专利交易市场

一种基于双分支网络的表面肌电信号识别方法，包括：S1：采用窗口分析法对原始信号数据预处理；S2：利用机器学习方法对肌电信号各通道进行特征提取，得到一维离散特征x，再采用特殊二维化方法，先对原特征向量x中的m个离散特征信息进行平方处理得x2，再将特征向量x与x2进行笛卡尔积运算，得到二维合成矩阵F；S3：将得到的二维特征矩阵放入CNN网络中，进行多次卷积与池化，提取空间特征信息，得到空间特征图Mapspace；S4：将原始肌电信号进行归一化处理，使得原始数据缩放到同特征二维化后相同的数据范围；S5：将处理后的信息放入GRU网络中训练，提取时间特征信息，得到时间特征图Maptime；S6：使用全连接层融合两个网络训练的参数Mapspace和Maptime，最后通过softmax层进行分类。

本发明提出了一种基于肌电信号的多层次运动功能评估方法，其包括以下步骤：S1得到多通道EMG信号；S2基于肢体肌肉多层次动态特征分析方法进行建模，获取多层次动态特征；S3根据获取的多层次动态特征，进行肌肉多层次响应机制及运动功能评估策略的分析；S4根据功能肌群协同作用的模块化结构及功能网络特性，获得针对肢体运动模式异常及功能结构改变的情况；S5确定肢体肌肉多层次动态响应机制及构建运动功能评估策略。本发明从单通道肌电信号、双通道肌电信号、多通道肌电信号进行肢体肌肉多层次动态响应分析，得到肌肉的多层次动态响应演变规律，构建基于肌电多层次动态特征综合评估策略，为运动功能状态有效评估提供可行依据。

本发明公开了一种基于小波和非负张量分解的时频空肌肉协同分析方法，属于神经康复工程及运动机制技术领域，所述方法首先进行上肢运动过程中多通道表面肌电信号的同步采集和预处理；然后对预处理后的数据进行小波分解，对小波变换后的时频肌电信号，将同一动作的多通道时频信号构建成小波信号数据张量；通过预先设置分解层数，将分解后的三个矩阵和核张量相乘,得到重构数据张量，再计算拟合值FIT；再判断协同与非协同关系；最后判断协同肌的频谱分量。本发明从运动的产生与执行角度，探讨肌肉协同模型中协同肌在不同频段上的功能激活状态，有助于揭示神经系统功能的内在模式，能够为卒中患者运动康复过程提供生理依据。

本发明涉及生理信号处理技术领域，具体为一种多点电生理信号处理方法及其系统，包括以下步骤：基于多尺度肌电图信号，通过小波变换分解信号到差异化频率带，再通过短时傅里叶变换提取多频带内的时间特性，生成多尺度分解信号。本发明中，在信号表征的强化、特征学习的层次化以及信号处理的精确性方面展现出明显优势，构建的特征依赖图和时间序列依赖模型，能够有效捕捉特征间复杂的相互作用及其随时间的变化趋势，为信号的逆向分析提供创新途径，此外，逆向分析过程中信号与生理状态间对应关系的精细化处理，以及信号重构和解码过程的优化，进一步提高了对生理机制的理解深度及信号重构的质量。

本发明公开了一种基于神经功能康复主动训练的评估系统及方法，属于康复训练技术领域，该系统中，定性评估模块基于肢体动作处理模块对肢体动作采集模块采集的肢体动作进行分类识别，并与Brunnstrom量表比对，得到Brunnstrom分期结果；肌电评估模块基于肌电数据处理模块对肌电信号采集模块采集的肌电信号进行处理得到的肌肉能力图进行肌电评估；脑电评估模块基于脑电数据处理模块对脑电信号采集模块采集的脑电信号进行处理得到的脑地形图和脑区能量变换图进行脑区评估；康复评估模块将Brunnstrom分期结果、肌电评估结果以及脑区评估结果相结合进行康复评估，得到康复评估报告。本发明通过脑电、肌电、姿态多信息融合的评估方法能够较为准确、科学地对患者康复状态进行评估。