基于ARM的肌电假肢手控制器

由于肌电假肢手大多基于阈值的张、合控制,并存在操作灵活性差等问题,提出一种基于ARM的肌电假肢手控制器设计方案.采用ARM核STM32处理器作为主控芯片,通过2路A/D采集手臂尺侧腕屈肌和桡侧腕屈肌的肌电信号,分别提取时域和频域上的4种特征值,并采用BP神经网络分类算法实现对5种手掌动作模式的在线实时识别.实验结果表明,该控制器对5种动作的整体在线识别率可达97%,且符合实时性要求,很好地满足了残疾人假肢手控制的需求.     

基于肌电控制的辅助型机器人外骨骼

针对臂丛神经损伤患者上肢功能部分或完全丧失的问题,本文设计了一款基于肌电控制的辅助型机器人外骨骼。该外骨骼具有2个自由度,受试者穿戴上之后能完成5个上肢动作。采用腱鞘驱动方式设计外骨骼结构,减轻受试者上肢使用负担。通过提取受试者健侧手臂产生的肌电信号,使用基于贝叶斯决策的线性判别分析方法解码受试者运动意图,实现利用健侧上肢运动带动患侧运动的目的。而本研究最终目标则是通过解码患侧肌电信号控制患侧上肢运动,实现受试者在不需要任何帮助的前提下重建患侧上肢运动功能。系统对肌电信号的处理、识别均为在线进行,整个过程耗时约57 ms,完全符合外骨骼使用过程中的延时要求。对4名健康受试者进行实验,结果表明5类动作的平均在线识别率均达到95%以上,且受试者能够顺畅使用所设计外骨骼系统。     

表面肌电在攀岩训练中的应用研究

肌肉疲劳产生过程中,肌电图的振幅和频谱指标均会产生相应变化.运用肌电图对运动员肌肉状态指标的评定可以对运动训练起指导作用.肌电图在攀岩领域的应用还比较少,通过对攀岩运动员在间歇训练法训练时的上肢主要做功肌肉左右腕屈肌、左右腕伸肌的的表面肌电信号(sEMG)进行分析,观察肌电图的变化情况,探讨肌电图在攀岩运动过程中应用的可行性.     

基于肌电复杂度和支持向量机的比例控制假手

为了提高肌电假手模式识别和速度比例控制准确率,提出一种基于肌电复杂度特征和支持向量机的比例控制假手方法.提取能够表征动作复杂度的Lempel-Ziv复杂度和平均功率作为表面肌电特征,输入支持向量机,对握拳、伸拳、腕伸及腕屈四个动作进行识别,同时通过三次样条插值方法对动作过程的肌电平均功率和动作速度进行拟合,实现假手的速度比例控制.实验表明:该方法取得了94.18%的动作模式平均识别率和8%以内的比例控制误差.     

基于排列组合熵和聚类分析的SEMG识别方法

针对表面肌电信号非线性、噪声强等特点,提出了一种基于排列组合熵和聚类分析的表面肌电信号识别方法.利用相邻数据复杂度计算出排列组合熵,将尺侧腕伸肌和尺侧腕屈肌2路肌电信号对应的排列组合熵构成的特征向量提供给基于距离测度的Mahalanobis距离分类器进行模式识别,成功识别了腕上翻、腕下翻、展拳和握拳4种动作信号,平均识...     

基于表面EMG功率谱和BP网络的多运动模式识别

结合功率谱比值法和BP神经网络提出一种基于表面肌电信号（EMG）的多运动模式识别算法．该算法首先根据表面肌电信号功率谱的特点，提出一种有效的特征提取算法——功率谱比值法；然后将功率谱比值特征作为BP神经网络的输入向量，实现对伸腕、屈腕、张开、合拢四种动作模式的识别，该识别结果可为肌电假手的多种运动模式提供仿生控制的信号源．实验结果表明，该方法对同一健康受试者四种运动模式的识别成功率平均达到95％，而对不同的健康受试者的识别成功率平均达到85％．     

诱导脑部损伤患儿主动训练的电子手套

多数脑部损伤患儿患侧手指肌张力大,拇指呈内收状态,无法完成手指的张合动作,存在着手功能损伤。然而,临床上患儿手功能康复训练方式单调枯燥,不符合患儿的心理特点。该文设计了一种基于患儿心理特点的利用声、光信号诱导患儿主动训练的电子手套,并在中国康复研究中心进行了临床实验。实验表明:患儿患侧手指表面肌电信号的中位频率在康复训练后增大,说明用手套进行康复训练使患儿患侧肌肉耐力提高;静息状态下,患侧大鱼际肌与拇长伸肌表面肌电信号均方根与平均幅值在康复训练后减小,表明静息状态下大鱼际肌与拇长伸肌肌张力下降,患儿患侧手指运动控制能力增强。实验结果验证了该电子手套在脑部损伤患儿手功能康复训练中的有效性。     

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。     

基于表面肌电信号参数的人体上肢运动研究

根据检测得到的右上肢主肌肉群的肌电信号,探讨了人体右上肢主肌肉群的肌肉功能状态和男性与女性之间肌肉功能状态的差别.20位实验者右上肢完成13个基本动作,对三角肌、肱二头肌、肱三头肌、掌长肌和指伸肌五块肌肉进行肌电采集,用SPSS 14.0软件时特征参数平均振幅(AEMG)和积分肌电(IEMG)进行数据处理.结果表明:完成不同的日常生活活动,肌肉的活跃程度存在着一定的相似性和差异性;男性以增强指伸肌和三角肌为主,女性则以掌长肌和三角肌为主.实验数据可为老年人和残疾人康复训练及肌电信号控制提供一定的理论依据和指导作用.     

一种基于sEMG信号多重分形的肌肉疲劳特征分析方法

针对由表面肌电信号(sEMG)非平稳、非线性、自相似性等复杂特性导致的肌肉疲劳估计不准的问题,提出一种基于sEMG信号多重分形降趋移动平均法(MFDMA)的肌肉疲劳特征分析方法。首先,利用MFDMA方法对采集的sEMG信号、洗牌信号和高斯白噪声信号进行非线性动力学分析;其次,利用MFDMA方法计算sEMG信号的多重分形谱宽度、Hurst指数变化差值、概率测度值和峰值奇异指数4种多重分形特征;最后,利用t-检验法分析肌肉疲劳与非疲劳状态下的多重分形特征的显著差异性。结果表明,MFDMA方法能够描述sEMG信号的多重分形行为,谱宽等多重分形特征在肌肉疲劳与非疲劳状态下具有显著性差异。所提方法能够可靠表征运动性肌肉疲劳,可为肌肉疲劳识别模型建构、康复医学研究提供特征参考。     

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.     

人体腿部表面肌电信号特征提取方法

表面肌电信号(sEMG,surface electromyography)作为人体运动检测的主要信息源之一,已被广泛应用于康复训练福祉机器人领域。针对人体下肢动作识别的问题,提出了一种针对表面肌电信号进行小波变换的特征提取方法。在肌电信号的频域分布中,该方法选取小波子空间中活动段的平均功率组成特征向量。为验证所提出方法的有效性,设计实现了一种微型便携式多通道sEMG信号采集系统,并利用支持向量机(SVM,support vector machine)构建分类器对腿部动作进行识别。实验结果表明:该方法能有效识别腿部常见的4种动作,同一个体动作识别率能达到95%以上,不同个体识别率平均能达到85%,能够较好地应用于下肢运动障碍患者的日常康复训练。     

基于CNN 和sEMG 的手势识别及康复手套控制

由于sEMG( Surface Electromyography) 对肌肉疲劳、不同患者以及电极位移等都非常敏感,设计一种可 靠、鲁棒的智能手部康复设备仍然是一项艰巨的工作。为此,提出一种基于深度学习的康复手势神经解码方 法,利用患者前臂的表面肌电信号,通过卷积神经网络( CNN: Convolutional Neural Network) 识别患者的手部运 动意图。通过组合特征提取方法,对8 通道肌电信号每个通道的信号进行组合特征提取,组合特征包括小波包 分解能量特征、时域特征和频域特征共32 个特征。将8 个通道特征组成一个8 × 32 的数值矩阵并进行灰度处 理成特征图,再用此特征图训练卷积神经网络,对5 种不同手势进行分类,分类器准确率达到98． 1%。最后通 过STM32 I /O 口根据分类结果输出对应的PWM( Pulse Width Modulation) 控制信号控制康复手套的动作,表明 了该方法的可行性,为深入研究康复手套运动控制奠定了基础。     

基于AR模型和神经网络的膝骨性关节炎诊断

本文旨在采用表面肌电信号无创性方法诊断和评判膝骨性关节炎,以在早期能够预防和治疗膝骨性关节炎,改善生活质量。在研究中,采集了对照组和膝骨性关节炎患者水平行走时下肢的股外侧肌,股内侧肌,股二头肌和半腱肌的表面肌电信号。利用表面肌电信号建立自回归(AR)模型,提取AR模型参数为特征向量训练BP神经网络,并通过神经网络诊断膝骨性关节炎。实验表明,基于BP神经网络分类器可以得到较好的结果,正确率可达到88%以上。     

支持向量机在表面肌电信号模式分类中的应用

采用小波变换的方法对实验采集的原始四通道表面肌电信号(sEMG)进行了分析,并提取小波分解系数的奇异值构建特征矢量,利用“一对一”分类策略和二叉树设计的多类支持向量机(SVM)分类器,很好地实现了对前臂8种运动表面肌电信号的模式分类,8种运动模式的平均识别率为98.75%.研究表明SVM分类准确率明显优于传统的BP神经网络、Elman神经网络和RBF神经网络分类器,且识别精度高,鲁棒性好,对肌电信号及其他非平稳生理电信号的模式识别,提供了一种具有良好应用前景的新方法.     

A novel 5-DOF exoskeletal rehabilitation robot system for upper limbs

A novel 5-DOF exoskeletal rehabilitation robot for upper limbs of hemiplegic patients caused bystroke is proposed in this paper.Its hardware structure is introduced and the control methods are ana-lyzed.To implement intelligent and interactive rehabilitation exercises,motion intention of patients' up-per limb is introduced into control methods of rehabilitation exercises.In passive motions,according tothe character of unilateral impaired,multi-channels surface electromyogram(sEMG)signals of patients'hea...     

篮球跳投动作上下肢肌激发顺序和用力大小的肌电分析

为了研究篮球跳投动作中各肌肉的激发顺序和用力大小,采用表面肌电仪和SONY摄像机同步记录了篮球运动员完成原地跳投动作时上下肢肌的表面肌电信号,观察了定量运动训练时肌肉的疲劳情况．结果表明：跳投动作上下肢肌肌电活动开始与结束的激发顺序各不相同,在整个跳投动作中,腓肠肌后段在各组中作用最大,其次是手伸肌群和肱三头肌;上肢肌群比下肢肌群的作用大．结论验证了“用力顺序”是“自下而上”的观点;运用肌电技术的研究方法能够准确测试篮球运动中各肌肉的激发顺序和作用大小．     

基于共空间模式和K近邻分类器的脑-机接口信号分类方法

脑-机接口是指在人脑和计算机之间建立的直接的交流和控制通道,它以脑电信号的形式反映人的意识,并转换成控制信号.针对两类运动想象脑电信号的分类问题,提出共空间模式和小波包分解相结合的脑电信号特征提取方法.利用不同小波包对训练集的多路脑电信号进行分解,再用共空间模式算法对不同分解层子带的脑电信号进行特征提取,并采用K近邻分类器对提取到的不同特征进行分类,得到最优小波包函数和小波包子带参数.将结果应用于测试集数据的分类.仿真实验结果表明,选择db4小波包函数和4层小波包分解层,对8个特征点进行分类,可以得到高达96%的正确率.