TWI406149B - EMG signal processing chip - Google Patents
EMG signal processing chip Download PDFInfo
- Publication number
- TWI406149B TWI406149B TW98128366A TW98128366A TWI406149B TW I406149 B TWI406149 B TW I406149B TW 98128366 A TW98128366 A TW 98128366A TW 98128366 A TW98128366 A TW 98128366A TW I406149 B TWI406149 B TW I406149B
- Authority
- TW
- Taiwan
- Prior art keywords
- feature
- signal
- subject
- module
- signal processing
- Prior art date
Links
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Description
本發明是有關於一種訊號處理晶片,特別是指一種適用於處理肌電訊號的訊號處理晶片。
目前利用肢體障礙人士肌肉收縮所產生之肌電圖訊號,以進一步讓外界識別其欲表達的命令,是一種相當方便的方法,就現有的技術來說,大多是利用一場效可規劃邏輯閘陣列(Field programming gate array,FPGA)來實現一肌電訊號處理裝置,如:林政廷於2005年所發表之台灣大碩士論文「以場效可程式閘陣列實現肌電圖辨識系統」,但這種實作方式存在相當多的缺點,例如:受限於既有之FPGA的規劃,該肌電訊號處理裝置的處理速度不易達到即時辨識的要求,同時,如記憶體單元或是混合訊號模型等都需要外掛在FPGA上,因此,這等實作上的困難往往都會限制其應用層面,因此,如何克服這些實作技術上的問題以增進應用的層面,是刻不容緩的課題。
因此,本發明之目的,即在提供一種肌電訊號處理晶片,其是以一特殊應用積體電路方式實現,且適用於根據一外部感測裝置感測一受測者產生的肌電訊號,其包含:一訊號處理單元,接收該等肌電訊號並轉換成對應的數位訊號;一特徵運算單元,根據該等數位訊號運算出多數個對應的測試特徵值;及一辨識單元,包括一分類模組,根據該等測試特徵值所形成之一測試特徵向量與一組預設的參考特徵向量,計算出對應的距離值,然後根據該等距離值中最小者,判定出該使用者的動作屬於該對應特徵向量所代表的動作。
有關本發明之前述及其他技術內容、特點與功效,在以下配合參考圖式之一個較佳實施例的詳細說明中,將可清楚的呈現。
參閱圖1,本發明之肌電訊號處理晶片是根據表面肌電的訊號進行辨識及處理對應的動作,在本實施例中是根據一外部感測裝置(圖未示)感測該受測者右頸部的胸鎖乳突肌(Sternocleidomastoid muscle)及上斜方肌(Upper-trapezius muscle)收縮時所產生的肌電訊號,並將二條肌肉產生的訊號整合成一第一肌電訊號,同理,該外部感測裝置感測該受測者左頸部的胸鎖乳突肌及上斜方肌收縮時所產生的肌電訊號,並將其整合成一第二肌電訊號,最後利用該第一、第二肌電訊號以判斷出該受測者欲執行的動作命令。
參閱圖2,本發明之一較佳實施例,包含一用以將該第一、第二肌電訊號轉換成對應的第一、第二數位訊號之訊號處理單元1、一接收該訊號處理單元1所傳送之第一、第二數位訊號以進行訊號特徵運算的特徵運算單元2,及一用以根據該特徵運算單元2運算之結果以進行辨識該受測者動作之辨識單元3。
該訊號處理單元1包括一信號轉換模組11,及一儲存模組12。其中,該信號轉換模組11用以將該第一、第二肌電訊號進行取樣及保存(Sampling and holding)處理,其取樣及保存的方式為,該信號轉換模組11使用一頻率為2KHz的取樣頻率對該第一、第二肌電訊號進行取樣,以得到一第一、第二取樣訊號,隨後將該等取樣信號的每一取樣值的絕對值累加,即可得到一積分肌電圖(IMEG)訊號,然後將該積分肌電圖訊號與一預設臨界值做比較,當該積分肌電圖訊號大於該臨界值時,代表該受測者有對應的動作產生,當該積分肌電圖訊號小於該臨界值時,則代表此時該受測者無動作產生。值得一提的是,在本實施例中,一積分肌電圖訊號包括256個第一或第二取樣訊號的取樣值,換句話說該受測者每一動作的期間,其取樣點數量皆為256個,但本發明不以此為限。
然後,該信號轉換模組11對該第一、第二取樣訊號進行量化(Quantization)處理,以數位編碼的方式得到對應的第一、第二數位訊號x 1
(n
)、x 2
(n
)。參閱圖3,在本實施例中,該信號轉換模組11是一回饋型(Feedback)類比至數位轉換器(Analog-to-digital converter,ADC),其包括:一差動比較器111、一上數/下數計數器112,及一數位至類比轉換器中113。
因為該回饋型類比至數位轉換器具有高速及高解析度的優點,所以將取樣後的該等肌電訊號Vs輸入至該差動比較器111中以得到與一回饋電壓Vo的正負變化關係之後,依據該等正負變化關係輸出一對應的控制訊號以控制該上數/下數計數器112的計數變化方向,進而對該取樣後的該等肌電訊號Vs進行數位編碼,而編碼後的數位訊號同時被輸出至該數位至類比轉換器中113,將編碼結果轉換為一對應的回饋電壓Vo’,然後該差動比較器111將該回饋電壓Vo’與次一個取樣後的該等肌電訊號Vs’再次進行比對,依此方式一一將該等肌電訊號轉換為對應的數位訊號。
除此之外,取樣率(Sampling rate)越高則該等肌電訊號越不易失真(本實施例中為2KHz),而量化的位元數(本實施例中為32位元)越高則編碼後的該等數位訊號之解析度越高,因此,該信號轉換模組11之取樣率及量化的位元數可以視所需要該等數位訊號的解析度高低而做對應的變化修改,並不以本實施例的相關數據為限。
回復參閱圖2,該信號轉換模組11將處理完的該第一、第二數位訊號儲存於該儲存模組12中。在本實施例中,該儲存模組12為二大小皆為5kB的靜態記憶體(SRAM),用以分別儲存該第一、第二數位訊號x 1
(n
)、x 2
(n
)。
該特徵運算單元2包括一訊框處理模組20、第一運算模組21、一第二運算模組22,及一控制模組23。
參閱圖4,該訊框處理模組20使用一個固定長度的取樣窗(Sampling window)將第一、第二數位訊號x 1
(n
)、x 2
(n
)分別分成一奇訊框(Odd frame)及一偶訊框(Even frame),也就是說,該受測者的每一個動作所產生的二數位訊號(即第一、第二數位訊號x 1
(n
)、x 2
(n
))會被分成對應的四個訊框。同時,為了能持續判斷該第一、第二數位訊號x 1
(n
)、x 2
(n
)的改變情形是否具有延續性,在本實施例中,每一數位訊號之奇訊框與該偶訊框彼此之間相互重疊二分之一訊框的長度,也就是128個取樣點,所以對於同一個時間點,需要計算每一數位訊號之該奇訊框與該偶訊框間的相關程度,而為了減少每個訊框邊界之不連續的現象,取樣窗可以採用如方程式(F
.1)所示的漢明窗(Hamming window),以將數位訊號的邊界漸進壓低,使得每一個訊框在邊界的不連續現象變得較不明顯。
其中,N
為該訊框的長度,n
代表第n
個取樣點。
當然,連續二個訊框重疊的部分,不限於本實施例所實施的訊框長度的一半,可以視訊號強度而設定不同比例的重疊部分,另外,取樣視窗也不限定採用漢明窗,在數位訊號處理技術上,能夠達到減少每個訊框邊界之不連續現象的取樣窗,皆可應用於本發明之中。
之後,參閱圖5,該第一運算模組21用以運算該受測者每一動作所對應之四個訊框的自相關(Autocorrelation)函數,其中每組自相關函數具有五個自相關係數r m
(0)~r m
(4)。假設,第一數位訊號x 1
(n
)之奇訊框、偶訊框對應的自相關係數分別為r 1 , odd
(k
)、r 1, even
(k
),且k
=0,1,2,3,4,同理,第二數位訊號x 2
(n
)之奇訊框、偶訊框對應的自相關係數為r 2, odd
(k
)、r 2, even
(k
),且k
=0,1,2,3,4。
而第一、第二數位訊號x 1
(n
)、x 2
(n
)之奇、偶訊框的自相關函數計算方式如下方程式(F
.2)~(F
.5)所示:
其中,N
為一訊框的所有取樣點數,x 1, o dd
(n
-k
)、x 1, even
(n
-k
)、x 2, odd
(n
-k
)、x 2, even
(n
-k
)分別為第一數位訊號x 1
(n
)之奇、偶訊框的第n
-k
個取樣點及第二數位訊號x 2
(n
)之之奇、偶訊框的第n
-k
個取樣點;也就是說,當第一、第二數位訊號x 1
(n
)、x 2
(n
)之第n
個取樣點分別被取樣之後,會分別與各自的第n
-k
個取樣點作自相關運算。
在本實施例中,該第一運算模組21包括一個乘加器(Multiplier and accumulator,MAC)211、四個移位暫存器(Shift register)212~215,一輸出多工器216及一多工器217,其中,每一移位暫存器212~215都具有五個暫存器2121~2125、2131~2135、2141~2145、2151~2155以供儲存每一訊框的五個自相關係數,在本實施例中,移位暫存器212用以儲存第一數位訊號之奇訊框的自相關係數r 1, o dd
(0)~r 1, odd
(4)、移位暫存器213用以儲存第一數位訊號x 1
(n
)之偶訊框的自相關係數r 1, even
(0)~r 1, even
(4)、移位暫存器214用以儲存第二數位訊號x 2
(n
)之奇訊框的自相關係數r 2, odd
(0)~r 2, odd
(4)、移位暫存器215用以儲存第二數位訊號x 2
(n
)之偶訊框的自相關係數r 2, even
(0)~r 2, even
(4)。
該乘加器211根據每一訊框之第n
個取樣點x
(n
),與由多工器217所選擇之對應的第n
-k
個取樣點x
(n
-k
)相乘並累加上前一個輸出之r m
(k
)之後,計算出該訊框對應的一自相關係數。
而該乘加器211計算自相關係數的順序為:第一數位訊號x 1
(n
)之奇訊框的第一自相關係數r 1, odd
(0)、第一數位訊號x 1
(n
)之偶訊框的第一自相關係數r 1, e ven
(0)、第二數位訊號x 2
(n
)之奇訊框的第一自相關係數r 2, odd
(0),及第二數位訊號x 2
(n
)之偶訊框的第一自相關係數r 2, even
(0),並將該等第一自相關係數分別儲存至對應的移位暫存器212~215之第一暫存器2121、2131、2141、2151中。然後,再依相同順序計算每一訊框的第二自相關係數r 1, odd
(1)、r 1, even
(1)、r 2, odd
(1)、r 2, eve n
(1),並將先前儲存於對應的移位暫存器212~215之第一暫存器2121、2131、2141、2151內的第一自相關係數,移存至對應的第二暫存器2122、2132、2142、2152中,並將該等第一暫存器2121、2131、2141、2151用以儲存對應的第二自相關係數r 1, odd
(1)、r 1, even
(1)、r 2, odd
(1)、r 2, even
(1),其餘作動關係依此類推。舉例來說,當所有訊框之第一自相關係數r 1, odd
(0)、r 1, even
(0)、r 2, odd
(0)、r 2, even
(0)皆計算完成並儲存於對應的移位暫存器之第一暫存器2121、2131、2141、2151中之後,該乘加器211計算第一數位訊號x 1
(n
)之奇訊框的第二自相關係數r 1, odd
(1),並將第一數位訊號x 1
(n
)之奇訊框的第一自相關係數r 1, odd
(0)移位至移位暫存器212之第二暫存器2122中,然後,將乘加器計算出的第一數位訊號x 1
(n
)之奇訊框的第二自相關係數r 1, odd
(1)儲存至移位暫存器212之第一暫存器2121中。同理,輸出每一自相關係數時,藉由輸出多工器216的控制,依序將移位暫存器212~215之第五暫存器2125、2135、2145、2155內儲存的自相關係數依序輸出。
該第二運算模組22將第一、第二數位訊號x 1
(n
)、x 2
(n
)的自相關函數r x 1
(k
)、r x 2
(k
)分別組合成一自相關函數矩陣如下(F
.6)、(F
.7)所示:
其中,a m
,m
=1,2,3,4皆為自迴歸係數(Autoregressive coefficient),而由a m
所形成的矩陣稱之為自迴歸係數矩陣。
在上述自相關函數矩陣中,任何一條沿左上方至右下方的對角線上的元素都是相同的,換句話說,該等自相關函數矩陣具有常對角(Diagonal-constant)性質。在線性代數學中,已發展出相當多用以解決此種具有常對角性質矩陣的演算法,如:L-D遞迴(Levinson-Durbin recursion)或Schur’s遞迴(Schur’s recursion)等演算法,因此,本發明根據L-D遞迴演算法計算出該自迴歸係數矩陣,該方程式(F
.8)如下所示:
其中,p
為自迴歸係數的遞迴階數,k p
為反射係數(Reflection coefficient),ξ( p -1)
為誤差值,r x
(p
)為一自相關函數,為一自迴歸係數,且p
的初始值為1及ξ(0)
的初始值為r x
(0)。
藉由下面三步驟的反覆遞迴運算,可以計算出上述自迴歸係數矩陣中的每一自迴歸係數值。
步驟(a)執行完方程式(F
.2)之後,設定,及
步驟(b)設定;步驟(c)當p
<p max
時(p max
為最高遞迴階數),則將p
值加一之後,與步驟(a)、(b)中所設定的參數一同重新代入方程式(F
.2)中,以求出下一個反射係數k p
,直到當p
=p max
時表示L-D遞迴演算法結束。
因此,該等自迴歸係數值為:
當該等自迴歸係數值求出之後,接著將利用其求出對應的倒頻譜係數(Cepstrum),計算方式為將方程式(F
.8)經傅利葉轉換(Fourier transform)後形成一如下所示的方程式(F
.10),再取自然對數與反傅利葉轉換運算。
而該方程式(F
.10)的轉移函數H
(z
)為,
因為轉移函數H
(z
)的極點(pole)都在單位圓內,所以該等倒頻譜參數可以經由遞迴計算對應的自動迴歸係數而得到,因此,將方程式(F
.11)取自然對數後得到方程式(F
.12)。
然後將方程式(F
.12)兩邊取微分,則
比較方程式(F
.13)等號兩邊的常數項及不同次方項係數,可以得到如下的方程式(F
.14)~(F
.16):
c 1
=-a 1
.....(F
.14)
其中,c n
即為倒頻譜係數。
根據方程式(F
.14)~(F
.16),可以使用如同方程式(F
.8)的p
階自動迴歸係數矩陣的方法,以求出每一倒頻譜係數,以下將根據本實施例所設計的硬體電路來據以說明如何計算之。
參閱圖6,在本實施例中,該第二運算模組22包括一第一運算電路221及一第二運算電路222,其中該第一運算電路221是用以計算方程式(F
.8)中的反射係數k p
,並將計算出的反射係數k p
輸出至該第二運算電路222中,以計算出該等倒頻譜係數。
該第一運算電路221包括一第一乘加器2211、一第一暫存器2212、一除法器2213、一第二暫存器2214、一第一多工器2215,及一第二多工器2216。
由該第一運算模組21輸出的自相關係數送入該第一乘加器2211中,以運算出方程式(F
.2)中的部份,並將計算結果送至該第一暫存器2212及該第二多工器2216中,然後,該除法器2213根據該第一暫存器2212中的值與一儲存於該第二暫存器2214中的誤差值ξ( p -1)
進行除法運算,以計算出方程式(F
.2)中的反射係數k p
,並將該反射係數k p
送出至該第一多工器2215及該第二運算電路222中。值得一提的是,該第一多工器2215具有二輸入端,其中一輸入端接收該除法器2213的運算結果以更新該反射係數k p
,而另一輸入端電連接於該第一運算模組21之輸出多工器216的輸出,並接收其輸出的第一個自相關係數以作為該反射係數k p
的初始值k 1
;而該第二多工器2216亦具有二輸入端,其中一輸入端接收該第一乘加器2211的運算結果,而另一輸入端電連接於該第一運算模組21之輸出多工器216的輸出,並接收其輸出的第一個自相關係數以作為該第二暫存器2216的初始值。
該第二運算電路222包括一乘法器2221、一第一暫存器組2222、一第一加法器2223、一第二暫存器組2224、一第二乘加器2225、一常數產生器2226、一第三多工器2227、一第四多工器2228、一第三暫存器組2229,及一第五多工器2220。
該乘法器2221根據一前次運算時儲存於該第一暫存器組2222中的自相關係數與該反射係數k p
計算出上述步驟(a)中的部份,然後,將計算結果輸出至該第一加法器2223以與該第一暫存器組2222中對應的自相關係數相加,以得到該步驟(a)中的結果,並將其儲存於該第二暫存器組2224中。值得注意的是,該第三多工器2227及該第四多工器2228分別用以從該第一暫存器組2222中選取對應的自相關係數以輸出至該乘法器2221與該第一加法器2223中。
最後,該第二乘加器2225根據該第二暫存器組2224中對應的自相關係數、一由常數產生器2226所產生的常數(本實施例中該常數為數值1),及一前次運算所回授之前一階自相關係數,計算出該方程式(F
.15)或(F
.16)中所示的倒頻譜參數c n
,並將其儲存於該第三暫存器組2229中,補充說明的是,該第五多工器2220用以從該第三暫存器組2229中選取對應的自相關係數以輸出至該第二乘加器2225中。
回覆參閱圖2,該控制模組23是用以控制該第一運算模組21所計算出的自相關係數輸出至該第二運算模組22的時序,以及控制該第二運算模組22計算出每一倒頻譜參數之後,輸出至該辨識單元3的時序。
該辨識單元3包括:一分類模組31與一訓練模組32。該辨識單元3根據該特徵運算單元2所計算出的倒頻譜參數作為特徵值,並根據每一動作將對應的該等特徵值組合成一對應的特徵向量,因為受測者每一動作皆有對應的四個訊框(左頸部的奇、偶訊框及右頸部的奇、偶訊框),換句話說,該受測者的每一動作都會產生四個對應的特徵值,然後該辨識單元3再根據特徵向量的比對結果以判別受測者目前的動作為何。
此外,在使用本實施例之肌電訊號處理晶片之前,該辨識單元3會根據受測者的動作以執行一訓練模式,因此,在該受測者反覆執行少數幾次動作之後,該特徵運算單元2之控制模組23將控制該受測者每一種不同動作之該等倒頻譜參數輸出並儲存於該訓練模組32中。值得一提的是,在本實施例中,將該受測者的動作分類如下:頭右轉、頭左轉、右肩往上、左肩往上,及雙肩往上等五個動作,因此,在該訓練模式時,該受測者只要依照上述的五個動作分別各執行一次之後,該訓練模組32中即會儲存該受測者分別執行上述五個動作時所對應的五個特徵向量,且其中每一個特徵向量皆包含四個特徵值。
因此,當使用本實施例之肌電訊號處理晶片對受測者進行其動作判別時,該控制模組23將控制該第二運算模組所計算出之特徵值輸出至該分類模組31以進行判別。
參閱圖7,圖中所示為一比對平面,而該比對平面之縱軸為受測者某一動作對應儲存於該訓練模組32中的一特徵向量(以下稱為參考特徵向量),該比對平面之橫軸為目前進行判別受測者的動作之一特徵向量(以下稱為測試特徵向量)。
此外,本實施例中該分類模組31根據動態規劃(dynamic programming)演算法以進行特徵向量的比對動作,如圖7所示,假設有二組特徵向量t和r,且其長度分別為I和J,根據上述的動態規劃演算法,就是要找出一個序列使得為最小值,對應在該比對平面即是找出一條從點(1,1)到點(I
,J
)的路徑使得其動態時間校正(Dynamic time Warping,DTW)值的總和為最小。首先需說明的是,一動態時間校正值定義如下列方程式(F
.17)所示:
DTW i , j
=D
(i
,j
)=|t
(i
)-r
(j
)|+min[D
(i
-1,j
),D
(i
-1,j
-1),D
(i
,j
-1)].....(F
.17)
其中,邊界條件如下方程式組(F
.18)所示:
步驟一是該分類模組31計算該比對平面上一點(i
,j
),i
<I
且j
<J
所對應的參考特徵值與測試特徵值的差diff i , j
;步驟二是該分類模組31根據該點(i
,j
),i
<I
且j
<J
的左方、下方及左下方三點(i
-1,j
)、(i
,j
-1)、(i
-1,j
-1)的動態時間校正值,找出三者之中最小者作為一目標動態時間校正值;步驟三是該分類模組31根據步驟二得到的該目標動態時間校正值與該點(i
,j
)所對應參考特徵值與測試特徵值的差diff i , j
相加總,作為該點(i
,j
)的動態時間校正值;及步驟四是該分類模組31判斷i
及j
是否分別不小於I
及J
,若是,則將點(4,4)的動態時間校正值作為該參考特徵向量與該測試特徵向量的最小距離值;若否,則將點(i
,j
)更新至下一點以重新執行步驟一。
同理,將該測試特徵向量與該訓練模組32中其他四組參考特徵向量繼續作比對,然後得到每一組參考特徵向量與該測試特徵向量的距離值之後,找出該等距離值中最小者,該測試特徵向量所代表受測者的動作就是最接近於該組最小距離值所對應的參考特徵向量,換句話說,該參考特徵向量代表的動作即為該分類模組31判斷出目前受測者的動作。
參閱圖8,在本實施例中,該測試特徵向量每一特徵值與該參考特徵向量每一特徵值之差運算的計算順序如圖所示,因此,由於在動態規劃演算法中,每一點(i
,j
)只需分別找出點(i
-1,j
)、(i
,j
-1)、(i
-1,j
-1)等三點中最小的動態時間校正值,因此,需要點(i
,j
)之前第一、四、五次所計算出的動態時間校正值,因此,參閱圖9,該分類模組31包括:一減法器310、一移位暫存器311、一最小值選擇器312、一第二加法器313、一距離值加總器314,其中該移位暫存器311包括五個第一~第五暫存器3111~3115。
首先該減法器310將依照圖8中的計算順序一一計算出每一點(i
,j
)所對應的參考特徵值與測試特徵值的差diff i , j
,並將其輸入至該第二加法器313中,以計算出該點(i
,j
)的動態時間校正值,然後,該點(i
,j
)的動態時間校正值依時序輸入至該移位暫存器311中,舉例來說,當該第二加法器313計算出該點(2,2)的動態時間校正值DTW 2,2
之後,此時該第一暫存器3111中儲存點(1,2)的動態時間校正值DTW 1,2
、該第二暫存器3112中儲存點(4,1)的動態時間校正值DTW 4,1
、該第三暫存器3113中儲存點(3,1)的動態時間校正值DTW 3,1
、該第四暫存器3114中儲存點(2,1)的動態時間校正值DTW 2,1
,及該第五暫存器3115中儲存點(1,1)的動態時間校正值DTW 1,1
,因此,該第一,四、五暫存器3111、3114、3115中所儲存點(1,2)、點(2,1)、點(1,1)的動態時間校正值DTW 1,2
、DTW 2,1
、DTW 1,1
輸入至該最小值選擇器312中,以決定三者中的最小值並輸出至該第二加法器313中,與點(i
,j
)所對應的參考特徵值與測試特徵值的差diff i , j
相加之後,再將差值總和輸出至該距離值加總器314中,假設在上述的過程中,該最小值選擇器312判斷出點(1,2)的動態時間校正值DTW 1,2
是三者中最小的,則表示欲尋找由點(1,1)到點(4,4)的路徑中第二點即為點(1,2)(第一點為點(1,1)),依此類推,直到計算到點(4,4)的動態時間校正值為止。
綜合上述設計方式,本實施例是以一特殊應用積體電路(Application-specific integrated circuits,ASIC)來實現之,相較於習知技術,藉由這種方式的設計,可以有效將記憶體、混合訊號模型等模組與肌電訊號處理晶片一同整合成一顆晶片,增加應用的方便性,同時,本實施例採用元件基礎(Cell-based)式的方式設計,根據台積電Cell-based design-kit 018 TSMC/Artisan v1.0元件資料庫進行設計之,操作頻率約為20MHz,因為一般肌電訊號的取樣頻率約為2kHz,所以在這樣的設計基礎下,本實施例可以輕易達到即時辨識的要求,未來在其他肌電訊號的應用上仍有相當充裕的處理速度空間可以應用,因此,相當適合應用於大多數殘障人士的輔助系統之中。
藉由本發明之肌電訊號處理晶片,可以有效判別出一受測者的動作屬於上述五個動作中的其中之一,因此,若是該受測者為一頸椎受傷的病患時,該五項動作即可對應到該病人不同的需求上,因此,透過本實施例之肌電訊號處理晶片即可幫助頸椎受傷的病患在不需使用四肢的情況下有效表達其欲執行的動作給外界知道。綜上所述,故確實能達成本發明之目的。
惟以上所述者,僅為本發明之較佳實施例而已,當不能以此限定本發明實施之範圍,即大凡依本發明申請專利範圍及發明說明內容所作之簡單的等效變化與修飾,皆仍屬本發明專利涵蓋之範圍內。
1...訊號處理單元
11...信號轉換模組
111...差動比較器
112...上數/下數計數器
113...數位至類比轉換器
12...儲存模組
2...特徵運算單元
21...第一運算模組
211...乘加器
212...移位暫存器
2121~2125...第一至第五暫存器
213...移位暫存器
2131~2135...第一至第五暫存器
214...移位暫存器
2141~2145...第一至第五暫存器
215...移位暫存器
2151~2155...第一至第五暫存器
216...輸出多工器
217...多工器
22...第二運算模組
221...第一運算電路
2211...第一乘加器
2212...第一暫存器
2213...除法器
2214...第二暫存器
2215...第一多工器
2216...第二多工器
222...第二運算電路
2221...乘法器
2222...第一暫存器組
2223...第一加法器
2224...第二暫存器組
2225...第二乘加器
2226...常數產生器
2227...第三多工器
2228...第四多工器
2229...第三暫存器組
2220...第五多工器
23...控制模組
20...訊框處理模組
3...辨識單元
31...分類模組
311...移位暫存器
3111~3115...第一至第五暫存器
312...最小值選擇器
313...第二加法器
314...最小距離值加總器
310...減法器
32...訓練模組
圖1是肌電訊號量測位置示意圖;
圖2是本發明之較佳實施例之系統方塊圖;
圖3是肌電訊號之訊框示意圖;
圖4是訊號取樣模組之方塊圖;
圖5是第一運算模組之方塊圖;
圖6是第一運算模組之方塊圖;
圖7是比對平面之路徑選取示意圖;
圖8是該分類模組之計算順序示意圖;及
圖9是該分類模組之方塊圖。
1...訊號處理單元
11...信號轉換模組
12...儲存模組
2...特徵運算單元
21...第一運算模組
22...第二運算模組
23...控制模組
20...訊框處理模組
3...辨識單元
31...分類模組
32...訓練模組
Claims (9)
- 一種肌電訊號處理晶片,其是以一特殊應用積體電路方式實現,且適用於根據一外部感測裝置感測一受測者產生的肌電訊號,其包含:一訊號處理單元,接收該等肌電訊號並轉換成對應的數位訊號,且包括一用以將具類比特性的肌電訊號轉換為對應的數位訊號之信號轉換模組,該信號轉換模組包括:一差動比較器,用以取得該等肌電訊號與一回饋電壓的正負變化關係,據此輸出一控制訊號;一上數/下數計數器,根據該控制訊號決定計數的變化方向,以對該肌電訊號進行數位編碼以得到一數位訊號;及一數位至類比轉換器,將該數位訊號轉換為該回饋電壓,並輸出至該差動比較器中;一特徵運算單元,根據該等數位訊號運算出多數個對應的測試特徵值;及一辨識單元,包括一分類模組,根據該等測試特徵值所形成之一測試特徵向量與一組預設的參考特徵向量,計算出對應的距離值,然後根據該等距離值中最小者,判定出該使用者的動作屬於該對應特徵向量所代表的動作。
- 依據申請專利範圍第1項所述之肌電訊號處理晶片,其 中,該特徵運算單元包括一將每一數位訊號分割成多數個訊框的訊框處理模組。
- 依據申請專利範圍第2項所述之肌電訊號處理晶片,其中,該特徵運算單元包括:一第一運算模組,用以計算出每一訊框對應的多數個自相關係數;及一第二運算模組,用以根據該等自相關係數計算出一對應的測試特徵值。
- 依據申請專利範圍第1項所述之肌電訊號處理晶片,其中,該辨識單元更包括一訓練模組,用以儲存該組預設的參考特徵向量。
- 依據申請專利範圍第1項所述之肌電訊號處理晶片,其中,該信號轉換模組是一回饋型類比至數位轉換器。
- 依據申請專利範圍第1項所述之肌電訊號處理晶片,其中,該訊號處理單元更包括一用以儲存該等數位訊號之儲存模組。
- 依據申請專利範圍第1項所述之肌電訊號處理晶片,其中:該分類模組計算一比對平面上一點(i,j)所對應的參考特徵值與測試特徵值的差,該比對平面之縱軸為該受測者某一動作對應的一參考特徵向量,該比對平面之橫軸為目前進行判別受測者的動作之一測試特徵向量,參數i、j分別是該比對平面之橫軸座標及縱軸座標; 該分類模組根據該點(i,j)的左方、下方及左下方三點(i-1,j)、(i,j-1)、(i-1,j-1)的動態時間校正值,找出三者之中最小者作為一目標動態時間校正值,該動態時間校正值如式(一)所示:DTWi,j =D(i,j)=|t(i)-r(j)|+min[D(i-1,j),D(i-1,j-1),D(i-1,j),D(i,j-1)]…式(一)其中,參數t、r分別是二組特徵向量,且邊界條件如式(二)
- 依據申請專利範圍第7項所述之肌電訊號處理晶片,會根據受測者的動作以執行一訓練模式:該特徵運算單元會輸出一相關於受測者每一動作的倒頻譜參數;該辨識單元根據該特徵運算單元所計算出的倒頻譜參數作為特徵值; 該辨識單元將受測者每一動作與對應的該等特徵值組合成一對應的特徵向量,受測者的每一動作都會產生四個對應的特徵值,然後該辨識單元再根據特徵向量的比對結果以判別受測者目前的動作為何;當該受測者反覆執行少數幾次動作之後,該特徵運算單元將該受測者每一種不同動作之該等倒頻譜參數儲存。
- 依據申請專利範圍第8項所述之肌電訊號處理晶片,其中,該受測者的動作分類如下:頭右轉、頭左轉、右肩往上、左肩往上,及雙肩往上等五個動作,在該訓練模式時,該訓練模組即會儲存該受測者分別執行上述五個動作時所對應的五個特徵向量,且其中每一個特徵向量皆包含四個特徵值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW98128366A TWI406149B (zh) | 2009-08-24 | 2009-08-24 | EMG signal processing chip |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW98128366A TWI406149B (zh) | 2009-08-24 | 2009-08-24 | EMG signal processing chip |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201108020A TW201108020A (en) | 2011-03-01 |
TWI406149B true TWI406149B (zh) | 2013-08-21 |
Family
ID=44835491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW98128366A TWI406149B (zh) | 2009-08-24 | 2009-08-24 | EMG signal processing chip |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI406149B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113420715B (zh) * | 2021-07-15 | 2023-03-24 | 临沂大学 | 一种基于工业相机的篮球运动员动作捕捉分析装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200726438A (en) * | 2006-01-13 | 2007-07-16 | Terry B J Kuo | Patch typed wireless apparatus for collecting physiological signals |
US20070270918A1 (en) * | 2004-11-10 | 2007-11-22 | Universite Libre De Bruxelles | Appliance and Method for Measuring an Emg Signal |
US20090209878A1 (en) * | 2006-04-15 | 2009-08-20 | Sanger Terence D | Systems and Methods for Estimating Surface Electromyography |
-
2009
- 2009-08-24 TW TW98128366A patent/TWI406149B/zh not_active IP Right Cessation
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070270918A1 (en) * | 2004-11-10 | 2007-11-22 | Universite Libre De Bruxelles | Appliance and Method for Measuring an Emg Signal |
TW200726438A (en) * | 2006-01-13 | 2007-07-16 | Terry B J Kuo | Patch typed wireless apparatus for collecting physiological signals |
US20090209878A1 (en) * | 2006-04-15 | 2009-08-20 | Sanger Terence D | Systems and Methods for Estimating Surface Electromyography |
Non-Patent Citations (1)
Title |
---|
97年6月由國立成功大學電機工程學系林志隆教授指導研究生李威德先生公開發表「肌電訊號辨識系統之數位晶片實作」碩士論文。 * |
Also Published As
Publication number | Publication date |
---|---|
TW201108020A (en) | 2011-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xie et al. | Multicolumn networks for face recognition | |
CN108804453B (zh) | 一种视音频识别方法及装置 | |
KR101779800B1 (ko) | 기계학습 기반 다면적 성장 평가 방법 및 시스템 | |
CN110705406A (zh) | 基于对抗迁移学习的人脸美丽预测方法及装置 | |
CN109961041B (zh) | 一种视频识别方法、装置及存储介质 | |
CN111597975B (zh) | 人员动作检测方法、装置及电子设备 | |
CN111401106A (zh) | 一种行为识别方法、装置及设备 | |
TWI406149B (zh) | EMG signal processing chip | |
CN114580709B (zh) | 基于Transformer的多模态自相关补偿的时序预测方法 | |
CN115054270A (zh) | 基于gcn提取睡眠频谱图特征的睡眠分期方法及*** | |
CN110288026A (zh) | 一种基于度量关系图学习的图像分割方法及装置 | |
Liu et al. | Frame-based variational Bayesian learning for independent or dependent source separation | |
CN111128131B (zh) | 语音识别方法、装置、电子设备及计算机可读存储介质 | |
Yang et al. | Join and deep ensemble regression of clinical scores for alzheimer’s disease using longitudinal and incomplete data | |
EP4287182A1 (en) | Method and apparatus for training a speech recognition model, electronic device and storage medium | |
Nallathambi et al. | Theory and algorithms for pulse signal processing | |
CN109165586B (zh) | 用于ai芯片的智能图像处理方法 | |
CN106487389A (zh) | 一种基于压缩感知的顺序正交匹配追踪算法 | |
JP2007157112A (ja) | 累積和基盤の変化点分析を利用した虹彩認識方法及びその装置 | |
CN112561050A (zh) | 一种神经网络模型训练方法及装置 | |
CN110138479A (zh) | 极低信噪比环境下基于字典学习的频谱感知方法 | |
Xiao et al. | Criticality and clinical department prediction of ED patients using machine learning based on heterogeneous medical data | |
CN115331153A (zh) | 一种用于辅助前庭康复训练的姿态监测方法 | |
Pan et al. | A hybrid NN-Bayesian architecture for information fusion | |
KR102432854B1 (ko) | 잠재 벡터를 이용하여 군집화를 수행하는 방법 및 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | Annulment or lapse of patent due to non-payment of fees |