采用表面肌电信号的手指关节角度精确感知方法

针对目前采用肌电信号的手指关节角度连续解码误差较大,导致肌电假肢手运动效果较差的情况,提出了一种应用表面肌电信号、深度回归森林模型和人工神经网络相结合的手指关节角度连续精确感知方法。首先,应用基于滑动时间窗的特征提取器从前臂8个通道的肌电信号中各提取7种肌电信号特征(肌电信号的平均绝对值、积分肌电值、均方根、波形长度、对数特征、过零点数、斜率符号变化数),输入深度森林回归模型得到具有较大波动的掌指关节估计角度;然后,采用人工神经网络对这些掌指关节估计角度进行优化,以创建一种深度森林回归模型与人工神经网络相结合的综合回归模型;最后,利用该综合回归模型对采集到的表面肌电信号进行连续精确解码,得到肌电假手掌指关节角度控制量,其余手指关节角度可通过比例控制得到。采用所提方法进行实验验证,结果表明：所提方法的平均轨迹跟踪精度比传统高斯过程方法提高了42%,达到82.12%,证明所提方法对基于肌电信号的手指关节角度估计具有非常优良的效果。     

基于表面肌电的肘关节运动角度预测

表面肌电信号(sEMG)由于能够反映用户的动作意图而被广泛应用在上肢康复治疗系统中.针对目前上肢康复机器人的手臂关节运动控制不灵活的问题,提出一种基于sEMG的肘关节运动角度预测方法.为解决单一的时域特征提取方法存在的时间效率高而稳定性不足的问题,从时域和频域分别提取特征值,采用BP人工神经网络建立表面肌电信号与肘关节角度的映射模型,实现肘关节角度的预测.实验结果表明,该模型的预测结果与真实角度值有高度的一致性,有助于提高上肢康复机械臂的灵活性.     

基于肌电信号的下肢关节连续运动预测

为研究不同运动模式下基于肌电信号的下肢多关节连续运动预测,通过支持向量机对肌电-运动的映射关系进行训练,实现对下肢髋、膝和踝3个关节矢状面内的连续运动预测.由10位健康受试者的运动预测和统计分析可知:在适速行走过程中,髋、膝和踝关节的关节角度预测均方根误差分别9.36°,10.82°和6.87°;在不同运动模式下,关节的运动预测值与测量值之间均表现出一定的相关性,其中,膝和髋关节的预测值与测量值之间相关系数均大于0.72,表现出比较明显的相关性.实验结果表明:基于肌电信号进行下肢多关节连续运动预测,尤其是在适速行走时对膝和髋关节的运动预测是可行的.     

基于sEMG和LSTM的下肢连续运动估计

针对下肢助力外骨骼的连续运动控制问题,提出了一种基于表面肌电信号(sEMG)与长短时记忆(LSTM)网络的连续运动估计方法.通过LSTM对肌电-运动的映射关系进行训练分析,基于奇异值分解特征值矩阵的误差算法获取主元分析(PCA)算法的主成分数量(降维维度),实现了对下肢三个关节在矢状面内的连续运动估计,且提高了连续运动估计的实时性.通过与传统网络支持向量机(SVM)、反向传播(BP)神经网络训练结果的对比分析,证明了LSTM网络在下肢连续运动预测中的优越性.     

利用表面肌电信号的下肢动态关节力矩预测模型

为实现表面肌电信号的下肢关节力矩动态解码,建立了从表面肌电信号到关节力矩输出的人体下肢运动系统正向生物力学模型。首先,从幅值和频率两个角度建立表面肌电信号到骨骼肌激活程度模型;其次,根据肌丝滑移理论,构建反映骨骼肌生理结构和微观力学特性的肌肉力模型,同时确定活动肌肉拉力线方向及力作用点位移矢量,将骨骼肌力转换到关节力矩;最后,以牛顿-欧拉逆动力学方法获得关节力矩作为准确值,给出正向生物力学模型参数动态标定方法。在模型基础上,对4名对象进行随意步态下膝关节屈伸动态力矩预测试验,结果表明:所建模型对步态行走下的膝关节动态关节力矩具有很好的动态跟踪性能,最大绝对误差为(11.0±1.32)N·m,平均残差为(4.43±0.698)N·m,预测值与准确值之间的平均线性相关系数为0.927±0.042,验证了该方法的正确性和有效性;可为康复训练机器人人机协同过程中的力学交互模式研究提供接口。     

基于表面肌电信号的下肢康复主动训练研究*

由于传统的人工康复手段已经很难满足患者对康复治疗的需求,因此提出一种基于表面肌电信号的下肢康复主动训练模式。通过提取患者下肢肌电信号在时域内的特征量,经BP神经网络辨识患者的运动意图,最后将辨识结果作为驱动下肢康复机器人的信号源,实现对患者的主动康复训练。根据临床试验中患者在主动训练前后各项生命体征数据稳定,以及主动训练后神经功能和运动功能具有显著恢复效果患者数较传统训练模式提升了50%,表明该主动训练模式的可行性和安全性。为今后深入研究主动康复训练奠定了理论和实践基础。     

基于广义回归神经网络的上肢关节角度预测

针对人体上肢运动意图识别问题,基于上肢表面肌电信号,提出广义回归神经网络(general regression neural network,GRNN)预测受试者的上肢关节角度.GRNN预测模型的输入为处理后的表面肌电信号,预测的3个关节角作为输出,将GRNN预测结果和径向基函数(radial basis function,RBF)神经网络的预测结果对比,并用均方根误差对上肢关节角度的预测结果做评估,验证GRNN模型预测上肢关节角度的可行性.结果表明,GRNN模型能较好地估计人体关节角度.     

基于表面肌电信号的下肢康复主动训练

由于传统的人工康复手段已经很难满足患者对康复治疗的需求,因此提出一种基于表面肌电信号的下肢康复主动训练模式。通过提取患者下肢肌电信号在时域内的特征量,经BP神经网络辨识患者的运动意图,最后将辨识结果作为驱动下肢康复机器人的信号源,实现对患者的主动康复训练。根据临床试验中患者在主动训练前后各项生命体征数据稳定,以及主动训练后神经功能和运动功能具有显著恢复效果患者数较传统训练模式提升了50%,表明该主动训练模式的可行性和安全性。为今后深入研究主动康复训练奠定了理论和实践基础。     

基于惯性信号与肌电信号的手势识别方法

为解决人体表面肌电信号(EMG)误差较大导致手势识别准确率低的问题,提出了一种将手指尖与关节相对于腰部尾椎位置的惯性运动信号与手臂的EMG进行融合,提取新的手势特征集并利用改进禁忌搜索优化后的反向传播(BP)神经网络分类识别。实验结果表明,该特征集相比于传统的肌电特征集准确率提高了8.5%,优化后的BP神经网络相比于优化前准确率提高了12.33%,手势识别综合准确率可达99.75%。     

基于多特征分析的运动员训练辅助决策模型设计

[目的]收集并统计运动员训练数据,设计基于多特征分析的运动员训练辅助决策模型。[方法]使用摄像机采集运动果;运用传感器采集运动员肌电信号数据,使用小波变化提取肌电信号特征,通过时间窗识别运动员疲劳状态,得到初步运动员的训练图像,利用尺度不变特征变换方法提取运动图像特征,在此基础上使用支持向量机获得运动员训练状态初步评估结疲劳状态评估结果;决策级融合２种初步评估结果,设计运动员训练辅助决策模型,实现运动员训练疲劳状态的有效评估。[结果]经过实验分析,使用多特征辅助决策模型后,各运动项目的平均训练分数均达到９０分以上。[结论]该模型能够准确提取运动图像特征与运动员肌电特征,并对运动员运动疲劳状态作出准确评价,为制定运动员训练计划打下坚实基础