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φ^m(r)：

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