基于SVM的表面肌电信号动作模式识别*

为更好地将表面肌电信号应用于智能轮椅的人机接口,提出了一种基于SVM的表面肌电信号动作模式的识别算法。采用一对一的方式构造SVM多值分类器,按照投票原则确定测试样本的类别归属,并与动作模式识别的核fisher算法和RBF神经网络算法进行了对比分析。实验结果表明,支持向量机(SVM)算法识别率更高,可以取得理想的学习效果和泛化性能,很好地解决小样本、非线性及局部极小值问题。     

人体下肢表面肌电信号的检测与分析

人体步行时下肢肌电信号 (EMG)活跃 ,为研究步态周期内 EMG随路况的变化趋势 ,采用了下肢表面 EMG8通道检测装置进行了实验 ,对多人在 6种路况 (或步速 )下行走时的下肢 EMG进行了检测和分析。实验结果表明 ,步行时下肢肌肉活动有一定的规律性 ;各路况信号开始及持续时间、信号绝对值平均、中频等特征值区分明显 ,可以将其应用于智能肌电控制假肢路况模式辨识     

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。     

利用选择性肌电信号控制踝关节神经运动康复装置

研究了利用表面肌电信号来实时控制踝关节康复装置的运动.采集人体踝关节在一个自由度上做屈伸运动时的胫骨前肌和腓肠肌的表面肌电（sEMG）信号,对sEMG信号进行处理和特征提取.并以sEMG信号为控制系统的主要信息源,研究了基于表面肌电信号的踝关节运动装置控制原理和实现方法.通过模拟试验,验证了sEMG信号的统计特性及控制机构的可行性.     

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.     

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。     

利用表面肌电信号的下肢动态关节力矩预测模型

为实现表面肌电信号的下肢关节力矩动态解码,建立了从表面肌电信号到关节力矩输出的人体下肢运动系统正向生物力学模型。首先,从幅值和频率两个角度建立表面肌电信号到骨骼肌激活程度模型;其次,根据肌丝滑移理论,构建反映骨骼肌生理结构和微观力学特性的肌肉力模型,同时确定活动肌肉拉力线方向及力作用点位移矢量,将骨骼肌力转换到关节力矩;最后,以牛顿-欧拉逆动力学方法获得关节力矩作为准确值,给出正向生物力学模型参数动态标定方法。在模型基础上,对4名对象进行随意步态下膝关节屈伸动态力矩预测试验,结果表明:所建模型对步态行走下的膝关节动态关节力矩具有很好的动态跟踪性能,最大绝对误差为(11.0±1.32)N·m,平均残差为(4.43±0.698)N·m,预测值与准确值之间的平均线性相关系数为0.927±0.042,验证了该方法的正确性和有效性;可为康复训练机器人人机协同过程中的力学交互模式研究提供接口。     

基于柔性关节的下肢康复机器人设计与分析

结合国内外现有的下肢康复产品及研究成果,研制了具有柔性关节的坐/卧式下肢康复机器人,采用摄像分析法进行步态分析,并对下肢康复机器人进行了动力学建模、分析及仿真.研究表明,下肢康复机器人对脑卒中患者的康复训练、脊髓损伤和截瘫、骨折患者的重新行走均能起到辅助作用,实现患者恒力恒速运动.      

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.     

人体下肢康复训练机器人及其造型设计

为帮助中风后的病人、下肢运动功能弱的老年人、事故或灾难造成的人体下肢运动障碍等的人群进行行走能力的恢复,设计了一种针对人体下肢运动功能恢复的康复训练机器人,解决了智能康复辅具的不足问题.该康复训练机器人由机构、控制系统和安全系统构成,并集成了多种传感器,可实时伴随训练人士,通过人机交互系统实现自动向前、左右转弯和防摔倒等功能.实验表明该系统操作简单,可靠性高.开发了两代下肢康复训练机器人,第一代康复训练机器人已在医院得到了初步应用.对文中讨论的第二代康复训练机器人在造型和局部功能方面进行改进,给出了康复训练机器人的造型设计方案.      

基于触觉P300的脑控下肢康复机器人

基于P300信号的脑机接口技术在康复医疗领域具有广阔的应用前景,但P300信号的诱发方式多为视听刺激诱发,容易导致患者视听疲劳,同时也限制了视听障碍患者的使用。针对这些不足,设计一种基于触觉P300的脑控下肢康复机器人系统,在被试的左右食指处各放置一个振动器,通过调整左右手振动器的刺激间隔、刺激时长及刺激比例让P300信号更容易诱发和区分;利用共空间模式算法和支持向量机对信号进行特征提取和分类。被试通过选择关注左手或右手的振动刺激输出不同指令,从而控制下肢康复机器人进行相应动作。实验证明,被试通过感受振动刺激可以轻松诱发脑电中的P300信号,在不进行P300信号平均叠加的条件下,分类准确率为86.50%,既保证了较高的分类准确率,又缩短了指令输出时间。每位被试均可通过下肢康复系统顺利完成训练任务,证明了该方法的可行性。     

基于速度场的上肢康复机器人的主动控制策略

针对上肢辅助康复机器人在临床使用中的安全性和平稳性,以及主动康复阶段对患者主动参与康复训练的要求,采用了有别于传统轨迹跟踪的轮廓跟踪策略,并设计了一个主动控制器.轮廓跟踪策略是通过空间中的速度场约束机器人的运动来实现的.速度场可使机器人平滑而稳定地沿着期望的空间曲线运动.主动控制器引入了患者作用力,使机器人的运动速度能够根据患者所施加的作用力进行调整,实现患者主动参与康复训练的目的.仿真结果表明,轮廓跟踪-主动控制策略能够在保证跟踪精度的同时实现人机交互.     

老年人下肢康复训练机器人运动识别方法研究

本研究认为,由于后天环境影响和身体机能的下降,老年人下肢运动能力降低的人数不断增多,相应地,康复训练机器人的相关技术则成为了研究的热点.本研究以老年人康复训练机器人为研究对象,提出了一种通过采集前臂压力来识别老年人的运动意图的方法,即建立系统的运动学模型,使用模糊拉格朗日插值法识别机器人的运动方向意图,使用比例变化法识别机器人的速度意图,通过仿真对识别方法的优越性进行验证.仿真结果表明,文中方法识别的速度和方向与实际运动情况基本一致,表明该研究提出的方向和速度意图识别方法是可行的.该研究为下肢康复训练机器人的发展提供了一定的参考.     

下肢康复机器人运动学分析与运动控制实现研究

针对现今越来越多脑卒中患者,设计出一款可以达到康复目的的下肢外骨骼康复机器人,并根据本课题所设计的机械结构进行了运动学分析;对患者的康复策略进行了分析,并对所要求康复策略的轨迹控制进行研究,详细分析了基于被动模式下主控机控制运动轨迹生成的实现。     

基于sEMG和LSTM的下肢连续运动估计

针对下肢助力外骨骼的连续运动控制问题,提出了一种基于表面肌电信号(sEMG)与长短时记忆(LSTM)网络的连续运动估计方法.通过LSTM对肌电-运动的映射关系进行训练分析,基于奇异值分解特征值矩阵的误差算法获取主元分析(PCA)算法的主成分数量(降维维度),实现了对下肢三个关节在矢状面内的连续运动估计,且提高了连续运动估计的实时性.通过与传统网络支持向量机(SVM)、反向传播(BP)神经网络训练结果的对比分析,证明了LSTM网络在下肢连续运动预测中的优越性.     

基于AHP-模糊综合评判的上肢康复机器人康复评价方法

以5-DOF穿戴式上肢康复机器人为平台,提出了一种基于AHP-模糊综合评判的康复评价方法,依据康复医学知识建立了AHP递阶康复评价模型,选取适当的AHP-模糊关系合成算子逐阶求取康复评价指标．通过实例验证了该评价方法具有一定的科学性及充分的可行性,为实现5-DOF上肢康复机器人的康复评价功能提出了一种新思路．     

人体下肢肌肉力量训练方法的探讨

本文应用文献资料法结合教学训练的实践,具体的阐述了发展下肢力量特别是爆发力的方法以及各种力量训练方法的优缺点、应注意的问题。作者从静力、动力、超等长、等动、电刺激力量训练方面探讨,意在为下肢力量的发展提供科学的依据和方法,提高训练的科学性及训练质量。