[发明专利]一种基于微观神经驱动信息进行肌力估计的方法及装置

权利要求书

1.一种基于微观神经驱动信息进行肌力估计的方法，其特征在于，包括：

获取待测试位置在预设定动作下的表面肌电信号；

确定所述表面肌电信号中各个运动单位的发放序列；

依据所述发放序列，确定动作电位波形；

依据所述动作电位波形和所述发放序列对所述待测试位置进行肌力估计；

其中，依据所述动作电位波形和所述发放序列对所述待测试位置进行肌力估计，包括：

获取所述待测试位置的实际肌力信号；

针对各个运动单位，依据其对应的动作电位波形和发放序列确定肌力估计模型，其中，所述肌力估计模型中包含未知参数；

依据所述肌力估计模型，确定估计肌力信号，其中，所述估计肌力信号中包含未知参数；

依据所述实际肌力信号和所述估计肌力信号采用机器学习法确定目标肌力估计模型，其中，所述目标肌力估计模型各个参数均已知；

依据所述目标肌力估计模型对所述待测试位置进行肌力估计；

所述针对各个运动单位，依据其对应的动作电位波形和发放序列确定肌力估计模型，包括：

针对所述各个运动单位，获取每个运动单位的动作电位波形的最大幅度与颤搐力幅度，其中，依据所述颤搐力幅度可获得颤搐力波形，各个运动单位的颤搐力序列由颤搐力波形与发放序列卷积形成，并与发放序列的间隔存在关联，所有运动单位的颤搐力序列叠加获得肌力；

构建所述动作电位波形的最大幅度与所述颤搐力幅度的二次函数关系，其中，所述二次函数关系包括三个未知参数；

依据所述二次函数关系构建肌力估计模型。

2.根据权利要求1所述的方法，其特征在于，确定所述表面肌电信号中各个运动单位的发放序列，包括：

采集多通道表面肌电信号；

对所述表面肌电信号进行扩展，得到表面肌电信号的卷积混合模型；

依据所述表面肌电信号的卷积混合模型，确定各个运动单位的发放序列。

3.根据权利要求2所述的方法，其特征在于，还包括：

对所述发放序列进行修正，得到目标发放序列。

4.根据权利要求1所述的方法，其特征在于，依据所述发放序列，确定动作电位波形，还包括：

依据所述电位波形和发放序列计算重构表面肌电信号；

依据所述重构表面肌电信号和所述表面肌电信号计算残差信号；

依据所述残差信号确定是否存在新增运动单位的发放序列。

5.一种基于微观神经驱动信息进行肌力估计的装置，其特征在于，包括：

获取模块，用于获取待测试位置在预设定动作下的表面肌电信号；

发放序列确定模块，用于确定所述表面肌电信号中各个运动单位的发放序列；

动作电位波形确定模块，用于依据所述发放序列，确定动作电位波形；

估计模块，用于依据所述动作电位波形和所述发放序列对所述待测试位置进行肌力估计；

其中，所述估计模块包括：

肌力信号获取单元，用于获取所述待测试位置的实际肌力信号；

模型确定单元，用于针对各个运动单位，依据其对应的动作电位波形和发放序列确定肌力估计模型，其中，所述肌力估计模型中包含未知参数；

肌力信号确定单元，用于依据所述肌力估计模型，确定估计肌力信号，其中，所述估计肌力信号中包含未知参数；

目标模型确定单元，用于依据所述实际肌力信号和所述估计肌力信号采用机器学习法确定目标肌力估计模型，其中，所述目标肌力估计模型各个参数均已知；

估计单元，用于依据所述目标肌力估计模型对所述待测试位置进行肌力估计；

所述针对各个运动单位，依据其对应的动作电位波形和发放序列确定肌力估计模型，包括：

针对所述各个运动单位，获取每个运动单位的动作电位波形的最大幅度与颤搐力幅度，其中，依据所述颤搐力幅度可获得颤搐力波形，各个运动单位的颤搐力序列由颤搐力波形与发放序列卷积形成，并与发放序列的间隔存在关联，所有运动单位的颤搐力序列叠加获得肌力；

构建所述动作电位波形的最大幅度与所述颤搐力幅度的二次函数关系，其中，所述二次函数关系包括三个未知参数；

依据所述二次函数关系构建肌力估计模型。