- 综合排序
- 最热优先
- 最新优先
- 来自专栏云深之无迹
可穿戴超声肌电系统硬件设计.第二弹
昨天的文章是 24 年发的，是一个子刊：新型可穿戴超声肌电（Echomyography, EcMG）系统硬件设计（带一丢丢软件） 今天这篇是 23 年的，是这个工作的前作： 23 巧的是，作者也在我的列表里面蹲着 这些是完整的器件 这个器件找半天 给到 ADC 一个开关 这次给到的切换不是使用的 MOS 一个开关 用于控制是否将当前 RF 输出送入 ADC 提供可编程的“通道选择”能力（支持多路收发切换） 可软件控制采样窗口或对多个输入进行轮询 负压生成是使用了这个 利用电荷泵结构将 3.7V 电池电压反相为约 -3V ~ -5V，用于形成双极性高压驱动（+HV/-HV），通过 MOSFET 控制输出到 PZT 换能器。 升压使用了经典的 BOOST 架构 这里使用了 MSP 的图，下次写他们的软文 OK，以后学电源 这一段将外部输入的 Trig 信号转换为干净整形的脉冲控制信号 freq，用于触发下方的高压 MOSFET
27310编辑于 2025-04-21 - 来自专栏云深之无迹
新型可穿戴超声肌电（Echomyography, EcMG）系统硬件设计（带一丢丢软件）
前面的调理和数字采集部分 AFE MCU 用了两个，一个是时序控制，一个是 ADC 以及发送和计算 DFE 后面是 DCDC 和驱动部分 4 层板 超声的频率就是高哇 TR 开关是防止电压回流把 ADC 再次汇总一下 Bom 还有一部分是波形生成 电压高达 100V 以上 MOS 管是这个 升压转换是这个 芯片参数 通过一个基于 MIC2171 PWM 控制器 的 Boost 升压电路，结合大电感 L20 个人感觉应该不是很危险，因为能量不高 当然了，需要使用精密的时序控制，其实定时器就可以了 这些是控制的波形作用 详细的作用 // 初始化函数 function system_init(): setup_GPIO () // 设置输出控制引脚：BOOST_EN, PULSE, TR_CTRL, etc. transmit_to_ESP32() // 通知ESP32将数据通过Wi-Fi发送 enter_low_power_mode() // 等待下一帧（降低功耗） 给出一段类似的时序控制
34600编辑于 2025-04-19 - 来自专栏biosignalsplux
用 BITalino 可视化生理信号并玩肌电控制版 Pong 游戏
本篇文章将结合一个非常有趣的案例： 我们将使用 BITalino 采集肌电信号（EMG），控制经典 Pong 游戏中的球拍移动；同时也会讲解如何通过 Processing 将包括心电、肌电等多种信号实时图形化 二、设备准备 BITalino (r)evolution Board EMG（肌电）传感器模块 Bluetooth Dongle 或内置蓝牙 PC USB 电源线（或电池） 电脑（Windows beginShape(); for (int j = 0; j < sensorData[i].size(); j++) { vertex(j, sensorData[i].get(j) / 10 createWriter("data.csv");output.println("时间戳,ECG,EDA,EMG,...");...output.flush();output.close();四、项目 2：肌电控制 五、拓展建议 使用 两个 EMG 通道 实现“左右肌群”分别控制上下移动。 替换为 心跳（ECG）触发事件，做出冥想小游戏。
28510编辑于 2025-06-25 - 来自专栏大数据文摘
日本电气通信大学新型「自适应肌电假肢」问世，不训练就能拾取物体！
为了克服这个问题，日本电气通信大学研究人员针对于肌电假肢提出了一种训练学习模型来预测患者关节运动，该模型通过采用不同的传感器（肌电、触觉、被抓物体等），可以获取各类输出信号，从而实现对肌电假肢的闭环控制 ——自适应手部运动意图识别 肌电假肢是以人体肌肉电信号为控制源的新型假肢，也是最近几十年来学界研究的热点，通过在残肢表面贴列电极传感器，通过捕捉肌电信号并将其用于控制意图的识别，并将识别出的意图转化为控制信号 不同的手势对应输出不同肌电信号 在肌电假肢的传统控制方法中，都无法通过肌电控制来实现手的工作/关闭状态的切换。 但如果可以通过预测关节的移动可以实现自适应抓取，从而实现对肌电假肢的控制，这种控制可以实现对各种物体的自适应抓取。 控制过程则是通过传感器的反馈和优化后的控制器参数准确对肌电假肢进行精准控制，并抓取不同形状以及尺寸的目标物体。 肌电假肢的训练模型 研究人员通过测量肌电信号，验证了所设计的控制器的有效性。
66410编辑于 2023-04-10 - 来自专栏BCI脑机接口
基于EEG-EMG混合控制方法的研究—生物机器人应用：现状、挑战与未来方向（二)
后者将允许用户根据自己的喜好从一个控制信号平稳地切换到另一个控制信号。 有几种方法可以用来对生物机器人应用中的脑电-肌电混合控制方法进行分类，如特定的应用/设备（如假肢、外骨骼、轮椅）或输入处理方法。 这些老年人的身体和精神状况一整天都在变化，在某些情况下由于身体疲惫可能会出现肌肉疲劳，在这种情况下，有必要设计基于肌电的控制方法来处理肌肉疲劳状态的影响。 有报道称，这种将肌肉和大脑信号融合为混合BCI的尝试，根据用户的可用性和可靠性，将肌电图和脑电图并行使用在一个手动控制任务中，通过16个脑电通道测量脑电信号，记录右、左前臂屈伸四个通道的肌电活动。 基于肌电图和脑电图的分类器输出，在第一种方法中，使用等平衡的融合权值来组合肌电和脑电分类器的输出；在第二种方法中，对贝叶斯融合方法进行了测试。 本研究的主要目的是评估使用肌电图（EMG）和来自EEG信号的P300特征来控制辅助技术软件的混合BCI接口。用8个脑电通道（按10-20系统）和2个肌电电极分别测量EEG和EMG信号。
1.3K30发布于 2020-12-23 - 来自专栏初见Linux
10-2 控制进程
二、控制进程 现在已经知道了如何查看和监控进程，接下来见识一下如何对进程进行控制。 将使用一个名为 xlogo 的程序作为实验对象。 0.xlogo （1）是什么? ① 语法格式 命令 & Ⅰ.示例xlogo后台运行 xlogo & （3）作业控制（job control） xlogo & 命令执行后，将出现 xlogo 窗口，而且shell提示符也将返回，但是同时也会打印一些有趣的数字信息 这条信息是 shell 的一个称为作业控制的特性表现。 Shell 通过这条信息来显示已经启动的作业编号为 1 （[1]）,其对应的PID是4514。 如果执行 ps 命令可以查看当前运行的进程， ps （4）jobs命令 Shell的作业控制特性也提供了一种方式来查看从终端提供的所有作业。使用 jobs 命令可以得到如下列的信息。
1K40发布于 2020-08-05 - 来自专栏云深之无迹
肌电传感器运放选型
α运动神经元在控制人体骨骼肌活动中起到了主导作用，其通过支配骨骼肌的梭外肌纤维，使得肌纤维拥有进行收缩的功能，从而产生肌肉活动。 由于是将采集电极直接插入到肌肉组织中进行采集，电极可以 很好地与肌纤维进行接触，并且由于没有过多的滤波作用，插入式肌电的釆样频率可以设置得很高(一般为10 kHz以上)。 表面肌电信号一般只有毫伏级电压，信号中往往夹带着低频（接近直流）和高频的干扰信号，真正有用的肌电信号大致在10Hz－500Hz之间。 sEMG信号源于大脑运动皮层控制之下的脊髓α运动神经元的生物电活动，形成于众多外周运动单位电位在时间和空间上的总和，信号的振幅和频率特征变化取决于不同肌肉活动水平和功能状态下的运动单位活动同步化、肌纤维募集 阿哲，好像是蛮适合肌电处理的那就用这个吧。
1K10编辑于 2024-08-20 - 来自专栏测试游记
10-逻辑控制器
IF条件控制器 Interpret Condition as Variable Expression? 执行子节点前先计算表达式真假 循环控制器 循环次数 控制循环的次数 循环控制器 循环控制器+计数器=foreach控制器 循环完内容后还是会打印，直到达到循环次数 foreach控制器 foreach控制器 每个用户都只执行一次 仅一次控制器 临界部分控制器 把jmeter脚本的并行执行，强制变成串行执行 固定锁，强制把多用户并行执行，变成单通道串行执行 动态锁，锁名称修改为global_lock_${_ _threadNum} Critical Section Controller (临界部分控制器) 到底该如何用? 多个取样器中随机选一个 随机顺序控制器 多个取样器随机顺序执行 吞吐量控制器 吞吐量 DDT数据驱动性能测试 CSV文件 文本文件，是用英文逗号分隔的文本文件 CSV数据文件设置 这个方法，是使用人数最多的数据驱动性能测试方法
1.3K30发布于 2021-04-29 - 来自专栏脑机接口
智能康复 | 康复机器人的意图识别技术
康复机器人是非常重要的康复方式，目前多通过硬件来控制：如机械按钮、操纵杆、平板电脑等。硬件控制的优点是稳定明确，但患者接受的是被动运动。 巴西研究者已经通过脑机接口控制外骨骼机器人的方式，实现了令人惊讶的显著有效性。 二、肌电信号意图识别 运动意图从运动皮质产生，向下传递。 通过表面肌电信号的采集，我们提前识别出患者的运动意图。这种方式非常适合肌肉软瘫、神经肌接头疾病、重症肌无力等肌肉本身疾病的功能康复，以及生活辅助、肌电假肢等应用场景。 高密度表面肌电的识别更具价值。 三、力传感器意图识别 力传感器意图识别分为力矩传感器和压电传感器。肌肉收缩带动关节运动，进而对传感器施加了力，传感器也就采集到了患者的运动意图。 脑电意图识别多用于康复早中期，也就是常说的“脑机接口”，后期使用效果也不错。肌电意图识别多用于康复中后期和假肢辅具，力矩传感器意图识别多用于康复后期。
1.5K10编辑于 2022-09-22 - 来自专栏Shimmer3
基于 Shimmer3 EMG 的五指机械手控制系统设计与实现
系统整体使用 MATLAB 进行信号处理与识别，通过 Arduino 控制五个伺服电机驱动机械手五指，实现自然的肌电控制。 二、系统构成模块说明Shimmer3 EMG肌电采集传感器，支持蓝牙/USB 数据传输，采样率高达 1024HzMATLAB用于信号读取、带通滤波、特征提取（如 RMS）、模式识别与指令生成Arduino UNO接收 MATLAB 发出的串口指令，驱动对应伺服电机动作5指机械手每个舵机控制一根手指的屈伸动作，实现肌电驱动手势控制 本文以单通道 EMG 作为示范，便于初学者理解，但可拓展至多通道或更复杂的模式识别 end可根据用户的肌电幅值个性化设定阈值，或使用机器学习模型实现更智能识别。 七、总结Shimmer3 EMG 模块在稳定性与信噪比方面表现出色，结合 MATLAB 与 Arduino 可快速实现基于肌电的控制系统。
38300编辑于 2025-06-24 - 来自专栏镁客网
「镁客·请讲」傲意科技倪华良：肌电识别是下一代的人机交互方式
对于傲意科技来说，他们最终的目标是让用户体验时拥有更多的自由度，推动肌电识别成为人机交互的未来。 医学+芯片，在国外的两次工作经历，也促成了傲意科技和他们的肌电识别技术。 初次听到肌电识别，文科出身的镁客君还是一脸懵逼的状态，凭借肌肉的运动就能识别出你手中的动作，乍一听起来有点科幻。 那么到底什么是肌电识别呢？ 这个时候，肌电+传感器的识别优势就凸显出来了，它在功耗和成本上都能做到很好的控制。 “在传感器这块，医疗市场上现有能用的方案会比较贵，但是我们会单独做一个芯片。 肌电识别是下一代的人机交互方式 无论是基于计算机视觉的手势识别还是肌电识别，这些非接触式的交互都是下一代人机交互的重要方式。
81850发布于 2018-05-29 - 来自专栏BCI脑机接口
基于EEG-EMG混合控制方法的研究—生物机器人应用：现状、挑战与未来方向（一）
同样，最近发展基于脑电图（EEG）的控制方法的趋势和尝试也显示了这一领域在现代生物机器人领域的潜力，但是基于脑电的控制方法有待完善。 本文综述了近年来在生物机器人领域尝试或发展的基于肌电图和脑电的混合融合控制方法，并提出一些潜在的未来方向。 肌电图（EMG）能够直接反映人的运动意图或使用者的肌肉活动，因此在生物机器人的控制方法中，肌电图（EMG）一直是最常用的生物信号之一，许多例子，如轮椅、假肢、外骨骼/矫形器都显示了基于肌电的肌肉信号的有效性 基于肌电的方法不能用作输入，例如，上肢完全瘫痪的人可能无法使用外骨骼等设备，因为很难从瘫痪肢体的肌肉获取控制信号。 例如，在假肢控制的情况下，基于肌电图的方法所需的一些肌肉可能不可用，在这种情况下，EEG信号可以用来补偿缺失的肌电信号。
82110发布于 2020-12-22 - 来自专栏脑电信号科研科普
酷炫！研究者研制出柔性且MRI兼容的EEG电极
传统的EEG电极在每次测量时需要打脑电膏，并且脑电膏在一定时间后会干燥，导致采集到的EEG信号质量降低，不能实现长时间的高质量EEG信号的采集；另一方面，传统EEG电极每次测量完后需要从被试头上取下。 制备好的柔性电极阵列如下图所示，是不是很酷炫，可以随便折，不怕断： 柔性电极阵列应用于肌电信号采集并控制患者假肢 研究者把研制的8通道柔性电极（下图a）贴在一名装有神经假肢的患者上手臂（下图b），可以看到 结合机器学习算法，可通过记录到的肌电信号识别出被试不同动作，进而控制假手做出相应的动作（下图d）。 接下来，研究者为了验证所制备的柔性电极阵列可以作为EEG电极，研制出具有68个电极位点的柔性电极阵列，按照10-20导联系统佩戴在健康被试的头上，为了和传统的EEG电极作对比，4个商用的EEG电极安装在被试的 此外，传统的EEG电极在每次测量时需要打脑电膏，并且脑电膏在一定时间后会干燥，导致采集到的EEG信号质量降低，不能实现长时间的高质量EEG信号的采集；另一方面，传统EEG电极每次测量完后需要从被试头上取下
1K00发布于 2020-11-21 - 来自专栏零基础自学Java
【Java】基础10：流程控制语句
公司对面试人员的安排就叫做流程的控制。 在程序中也是一样的道理。 一、顺序结构 打电话、笔试、一面、二面、录取这就是顺序结构。 在程序中，其执行的顺序由代码编写的顺序控制，从上到下执行。 1.for循环 例子：循环打印10遍“HelloWorld” ? 执行流程： 执行顺序：①②③④>②③④>②③④…②不满足为止。 ①为初始化语句（int i=0） ②为判断语句（i<10?） ，不满足则跳出循环 ③为循环体，满足判断条件就执行 ④为控制条件语句，循环后变量会变化 格式： 格式是灵活变通的，三种格式都可以使用 ? ①为初始化语句（int i=0） ②为判断语句，不满足直接跳出循环 ③为循环体，满足判断条件就执行 ④为控制条件语句，循环后变量会变化 3.do…while循环语句 do…while语句特点： while ①是初始化语句（int i=0） ②是循环体语句（先执行一次，后面判断条件满足再执行） ③是控制条件语句，循环后变量会变化 ④是判断语句，不满足条件循环就会跳出 4.循环语句的区别 ?
75520发布于 2020-07-29 - 来自专栏镁客网
「镁客·请讲」比奇创新李玮琛：用肌电感知人体行为，我们敢做也敢保证做好
相信很多人是听过心电、脑电的，但是，你听说过肌电吗？ 比奇创新创始人&CEO李玮琛告诉你，肌电不仅是生物电的一种，我们还能利用它感知人体行为，研发精尖的手势识别技术，以直接操控指定设备。 ? 生物肌电感知交互 比奇创新在做着一件别出心裁的事情 肌电(EMG)是生物电的一种，虽然我们日常提及的较少，但它其实和心电、脑电等是一样的。 当我们将表面肌电传感器附在皮肤表面时，就可以收集到肌电的信号媒介，从而探知到人体的行为感知了。 ? ，通过蓝牙用手指、手势和手臂的动作指令（比如握拳、伸掌等）直接控制教育类机器人的所有动作（比如前进、后退等）；¬¬ ? DTing SH表面肌电监测仪——通过对动作产生的肌电数据进行可视监测，记录、储存、分析数据从而达到肌肉动作是否标准等。 ? 此外，比奇创新也提供独立的肌电传感器和定制化的技术方案。 ?
1.2K30发布于 2018-05-28 - 来自专栏biosignalsplux
BITalino 在个体生理状态监测中的应用探索 —— 多通道生物反馈信号记录案例分析
BITalino 是一个集成度高、价格亲民的生物信号采集平台，支持多通道信号同步采集，包含： 脑电图（EEG） 皮肤电（EDA） 心电图（ECG / EKG） 肌电图（EMG） 本文以一位用户的实际应用案例为参考 ，反映情绪/应激反应ECG胸前三角分布记录心律、HRV 等心脏活动指标EMG上臂二头肌或太阳神经丛检测肌肉活动异常 ⚠️ 说明：实际应用中应遵守传感器使用规范，清洁皮肤，使用导电凝胶，并保证电极稳固贴合 示例图表（用户上传的记录）用户展示了其 29 分钟记录的前 10 分钟波形图，包括： EEG（通道 A1）出现异常高频伽马波（Gamma：480~530Hz） EDA（A2）显示快速剧烈的电导峰值波动 可能的生理指标特征指标异常表现可能含义EEG：Gamma 波高出正常范围 5~13 倍表明高度焦虑、警觉状态EDA：电导率尖峰连续剧烈波动情绪激烈波动或皮肤神经异常ECG：节律中断局部心率突变应激反应或自主神经紊乱EMG：高频肌动静止状态下收缩潜在的自主肌束颤或神经扰动 六、BITalino 的科学潜力与适用领域 心理生理研究：焦虑、情绪调节、冥想状态研究 人机交互：肌电/脑电控制游戏、接口 医疗前期筛查：睡眠监测、心率变异性、EDA-Stress 自我健康管理：
27210编辑于 2025-06-25 - 来自专栏编码视界
FastAPI后台开发基础（10）： 响应控制
" 显式指定返回类型 文档生成：虽然 FastAPI 能够从类型注解中推断出响应模型，但在某些情况下，这种方式可能不如直接使用 response_model 参数那样直观清晰 序列化控制较弱 ：不如 response_model 参数那样直接控制序列化过程中的细节（例如，排除某些字段） 请求：curl -X 'POST' 'http://127.0.0.1:18081/async2' Response 对象将优先，这是因为 Response 对象被视为最终响应，FastAPI 不会对其内容进行进一步的处理或修改 这种方法特别适用于以下场景： 自定义响应：当你需要完全控制返回的 bool, Query()] = True) -> Response: """ 可能返回多种响应类型 高度灵活：可以根据函数逻辑返回不同类型的响应，如重定向或 JSON 响应 明确控制 ：直接控制响应的具体类型和内容，适用于需要根据不同条件返回不同响应类型的场景 文档生成：自动生成的 API 文档可能不如使用 response_model 那样清晰，因为返回类型是泛型的 Response
57643编辑于 2024-10-23 - 来自专栏脑机接口
一种基于EEG和sEMG的假手控制策略
该方法仅用1 个肌电传感器和1 个脑电传感器实现多自由度假手的控制. 多自由度肌电假手的控制依赖于多通道的肌电信号，对于截肢后肌肉出现萎缩、截肢部位较高等情况的患者，他们手臂上残留的可以进行肌电信号测量的部位较少，无法采用多个传感器测量多路信号来进行动作模式的识别，给假手的使用带来困难 肌电信号不仅与肌肉本身的组织生理特性有关, 还与神经控制系统有关.而且肌电信号存在很强的个体差异, 不同测试者在手臂相同位置测量得到的肌电信号差异较大;测量部位不确定, 同样会带来肌电信号的差异。 所以使用者在安装佩戴假手时, 需要先对其残臂上的肌电信号进行测量, 然后根据其肌电信号的强度对假手的控制参数进行调整, 并且往往需要经过一段较长时间的训练和适应, 佩戴者才能够较为灵活地控制假手. 在触觉刺激的研究中, 常用的方法有电刺激、顶针刺激、热刺激和振动刺激等, 其中机械振动刺激是一种较为理想的触觉刺激方式, 其装置简单小巧、感知舒适性好、响应速度快、可调范围大、平均功耗低、一致性好且易于驱动控制
69310发布于 2020-06-30 - 来自专栏Shimmer3
Shimmer3 可穿戴传感器平台简介
传感器模块（1）IMU 惯性模块集成 9-或 10-自由度传感器（加速度计、陀螺仪、磁力计、气压计），可进行高精度 3D 姿态估计、步态分析与跌倒检测。 （3）EDA/GSR 模块皮肤电活动（EDA）采集模块，适用于情绪唤醒、压力反应研究。可选配 PPG 心率模块，同步采集脉搏波信号。 远程健康监测配合 ECG、EMG 和 GSR 模块，可实现对慢性病患者的心电、呼吸肌电、皮肤电导和脉搏等生理参数的连续监测，适合老年人健康跟踪与术后康复评估。3. 运动生物力学与姿态控制在体育训练、康复或人机交互研究中，Shimmer3 结合 IMU 可评估运动轨迹、动作稳定性与控制策略。配合 EMG 模块还可评估肌肉激活模式与疲劳状态。 在慢性阻塞性肺病（COPD）研究中，Shimmer3 EMG 模块成功采集到膈肌肌电信号，用于非侵入式评估呼吸负担。
48310编辑于 2025-06-17 - 来自专栏脑机接口
运动训练中增加负荷如何改变肌群协同？这与我们大脑皮层激活有关吗？
此外，额外负荷会降低运动速度和推迟主动肌肌电峰值出现的时间。 在神经康复中，患者克服运动负荷进行训练时，运动表现可能会改善。 (C) 3 × 10高密度fNIRS探针。发射器是红色的，探测器是蓝色的。通道间隔1.5 cm，完全覆盖两侧运动相关区域。(D)一次访问的实验流程图。(E)侧提运动设计。 近红外通道定位和表面肌电示意图。(A)空间位置。根据配准概率，红色矩形通道位于BA4(通道6、7、8、15、16、17、18)，蓝色矩形通道位于BA6(通道24、25、26、33、34、35、36)。 结果表明，肌群协同控制策略在不同负载量级之间存在显著的负相关。(A)所有受试者的样本回归线显示了总体趋势。(B)所有受试者的样本回归线，显示合并后的数据。 最终结果显示，负荷的增加导致肌群协同相似度降低，且其与皮层激活程度呈现显著负相关，说明负荷特定的肌肉控制策略。
43620编辑于 2023-09-25
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号