基于表面肌电的特征提取方法及系统技术方案

本发明专利技术提供一种基于表面肌电的特征提取方法及系统，特征提取方法包括：接收sEMG信号序列，所述sEMG信号序列包括至少一个活动信号段；根据所述sEMG信号序列的去均值化信号的TKE算子计算信号阈值，根据所述信号阈值检测所述sEMG信号序列中所述活动信号段的起始时间；根据时间阈值修正所述活动信号段的起始时间获得所述活动信号段的起止时间；根据所述活动信号段的起止时间提取所述活动信号段；根据所述活动信号段，获取所述sEMG信号序列的至少一个特征。本发明专利技术提供的基于表面肌电的特征提取方法及系统来可以利用所采集sEMG信号序列准确地获取sEMG信号序列的特征。

Feature extraction method and system based on surface electromyography

The present invention provides a system and method for feature extraction of surface EMG based feature extraction method includes: receiving a sEMG signal sequence, the sEMG signal sequence includes at least one active signal segment; according to TKE operator mean signal of the sEMG signal sequence calculation signal threshold, according to the starting time of the signal detection threshold the sEMG signal sequence in the active signal segment; according to the start time of the activity time threshold correction signal segment to obtain the signal section start and stop time; according to the signal segment the starting and ending time of the activity period of signal extraction; according to the activities of at least one signal section. The characteristics of obtaining the sEMG signal sequence. The invention provides a surface electromyography based feature extraction method and a system to accurately acquire the characteristics of a sEMG signal sequence using the acquired sEMG signal sequence.

【技术实现步骤摘要】
基于表面肌电的特征提取方法及系统
本专利技术涉及信号处理领域，尤其涉及一种基于表面肌电的特征提取方法及系统。
技术介绍
神经肌肉疲劳机理与预测研究是国内外运动医学研究的热点，同时也是运动人体科学研究的重点。在运动过程中，由于血液中的供养量，或者营养物质缺乏等都会使肌肉的结构、代谢以及能量等发生一系列变化，会使神经肌肉系统的效率下降，从而肌肉无法继续完成任务，导致肌肉疲劳。肌肉疲劳可能导致肌肉损伤，严重情况下的肌肉疲劳将不可恢复。肌肉疲劳的研究在人机工程学、人机接口、康复医疗、运动损伤、假肢等领域应用前景广泛。目前，肌肉疲劳的临床检测工具主要有肌电信号(sEMG，surfaceelectromyography)、肌音(MMG，Mechanomyogram)、声肌图(SMG，Sonomyography)、近红外光谱(NIRS，Near-infraredspectroscopy)、声波描记图(AMG，Acousticmyography)、测角传感器等。其中，利用sEMG记录、研究肌肉是劳动生理学中常用的方法，作为一种简单、无创伤、科定量的研究方法，它可研究局部肌肉疲劳过程中的变化特征，是一种精确检测工具。在实际应用中，由于采集的sEMG信号序列受各种因素影响会产生许多噪声，无法准确得根据所采集的sEMG信号序列获取特征，进而进行检测。
技术实现思路
本专利技术为了克服上述现有技术存在的缺陷，提供一种基于表面肌电的特征提取方法及系统、基于表面肌电的交互训练系统以及基于表面肌电的康复度排序方法，来利用所采集sEMG信号序列准确地获取sEMG信号序列的特征。本专利技术提供一种基于表面肌电的特征提取方法，包括：接收sEMG信号序列，所述sEMG信号序列包括至少一个活动信号段；根据所述sEMG信号序列的去均值化信号的TKE算子计算信号阈值，根据所述信号阈值检测所述sEMG信号序列中所述活动信号段的起始时间；根据时间阈值修正所述活动信号段的起始时间获得所述活动信号段的起止时间；根据所述活动信号段的起止时间提取所述活动信号段；根据所述活动信号段，获取所述sEMG信号序列的至少一个特征。优选地，根据如下公式计算所述sEMG信号序列的去均值化信号及所述去均值化信号的TKE算子：其中，为所述sEMG信号序列的去均值化信号，x(n)为所述sEMG信号序列的信号，ψ(n)为所述去均值化信号的TKE算子，N为所述sEMG信号序列的总长度，M为所述sEMG信号序列的背景噪声长度。优选地，根据如下公式计算所述信号阈值：Th＝u0+j·δ0，其中，μ0为所述sEMG信号序列在TKE域内的背景噪声均值，δ0为所述sEMG信号序列在TKE域内的背景噪声标准差用于计算信号阈值Th，j为大于等于5小于等于30的参数。优选地，根据如下公式判断所述sEMG信号序列的信号是否属于所述活动信号段：其中，s(n)表示判断序列；根据如下公式计算所述活动信号段的起始时间：其中，表示所述活动信号段的起始时间。优选地，根据时间阈值修正所述活动信号段的起始时间获得所述活动信号段的起止时间的步骤包括：若相邻s(n)＝1的时间间隔小于第一时间阈值，则将该相邻s(n)＝1之间的值全部设置为1；以及若相邻s(n)＝0的时间间隔小于第二时间阈值，则将该相邻s(n)＝0之间的值全部设置为0。优选地，所述至少一个特征包括：最大幅值、能量、近似熵、积分肌电值、平均功率频率、中值频率中的一个或多个。根据本专利技术的又一方面，还提供一种基于表面肌电的特征提取系统，采用如上所述的基于表面肌电的特征提取方法，所述特征提取系统包括：采集装置，用于采集所述sEMG信号序列，所述sEMG信号序列包括至少一个活动信号段；处理器，与所述采集装置通信，所述处理器包括：接收装置，用于接收所述sEMG信号序列；第一计算装置，用于根据所述sEMG信号序列的去均值化信号的TKE算子计算信号阈值，并根据所述信号阈值检测所述sEMG信号序列中所述活动信号段的起始时间；修正装置，用于根据时间阈值修正所述活动信号段的起始时间获得所述活动信号段的起止时间；活动信号段提取装置，用于根据所述活动信号段的起止时间提取所述活动信号段；特征提取装置，用于根据所述活动信号段，获取所述sEMG信号序列的至少一个特征。优选地，所述采集装置为一个或多个电极贴片。根据本专利技术的又一方面，还提供一种基于表面肌电的交互训练系统，包括：多个采集装置，用于分别采集多个对象的sEMG信号序列，各所述sEMG信号序列包括至少一个活动信号段；至少一个处理器，包括：提取装置，采用如上所述的基于表面肌电的特征提取方法提取各所述sEMG信号序列的至少一个特征；互动装置，用于分别向多个对象提供虚拟情景，并根据所述提取装置提取的各所述sEMG信号序列的至少一个特征，在所述虚拟情景中进行互动，所述多个对象位于同一虚拟情景中。优选地，每个所述采集装置采集一个所述对象的sEMG信号序列。优选地，所述多个采集装置与一个所述处理器通信，所述交互训练系统还包括：多个显示装置，与所述处理器通信，分别向多个所述对象显示所述虚拟情景。优选地，所述多个采集装置、多个显示装置及所述处理器位于同一空间中。优选地，所述多个采集装置及所述多个显示装置的一部分位于第一空间，所述多个采集装置及所述多个显示装置的另一部分位于第二空间，所述处理器位于所述第一空间、所述第二空间或者所述第三空间。优选地，位于不同空间的多个所述采集装置、多个所述显示装置及所述处理器通过无线方式进行通信。优选地，所述处理器还包括：角色分配装置，用于向各所述对象分配不同的角色。优选地，所述互动装置提供多个虚拟情景，各所述虚拟情景对应所述sEMG信号序列的一个或多个特征。根据本专利技术的又一方面，还提供一种基于表面肌电的康复度排序方法，包括：采用如上所述的特征提取方法提取所述sEMG信号序列至少一个特征；将所述至少一个特征输入经训练的Z个弱回归模型，Z为大于1的整数；根据所述Z个弱回归模型的输出值获得对应所述sEMG信号序列的康复度。优选地，所述Z个弱回归模型根据如下方式训练：获取多个所述sEMG信号序列及对应各所述sEMG信号序列的已知康复度；提取多个所述sEMG信号序列的多个活动信号段；根据各所述活动信号段提取特征；将所述多个活动信号段中的Q个活动信号段作为训练集，Q为大于1的整数；将所述训练集中各活动信号段的特征作为所述Z个弱回归模型的输入；将对应各活动信号段所在的所述sEMG信号序列的已知康复度作为所述Z个弱回归模型的输出；以及训练所述Z个弱回归模型。优选地，根据如下方式测试所述Z个弱回归模型：将所述多个活动信号段中的P个活动信号段作为测试集，P为大于1的整数；将所述测试集中各活动信号段的特征作为经训练的所述Z个弱回归模型的输入；输出对应各活动信号段所在的所述sEMG信号序列的康复度，将所述康复度与所述已知康复度进行比对。优选地，根据所述Z个弱回归模型的输出值获得对应所述sEMG信号序列的康复度包括：对所述Z个弱回归模型的输出值进行加权平均以得出对应所述sEMG信号序列的康复度。优选地，还包括：按所述康复度对所述sEMG信号序列进行排序。根据本专利技术的又一方面，还提供一种基于表面肌电的复合式交互训练系统，包括：多个采集装置，用于分本文档来自技高网...

【技术保护点】
一种基于表面肌电的特征提取方法，其特征在于，包括：接收sEMG信号序列，所述sEMG信号序列包括至少一个活动信号段；根据所述sEMG信号序列的去均值化信号的TKE算子计算信号阈值，根据所述信号阈值检测所述sEMG信号序列中所述活动信号段的起始时间；根据时间阈值修正所述活动信号段的起始时间获得所述活动信号段的起止时间；根据所述活动信号段的起止时间提取所述活动信号段；根据所述活动信号段，获取所述sEMG信号序列的至少一个特征。

【技术特征摘要】
1.一种基于表面肌电的特征提取方法，其特征在于，包括：接收sEMG信号序列，所述sEMG信号序列包括至少一个活动信号段；根据所述sEMG信号序列的去均值化信号的TKE算子计算信号阈值，根据所述信号阈值检测所述sEMG信号序列中所述活动信号段的起始时间；根据时间阈值修正所述活动信号段的起始时间获得所述活动信号段的起止时间；根据所述活动信号段的起止时间提取所述活动信号段；根据所述活动信号段，获取所述sEMG信号序列的至少一个特征。2.如权利要求1所述的特征提取方法，其特征在于，根据如下公式计算所述sEMG信号序列的去均值化信号及所述去均值化信号的TKE算子：其中，为所述sEMG信号序列的去均值化信号，x(n)为所述sEMG信号序列的信号，ψ(n)为所述去均值化信号的TKE算子，N为所述sEMG信号序列的总长度，M为所述sEMG信号序列的背景噪声长度。3.如权利要求2所述的特征提取方法，其特征在于，根据如下公式计算所述信号阈值：其中，μ0为所述sEMG信号序列在TKE域内的背景噪声均值，δ0为所述sEMG信号序列在TKE域内的背景噪声标准差用于计算信号阈值Th，j为大于等于5小于等于30的参数。4.如权利要求3所述的特征提取方法，其特征在于，根据如下公式判断所述sEMG信号序列的信号是否属于所述活动信号段：其中，s(n)表示判断序列；根据如下公式计算所述活动信号段的起始时间：其中，表示所述活动信号段的起始时间。5.如权利要求4所述的特征提取方法，其特征在于，根据时间阈值修正所述活动信号段的起始时间获得所述活动信号段的起止时间的步骤包括：若相邻s(n)＝1的时间间隔小于第一时间阈值，则将该相邻s(n)＝1之间的值全部设置为1；以及若相邻s(n)＝0的时间间隔小于第二时间阈值，则将该相邻s(n)＝0之间的值全部设置为0。6.如权利要求1至5任一项所述的特征提取方法，其特征在于，所述至少一个特征包括：最大幅值、能量、近似熵、积分肌电值、平均功率频率、中值频率中的一个或多个。7.一种基于表面肌电的特征提取系统，其特征在于，采用如权利要求1至6任一项所述的基于表面肌电的特征提取方法，所述特征提取系统包括：采集装置，用于采集所述sEMG信号序列，所述sEMG信号序列包括至少一个活动信号段；处理器，与所述采集装置通信，所述处理器包括：接收装置，用于接收所述sEMG信号序列；第一计算装置，用于根据所述sEMG信号序列的去均值化信号的TKE算子计算信号阈值，并根据所述信号阈值检测所述sEMG信号序列中所述活动信号段的起始时间；修正装置，用于根据时间阈值修正所述活动信号段的起始时间获得所述活动信号段的起止时间；活动信号段提取装置，用于根据所述活动信号段的起止时间提取所述活动信号段；特征提取装置，用于根据所述活动信号段，获取所述sEMG信号序列的至少一个特征。8.如权利要求7所述的特征提取系统，其特征在于，所述采集装置为一个或多个电极贴片。9.一种基于表面肌电的交互训练系统，其特征在于，包括：多个采集装置，用于分别采集多个对象的sEMG信号序列，各所述sEMG信号序列包括至少一个活动信号段；至少一个处理器，包括：提取装置，采用如权利要求1至6任一项所述的基于表面肌电的特征提取方法提取各所述sEMG信号...

【专利技术属性】
技术研发人员：樊天润，何雷，周俊，黄伟新，
申请(专利权)人：常州市钱璟康复股份有限公司，
类型：发明
国别省市：江苏,32