基于小腿表面肌电的智能机器人协同控制方法

作为人机交互的核心内容之一,面向机器人控制的步态识别拥有广泛的应用前景。提出一种基于小腿表面肌电信号的智能移动机器人控制方法。通过优化互信息的最大相关最小冗余算法(MRMR),实现对前进、后退、左转、右转等4种步态分类识别,并建立一套移动机器人同步控制系统。使用表面肌电信号(sEMG)作为输入信息,对人步态动作进行分类识别,并转化为对机器人运动进行控制的信息,从而实现人与智能移动机器人的实时协同交互。通过采集8名受试者前进、后退、左转、右转行走时的小腿表面肌电信号,并实时控制智能机器人的运动。结果表明,在少量的训练条件下,该方法的步态识别准确率可达88%。基于此方法搭建的移动机器人协同控制系统,具有较强的实时控制能力以及较高的控制准确度。基于小腿表面肌电的智能机器人协同控制方法具有良好的应用前景,未来或可广泛应用于人机运动协调机器人控制等领域。     

采集表面肌电信号应用于动作识别的可行性

背景：文献表明上肢前臂运动时所产生的表面肌电信号具有非线性特征,而肢体运动时肌电信号又呈现出非平稳特性。 目的：设计一种简单的拾取电路采集表面肌电信号,拟应用于动作肌电信号的特征识别。 方法：根据表面肌电信号的特点,设计高共模抑制比的前端放大电路,抑制共模干扰;采用低通滤波电路,有源双T带阻滤波器对信号进行去噪处理;对采集得到的信号进行小波包变换,得到信号的特征量。 结果与结论：所设计的表面肌电信号检测电路具有较高共模抑制比,并能有效地滤除50 Hz工频信号,可以满足肌电信号采集电路的基本要求。肌电信号的处理结果表明采用子频段能量值的方法可以区分手部4种不同动作。     

基于小波系数熵的表面肌电信号识别

目的:对表面肌电信号进行分类识别。方法:30名健康的志愿者参加数据采集。每名志愿者用右手臂完成两个动作:前臂内旋和前臂外旋。在每个动作中,采集一组表面EMG信号。总共获得30组内旋和30组外旋的表面EMG信号。然后,运用小波包系数熵构成特征向量,用Bayes决策对两种模式信号进行分类识别。结果:当信号长度达350ms后,正确识别率达到100%。结论:采用小波包系数熵可以有效地提取表面EMG信号的特征信息,达到控制前臂假肢的目的。     

基于小波包熵的与动作相关表面肌电信号的分类

目的:对与动作相关的表面肌电信号进行分类识别.材料与方法:与动作相关的表面肌电信号是从右手前臂肌群表面采集而来.用小波包变换将信号分解成16个等频带宽的的子空间.之后,计算每个子空间的相对小波包能量和每个信号的小波包熵.结果:正确识别率达到100%.结论:小波包熵能够作为与动作相关的表面肌电信号的特征值来识别不同的动作表面肌电模式.     

基于灰色系统理论的表面肌电分类

为提高假肢分类的准确率和速度 ,提出采用灰色系统理论中的灰关联法进行动作辨识。首先用小波变换方法对表面肌电信号进行分析 ,通过对小波系数奇异值分解提取信号特征 ,根据待分类动作与各标准动作模式间特征矢量的灰关联系数做出判断。从掌长肌和肱桡肌采集的两道表面肌电信号中识别四种运动模式 ,准确率达87.5 %。与神经网络等识别方法相比 ,此方法不需大量训练样本数量 ,运算量小 ,在识别率相近的情况下 ,辨识速度大大提高。     

基于肌电信号与肌肉形变信号的手语识别

针对手语手势识别问题,提出一种基于肌电信号与肌肉形变信号的手语识别架构。首先,设计信号采集系统;然后,采集肌电信号与肌肉形变信号,利用滤波及小波降噪等方法对原始数据进行降噪处理。采用基于能熵比的双门限端点检测法提取信号有效活动段;分别提取肌电信号以及肌肉形变信号特征,将所提取的信号特征融合组成特征向量;最后,采用基于网格搜索的支持向量机识别模型对所采集手语动作进行识别。信号融合后手语识别正确率达到97.2%,相对于仅采用肌电信号的手语识别方法,融入肌肉形变信号后识别率提高9.3%。结果表明,基于肌电信号和肌肉形变信号的手语识别框架对动态手语手势具有良好的识别效果。     

小波变换在表面肌电信号分类中的应用

针对肌电信号的非平稳特性,采用小波变换方法对表面肌电信号进行分析。通过奇异值分解有效地提取信号特征进行模式识别,能够成功地从掌长肌和肱桡肌采集的两道表面肌电信号中识别展拳、握拳、前臂摧旋、前壁外旋四种运动模式。实验表明,基于小波变换的奇异值分解方法是一种稳定、有效的特征提取方法、为非平稳生理信号的分析提供了新的手段。     

基于肌电信号的手臂运动状态的辨识

本研究的目的是利用人体上肢肌肉的肌电信号辨识人体肘关节运动状态。当人体手臂做屈伸运动时，采集肱二头肌和肱三头肌的肌电（EMGs）信号和肘关节角度信号，对EMGs进行处理和特征提取。提取的特征值作为一个四层的神经网络模型的输入信号，运用改进后的误差反传学习算法最优化网络各层权值，映射出人体表面肌电信号和手臂运动状态间的非线性关系，并将处理后的肌电信号转换为相应时刻的肘关节运动角度。试验结果表明神经网络预测出的肘关节运动角度与测角仪测出的实际运动角度最大误差小于1度。     

基于表面肌电信号的上肢外骨骼康复训练系统设计

目的 为实现不同上肢损伤程度患者的康复训练,设计一种基于表面肌电信号(surface electromyographic signal,sEMG)的上肢外骨骼康复训练系统。方法 该康复训练系统的机械结构主要由背部控制部分、可变刚度驱动器以及可调节上肢支架部分组成;控制系统包括肌电采集、滤波、特征提取和动作分类识别。首先采集肌电信号,并提取时域特征;然后采用主成分分析法(principal component analysis, PCA)进行降维处理,用K均值聚类算法(K-means clustering algorithm)进行动作模式分类识别;最后对可变刚度驱动器进行刚度测量实验,并进行仿真实验验证分类效果。结果 康复训练系统可以自主地调节刚度,并且动作模式的总体识别率为89.74%。结论 该康复训练系统动作模式识别率高,可以更好地带动患者完成康复训练。     

基于幅频联合分析法对肌肉疲劳状态下表面肌电信号时、频域变化规律的研究

目的:通过对肌肉疲劳状态下表面肌电信号(sEMG)的提取,利用幅频联合分析的方法探讨sEMG作为肌肉生理特征信号在疲劳发生过程中的变化规律。方法:5名健康男性左右手臂分别进行一次实验,实验过程中,手臂自然下垂,前臂抬起至水平,与上臂成90°角,前臂上悬挂重量为5 Kg的重物,使肌肉等长收缩8 min,采用英国BIOPAC公司生产的MP150及其肌电采集模块同步记录肌肉的表面肌电信号,使用The MathWorks公司的MATLAB7.0软件,在信号3min、5 min、7 min后各取20 s进行幅频联合分析。结果:sEMG随着肌肉疲劳状态的加剧,信号幅值平均值明显增大,功率谱密度发生变化,平均功率频率(MPF)、中位频率(MF)明显减小。结论:表面肌电信号的幅频联合分析法为进一步深入研究肌肉疲劳状态下表面肌电信号的变化提供了方法支撑和理论依据。     

基于最佳小波包的表面肌电信号分类方法

针对表面肌电信号的分类问题，采用最佳小波包分解构造最能体现分类能力的小波包基。用Fisher线性判别分析对肌电信号各个子空间的相对能量特征进行降维处理，然后利用BP神经网络进行分类识别。实验表明该方法能够有效地从伸肌和屈肌采集的两道肌电信号中识别前臂内旋、前臂外旋、握拳和展拳四种运动模式，是一种稳定、有效的特征提取方法，为非平稳生理信号的分析提供了新的手段。     

基于GA-RBF神经网络和sEMG的下肢动作识别方法研究

为了提高人体肌电信号对于下肢动作识别的准确率,提出一种基于遗传算法(GA)优化的径向基(RBF)神经网络分类模型.通过采集人体日常8种下肢动作的表面肌电信号并选择"sym6"系小波函数对肌电信号进行滤波预处理,使用主成分分析法(PCA)对时频域特征降维,把特征向量输入GA算法优化的RBF神经网络进行训练和识别.实验结果...     

基于肌电信号层级分类的手部动作识别方法

目的 利用肌电信号对手部动作进行识别,是控制现代康复假手的关键,其中使用少量电极识别出较多手势又是一难点。为更加充分利用所获得的肌电信息,本文提出一种层级分类方法。方法 首先提出一种基于层级分类的手部肌电信号动作识别方法,该方法首先根据被分类对象的多侧面属性,利用肌电积分值作为特征值,并通过线性判别函数实施预分类;其次建立肌电信号的自回归模型,将模型系数作为特征值,将人工神经网络作为分类器进行细分类;最后进行了对比实验论证。结果 实验结果表明,可以利用2个表面肌电电极以较高的识别率识别出8个常用手部动作。结论 该方法能够以较少的肌电电极识别出较多的动作,比未采用分层方法具有更好的分类效果。     

基于经验公式的连续手势动作表面肌电信号识别方法

目的实现连续手势动作表面肌电信号（surface electromyography,sEMG）的简单有效识别。方法首先推导出测试信号属于手势动作模板的概率密度经验公式,通过数据处理实验确定公式参数,最后设计连续手势识别实验以测试该经验公式用于动作sEMG识别的效果。结果推导出的经验公式在连续手势识别中获得了较好的识别结果,验证了该经验公式用于连续手势动作sEMG信号识别的有效性。结论基于经验公式的方法为实现基于sEMG信号的连续手势识别提供了一种可行的解决方案。     

独立分量分析和小波熵在动作模式分类中的应用

在表面肌电信号(electromyography,EMG)中,各类动作的识别是一个重要研究方向.本文采用独立分量分析independent component analysis,ICA)对肌电信号进行处理,消除各动作信号之间的相互线性耦合叠加,并采用信号的小波熵作为特征向量进行模式识别.试验表明,在对信号进行先期ICA处理以后,动作模式的识别效果较好.此方法也可应用于其他生理信号的识别分类.     

Continuous hand gesture surface electromyography recognition method based on empirical formula

目的实现连续手势动作表面肌电信号(surface electromyography,sEMG)的简单有效识别.方法 首先推导出测试信号属于手势动作模板的概率密度经验公式,通过数据处理实验确定公式参数,最后设计连续手势识别实验以测试该经验公式用于动作sEMG识别的效果.结果 推导出的经验公式在连续手势识别中获得了较好的识别结果,验证了该经验公式用于连续手势动作sEMG信号识别的有效性.结论 基于经验公式的方法为实现基于sEMG信号的连续手势识别提供了一种可行的解决方案.     

基于无线表面肌电信号采集的上肢动作识别

目的为识别上肢动作并应用于人机交互领域以及为相关患者提供上肢康复训练,设计一个无线表面肌电信号采集及识别系统。方法系统主要由硬件部分与软件部分组成。硬件设计方面,由增强型80C51作为各个模块的控制中心。贴片电极采集的肌电信号,经仪表放大器AD8422放大处理,并进行A/D转换,最后通过无线方式将信号发送给接收盒并传送至PC。软件设计方面,在VC平台下,通过均方根、自回归系数提取特征值,利用支持向量机算法进行动作模式识别。结果设备的采集部分体积为37 mm×27 mm×15 mm,可方便地实现穿戴式,上位机部分则可以满足对信号的各种分析以及作为人机交互界面。结论该系统可实现对患者的康复训练,也可扩展到游戏娱乐。     

基于颞肌表面肌电的鼠标装置研究

目的设计一种基于颞肌表面肌电的鼠标装置,用于解决高位截瘫、上肢残疾等手部功能障碍者操作鼠标的难题。方法提出一种基于表面肌电信号控制鼠标的方法,通过分析与试验,选取面部颞肌肌电信号作为控制信息,以咬牙作为触发动作,根据不同咬牙动作时,面部颞肌产生不同的肌电信号特征,设计一种利用颞肌表面肌电信号进行鼠标控制的装置。结果实验结果表明,利用该装置,受试者能够通过简单的咬牙动作实现控制鼠标的目的。结论利用颞肌表面肌电控制鼠标的方法是切实可行的,基于该方法设计的鼠标装置具有较好的应用推广价值。     

基于多尺度最大李雅普诺夫指数的表面肌电信号模式识别

为了提高动作表面肌电信号的识别率,提出一种将最大李雅普诺夫指数和多尺度分析结合的方法。从非线性和非平稳的角度出发,引入多尺度最大李雅普诺夫指数特征,并应用到人体前臂6类动作表面肌电信号的模式识别中。首先利用希尔伯特-黄变换,对原始信号进行经验模态分解,即多尺度分解;然后利用非线性时间序列分析方法,计算多尺度最大李雅普诺夫指数;最后将多尺度最大李雅普诺夫指数作为特征向量,输入支持向量机进行识别。平均识别率达到97.5%,比利用原始信号的最大李雅普诺夫指数进行识别时提高了3.9%。结果表明,利用多尺度最大李雅普诺夫指数对动作表面肌电信号进行模式识别效果良好。     

大腿截肢患者的残肢肌电运动识别

目的研究利用大腿残肢肌电信号进行下肢运动模式识别的方法,探讨肌电信号控制下肢假肢的可能性。方法采集15名大腿截肢者残肢侧股直肌、股外侧肌、阔筋膜张肌、股二头肌、半腱肌、臀大肌6块肌肉的表面肌电信号,提取肌电信号的6种时域、频域特征,利用支持向量机对平地行走、上楼梯、下楼梯、坐下、起立5种下肢运动模式进行识别。结果利用残肢肌电信号可以实现5种下肢运动模式的在线识别,对同一受试者同次测试数据识别率为94%,同一受试者的多次混合数据识别率为85%,对不同受试者混合数据识别率为74%。通过特征优化,仅利用3块肌肉的2个特征,对同一受试者的同次测试数据识别率仍可达92%。对平地行走、上楼梯、下楼梯3种动作的识别,同一受试者同次测试数据识别率为100%,同一受试者的多次混合数据识别率为98.33%,对不同受试者混合数据识别率为93.33%。结论仅仅利用残肢肌电信号能够实现运动意图的在线识别,通过对同一患者使用前的多次数据训练,有望达到较高的识别率。研究结果为肌电运动识别用于下肢假肢控制奠定了基础。