基于MYO的肌电假肢手控制中手势在线识别系统

表面肌电(surface electromyography,s EMG)信号被广泛应用于临床诊断、康复工程和人机交互等领域中.针对目前控制肌电假肢手的电极成本高、电极佩戴困难以及操作灵活性差等问题,设计一种基于MYO的肌电假肢手手势在线识别系统.通过采集人体上肢前臂的表面肌电信号,在时域上分别提取5种特征值,利用反向传播(back propagation,BP)神经网络分类算法实现对8种手势动作意图的在线实时识别.实验结果证明,利用MYO进行手势识别可以获得较好的识别结果,该系统能够准确识别8种手部动作,平均在线识别率达到92%.     

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.     

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...     

基于肌音信号的虚拟假肢控制

将肌音(Mechanomyography,MMG)信号作为假肢控制的生理信号源,实现了对于虚拟假肢的抓放控制。针对手部在握紧-张开动作过程中前臂肌肉声音信号,提取动作信号的7种时域特征并利用线性分类器进行分类识别,用以分辨手部动作类型,正确率为(95.63±2.55)%,并利用辨识结果产生控制信号实现对虚拟手的控制。结果表明肌音信号的动作判断具有很高的正确率,为利用肌音信号控制假肢提供了依据。     

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。     

手指运动姿态检测及假肢手指动作实时控制

设计了一种通过实时检测手指关节弯曲角度控制假肢手指动作的实验系统.系统主要由手指运动姿态实时检测、关节角度分析、控制与驱动电路、欠驱动机电假肢手4部分组成,假肢手包含拇指、食指、中指3个独立动作的手指;利用加速度传感器ADXL330实时检测手指运动姿态信息,由DSPTMS320F2812微处理器实时检测手指关节运动的瞬时角度变化并进行PWM脉冲编码,控制步进电机运动以驱动假肢手指关节转动.并分别对加速度传感器检测手指运动和假肢手指动作实时控制进行了实验测试;实验结果表明,系统采用的加速度传感器ADXL330能实时检测手指运动姿态,利用手指关节角度信息能有效驱动假肢手指屈伸,并通过三指配合完成抓握动作.     

基于DSP的假肢手肌电信号控制系统的设计

介绍了一种基于DSP的肌电信号采集、分析系统。根据肌电信号的特点,以DSP嵌入式系统为控制核心,采用AgCl电极作为肌电信号传感器,可以实现6通道肌电信号的采集。该系统通过信号放大、滤波电路的设计,结合信号处理算法的开发实现,完成了6个电机控制信号的输出,最终实现了欠驱动肌电控制假肢。仿真结果表明,该系统的动作识别准确率可达96.66%。     

基于递归量化分析的表面肌电特征提取和分类

利用展拳、握拳和腕屈、腕伸时从前臂分别检测的两路表面肌电（surface electromyography,SEMG）信号,对四种动作进行了分类研究.先采用移动平均法（moving average,MA）和一阶差分法确定SEMG信号中对应的每个动作波形的起止点,再利用递归量化分析（recurrence quantification analysis,RQA）方法提取各种动作波形的非线性特征参量（确定率、递归率等）,由两路SEMG信号的这些特征参量构成特征矢量,输入BP（back propagation）神经网络,完成对不同动作的分类.研究结果表明,将利用递归量化分析得到SEMG信号的几种非线性参量作为特征值,对不同动作进行分类能够获得较高的分类准确率.     

基于肌肉电信号控制的假肢用机械手的设计

介绍了一种灵巧机械手的设计和控制,这种机械手可以作为多功能的上肢假肢.此机械手包含了手和手腕的设计.它的手部可以完成四种抓取模式(握,捏,侧握,侧捏),腕部可以屈曲和旋转.所有的这些动作仅有四个电机来控制.在尺寸优化的基础上,建立了食指的运动学模型并求出了食指运动学的正解和逆解.从而为进一步研究机械手的轨迹规划和控制问题提供了理论依据.最后,简要描述了肌肉电信号的产生以及如何利用肌肉电信号来控制该假肢的运动.     

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.     

基于张量线性拉普拉斯判别的肌电特征提取方法

为了有效分析表面肌电(sEMG)信号蕴含的时-频-空域多维特征,提出了一种基于张量线性拉普拉斯判别(TLLD)的sEMG特征提取方法.首先对sEMG信号做复Morlet小波变换,构造具有时间、空间、频率、任务的四阶张量数据;然后运用TLLD分析方法获得投影矩阵,把训练集和测试集分别投影在投影矩阵中获得具有较大区分度的特征;最后使用分类器对腕屈、腕伸、上臂内旋、上臂外旋、握拳、伸拳6种动作模式进行识别.实验结果表明,所提方法平均分类准确率达到了98%以上,识别性能优于均方根、自回归系数、张量高阶判别分析3种特征提取方法.     

基于肌音信号的四种手部动作模式的识别方法

肌音（MMG）是指肌肉收缩时发出的2～100 Hz的低频＂声音＂。近年来,有研究将前臂肌音信号作为生理信号源应用于假肢手的控制,并取得了一定的进展。利用主成分分析法（PCA）对多通道采集的前臂肌音信号的18个时、频域特征的特征空间进行降维,并采用线性分类器对4种手部动作模式（手掌握紧、手掌张开、腕部弯曲、腕部伸直）进行...     

基于自适应MP C的自动驾驶汽车轨迹跟踪控制

为提高无人驾驶汽车轨迹跟踪精度和稳定性,设计一种基于模型预测控制(MPC)的自适应轨迹跟踪控制器.利用遗忘因子递推二乘算法在线估计轮胎侧偏刚度,实时更新控制器预测模型;设计控制参数选择器,采用模糊控制对预测时域和控制时域进行在线优化,实现预测时域能根据横向和纵向车速自适应的选择.通过Simulink/Carsim进行联...     

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。     

肌肉放松及其训练浅析

人体的任何运动,都是肌肉活动的结果,具体说,就是骨骼肌的活动,即主动肌收缩,其它肌群协调配合,牵动关节使人体或身体某些环节产生各种动作,从解剖学上看,肌肉在人体上是以相互对抗的方式,配布在关节运动轴的对侧,即每个关节运动轴的两侧都有两组方向相反,功能即互相依存又互相拮抗的肌群,拮抗肌是相互对立、制约的,但又是统一的、协调的。例如手握拳这个动作,有赖于指屈肌群收缩,指伸肌群放松、伸展,指屈肌群     

由三枚电极拾取肌电以控制三个自由度肘下假肢的研究

本文报导了依据容积导体的电场理论和肌电假肢的设计原则,运用三枚普通表面电极拾取肌电信号,自然控制三个自由度动作的肘下假肢的方法。为了衡量本方法的实用价值,曾应用阈值可调的逻辑电路在正常人和截肢者(各15例)身上进行测试。结果表明,无论在稳定性或在通用性方面均有明显的意义。最后,文中对本方法的理论基础也进行了讨论。     

基于下肢表面肌电信号的动作模式识别研究

基于肌电信号模式识别方法,首先将采集的踝关节外展、内收,膝关节外伸、内屈4种动作的表面肌电信号经过去噪等预处理,接着分别提取4种动作表面肌电信号的积分肌电值和均方根值作为特征向量,最后利用这些特征向量进行模式识别。本文分别利用BP神经网络和极限学习机(ELM)两种方法进行肌电信号的模式识别,分别以识别率和识别时间为评价标准,比较两种方法在模式识别方面的优劣。实验结果表明:极限学习机(ELM)无论是在识别率还是在识别时间上都优于BP神经网络,能够更有效地对下肢4种动作进行模式识别。     

一种基于sEMG信号的手势识别方法研究

随着机器人技术的发展,利用表面肌电(surface electromyography,sEMG)信号进行动作识别成为研究的热点.针对sEMG与手部动作关系复杂且实际应用困难的问题,该文提出一种基于BP(back propagation)神经网络的模式识别系统,可通过指浅屈肌和肱挠肌的2路sEMG信息源,识别手部6种不同姿态.该研究采用1阶数字低通无限脉冲响应滤波器提取信号包络,并利用能量特征值进行端点检测,选取短时能量、过零率和12阶线性预测系数进行模式识别.实验结果表明:该方法可以达到90%以上的识别正确率,具有一定的实际应用前景.