CN113261981A - 一种基于表面肌电信号的上肢痉挛量化评估方法及系统 - Google Patents
一种基于表面肌电信号的上肢痉挛量化评估方法及系统 Download PDFInfo
- Publication number
- CN113261981A CN113261981A CN202110560703.XA CN202110560703A CN113261981A CN 113261981 A CN113261981 A CN 113261981A CN 202110560703 A CN202110560703 A CN 202110560703A CN 113261981 A CN113261981 A CN 113261981A
- Authority
- CN
- China
- Prior art keywords
- features
- feature
- frequency domain
- domain features
- upper limb
- 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
- 208000005392 Spasm Diseases 0.000 title claims abstract description 48
- 210000001364 upper extremity Anatomy 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000003183 myoelectrical effect Effects 0.000 title description 9
- 238000002567 electromyography Methods 0.000 claims abstract description 36
- 210000003205 muscle Anatomy 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 230000003044 adaptive effect Effects 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 208000008238 Muscle Spasticity Diseases 0.000 claims abstract description 7
- 208000018198 spasticity Diseases 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000011002 quantification Methods 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims 1
- 230000001148 spastic effect Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 12
- 238000011158 quantitative evaluation Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 208000006011 Stroke Diseases 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 210000000245 forearm Anatomy 0.000 description 3
- 206010008190 Cerebrovascular accident Diseases 0.000 description 2
- 230000002490 cerebral effect Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 206010061296 Motor dysfunction Diseases 0.000 description 1
- 229910021607 Silver chloride Inorganic materials 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000004070 electrodeposition Methods 0.000 description 1
- 210000001087 myotubule Anatomy 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- HKZLPVFGJNLROG-UHFFFAOYSA-M silver monochloride Chemical compound [Cl-].[Ag+] HKZLPVFGJNLROG-UHFFFAOYSA-M 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
- A61B5/4538—Evaluating a particular part of the muscoloskeletal system or a particular medical condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Physical Education & Sports Medicine (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Rheumatology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于表面肌电信号的上肢痉挛量化评估方法，包括：采集受试者的上肢痉挛相关肌肉的表面肌电信号；对表面肌电信号进行预处理，并进行活动段划分；对处于活动段的肌电信号进行特征提取，提取到的特征包括多个频域特征和多个时域特征；在所提取到的频域特征和时域特征中进行特征选择，将所选择的特征重组得到新的特征集；在新的特征集上训练自适应神经网络模糊推理系统ANFIS模型；将待测的表面肌电信号输入训练得到的自适应神经网络模糊推理系统ANFIS模型，得到评估结果。还提供了相应的系统。本发明基于表面肌电信号进行上肢痉挛量化评估，该方法简单有效，准确率高，可为痉挛患者提供客观、定量的痉挛等级。
Description
技术领域
本发明涉及康复医学与模式识别领域，具体涉及一种基于表面肌电信号的上肢痉挛量化评估方法及系统。
背景技术
在脑卒中患者康复训练过程中，往往会伴随着痉挛现象的出现。痉挛是导致脑卒中患者上肢运动功能障碍的一个重要因素，以屈肌痉挛为主，严重影响患者的日常生活质量，对脑卒中患者具有非常高的致残率。在进行痉挛治疗之前，需要先进行痉挛评估以制定最佳的康复治疗方案。当前临床中应用的量表评估方式为改良Ashworth量表(MAS)，将痉挛分为0,1,1+,2,3,4六个等级。量表评估方式由于操作简便而应用广泛，然而存在着主观性强、量化精度低的缺点。
表面肌电信号为一种微弱的生物电信号，具有无创性、易获取性等优点，被广泛应用于康复领域和模式识别领域中。前人工作表明表面肌电信号的时域特征和频域特征与痉挛等级存在相关性。尽管已有研究利用表面肌电信号的时频域特征进行痉挛量化评估，然而尚未对表面肌电信号的时频域特征进行合理筛选，也导致了痉挛量化评估准确率还有待进一步提高。
发明内容
本发明的目的是针对现有技术中存在的缺陷，为了克服上肢痉挛评估的主观性缺陷和量化精度低的缺陷，实现简便、客观、定量的痉挛评估，提出了一种基于表面肌电信号的上肢痉挛量化评估方法及系统。
本发明的目的至少通过如下技术方案之一实现。
一种基于表面肌电信号的上肢痉挛量化评估方法，包括以下步骤：
采用肌电传感器采集受试者的上肢痉挛相关肌肉的表面肌电信号；
对采集到的表面肌电信号进行预处理，并基于预处理后的表面肌电信号进行活动段划分；
对处于活动段的肌电信号进行特征提取，提取到的特征包括多个频域特征和多个时域特征；
在所提取到的频域特征和时域特征中进行特征选择，选择预设数量的特征，将所选择的特征重组得到新的特征集；
在新的特征集上训练自适应神经网络模糊推理系统ANFIS模型；
将待测的表面肌电信号输入训练得到的自适应神经网络模糊推理系统ANFIS模型，得到评估结果。
对本发明方案的进一步改进，所述上肢痉挛相关肌肉包括肱桡肌、肱二头肌、肱三头肌3块肌肉。
对本发明方案的进一步改进，所述预处理包括基线校正和滤波操作。
对本发明方案的进一步改进，所述进行活动段划分，包括：
对于痉挛患者，对肱二头肌表面肌电信号进行经验模态分解、希尔伯特变换后使用基线的平均值加上两倍标准差作为活动段起点及终点阈值判定；
对于健康受试者，则无需进行活动段划分，使用整段信号作为活动段。
对本发明方案的进一步改进，所述提取到的特征包括多个频域特征和多个时域特征中，提取到10个时域特征，包括均方根值RMS、积分肌电值iEMG、过零率ZCR、波长WL、平均绝对值MAV、简单平方积分SSI、方差VAR、平均幅度变化AAC、绝对标准差差值DASDV以及4阶AR系数；2个频域特征，包括平均功率频率MPF、中位频率MDF，获取公式分别为：
xi为单个分析窗内表面肌电信号，N为单个分析窗内表面肌电信号长度，az为第z阶的AR系数，q为AR阶数，wi为白噪声残差，M指的是频域长度，fj为频域j处频谱的频率，Pj为sEMG信号在频域j处的功率谱。
对本发明方案的进一步改进，所述在所提取到的频域特征和时域特征中进行特征选择，选择预设数量的特征中，采用CART决策树算法进行特征选择，选出最优的特征。
对本发明方案的进一步改进，CART决策树算法使用基尼指数进行划分，基尼指数的计算方式如下：
首先用基尼值度量数据集的纯度：
p(yi)为标签yi出现的概率，n为标签的数目；
某个特征的基尼指数定义为：
V为特征A可能的V个取值,|D|为数据集D的样本总数，|Dv|为数据集D中特征A取值为v的样本总数；每次选择划分后使得基尼指数最小的特征作为最优划分特征，依次得到各个特征的重要性排序。
对本发明方案的进一步改进，所述在新的特征集上训练自适应神经网络模糊推理系统网络中，将受试者的特征集按照留一法进行划分成训练集和测试集，取k-1人的特征集作为训练集，k为受试者总人数，余下1个人的特征集作为测试集。
本发明还提供用于实现前述方法的系统。
一种基于表面肌电信号的上肢痉挛量化评估系统，包括：
表面肌电信号采集模块，用于采集受试者实验过程中上肢痉挛相关肌肉的表面肌电信号；
信号处理模块，用于处理原始表面肌电信号并用于训练自适应神经网络模糊推理系统ANFIS模型；
上位机系统模块，用于对信号处理模块及训练好的ANFIS模型进行了封装和编译。
对系统的进一步改进，信号处理模块包括：
预处理及划分子模块，用于对采集到的表面肌电信号进行预处理，并基于预处理后的表面肌电信号进行活动段划分；
特征提取子模块，用于对处于活动段的肌电信号进行特征提取，提取到的特征包括多个频域特征和多个时域特征；
特征选择子模块，用于在所提取到的频域特征和时域特征中进行特征选择，将所选择的特征重组得到新的特征集；
模型生成子模块，用于在新的特征集训练得到自适应神经网络模糊推理系统ANFIS模型。
与现有技术相比，本发明能够实现的有益效果至少如下：通过本发明提供的方法和系统可以实现基于表面肌电信号进行上肢痉挛量化评估，该方法简单有效，准确率高，可为痉挛患者提供客观、定量的痉挛等级。
附图说明
图1为本发明实施例所述方法流程图。
图2a、图2b为本发明实施例中表面电极位置分布示意图。
图3a、图3b为本发明实施例中受试者实验动作示意图。
图4为本发明实施例中活动段划分效果图，图中表面肌电信号为经过基线校正、滤波后的表面肌电信号。
图5为本发明实施例中痉挛量化评估结果示意图。
图6为本发明实施例中上位机系统界面示意图。
附图中的标号说明：肱二头肌1；肱桡肌2；肱三头肌3。
具体实施方式
使本发明实施例的目的、技术方案和优点更加清楚，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、完整的描述，显然，所描述的实施例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。
本发明提供的一种基于表面肌电信号的上肢痉挛量化评估方法，包括以下步骤：
步骤1：采用肌电传感器采集受试者在受试动作下的上肢痉挛相关肌肉的表面肌电信号。
在本发明其中一个实施例中，受试动作是对受试者上肢以较快速度下进行被动拉伸，拉伸速度由实验者主观控制。
在本发明其中一个实施例中，所述上肢痉挛相关肌肉包括肱桡肌、肱二头肌、肱三头肌3块肌肉。
本步骤具体包括以下子步骤：
步骤1.1：皮肤预处理，实验前用酒精棉擦拭受试者3块待测肌肉的表面皮肤，待测肌肉分别为上肢屈肌相关的肱桡肌、肱二头肌、肱三头肌3块肌肉，如图2a和图2b所示。
步骤1.2：将双极Ag/AgCl电极贴在受试者肌肉的肌腹位置，平行于肌纤维走向，使用商用Noraxon Ultium无线表面肌电仪进行表面肌电信号采集。
步骤1.3：让受试者坐在椅子上，如图3a和图3b所示。实验之前首先进行MAS量表屈肌痉挛评分。拉伸起始位为上臂和前臂最大屈曲位置，见图3a所示，实验者仅帮助患者保持姿势，不对受试者前臂施加外力作用，肌肉处于完全放松状态。拉伸终止位置为上臂和前臂能伸展到的最大位置，如图3b所示。拉伸速度由实验者主观控制。反复做多次(如4-6次)，每次动作时间进行预设时间的停顿，如隔30s做一次，以防止实验者和受试者的疲劳。
在本发明其中一个实施例中，反复做了6次。实验中计算发现仅需4次试验动作下的表面肌电信号数据便可取得较高的准确率。
步骤2：对采集到的表面肌电信号进行预处理，并基于预处理后的表面肌电信号进行活动段划分。
在本发明其中一个实施例中，所述预处理包括基线校正和滤波操作。
进一步地，在本发明其中一个实施例中，基线校正操作为，减去静息状态下表面肌电信号的基线偏移；基线校正后进行的滤波操作为，通过20-350HZ的巴特沃斯带通滤波器消除运伪迹及心电干扰；通过50HZ的工频陷波器消除工频干扰。
进一步地，在本发明其中一个实施例中，表面肌电信号活动段划分方式为：
对于痉挛患者，对肱二头肌表面肌电信号进行经验模态分解(EMD)、希尔伯特变换(HT)后使用基线的平均值加上两倍标准差作为活动段起点及终点阈值判定；活动段划分示意图如图4所示。
对于健康受试者，则无需进行活动段划分，使用整段信号作为活动段。
步骤3：对处于活动段的肌电信号进行分窗处理和特征提取，提取到的特征包括多个频域特征和多个时域特征。由于表面肌电信号的随机性和非平稳性，以表面肌电信号的分析窗作为机器学习中的有效输入单位。后续的特征提取过程也均是基于分析窗进行。
在本发明其中一个实施例中，分窗处理为对各通道表面肌电信号采用窗长为128ms、重叠率为50％的重叠分析窗进行分窗处理。
在本发明其中一个实施例中，对活动段肌电信号进行特征的提取，提取到10个常用的时域特征和2个常用的频域特征，10个时域特征和2个频域特征为表面肌电信号时域特征和频域特征中的典型代表特征。10个常用的时域特征为均方根值RMS、积分肌电值iEMG、过零率ZCR、波长WL、平均绝对值MAV、简单平方积分SSI、方差VAR、平均幅度变化AAC、绝对标准差差值DASDV以及4阶AR系数；2个常用的频域为平均功率频率MPF、中位频率MDF。
计算公式分别如下：
xi为单个分析窗内表面肌电信号，N为单个分析窗内表面肌电信号长度，az为第z阶的AR系数。q为AR的阶数，在本发明其中一个实施例中取值为4。wi为白噪声残差，M指的是频域长度，fj为频域j处频谱的频率，Pj为sEMG信号在频域j处的功率谱。
步骤4：使用CART决策树算法进行特征选择，得到的前五个最优特征为RMS、WL、MAV、AR4、ZCR，将这5个特征进行重组得到新的特征集，实验过程中计算发现，采用前5个特征时得到的准确率最高。CART决策树算法存在着易于理解和解释，便于可视化分析、运算速度较快的优点。
通过在所有的特征中筛选得到其中多个最优的特征进行重组，从而得到重组的特征集，如此操作可以提高评估的准确率。
在本发明其中一个实施例中，CART决策树算法使用基尼指数进行划分，基尼指数的计算方式如下：
首先用基尼值度量数据集的纯度：
p(xi)为标签xi出现的概率，n为标签的数目。本发明中，n的值为受试者MAS评分的取值数目。
特征A的基尼指数定义为：
V为特征A可能的V个取值,|D|为数据集D的样本总数，|Dv|为数据集D中特征A取值为v的样本总数。
在本发明其中一个实施例中，由于特征均为连续特征，因此取样本中相邻特征值之间的平均数作为划分节点，得到V个可能的取值范围。每次选择划分后使得基尼指数最小的特征作为最优划分特征，依次得到各个特征的重要性排序。
步骤5：将特征选择后的重组特征集用于训练神经网络模糊推理系统网络。
本步骤中，将步骤4得到的新的特征集打标签，并分为训练集和测试集，用于对ANFIS网络结构进行离线训练和测试。
本步骤中，以受试者改良Ashworth量表(MAS)评分作为最终输出标签，分别量化为0,1,1.5,2,3,4。其中健康受试者MAS评分统一设定为0。
将受试者的特征集按照留一法进行划分成训练集和测试集，取k-1(k为受试者总人数)人的特征集作为训练集，余下1个人的特征集作为测试集。采用k折交叉验证的方式训练和测试ANFIS网络结构，ANFIS网络结构预测得到的结果最后取平均值作为测试集对应受试者的预测结果。
在本发明其中一个实施例中，共募集了15名受试者，其中4名健康受试者，11名痉挛患者。采用15折交叉验证的方式训练和测试ANFIS网络结构，每次取14人的特征集作为训练集，余下1个人的特征集作为测试集。
步骤6：将待测的表面肌电信号输入训练得到的自适应神经网络模糊推理系统网络，得到评估结果。
在本发明其中一个实施例中，ANFIS网络结构预测得到的结果最后取平均值作为测试集对应受试者的预测结果，预测结果为受试者痉挛等级。如图5所示，预测结果的准确率(决定系数)达到0.98。
本发明基于表面肌电信号进行上肢痉挛的量化评估，取得了决定系数(R2)为0.98的准确率，均方根误差(RMSE)为0.14。本发明与前人未进行特征选择的基于机器学习方式的痉挛评估结果(R2＝0.96)相比，取得了更加优异的上肢痉挛量化评估性能。
本发明还提供实现前述方法的系统。
如图1所示，一种基于表面肌电信号的上肢痉挛量化评估系统，包括表面肌电信号采集模块、信号处理模块、上位机系统模块。
所述表面肌电信号采集模块，采用肌电传感器采集受试者实验过程中上肢痉挛相关肌肉的表面肌电信号。
在本发明其中一个实施例中，肌电传感器采用商用Noraxon Ultium无线表面肌电仪。
所述信号处理模块用于处理原始表面肌电信号并用于训练得到自适应神经网络模糊推理系统ANFIS模型。
在本发明其中一个实施例中，信号处理模块包括：
预处理及划分子模块，用于对采集到的表面肌电信号进行预处理，并基于预处理后的表面肌电信号进行活动段划分；
特征提取子模块，用于对处于活动段的肌电信号进行特征提取，提取到的特征包括多个频域特征和多个时域特征；
特征选择子模块，用于在所提取到的频域特征和时域特征中进行特征选择，选择预设数量的特征，将所选择的特征重组得到新的特征集；
模型生成子模块，用于在新的特征集训练得到自适应神经网络模糊推理系统ANFIS模型。
所述上位机系统模块，是将信号处理模块和最后训练好的离线ANFIS模型利用MATLAB的GUI功能进行封装和编译为可执行文件，如图6所示。上位机系统中使用的特征为本发明中筛选的五个最优特征，即RMS、WL、MAV、AR4、ZCR。点击“浏览文件”可加载已经采集到的表面肌电信号数据文件，点击“计算”可对4个表面肌电信号数据文件进行处理并进行痉挛等级的计算。即输入为4个采集的原始表面肌电信号，输出为对应的精确的痉挛量化等级。
此外，上位机系统模块可帮助非工程人员进行痉挛评估，在家庭康复和社区康复中具有较大的应用潜力。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的上肢痉挛量化评估系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
根据上述说明书的揭示和指导，本发明所属领域的技术人员还可以对上述实施方式进行变更和修改。因此，本发明并不局限于上面揭示和描述的具体实施方式，对本发明的一些修改和变更也应当落入本发明的权利要求的保护范围内。
Claims (10)
1.一种基于表面肌电信号的上肢痉挛量化评估方法，其特征在于，包括以下步骤：
采用肌电传感器采集受试者的上肢痉挛相关肌肉的表面肌电信号；
对采集到的表面肌电信号进行预处理，并基于预处理后的表面肌电信号进行活动段划分；
对处于活动段的肌电信号进行特征提取，提取到的特征包括多个频域特征和多个时域特征；
在所提取到的频域特征和时域特征中进行特征选择，将所选择的特征重组得到新的特征集；
在新的特征集上训练自适应神经网络模糊推理系统ANFIS模型；
将待测的表面肌电信号输入训练得到的自适应神经网络模糊推理系统ANFIS模型，得到评估结果。
2.根据权利要求1所述一种基于表面肌电信号的上肢痉挛量化评估方法，其特征在于，所述上肢痉挛相关肌肉包括肱桡肌、肱二头肌、肱三头肌3块肌肉。
3.根据权利要求1所述一种基于表面肌电信号的上肢痉挛量化评估方法，其特征在于，所述预处理包括基线校正和滤波操作。
4.根据权利要求1所述一种基于表面肌电信号的上肢痉挛量化评估方法，其特征在于，所述进行活动段划分，包括：
对于痉挛患者，对肱二头肌表面肌电信号进行经验模态分解、希尔伯特变换后使用基线的平均值加上两倍标准差作为活动段起点及终点阈值判定；
对于健康受试者，则无需进行活动段划分，使用整段信号作为活动段。
5.根据权利要求1所述一种基于表面肌电信号的上肢痉挛量化评估方法，其特征在于，所述提取到的特征包括多个频域特征和多个时域特征中，提取到10个时域特征，包括均方根值RMS、积分肌电值iEMG、过零率ZCR、波长WL、平均绝对值MAV、简单平方积分SSI、方差VAR、平均幅度变化AAC、绝对标准差差值DASDV以及4阶AR系数；2个频域特征，包括平均功率频率MPF、中位频率MDF，获取公式分别为：
xi为单个分析窗内表面肌电信号，，N为单个分析窗内表面肌电信号长度，az为第z阶的AR系数，q为AR阶数，wi为白噪声残差，M指的是频域长度，fj为频域j处频谱的频率，Pj为sEMG信号在频域j处的功率谱。
6.根据权利要求1所述的一种基于表面肌电信号的上肢痉挛量化评估方法，其特征在于，所述在所提取到的频域特征和时域特征中进行特征选择，选择预设数量的特征中，采用CART决策树算法进行特征选择，选出最优的特征。
7.根据权利要求6所述的一种基于表面肌电信号的上肢痉挛量化评估方法，其特征在于，CART决策树算法使用基尼指数进行划分，基尼指数的计算方式如下：
首先用基尼值度量数据集的纯度：
p(yi)为标签yi出现的概率，n为标签的数目；
某个特征的基尼指数定义为：
V为特征A可能的V个取值,|D|为数据集D的样本总数，|Dv|为数据集D中特征A取值为v的样本总数；每次选择划分后使得基尼指数最小的特征作为最优划分特征，依次得到各个特征的重要性排序。
8.根据权利要求1所述的一种基于表面肌电信号的上肢痉挛量化评估方法，其特征在于，所述在新的特征集上训练自适应神经网络模糊推理系统网络中，将受试者的特征集按照留一法进行划分成训练集和测试集，取k-1人的特征集作为训练集，k为受试者总人数，余下1个人的特征集作为测试集。
9.一种基于表面肌电信号的上肢痉挛量化评估系统，其特征在于，用于实现权利要求1-8任一所述的方法，包括：
表面肌电信号采集模块，用于采集受试者实验过程中上肢痉挛相关肌肉的表面肌电信号；
信号处理模块，用于处理原始表面肌电信号并用于训练自适应神经网络模糊推理系统ANFIS模型；
上位机系统模块，用于对信号处理模块及训练好的ANFIS模型进行了封装和编译。
10.根据权利要求9所述的一种基于表面肌电信号的上肢痉挛量化评估系统，其特征在于，信号处理模块包括：
预处理及划分子模块，用于对采集到的表面肌电信号进行预处理，并基于预处理后的表面肌电信号进行活动段划分；
特征提取子模块，用于对处于活动段的肌电信号进行特征提取，提取到的特征包括多个频域特征和多个时域特征；
特征选择子模块，用于在所提取到的频域特征和时域特征中进行特征选择，将所选择的特征重组得到新的特征集；
模型生成子模块，用于在新的特征集训练得到自适应神经网络模糊推理系统ANFIS模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110560703.XA CN113261981A (zh) | 2021-05-21 | 2021-05-21 | 一种基于表面肌电信号的上肢痉挛量化评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110560703.XA CN113261981A (zh) | 2021-05-21 | 2021-05-21 | 一种基于表面肌电信号的上肢痉挛量化评估方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113261981A true CN113261981A (zh) | 2021-08-17 |
Family
ID=77232545
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110560703.XA Pending CN113261981A (zh) | 2021-05-21 | 2021-05-21 | 一种基于表面肌电信号的上肢痉挛量化评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113261981A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113693604A (zh) * | 2021-08-30 | 2021-11-26 | 北京中医药大学东直门医院 | 肌张力等级的评估方法和装置 |
| CN113712541A (zh) * | 2021-09-03 | 2021-11-30 | 上海诺诚电气股份有限公司 | 一种基于多传感器动作识别的康复方法及系统 |
| CN114271836A (zh) * | 2022-01-25 | 2022-04-05 | 合肥学院 | 一种基于小波变换的智能肌电检测处理方法及装置 |
| CN114931390A (zh) * | 2022-05-06 | 2022-08-23 | 电子科技大学 | 基于疲劳分析的肌力估计方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106901732A (zh) * | 2017-04-14 | 2017-06-30 | 合肥工业大学 | 突变状态下肌力与肌张力的测量方法和测量装置 |
| CN108154913A (zh) * | 2017-12-29 | 2018-06-12 | 北京精密机电控制设备研究所 | 一种康复训练参数确定方法、装置、电子设备及系统 |
| CN109568083A (zh) * | 2018-12-15 | 2019-04-05 | 华南理工大学 | 一种多模态交互的上肢康复机器人训练系统 |
| CN110353694A (zh) * | 2019-07-18 | 2019-10-22 | 哈尔滨工业大学 | 一种基于特征选取的运动识别方法 |
| CN110664404A (zh) * | 2019-09-30 | 2020-01-10 | 华南理工大学 | 一种基于表面肌电信号的躯干代偿检测和消除系统 |
| CN112006686A (zh) * | 2020-07-09 | 2020-12-01 | 浙江大学 | 一种颈部肌肉疲劳分析方法及系统 |
| CN112353407A (zh) * | 2020-10-27 | 2021-02-12 | 燕山大学 | 一种基于神经功能康复主动训练的评估系统及方法 |
-
2021
- 2021-05-21 CN CN202110560703.XA patent/CN113261981A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106901732A (zh) * | 2017-04-14 | 2017-06-30 | 合肥工业大学 | 突变状态下肌力与肌张力的测量方法和测量装置 |
| CN108154913A (zh) * | 2017-12-29 | 2018-06-12 | 北京精密机电控制设备研究所 | 一种康复训练参数确定方法、装置、电子设备及系统 |
| CN109568083A (zh) * | 2018-12-15 | 2019-04-05 | 华南理工大学 | 一种多模态交互的上肢康复机器人训练系统 |
| CN110353694A (zh) * | 2019-07-18 | 2019-10-22 | 哈尔滨工业大学 | 一种基于特征选取的运动识别方法 |
| CN110664404A (zh) * | 2019-09-30 | 2020-01-10 | 华南理工大学 | 一种基于表面肌电信号的躯干代偿检测和消除系统 |
| CN112006686A (zh) * | 2020-07-09 | 2020-12-01 | 浙江大学 | 一种颈部肌肉疲劳分析方法及系统 |
| CN112353407A (zh) * | 2020-10-27 | 2021-02-12 | 燕山大学 | 一种基于神经功能康复主动训练的评估系统及方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113693604A (zh) * | 2021-08-30 | 2021-11-26 | 北京中医药大学东直门医院 | 肌张力等级的评估方法和装置 |
| CN113712541A (zh) * | 2021-09-03 | 2021-11-30 | 上海诺诚电气股份有限公司 | 一种基于多传感器动作识别的康复方法及系统 |
| CN114271836A (zh) * | 2022-01-25 | 2022-04-05 | 合肥学院 | 一种基于小波变换的智能肌电检测处理方法及装置 |
| CN114271836B (zh) * | 2022-01-25 | 2023-08-29 | 合肥学院 | 一种基于小波变换的智能肌电检测处理方法及装置 |
| CN114931390A (zh) * | 2022-05-06 | 2022-08-23 | 电子科技大学 | 基于疲劳分析的肌力估计方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pourmohammadi et al. | Stress detection using ECG and EMG signals: A comprehensive study | |
| CN113261981A (zh) | 一种基于表面肌电信号的上肢痉挛量化评估方法及系统 | |
| Farago et al. | A review of techniques for surface electromyography signal quality analysis | |
| Wang et al. | Deep back propagation–long short-term memory network based upper-limb sEMG signal classification for automated rehabilitation | |
| Chen et al. | Characterization of surface EMG signal based on fuzzy entropy | |
| Singh et al. | A Review of EMG Techniques for | |
| CN109498370B (zh) | 基于肌电小波关联维的下肢关节角度预测方法 | |
| CN111708978B (zh) | 多尺度时频肌间耦合分析方法 | |
| Djemal et al. | Tonic-myoclonic epileptic seizure classification based on surface electromyography | |
| Karthick et al. | Analysis of progression of fatigue conditions in biceps brachii muscles using surface electromyography signals and complexity based features | |
| Li et al. | Detection of muscle fatigue by fusion of agonist and synergistic muscle semg signals | |
| Norali | Human breathing classification using electromyography signal with features based on mel-frequency cepstral coefficients | |
| CN117281479A (zh) | 一种基于表面肌电信号多维度特征融合的人体下肢慢性疼痛判别方法、存储介质及装置 | |
| KR20220158462A (ko) | 근전도 신호 기반 인식 정보 추출 시스템과 이를 이용한 근전도 신호 기반 인식 정보 추출 방법 | |
| Islam et al. | Myoelectric pattern recognition performance enhancement using nonlinear features | |
| Fruet et al. | Assessment of driving stress through svm and knn classifiers on multi-domain physiological data | |
| Djemal et al. | Epileptic seizure motion classification based on sEMG and artificial neural network | |
| CN116898460A (zh) | 一种基于多模态信号分析与肌电模式识别的脑瘫手功能评级方法 | |
| Chan et al. | A review of surface EMG in clinical rehabilitation care systems design | |
| Venna et al. | Impact of Measurement Conditions on Classification of ADL using Surface EMG Signals | |
| Mobarak et al. | Hand movement classification using transient state analysis of surface multichannel EMG signal | |
| Jegan et al. | Real-time ECG peak detection for heart rate measurement using wavelet packet transform | |
| CN106983511B (zh) | 肌力与肌张力状态突变点的识别方法及识别装置 | |
| Sasidharan et al. | A proposal to analyze muscle dynamics under fatiguing contractions using surface Electromyography signals and fuzzy recurrence network features | |
| Aravind et al. | ECG classification and arrhythmia detection using Wavelet transform and convolutional neural network |
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: 20210817 |