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。     

用于控制短消息发送的实时脑机接口系统

目的：设计一种基于视觉诱发电位的实时脑机接口,用于控制短消息发送。方法：实时脑机接口系统由视觉刺激器、脑电采集电路、FPGA开发板、通讯模块组成。脑机接口界面包括短消息发送的目标选项和内容选项界面,受试者每次实验注视刺激界面中的一个模块,通过检测视觉诱发脑电来确定受试者做出的选择。利用基于FPGA的VGA视觉刺激器为受试者提供视觉刺激,采集脑电信号并在FPGA平台上对其进行在线的实时分析处理。选用小波分解提取视觉诱发电位特征向量,输入BP神经网络进行模式识别,产生脑机接口控制信号,其中,小波分解和BP神经网络两部分由NIOS II实现。脑机接口控制命令用于控制TC35无线模块发送短消息。结果：通过对五名受试者做实验,识别准确率最高可以达到100%,脑机接口系统能有效控制短消息的发送。采用小波滤波、BP神经网络识别的算法优于时域波形匹配识别法。结论：实验表明本文提出的实现脑机接口短消息发送系统的方法具有可行性。     

基于中枢模式发生器控制的电刺激步行康复系统设计与实验

研发功能性电刺激(FES)康复系统来实现下肢瘫痪病人的行走运动。控制器采用基于中枢模式发生器(CPG)的仿生控制机理。针对基于递归神经振荡器的CPG模型,研究关键参数(激励性输入、时间常数、感觉反馈、输出阈值)对CPG输出幅值、频率、相位以及占空比的影响。建立包含12个神经元的CPG网络,以控制双腿的4个关节(左/右髋关节和膝关节)和八组肌群(左/右髂腰肌、臀大肌、股直肌和腘绳肌)。所搭建的实验系统和平台,包括悬吊减重系统、助行系统、电刺激系统和运动检测系统。在正常受试者参与的实验中,受试者在CPG控制的电刺激作用下产生非自主行走运动。实验结果表明,受试者双腿的髋关节和膝关节角度与正常人自主行走时的数据达到定性吻合,验证所设计的CPG控制器在FES康复系统中的可行性与有效性。     

结合颞肌肌电的虚拟家居控制系统设计与验证

目的 提出一种脑肌电结合的控制方式,用于对家居系统的控制,以提升控制的安全性和自主性。方法 提出一种结合稳态视觉诱发电位(steady-state visual evoked potential,SSVEP)和颞肌肌电的混合脑机接口控制方式,设计并实现了一个整合5种设备的虚拟家居控制系统。其中SSVEP用于实现指令选择功能,颞肌肌电用于实现系统开关、界面切换和指令确认功能。脑电和肌电信号分别采用典型相关分析和阈值法处理后,结合系统状态共同决定系统控制指令的生成。6位受试者进行了系统验证实验,定义控制指令比和误操作率等指标以评估系统性能。结果 6位受试者均成功完成对5种家居设备的控制,控制过程中未发生误操作。设备选择/操控指令的平均指令比为106.3%。结论 本文提出的脑肌电结合的控制方式可用于家居系统的控制,且能有效减少误操作的发生,提升控制的安全性。     

基于脑肌电融合的混合脑机接口研究

动作模式识别是脑机接口技术的核心内容之一。针对目前脑机接口动作识别模式单一、识别率低等问题,基于混合脑机接口思想,提出一种脑电和肌电特征融合策略,可实现单侧肢体不同动作模式的有效分类,进而可用于脑机接口技术。同步采集9名健康受试者单侧手腕屈/伸两种动作模式下的脑电信号和表面肌电信号,分别提取脑电信号事件相关去同步化特征和表面肌电信号的积分肌电值特征,构建基于支持向量机和粒子群优化算法的脑肌电融合及运动模式识别模型,通过调整“特征融合系数”来实现动作模式最优分类,从而提高模式识别的准确率;进一步通过递降健康人的肌电信号幅值来模拟患者和运动疲劳状态下的肌电信号,验证所提出方法对动作模式识别的有效性。实验结果表明,基于脑肌电融合特征的动作模式识别率(98%)比单纯依靠脑电特征的识别率(73%)提高25%;在运动疲劳状态下,基于脑肌电融合特征的识别率稳定在80%以上,比单纯依靠肌电特征的识别率提高14%。可见,脑肌电融合策略能提高动作模式识别的准确性和鲁棒性,为混合脑机接口技术提供条件。     

基于ERD/ERS脑电信号的智能化功能电刺激系统的设计

设计一套基于事件相关同步电位(Event related desynchron ization,ERD)和事件相关去同步电位(Event related synchronization,ERS)脑电信号反馈控制功能电刺激仪系统。当大脑想象残肢运动中,出现ERD/ERS脑电信号,经过特征提取和特征分类转换为控制命令去触发功能电刺激系统,实现对相应残肢的电刺激。实验结果成功实现了对残肢的电刺激。     

基于移动窗的人体下肢运动支撑期和摆动期的识别

假肢是截肢患者重获行动能力的唯一途径,识别人体下肢运动中的支撑期和摆动期,对控制假肢十分重要。本文基于人体下肢表面肌电(sEMG)信号对人行走步态周期中的支撑期、摆动期进行识别。利用加拿大公司生产的Infiniti生理数据采集系统,对人体下肢相关肌肉sEMG信号进行采集,用加权滤波窗进行滤波,并用限高窗进行分析,判定目标肌肉起始收缩的时间点,以确定支撑期、摆动期的开始时间。利用加权滤波窗和限高窗分析股直肌、胫骨前肌sEMG信号,能较为准确的完成对支撑期、摆动期的区分,在一定的容忍度范围内,能得到很高的正确率。实验表明,sEMG信号能够反映人体运动意愿,利用人体下肢相关肌肉进行支撑期、摆动期的识别是可行的,提出的分析sEMG信号的方法有一定的实际应用价值。     

想象左右手运动的脑电特征提取及分类研究

针对想象运动的脑机接口(BCI)系统存在分类准确率低、抗干扰能力差等不足,提出一种将离散小波变换(DWT)和BP神经网络相结合的脑电识别方法(DWT-BP法).通过计算想象左、右手运动的C3、C4的平均功率,合理确定时间窗设置,对时间窗内的平均功率信号进行离散小波变换,并选取尺度6上的逼近系数A6的组合信号作为脑电信号特征,以BP神经网络为分类器实现对脑电观测数据的分析.实验结果表明,DWT-BP方法能够较准确地提取脑电信号的本质特征,具有较好的抗干扰能力和分类性能,以及识别运动想象脑电信号的有效性,同时为实现运动想象在线BCI系统打下基础.     

一种基于表面肌电信号映射人体下肢运动意图的方法

智能膝关节假肢是截肢患者恢复日常运动的重要辅具。对人体下肢运动意图的识别是实现下肢假肢控制的关键。该文针对此问题,提出了一种通过表面肌电信号预测膝关节角度的方法。对表面肌电提取时域特征,通过 BP 神经网络模型建立平地行走过程中表面肌电信号和膝关节角度的映射关系,预测膝关节角度。     

混合范式脑-机接口研究进展综述

传统脑-机接口(BCI)在实际应用中存在许多不足,例如指令集较小、适用人群范围小、难以实现多维度控制和异步控制等.混合范式脑-机接口(hBCI)的出现可有效解决这些问题.对基于脑电信号的hBCI、基于脑电信号和其他脑信号的hBCI以及基于多生理信号的hBCI进行综述,并分析近年来不同hBCI系统的刺激范式、控制策略、分...