[发明专利]多指多自由度假手用肌电控制能力检测训练方法

权利要求书

1.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。

2.根据权利要求1所述的多指多自由度假手用肌电控制能力检测训练方法，其特征是所述的信号采集模块设置有采样频率、放大倍数和采样时间参数。

3.根据权利要求1所述的多指多自由度假手用肌电控制能力检测训练方法，其特征是所述的控制训练模块包括在线训练模块、假手控制模块和下载模块。

4.根据权利要求1所述的多指多自由度假手用肌电控制能力检测训练方法，其特征是通过有源肌电电极进行信号采集。