用于稳态视觉诱发电位目标识别的多尺度特征融合卷积神经网络方法

针对传统稳态视觉诱发电位(SSVEP)脑电信号目标识别方法分类精度低、提取特征不充分、方法复杂且耗时等问题,提出一种基于多尺度特征融合卷积神经网络的SSVEP信号分类识别方法(SSVEP-MF)。利用小波变换将多通道SSVEP信号整合转化为二维图像作为输入样本集;建立多尺度特征融合卷积神经网络模型(MFCNN),该模型利用三层二维卷积核实现图像样本不同尺度特征的充分提取,构建多尺度特征融合单元对不同层级特征进行融合,并通过全连接等操作完成模型的训练;将样本集输入到MFCNN模型中实现脑电信号特征自适应提取及端到端分类。所提SSVEP-MF方法能够充分提取信号各层级特征,实现短时间视觉刺激下SSVEP信号的有效识别,并具有较高的目标识别效率。实验结果表明,在1 s刺激时长时,相比传统功率谱密度分析方法、典型相关分析方法以及普通卷积结构方法,所提方法的识别准确率分别提升了18.57%、20.08%及7.03%,有效提高了基于稳态视觉诱发电位范式下脑机接口的信号识别性能。     

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。     

双圈同轴式光纤位移传感器的输出特性

为了利用双圈同轴式光纤位移传感器准确测得旋转机械中滑动轴承的润滑膜厚度,分析了反射面形状以及润滑油折射率对双圈同轴式光纤位移传感器输出特性的影响.利用几何光学分析方法,建立了反射面为球面时的光纤传感器输出函数的数学模型,分析了润滑油折射率对光纤入射角的影响.结果表明:当传播介质的折射率大于1时,光纤最大入射角减小;当反射面曲率半径减小时,传感器的灵敏度会降低;与光线在空气中传播相比,传播介质为润滑油时,随着传播介质折射率的增大,传感器的灵敏度降低.因此,在利用双圈同轴位移传感器进行滑动轴承的润滑膜厚度监测时,必须对传感器进行重新标定.     

轮式移动机器人行走的模糊比例积分控制方法

为了提高移动机器人行走的自适应能力,提出了一种将模糊算法和比例积分相结合的模糊比例积分控制算法,并应用到自主开发的四轮移动机器人上.在双电机转速跟随实验中,根据输入转速差进行比例积分(PI)控制律的运算,采用PI控制器的输出来调节电机1的直流电机脉冲宽度调制占空比的大小,从而最终实现电机1与电机2的转速满足相应的协调关系,并由此对移动机器人行走行为的不协调性进行及时纠正.研究表明,电机1的转速能够快速跟随电机2转速的变化,从而证实了该算法具有良好的自适应性和鲁棒性.     

虚拟诱导患者下肢主动运动意图及其脑电精准感知方法

针对下肢运动功能障碍患者无法产生强烈主动运动意图造成外骨骼机器人在康复运动辅助时人机交互性差的问题,提出了一种虚拟诱导患者下肢主动运动意图及其脑电精准感知方法。首先,分析影响患者运动意图产生的因素,建立基于大脑注意机制的虚拟诱导患者意图产生模型,形成基于脑电信号的人机交互策略;然后,设计并搭建数据驱动沉浸式三维虚拟诱导场景,激发患者大脑产生主动运动意图;进而,采集患者脑电信号,通过基于自适应噪声完备经验模态分解(CEEMDAN)和独立成分分析(ICA)相结合的伪迹去除方法进行信号预处理;最后,利用深度卷积神经网络实现对患者运动意图的精准识别。实验结果表明：虚拟诱导方法能够有效增强受试者脑电信号特征,运动意图识别率明显提高,相比常规方法,采用虚拟诱导方法后,静息状态识别准确率达到80.5%,提高了10.33%,产生意图识别准确率达到92.17%,提高了20.5%,稳定维持在较高水平,为外骨骼机器人实现按需辅助控制奠定了基础。     

利用运动准备电位的人体下肢自主运动意图预先感知方法

针对下肢外骨骼机器人穿戴者的运动与机器人本身响应之间存在时间迟滞而导致控制实时性差的问题,提出了一种利用运动准备电位(RP)的人体下肢自主运动意图预先感知方法。首先,根据人体下肢运动的脑电(EEG)产生机理和耦合神经元集群模型仿真了下肢产生运动意图时大脑运动皮质区的RP响应,验证了下肢产生运动意图时其EEG中存在RP;其次,利用下肢肌电(EMG)确定了下肢自主运动的起始时刻并完成EEG中自主下肢运动事件的触发标记,同时利用多元经验模式分解(MEMD)方法去除了EEG中的运动伪迹成分,进而利用叠加平均法和模板匹配法实现了下肢自主运动的RP提取及其运动意图的预先感知;最后,搭建检测系统进行实验验证。实验结果表明:该方法可在离线情况下于人体下肢自主运动开始前约120 ms实现下肢运动意图的预先感知,其平均识别正确率为74.4%。该方法实现了人体下肢自主运动意图的预先感知,可为外骨骼机器人的柔顺控制提供信息提前量。     

驱动人体下肢运动的脑肌电相干同步方法

针对驱动下肢运动中脑肌电信息不同步现象导致的脑肌电融合识别稳定性差等问题，提出一种结合多元自回归(mvAR)模型及最大化相干性法则的驱动下肢运动脑肌电相干性分析及信息同步化方法。首先根据驱动下肢运动中神经冲动传导机制及运动控制原理，进行驱动下肢运动脑肌电产生原理及信息不同步现象分析；其次，引入多元自回归模型，以下肢稳态力输出状态下的多次实验多通道脑肌电作为模型输入，迭代得到基于高维模型拟合的脑肌电时频相干性结果；再次，确定显著相干频率及时刻，并利用最大化相干性法则将脑肌电时延量化，实现脑肌电同步；最后，搭建下肢稳态力输出脑肌电同步采集和下肢运动意图识别实验平台并进行方法验证。实验结果表明，在下肢稳态力输出过程中，脑肌电相干性在beta频段呈现显著相干，各受试者左右腿脑肌电时延分布于10～40 ms之间，其中左腿平均时延为(23.3±11.4) ms,右腿平均时延为(19.8±4.8) ms,使用抵消时延后的脑肌电融合识别下肢运动意图准确率有部分提升，可有效同步脑肌电中的驱动下肢运动信息，同时提升脑肌电融合识别稳定性。     

下肢外骨骼康复机器人人机交互力自适应导纳控制

对于下肢具有残余肌力的下肢瘫痪病人,基于标准步态轨迹被动训练的康复方案无法满足锻炼肌肉的康复训练需求,为此提出了一种人机交互力自适应控制的下肢外骨骼康复机器人控制策略,并设计了可实现康复训练的控制方法。该方法以健康人体行走步态为下肢外骨骼康复机器人的位置控制参考,以穿戴者的自身腿部用力作为力控制约束,根据穿戴者自身腿部力量大小,智能控制和调整步态曲线,以更加适应穿戴者的康复训练需求。仿真试验结果表明,相对于完全被动的康复训练模式,自适应力控制模式能够有效地调整康复过程中人机交互力,可以适应多种不同的康复训练需求,从而大大提高受损患肢运动功能恢复的康复治疗进程,具有实际的应用价值。