机分类器对获取的下肢平衡多模态参数进行训练;
分类输出模块:用于采用支持向量机分类器进行分类输出。
9.一种基于支持向量机多模态融合下的平衡障碍量化评估装置,其特征在于:包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行上述的计算机程序时实现如权利要求1-4中任一所述的基于支持向量机多模态融合下的平衡障碍量化评估方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一段程序,所述至少一段程序由上述的处理器执行以实现如权利要求1-4中任一所述的基于支持向量机多模态融合下的平衡障碍量化评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010033220.XA CN111227796A (zh) | 2020-01-13 | 2020-01-13 | 一种基于支持向量机多模态融合下的平衡障碍量化评估方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010033220.XA CN111227796A (zh) | 2020-01-13 | 2020-01-13 | 一种基于支持向量机多模态融合下的平衡障碍量化评估方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111227796A true CN111227796A (zh) | 2020-06-05 |
Family
ID=70880812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010033220.XA Pending CN111227796A (zh) | 2020-01-13 | 2020-01-13 | 一种基于支持向量机多模态融合下的平衡障碍量化评估方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111227796A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116766207A (zh) * | 2023-08-02 | 2023-09-19 | 中国科学院苏州生物医学工程技术研究所 | 一种基于多模态信号运动意图识别的机器人控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017058913A1 (en) * | 2015-09-28 | 2017-04-06 | Case Western Reserve University | Wearable and connected gait analytics system |
CN107368752A (zh) * | 2017-07-25 | 2017-11-21 | 北京工商大学 | 一种基于生成式对抗网络的深度差分隐私保护方法 |
-
2020
- 2020-01-13 CN CN202010033220.XA patent/CN111227796A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017058913A1 (en) * | 2015-09-28 | 2017-04-06 | Case Western Reserve University | Wearable and connected gait analytics system |
CN107368752A (zh) * | 2017-07-25 | 2017-11-21 | 北京工商大学 | 一种基于生成式对抗网络的深度差分隐私保护方法 |
Non-Patent Citations (2)
Title |
---|
王新栋: "平衡能力感知的多角度刺激与测量评估研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
许国根等: "《模式识别与智能计算的MATLAB实现 第2版》", 31 July 2017, 北京航空航天大学出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116766207A (zh) * | 2023-08-02 | 2023-09-19 | 中国科学院苏州生物医学工程技术研究所 | 一种基于多模态信号运动意图识别的机器人控制方法 |
CN116766207B (zh) * | 2023-08-02 | 2024-05-28 | 中国科学院苏州生物医学工程技术研究所 | 一种基于多模态信号运动意图识别的机器人控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3617815B1 (en) | Work support device, work support method, and work support program | |
Benalcázar et al. | Hand gesture recognition using machine learning and the Myo armband | |
Li et al. | An automatic user-adapted physical activity classification method using smartphones | |
Mullen et al. | Real-time modeling and 3D visualization of source dynamics and connectivity using wearable EEG | |
CN109069066A (zh) | 可穿戴和连接的步态分析*** | |
CN110991268B (zh) | 一种基于深度图像的帕金森手部运动量化分析方法和*** | |
CN112733772B (zh) | 仓储拣选任务中的实时认知负荷与疲劳度检测方法与*** | |
CN108634969B (zh) | 情绪检测设备、情绪检测***、情绪检测方法、存储介质 | |
Silva et al. | One lead ECG based personal identification with feature subspace ensembles | |
CN107480635B (zh) | 一种基于双模态分类模型融合的扫视信号识别方法及*** | |
CN111227796A (zh) | 一种基于支持向量机多模态融合下的平衡障碍量化评估方法及*** | |
Aghagolzadeh et al. | Latent state-space models for neural decoding | |
Nguyen et al. | Unsupervised clustering of free-living human activities using ambulatory accelerometry | |
Radmand et al. | Investigation of optimum pattern recognition methods for robust myoelectric control during dynamic limb movement | |
Merdjanovska et al. | Cross-database generalization of deep learning models for arrhythmia classification | |
Fattah et al. | Basic hand action classification based on surface EMG using autoregressive reflection coefficient | |
Wu et al. | Classification and simulation of process of linear change for grip force at different grip speeds by using supervised learning based on sEMG | |
CN111134670A (zh) | 一种基于生成对抗网络多模态平衡障碍量化评估方法及*** | |
CN108926814B (zh) | 一种个性化的人体平衡训练*** | |
Gupta et al. | Optimization of Data Quality Related EMG Feature Extraction Parameters to Increase Hand Movement Classification Accuracy | |
He et al. | Simulation system for myoelectric hand prosthesis using augmented reality | |
CN106236011A (zh) | 眼底图像获取方法和装置、眼底相机 | |
Pratummas et al. | Static Fatigue Detection in Office Syndrome using sEMG and Machine Learning | |
Silva | Classification of gestures with EMG | |
Kumar et al. | Geometric mean filter with grayscale morphological method to enhance the RNFL thickness in the SD-OCT images |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200605 |