具备用户自适应能力的肌电传感方法及系统
阅读说明：本技术 具备用户自适应能力的肌电传感方法及系统 (Myoelectricity sensing method and system with user self-adaption capability ) 是由 易港 薛光辉 于 2021-01-20 设计创作，主要内容包括：本发明提供了一种具备用户自适应能力的肌电传感方法及系统,包括：步骤S1：采集前臂多块不同肌肉的表面肌电信号,将多通道的肌肉电信号汇总求多通道的肌肉电信号绝对值平均值,获取多通道的肌肉电信号绝对值平均值信息；步骤S2：根据多通道的肌肉电信号绝对值平均值信息,取多个连续时间序列对应的信号强度求平均；步骤S3：对各通道行动段求区间的平均值MAV,将区间的平均值MAV作为特征向量对信号进行特征提取,获取特征提取结果信息；步骤S4：根据特征提取结果信息,将肌肉电信号分为4类。本发明把开源算法中8通道肌电算法,转化成2通道肌电算法,使得识别率大大提高。(The invention provides a myoelectricity sensing method and a myoelectricity sensing system with user self-adaptive capacity, which comprise the following steps: step S1: collecting surface electromyographic signals of a plurality of different muscles on the forearm, summarizing the multichannel muscle electric signals to obtain the multichannel muscle electric signal absolute value average value, and obtaining the multichannel muscle electric signal absolute value average value information; step S2: averaging the signal intensities corresponding to a plurality of continuous time sequences according to the average value information of the absolute values of the muscle electric signals of the plurality of channels; step S3: calculating an average value MAV of the interval for each channel action section, and taking the average value MAV of the interval as a feature vector to perform feature extraction on the signal to obtain feature extraction result information; step S4: and (4) according to the feature extraction result information, dividing the muscle electric signals into 4 types. The invention converts the 8-channel electromyography algorithm in the open source algorithm into the 2-channel electromyography algorithm, so that the recognition rate is greatly improved.)
技术领域
本发明涉及中断保障技术领域，具体地，涉及一种具备用户自适应能力的肌电传感方法及系统。
背景技术
目前有许多关于肌电传感的论文，以及国外开源的机电传感算法框架，但是开源算法比较笼统，且不具备用户自适应能力。
专利文献CN211723165U公开了一种肌电传感器及假肢设备，所述肌电传感器包括：固定件，所述固定件用于安装在穿戴件上，所述固定件上设有驱动机构；以及，传感器本体，所述传感器本体设于所述固定件的一侧，所述传感器本体包括用于与人体接触的肌电感应件；所述传感器本体与所述驱动机构连接，所述驱动机构用于驱动所述传感器本体向靠近或远离所述固定件的方向移动，所述传感器本体具有靠近所述固定件的避让位置、及远离所述固定件以用于与人体接触的感应位置。本实用新型技术方案中，通过驱动机构实现固定件与传感器本体之间的相对移动，从而解决了传统肌电传感器位置固定、灵活性差的问题。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种具备用户自适应能力的肌电传感方法及系统。
根据本发明提供的一种具备用户自适应能力的肌电传感方法，包括：步骤S1：采集前臂多块不同肌肉的表面肌电信号，将多通道的肌肉电信号汇总求多通道的肌肉电信号绝对值平均值，获取多通道的肌肉电信号绝对值平均值信息；步骤S2：根据多通道的肌肉电信号绝对值平均值信息，取多个连续时间序列对应的信号强度求平均；步骤S3：对各通道行动段求区间的平均值MAV，能够看出对于不同的动作，MAV值区别明显，将区间的平均值MAV作为特征向量对信号进行特征提取，获取特征提取结果信息；步骤S4：根据特征提取结果信息通过前面三步信号采集，训练了一个XGBoost模型，将肌肉电信号分为4类。经过志愿者的现场测试，本方法的平均识别准确率高达96.1％。
优选地，所述步骤S2包括：
步骤S2.1：如果多个连续时间序列对应的信号后的多个信号点的均值都超过一定阈值，则视为一个动作开始，反之多个连续时间序列对应的信号后的多个信号点的局域均值都小于阈值，则视为一个动作结束。
优选地，所述步骤S4包括：
步骤S4.1：根据特征提取结果信息通过前面三步信号采集，训练了一个XGBoost模型，将肌肉电信号分为4类。经过志愿者的现场测试，本方法的平均识别准确率高达96.1％。
优选地，所述步骤S1包括：
步骤S1.1：采集前臂四块不同肌肉的表面肌电信号，将四通道的肌肉电信号汇总求四通道的肌肉电信号绝对值平均值，获取四通道的肌肉电信号绝对值平均值信息。
优选地，所述步骤S2包括：
步骤S2.1：根据四通道的肌肉电信号绝对值平均值信息，取四个连续时间序列对应的信号强度求平均。
根据本发明提供的一种具备用户自适应能力的肌电传感系统，包括：模块M1：采集前臂多块不同肌肉的表面肌电信号，将多通道的肌肉电信号汇总求多通道的肌肉电信号绝对值平均值，获取多通道的肌肉电信号绝对值平均值信息；模块M2：根据多通道的肌肉电信号绝对值平均值信息，取多个连续时间序列对应的信号强度求平均；模块M3：对各通道行动段求区间的平均值MAV，能够看出对于不同的动作，MAV值区别明显，将区间的平均值MAV作为特征向量对信号进行特征提取，获取特征提取结果信息；模块M4：根据特征提取结果信息通过前面三步信号采集，训练了一个XGBoost模型，将肌肉电信号分为4类。经过志愿者的现场测试，本系统的平均识别准确率高达96.1％。
优选地，所述模块M2包括：
模块M2.1：如果多个连续时间序列对应的信号后的多个信号点的均值都超过一定阈值，则视为一个动作开始，反之多个连续时间序列对应的信号后的多个信号点的局域均值都小于阈值，则视为一个动作结束。
优选地，所述模块M4包括：
模块M4.1：根据特征提取结果信息通过前面三步信号采集，训练了一个XGBoost模型，将肌肉电信号分为4类。经过志愿者的现场测试，本系统的平均识别准确率高达96.1％。
优选地，所述模块M1包括：
模块M1.1：采集前臂四块不同肌肉的表面肌电信号，将四通道的肌肉电信号汇总求四通道的肌肉电信号绝对值平均值，获取四通道的肌肉电信号绝对值平均值信息。
优选地，所述模块M2包括：
模块M2.1：根据四通道的肌肉电信号绝对值平均值信息，取四个连续时间序列对应的信号强度求平均。
与现有技术相比，本发明具有如下的有益效果：
1、本发明把开源算法中8通道肌电算法，转化成2通道肌电算法，使得识别率大大提高。
2、本发明能够训练了一个XGBoost模型，目前改模型已采集了，10万个数据库型号，对该模型进行训练，通过该模型，我们独创了用户自适应系统，传统的算法需要根据每个用户的实际肌肉情况进行单个的调校。因此我们的系统大大降低了产品调试成本，提高了产品生产的效率，并使产品能够进行标准化生产；
3、本发明流程构造合理，使用方便，能够克服现有技术的缺陷。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明的整体流程示意图。
图2为本发明实施例中的运动单元动作电位序列示意图。
图3为本发明实施例中的基于sEMG的动作识别一般处理流程示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还能够做出若干变化和改进。这些都属于本发明的保护范围。
根据本发明提供的一种具备用户自适应能力的肌电传感方法，包括：步骤S1：采集前臂多块不同肌肉的表面肌电信号，将多通道的肌肉电信号汇总求多通道的肌肉电信号绝对值平均值，获取多通道的肌肉电信号绝对值平均值信息；步骤S2：根据多通道的肌肉电信号绝对值平均值信息，取多个连续时间序列对应的信号强度求平均；步骤S3：对各通道行动段求区间的平均值MAV，能够看出对于不同的动作，MAV值区别明显，将区间的平均值MAV作为特征向量对信号进行特征提取，获取特征提取结果信息；步骤S4：根据特征提取结果信息通过前面三步信号采集，训练了一个XGBoost模型，将肌肉电信号分为4类。经过志愿者的现场测试，本方法的平均识别准确率高达96.1％。
所述步骤S2包括：
步骤S2.1：如果多个连续时间序列对应的信号后的多个信号点的均值都超过一定阈值，则视为一个动作开始，反之多个连续时间序列对应的信号后的多个信号点的局域均值都小于阈值，则视为一个动作结束。
所述步骤S4包括：
步骤S4.1：根据特征提取结果信息通过前面三步信号采集，训练了一个XGBoost模型，将肌肉电信号分为4类。经过志愿者的现场测试，本方法的平均识别准确率高达96.1％。
所述步骤S1包括：
步骤S1.1：采集前臂四块不同肌肉的表面肌电信号，将四通道的肌肉电信号汇总求四通道的肌肉电信号绝对值平均值，获取四通道的肌肉电信号绝对值平均值信息。
所述步骤S2包括：
步骤S2.1：根据四通道的肌肉电信号绝对值平均值信息，取四个连续时间序列对应的信号强度求平均。
根据本发明提供的一种具备用户自适应能力的肌电传感系统，包括：模块M1：采集前臂多块不同肌肉的表面肌电信号，将多通道的肌肉电信号汇总求多通道的肌肉电信号绝对值平均值，获取多通道的肌肉电信号绝对值平均值信息；模块M2：根据多通道的肌肉电信号绝对值平均值信息，取多个连续时间序列对应的信号强度求平均；模块M3：对各通道行动段求区间的平均值MAV，能够看出对于不同的动作，MAV值区别明显，将区间的平均值MAV作为特征向量对信号进行特征提取，获取特征提取结果信息；模块M4：根据特征提取结果信息通过前面三步信号采集，训练了一个XGBoost模型，将肌肉电信号分为4类。经过志愿者的现场测试，本系统的平均识别准确率高达96.1％。
所述模块M2包括：
模块M2.1：如果多个连续时间序列对应的信号后的多个信号点的均值都超过一定阈值，则视为一个动作开始，反之多个连续时间序列对应的信号后的多个信号点的局域均值都小于阈值，则视为一个动作结束。
所述模块M4包括：
模块M4.1：根据特征提取结果信息通过前面三步信号采集，训练了一个XGBoost模型，将肌肉电信号分为4类。经过志愿者的现场测试，本系统的平均识别准确率高达96.1％。
所述模块M1包括：
模块M1.1：采集前臂四块不同肌肉的表面肌电信号，将四通道的肌肉电信号汇总求四通道的肌肉电信号绝对值平均值，获取四通道的肌肉电信号绝对值平均值信息。
所述模块M2包括：
模块M2.1：根据四通道的肌肉电信号绝对值平均值信息，取四个连续时间序列对应的信号强度求平均。
采用CNN卷积神经网络，将肌电信号的信息作为输入，通过卷积进行特征的提取和抽象，并直接输出识别结果，来判定用户的手臂动作。
本发明把开源算法中8通道肌电算法，转化成2通道肌电算法，使得识别率大大提高。本发明能够训练了一个XGBoost模型，目前改模型已采集了，10万个数据库型号，对该模型进行训练，通过该模型，我们独创了用户自适应系统，传统的算法需要根据每个用户的实际肌肉情况进行单个的调校。因此我们的系统大大降低了产品调试成本，提高了产品生产的效率，并使产品能够进行标准化生产；本发明流程构造合理，使用方便，能够克服现有技术的缺陷。
具体地，在一个实施例中，如图2-3所示，表面肌电信号是由多个运动单元发放的动作电位序列，在皮肤表面呈现的时间上和空间上综合叠加的结果。
在本申请的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员能够在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征能够任意相互组合。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：移动医疗设备的行走装置以及移动式X线摄影设备