一种基于单点采集肌音信号的假肢实时控制方法
专利名称：一种基于单点采集肌音信号的假肢实时控制方法
技术领域：
本发明涉及假肢控制，特别是涉及一种基于单点采集肌音信号的假肢实时控制方法。
背景技术：
目前用于假肢控制的控制信号主要有人体自身的肌电信号、脑电信号、神经电信号和声音等。其中，肌电信号由于诸多优点一直是研究的主要方向，但是肌电信号仍然存在
着一些不足之处，例如对采集表面要求严格，传感器昂贵，受阻抗影响大，抗干扰能力差等等。
发明内容
本发明所要解决的技术问题就是为了克服上述先用技术存在的缺陷而提供一种基于单点采集肌音信号的假肢实时控制方法。
本发明的目的可以通过以下技术方案来实现一种基于单点采集肌音信号的假肢实时控制方法，其特征在于，包括以下步骤
A.数据采集 al)通过声音传感器采集肌肉声音信号； a2)通过数据采集卡采集肌肉声音信号中手进行抓握动作时前臂发出的前臂抓握声音信号； a3)去除前臂抓握声音信号的噪音； a4)将去除噪音后的前臂抓握声音信号转化为数字信号；
B.数据处理 bl)将采集到的数字信号分成短时帧，并对每帧信号进行方差计算；
b2)检测每帧信号的方差是否超过第一阈值，若是，则截取其后的数据段作为动作信号段，若否，则检测连续三帧的方差值是否超过第二阈值，若是，则截取其后的数据段作为动作信号段； b3)提取动作信号段中动作信号的时域特征； b4)将时域特征输入线性分类模型，得到动作判别的结果； C.假肢控制 cl)将实时处理得到的动作判别结果转化为电信号用于控制假肢的抓握动作。
所述的短时帧为每帧O. 1S。 所述的时域特征包括均值、方差、峰度、偏度、短时过零率以及AR模型参数。
所述的步骤b4)进一步包括首先采集一段时间的信号作分析，提取其时域特征作为训练样本得到线性分类器模型，然后将实时采集到的时域特征作为验证样本，通过线性分类模型得到动作判别结果。 所述的第一阈值为2，所述的第二阈值为1。
3
与现有技术相比，本发明具有以下优点 —、不需要直接接触皮肤对于手部受伤需包扎的病人或其它特殊情况也可以采集到有用的信号； 二、成本低声音传感器价格低廉，由于声音传感器的成本比现在常用的肌电传感器大大降低，可以降低采集系统成本； 三、受干扰小相比于肌电信号，肌肉声音信号强，且声音信号不受体表的电子干扰； 四、对硬件要求少肌音信号的运算处理简单，可减少对硬件的要求，应用DSP等硬件就能实现信号的处理，可进一步降低成本； 总之，利用较低的成本就达到了很好的判别效果，切操作简单，不易受干扰。
具体实施例方式
下面对本发明做进一步说明。 —种基于单点采集肌音信号的假肢实时控制方法，其特征在于，包括以下步骤
A.数据采集 al)通过声音传感器采集肌肉声音信号； a2)通过数据采集卡采集肌肉声音信号中手进行抓握动作时前臂发出的前臂抓握声音信号； a3)去除前臂抓握声音信号的噪音； a4)将去除噪音后的前臂抓握声音信号转化为数字信号；
B.数据处理 bl)将采集到的数字信号分成短时帧，并对每帧信号进行方差计算；
b2)检测每帧信号的方差是否超过第一阈值，若是，则截取其后的数据段作为动作信号段，若否，则检测连续三帧的方差值是否超过第二阈值，若是，则截取其后的数据段作为动作信号段； b3)提取动作信号段中动作信号的时域特征； b4)将时域特征输入线性分类模型，得到动作判别的结果； C.假肢控制 cl)将实时处理得到的动作判别结果转化为电信号用于控制假肢的抓握动作。
所述的短时帧为每帧O. 1S。 所述的时域特征包括均值、方差、峰度、偏度、短时过零率以及AR模型参数。
所述的步骤b4)进一步包括首先采集一段时间的信号作分析，提取其时域特征作为训练样本得到线性分类器模型，然后将实时采集到的时域特征作为验证样本，通过线性分类模型得到动作判别结果。 所述的第一阈值为2，所述的第二阈值为1。
本方法主要分为两大部分 1.数据采集部分利用一个声音传感器采集肌肉声音信号并建立数据采集系统，利用数据采集卡采集手进行抓握动作时前臂发出的声音，采集系统中采用滤波电路去除噪音，提高肌音信号信噪比。将声音信号转化为数字信号输入电脑为后续处理做准备。
2.数据处理部分将采集到的数字信号分为每帧O. IS的短时帧，对每帧计算方 差，当方差超过阈值时判断动作发生，然后截取其后的数据段作为动作信号段；提取动作信 号的7个时域特征，包括均值、方差、峰度、偏度、短时过零率、和AR模型的两个参数等等；首 先采集一段时间的信号作分析，提取其时域特征作为训练样本得到线性分类器模型，然后 将验证样本通过分类器得到分类结果。 分类识别中常用的分类器包括线性分类(Linear Discriminant Analysis) 、二次 型分类(Quadratic Discriminant Analysis)、支持向量机(Supported Vector Machine) 方法和神经网络(Neural Network)分类方法等等，出于实时性考虑，减少运算时间，本系统 采用最简单的线性分类方法对信号的特征进行监督学习和分类。对特征矩阵Xi = {xn，xi2， xi3，， xi7}进行监督学习，其中Xij为第i个动作样本的第j个特征值。取一实验对象的 n个动作样本，作为训练样本用于训练，得到分类器模型；然后将实时采集分析得到的样本
通过分类器模型得到动作判断的结果。 利用训练样本训练分类器后，将验证样本导入分类器分辨出动作类型为抓还是 放。实验证明，线性分类器对抓放动作判别正确率达到95. 63 ±2. 55%，满足实用需要。
3.假肢控制部分将实时处理得到的动作判别结果转化为电信号用于控制假肢 的抓握动作，实验证明，判别率高，控制效果好。 通过试验共对8个健康个体进行采样分析，实验对象年龄25±3岁，其中男性6 名，女性2名。 实验过程中对每位对象采集4组数据，由于实验对象动作快慢不一样，不同 对象动作样本总计为143 211个不等。通过具体的实验，判断别动作的正确率达到 95. 63±2. 55%，完全可以满足实用需要。
权利要求
一种基于单点采集肌音信号的假肢实时控制方法，其特征在于，包括以下步骤A.数据采集a1)通过声音传感器采集肌肉声音信号；a2)通过数据采集卡采集肌肉声音信号中手进行抓握动作时前臂发出的前臂抓握声音信号；a3)去除前臂抓握声音信号的噪音；a4)将去除噪音后的前臂抓握声音信号转化为数字信号；B.数据处理b1)将采集到的数字信号分成短时帧，并对每帧信号进行方差计算；b2)检测每帧信号的方差是否超过第一阈值，若是，则截取其后的数据段作为动作信号段，若否，则检测连续三帧的方差值是否超过第二阈值，若是，则截取其后的数据段作为动作信号段；b3)提取动作信号段中动作信号的时域特征；b4)将时域特征输入线性分类模型，得到动作判别的结果；C.假肢控制c1)将实时处理得到的动作判别结果转化为电信号用于控制假肢的抓握动作。
2. 根据权利要求1所述的一种基于单点采集肌音信号的假肢实时控制方法，其特征在 于，所述的短时帧为每帧O. 1S。
3. 根据权利要求1或2所述的一种基于单点采集肌音信号的假肢实时控制方法，其特 征在于，所述的时域特征包括均值、方差、峰度、偏度、短时过零率以及AR模型参数。
4. 根据权利要求3所述的一种基于单点采集肌音信号的假肢实时控制方法，其特征在 于，所述的步骤b4)进一步包括首先采集一段时间的信号作分析，提取其时域特征作为训 练样本得到线性分类器模型，然后将实时采集到的时域特征作为验证样本，通过线性分类 模型得到动作判别结果。
5. 根据权利要求4所述的一种基于单点采集肌音信号的假肢实时控制方法，其特征在 于，所述的第一阈值为2，所述的第二阈值为1。
全文摘要
一种基于单点采集肌音信号的假肢实时控制方法，包括以下步骤通过声音传感器采集肌肉声音信号；通过数据采集卡采集肌肉声音信号中手进行抓握动作时前臂发出的前臂抓握声音信号；去除前臂抓握声音信号的噪音；将声音信号转化为数字信号；将采集到的数字信号分成短时帧，并对每帧信号进行方差计算；每帧信号的方差超过第一阈值，则截取其后的数据段作为动作信号段，连续三帧的方差值超过第二阈值，则截取其后的数据段作为动作信号段；提取动作信号段中动作信号的时域特征；将时域特征输入线性分类模型，得到动作判别的结果；将动作判别结果转化为电信号用于控制假肢的抓握动作。本发明成本低、受干扰小、硬件要求低，操作简单，不易受干扰。
文档编号A61F2/70GK101766509SQ20091020066
公开日2010年7月7日 申请日期2009年12月24日 优先权日2009年12月24日
发明者夏春明, 曹炜, 曾勇, 杨正宜, 王爱林, 苗露 申请人:华东理工大学
技术领域：
本发明涉及假肢控制，特别是涉及一种基于单点采集肌音信号的假肢实时控制方法。
背景技术：
目前用于假肢控制的控制信号主要有人体自身的肌电信号、脑电信号、神经电信号和声音等。其中，肌电信号由于诸多优点一直是研究的主要方向，但是肌电信号仍然存在
着一些不足之处，例如对采集表面要求严格，传感器昂贵，受阻抗影响大，抗干扰能力差等等。
发明内容
本发明所要解决的技术问题就是为了克服上述先用技术存在的缺陷而提供一种基于单点采集肌音信号的假肢实时控制方法。
本发明的目的可以通过以下技术方案来实现一种基于单点采集肌音信号的假肢实时控制方法，其特征在于，包括以下步骤
A.数据采集 al)通过声音传感器采集肌肉声音信号； a2)通过数据采集卡采集肌肉声音信号中手进行抓握动作时前臂发出的前臂抓握声音信号； a3)去除前臂抓握声音信号的噪音； a4)将去除噪音后的前臂抓握声音信号转化为数字信号；
B.数据处理 bl)将采集到的数字信号分成短时帧，并对每帧信号进行方差计算；
b2)检测每帧信号的方差是否超过第一阈值，若是，则截取其后的数据段作为动作信号段，若否，则检测连续三帧的方差值是否超过第二阈值，若是，则截取其后的数据段作为动作信号段； b3)提取动作信号段中动作信号的时域特征； b4)将时域特征输入线性分类模型，得到动作判别的结果； C.假肢控制 cl)将实时处理得到的动作判别结果转化为电信号用于控制假肢的抓握动作。
所述的短时帧为每帧O. 1S。 所述的时域特征包括均值、方差、峰度、偏度、短时过零率以及AR模型参数。
所述的步骤b4)进一步包括首先采集一段时间的信号作分析，提取其时域特征作为训练样本得到线性分类器模型，然后将实时采集到的时域特征作为验证样本，通过线性分类模型得到动作判别结果。 所述的第一阈值为2，所述的第二阈值为1。
3
与现有技术相比，本发明具有以下优点 —、不需要直接接触皮肤对于手部受伤需包扎的病人或其它特殊情况也可以采集到有用的信号； 二、成本低声音传感器价格低廉，由于声音传感器的成本比现在常用的肌电传感器大大降低，可以降低采集系统成本； 三、受干扰小相比于肌电信号，肌肉声音信号强，且声音信号不受体表的电子干扰； 四、对硬件要求少肌音信号的运算处理简单，可减少对硬件的要求，应用DSP等硬件就能实现信号的处理，可进一步降低成本； 总之，利用较低的成本就达到了很好的判别效果，切操作简单，不易受干扰。
具体实施例方式
下面对本发明做进一步说明。 —种基于单点采集肌音信号的假肢实时控制方法，其特征在于，包括以下步骤
A.数据采集 al)通过声音传感器采集肌肉声音信号； a2)通过数据采集卡采集肌肉声音信号中手进行抓握动作时前臂发出的前臂抓握声音信号； a3)去除前臂抓握声音信号的噪音； a4)将去除噪音后的前臂抓握声音信号转化为数字信号；
B.数据处理 bl)将采集到的数字信号分成短时帧，并对每帧信号进行方差计算；
b2)检测每帧信号的方差是否超过第一阈值，若是，则截取其后的数据段作为动作信号段，若否，则检测连续三帧的方差值是否超过第二阈值，若是，则截取其后的数据段作为动作信号段； b3)提取动作信号段中动作信号的时域特征； b4)将时域特征输入线性分类模型，得到动作判别的结果； C.假肢控制 cl)将实时处理得到的动作判别结果转化为电信号用于控制假肢的抓握动作。
所述的短时帧为每帧O. 1S。 所述的时域特征包括均值、方差、峰度、偏度、短时过零率以及AR模型参数。
所述的步骤b4)进一步包括首先采集一段时间的信号作分析，提取其时域特征作为训练样本得到线性分类器模型，然后将实时采集到的时域特征作为验证样本，通过线性分类模型得到动作判别结果。 所述的第一阈值为2，所述的第二阈值为1。
本方法主要分为两大部分 1.数据采集部分利用一个声音传感器采集肌肉声音信号并建立数据采集系统，利用数据采集卡采集手进行抓握动作时前臂发出的声音，采集系统中采用滤波电路去除噪音，提高肌音信号信噪比。将声音信号转化为数字信号输入电脑为后续处理做准备。
2.数据处理部分将采集到的数字信号分为每帧O. IS的短时帧，对每帧计算方 差，当方差超过阈值时判断动作发生，然后截取其后的数据段作为动作信号段；提取动作信 号的7个时域特征，包括均值、方差、峰度、偏度、短时过零率、和AR模型的两个参数等等；首 先采集一段时间的信号作分析，提取其时域特征作为训练样本得到线性分类器模型，然后 将验证样本通过分类器得到分类结果。 分类识别中常用的分类器包括线性分类(Linear Discriminant Analysis) 、二次 型分类(Quadratic Discriminant Analysis)、支持向量机(Supported Vector Machine) 方法和神经网络(Neural Network)分类方法等等，出于实时性考虑，减少运算时间，本系统 采用最简单的线性分类方法对信号的特征进行监督学习和分类。对特征矩阵Xi = {xn，xi2， xi3，， xi7}进行监督学习，其中Xij为第i个动作样本的第j个特征值。取一实验对象的 n个动作样本，作为训练样本用于训练，得到分类器模型；然后将实时采集分析得到的样本
通过分类器模型得到动作判断的结果。 利用训练样本训练分类器后，将验证样本导入分类器分辨出动作类型为抓还是 放。实验证明，线性分类器对抓放动作判别正确率达到95. 63 ±2. 55%，满足实用需要。
3.假肢控制部分将实时处理得到的动作判别结果转化为电信号用于控制假肢 的抓握动作，实验证明，判别率高，控制效果好。 通过试验共对8个健康个体进行采样分析，实验对象年龄25±3岁，其中男性6 名，女性2名。 实验过程中对每位对象采集4组数据，由于实验对象动作快慢不一样，不同 对象动作样本总计为143 211个不等。通过具体的实验，判断别动作的正确率达到 95. 63±2. 55%，完全可以满足实用需要。
权利要求
一种基于单点采集肌音信号的假肢实时控制方法，其特征在于，包括以下步骤A.数据采集a1)通过声音传感器采集肌肉声音信号；a2)通过数据采集卡采集肌肉声音信号中手进行抓握动作时前臂发出的前臂抓握声音信号；a3)去除前臂抓握声音信号的噪音；a4)将去除噪音后的前臂抓握声音信号转化为数字信号；B.数据处理b1)将采集到的数字信号分成短时帧，并对每帧信号进行方差计算；b2)检测每帧信号的方差是否超过第一阈值，若是，则截取其后的数据段作为动作信号段，若否，则检测连续三帧的方差值是否超过第二阈值，若是，则截取其后的数据段作为动作信号段；b3)提取动作信号段中动作信号的时域特征；b4)将时域特征输入线性分类模型，得到动作判别的结果；C.假肢控制c1)将实时处理得到的动作判别结果转化为电信号用于控制假肢的抓握动作。
2. 根据权利要求1所述的一种基于单点采集肌音信号的假肢实时控制方法，其特征在 于，所述的短时帧为每帧O. 1S。
3. 根据权利要求1或2所述的一种基于单点采集肌音信号的假肢实时控制方法，其特 征在于，所述的时域特征包括均值、方差、峰度、偏度、短时过零率以及AR模型参数。
4. 根据权利要求3所述的一种基于单点采集肌音信号的假肢实时控制方法，其特征在 于，所述的步骤b4)进一步包括首先采集一段时间的信号作分析，提取其时域特征作为训 练样本得到线性分类器模型，然后将实时采集到的时域特征作为验证样本，通过线性分类 模型得到动作判别结果。
5. 根据权利要求4所述的一种基于单点采集肌音信号的假肢实时控制方法，其特征在 于，所述的第一阈值为2，所述的第二阈值为1。
全文摘要
一种基于单点采集肌音信号的假肢实时控制方法，包括以下步骤通过声音传感器采集肌肉声音信号；通过数据采集卡采集肌肉声音信号中手进行抓握动作时前臂发出的前臂抓握声音信号；去除前臂抓握声音信号的噪音；将声音信号转化为数字信号；将采集到的数字信号分成短时帧，并对每帧信号进行方差计算；每帧信号的方差超过第一阈值，则截取其后的数据段作为动作信号段，连续三帧的方差值超过第二阈值，则截取其后的数据段作为动作信号段；提取动作信号段中动作信号的时域特征；将时域特征输入线性分类模型，得到动作判别的结果；将动作判别结果转化为电信号用于控制假肢的抓握动作。本发明成本低、受干扰小、硬件要求低，操作简单，不易受干扰。
文档编号A61F2/70GK101766509SQ20091020066
公开日2010年7月7日 申请日期2009年12月24日 优先权日2009年12月24日
发明者夏春明, 曹炜, 曾勇, 杨正宜, 王爱林, 苗露 申请人:华东理工大学
最新回复(0)