首页 > 文献资料
-
基于小波包能量分析的肌肉疲劳识别方法
目的 由于肌肉疲劳常与肌肉骨骼的功能失调有关,肌电信号可以反映肌肉作用力的信息,因此本文研究了一种利用某些频带上的能量特征,识别大自主握力(maximum volunteer contraction,MVC)和疲劳状态下肌电信号的方法.方法 实验记录10名年轻男子右上肢主动收缩时的表面肌电信号,并对表面肌电进行小波包变换得到第3层和第4层各节点的分解系数,由此计算各节点相应频段能量并且归一化后作为特征向量,后将特征向量分别通过BP神经网络和支持向量机两种分类器完成识别.结果 用3块前臂肌肉的表面肌电信号,通过4层小波包变换和BP神经网络的分类器对疲劳和大自主握力状态的识别效果好,利用7倍交叉检验方法得到87.5％的正确率.结论 基于小波包能量分析的肌肉疲劳识别方法可有效检测肌肉收缩的不同状态.
-
基于多尺度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,计算多尺度大李雅普诺夫指数；后将多尺度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.
-
基于表面肌电信号的两侧下肢对应肌肉活跃差异性定量分析
基于两侧下肢步态具有对称性的假说,现阶段采用以表面肌电信号为控制源的主动型康复机器人,其研究对象多数为一侧下肢,但该假说至今仍然存在很大争议.研究的目的是定量分析两侧下肢对应肌肉活跃程度的差异性.由9名试验者参与静态稳定(静止站立)和动态稳定(行走)两种实验,分别采集每位试验者的两侧胫骨前肌和内侧腓肠肌表面肌电信号,并利用大自主收缩对所有的表面肌电信号数据进行标准化处理.通过对比两种实验状态中两侧下肢对应肌肉的活跃程度,发现对应肌肉在活跃程度上表现出明显的差异性.在静态稳定实验中,右侧胫骨前肌的活跃度为左侧的3.1倍,左侧内侧腓肠肌的活跃度为右侧的1.5倍；在动态稳定实验中,对应肌肉活跃的差异程度与速度之间存在较强负相关性(rTA=-0.759,rMG=-0.639).终的实验结果表明,尽管两侧下肢对应肌肉的功能和募集模式相同,但在活跃程度上表现出明显的差异性,并且这种差异性与速度具有较强的负相关性.研究成果对基于表面肌电信号的主动型双侧外骨骼康复机器人运动控制阈值的设定以及脑卒中患者的康复评估具有参考价值.
-
基于自回归模型表面肌电信号检测肌肉疲劳研究
针对表面肌电信号的非平稳特性,采用自回归模型对表面肌电信号进行分析,对短时间内的表面肌电信号肌肉疲劳迅速做出判定.应用非平稳时间序列的时变系统建模方法对10例受试者疲劳前、疲劳后表面肌电信号进行特征提取.建立时变参数自回归模型,通过引入Legendre基函数将线性非平稳过程参数辨识转化为线性时不变系统参数辨识,结合相关指数可以获得时变系统参数估计的优Legendre基函数维数,进而可以获得佳模型拟合效果,并采用小二乘法解出时不变参数.用疲劳前、后的自回归模型的第一个时变参数(ARCl)的变化率作为检测肌肉疲劳敏感性指标,并采用双尾t检验,分别与平均功率频率(MPF)和中值频率(MF)的变化率进行统计学对比分析.结果表明,ARC1、MPF和MF疲劳前后的变化率分别为34.33％±2.41％、25.68％±2.03％、22.80％±2.19％,且ACR1的变化率分别显著高于MPF和MF(P ＜0.05).所提出的方法通过表面肌电信号对肌肉疲劳检测时,具有时间短和敏感性高等优点,可用于在线实时分析肌肉疲劳程度,为肢肌肉劳损的评估、康复治疗及人体工效学的研究提供一个潜在的分析工具.
-
表面肌电信号的时变AR模型参数评估肌疲劳程度的研究
目的 本研究针对表面肌电信号的非平稳特性,采用时变参数AR模型的方法对表面肌电信号进行分析,实现对短时表面肌电信号的肌肉疲劳快速评估.方法 应用时变参数模型对10名受试者疲劳前、后的肌电信号进行特征提取,建立时变参数AR模型,并采用递推小二乘算法求解模型的时变参数,将线性非平稳问题转化为线性时不变问题.结果 以时变参数AR模型的第一个时变参数的均值作为肌肉疲劳的快速指针.实验证明时变参数比传统的中值频率对疲劳反应的灵敏度高(提高范围为37.80%到324.46%).结论 该方法可以实现对短时表面肌电信号的肌肉疲劳快速评估,为腰肌劳损的诊断和康复治疗,以及人体工效学的研究提供一个可靠的工具.
-
基于卷积混合盲源分离技术的表面肌电信号分解研究
根据表面肌电信号(SEMG)形成的生理学特性,采用一种基于卷积混合过程的盲源分离技术来分析隐含在SEMG信号中的运动单位动作电位信息,利用仿真的SEMG信号对这种算法的分解性能进行实验研究,并与采用瞬时混合过程的独立分量分析(ICA)算法的分解性能进行比较,同时将该算法应用于真实SEMG信号的分解实验.研究结果表明,无论是对模拟SEMG信号还是真实SEMG信号,采用卷积混合盲源分离技术的分解方法均能得到较明显的分解效果,且该方法较符合表面肌电信号的形成过程,因而具有重要的研究价值.
-
基于先验模板的表面肌电信号渐进分解算法研究
本研究通过将表面肌电信号(sEMG)分解为运动单元动作电位序列(MUAPTs),来研究神经-肌肉系统中运动单元(MU)的募集与发放模式.针对高收缩力情况下MUAP叠加问题,首先采用FastICA算法和小波包去噪算法对信号进行预处理;然后基于先验知识构建了4种形态的可伸缩MUAP模板;后,采用“先大后小”的渐进识别方式,逐个对MUAP进行自动提取.在此基础上,还将该算法应用于8名受试者(3组/人)不同手指活动模式下的指浅屈肌多通道(12通道)sEMG分解;单通道分解结果显示,高力量水平下sEMG中的主体MUAPTs能够被有效检测和分类;统计结果证实,随着力量水平的增加,MUAP的数目增加;不同大小MUAP比重的变化与活动手指和力量水平具有显著的相关性.本文的实验结果,初步验证了利用先验模板从sEMG中渐进提取MUAP的可行性,为sEMG分解和进一步研究MU发放规律提供于一种新的思路.
-
帕金森病患者前臂肌群负重前后表面肌电特征
目的：探讨负重前后帕金森病患者前臂表面肌电(sEMG)的变化特征。方法26例帕金森病患者和28例正常对照参加本研究。于坐位上肢屈肘无负重或负重1.5 kg静态负荷下采用表面电极引导，记录sEMG信号，并进行线性时、频分析。结果无负重时，帕金森病患者屈腕屈肌的中位频率(MF)和平均功率频率(MPF)均大于正常对照(P<0.05)，两组平均肌电值(AEMG)相比无显著性差异(P>0.05)；负重1.5 kg时，帕金森病患者AEMG显著小于正常对照(P<0.001)，两组MF和MPF相比无显著性差异(P>0.05)。帕金森病患者无负重时MF和MPF均显著大于负重时(P<0.001)，AEMG显著小于负重时(P<0.001)；而正常对照MF和MPF在负重前后均无显著性差异(P>0.05)，只有无负重时AEMG显著小于负重时(P<0.001)。结论帕金森病患者静止性震颤在sEMG上主要表现为频域参数的变化，而肢体乏力主要表现为时域参数的变化。
-
腹肌表面肌电信号与储尿排尿的相关性分析
目的 开发通过实时监测腹部多部位表面肌电信号的非侵入性检测手段预测膀胱收缩.方法 采集10名正常受试者的腹部表面肌电信号并基于MATLAB进行时域、频域特征的量化分析.结果和结论 腹直肌和腹外斜肌等腹肌的表面肌电信号与储尿排尿过程具有一定的相关性.
-
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.
-
表面肌电信号在脑卒中患者上肢运动功能康复中的应用
目的:为脑卒中患者提供一种可视、有趣的游戏训练方式,有效地帮助患者恢复上肢运动功能.方法:在建立一套良好的硬软件系统后,借助虚拟现实技术,将患者手臂肌肉的表面肌电信号(sEMG)和运动传感器信号结合起来完成游戏.结果:患者在该游戏中得到了良好的视觉反馈,上肢运动功能康复效果明显,训练积极性增强.结论:使用sEMG信号可以有效帮助脑卒中患者进行康复训练,康复训练过程有趣实用.
-
人体上肢表面肌电反馈康复训练系统的研制
目的:研究临床康复训练中急需解决的肌肉疲劳的保护问题.方法:开发了一种采用功能电刺激方式和表面肌电反馈控制的康复训练系统.该系统由功能电刺激器、被动训练发生器、表面肌电信号放大器及管理控制软件4部分组成.管理控制软件控制表面肌电信号放大器、功能电刺激器和被动训练发生器3部分的协调运作.结果:该系统可以实时分析康复训练过程中采集到的表面肌电信号,并以此判定肌肉是否疲劳,亦可设定功能电刺激系统的刺激参数,通过控制电路控制训练发生器运动参数等功能.结论:该系统可以有效地防止主动训练过程中因肌肉过度疲劳而造成的损伤.
-
主元分析在研究滑倒时肌电信号中的应用
目的:对正常人滑倒过程中的下肢肌电信号进行特征提取,并对主要特征进行分析.方法:10例健康男性受试者参加了试验,他们分别按照自然步态在湿滑路面上完成了3次行走.通过肌电采集系统,得到了受试者下肢及腰部的14块主要肌肉的表面肌电信号,并对其进行了主元分析,主要分析了特征根、贡献率、累计贡献率和载荷因子4个参数.结果:前三个主元的累积贡献率超过了85%,反映了滑倒过程中的主要肌电信号特征.根据各个主元的载荷因子分析,前三个主元的物理意义依次被定义为:肌肉功率、能量在频域内的分布和正负幅值分布.结论:①在分析滑倒过程中多肌肉多变量的总体特征时,主元分析是一种十分有效的特征提取方法,能够实现用较少指标反映多指标的总体信息.②肌电信号功率的变化、能量在频域内的分布,以及正负幅值的分布这三个特征反映了正常人滑倒过程中的肌电信号的主要特征.
-
双关节运动的局部肌肉疲劳与肌电变化
目的:以腕-肘关节为例,探讨不同水平运动负荷诱发尺侧腕屈肌(FCU)和肱二头肌(BB)疲劳过程中sEMG信号与各关节大屈肌肌力的关系.方法:采集10名青年男性受试者在不同负荷水平(30%、55%、80%MVC)下疲劳过程中尺侧腕屈肌(FCU)和肱二头肌(BB)的表面肌电信号和各关节在疲劳前后的MVC.结果:不同运动负荷强度分别诱发前臂和上臂肌肉疲劳过程中,腕、肘关节大屈肌肌力明显下降且具有明显负荷强度效应;BB和FCU的MPF与MF单调递减且下降率具有明显的负荷强度效应;不同负荷强度下BB和FCU的MPF和MF下降斜率与肘、腕关节大屈肌肌力的下降比值之间有明显相关.结论:局部肌肉疲劳过程中MPF和MF下降率变化能够对相应关节大肌力变化作出比较准确预测.
-
基于学习矢量量化神经网络的表面肌电信号的模式分类研究
表面肌电信号(electromyogram,EMG)是一种复杂的表皮下肌肉电活动在时间和空间上综合的特征图,已被广泛地应用于肌肉运动、肌肉损伤诊断、康复医学及体育运动等方面的研究.通常,在非疲劳、慢变力及等张收缩的情况下所测取的多通道屈伸的肌电信号,既可为控制假肢运动提供一个安全、非侵入的控制方式,也可用于人类运动和生物机械的研究[1、2].随着检测技术、信号处理方法和计算机技术的发展,研究如何从表面肌电中识别出肢体的多种运动模式已经成为康复医学界研究的热点问题之一[3].
-
基于隐马尔可夫模型-径向基神经网络的表面肌电信号识别
目的:利用隐马尔可夫模型-径向基神经网络(HMM-RBFN)混合模型对7种手指动作进行辨识,探索控制HIT多自由度灵巧手的有效控制策略.方法:8例健康实验对象参加了试验,4例女性,4例男性.每例实验对象按提示完成7种手指动作,每种动作重复50次.通过表面肌电信号(sEMG)采集系统,提取实验对象前臂4块肌肉的sEMG,在对其进行预处理并提取小波变换特征向量后,分别送入HMM模型分类器及HMM-RBFN混合模型分类器进行训练.结果:HMM-RBFN混合模型识别效果和稳定性都大大优于HMM模型,验证了HMM-RBFN混合模型的有效性.结论:①HMM模型在sEMG识别中的效果没有其在语音信号识别中的好,有必要对其进行改进,以便更好的应用于sEMG的识别;②将HMM模型和神经网络组成混合分类器,可以弥补彼此的不足,获得更好的性能.
-
基于表面肌电信号的手指运动模式识别系统
目的:建立一套基于表面肌电信号(sEMG)的手指运动模式识别系统.方法:研发了基于有源电极的sEMG检测装置和包含信号采集、分析、离线识别和在线识别模块的配套软件.结果:该系统能够同时采集4个通道sEMG数据,用16种时域、频域和时频域方法对其分析,并可以对7种sEMG特征提取及分类方法进行对比研究,还能在线控制假手.结论:本系统为多指、多自由度假手sEMG控制方法的研究提供了一个实验平台,该系统不仅可以用于手指运动模式识别,而且也可以用于人体其他运动模式的sEMG特征提取方法和分类器的对比研究.
-
两自由度实时控制肌电假手的研究
目的:针对手部缺失的残疾人佩戴电动假手的需要,研制一种实时控制两个自由度的肌电假手.方法:通过采集三路残疾人自身残臂上的表面肌电信号,应用简单的信号能量作为特征值,并通过二叉决策树的模式分类方法识别得到手部两个自由度5个动作模式,由单片机构成的信号处理和控制电路实现了两自由度电动假手的实时仿生控制.结果和结论:基于肌电信号的两自由度电动假手响应速度快,动作可靠,具有良好的操控性和适应能力.
-
基于多通道肌电信号小波变换的人手运动识别
目的:提出一种基于多通道肌电信号小波变换提取人手多种运动模式的方法.方法:对人手上肢肌肉记录的表面肌电信号进行多尺度分解,利用肌电信号小波系数的方差构造特征空间.然后从这个特征空间选择指定动作对应的两块肌肉的小波系数方差,求得两者间的比值.结果和结论:构造了新的特征空间,这个空间中包含了可识别各种人手动作的特征值.这种方法可以用于人手动作的识别,为研究多自由度假手表面肌电信号控制方法提供了新途径.
-
sEMG信号变化的对侧负荷效应
目的:观察一侧肢体疲劳负荷条件下对侧相应肌肉的sEMG信号变化特征.方法:10名女性受试者完成两臂不同负荷等长疲劳实验,同时记录两侧肱二头肌sEMG信号并考察线性指标平均肌电值(AEMG),中位频率(MF)和非线性指标复杂度(C(n))、确定性线段百分比(%DET)的变化特征.结果:30%受试者出现对侧肌肉MF斜率的随变现象,且观察臂MF下降百分数为负荷臂下降百分数的50%以上;对所有受试者对照组和实验组各指标变化斜率的均值进行配对t检验,MF,C(n)及%DET差异无显著性意义(P＞0.05),而AEMG斜率存在显著性差异(t=-4.342,P＜0.01).结论:一侧肱二头肌等长疲劳负荷对对侧未疲劳肱二头肌AEMG斜率变化有显著影响,存在对侧肌肉MF斜率的随变现象但具有个体差异性,这可能是中枢神经双侧交叉控制策略的结果.
