手臂疲劳时表面肌电信号特征

为了解表面肌电信号(surface electromyography, sEMG)特征的变化规律,找出更加有效的疲劳特征参数组合,通过回归分析和皮尔逊相关系数分析的方法研究了6名受试者负重状态下,手臂表面肌电信号的时域、频域和时频域特征参数与主观疲劳感量表(rating of perceived exertion, RPE)之间的关系。结果表明:随着负重时间的持续,sEMG的时域特征均方根值(root mean square, RMS)和积分肌电值(integrated electromyography, iEMG)有上升趋势,频域特征平均功率频率(mean power frequency, MPF)、中值频率(media frequency, MF)有下降趋势,而时频域特征瞬时平均频率(instantaneous mean power frequency, IMPF)、瞬时中值频率(instantaneous median frequency, IMF)出现先短暂上升然后下降趋势。对各特征参数进行非线性拟合,发现RMS和iEMG幂函数拟合优于指数函数拟合,而MPF、MF、IMPF和IMF指数函数拟合优于幂函数。对联合特征参数进行多元回归分析,发现RMS与MF组成的回归模型判定系数R~2最大。可见RMS与MF相结合作为评估肌肉疲劳的联合参数更加合理有效。     

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.     

基于肌电信号和加速度信号的腰部振动实验研究

实验研究振动时汽车座椅对人体腰部肌肉组织的影响.通过计算腰部肌电信号的均方根值来分析腰部肌肉的响应特征,通过分析振动传递比来研究人体腰部组织的振动能量传递特征,最后对振动传递比和肌电信号的均方根值进行统计分析.实验结果表明,在座椅腰部支撑参数为d₂(适当支撑)时,人体腰部的振动传递比和肌电信号均方根值都最小,而另外两种座椅腰部支撑参数d₁(无支撑)和d₃(过度支撑)对腰部的振动传递和肌电信号均方根值有放大作用.实验证实了适当的座椅腰部支撑能够减轻振动对人体腰部的影响程度.     

基于表面肌电信号的时频组合特征融合识别

为了克服单域、单特征描述的片面性,提出了一种时频组合特征提取及其融合的方法.选择基于时域的信号偏度和峭度、频域的功率谱比值、时频域的小波系数3个不同特征,并对各特征进行深入分析与处理.经BP网络的多级分类后,对其结果采用模糊积分进行证据源累积,并做出终裁.实验结果分析表明:利用时频组合特征融合后,肌电信号特征得到了较全...     

基于表面肌电信号的手势识别方法

为了提高上肢手势动作的识别准确率,通过三阶巴特沃斯滤波器进行表面肌电信号(sEMG)去噪和时间滑动窗口合理分割sEMG信号预处理。特征提取使用了积分肌电值、均方根值和小波包变换系数,并提出了一种时域信号结合时频域信号的特征空间方法,包括了积分肌电结合小波包变换系数(IEME)和均方根值结合小波包变换系数(RMSME)。在特征空间构建基础上,提出了三种手势识别方法：支持向量机分类器(SVM)、人工鱼群算法优化支持向量机分类器(AFSA-SVM)和卷积神经网络(CNN)。实验共采集了10位受试者的8种上肢手势动作sEMG信号,并引用Nina Pro DB2公开数据集进行对比。实验结果表明,无论在实验采集数据和Nina Pro DB2公开数据集中特征空间IEME相对于RMSME都更具识别度,并且特征空间IEME在1D-CNN上识别平均准确率和平均训练用时均优于2D-CNN。在实验采集数据中1D-CNN识别平均准确率高达98.61%,相对于SVM和AFSA-SVM识别准确率提高了6.77%和10.61%,并且采用1D-CNN识别方法的平均训练时间为7.37s较SVM和AFSA-SVM减少了68.32s和221.53s,因此在手势sEMG信号识别分类中采用特征空间IEME和分类模型1D-CNN具有优势。     

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。     

表面肌电信号拾取与预处理电路设计

表面肌电信号(SEMG)是指当骨骼肌收缩时,肌纤维所产生的微弱电信号在皮肤表面的募集。一般情况下,表面肌电信号特别微弱,频率主要集中在10～500 Hz范围内,幅值在10～5 000μV,很容易受到工频50 Hz噪声干扰。针对表面肌电信号的特点,采用Ag/AgCl电极拾取SEMG信号,设计了仪表放大电路,带通信号调理电路。实验证明,所设计的电路能有效提取带宽为10～1 000 Hz的表面肌电信号,实现了简捷有效的表面肌电信号拾取。     

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。     

基于独立向量分析的表面肌电信号分解研究

提出一种适用于表面肌电信号分解的变步长的独立向量分析梯度算法,根据表面肌电信号(s EMG)的生理学特性,将独立向量分析(IVA)模型应用到卷积混合肌电信号的频域分离中,提取隐含在s EMG信号中的运动单位动作电位信息。并将该方法与独立分量分析(ICA)方法的分解性能分析比较。实验结果表明,基于IVA盲源分离技术的分解方法能得到较明显的分解效果。     

基于表面肌电信号的上臂动作识别研究

分析上臂动作与上臂肌肉的关系,通过表面肌电信号正确识别上臂的动作,是实现上肢功能修复的关键.设计了上肢曲臂、伸臂、水平外摆、水平内收、手臂垂直外旋和手臂垂直内旋6个动作,分别同时记录三角肌、肱二头肌和肱三头肌的表面肌电信号,采用时域和频域的方法提取特征值,通过人工神经网络进行识别,识别率达到90%以上.结果表明,通过上肢肱二头肌、肱三头肌和三角肌的表面肌电信号识别上臂的运动是可行的,为应用生物电信号控制机械假肢和实现脊髓损伤功能障碍修复奠定理论基础.     

山东省不同运动水平大学生躯干屈伸肌群等速肌力和耐力的研究

本文通过采用kinitech等速测试训练系统对120例年轻人躯干屈伸肌群的肌力和耐力等速测试,研究对象均是在校一年级大学生,其中男60名,女60名,分为普通专业大学生、体育教育专业大学生、获得二级运动员的运动系大学生,对其中每组男女的峰值力矩、躯干屈/伸肌群峰力矩比值、耐力比、恢复比进行了比较分析,发现男女躯干屈伸肌群的特点和差异,并将普通组、体教组、二级组的男性和女性的峰值力矩、躯干屈/伸肌群峰力矩比值、耐力比、恢复比进行比较分析,找出不同运动水平下男女躯干屈伸肌群的各自特点和差异。     

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.     

基于颈腰部肌电及脑电信号的疲劳驾驶检测

为了有效判别驾驶员的疲劳状态,结合生物力学分析提取了驾驶过程中的颈腰部肌电信号EMG和头部脑电信号EEG,并分析其特征参数在驾驶过程中的变化规律.结果表明:颈肌样本熵、颈肌复杂度、腰肌样本熵、腰肌复杂度、脑电样本熵、脑电复杂度这6个生理信号的特征参数值都随着驾驶时间的延长而逐渐降低,通过主成分分析可实现特征参数间的合理组合.基于多元回归理论,建立了能够有效预测疲劳驾驶的数学模型.状态验证结果表明,该模型对疲劳状态判别的正确率可达95%以上.     

基于肘关节表面肌电信号的负载识别

针对大多数肌电信号只进行特定肢体动作识别而没有对肢体进行外加负载识别的问题,提出一种基于表面肌电信号(surface electromyography, s EMG)的负载识别方法。首先,采用4通道表面电极采集肘关节在不同负载下的s EMG信号;然后,利用时域、频域特征提取方法对s EMG信号进行特征提取构成特征向量;最后,利用支持向量机(support vector maching, SVM)、BP神经网络和RBF神经网络对特征向量进行分类识别。结果表明以时域特征值识别,SVM的识别效果最佳,准确率为96.2%;以频域特征值识别,BP神经网络的识别效果最佳,准确率为87.5%;以时、频域组合特征值识别,RBF神经网络的识别效果最佳,准确率为90.4%。可见通过s EMG信号进行负载识别具有一定的可行性,为s EMG信号的广泛应用奠定基础。     

用于生物模型的表面肌电信号处理

为了使从人体上采集到的表面肌电信号（sEMG）达到满足生物模型输入的要求,采用Matlab的Simulink和FDA工具对表面肌电信号的处理方法进行仿真研究。     

基于HMM的表面肌电信号模式分类

按等时间间隔将表面肌电信号(SEMG)划分为不同的段,利用小波变换对其进行特征提取,借助隐马尔可夫模型(HMM)的动态建模能力来感知不同动作模式下SEMG的时变特性.具体应用时,先根据样本对各动作模式下的HMM进行训练,待各模型参数稳定后,再利用HMM对特征提取后的SEMG进行模式分类.实验结果表明:该方法具有很好的分类识别率.在6个手部动作识别中,上翻、下翻、内旋和外旋4种动作的识别准确率均在90%以上.     

田径运动员不同方式运动时的血液动力学研究

通过对短跑和长距运动员从事无氧和有氧运动前后的脉搏图等指标的记录，研究了短跑和长跑运动员安静时及不同方式运动后的血液动力流变学参数的变化规律，探讨了专项训练引起的收血管机能适应的专门性特点。     

基于径向基网络的表面肌电信号处理

利用AR模型对实验所采集到的原始二通道表面肌电信号（SEMG）加以分析,提取AR系数作为特征值,将其作为训练样本输入到RBF神经网络进行训练,用此网络对前臂的伸臂和曲臂两种运动模式的表面肌电信号进行模式分类。实验表明,基于径向基函数RBF神经网络分类准确率比BP神经网络更高,具有较强的鲁棒性和自适应能力,可以有效识别肌肉的单动作模式。     

基于LabVIEW的人体表面肌电信号手势识别

随着科技发展的不断进步,人类对工具的操控和使用要求不断提高;一系列新型传感器和控制设备伴随着电子科技产业发展不断产生,人们对于交互的需求也越来越智能化、数字化。其中,手势识别作为人与人之间重要的交互沟通方式在测控领域有着巨大的潜力。实现手势识别有多种途径,其中基于人体表面肌电流(sEMG)的测量方法以其更加快捷简单的使用体验深受消费者期待。探讨了一种基于sEMG的手势识别方法,结合Lab VIEW平台进行了简单的分类和应用,为实现可携带式的sEMG手势识别设备提供一种实用方案。     

采用迁移学习的表面肌电信号手势识别方法

为解决采用表面肌电信号(surface electromyography, sEMG)进行手势识别时电极贴片位移、受试者动作变化等复杂情况下分类识别准确率下降这一问题,提出了一种基于表面肌电信号与迁移学习的手势分类模型。首先对4通道表面肌电信号进行活动段提取与降噪处理,然后提取活动段信号的四种时域特征与两种频域特征。采用流形嵌入分布对齐(manifold embedded distribution alignment,MEDA)方法将源领域和目标领域的特征矩阵嵌入到格拉斯曼流形中进行流形特征学习,减小两域之间的数据差异,消除特征退化;同时根据自适应因子执行动态分布对齐,动态调整数据不同分布差异下边缘分布和条件分布的相对重要性。对多名受试者开展实验以验证所提方法的合理性,实验结果表明:所提方法与决策树(decision tree, DT)、支持向量机(support vector machine,SVM)、k临近(k-nearest neighbor,KNN)三种传统机器学习方法相比,识别准确率分别提高了13%、21%、9%。与未执行流形学习与动态分布对齐的联合分布适配(joint distribution adaptation,JDA)迁移学习方法相比,识别准确率提高了52%,达到93%。