亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

基于表面肌電的特征提取方法及系統(tǒng)與流程

文檔序號(hào):11266284閱讀:594來源:國知局
基于表面肌電的特征提取方法及系統(tǒng)與流程

本發(fā)明涉及信號(hào)處理領(lǐng)域,尤其涉及一種基于表面肌電的特征提取方法及系統(tǒng)。



背景技術(shù):

神經(jīng)肌肉疲勞機(jī)理與預(yù)測研究是國內(nèi)外運(yùn)動(dòng)醫(yī)學(xué)研究的熱點(diǎn),同時(shí)也是運(yùn)動(dòng)人體科學(xué)研究的重點(diǎn)。在運(yùn)動(dòng)過程中,由于血液中的供養(yǎng)量,或者營養(yǎng)物質(zhì)缺乏等都會(huì)使肌肉的結(jié)構(gòu)、代謝以及能量等發(fā)生一系列變化,會(huì)使神經(jīng)肌肉系統(tǒng)的效率下降,從而肌肉無法繼續(xù)完成任務(wù),導(dǎo)致肌肉疲勞。肌肉疲勞可能導(dǎo)致肌肉損傷,嚴(yán)重情況下的肌肉疲勞將不可恢復(fù)。肌肉疲勞的研究在人機(jī)工程學(xué)、人機(jī)接口、康復(fù)醫(yī)療、運(yùn)動(dòng)損傷、假肢等領(lǐng)域應(yīng)用前景廣泛。

目前,肌肉疲勞的臨床檢測工具主要有肌電信號(hào)(semg,surfaceelectromyography)、肌音(mmg,mechanomyogram)、聲肌圖(smg,sonomyography)、近紅外光譜(nirs,near-infraredspectroscopy)、聲波描記圖(amg,acousticmyography)、測角傳感器等。其中,利用semg記錄、研究肌肉是勞動(dòng)生理學(xué)中常用的方法,作為一種簡單、無創(chuàng)傷、科定量的研究方法,它可研究局部肌肉疲勞過程中的變化特征,是一種精確檢測工具。

在實(shí)際應(yīng)用中,由于采集的semg信號(hào)序列受各種因素影響會(huì)產(chǎn)生許多噪聲,無法準(zhǔn)確得根據(jù)所采集的semg信號(hào)序列獲取特征,進(jìn)而進(jìn)行檢測。



技術(shù)實(shí)現(xiàn)要素:

本發(fā)明為了克服上述現(xiàn)有技術(shù)存在的缺陷,提供一種基于表面肌電的特征提取方法及系統(tǒng)、基于表面肌電的交互訓(xùn)練系統(tǒng)以及基于表面肌電的康復(fù)度排序方法,來利用所采集semg信號(hào)序列準(zhǔn)確地獲取semg信號(hào)序列的特征。

本發(fā)明提供一種基于表面肌電的特征提取方法,包括:接收semg信號(hào)序列,所述semg信號(hào)序列包括至少一個(gè)活動(dòng)信號(hào)段;根據(jù)所述semg信號(hào)序列的去均值化信號(hào)的tke算子計(jì)算信號(hào)閾值,根據(jù)所述信號(hào)閾值檢測所述semg信號(hào)序列中所述活動(dòng)信號(hào)段的起始時(shí)間;根據(jù)時(shí)間閾值修正所述活動(dòng)信號(hào)段的起始時(shí)間獲得所述活動(dòng)信號(hào)段的起止時(shí)間;根據(jù)所述活動(dòng)信號(hào)段的起止時(shí)間提取所述活動(dòng)信號(hào)段;根據(jù)所述活動(dòng)信號(hào)段,獲取所述semg信號(hào)序列的至少一個(gè)特征。

優(yōu)選地,根據(jù)如下公式計(jì)算所述semg信號(hào)序列的去均值化信號(hào)及所述去均值化信號(hào)的tke算子:

其中,為所述semg信號(hào)序列的去均值化信號(hào),x(n)為所述semg信號(hào)序列的信號(hào),ψ(n)為所述去均值化信號(hào)的tke算子,n為所述semg信號(hào)序列的總長度,m為所述semg信號(hào)序列的背景噪聲長度。

優(yōu)選地,根據(jù)如下公式計(jì)算所述信號(hào)閾值:

th=u0+j·δ0,

其中,μ0為所述semg信號(hào)序列在tke域內(nèi)的背景噪聲均值,δ0為所述semg信號(hào)序列在tke域內(nèi)的背景噪聲標(biāo)準(zhǔn)差用于計(jì)算信號(hào)閾值th,j為大于等于5小于等于30的參數(shù)。

優(yōu)選地,根據(jù)如下公式判斷所述semg信號(hào)序列的信號(hào)是否屬于所述活動(dòng)信號(hào)段:

其中,s(n)表示判斷序列;

根據(jù)如下公式計(jì)算所述活動(dòng)信號(hào)段的起始時(shí)間:

其中,表示所述活動(dòng)信號(hào)段的起始時(shí)間。

優(yōu)選地,根據(jù)時(shí)間閾值修正所述活動(dòng)信號(hào)段的起始時(shí)間獲得所述活動(dòng)信號(hào)段的起止時(shí)間的步驟包括:若相鄰s(n)=1的時(shí)間間隔小于第一時(shí)間閾值,則將該相鄰s(n)=1之間的值全部設(shè)置為1;以及若相鄰s(n)=0的時(shí)間間隔小于第二時(shí)間閾值,則將該相鄰s(n)=0之間的值全部設(shè)置為0。

優(yōu)選地,所述至少一個(gè)特征包括:最大幅值、能量、近似熵、積分肌電值、平均功率頻率、中值頻率中的一個(gè)或多個(gè)。

根據(jù)本發(fā)明的又一方面,還提供一種基于表面肌電的特征提取系統(tǒng),采用如上所述的基于表面肌電的特征提取方法,所述特征提取系統(tǒng)包括:采集裝置,用于采集所述semg信號(hào)序列,所述semg信號(hào)序列包括至少一個(gè)活動(dòng)信號(hào)段;處理器,與所述采集裝置通信,所述處理器包括:接收裝置,用于接收所述semg信號(hào)序列;第一計(jì)算裝置,用于根據(jù)所述semg信號(hào)序列的去均值化信號(hào)的tke算子計(jì)算信號(hào)閾值,并根據(jù)所述信號(hào)閾值檢測所述semg信號(hào)序列中所述活動(dòng)信號(hào)段的起始時(shí)間;修正裝置,用于根據(jù)時(shí)間閾值修正所述活動(dòng)信號(hào)段的起始時(shí)間獲得所述活動(dòng)信號(hào)段的起止時(shí)間;活動(dòng)信號(hào)段提取裝置,用于根據(jù)所述活動(dòng)信號(hào)段的起止時(shí)間提取所述活動(dòng)信號(hào)段;特征提取裝置,用于根據(jù)所述活動(dòng)信號(hào)段,獲取所述semg信號(hào)序列的至少一個(gè)特征。

優(yōu)選地,所述采集裝置為一個(gè)或多個(gè)電極貼片。

根據(jù)本發(fā)明的又一方面,還提供一種基于表面肌電的交互訓(xùn)練系統(tǒng),包括:多個(gè)采集裝置,用于分別采集多個(gè)對象的semg信號(hào)序列,各所述semg信號(hào)序列包括至少一個(gè)活動(dòng)信號(hào)段;至少一個(gè)處理器,包括:提取裝置,采用如上所述的基于表面肌電的特征提取方法提取各所述semg信號(hào)序列的至少一個(gè)特征;互動(dòng)裝置,用于分別向多個(gè)對象提供虛擬情景,并根據(jù)所述提取裝置提取的各所述semg信號(hào)序列的至少一個(gè)特征,在所述虛擬情景中進(jìn)行互動(dòng),所述多個(gè)對象位于同一虛擬情景中。

優(yōu)選地,每個(gè)所述采集裝置采集一個(gè)所述對象的semg信號(hào)序列。

優(yōu)選地,所述多個(gè)采集裝置與一個(gè)所述處理器通信,所述交互訓(xùn)練系統(tǒng)還包括:多個(gè)顯示裝置,與所述處理器通信,分別向多個(gè)所述對象顯示所述虛擬情景。

優(yōu)選地,所述多個(gè)采集裝置、多個(gè)顯示裝置及所述處理器位于同一空間中。

優(yōu)選地,所述多個(gè)采集裝置及所述多個(gè)顯示裝置的一部分位于第一空間,所述多個(gè)采集裝置及所述多個(gè)顯示裝置的另一部分位于第二空間,所述處理器位于所述第一空間、所述第二空間或者所述第三空間。

優(yōu)選地,位于不同空間的多個(gè)所述采集裝置、多個(gè)所述顯示裝置及所述處理器通過無線方式進(jìn)行通信。

優(yōu)選地,所述處理器還包括:角色分配裝置,用于向各所述對象分配不同的角色。

優(yōu)選地,所述互動(dòng)裝置提供多個(gè)虛擬情景,各所述虛擬情景對應(yīng)所述semg信號(hào)序列的一個(gè)或多個(gè)特征。

根據(jù)本發(fā)明的又一方面,還提供一種基于表面肌電的康復(fù)度排序方法,包括:采用如上所述的特征提取方法提取所述semg信號(hào)序列至少一個(gè)特征;將所述至少一個(gè)特征輸入經(jīng)訓(xùn)練的z個(gè)弱回歸模型,z為大于1的整數(shù);根據(jù)所述z個(gè)弱回歸模型的輸出值獲得對應(yīng)所述semg信號(hào)序列的康復(fù)度。

優(yōu)選地,所述z個(gè)弱回歸模型根據(jù)如下方式訓(xùn)練:獲取多個(gè)所述semg信號(hào)序列及對應(yīng)各所述semg信號(hào)序列的已知康復(fù)度;提取多個(gè)所述semg信號(hào)序列的多個(gè)活動(dòng)信號(hào)段;根據(jù)各所述活動(dòng)信號(hào)段提取特征;將所述多個(gè)活動(dòng)信號(hào)段中的q個(gè)活動(dòng)信號(hào)段作為訓(xùn)練集,q為大于1的整數(shù);將所述訓(xùn)練集中各活動(dòng)信號(hào)段的特征作為所述z個(gè)弱回歸模型的輸入;將對應(yīng)各活動(dòng)信號(hào)段所在的所述semg信號(hào)序列的已知康復(fù)度作為所述z個(gè)弱回歸模型的輸出;以及訓(xùn)練所述z個(gè)弱回歸模型。

優(yōu)選地,根據(jù)如下方式測試所述z個(gè)弱回歸模型:將所述多個(gè)活動(dòng)信號(hào)段中的p個(gè)活動(dòng)信號(hào)段作為測試集,p為大于1的整數(shù);將所述測試集中各活動(dòng)信號(hào)段的特征作為經(jīng)訓(xùn)練的所述z個(gè)弱回歸模型的輸入;輸出對應(yīng)各活動(dòng)信號(hào)段所在的所述semg信號(hào)序列的康復(fù)度,將所述康復(fù)度與所述已知康復(fù)度進(jìn)行比對。

優(yōu)選地,根據(jù)所述z個(gè)弱回歸模型的輸出值獲得對應(yīng)所述semg信號(hào)序列的康復(fù)度包括:對所述z個(gè)弱回歸模型的輸出值進(jìn)行加權(quán)平均以得出對應(yīng)所述semg信號(hào)序列的康復(fù)度。

優(yōu)選地,還包括:按所述康復(fù)度對所述semg信號(hào)序列進(jìn)行排序。

根據(jù)本發(fā)明的又一方面,還提供一種基于表面肌電的復(fù)合式交互訓(xùn)練系統(tǒng),包括:多個(gè)采集裝置,用于分別采集多個(gè)對象的semg信號(hào)序列,各所述semg信號(hào)序列包括至少一個(gè)活動(dòng)信號(hào)段;至少一個(gè)處理器,包括:提取裝置,采用如上所述的基于表面肌電的特征提取方法提取各所述semg信號(hào)序列的至少一個(gè)特征;互動(dòng)裝置,用于分別向多個(gè)對象提供虛擬情景,并根據(jù)所述提取裝置提取的各所述semg信號(hào)序列的至少一個(gè)特征,在所述虛擬情景中進(jìn)行互動(dòng),所述多個(gè)對象位于同一虛擬情景中;康復(fù)度計(jì)算裝置,用于將所述提取裝置提取的各所述semg信號(hào)序列的至少一個(gè)特征輸入經(jīng)訓(xùn)練的z個(gè)弱回歸模型,并根據(jù)所述z個(gè)弱回歸模型的輸出值獲得對應(yīng)所述semg信號(hào)序列的康復(fù)度。

優(yōu)選地,還包括:調(diào)整裝置,用于根據(jù)所述康復(fù)度計(jì)算裝置計(jì)算的康復(fù)度調(diào)整所述互動(dòng)裝置提供的虛擬情景。

與現(xiàn)有技術(shù)相比,本發(fā)明具有如下優(yōu)勢:

1)通過semg信號(hào)序列去均值化信號(hào)的tke算子獲取semg信號(hào)序列的活動(dòng)段,以此表示采集對象的運(yùn)動(dòng)段,進(jìn)而準(zhǔn)確地去除非運(yùn)動(dòng)段的semg信號(hào)序列,獲得準(zhǔn)確表示對象運(yùn)動(dòng)的semg信號(hào)序列,進(jìn)而從semg信號(hào)序列中提取準(zhǔn)確表示對象運(yùn)動(dòng)參數(shù)的特征;

2)提供基于表面肌電的交互訓(xùn)練系統(tǒng),根據(jù)表示對象運(yùn)動(dòng)參數(shù)的semg信號(hào)序列特征,提供虛擬情景下的交互訓(xùn)練,并且支持多對象遠(yuǎn)程或非遠(yuǎn)程在同一虛擬情景下的交互訓(xùn)練;

3)提供基于表面肌電的康復(fù)度排序系統(tǒng),將表示對象運(yùn)動(dòng)參數(shù)的semg信號(hào)序列特征輸入經(jīng)訓(xùn)練的弱回歸模型,可以自動(dòng)輸出準(zhǔn)確的對象康復(fù)度;

4)結(jié)合上述交互訓(xùn)練系統(tǒng)及康復(fù)度計(jì)算,通過康復(fù)度計(jì)算結(jié)果控制交互訓(xùn)練系統(tǒng)所提供的情景,進(jìn)而能夠提供適合對象當(dāng)前康復(fù)度的交互訓(xùn)練。

附圖說明

通過參照附圖詳細(xì)描述其示例實(shí)施方式,本發(fā)明的上述和其它特征及優(yōu)點(diǎn)將變得更加明顯。

圖1示出了根據(jù)本發(fā)明實(shí)施例的基于表面肌電的特征提取方法的流程圖。

圖2示出了根據(jù)本發(fā)明實(shí)施例的初始semg信號(hào)序列的波形圖。

圖3示出了根據(jù)對于圖2中部分semg信號(hào)序列的活動(dòng)信號(hào)段獲取的過程。

圖4示出了根據(jù)本發(fā)明實(shí)施例的semg信號(hào)序列提取活動(dòng)信號(hào)段后的波形圖。

圖5示出了根據(jù)本發(fā)明實(shí)施例的基于表面肌電的特征提取系統(tǒng)的示意圖。

圖6示出了根據(jù)本發(fā)明一個(gè)實(shí)施例的基于表面肌電的交互訓(xùn)練系統(tǒng)的示意圖。

圖7示出了根據(jù)本發(fā)明另一個(gè)實(shí)施例的基于表面肌電的交互訓(xùn)練系統(tǒng)的示意圖。

圖8示出了根據(jù)本發(fā)明實(shí)施例的基于表面肌電的交互訓(xùn)練的流程圖。

圖9示出了根據(jù)本發(fā)明實(shí)施例的semg信號(hào)序列的波形圖。

圖10示出了根據(jù)本發(fā)明實(shí)施例的semg信號(hào)序列的波形圖。

圖11示出了根據(jù)本發(fā)明實(shí)施例的基于表面肌電的康復(fù)度排序方法的流程圖。

圖12示出了根據(jù)本發(fā)明實(shí)施例的訓(xùn)練弱回歸模型的流程圖。

圖13示出了根據(jù)本發(fā)明實(shí)施例的弱回歸模型的示意圖。

圖14示出了根據(jù)本發(fā)明實(shí)施例的測試弱回歸模型的流程圖。

圖15示出了根據(jù)本發(fā)明實(shí)施例的基于表面肌電的康復(fù)度排序方法的流程圖。

圖16示出了根據(jù)本發(fā)明再一實(shí)施例的基于表面肌電的交互訓(xùn)練系統(tǒng)的示意圖。

具體實(shí)施方式

現(xiàn)在將參考附圖更全面地描述示例實(shí)施方式。然而,示例實(shí)施方式能夠以多種形式實(shí)施,且不應(yīng)被理解為限于在此闡述的實(shí)施方式;相反,提供這些實(shí)施方式使得本發(fā)明將全面和完整,并將示例實(shí)施方式的構(gòu)思全面地傳達(dá)給本領(lǐng)域的技術(shù)人員。在圖中相同的附圖標(biāo)記表示相同或類似的結(jié)構(gòu),因而將省略對它們的重復(fù)描述。

所描述的特征、結(jié)構(gòu)或特性可以以任何合適的方式結(jié)合在一個(gè)或更多實(shí)施方式中。在下面的描述中,提供許多具體細(xì)節(jié)從而給出對本發(fā)明的實(shí)施方式的充分理解。然而,本領(lǐng)域技術(shù)人員應(yīng)意識(shí)到,沒有特定細(xì)節(jié)中的一個(gè)或更多,或者采用其它的方法、組元、材料等,也可以實(shí)踐本發(fā)明的技術(shù)方案。在某些情況下,不詳細(xì)示出或描述公知結(jié)構(gòu)、材料或者操作以避免模糊本發(fā)明。

本發(fā)明的附圖僅用于示意相對位置關(guān)系,附圖中元件的大小并不代表實(shí)際大小的比例關(guān)系。

為了解決現(xiàn)有技術(shù)的問題,本發(fā)明提供一種基于表面肌電的特征提取方法。首先參見圖1,圖1示出了根據(jù)本發(fā)明實(shí)施例的基于表面肌電的特征提取方法的流程圖。在圖1中,供示出5個(gè)步驟:

s110:接收semg信號(hào)序列,semg信號(hào)序列包括至少一個(gè)活動(dòng)信號(hào)段。

具體而言,semg信號(hào)序列利用諸如電極貼片的采集裝置獲取。在另一些實(shí)施例中,semg信號(hào)序列通過采集裝置獲取后,儲(chǔ)存在儲(chǔ)存裝置中,當(dāng)進(jìn)行特征提取時(shí),從儲(chǔ)存裝置中獲取semg信號(hào)序列。

所采集的semg信號(hào)序列的波形圖如圖2所示。一段semg信號(hào)序列可以表示所采集對象一段時(shí)間的運(yùn)動(dòng)。對象在一段時(shí)間內(nèi)的運(yùn)動(dòng)通常會(huì)包括至少一個(gè)動(dòng)作。當(dāng)有多個(gè)重復(fù)動(dòng)作時(shí),動(dòng)作之間會(huì)有停頓。因此,表示對象運(yùn)動(dòng)的semg信號(hào)序列會(huì)包括至少一個(gè)活動(dòng)信號(hào)段。每個(gè)活動(dòng)信號(hào)段表示對象的一次動(dòng)作。

在semg信號(hào)序列采集時(shí),當(dāng)對象不做動(dòng)作時(shí),也會(huì)有噪聲產(chǎn)生。為了更準(zhǔn)確地提取semg信號(hào)序列的特征,需要提取semg信號(hào)序列中的活動(dòng)信號(hào)段以去除對象不做動(dòng)作的噪聲。執(zhí)行下述步驟以進(jìn)行活動(dòng)信號(hào)段的提取。

s120:根據(jù)所述semg信號(hào)序列的去均值化信號(hào)的tke算子計(jì)算信號(hào)閾值,根據(jù)所述信號(hào)閾值檢測所述semg信號(hào)序列中所述活動(dòng)信號(hào)段的起始時(shí)間。對于tke算子,其前身te算子(teagerenergyoperator)最早由teager于1983年提出,針對當(dāng)時(shí)基于線性理論的語音模型,用實(shí)驗(yàn)驗(yàn)證了語音信號(hào)中包含非線性過程。在1990年,kaiser在te算子的基礎(chǔ)上導(dǎo)出tke算子來計(jì)算離散時(shí)間域和連續(xù)時(shí)間的音頻信號(hào)的能量。tke算子主要用來檢測信號(hào)的起止點(diǎn)。

具體而言,根據(jù)如下公式計(jì)算semg信號(hào)序列的去均值化信號(hào)及去均值化信號(hào)的tke算子:

其中,為semg信號(hào)序列的去均值化信號(hào),x(n)為semg信號(hào)序列的信號(hào),ψ(n)為去均值化信號(hào)的tke算子,n為所述semg信號(hào)序列的總長度(此處長度為采樣時(shí)間乘以采樣率,比如采樣率為100hz,采樣時(shí)間為3秒,那么總長度就是300),m為semg信號(hào)序列的背景噪聲長度(通常選擇肌肉活動(dòng)發(fā)起前450-500ms的時(shí)間內(nèi)的semg信號(hào)作為背景噪聲)。

然后,根據(jù)如下公式計(jì)算信號(hào)閾值:

th=u0+j·δ0,

其中,μ0為semg信號(hào)序列在tke域內(nèi)的背景噪聲均值,δ0為semg信號(hào)序列在tke域內(nèi)的背景噪聲標(biāo)準(zhǔn)差用于計(jì)算信號(hào)閾值th,j為大于等于5小于等于30的參數(shù)。

接下來,根據(jù)如下公式判斷semg信號(hào)序列的信號(hào)是否屬于活動(dòng)信號(hào)段,也就是判斷semg信號(hào)序列的信號(hào)是否表示對象正在進(jìn)行動(dòng)作:

其中,s(n)表示判斷序列,s(n)=1表示n處semg信號(hào)序列的信號(hào)屬于活動(dòng)信號(hào)段,s(n)=0表示n處semg信號(hào)序列的信號(hào)不屬于活動(dòng)信號(hào)段,換言之,s(n)=1表示n處對象正在進(jìn)行動(dòng)作,s(n)=0表示n處對象不進(jìn)行動(dòng)作。

之后,根據(jù)如下公式計(jì)算活動(dòng)信號(hào)段的起始時(shí)間:

其中,表示活動(dòng)信號(hào)段的起始時(shí)間。

具體可參見圖3,圖3中最上方第一個(gè)波形圖示出圖2的semg信號(hào)序列中圈出的部分信號(hào)序列。對該部分的semg信號(hào)序列執(zhí)行步驟s120后,可得到圖3上第二個(gè)波形圖。第二個(gè)波形圖表示對應(yīng)于圖3中第一個(gè)波形圖示出的semg信號(hào)序列的判斷序列s(n)。

s130:根據(jù)時(shí)間閾值修正活動(dòng)信號(hào)段的起始時(shí)間獲得活動(dòng)信號(hào)段的起止時(shí)間。

由于semg信號(hào)序列中包含的噪聲比較多,有可能將正常的肌肉活動(dòng)中信號(hào)的起伏誤判為無肌肉活動(dòng)發(fā)生,即將正常的肌肉活動(dòng)誤判為s(n)=0;同時(shí),也有可能將未活動(dòng)時(shí)的尖峰噪聲誤判為肌肉活動(dòng),即將未活動(dòng)誤判為s(n)=1。為了實(shí)現(xiàn)對一次持續(xù)的肌肉活動(dòng)的準(zhǔn)確判斷,需要對判斷s(n)序列中的“0”和“1”進(jìn)行一些合并與剔除處理。

具體而言,該通過如下兩個(gè)步驟進(jìn)行處理:

若相鄰s(n)=1的時(shí)間間隔小于第一時(shí)間閾值(例如300ms),則將該相鄰s(n)=1之間的值全部設(shè)置為1。例如,圖3中第二個(gè)波形圖中,s(n)=1的時(shí)間間隔ta小于第一時(shí)間閾值,則將時(shí)間間隔ta內(nèi)的所有s(n)的值設(shè)置為1。按該步驟執(zhí)行后,可參見圖3中第三個(gè)波形圖。通過該步驟,避免對肌肉活動(dòng)過程中的semg信號(hào)序列起伏的無活動(dòng)誤判。

若相鄰s(n)=0的時(shí)間間隔小于第二時(shí)間閾值(例如100ms),則將該相鄰s(n)=0之間的值全部設(shè)置為0。例如,圖3中第三個(gè)波形圖中,s(n)=0的時(shí)間間隔tb小于第二時(shí)間閾值,則將時(shí)間間隔tb內(nèi)的所有s(n)的值設(shè)置為0。按該步驟執(zhí)行后,可參見圖3中第四個(gè)波形圖。過該步驟,消除semg信號(hào)序列的尖峰噪聲的肌肉活動(dòng)誤判。

s140:根據(jù)所述活動(dòng)信號(hào)段的起止時(shí)間提取所述活動(dòng)信號(hào)段。

經(jīng)上述步驟s130后可獲得對應(yīng)整個(gè)semg信號(hào)序列的判斷序列s(n)的波形圖,參見圖4上一個(gè)波形圖。根據(jù)判斷序列s(n)的取值,保留對應(yīng)s(n)=1的semg信號(hào)序列,去除對應(yīng)s(n)=0的semg信號(hào)序列。以獲得semg信號(hào)序列的活動(dòng)信號(hào)段。

s150:根據(jù)活動(dòng)信號(hào)段,獲取semg信號(hào)序列的至少一個(gè)特征。

為了準(zhǔn)確、全面的反應(yīng)肌肉的活動(dòng)功能狀態(tài),減少信息的冗余,則需要對semg信號(hào)序列進(jìn)行特征提取??梢蕴崛〉奶卣靼ㄗ畲蠓?、能量、近似熵、積分肌電值、平均功率頻率、中值頻率中的一個(gè)或多個(gè)。

具體而言,最大幅值(amp)可以根據(jù)如下公式提?。?/p>

amp=max(xi)(i=1,2,...,n),

其中,n表示semg信號(hào)序列的長度,xi表示semg信號(hào)序列長度i處的信號(hào)值。

能量(e)可以根據(jù)如下公式計(jì)算:

其中,n表示semg信號(hào)序列的長度,xi表示semg信號(hào)序列長度i處的信號(hào)值。

近似熵(approximationentropy,apen)是一個(gè)用來定量描述信號(hào)序列(時(shí)間序列)復(fù)雜性的非線性動(dòng)力學(xué)參數(shù)。它用一個(gè)非負(fù)數(shù)來表示時(shí)間序列的復(fù)雜性,與不規(guī)則的時(shí)間序列對應(yīng)的近似熵越大。近似熵的計(jì)算步驟如下:

(1)按順序重構(gòu)m維相空間:

x(i)=[x(i),x(i+1),...,x(i+m-1)],

其中,x(i)為m維相空間向量,x(i)表示semg信號(hào)序列長度i處的信號(hào)值,1≤i≤n-m+1,m為5至30之間的整數(shù)。

(2)計(jì)算向量x(i)和x(j)之間的距離dij:

dij=max|x(i+k)-x(j+k)|,

其中,0≤k≤m-1,1≤i,j≤n-m+1。

(3)選定相似容限r(nóng)>0,對每個(gè)x(i),統(tǒng)計(jì)距離dij≤r的數(shù)目,并計(jì)算該數(shù)目與向量總數(shù)的比值

(4)將比值取對數(shù),然后求其對于所有i的平均值φm(r):

(5)將維數(shù)m增加1,重復(fù)上述步驟(1)至(4),求得和φm+1(r)。

(6)近似熵apen根據(jù)如下公式計(jì)算:

(7)若n為有限值,則近似熵apen由統(tǒng)計(jì)值估計(jì)得到,即:

apen(m,r,n)=φm(r)-φm+1(r)。

除了最大幅值、能量、近似熵等特征外,還可以提取積分肌電值(iemg)、平均功率頻率(mpf)和中值頻率(mf)等特征。

積分肌電值iemg可以表征肌肉活動(dòng)過程中產(chǎn)生的力量大小,按如下公式計(jì)算:

其中,x(i)(i=0,1,2,…,n)為長度為n的一個(gè)活動(dòng)信號(hào)段內(nèi)的semg信號(hào)序列。

中值頻率(mf)和平均功率頻率(mpf)可以表征肌肉收縮過程中的疲勞狀況,隨著肌肉疲勞的發(fā)生發(fā)展,二者呈下降趨勢。

中值頻率fmf按如下公式計(jì)算:

平均功率頻率fmean按如下公式計(jì)算:

其中,請?zhí)峁┥鲜鰞蓚€(gè)公式中,各符號(hào)的含義。

按上述步驟s110至步驟s150可以準(zhǔn)確地根據(jù)活動(dòng)信號(hào)段提取semg信號(hào)序列的至少一個(gè)特征。

對應(yīng)上述特征提取方法,本發(fā)明還提供一種特征提取系統(tǒng),參見圖5。圖5示出了根據(jù)本發(fā)明實(shí)施例的基于表面肌電的特征提取系統(tǒng)的示意圖。圖5所示的特征提取系統(tǒng)中,包括采集裝置210及處理器220。采集裝置210優(yōu)選地為采集對象肌肉活動(dòng)信息的電極貼片。采集裝置210用于采集semg信號(hào)序列。semg信號(hào)序列包括表示對象進(jìn)行動(dòng)作的至少一個(gè)活動(dòng)信號(hào)段。

處理器220與采集裝置210通信。優(yōu)選地,處理器220通過有線連接的方式與采集裝置210通信,在一些變化例中,處理器220也可以通過無線的方式與采集裝置210通信??刹捎玫臒o線通信技術(shù)包括但不限于藍(lán)牙、zigbee、局域網(wǎng)、互聯(lián)網(wǎng)、rfid等。

處理器220包括接收裝置221、第一計(jì)算裝置222、修正裝置223、活動(dòng)信號(hào)段提取裝置224及特征提取裝置225。

接收裝置221與采集裝置210通信,并用于接收semg信號(hào)序列。第一計(jì)算裝置222根據(jù)接收裝置221接收的semg信號(hào)序列,進(jìn)行計(jì)算。第一計(jì)算裝置222執(zhí)行圖1所示步驟s120。也就是說第一計(jì)算裝置222用于根據(jù)semg信號(hào)序列的去均值化信號(hào)的tke算子計(jì)算信號(hào)閾值,并根據(jù)信號(hào)閾值檢測semg信號(hào)序列中活動(dòng)信號(hào)段的起始時(shí)間。修正裝置223根據(jù)第一計(jì)算裝置222所計(jì)算的活動(dòng)信號(hào)段的起始時(shí)間修正活動(dòng)信號(hào)段的起止時(shí)間。修正裝置223執(zhí)行圖1所示步驟s130。也就是說修正裝置223用于依據(jù)時(shí)間閾值修正活動(dòng)信號(hào)段的起始時(shí)間獲得活動(dòng)信號(hào)段的起止時(shí)間?;顒?dòng)信號(hào)段提取裝置224執(zhí)行圖1所示的步驟s140,用于根據(jù)修正裝置223修正的活動(dòng)信號(hào)段的起止時(shí)間提取活動(dòng)信號(hào)段。特征提取裝置225執(zhí)行圖1所示的步驟s150,用于根據(jù)活動(dòng)信號(hào)段提取裝置224提取的活動(dòng)信號(hào)段,獲取semg信號(hào)序列的至少一個(gè)特征。

圖5僅僅示出處理器220的部分裝置,在一些變化例中,處理器220還可以包括執(zhí)行其他功能的裝置。另外,圖5中處理器各裝置可以是獨(dú)立的裝置,或者集成在同一個(gè)裝置中,本領(lǐng)域技術(shù)人員可以實(shí)現(xiàn)不同的變化例,在此不予贅述。

本發(fā)明還提一種基于表面肌電的交互訓(xùn)練系統(tǒng),參見圖6和圖7。圖6和圖7示出本發(fā)明提供的基于表面肌電的交互訓(xùn)練系統(tǒng)的兩個(gè)實(shí)施例。

首先參見圖6,圖6示出本發(fā)明第一實(shí)施例的基于表面肌電的交互訓(xùn)練系統(tǒng)300。交互訓(xùn)練系統(tǒng)300包括采集裝置310及處理器320。

采集裝置310優(yōu)選地為采集對象肌肉活動(dòng)信息的電極貼片,用于采集某個(gè)對象的semg信號(hào)序列??蛇x地,采集裝置310集成在一個(gè)康復(fù)訓(xùn)練設(shè)備上。處理器320與采集裝置310通訊。優(yōu)選地,處理器320可以通過內(nèi)置或外設(shè)的接收裝置接收采集裝置310采集的semg信號(hào)序列。

處理器320包括提取裝置321及互動(dòng)裝置322。提取裝置321采用圖1所示的特征提取方法提取所述semg信號(hào)序列的至少一個(gè)特征?;?dòng)裝置322用于向?qū)ο筇峁┨摂M情景,并根據(jù)提取裝置提取的semg信號(hào)序列的至少一個(gè)特征,在虛擬情景中進(jìn)行互動(dòng)。

然后參見圖7,圖7示出本發(fā)明第二實(shí)施例的基于表面肌電的交互訓(xùn)練系統(tǒng)400。交互訓(xùn)練系統(tǒng)400包括多個(gè)采集裝置(包括采集裝置410a、410b及410c)、多個(gè)顯示裝置(包括顯示裝置430a、430b及430c)及處理器420。

多個(gè)采集裝置用于分別采集多個(gè)對象的semg信號(hào)序列。各采集裝置與一個(gè)顯示裝置對應(yīng)。例如,采集裝置410a對應(yīng)顯示裝置430a;采集裝置410b對應(yīng)顯示裝置430b;采集裝置410c對應(yīng)顯示裝置430c。換言之,對于每個(gè)對象,一個(gè)采集裝置采集該對象的semg信號(hào)序列,一個(gè)顯示裝置向該對象顯示圖像。優(yōu)選地,對應(yīng)的采集裝置及顯示裝置集成在一個(gè)康復(fù)訓(xùn)練設(shè)備上。處理器420分別與多個(gè)采集裝置通訊。優(yōu)選地,處理器420可以通過內(nèi)置或外設(shè)的接收裝置接收采集裝置采集的semg信號(hào)序列。

處理器420包括提取裝置421、角色分配裝置422及互動(dòng)裝置323。提取裝置421采用圖1所示的特征提取方法提取所述semg信號(hào)序列的至少一個(gè)特征。角色分配裝置422根據(jù)不同的采集裝置或者不同的semg信號(hào)序列的特征向?qū)ο蠓峙洳煌慕巧??;?dòng)裝置423與顯示裝置進(jìn)行通信,并通過顯示裝置向?qū)ο筇峁┨摂M情景,并根據(jù)提取裝置提取的semg信號(hào)序列的至少一個(gè)特征,在虛擬情景中進(jìn)行互動(dòng),多個(gè)對象以不同的角色在同一虛擬情景中進(jìn)行互動(dòng)。

在第二實(shí)施例中,多個(gè)采集裝置、多個(gè)顯示裝置及處理器位于同一空間中。在這樣的實(shí)施例中,采集裝置、顯示裝置及處理器可以通過近距離無線連接或有線連接的方式進(jìn)行通信。

在第二實(shí)施例的一個(gè)變化例中,采集裝置410a和顯示裝置430a位于第一空間中;采集裝置410b和顯示裝置430b位于第二空間中;采集裝置410c和顯示裝置430c位于第三空間中。而處理器可以位于上述第一空間、第二空間、第三空間或者不同于上述任一空間的第四空間中。上述第一空間、第二空間、第三空間及第四空間為不同的空間。采集裝置、顯示裝置及處理器可以通過諸如互聯(lián)網(wǎng)等遠(yuǎn)距離無線連接的方式進(jìn)行通信。

上述圖6及圖7僅僅示意性地示出基于表面肌電的交互訓(xùn)練系統(tǒng)的示意圖,本領(lǐng)域技術(shù)人員還可以實(shí)現(xiàn)更多的變化例,例如,采集裝置的數(shù)量、顯示裝置的數(shù)量、每個(gè)對象所需的采集裝置的數(shù)量、處理器中的其他元件等。這些變化都在本發(fā)明的保護(hù)范圍內(nèi)。

具體而言,本發(fā)明提供的互動(dòng)訓(xùn)練的流程圖可以參見圖8。圖8共示出4個(gè)步驟:

首先是步驟s510,采集裝置采集多個(gè)對象的semg信號(hào)序列。例如,采集獲得semg1、semg2、...、semgn。采集獲得的多個(gè)semg信號(hào)序列semg1、semg2、...、semgn通過步驟s520進(jìn)行預(yù)處理,預(yù)處理包括但不限于活動(dòng)信號(hào)段的提取、去噪、平滑等信號(hào)處理。預(yù)處理后,執(zhí)行步驟s530,步驟s530與步驟s150類似,根據(jù)處理后的semg信號(hào)序列進(jìn)行特征提取。之后執(zhí)行步驟,s540對于不同的對象分配不同的角色,并進(jìn)行虛擬情景交互。例如,向semg1的對象分配角色1;向semg2的對象分配角色2;向semgn的對象分配角色n。多個(gè)角色在同一虛擬情景中進(jìn)行交互。

進(jìn)一步地,基于表面肌電的交互訓(xùn)練系統(tǒng)的互動(dòng)裝置可以提供多個(gè)虛擬情景,各虛擬情景對應(yīng)semg信號(hào)序列的一個(gè)或多個(gè)特征。

以打氣球?yàn)槔僭O(shè)虛擬情中有多個(gè)虛擬角色(虛擬手臂),同時(shí)有多個(gè)飄在空中的氣球,氣球的高度各不相同,對應(yīng)的打破氣球的分值也不同。電極貼片貼附在對象手臂上,對象通過側(cè)抬手臂的高度來實(shí)現(xiàn)擊打氣球,目標(biāo)是在規(guī)定的時(shí)間(譬如一分鐘內(nèi))比賽,來比較獲得分?jǐn)?shù)的高低(分?jǐn)?shù)=擊打氣球的個(gè)數(shù)×每個(gè)氣球?qū)?yīng)的分值)。

某次實(shí)驗(yàn)中,兩名對象完成側(cè)抬手臂動(dòng)作時(shí)的semg信號(hào)序列如圖9和如10所示。從圖9中可以直觀地看出,該對象的semg信號(hào)序列最大幅值約為100uv左右,而圖10中對象的semg信號(hào)最大幅值可達(dá)250-300uv。因此,可以通過最大幅值這個(gè)特征來控制虛擬情景中不同高度的氣球是否被擊破。

本發(fā)明還提供一種基于表面肌電的康復(fù)度排序方法,參見圖11。圖11示出了根據(jù)本發(fā)明實(shí)施例的基于表面肌電的康復(fù)度排序方法的流程圖。在圖11中共示出3個(gè)步驟:

步驟s610:采用如圖1所示的特征提取方法提取semg信號(hào)序列的至少一個(gè)特征。

步驟s620:將semg信號(hào)序列的至少一個(gè)特征輸入經(jīng)訓(xùn)練的z個(gè)弱回歸模型。z可以是5至100之間的整數(shù)。具體而言,該z個(gè)弱回歸模型是基于隨機(jī)森林算法的極限學(xué)習(xí)機(jī)來建立的。

步驟s630:根據(jù)所述z個(gè)弱回歸模型的輸出值獲得對應(yīng)semg信號(hào)序列的康復(fù)度。具體而言,由于z個(gè)弱回歸模型輸出多個(gè)康復(fù)度,因此需要對對所述z個(gè)弱回歸模型的輸出值進(jìn)行加權(quán)平均以得出對應(yīng)所述semg信號(hào)序列的康復(fù)度。

步驟s630之后還可以包括根據(jù)康復(fù)度對semg信號(hào)序列進(jìn)行排序的步驟。

具體而言,上述z個(gè)弱回歸模型根據(jù)如圖12所示的方式訓(xùn)練:

步驟s601:獲取多個(gè)semg信號(hào)序列及對應(yīng)各semg信號(hào)序列的已知康復(fù)度。

具體而言,上述已知康復(fù)度是醫(yī)生根據(jù)患者(對象)運(yùn)動(dòng)情況判定的康復(fù)度。對應(yīng)于一個(gè)對象,其semg信號(hào)序列對應(yīng)一個(gè)已知康復(fù)度。

步驟s602:提取多個(gè)semg信號(hào)序列的多個(gè)活動(dòng)信號(hào)段。

可以依照圖1所示步驟s120至步驟s140提取活動(dòng)信號(hào)段。

步驟s603:根據(jù)各活動(dòng)信號(hào)段提取特征。

可以提取的特征包括最大幅值、能量、近似熵、積分肌電值、平均功率頻率、中值頻率中的一個(gè)或多個(gè)。

步驟s604:將多個(gè)活動(dòng)信號(hào)段中的q個(gè)活動(dòng)信號(hào)段作為訓(xùn)練集,q小于等于活動(dòng)信號(hào)段的總數(shù)。一般而言,q可以是50至1000之間的整數(shù)。

步驟s605:將訓(xùn)練集中各活動(dòng)信號(hào)段的特征作為z個(gè)弱回歸模型的輸入。

步驟s606:將對應(yīng)各活動(dòng)信號(hào)段所在的semg信號(hào)序列的已知康復(fù)度作為z個(gè)弱回歸模型的輸出。

步驟s607:訓(xùn)練z個(gè)弱回歸模型。

一個(gè)弱回歸模型的訓(xùn)練可以參見圖13。

假設(shè)輸入層710與隱含層730、隱含層730與輸出層750的神經(jīng)元720、731、740之間采用全連接的方式。假設(shè)輸入層710有d個(gè)神經(jīng)元,對應(yīng)d個(gè)輸入變量(也就是輸入的特征的數(shù)量),隱含層730有r個(gè)神經(jīng)元,輸出層750有e個(gè)神經(jīng)元740,對應(yīng)e個(gè)輸出變量(在本實(shí)施例中,e=1,對應(yīng)一個(gè)semg信號(hào)序列的d個(gè)特征輸出一個(gè)康復(fù)度)。不失一般性,假設(shè)輸入層710和隱含層730之間的連接權(quán)值w為:

其中,w為r行d列的矩陣,wji表示輸入層710第i個(gè)神經(jīng)元720與隱含層730第j個(gè)神經(jīng)元731間的連接權(quán)值,i為1至d之間的整數(shù),j為1至r之間的整數(shù)。

假設(shè)隱含層730與輸出層之間的連接權(quán)值β為:

其中,β為r行e列的矩陣,βjk表示隱含層730第j個(gè)神經(jīng)元731與輸出層750第k個(gè)神經(jīng)元740間的連接權(quán)值,k為1至e之間的整數(shù)。

假設(shè)隱含層神經(jīng)元731的閾值b為:

其中,b為r行1列的矩陣。

假設(shè)訓(xùn)練集中共有q個(gè)活動(dòng)信號(hào)段(q個(gè)樣本),則輸入矩陣x和輸出矩陣y分別為:

其中,x為d行q列的輸入矩陣,y為e行q列的輸出矩陣。

假設(shè)隱含層神經(jīng)元的激活函數(shù)為g(x),激活函數(shù)用于傳遞信號(hào),則根據(jù)圖13可得,輸出層神經(jīng)元的輸出y為:

y=[y1,y2,...,yq],

其中,y為e行q列的矩陣,

其中,wj=[wj1,wj2,...,wjd],xl=[x1l,x2l,...,xdl]t,此處上標(biāo)t表示轉(zhuǎn)置矩陣。

上式可表示為:

hβ=y(tǒng)’,

其中,y’為矩陣y的轉(zhuǎn)置矩陣,h稱為神經(jīng)網(wǎng)絡(luò)的隱含層的輸出矩陣(隱含層的輸出矩陣指的是隱含層各個(gè)神經(jīng)元的輸出所拼接在一起形成的矩陣,隱含層輸出矩陣與β相乘,即可得到輸出層神經(jīng)元的輸出),具體可表示為:

當(dāng)激活函數(shù)g(x)無限可微時(shí),slfn的參數(shù)(slfn的參數(shù)指的是輸入層與隱含層神經(jīng)元之間的連接權(quán)值、隱含層神經(jīng)元的閾值、隱含層與輸出層神經(jīng)元之間的連接權(quán)值)并不需要全部進(jìn)行調(diào)整,w和b在訓(xùn)練前可以隨機(jī)選擇,且在訓(xùn)練過程中保持不變。而隱含層730和輸出層750間的連接權(quán)值β可以通過求解方程組的最小二乘解來獲得,其解為:其中,h+為隱含層730的輸出矩陣h的moore-penrose廣義逆。

結(jié)合圖13,按照上述方式可以訓(xùn)練如圖13所示的一個(gè)弱回歸模型,相應(yīng)的可以利用相同的方式訓(xùn)練z個(gè)弱回歸模型。

在基于表面肌電的康復(fù)度排序方法的一個(gè)變化例中,訓(xùn)練z個(gè)弱回歸模型后,還包括測試測試z個(gè)弱回歸模型的步驟,具體參考圖14:

步驟s611:將步驟s603中提取的多個(gè)活動(dòng)信號(hào)段中的p個(gè)活動(dòng)信號(hào)段作為測試集。優(yōu)選地,p為活動(dòng)信號(hào)段的總數(shù)減去q。例如,p可以是10至200之間的整數(shù)。

步驟s612:將測試集中各活動(dòng)信號(hào)段的特征作為經(jīng)訓(xùn)練的z個(gè)弱回歸模型的輸入。

步驟s613:輸出對應(yīng)各活動(dòng)信號(hào)段所在的semg信號(hào)序列的康復(fù)度,將康復(fù)度與已知康復(fù)度進(jìn)行比對。若同一semg信號(hào)序列的z個(gè)弱回歸模型輸出的康復(fù)度與已知康復(fù)度接近,則可以判定z個(gè)弱回歸模型完成訓(xùn)練,若同一semg信號(hào)序列的z個(gè)弱回歸模型輸出的康復(fù)度與已知康復(fù)度差異較大,則可以繼續(xù)訓(xùn)練z個(gè)弱回歸模型。

接下來參考圖15,圖15示出了根據(jù)本發(fā)明實(shí)施例的基于表面肌電的康復(fù)度排序方法的流程圖。

在弱回歸模型訓(xùn)練階段910,步驟911,獲取semg信號(hào)序列。在步驟s912對于semg信號(hào)序列進(jìn)行預(yù)處理。步驟s913提取處理后的semg信號(hào)序列的特征。將semg信號(hào)序列的特征作為z個(gè)弱回歸模型的輸入,將對應(yīng)semg信號(hào)序列的已知康復(fù)度作為z個(gè)弱回歸模型的輸出(步驟s914)。步驟s915對z個(gè)弱回歸模型進(jìn)行訓(xùn)練。

在弱回歸模型訓(xùn)練階段910的一個(gè)具體實(shí)施例中,共有20名處于不同康復(fù)階段的對象,分別讓他們完成側(cè)抬手臂動(dòng)作10次,同時(shí)記錄下動(dòng)作執(zhí)行過程中的semg信號(hào)序列。首先提取各個(gè)動(dòng)作的活動(dòng)信號(hào)段,即共200段semg活動(dòng)信號(hào)段。并將其隨機(jī)分為訓(xùn)練集和測試集,其中訓(xùn)練集包括150段semg活動(dòng)信號(hào)段,測試集包含剩余50段semg活動(dòng)信號(hào)段。然后,針對每段semg活動(dòng)信號(hào)段,提取對應(yīng)的特征(最大幅值、能量、近似熵、積分肌電值、平均功率頻率和中值頻率等)。接著,采用隨機(jī)森林方法建立10個(gè)弱回歸模型,每個(gè)弱回歸模型中,訓(xùn)練集的各個(gè)特征作為弱回歸模型的輸入,臨床醫(yī)生對各個(gè)對象分期評估結(jié)果(已知康復(fù)度)作為弱回歸模型的輸出進(jìn)行訓(xùn)練。

弱回歸模型訓(xùn)練階段910還可以包括模型測試階段,針對測試集中的50段semg活動(dòng)信號(hào)段,首先提取各個(gè)活動(dòng)信號(hào)段的特征,然后將特征分別輸入10個(gè)弱回歸模型,接著將10個(gè)弱回歸模型的輸出進(jìn)行平均,從而得到測試康復(fù)度。可將測試康復(fù)度與已知康復(fù)度進(jìn)行對比,以完成弱回歸模型的測試。

在康復(fù)度獲取階段920,步驟921,獲取semg信號(hào)序列。在步驟s922對于semg信號(hào)序列進(jìn)行預(yù)處理。步驟s923提取處理后的semg信號(hào)序列的特征。將semg信號(hào)序列的特征輸出z個(gè)弱回歸模型,在步驟s924,由z個(gè)弱回歸模型輸出康復(fù)度。

本領(lǐng)域技術(shù)人員理解,上述弱回歸模型訓(xùn)練階段910中多個(gè)弱回歸模型z一旦進(jìn)入訓(xùn)練后,康復(fù)度獲取階段920和弱回歸模型訓(xùn)練階段910的后續(xù)訓(xùn)練可以同步進(jìn)行,以在弱回歸模型訓(xùn)練階段910不斷訓(xùn)練成熟的過程中,獲得更準(zhǔn)確的康復(fù)度。

本發(fā)明還提供一種基于表面肌電的復(fù)合式的交互訓(xùn)練系統(tǒng),如圖16所示。圖16所示的交互訓(xùn)練系統(tǒng)800包括多個(gè)采集裝置、多個(gè)顯示裝置及至少一個(gè)處理器820。

多個(gè)采集裝置用于分別采集多個(gè)對象的semg信號(hào)序列。各采集裝置與一個(gè)顯示裝置對應(yīng)。例如,采集裝置810a對應(yīng)顯示裝置830a;采集裝置810b對應(yīng)顯示裝置830b。換言之,對于每個(gè)對象,一個(gè)采集裝置采集該對象的semg信號(hào)序列,一個(gè)顯示裝置向該對象顯示圖像。優(yōu)選地,對應(yīng)的采集裝置及顯示裝置集成在一個(gè)康復(fù)訓(xùn)練設(shè)備上。處理器820分別與多個(gè)采集裝置通訊。優(yōu)選地,處理器820可以通過內(nèi)置或外設(shè)的接收裝置接收采集裝置采集的semg信號(hào)序列。

處理器820包括提取裝置821、互動(dòng)裝置822、康復(fù)度計(jì)算裝置823及調(diào)整裝置824。提取裝置821采用圖1所示的特征提取方法提取所述semg信號(hào)序列的至少一個(gè)特征?;?dòng)裝置822與顯示裝置進(jìn)行通信,并通過顯示裝置向?qū)ο筇峁┨摂M情景,并根據(jù)提取裝置提取的semg信號(hào)序列的至少一個(gè)特征,在虛擬情景中進(jìn)行互動(dòng),多個(gè)對象以不同的角色在同一虛擬情景中進(jìn)行互動(dòng)??祻?fù)度計(jì)算裝置823執(zhí)行圖11所示的步驟,用于將提取裝置821提取的各semg信號(hào)序列的至少一個(gè)特征輸入經(jīng)訓(xùn)練的z個(gè)弱回歸模型,并根據(jù)z個(gè)弱回歸模型的輸出值獲得對應(yīng)semg信號(hào)序列的康復(fù)度。調(diào)整裝置824用于根據(jù)康復(fù)度計(jì)算裝置計(jì)算的康復(fù)度調(diào)整互動(dòng)裝置822提供的虛擬情景。例如,調(diào)整裝置824用于根據(jù)康復(fù)度計(jì)算裝置計(jì)算的康復(fù)度調(diào)整互動(dòng)裝置822提供的虛擬情景中的難度系數(shù)和其他參數(shù)。

圖16僅示出基于表面肌電的復(fù)合式的交互訓(xùn)練系統(tǒng)一種實(shí)施例,本領(lǐng)域技術(shù)人員還可以實(shí)現(xiàn)更多的變化例,例如,各裝置的數(shù)量、各裝置的集成、其他功能元件的添加等,這些變化都在本發(fā)明的保護(hù)范圍內(nèi)。

與現(xiàn)有技術(shù)相比,本發(fā)明具有如下優(yōu)勢:

1)通過semg信號(hào)序列去均值化信號(hào)的tke算子獲取semg信號(hào)序列的活動(dòng)段,以此表示采集對象的運(yùn)動(dòng)段,進(jìn)而準(zhǔn)確地去除非運(yùn)動(dòng)段的semg信號(hào)序列,獲得準(zhǔn)確表示對象運(yùn)動(dòng)的semg信號(hào)序列,進(jìn)而從semg信號(hào)序列中提取準(zhǔn)確表示對象運(yùn)動(dòng)參數(shù)的特征;

2)提供基于表面肌電的交互訓(xùn)練系統(tǒng),根據(jù)表示對象運(yùn)動(dòng)參數(shù)的semg信號(hào)序列特征,提供虛擬情景下的交互訓(xùn)練,并且支持多對象遠(yuǎn)程或非遠(yuǎn)程在同一虛擬情景下的交互訓(xùn)練;

3)提供基于表面肌電的康復(fù)度排序系統(tǒng),將表示對象運(yùn)動(dòng)參數(shù)的semg信號(hào)序列特征輸入經(jīng)訓(xùn)練的弱回歸模型,可以自動(dòng)輸出準(zhǔn)確的對象康復(fù)度;

4)結(jié)合上述交互訓(xùn)練系統(tǒng)及康復(fù)度計(jì)算,通過康復(fù)度計(jì)算結(jié)果控制交互訓(xùn)練系統(tǒng)所提供的情景,進(jìn)而能夠提供適合對象當(dāng)前康復(fù)度的交互訓(xùn)練。

以上具體地示出和描述了本發(fā)明的示例性實(shí)施方式。應(yīng)該理解,本發(fā)明不限于所公開的實(shí)施方式,相反,本發(fā)明意圖涵蓋包含在所附權(quán)利要求范圍內(nèi)的各種修改和等效置換。

當(dāng)前第1頁1 2 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會(huì)獲得點(diǎn)贊!
1