一种3自由度仿人型假手的肌电控制

采用支持向量机作为分类器,通过在健康受试者前臂处安放8个表面肌肤干电极提取肌电信号,使用信号均值作为特征,以较高成功率实现人手10种姿态的分类.分类结果加窗后输出至3自由度假手控制器,实现"姿态跟随"以及"位置/力矩迭加"两种控制方法.试验结果表明,手部姿态的多模式识别使得多自由度肌电假手的控制更加柔顺,体现了较高的灵巧性与功能性.     

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％．     

基于弹性铰链的仿人型肌电假手设计

截肢患者需要外形与人手相似、重量轻、体积小,并且具有人手大部分抓取功能和适当操作功能的假手,基于对人手骨骼结构和功能的分析,提出了一种仿人型肌电假手设计.该假手具有5只手指和4个自由度,分别由4个独立的驱动器进行控制;手指的关节基于弹性铰链进行设计,相邻的指骨间通过螺旋弹簧连接;除拇指外,每只手指均为单自由度,关节之间的运动通过腱驱动耦合实现;驱动系统设计安装在手掌内,具有紧凑的结构,对各个手指的运动灵活控制.通过对手指的运动学分析以及对假手功能的模拟证实,该假手能够实现日常生活中大部分的手势和抓取功能.     

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     

基于肌电触发的上肢康复训练机器人的实现

在三自由度中央驱动式上肢康复训练机器人样机的基础上,通过提取患者的肌电信号,设计了一种肌电触发的助力训练控制方案,达到帮助上肢功能障碍患者进行助力康复训练的目的.运用多种电子技术,提取桡侧腕屈肌和尺侧腕屈肌这一对拮抗肌的表面肌电信号,结合运动系统的分层多核控制方案,实现对患者肌电信号的检测和处理,根据患者的运动意图提供相应的助力动作,实现肌电触发的助力训练模式.进行了肌电信号识别实验和速度调节验证实验,验证了肌电触发的速度可调式助力训练方案的可行性.     

现代控制理论在假肢技术中的应用

采用计算机模式识别分析残疾人的肌电动作信号，以获得大脑指挥手动作的各种肌电信号特征，利用模糊控制技术实现肌电假手的控制电路，并制作出能实际应用的控制电路。     

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.     

表面肌电信号的基本尺度熵分析方法

提出了一种基于基本尺度熵的表面肌电信号特征的提取方法.对动作持续阶段的信号进行基本尺度熵的计算,来获取肌电假手执行腕上翻、腕下翻、展拳和握拳4类动作时所对应的表面肌电信号特征.实验结果表明,通过这种方法获得的基本尺度熵能够聚集,在各自特定的范围内具有很好的类区分性,通过聚类可以有效地进行手部4种动作类别的区分.     

前臂假手仿人手指机构分析与综合

本文阐述了作者进行肌电控制前臂假手机构分析和人手运动轨迹模拟实验研究成果。文章所讨论的方法可以作为假手手指机构设计的基础,并可为进一步研究假手机构动力学和性能评价提供必要的资料。此外,它还可以用于机器人手机构研究领域。     

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.     

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。     

肌电信号相邻尺度积系数硬阈值滤波

为了消除肌电信号中的噪声,提出了一种基于相邻尺度积系数的硬阈值滤波方法.通过对采集的肌电信号进行小波分解,并对肌电信号的各层噪声方差进行估计,构造一种基于相邻尺度积系数的硬阈值函数,实现了真实信号与噪声的分离.根据保留下的小波系数进行重构,得到滤波后的信号.实验表明该方法能有效消除噪声,且基本保留了真实信号的边缘特征,为提高基于肌电信号的手部动作识别率提供了技术手段.     

5指仿人假手及模式识别控制的研究

基于生物机电一体化方法设计了带有感觉反馈功能的5指假手系统;假手本体具有类似人手的弧形掌面,通过耦合连杆机构实现5指的独立驱动,并在手指内部集成了力矩及位置传感器,从而有效提高了外观、运动形式的仿人性及操作的灵活性.以FSR传感器检测前臂肌肉压力信号为控制源,经过支持向量机SVM分类器实现手部运动模式的识别,采用相关系数与主成分分析相结合的方法优化了传感器的位置及数量,此外针对SVM以及最近邻法进行了10种运动模式的对比试验,结果表明手指的运动形式仿人度高,灵活性高,且SVM的识别成功率要高于近邻法.     

基于SEMG控制的智能轮椅无障碍人机交互系统

设计了一个基于表面肌电信号控制的智能轮椅无障碍人机接口,通过使用CyberLink装置,对前额肌电信号进行获取、分析,利用AR模型对其进行特征提取,并采用贝叶斯正则化与Levenberg-Marquardt算法相结合的改进1BP神经网络对面部运动模式进行识别,进而控制智能轮椅简单运动.实验结果表明:该方法操作简便,识别...     

假手多指抓取的动态力优化仿真

为完善假手康复训练系统,构建基于虚拟仪器的信号采集及多指抓取控制平台。该平台采用虚拟现实建模语言(virtual reality modeling language,VRML)组建分布式虚拟环境,基于多通道肌电信号,采用支持向量机预测抓取模式,通过骨骼算法确定复杂曲面接触条件下的接触点及法线方向。采用非负线性组合算法求取接触力初值,结合梯度流算法实现抓取力的动态优化,通过仿真实验验证其可行性。结果表明,骨骼算法用于抓取点计算,结果准确,动态力优化算法计算效率较高,且易于集成。     

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WPD和CSP的四类运动想象脑电信号分类方法

针对多通道四类运动想象脑电信号分类问题,引入小波包分解(WPD)与共空间模式(CSP)融合的脑电信号特征提取方法.首先利用小波包对训练集的多路脑电信号进行分解,然后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,最后设计了基于支持向量机(SVM)的分类方法.应用提出的方法对四类运动想象脑电信号进行了特征提取和分类,分类正确率达到71.5%;相对于单纯的CSP特征提取,正确率提高了5.8%,说明了该特征提取及分类方法对该数据集的有效性.     

特征选择算法在ECoG分类中的应用

研究了基于运动想象的皮层脑电信号ECoG的特点,针对BCI2005竞赛数据集I中的ECoG信号,通过提取频带能量获得了想象左手小指及舌头运动时的特征,结合Fisher,SVM-RFE及L0算法对特征进行选择,采用10段交叉验证的方法得到训练数据集在各维特征数下的识别正确率并选出最佳特征组合.结果表明:三种特征选择方法中SVM-RFE算法所选出的特征组合可以获得最低的识别错误率以及最低的特征维数,针对所选出的特征组合,使用训练数据集的特征对线性支持向量机进行训练,使用训练好的模型对测试数据集进行分类,识别正确率可以达到94%.     

快速序列视觉呈现任务下的脑电分类算法

提出了一个在快速序列视觉呈现任务下的脑电信号分类算法.将图片序列快速呈现给受试者并将同步采集脑电信号,将脑电信号截取分段作为样本集.通过约束有监督降维后样本与样本中心差值的趋近方向,使用训练集脑电数据训练得到映射矩阵;通过特征提取函数将训练集和测试集的脑电数据样本变换为特征矢量,使用支持向量机对样本进行分类.实验结果表明,算法对24名受试者的脑电信号分类的平均正确率为91.5%,平均AUC达到了0.95,证明脑电分类算法具有良好的分类性能,可以在快速序列视觉呈现任务中准确地识别目标图片.