首页 > 文献资料
-
基于表面肌电信号的手腕动作模式识别
基于表面肌电信号的肢体动作模式识别是假手仿生控制的基础.为提高动作模式识别率,从肌电信号的产生机理出发,选取分别表征肌电信号形态特征——细节复杂度和整体自似性的近似熵指标和分维数指标,作为模式识别的特征向量;同时提出一种具有增量学习能力的K近邻(KNN)模型增量学习算法作为模式识别的分类器.在对10位受试者手腕的4个精细动作(腕伸、腕屈、腕内旋、腕外旋)的识别实验中,取得了92.5%以上的正确识别率.同时对增量学习能力对分类器动作模式识别率的影响做对比实验,当假肢使用者生理变化时,以KNN模型增量学习算法作为分类器比采用不具增量学习能力的KNN模型算法的识别率高4.5%.实验表明,该肌电信号动作模式的识别方法方案合理,具有应用价值.
关键词: 肌电信号 肌电假肢 KNN模型增量学习算法 近似熵 分维数 -
人工神经网络在表面肌电信号辨识中的研究进展
肌电假肢是用截肢者残端表面肌电信号(electromyogram,EMG)作为控制信号源的外动力假肢,尤其是肌电假手有机地将人体与外部装置运动联系起来,使假手动作自然,仿生性能好,深受广大使用者和研究人员的青睐.利用表面EMG信号辨识人手运动模式的处理方法主要可以分成两类.
-
腕部可伸屈型二自由度肌电假手
肌电假肢功能强,控制随意自然且不费力,佩带舒适,外观较好[1],是现代化假手的重要发展方向.观察人手的动作可以看出,在做近体工作时,如系腰带、结衣扣、拉衣裤以及需屈腕才能完成的动作譬如:骑自行车、开车、割草等,腕部的伸屈动作就显得特别重要.
-
一例右侧前臂截肢肌电假肢装配和康复训练的个案报导
系统的康复训练是前臂截肢术后的重要组成部分,可为装配假肢前做基础准备及为装配假肢后做功能训练,从而提高双手功能,改善生活质量,顺利回归家庭及社会.本文报导我院1例右侧前臂截肢后的系列康复过程及相关体会.