头皮脑电重测信度的研究进展

近年来,许多研究应用头皮脑电探讨心理过程的认知神经机制,相关研究高度重视脑电信号的重测信度。基于脑电图开发评估人脑功能的实验方法,是否具有高重测信度备受关注。综述脑电重测信度的主要影响因素,关注脑电基础实验流程对重测信度的影响,为此,首先介绍脑电重测信度的常用测量方法;其次概述该领域实验方法的研究进展,包括实验设计、数据处理、特征选择和被试群体构建等,其中重点阐述脑电数据分析方法对重测信度的影响,揭示提高脑电信号信噪比和建立标准化预处理流程是改善脑电重测信度的重要途径;最后,从实验范式和特征/指标的选择上提出了提高脑电研究重测信度的途径,并展望了脑电重测研究的发展前景。     

基于Hill肌肉模型的人体关节力矩智能预测

目的人体关节力矩是康复评估和人机交互中非常关键的因素之一。它可以通过人工神经网络(artificial neural network,ANN)模型以肌电等信号作为输入进行预测,但是由于人体结构的复杂性导致缺乏有效方法确定ANN模型的输入变量。为此本文提出了一种基于Hill肌肉模型获取关节力矩神经网络预测最优输入变量的方法。方法采用Hill肌肉模型结合人体几何学知识建立关节力矩,智能预测输入输出关系的数学模型,把Hill肌肉模型中肌肉纤维长度和收缩速度,以及以关节自由度为支点的肌肉力臂等不可活体测量的输入变量,转换成关节自由度所关联肌肉的肌电信号(electromyography,EMG)以及这些肌肉所驱动关节自由度角度和角速度等可在线测量的变量。实验中以本文获取的变量作为极限学习机(extreme learning machine,ELM)的输入,对由1位在跑步机上以0.4、0.5、0.6、0.7和0.8 m/s等5个不同速度行走的右下肢偏瘫患者所获的数据进行测试。为了评估本文所提方法智能预测的泛化能力,实验在两个不同的泛化水平下进行,它们分别是只把3个低速数据(0.4、0.5和0.6 m/s)和全部5个速度的数据用于神经网络的训练并预测所有速度下的关节力矩值。实验通过预测值与反向动力学计算值之间的归一化绝对误差和互相关系数评估。结果本文获取的输入变量与其他关节角和角速度作为输入的方法相比,预测关节力矩值更精准。除右踝关节内外翻外,其他关节力矩预测结果的最大归一化绝对误差为12.93%,最小平均互相关系数为0.89。结论该方法比目前通用多体反向动力学的输入变量少,且可实现关节力矩值的在线预测,为运动康复中实时步态分析和外骨骼机器人控制提供技术支持。