【摘要】 一种为安装基于模式识别的肌电控制多指多自由度假手用肌电控制能力检测训练方法。技术方案是：包括下列步骤：用信号采集模块采集残肢表面肌电信号数据；利用信号分析模块对采集的数据进行初步分析，以确定采集的残肢表面肌电信号具有可分性和具有最优可分性的特征值；利用离线识别模块对采集的的残肢表面肌电信号数据进行训练网络和识别待识别数据，以确定最优分类器和最优特征值选项及其各具体参数的选择；根据确定的最优分类器和特征值选项的组合，利用在线识别模块和控制训练模块让患者进行控制训练和在线训练。 【专利类型】发明授权 【申请人】清华大学 【申请人类型】学校 【申请人地址】100084 北京市100084-82信箱 【申请人地区】中国 【申请人城市】北京市 【申请人区县】海淀区 【申请号】CN200810101685.3 【申请日】2008-03-11 【申请年份】2008 【公开公告号】CN101317794B 【公开公告日】2010-04-14 【公开公告年份】2010 【授权公告号】CN101317794B 【授权公告日】2010-04-14 【授权公告年份】2010.0 【IPC分类号】A61F2/72; A61F2/76; A61F2/54 【发明人】王人成; 罗志增; 郑双喜; 蔡付文; 王爱明 【主权项内容】多指多自由度假手用肌电控制能力检测训练方法，其特征是包括下列步骤：---用信号采集模块采集残肢表面肌电信号数据，当数据的噪声均匀，信号幅值大于噪声幅值的5倍以上，且信号持续时间大于0.5秒时，此时的数据可以作为合适的信号数据；---利用信号分析模块对采集的数据进行滤波处理、时域、频域和时频域的分析，分析结果在界面上以图形方式显示；---利用离线识别模块对采集的的残肢表面肌电信号数据进行训练网络和识别待识别数据，首先，依次用各种分类器和特征值选项的组合进行训练和识别，分类器和特征值的各参数取默认值；然后，取识别效果最好的分类器和特征值选项，对其各参数微调，当识别率达到92％或以上时，此时的分类器和特征值选项及其具体参数便是最优分类器和最优特征值选项组合；---根据确定的最优分类器和特征值选项的组合，利用在线识别模块和控制训练模块让患者进行控制训练和在线训练；所述的信号分析模块包括时域分析、频域分析和时频域分析；所述的离线识别模块包括单分类器、混合分类器和特征提取选项；所述的在线识别模块包括单分类器、混合分类器和特征提取选项；所述的时域分析包括：全波整流、短时平均能量、绝对值积分、平均绝对值、短时上升过零间隔、过零点数、斜率变化率、均值、方差、均方根、移动平均值、自相关分析；频域分析包括自回归模型估计功率谱、功率谱密度；所述的时频域分析包括短时傅立叶和小波变换；所述的单分类器包括多层感知器神经网络、径向基神经网络、隐马尔可夫模型、概率神经网络、学习矢量量化网络、支持向量机、模糊神经网络；所述特征提取选项包括有时域特征、小波变换特征、自回归模型系数特征、倒谱系数特征、小波包变换特征、短时傅立叶变换特征；所述混合分类器包括Bagged-多层感知器神经网络混合分类器、AB-径向基神经网络混合分类器、隐马尔可夫模型-径向基神经网络混合分类器和隐马尔可夫模型-支持向量机混合分类器。 【当前权利人】清华大学 【当前专利权人地址】北京市100084-82信箱 【专利权人类型】公立 【统一社会信用代码】12100000400000624D 【引证次数】5.0 【他引次数】5.0 【家族引证次数】5.0 【家族被引证次数】50
