CN113177359A - 一种基于假人模型的身体组织状态预测方法 - Google Patents

一种基于假人模型的身体组织状态预测方法 Download PDF

Info

Publication number
CN113177359A
CN113177359A CN202110481403.2A CN202110481403A CN113177359A CN 113177359 A CN113177359 A CN 113177359A CN 202110481403 A CN202110481403 A CN 202110481403A CN 113177359 A CN113177359 A CN 113177359A
Authority
CN
China
Prior art keywords
dummy
state
muscle
bilstm
clustering
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
Application number
CN202110481403.2A
Other languages
English (en)
Other versions
CN113177359B (zh
Inventor
王�琦
王朝
杨瑞敏
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.)
Shanghai Dianji University
Original Assignee
Shanghai Dianji 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 Shanghai Dianji University filed Critical Shanghai Dianji University
Priority to CN202110481403.2A priority Critical patent/CN113177359B/zh
Publication of CN113177359A publication Critical patent/CN113177359A/zh
Application granted granted Critical
Publication of CN113177359B publication Critical patent/CN113177359B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明提供了一种基于假人模型的身体组织状态预测方法，所述基于假人模型的身体组织状态预测方法包括以下步骤：在限定的工作任务条件下，先划分并确定动作意图；根据动作意图，从多种同姿态但速度设定不同的预设ANYBODY假人中进行挑选；以及在各标注好的意图时段内，保持假人运动路径与实测的运动路径一致，逐步调节假人的整体动作速度，直到肌肉发力预测结果与该意图时段内的训练集内的肌肉发力状态达到最接近状态。本发明基于假人模型的身体组织状态预测方法的肌肉状态预测对应于具体意图，精度较高。

Description

一种基于假人模型的身体组织状态预测方法
技术领域
本发明涉及人机交互设计、计算机仿真技术领域，具体地，涉及一种基于假人模型的身体组织状态预测方法。
背景技术
ANYBODY软件提供筋骨假人，可以准确模拟拮抗和放松两种状态，但躯干肌肉与外部运动信号间的关系不明确，存在外部行为一致，而体内紧张程度完全不同的情况。
现有的基于ANYBODY的假人模型，可以用两种方式模拟弯伸动作中的人体组织状态：第一种方式的有限元分析模拟的是由拮抗作用主导的状态，由肌肉承担弯伸力矩，脊椎弯角越大肌肉活跃度越高。模拟方式是把假人的单个弯伸过程划分为16个离散的静态平衡状态，分别计算16个静态状态下的肌肉发力，各帧状态由筋骨假人分别拟合而成，每次按照静态的身体平衡状态计算发力，各椎旁肌的肌电曲线呈现“n”形。
第二种方式的有限元分析是模拟人体在连续动态弯伸腰工作过程的发力状态。在此过程中，ANYBODY软件可以模拟弯腰放松现象，躯干肌肉在弯伸腰时，肌肉发力默认为弯腰放松状态，常会因精细操作意图、平衡意图、外部扰动等原因而转入拮抗状态。弯腰放松状态下，随着躯干弯角增大，弯伸腰力矩主要由被动组织来平衡，躯干弯角大时肌肉发力反而减小，弯腰放松现象主导的椎旁肌肌电曲线接近“u”形。
现有ANYBODY软件对弯伸腰时的肌肉控制方式的模拟，越接近静止状态，其模拟方式越是接近第一种方式的有限元分析，越是快速弯伸腰，其模拟方式越接近第二种方式的有限元分析。
然而，现有的ANYBODY软件提供的有限元模拟算法是基于逆向动力学平衡公式建立的，其模拟结果，无论是否加入外力，都是逆向力学计算结果，不能识别某一时刻人体所采用的肌肉控制模式是以拮抗为主还是以放松为主，尤其是在肌肉控制模式受手部任务影响而迅速变化的情况下。对躯干状态的预测和紧张程度识别，首先需要先识别动作意图，而意图识别是有限元模型无法提供的。
因此，有必要提供一种可识别动作意图的基于假人模型的身体组织状态预测方法。
发明内容
针对现有技术中的缺陷，本发明的目的在于提供一种精度较高、可识别动作意图的基于假人模型的身体组织状态预测方法。
为解决上述问题，本发明的技术方案为：
一种基于假人模型的身体组织状态预测方法，包括以下步骤：
在限定的工作任务条件下，先划分并确定动作意图；
根据动作意图，从多种同姿态但速度设定不同的预设ANYBODY假人中进行挑选；以及
在各标注好的意图时段内，保持假人运动路径与实测的运动路径一致，逐步调节假人的整体动作速度，直到肌肉发力预测结果与该意图时段内的训练集内的肌肉发力状态达到最接近状态。
可选地，所述在各标注好的意图时段内，保持假人运动路径与实测的运动路径一致，逐步调节假人的整体动作速度，直到肌肉发力预测结果与该意图时段内的训练集内的肌肉发力状态达到最接近状态步骤具体包括：
将各椎旁肌共同作为输入信号，输出一维的两步聚类结果；
以聚类号代替原始肌电信号并重复聚类，重复聚类为BiLSTM-CRF标注步骤提供输入向量；以及
根据BiLSTM-CRF标注步骤输出的聚类分组号，在各聚类分组号时段内分别校正肌肉状态的预测值。
可选地，所述以聚类号代替原始肌电信号并重复聚类，重复聚类为BiLSTM-CRF标注步骤提供输入向量步骤中，输入向量构建方式为：BiLSTM提供的动作标签发生概率被用作CRF的输入，每一个BiLSTM单元的输入则是行为中对应单个动作向量，BiLSTM通过乘以权重矩阵和添加偏置值，把动作向量标注为新的标签组成的向量。
可选地，所述根据BiLSTM-CRF标注步骤输出的聚类分组号，在各聚类分组号时段内分别校正肌肉状态的预测值步骤具体包括：根据聚类号的标注结果选择ANYBODY假人的弯伸腰速度，该速度预设为5种速度水平。
可选地，所述根据BiLSTM-CRF标注步骤输出的聚类分组号，在各聚类分组号时段内分别校正肌肉状态的预测值步骤具体还包括：在不同意图时段内，从5种不同速度模式的预设曲线中，选择与预测相关度最高的一种，代替原预测曲线，分段校正预测结果。
与现有技术相比，本发明基于假人模型的身体组织状态预测方法的肌肉状态预测是对应于具体意图的，比传统有限元模拟方法的不对应具体意图的预测方法精度要高很多，并且不会发生预测与实测曲线形态差距明显的情况。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明实施例提供的基于假人模型的身体组织状态预测方法的流程框图；
图2为本发明实施例提供的基于假人模型的身体组织状态预测方法的另一流程框图；
图3为不同聚类细分结果对比图；
图4为重复聚类步骤流程的流程框图；
图5为右最长肌的实测和预测对比图；
图6为右斜方肌的实测和预测对比图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
图1为本发明实施例提供的基于假人模型的身体组织状态预测方法的流程框图，如图1所示，本发明基于假人模型的身体组织状态预测方法包括以下步骤：
S1：在限定的工作任务条件下，先划分并确定动作意图；
S2：根据动作意图，从多种同姿态但速度设定不同的预设ANYBODY假人中进行挑选；以及
S3：在各标注好的意图时段内，保持假人运动路径与实测的运动路径一致，逐步调节假人的整体动作速度，直到肌肉发力预测结果与该意图时段内的训练集内的肌肉发力状态达到最接近状态。
如图2所示，所述步骤S3具体包括以下步骤：
S21：将各椎旁肌共同作为输入信号，输出一维的两步聚类结果；
具体地，先把最小分组数设为3，实现粗分类，再增大两步聚类的最小分组数和最大分组数，重复进行两步聚类，实现不同程度的多次细分类，最后把多次同时段聚类结果叠加。细分的聚类分组号序列构成粗聚类号，这个序列被定义为动作向量，一组动作向量的时序排列构成行为。
直接标注开始、结束、手接触操作目标时的聚类号易根据运动信号确认，作为关键聚类号，对粗细两类聚类号都进行重排，令聚类号与各被测肌肉的平均激活百分比呈正相关关系。两个弯伸循环中，不同聚类细分结果对比如图3所示。
S22：以聚类号代替原始肌电信号并重复聚类，重复聚类为BiLSTM-CRF(Bi-directional Long Short Term Neural Network，Conditional Random Field)标注步骤提供输入向量；
以聚类号代替原始肌电信号并重复聚类，解决了时间轴差异问题，令不同实验对象的不同细分层次的肌肉行为可以互相对比，其中重复聚类步骤流程如图4所示，首先进行躯干肌电数据采集，使用初步聚类把肌电信号转化为一维编码，当不同的实验对象聚类结果一致时，增大初步聚类分组号，当不同的实验对象聚类结果不一致时，增加分组号，进行细分聚类，其中粗聚类代表共性，细分聚类反应个体特征。
各初始聚类号代表动作，由多个细分聚类分组号组成。由细分聚类编码组成的动作向量用作BiLSTM-CRF层的输入向量。
重复聚类为BiLSTM-CRF标注步骤提供输入向量，输入向量的构建方式如下：
利用word2vec工具包把细分聚类编码以最大条件概率嵌入动作向量，可以构建排列信号间的条件概率关系。在这个模型中，每个动作的向量是根据前后动作来进行推断的。以特定肌电信号的组合为已知条件，发生特定行为的条件概率如下公式所示：
Figure BDA0003048671720000041
其中，P(action|EMG)表示单个行为在所给肌电信号条件下发生的概率，单个动作的发生意味着一系列聚类分组号编码的发生。关键聚类号作为已知条件，其代表行为是预先获得的，部分关键聚类号从手操作任务设置中获得，手的捏、拿、准确触碰等任务都可以事先确认。手部关键聚类号和表示弯腰开始、结束的聚类号一起被作为Skip-gram算法的已知关键分组号，进而推算所有聚类号的嵌入概率，把各聚类号嵌入动作向量，从而完成动作向量的构建。
另外，采用Python3.7和Tensor1.15算法，基于双向长短时记忆神经网络(Bi-directional Long Short Term Neural Network，BiLSTM)和随机向量场(ConditionalRandom Field，CRF)模型完成序列标注。在BiLSTM标注算法的数据训练步骤中，取每个实验对象的3次相同弯伸任务中的前两次数据，作为训练集，以最后一次作为测试集，并对训练集进行手工标注，就是在已知关键聚类号的基础上，给各聚类号添加标签。
BiLSTM提供的动作标签发生概率被用作CRF的输入，每一个BiLSTM单元的输入则是行为中对应单个动作向量，BiLSTM通过乘以权重矩阵和添加偏置值，把动作向量标注为新的标签组成的向量。
S23：根据BiLSTM-CRF标注步骤输出的聚类分组号，在各聚类分组号时段内分别校正肌肉状态的预测值。
根据聚类号的标注结果选择全筋骨假人的弯伸腰速度，该速度预设为5种水平，在整个弯伸过程时段内，对比归一化(EMG被表示为百分比形式)后的实测肌肉曲线与各不同速度下预测得到的预测曲线(也以百分比形式表示)进行对比。获得Spearman相关系数最高时，则认为该预设在该意图时段内可被用于肌肉等组织状态的预测，发力模式得到确认，进而选用该速度下的假人模型进行对全部身体组织的受力状态的预测。
在不同意图时段内，从5种不同发力模式的预设曲线中，选择与预测相关度最高的一种，代替原预测曲线，相当于分段校正了预测结果。但实际测量肌电小信号所得的绝对值差异往往较大，且与肌电测量用的电极头处体表介质的传导能力有关，因此，需要在意图时段内进行极差归一化处理，令预测与实测曲线的段内极差一致。
以下分别以右最长肌和右斜方肌为例，分别采用RBF神经网络，根据BiLSTM-CRF步骤划分好的各意图时段，分别选择训练集，以脊椎弯角等运动信号为输入，预测肌肉激活程度。
具体地，对右最长肌的预测结果如图5所示，图5所示为右最长肌的实测和预测对比图，由图5可见，右最长肌的预测曲线与实测曲线相关性较高，由于整个躯干的动作具有较强的同步性，利用意图划分和识别结果预测肌肉状态的效果也得到验证。
对右斜方肌的预测结果如图6所示，图6所示为右斜方肌的实测和预测对比图，由图6可见，右斜方肌的预测曲线与实测曲线相关性较高，在本实施例中，各被测对象的预测曲线与实测曲线的相关系数均高于0.75。
本发明利用双向长短时神经网络(BILSTM)和随机向量场(CRF)标注模型，可以基于肌电信号标注动作，在人体测量获得的训练集的基础上，完成人体意图识别，进而在各意图所处时段内，采用RBF神经网络，分别基于运动信号预测肌电信号。
与现有技术相比，本发明基于假人模型的身体组织状态预测方法的肌肉状态预测是对应于具体意图的，所述具体意图可以从躯干或手部行为获得，因此，本发明比传统有限元模拟方法的不对应具体意图的预测方法精度要高很多，并且不会发生预测与实测曲线形态差距明显的情况。另外，本发明的预测结果是针对ANYBODY假人模型的全部肌肉、骨骼、韧带的，这是实际测量无法完成的。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (5)

1.一种基于假人模型的身体组织状态预测方法，其特征在于，所述方法包括以下步骤：
在限定的工作任务条件下，先划分并确定动作意图；
根据动作意图，从多种同姿态但速度设定不同的预设ANYBODY假人中进行挑选；以及
在各标注好的意图时段内，保持假人运动路径与实测的运动路径一致，逐步调节假人的整体动作速度，直到肌肉发力预测结果与该意图时段内的训练集内的肌肉发力状态达到最接近状态。
2.根据权利要求1所述的基于假人模型的身体组织状态预测方法，其特征在于，所述在各标注好的意图时段内，保持假人运动路径与实测的运动路径一致，逐步调节假人的整体动作速度，直到肌肉发力预测结果与该意图时段内的训练集内的肌肉发力状态达到最接近状态步骤具体包括：
将各椎旁肌共同作为输入信号，输出一维的两步聚类结果；
以聚类号代替原始肌电信号并重复聚类，重复聚类为BiLSTM-CRF标注步骤提供输入向量；以及
根据BiLSTM-CRF标注步骤输出的聚类分组号，在各聚类分组号时段内分别校正肌肉状态的预测值。
3.根据权利要求2所述的基于假人模型的身体组织状态预测方法，其特征在于，所述以聚类号代替原始肌电信号并重复聚类，重复聚类为BiLSTM-CRF标注步骤提供输入向量步骤中，输入向量构建方式为：BiLSTM提供的动作标签发生概率被用作CRF的输入，每一个BiLSTM单元的输入则是行为中对应单个动作向量，BiLSTM通过乘以权重矩阵和添加偏置值，把动作向量标注为新的标签组成的向量。
4.根据权利要求2所述的基于假人模型的身体组织状态预测方法，其特征在于，所述根据BiLSTM-CRF标注步骤输出的聚类分组号，在各聚类分组号时段内分别校正肌肉状态的预测值步骤具体包括：根据聚类号的标注结果选择ANYBODY假人的弯伸腰速度，该速度预设为5种速度水平。
5.根据权利要求4所述的基于假人模型的身体组织状态预测方法，其特征在于，所述根据BiLSTM-CRF标注步骤输出的聚类分组号，在各聚类分组号时段内分别校正肌肉状态的预测值步骤具体还包括：在不同意图时段内，从5种不同速度模式的预设曲线中，选择与预测相关度最高的一种，代替原预测曲线，分段校正预测结果。
CN202110481403.2A 2021-04-30 2021-04-30 一种基于假人模型的身体组织状态预测方法 Active CN113177359B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110481403.2A CN113177359B (zh) 2021-04-30 2021-04-30 一种基于假人模型的身体组织状态预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110481403.2A CN113177359B (zh) 2021-04-30 2021-04-30 一种基于假人模型的身体组织状态预测方法

Publications (2)

Publication Number Publication Date
CN113177359A true CN113177359A (zh) 2021-07-27
CN113177359B CN113177359B (zh) 2023-04-18

Family

ID=76925927

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110481403.2A Active CN113177359B (zh) 2021-04-30 2021-04-30 一种基于假人模型的身体组织状态预测方法

Country Status (1)

Country Link
CN (1) CN113177359B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107397649A (zh) * 2017-08-10 2017-11-28 燕山大学 一种基于径向基神经网络的上肢外骨骼康复机器人控制方法
US20180024634A1 (en) * 2016-07-25 2018-01-25 Patrick Kaifosh Methods and apparatus for inferring user intent based on neuromuscular signals
CN108920893A (zh) * 2018-09-06 2018-11-30 南京医科大学 一种基于人工智能的颅颌面骨骼和软组织形态预测方法
CN109394476A (zh) * 2018-12-06 2019-03-01 上海神添实业有限公司 脑肌信息自动意图识别与上肢智能控制方法及***
CN109480838A (zh) * 2018-10-18 2019-03-19 北京理工大学 一种基于表层肌电信号的人体连续复杂运动意图预测方法
CN109998735A (zh) * 2019-01-25 2019-07-12 宁波创导三维医疗科技有限公司 硅胶隆鼻假体及其制造方法
US20190247650A1 (en) * 2018-02-14 2019-08-15 Bao Tran Systems and methods for augmenting human muscle controls
CN110347837A (zh) * 2019-07-17 2019-10-18 电子科技大学 一种心血管疾病非计划再住院风险预测方法
CN110400283A (zh) * 2018-04-20 2019-11-01 西门子医疗有限公司 实时且准确的软组织变形预测
CN111079418A (zh) * 2019-11-06 2020-04-28 科大讯飞股份有限公司 命名体识别方法、装置、电子设备和存储介质
AU2018344383A1 (en) * 2017-10-02 2020-05-21 Innosign B.V. Assessment of Notch cellular signaling pathway activity using mathematical modelling of target gene expression
CA3123885A1 (en) * 2018-12-20 2020-06-25 Australian Institute of Robotic Orthopaedics Pty Ltd Intelligent tissue classifier of bone and soft tissue
CN111547028A (zh) * 2020-04-20 2020-08-18 江苏大学 一种考虑制动意图的制动强度模糊识别方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20180024634A1 (en) * 2016-07-25 2018-01-25 Patrick Kaifosh Methods and apparatus for inferring user intent based on neuromuscular signals
CN107397649A (zh) * 2017-08-10 2017-11-28 燕山大学 一种基于径向基神经网络的上肢外骨骼康复机器人控制方法
AU2018344383A1 (en) * 2017-10-02 2020-05-21 Innosign B.V. Assessment of Notch cellular signaling pathway activity using mathematical modelling of target gene expression
US20190247650A1 (en) * 2018-02-14 2019-08-15 Bao Tran Systems and methods for augmenting human muscle controls
CN110400283A (zh) * 2018-04-20 2019-11-01 西门子医疗有限公司 实时且准确的软组织变形预测
CN108920893A (zh) * 2018-09-06 2018-11-30 南京医科大学 一种基于人工智能的颅颌面骨骼和软组织形态预测方法
CN109480838A (zh) * 2018-10-18 2019-03-19 北京理工大学 一种基于表层肌电信号的人体连续复杂运动意图预测方法
CN109394476A (zh) * 2018-12-06 2019-03-01 上海神添实业有限公司 脑肌信息自动意图识别与上肢智能控制方法及***
CA3123885A1 (en) * 2018-12-20 2020-06-25 Australian Institute of Robotic Orthopaedics Pty Ltd Intelligent tissue classifier of bone and soft tissue
CN109998735A (zh) * 2019-01-25 2019-07-12 宁波创导三维医疗科技有限公司 硅胶隆鼻假体及其制造方法
CN110347837A (zh) * 2019-07-17 2019-10-18 电子科技大学 一种心血管疾病非计划再住院风险预测方法
CN111079418A (zh) * 2019-11-06 2020-04-28 科大讯飞股份有限公司 命名体识别方法、装置、电子设备和存储介质
CN111547028A (zh) * 2020-04-20 2020-08-18 江苏大学 一种考虑制动意图的制动强度模糊识别方法

Also Published As

Publication number Publication date
CN113177359B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
Tsinganos et al. Improved gesture recognition based on sEMG signals and TCN
Krasoulis et al. Multi-grip classification-based prosthesis control with two EMG-IMU sensors
Rane et al. Deep learning for musculoskeletal force prediction
Huang et al. Surface EMG decoding for hand gestures based on spectrogram and CNN-LSTM
WO2021052045A1 (zh) 肢体动作的识别方法、装置、计算机设备及存储介质
CN112861604A (zh) 一种与用户无关的肌电动作识别与控制方法
CN110348055B (zh) Chaboche粘塑性本构模型材料参数获取与优化方法
Qiao et al. Using machine learning approaches for emergency room visit prediction based on electronic health record data
CN117034123B (zh) 健身器材的故障监控***及其方法
Mochurad et al. Modeling of psychomotor reactions of a person based on modification of the tapping test
CN113177359B (zh) 一种基于假人模型的身体组织状态预测方法
CN110634574B (zh) 一种基于等值排列的心率动态时间不可逆性分析方法
Rahagiyanto et al. Hand gesture classification for sign language using artificial neural network
Ma et al. Conditional generative models for simulation of EMG during naturalistic movements
CN113116363A (zh) 一种基于表面肌电信号判断手部疲劳度方法
Aslan Normal cumulative distribution function and dispersion entropy based EMG classification
CN109948465A (zh) 一种基于多目标的表面肌电信号分类方法
Lee et al. A neuro-fuzzy model for estimating electromyographical activity of trunk muscles due to manual lifting
CN110598789A (zh) 一种基于模糊感知器的人体疲劳状态预测方法及***
CN115981461A (zh) 一种基于多任务学习Transformer的肌电控制方法
Zhu et al. Sentiment recognition model of EEG signals combined with one-dimensional convolution and BiBASRU-AT
Guo et al. A novel fuzzy neural network-based rehabilitation stage classifying method for the upper limb rehabilitation robotic system
Zhao et al. Extreme gradient boosting for surface electromyography classification on time-domain features
CN112764524A (zh) 一种基于纹理特征的肌电信号手势动作识别方法
Li et al. sEMG and IMU Data-based Hand Gesture Recognition Method using Multi-stream CNN with a Fine-tuning Transfer Framework

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