JP5252432B2 - 指関節角度推定装置 - Google Patents
指関節角度推定装置 Download PDFInfo
- Publication number
- JP5252432B2 JP5252432B2 JP2008306782A JP2008306782A JP5252432B2 JP 5252432 B2 JP5252432 B2 JP 5252432B2 JP 2008306782 A JP2008306782 A JP 2008306782A JP 2008306782 A JP2008306782 A JP 2008306782A JP 5252432 B2 JP5252432 B2 JP 5252432B2
- Authority
- JP
- Japan
- Prior art keywords
- finger joint
- signal
- feature amount
- joint angle
- angle estimation
- 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.)
- Expired - Fee Related
Links
- 210000001145 finger joint Anatomy 0.000 title claims description 123
- 239000013598 vector Substances 0.000 claims description 44
- 230000003183 myoelectrical effect Effects 0.000 claims description 38
- 230000008859 change Effects 0.000 claims description 37
- 238000013528 artificial neural network Methods 0.000 claims description 35
- 230000010354 integration Effects 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 22
- 210000004556 brain Anatomy 0.000 claims description 21
- 238000001228 spectrum Methods 0.000 claims description 17
- 239000000284 extract Substances 0.000 claims description 16
- 210000002435 tendon Anatomy 0.000 claims description 16
- 210000005036 nerve Anatomy 0.000 claims description 14
- 210000003205 muscle Anatomy 0.000 claims description 13
- 102000001554 Hemoglobins Human genes 0.000 claims description 8
- 108010054147 Hemoglobins Proteins 0.000 claims description 8
- 239000008280 blood Substances 0.000 claims description 4
- 210000004369 blood Anatomy 0.000 claims description 4
- 210000000663 muscle cell Anatomy 0.000 claims description 4
- 238000006213 oxygenation reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 59
- 210000003811 finger Anatomy 0.000 description 36
- 238000010606 normalization Methods 0.000 description 15
- 238000009499 grossing Methods 0.000 description 13
- 238000006243 chemical reaction Methods 0.000 description 8
- 238000000034 method Methods 0.000 description 8
- 238000004497 NIR spectroscopy Methods 0.000 description 7
- 238000005452 bending Methods 0.000 description 7
- 210000000245 forearm Anatomy 0.000 description 6
- 230000000052 comparative effect Effects 0.000 description 5
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 5
- 238000002595 magnetic resonance imaging Methods 0.000 description 5
- 238000002582 magnetoencephalography Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000002123 temporal effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000017531 blood circulation Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 210000003128 head Anatomy 0.000 description 3
- 230000003387 muscular Effects 0.000 description 3
- 230000036982 action potential Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 206010049565 Muscle fatigue Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000005057 finger movement Effects 0.000 description 1
- 210000004247 hand Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000004118 muscle contraction Effects 0.000 description 1
- 210000001087 myotubule Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
- 210000001226 toe joint Anatomy 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
- 210000003857 wrist joint Anatomy 0.000 description 1
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Description
本発明は、指関節角度推定装置に関する。
従来、ヒューマン・ロボットシステムにおいて、表面筋電信号を利用した手指形状を識別する方法が提案されている（非特許文献１）。又、非特許文献２では、表面筋電信号−手指関節角度の関係を、モデル式によりモデル化して、関数近似を行い、学習データから最小二乗法によりパラメータ推定を行う方法が提案されている。又、特許文献１では、表面筋電信号と指関節角度を一対一の対応付けで、複数の指の角度推定を行う方法が提案されている。
特開平５−１１１８８１号公報
福田 修, 卜 楠, 辻 敏夫，「生ＥＭＧ信号による電動義手の制御」，計測自動制御学会論文集, Vol.40, No.11, pp. 1124-1131, 2004.
北村 徹, 辻内 伸好, 小泉 孝之, 「筋電信号による動作推定に基づくロボットハンドのマニピュレーション」, 日本機械学会論文集(C編), 73巻735号, pp.152-158, 2007
前記非特許文献１では、関節角度について、離散的なパターン識別を行うものであり、手指関節角度の推定を行うものではない。非特許文献２では、特定の指関節において単一の角度推定を行うものであり、多数の指関節への応用の可能性については具体的に提案されていない。特許文献１では、表面筋電信号と指関節角度の一対一の対応付けのみが行われており、表面筋電信号と手指関節角度の関係において、時間変換への対応の可能性については具体的に提案されていない。
従来は、表面筋電信号等の生体信号と、手指関節角度の関係の時間変化に対応可能であって、手指関節角度の推定を、複数の指関節、例えば５指関節について行われた指関節角度推定装置について提案されているものがない。
本発明の目的は、生体信号と指関節角度の関係の時間変化に対応可能であって、複数の指関節角度を連続的にリアルタイムに推定することができる指関節角度推定装置を提供することにある。
上記問題点を解決するために請求項１の発明は、各指関節が動いているときの単数又は複数種類の生体信号を入力して、各生体信号の特徴量を抽出し、抽出した該特徴量を一次元に並べて特徴量ベクトルとする特徴量抽出手段と、演算周期毎に入力ベクトルに基づいて、各指関節の角度（以下、指関節角度という）の推定を行い、推定した前記各指関節角度を出力ベクトルとして出力するニューラルネットワーク手段とを含み、前記入力ベクトルは、前記特徴量抽出手段が抽出した過去から現在までの時系列の特徴量ベクトルを一次元に並べたフィードフォワード成分と、出力のフィードバックとが一次元に並べられて構成され、前記フィードバック成分は、前記ニューラルネットワーク手段が、前記演算周期毎に現在まで推定していた時系列の前記出力ベクトルで構成されていることを特徴とする指関節角度推定装置を要旨とするものである。
なお、本明細書で生体信号とは、身体活動する際に起こる生理的な情報の信号であり、センサなどの検出手段により感知できる信号のことをいう。
請求項２の発明は、請求項１において、前記生体信号は、表面筋電信号であることを特徴とする。
請求項２の発明は、請求項１において、前記生体信号は、表面筋電信号であることを特徴とする。
請求項３の発明は、請求項２において、前記特徴量抽出手段は、前記表面筋電信号に対して積分区間を演算周期毎にずらして積分し、積分して得られた積分値を特徴量として抽出するものである。
請求項４の発明は、請求項２において、前記特徴量抽出手段は、前記表面筋電信号のパワースペクトルの所定のバンド幅毎の区間和を特徴量として抽出するものである。
請求項５の発明は、請求項２において、前記特徴量抽出手段は、前記表面筋電信号のパワースペクトルの平均周波数又は中央周波数を特徴量として抽出するものである。
請求項５の発明は、請求項２において、前記特徴量抽出手段は、前記表面筋電信号のパワースペクトルの平均周波数又は中央周波数を特徴量として抽出するものである。
請求項６の発明は、請求項１において、前記生体信号は、脳波であり、前記特徴量抽出手段は、前記脳波のα波及びβ波の少なくともいずれか１つの波の増減変化による事象関連同期化、及び事象関連脱同期化を特徴量として抽出するものである。
請求項７の発明は、請求項１において、前記生体信号は、脳部位のＭＲＩ信号であり、前記特徴量抽出手段は、運動を司る部位における血流中の還元ヘモグロビンの変化から活性化している場所を特徴量として抽出するものである。
請求項８の発明は、請求項１１において、前記生体信号は、頭部又は指関節に関係する筋肉を透過させた近赤外光を検出した信号であり、前記特徴量抽出手段は、頭部又は指関節に関係する筋肉組織を流れている血液中のヘモグロビン酸素化状態の変化を特徴量として抽出するものである。
請求項９の発明は、請求項１において、前記生体信号は、脳磁図であり、前記特徴量抽出手段は、前記脳磁図の磁場の変化を特徴量として抽出するものである。
請求項１０の発明は、請求項１において、前記生体信号は、指関節の動きによって腱が移動するのを捉えた信号であり、前記特徴量抽出手段は、前記腱の移動の変化を特徴量として抽出するものである。
請求項１０の発明は、請求項１において、前記生体信号は、指関節の動きによって腱が移動するのを捉えた信号であり、前記特徴量抽出手段は、前記腱の移動の変化を特徴量として抽出するものである。
請求項１１の発明は、請求項１において、前記生体信号は、指関節の動きによって筋肉の膨らみが変化するのを捉えた信号であり、前記特徴量抽出手段は、前記筋肉の膨らみの変化を特徴量として抽出するものである。
請求項１２の発明は、請求項１において、前記生体信号は、指関節の動きによって脳から、当該指の筋肉細胞までに伝わる神経信号を検出する信号であり、前記特徴量抽出手段は、前記指関節の動きに応じて変化する神経信号の変化を特徴量として抽出するものである。
請求項１乃至請求項１２の発明によれば、生体信号と指関節角度の関係の時間変化に対応可能であって、複数の指関節角度を連続的にリアルタイムに推定することができる指関節角度推定装置を提供することができる。
以下、本発明の指関節角度推定装置を手指関節角度推定装置に具体化した一実施形態を図１〜図１１を参照して説明する。図１は手指関節角度推定装置の概略ブロック図である。
手指関節角度推定装置１０は、コンピュータからなり、Ａ／Ｄ１１、整流処理部１２、平滑処理部１３、積分処理部１４、正規化処理部１５、ニューラルネットワーク１６、及び変換処理部１９を備える。図１中、前記整流処理部１２、平滑処理部１３、積分処理部１４、正規化処理部１５、ニューラルネットワーク１６、及び変換処理部１７は、コンピュータが備える中央処理装置の機能ブロックを示しており、ハード構成を示すものではない。
手指関節角度推定装置１０は、人の前腕部Ｚに取り付けされた複数の電極２０及びＡ／Ｄ１１を介して表面筋電信号を入力する。なお、各電極２０から入力した信号をチャンネル信号という。Ａ／Ｄ１１は、各チャンネル毎に、共通のサンプリング周波数で取得した前記表面筋電信号（アナログ信号）をデジタル信号に変換する。
整流処理部１２は、Ａ／Ｄ１１からのデジタル信号を各チャンネル毎に全波整流する。平滑処理部１３はローパスフィルタからなり、整流処理部１２が全波整流した信号を、各チャンネル毎に所定周波数（例えば、50[Hz]）以上をカットオフして平滑する。
積分処理部１４は、平滑処理部１３から入力した各チャンネル信号に対して、積分区間を演算周期毎にずらしながら、該積分区間の振幅を積分して積分値を取得する（図９（ｂ）参照）。この積分値が特徴量に相当する。
正規化処理部１５は、積分処理部１４により積分処理された各チャンネル信号に対して、正規化を行う。本実施形態では、正規化処理は、各チャンネル信号の振幅を０〜１の範囲にするものであるが、この範囲に限定されるものではない。ここで、整流処理部１２、平滑処理部１３、積分処理部１４、及び正規化処理部１５は、特徴量抽出手段に相当する。
ニューラルネットワーク１６は、素子伝達関数としてシグモイド関数を用いた３層パーセプトロンニューラルネットワークから構成されている。３層パーセプトロンニューラルネットワークは図２に示すように入力層１６ａ、中間層１６ｂ、出力層１６ｃを備えている。ニューラルネットワーク１６におけるネットワークの学習は、５本指の各指関節角度が推定可能に一般的なバックプロパゲーション法により行われている。後述するフィードバック成分Ｂは、前記学習時には、過去の教師信号が用いられ、リアルタイムの手指関節角度の推定時には、過去にネットワークが実際に出力した値が用いられる。
ニューラルネットワーク１６の入力層１６ａを構成するユニットは、フィードフォワード成分Ａと、フィードバック成分Ｂからなる入力ベクトルＩｋ（図５参照）を入力するための個数分用意されている。又、出力層１６ｃを構成するユニットは、推定された５本指の各指の各指関節角度を１次元に並べた出力ベクトルＯｋとして出力する。なお、出力ベクトルＯｋに含まれる、各指の各指関節角度は範囲（０，１）に正規化されている。出力層１６ｃのユニットは、５本指の場合、本実施形態では、例えば、１本の指が３つの関節を有しているため、この３つの関節の屈曲角度（指関節角度）と、内外転の関節角度（指関節角度）を検出するため、各指毎の各関節角度の推定値が得られるように２０個分用意されているが、この数値に限定されるものではない。
図２、図３に示すように、フィードフォワード成分Ａは、Ａ０，……，Ａｎからなる。Ａ０は正規化処理部１５から入力された、現在（すなわち、最新）の各チャンネル信号が正規化された積分値（特徴量）Ｆｋを１次元に並べた特徴量ベクトルからなる。
Ａｎのｎは、現在からｎ（なお、ｎは正の整数）ステップ前の演算周期を意味する。従って、Ａｎは、ｎステップ前に正規化処理部１５から入力され、各チャンネル信号が正規化された積分値（特徴量）を１次元に並べた特徴量ベクトルである。具体的に説明すると、図３（ａ）に示すように、現在時刻ｔのフィードフォワード成分Ａは、次の演算周期の時刻ｔ＋１（図３（ｂ）参照）では、正規化処理部１５から特徴量ベクトルが入力されて、Ａ０が更新されるとともに、現在時刻ｔ時のＡ０の内容は、Ａ１の内容として更新される。
以下、同様にして、Ａ２〜Ａｎが更新される。なお、演算周期の時刻ｔのＡｎの内容は、演算周期の時刻ｔ＋１時では、破棄される。以下、図３（ｃ）に示すように、次の時刻ｔ＋２以降においても、同様に、Ａ０〜Ａｎの内容は更新される。上記のようにして、フィードフォワード成分Ａは、正規化された過去から現在までの時系列の特徴量ベクトルを一次元に並べたものとなる。
図２、図４に示すように、フィードバック成分Ｂは、Ｂ１，……，Ｂｈからなる。Ｂ１は出力層１６ｃからフィードバック入力された、現在の演算周期の１ステップ前の、各指の各関節角度を１次元に並べた出力ベクトルＯｋからなる。Ｂｈのｈは、現在からｈ（なお、ｈは正の整数）ステップ前の演算周期を意味する。従って、Ｂｈは、出力層１６ｃからフィードバックされた、現在の演算周期のｈステップ前の、各指の各関節角度を１次元に並べた出力ベクトルＯｋからなる。
具体的に説明すると、図４（ａ）に示すように、現在時刻ｔのフィードバック成分Ｂは、次の演算周期の時刻ｔ＋１（図４（ｂ）参照）では、出力層１６ｃから出力ベクトルＯｋがフィードバックされて、Ｂ１が更新されるとともに、現在時刻ｔ時のＢ１の内容は、Ｂ２の内容として更新される。以下、同様にして、Ｂ３〜Ｂｈが更新される。なお、演算周期の時刻ｔのＢｈの内容は、演算周期の時刻ｔ＋１時では、破棄される。以下、図４（ｃ）に示すように、次の時刻ｔ＋２以降においても、同様に、Ｂ１〜Ｂｈの内容は更新される。上記のようにして、フィードバック成分Ｂは、現在までに推定された時系列の出力ベクトルとなる。
変換処理部１７は、ニューラルネットワーク１６が推定した出力ベクトルＯｋを入力し、逆正規化処理して、各指の各指関節角度Ｎに変換する。式（１）は、逆正規化処理する場合の式である。
ここで、ＭＩＮは指関節角度の最小値であり、ＭＡＸは指関節角度の最大値である。
式（１）により、逆正規化処理して角度に変換した後、手指関節角度推定装置１０は、出力装置３０に出力する。出力装置３０は、例えば、表示ディプレイ、或いはプリンタ等にて構成されている。
式（１）により、逆正規化処理して角度に変換した後、手指関節角度推定装置１０は、出力装置３０に出力する。出力装置３０は、例えば、表示ディプレイ、或いはプリンタ等にて構成されている。
（実施形態の作用）
さて、上記のように構成された手指関節角度推定装置１０の作用を図６〜図１１を参照して説明する。
さて、上記のように構成された手指関節角度推定装置１０の作用を図６〜図１１を参照して説明する。
手指関節角度推定装置１０に、電極２０を介して生体信号として入力された表面筋電信号は、所定のサンプリング周波数で取得される。このサンプリング周波数は、例えば１［kHz］であるが、この数値に限定されるものではない。図６は、Ａ／Ｄ変換されたチャンネル信号のチャートの例である。なお、図６の例では、サンプリング周波数は１［kHz］である。この信号は、脱力状態から握り、そのまま数秒経過した後にまた脱力状態に戻した時の、拇指屈曲に関与する筋肉の付近で計測した信号である。
次に、整流処理部１２において、入力された各チャンネル信号を全波整流化する。図７は、図６のチャンネル信号が全波整流処理されたチャートの例である。次に、平滑処理部１３において、各チャンネル信号を平滑処理する。図８は、図７のチャンネル信号が平滑処理されたチャートの例である。
次に、積分処理部１４において、平滑処理部１３から入力した各チャンネル信号に対して、積分区間を演算周期毎にずらしながら、該積分区間の振幅を積分して積分値を取得する。図９（ａ）は、図８の平滑処理されたチャンネル信号と同じであり、図９（ｂ）は、積分処理されたチャンネル信号の例のチャートである。正規化処理部１５は、積分処理部１４から出力された各チャンネル信号を０〜１の範囲となるように正規化する。図１０は、図９に示す信号が正規化処理されたチャンネル信号のチャートである。
なお、図６〜図９において、縦軸は、振幅、横軸は時間軸である。図１０において、縦軸は、正規化時の振幅、横軸は時間軸である。
ニューラルネットワーク１６は、フィードフォワード成分Ａ、フィードバック成分Ｂにて構成される入力ベクトルＩｋを演算周期毎に入力層１６ａに入力することにより、正規化されている５本指の各指関節角度を推定し、出力層１６ｃから前記出力ベクトルＯｋを出力する。この出力ベクトルＯｋを、変換処理部１７にて逆正規化して角度変換し、出力装置３０に出力する。
ニューラルネットワーク１６は、フィードフォワード成分Ａ、フィードバック成分Ｂにて構成される入力ベクトルＩｋを演算周期毎に入力層１６ａに入力することにより、正規化されている５本指の各指関節角度を推定し、出力層１６ｃから前記出力ベクトルＯｋを出力する。この出力ベクトルＯｋを、変換処理部１７にて逆正規化して角度変換し、出力装置３０に出力する。
以下には、手に、指関節角度を計測するデータグローブ（図示しない）を取着して、５本の指の各指関節の角度を個々に検出可能とした状態で、かつ、前腕部Ｚに８個の電極２０を付けて、表面筋電信号を手指関節角度推定装置１０に入力して、指関節角度を推定した結果を図１１（ａ）〜（ｄ）に示す。
各図において、縦軸は角度、横軸は時間［ms］であり、点線は前記データグローブにより検出測定した実測値のチャートであり、実線は手指関節角度推定装置１０により推定した推定値のチャートである。
図１１（ａ）は、人指し指の内外転の角度のチャート、図１１（ｂ）は、人指し指の第１関節の屈曲角度のチャート、図１１（ｃ）は、人指し指の第２関節の屈曲角度のチャート、図１１（ｄ）は、人指し指の第３関節の屈曲角度のチャートを表わしている。各図に示すように、いずれも、手指関節角度推定装置１０にて推定した指関節角度は、実測値とほぼ一致し、又、リアルタイムに各関節角度がほぼ正確に得られていることが分かる。なお、図示はしないが、人指し指以外の他の指の各指関節角度も同様にほぼ正確に得られた。
比較例のために、ニューラルネットワーク１６の出力をフィードバック成分とせず、さらに現時刻前の生体信号を用いない場合の従来のニューラルネットワークの概念図を図１３に示す。
この比較例の場合、手にデータグローブ（図示しない）を取着して、５本の指の各指関節の角度を個々に検出可能とした状態で、かつ、前腕部Ｚに８個の電極２０を付けて、表面筋電信号を手指関節角度推定装置１０に入力して、指関節角度を推定した結果を図１４（ａ），（ｂ）に示す。図１４（ａ）、（ｂ）において、縦軸は角度、横軸は時間［ms］であり、点線は前記データグローブにより検出測定した実測値のチャートであり、実線は手指関節角度推定装置１０により推定した推定値のチャートである。
図１４（ａ）は、人指し指の内外転の角度のチャート、図１４（ｂ）は、人指し指の第１関節の屈曲角度のチャートである。同図に示すように推定した指関節角度は、実測値とは大きくかけ離れた値となっている。
以上詳述した本実施形態によれば、以下に記載する各効果を得ることができる。
（１） 本実施形態の手指関節角度推定装置１０は、各指関節が動いているときの複数の表面筋電信号（生体信号）を入力して、各表面筋電信号の特徴量を抽出し、抽出した該特徴量を一次元に並べて特徴量ベクトルとする整流処理部１２、平滑処理部１３、積分処理部１４、及び正規化処理部１５（特徴量抽出手段）を備える。又、手指関節角度推定装置１０は、演算周期毎に入力ベクトルＩｋに基づいて、各指関節角度の推定を行い、推定した各指関節角度を出力ベクトルとして出力するニューラルネットワーク１６（ニューラルネットワーク手段）とを備える。そして、入力ベクトルＩｋは、整流処理部１２、平滑処理部１３、積分処理部１４、及び正規化処理部１５が抽出した過去から現在までの時系列の特徴量ベクトルを一次元に並べたフィードフォワード成分Ａと、フィードバック成分Ｂとが一次元に並べられて構成され、フィードバック成分Ｂは、ニューラルネットワーク１６が、演算周期毎に現在まで推定していた時系列の出力ベクトルＯｋで構成されている。この結果、本実施形態の手指関節角度推定装置１０によれば、表面筋電信号と指関節角度の関係の時間変化に対応可能であって、５本の指の各指関節角度を連続的にリアルタイムに正確に推定することができる。
（１） 本実施形態の手指関節角度推定装置１０は、各指関節が動いているときの複数の表面筋電信号（生体信号）を入力して、各表面筋電信号の特徴量を抽出し、抽出した該特徴量を一次元に並べて特徴量ベクトルとする整流処理部１２、平滑処理部１３、積分処理部１４、及び正規化処理部１５（特徴量抽出手段）を備える。又、手指関節角度推定装置１０は、演算周期毎に入力ベクトルＩｋに基づいて、各指関節角度の推定を行い、推定した各指関節角度を出力ベクトルとして出力するニューラルネットワーク１６（ニューラルネットワーク手段）とを備える。そして、入力ベクトルＩｋは、整流処理部１２、平滑処理部１３、積分処理部１４、及び正規化処理部１５が抽出した過去から現在までの時系列の特徴量ベクトルを一次元に並べたフィードフォワード成分Ａと、フィードバック成分Ｂとが一次元に並べられて構成され、フィードバック成分Ｂは、ニューラルネットワーク１６が、演算周期毎に現在まで推定していた時系列の出力ベクトルＯｋで構成されている。この結果、本実施形態の手指関節角度推定装置１０によれば、表面筋電信号と指関節角度の関係の時間変化に対応可能であって、５本の指の各指関節角度を連続的にリアルタイムに正確に推定することができる。
（２） 本実施形態の手指関節角度推定装置１０において、整流処理部１２、平滑処理部１３、積分処理部１４、及び正規化処理部では、表面筋電信号に対して積分区間を演算周期毎にずらし積分し、積分して得られた積分値を特徴量として抽出するようにした。この結果、演算周期毎に表面筋電信号の特徴量である積分値を取得することができる。
なお、本発明の実施形態は以下のように変更してもよい。
○ 前記実施形態では、手指関節角度を推定する際に、生体信号として、前腕部において計測した表面筋電信号（ｓＥＭＧ）から得られる積分値を特徴量として用いたが、表面筋電信号の特徴量は、積分値に限定されるものではない。
○ 前記実施形態では、手指関節角度を推定する際に、生体信号として、前腕部において計測した表面筋電信号（ｓＥＭＧ）から得られる積分値を特徴量として用いたが、表面筋電信号の特徴量は、積分値に限定されるものではない。
例えば、表面筋電信号のパワースペクトルを使用してもよい。
この場合、前腕部において測定部位が複数ある場合、測定部位のチャンネル番号をｄとする。そして、各チャンネル毎に、かつサンプリング周期毎に得られたパワースペクトルを所定のバンド幅毎の区間和を求めて、ベクトル化すると、ある時に、あるチャンネルでサンプリングされたパワースペクトル（ベクトル）は式（２）のベクトルＦk dで表わすことができる。なお、所定のバンド幅は、限定されるものではなく、適宜に決定すればよい。前記パワースペクトルの区間和が特徴量となる。
この場合、前腕部において測定部位が複数ある場合、測定部位のチャンネル番号をｄとする。そして、各チャンネル毎に、かつサンプリング周期毎に得られたパワースペクトルを所定のバンド幅毎の区間和を求めて、ベクトル化すると、ある時に、あるチャンネルでサンプリングされたパワースペクトル（ベクトル）は式（２）のベクトルＦk dで表わすことができる。なお、所定のバンド幅は、限定されるものではなく、適宜に決定すればよい。前記パワースペクトルの区間和が特徴量となる。
式（２）中、Ｔは転置行列、ｋは時系列における順位、ｄはチャンネル番号、ｐは周波数の所定のバンド幅で区間分けした区分数である。
なお、パワースペクトルは、全波整流された表面筋電信号をフーリエ変換することにより求めることができる。なお、パワースペクトルの算出方法は、限定されるものではないが、フーリエ変換による算出法が一般的である。
なお、パワースペクトルは、全波整流された表面筋電信号をフーリエ変換することにより求めることができる。なお、パワースペクトルの算出方法は、限定されるものではないが、フーリエ変換による算出法が一般的である。
図１２は、表面筋電信号をフーリエ変換した後のパワースペクトルを表わし、横軸が周波数、縦軸がパワースペクトルの強度である。パワースペクトルには、例えば、筋疲労の影響を反映しうる等、前記積分値を特徴量とする場合よりも得られ難い情報を含んでいる。
○ パワースペクトルは、波形であるため、定量的な評価が難しい場合がある。この場合、表面筋電信号の特徴量として、平均周波数（Mean power frequency：以下、ＭＮＦという）、或いは中央周波数（Median power frequency：以下、ＭＤＦという）を使用してもよい。
ＭＮＦの方が数学的に素直な量であるが、ＭＤＦには高周波成分に含まれるノイズの影響を受けにくい利点がある。
ＭＮＦ及びＭＤＦの定義式を次式（３）、式（４）で示す。
ＭＮＦ及びＭＤＦの定義式を次式（３）、式（４）で示す。
ここで、Ｐ（ｘ）はパワースペクトルである。ｆは周波数である。
○ 又、生体信号は、表面筋電信号に限定されるものではない。表面筋電信号（ｓＥＭＧ）は、脳から発せられる神経信号に基づいて発生しているため、その基となる脳情報も，手指関節角度の推定に有用に使用することが可能である。なお、表面筋電信号（ｓＥＭＧ）は、筋繊維の活動電位の総和であり信号の振幅に大きな意味合いがあるが、脳情報に関しては各信号によって推奨されるべき信号処理法が異なる．
以下、脳情報を含むものとして、脳波（ＥＥＧ）、機能的磁気共鳴画像を形成するためのＭＲＩ信号、近赤外分光法（ＮＩＲＳ）、脳磁図（Magneto-Encephalo-Graphy :ＭＥＧ）を挙げることができる。
○ 又、生体信号は、表面筋電信号に限定されるものではない。表面筋電信号（ｓＥＭＧ）は、脳から発せられる神経信号に基づいて発生しているため、その基となる脳情報も，手指関節角度の推定に有用に使用することが可能である。なお、表面筋電信号（ｓＥＭＧ）は、筋繊維の活動電位の総和であり信号の振幅に大きな意味合いがあるが、脳情報に関しては各信号によって推奨されるべき信号処理法が異なる．
以下、脳情報を含むものとして、脳波（ＥＥＧ）、機能的磁気共鳴画像を形成するためのＭＲＩ信号、近赤外分光法（ＮＩＲＳ）、脳磁図（Magneto-Encephalo-Graphy :ＭＥＧ）を挙げることができる。
（１）脳波（Electroencephalogram：ＥＥＧ）
ＥＥＧは、古くからある非侵襲な計測手法で計測できる信号である。脳内の神経細胞の活動電位を、頭皮表面で計測した信号である。ここではα波及びβ波の少なくともいずれか１つの波の増減変化による事象関連同期化、及び事象関連脱同期化を特徴量として使用することができる。例えば、運動野が活動するとα波が弱まる事象関連脱同期化という現象があり、これは実際に運動をせず、想像する際にも生じる。又、α波が大きくなった時の事象関連同期化がある。又、ＥＥＧは後述するｆＭＲＩよりも時間分解能が高い利点がある。ＥＥＧで重要であるのが、前記事象関連脱同期化という現象である。この現象は特定の部位の脳波の、特定の周波数成分を変化させる。そのため、脳波から運動に関する要素を抽出するためには、高速フーリエ変換（FFT）やウェーブレット変換などの周波数解析手法によってパワースペクトルや周波数成分の分布を得られるような信号処理を施す。そして、本実施形態では、これらの信号処理をコンピュータにて行わせ、その信号処理結果をフィードフォワード成分とする。そして、前記実施形態のニューラルネットワーク１６に該フィードフォワード成分と、フィードバック成分を入力ベクトルとして入力するようにする。
ＥＥＧは、古くからある非侵襲な計測手法で計測できる信号である。脳内の神経細胞の活動電位を、頭皮表面で計測した信号である。ここではα波及びβ波の少なくともいずれか１つの波の増減変化による事象関連同期化、及び事象関連脱同期化を特徴量として使用することができる。例えば、運動野が活動するとα波が弱まる事象関連脱同期化という現象があり、これは実際に運動をせず、想像する際にも生じる。又、α波が大きくなった時の事象関連同期化がある。又、ＥＥＧは後述するｆＭＲＩよりも時間分解能が高い利点がある。ＥＥＧで重要であるのが、前記事象関連脱同期化という現象である。この現象は特定の部位の脳波の、特定の周波数成分を変化させる。そのため、脳波から運動に関する要素を抽出するためには、高速フーリエ変換（FFT）やウェーブレット変換などの周波数解析手法によってパワースペクトルや周波数成分の分布を得られるような信号処理を施す。そして、本実施形態では、これらの信号処理をコンピュータにて行わせ、その信号処理結果をフィードフォワード成分とする。そして、前記実施形態のニューラルネットワーク１６に該フィードフォワード成分と、フィードバック成分を入力ベクトルとして入力するようにする。
（２）機能的磁気共鳴画像(ｆＭＲＩ)
神経活動がより大きく生じている脳部位を、血流中の還元ヘモグロビンの変化から推定する方法であり、ＭＲＩで測定し、脳部位から得られたＭＲＩ信号を生体信号として使用する。ここでは、脳部位において、運動を司る部位における前記血流中の還元ヘモグロビンの変化から活性化している場所を特徴量とするものである。
神経活動がより大きく生じている脳部位を、血流中の還元ヘモグロビンの変化から推定する方法であり、ＭＲＩで測定し、脳部位から得られたＭＲＩ信号を生体信号として使用する。ここでは、脳部位において、運動を司る部位における前記血流中の還元ヘモグロビンの変化から活性化している場所を特徴量とするものである。
時間分解能は前述したＥＥＧに劣るが、空間分解能が格段に高い利点がある。計測機器は大がかりであり高価であるが、神経情報を詳細に読み取り機械制御信号に変換する方法として、非侵襲式の中では最も高性能である。
そして、本実施形態では、前記特徴量を有するＭＲＩ信号をフィードフォワード成分とする。そして、前記実施形態のニューラルネットワーク１６に該フィードフォワード成分と、フィードバック成分を入力ベクトルとして入力するようにする。
（３）近赤外分光法(ＮＩＲＳ)
近赤外分光法(ＮＩＲＳ)では、頭部や筋肉などの生体組織に対して透過性が高い近赤外光 (波長７００ｎｍ〜１０００ｎｍ) を外部から照射し、組織を透過してきた光を分析することにより、組織を流れている血液中のヘモグロビン酸素化状態を外部から調べる装置を使用する。生体信号は、該装置が検出した信号となる。又、前記組織を流れている血液中のヘモグロビン酸素化状態の変化を特徴量とする。
近赤外分光法(ＮＩＲＳ)では、頭部や筋肉などの生体組織に対して透過性が高い近赤外光 (波長７００ｎｍ〜１０００ｎｍ) を外部から照射し、組織を透過してきた光を分析することにより、組織を流れている血液中のヘモグロビン酸素化状態を外部から調べる装置を使用する。生体信号は、該装置が検出した信号となる。又、前記組織を流れている血液中のヘモグロビン酸素化状態の変化を特徴量とする。
本変形例では、この脳が活動したときに一過性に生じる局所的な血流量の変化を光センサで検出するものである。ＥＥＧとｆＭＲＩの中間程度の特性を持つ。計測システムはＥＥＧと同等の規模であるが、非接触であるため、ＥＥＧと異なり、生体信号を身体に取付けする端子が必要でなく、該端子の取り付けの煩わしさがない利点がある。そして、本実施形態では、前記装置が検出した特徴量を有する信号をフィードフォワード成分とする。そして、前記実施形態のニューラルネットワーク１６に該フィードフォワード成分と、フィードバック成分を入力ベクトルとして入力するようにする。
（４）脳磁図（Magnetoencephalography：ＭＥＧ）
脳磁図（ＭＥＧ）は、前記ＥＥＧと似ているが、脳内の活動部位によって生じる磁場の変化を特徴量として検出するものである。電気信号はノイズが乗りやすいが、それに対して磁場は乗りにくい利点がある。
脳磁図（ＭＥＧ）は、前記ＥＥＧと似ているが、脳内の活動部位によって生じる磁場の変化を特徴量として検出するものである。電気信号はノイズが乗りやすいが、それに対して磁場は乗りにくい利点がある。
そして、本実施形態では、被検体頭部の周りに該磁場を検出するセンサ（すなわち、ピックアップコイル）を配置して、該磁場の変化を特徴量を有する信号を生成して、該信号に含まれる磁場の変化をフィードフォワード成分とする。そして、前記実施形態のニューラルネットワーク１６に該フィードフォワード成分と、フィードバック成分を入力ベクトルとして入力するようにする。
前記（２）〜（４）での検出は、基本的には脳内の活動部位の分布を検出するものである。ｆＭＲＩやＮＩＲＳは脳内の血流量の変化を、ＭＥＧは脳内磁場の分布を見ることができ、どの部位の神経細胞が活性化しているかを見ることができる。そのため、医学的な知見やあらかじめの計測において、手指の運動と、その際の脳内の活動部位との対応付けを行っておくものとする。
○ 他の変形例として、下記のようにしてもよい。
関節は、筋肉の収縮により腱が移動し張力が発生することで駆動する。そのため、筋肉の収縮に伴う力こぶ等も、手指関節角度の推定に有効に利用できる。
関節は、筋肉の収縮により腱が移動し張力が発生することで駆動する。そのため、筋肉の収縮に伴う力こぶ等も、手指関節角度の推定に有効に利用できる。
（１） 腱の移動
手首の内側を見ながら指を動かすと、動かす関節によって異なる腱が移動している様子が伺える。腱の移動と関節の屈曲は直接的な関係があるため、腱の移動量から関節の回転角度を推定することが可能である。
手首の内側を見ながら指を動かすと、動かす関節によって異なる腱が移動している様子が伺える。腱の移動と関節の屈曲は直接的な関係があるため、腱の移動量から関節の回転角度を推定することが可能である。
このように、腱の移動を検出するために、すなわち、生体信号を得るために、２次元平面の圧力分布を検出するセンサ、例えば、分布型圧力センサを用いることができる。或いは、ビデオカメラを用いて、腱の移動を撮像し、該腱の移動に伴う影などの変化情報を含む画像信号を生体信号として取得する。
ここで、前記分布型圧力センサの検出信号により腱の移動の変化を特徴量としてもよい。この場合、前記特徴量を有する検出信号をフィードフォワード成分とする。そして、前記実施形態のニューラルネットワーク１６に該フィードフォワード成分と、フィードバック成分を入力ベクトルとして入力するようにする。
或いはビデオカメラが撮像した画像信号において、腱が移動したことを腱の移動を撮像した画像フレームの差分をとることにより、その変化を特徴量として得るようにしてもよい。この場合、前記変化がある部分を特徴量を有した画像信号が生体信号となる。そして、同様に、この場合、前記特徴量を有する生体信号をフィードフォワード成分とする。そして、前記実施形態のニューラルネットワーク１６に該フィードフォワード成分と、フィードバック成分を入力ベクトルとして入力するようにする。
（２）筋肉のふくらみ
腱の移動と筋肉の膨らみも密接な関係があるため、筋肉の膨らみもビデオカメラを使用して、手指関節の変化に応じた膨らみの変化を含む画像信号を生体信号として取得し、手指関節角度の推定に使用する。この場合、ビデオカメラが撮像した画像信号において、筋肉の膨らみの変化を撮像した画像フレームの差分をとることにより、その変化を特徴量として得るようにしてもよい。この場合、前記変化がある部分を特徴量を有した画像信号が生体信号となる。そして、同様に、この場合、前記特徴量を有する生体信号をフィードフォワード成分とする。そして、前記実施形態のニューラルネットワーク１６に該フィードフォワード成分と、フィードバック成分を入力ベクトルとして入力するようにする。
腱の移動と筋肉の膨らみも密接な関係があるため、筋肉の膨らみもビデオカメラを使用して、手指関節の変化に応じた膨らみの変化を含む画像信号を生体信号として取得し、手指関節角度の推定に使用する。この場合、ビデオカメラが撮像した画像信号において、筋肉の膨らみの変化を撮像した画像フレームの差分をとることにより、その変化を特徴量として得るようにしてもよい。この場合、前記変化がある部分を特徴量を有した画像信号が生体信号となる。そして、同様に、この場合、前記特徴量を有する生体信号をフィードフォワード成分とする。そして、前記実施形態のニューラルネットワーク１６に該フィードフォワード成分と、フィードバック成分を入力ベクトルとして入力するようにする。
（３）神経信号
神経は微弱な電気信号を伝える。ｓＥＭＧを発生させる信号も電気信号であるため、指関節を変化させたときの脳から筋肉細胞まで伝わる信号を検出すれば、生体信号として有用な信号となる。具体的には、運動神経に端子を装着することにより、神経信号を検出することができる。神経を伝わる信号は、連続的なアナログ信号よりは、離散的なデジタル信号に近い。前腕部の筋群を支配する複数の神経を伝わる信号を計測し、どこの神経が、どれだけの時間信号を伝えたかを計測することにより、運動を反映しうる生体信号になる。そして、指関節の動きによって脳から、当該指の筋肉細胞までに伝わる神経信号を検出した信号において、その神経信号の変化が特徴量となる。
神経は微弱な電気信号を伝える。ｓＥＭＧを発生させる信号も電気信号であるため、指関節を変化させたときの脳から筋肉細胞まで伝わる信号を検出すれば、生体信号として有用な信号となる。具体的には、運動神経に端子を装着することにより、神経信号を検出することができる。神経を伝わる信号は、連続的なアナログ信号よりは、離散的なデジタル信号に近い。前腕部の筋群を支配する複数の神経を伝わる信号を計測し、どこの神経が、どれだけの時間信号を伝えたかを計測することにより、運動を反映しうる生体信号になる。そして、指関節の動きによって脳から、当該指の筋肉細胞までに伝わる神経信号を検出した信号において、その神経信号の変化が特徴量となる。
この場合、前記特徴量を有する生体信号をフィードフォワード成分とする。そして、前記実施形態のニューラルネットワーク１６に該フィードフォワード成分と、フィードバック成分を入力ベクトルとして入力するようにする。
○ 前記実施形態では、手指関節角度を推定するようにしたが、手指関節角度に限定されるものではなく、足指関節角度を推定することも勿論可能である。
○ 前記実施形態では、ニューラルネットワーク１６として、３層パーセプトロンニューラルネットワークにより構成したが、３層以上のパーセプトロンニューラルネットワークにより構成してもよい。又、ニューラルネットワーク１６はパーセプトロンに限定されるものではなく、他のニューラルネットワークにより構成してもよい。
○ 前記実施形態では、ニューラルネットワーク１６として、３層パーセプトロンニューラルネットワークにより構成したが、３層以上のパーセプトロンニューラルネットワークにより構成してもよい。又、ニューラルネットワーク１６はパーセプトロンに限定されるものではなく、他のニューラルネットワークにより構成してもよい。
○ 前記実施形態では、１本の指が３つの関節を有しているため、これらの関節の屈曲角度（指関節角度）と、さらに、内外転の角度（指関節角度）を検出するために、すなわち、各関節角度を推定するためにニューラルネットワーク１６の出力層１６ｃのユニットを２０個としたが、推定に必要な関節角度に応じて、出力層１６ｃのユニットの数を減らしてもよい。
又、５本指の各関節角度の他に、手首関節等の他の関節角度を推定するために、逆に出力層１６ｃのユニットの数を増加させてもよい。
○ 前記実施形態では、複数の生体信号（表面筋電信号）を取得するようにしたが、単数の表面筋電信号としてもよい。
○ 前記実施形態では、複数の生体信号（表面筋電信号）を取得するようにしたが、単数の表面筋電信号としてもよい。
○ 前記実施形態では、単数種類の生体信号、すなわち、表面筋電信号を使用するようにしたが、上記各種の生体信号を複数種類組み合わせて使用することも可能である。
１０…手指関節角度推定装置（指関節角度推定装置）、
１２…整流処理部、１３…平滑処理部、１４…積分処理部、
１５…正規化処理部（平滑処理部１３、積分処理部１４とともに特徴量抽出手段を構成する）、
１６…ニューラルネットワーク（ニューラルネットワーク手段）、
１７…変換処理部、２０…電極、３０…出力装置。
１２…整流処理部、１３…平滑処理部、１４…積分処理部、
１５…正規化処理部（平滑処理部１３、積分処理部１４とともに特徴量抽出手段を構成する）、
１６…ニューラルネットワーク（ニューラルネットワーク手段）、
１７…変換処理部、２０…電極、３０…出力装置。
Claims (12)
- 各指関節が動いているときの単数又は複数種類の生体信号を入力して、各生体信号の特徴量を抽出し、抽出した該特徴量を一次元に並べて特徴量ベクトルとする特徴量抽出手段と、
演算周期毎に入力ベクトルに基づいて、各指関節の角度（以下、指関節角度という）の推定を行い、推定した前記各指関節角度を出力ベクトルとして出力するニューラルネットワーク手段とを含み、
前記入力ベクトルは、前記特徴量抽出手段が抽出した過去から現在までの時系列の特徴量ベクトルを一次元に並べたフィードフォワード成分と、出力のフィードバック成分で構成され、
前記フィードバック成分は、前記ニューラルネットワーク手段が、前記演算周期毎に現在まで推定していた時系列の前記出力ベクトルで構成されていることを特徴とする指関節角度推定装置。 - 前記生体信号は、表面筋電信号であることを特徴とする請求項１に記載の指関節角度推定装置。
- 前記特徴量抽出手段は、前記表面筋電信号に対して積分区間を演算周期毎にずらして積分し、積分して得られた積分値を特徴量として抽出するものである請求項２に記載の指関節角度推定装置。
- 前記特徴量抽出手段は、前記表面筋電信号のパワースペクトルの所定のバンド幅毎の区間和を特徴量として抽出するものである請求項２に記載の指関節角度推定装置。
- 前記特徴量抽出手段は、前記表面筋電信号のパワースペクトルの平均周波数又は中央周波数を特徴量として抽出するものである請求項２に記載の指関節角度推定装置。
- 前記生体信号は、脳波であり、
前記特徴量抽出手段は、前記脳波のα波及びβ波の少なくともいずれか１つの波の増減変化による事象関連同期化、及び事象関連脱同期化を特徴量として抽出するものである請求項１に記載の指関節角度推定装置。 - 前記生体信号は、脳部位のＭＲＩ信号であり、
前記特徴量抽出手段は、運動を司る部位における血流中の還元ヘモグロビンの変化から活性化している場所を特徴量として抽出するものである請求項１に記載の指関節角度推定装置。 - 前記生体信号は、頭部又は指関節に関係する筋肉を透過させた近赤外光を検出した信号であり、
前記特徴量抽出手段は、頭部又は指関節に関係する筋肉組織を流れている血液中のヘモグロビン酸素化状態の変化を特徴量として抽出するものである請求項１に記載の指関節角度推定装置。 - 前記生体信号は、脳磁図であり、
前記特徴量抽出手段は、前記脳磁図の磁場の変化を特徴量として抽出するものである請求項１に記載の指関節角度推定装置。 - 前記生体信号は、指関節の動きによって腱が移動するのを捉えた信号であり、
前記特徴量抽出手段は、前記腱の移動の変化を特徴量として抽出するものである請求項１に記載の指関節角度推定装置。 - 前記生体信号は、指関節の動きによって筋肉の膨らみが変化するのを捉えた信号であり、
前記特徴量抽出手段は、前記筋肉の膨らみの変化を特徴量として抽出するものである請求項１に記載の指関節角度推定装置。 - 前記生体信号は、指関節の動きによって脳から、当該指の筋肉細胞までに伝わる神経信号を検出する信号であり、
前記特徴量抽出手段は、前記指関節の動きに応じて変化する神経信号の変化を特徴量として抽出するものである請求項１に記載の指関節角度推定装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2008306782A JP5252432B2 (ja) | 2008-12-01 | 2008-12-01 | 指関節角度推定装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2008306782A JP5252432B2 (ja) | 2008-12-01 | 2008-12-01 | 指関節角度推定装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2010125287A JP2010125287A (ja) | 2010-06-10 |
| JP5252432B2 true JP5252432B2 (ja) | 2013-07-31 |
Family
ID=42326065
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2008306782A Expired - Fee Related JP5252432B2 (ja) | 2008-12-01 | 2008-12-01 | 指関節角度推定装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP5252432B2 (ja) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150109197A1 (en) | 2012-05-09 | 2015-04-23 | Sony Corporation | Information processing apparatus, information processing method, and program |
| JP2014050590A (ja) * | 2012-09-07 | 2014-03-20 | National Institute Of Advanced Industrial & Technology | 手用の動作認識装置、義手操作装置、及び複合センサ |
| JP6014869B2 (ja) * | 2014-09-12 | 2016-10-26 | 株式会社国際電気通信基礎技術研究所 | 動作識別システム、情報処理装置、情報処理プログラム、および情報処理システム |
| KR101904226B1 (ko) * | 2016-11-25 | 2018-11-30 | 한국과학기술연구원 | 신경 신호를 기반으로 한 관절의 각도 검출 시스템 |
| WO2019222833A1 (en) | 2018-05-24 | 2019-11-28 | Healthtech Connex Inc. | Quantifying motor function using beg signals |
| WO2020049692A2 (ja) | 2018-09-06 | 2020-03-12 | 株式会社ソニー・インタラクティブエンタテインメント | 推定装置、学習装置、推定方法、学習方法及びプログラム |
| JP2021179319A (ja) * | 2020-05-11 | 2021-11-18 | アルファメッドサイエンティフィック株式会社 | 解析方法および解析装置 |
| CN112205990B (zh) * | 2020-09-07 | 2023-07-14 | 武汉科技大学 | 一种基于sEMG的不同负载下手腕角度预测方法及装置 |
| WO2023163104A1 (ja) * | 2022-02-28 | 2023-08-31 | 国立大学法人愛媛大学 | 関節角度学習推測システム、関節角度学習システム、関節角度推測装置、関節角度学習方法、およびコンピュータプログラム |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2913611B2 (ja) * | 1991-10-22 | 1999-06-28 | 日本電信電話株式会社 | 学習型筋電パターン認識ロボットハンド制御装置 |
| JPH06102905A (ja) * | 1992-09-18 | 1994-04-15 | Hitachi Ltd | フィードフォワード／フィードバック制御装置 |
| JP2558599B2 (ja) * | 1993-07-12 | 1996-11-27 | 株式会社エイ・ティ・アール人間情報通信研究所 | ロボット制御装置 |
| JPH07219922A (ja) * | 1994-02-03 | 1995-08-18 | Fuji Xerox Co Ltd | パターン認識装置の学習装置 |
| JPH07277286A (ja) * | 1994-04-11 | 1995-10-24 | Mitsubishi Heavy Ind Ltd | 航空機用学習型飛行制御装置 |
| JP2008228871A (ja) * | 2007-03-19 | 2008-10-02 | Toshiba Corp | 関節屈曲動作予測装置および関節屈曲動作予測方法 |
-
2008
- 2008-12-01 JP JP2008306782A patent/JP5252432B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JP2010125287A (ja) | 2010-06-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5252432B2 (ja) | 指関節角度推定装置 | |
| Xie et al. | Classification of the mechanomyogram signal using a wavelet packet transform and singular value decomposition for multifunction prosthesis control | |
| Shair et al. | EMG processing based measures of fatigue assessment during manual lifting | |
| Pancholi et al. | Improved classification scheme using fused wavelet packet transform based features for intelligent myoelectric prostheses | |
| US20200038653A1 (en) | Multimodal closed-loop brain-computer interface and peripheral stimulation for neuro-rehabilitation | |
| Toda et al. | Reconstruction of two-dimensional movement trajectories from selected magnetoencephalography cortical currents by combined sparse Bayesian methods | |
| Lal et al. | Compressed sensing approach for physiological signals: A review | |
| Al Omari et al. | Pattern recognition of eight hand motions using feature extraction of forearm EMG signal | |
| Jiang et al. | IoT-based remote facial expression monitoring system with sEMG signal | |
| Zeng et al. | Fatigue-sensitivity comparison of sEMG and A-mode ultrasound based hand gesture recognition | |
| Torricelli et al. | Muscle synergies in clinical practice: Theoretical and practical implications | |
| Zhang et al. | Extracting time-frequency feature of single-channel vastus medialis EMG signals for knee exercise pattern recognition | |
| US20070050046A1 (en) | Methods for generating a signal indicative of an intended movement | |
| Yu et al. | Wrist torque estimation via electromyographic motor unit decomposition and image reconstruction | |
| Xiao et al. | Continuous estimation of elbow joint angle by multiple features of surface electromyographic using grey features weighted support vector machine | |
| Too et al. | Exploring the relation between EMG pattern recognition and sampling rate using spectrogram | |
| Boyd et al. | A-mode ultrasound driven sensor fusion for hand gesture recognition | |
| KR100994408B1 (ko) | 손가락 힘 추정 방법 및 추정 장치, 손가락 힘 추정을 위한근육 판별 방법 및 근육 판별 장치 | |
| Ke et al. | Intersected EMG heatmaps and deep learning based gesture recognition | |
| Hua et al. | An optimized selection method of channel numbers and electrode layouts for hand motion recognition | |
| Ji et al. | Stationary wavelet-based two-directional two-dimensional principal component analysis for EMG signal classification | |
| Jain et al. | Review of emg signal classification approaches based on various feature domains | |
| Chan et al. | A review of surface EMG in clinical rehabilitation care systems design | |
| WO2016053444A1 (en) | System and method for motion artifact reduction using surface electromyography | |
| Lu et al. | A hybrid deep learning framework for estimation of elbow flexion force via electromyography |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20111129 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20130124 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20130312 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20130409 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 5252432 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20160426 Year of fee payment: 3 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313113 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |