带有力觉和触觉临场感的灵巧手主从系统的设计

针对遥控作业中控制者操作时缺乏力觉和触觉临场感等问题，介绍了设计的带有力觉和触觉临场感主、从灵巧手系统，讨论了在从机械手上触觉和力觉的感知以及在主机械手上触觉和力觉的再现等问题，提出了利用模糊控制实现触觉再现以及改进的力反馈－位置型结构来实现力觉再现的新方法，最后进行了实验验证．     

具有触觉和肌电控制功能的仿生假手研究

研究一种能感知接触和滑动、且由肌电信号控制的高仿生能力电动假手.触滑觉组合传感器以压电材料PVDF为敏感体,安装于仿生电动假手的手指上,具有良好的动态触、滑传感能力,同时,假手佩戴者通过一皮肤刺激器获得人工触滑感觉.用改进后的功率谱比值与基于Bayes统计决策的多信息融合相结合的方法完成肌电信号的多运动模式识别,并在电动假手的控制上,采用肌电信号与触滑感觉信号作为双重控制信号源,取得了良好的仿生控制效果.     

基于MSP430的肌电假手系统设计

在对人体表面肌电信号研究的基础上,设计出一种肌电假手系统,其中包括肌电信号采集调理系统和假手控制系统。肌电信号经信号调理电路放大、滤波、陷波后,由低功耗的MSP430F149单片机进行A/D转换、特征计算。单片机结合肌电信号与触滑觉传感器反馈的信息来控制电机转向与转速,从而控制假手做出相应动作。通过实际采集的肌电信号在示波器上显示的波形与假手的动作进行对比,说明系统设计是合理有效的。     

基于肌力信号与电刺激感觉反馈的多自由度机械手人机交互控制

为使操作者能够灵活控制多自由度机械手并能感受到机械手的抓取力,提出了一种具有双向信息传输能力的可穿戴式人机交互系统及控制方法.该系统利用压力传感器(FSR)阵列采集与操作者手部动作对应的前臂肌力信号,基于SVM(支持向量机)多类分类器算法实现对手部动作的识别,通过发送动作模式码控制机械手动作.另外,基于经皮神经电刺激(TENS)原理,将机械手抓取力信号转变为电刺激信号刺激体表皮肤,实现机械手抓握力向人体的感觉反馈.实验表明,基于肌力信号和SVM分类器的动作模式识别方法可实现对10种手部动作的识别,成功率不低于95%;电刺激感觉反馈可向人体准确反馈抓取力感并实现盲抓取.     

基于触滑觉感知的智能假肢抓握控制方法研究

【】触觉和滑觉感知功能是仿生假手不可或缺的感知功能。本文在原有智能假肢的基础上,通过对触滑觉感知方法的研究,包括触滑觉传感器的选型、后续测量电路的设计和测点布局分析等,开发了一种可以同时实现触觉和滑觉感知的智能假肢。进而,通过模糊逻辑控制方法的引入,实现了假肢的可靠抓握功能及抓握保持过程中的自适应响应控制。实验结果表明,该智能假肢可以实现假肢抓握的稳定控制,并在被抓握物体产生滑动时进行精准快速的自适应响应控制。     

时空二维机器人电触觉临场感模型研究

针对机器人电触觉临场感应用的刺激电流参数设计,阐述了电刺激触觉的实现原理,建立了基于时间和空间的二维电刺激触觉临场感模型,并进一步建立了触觉容许限与刺激电流之间的数学关系．模型分析认为,刺激电流的动态范围是电触觉研究的重要内容,最佳电流是若干触点组最佳刺激电流的集合,极端情况下,各触点的刺激电流须单独进行设定．     

基于触觉和肌电信号的假手模糊控制方法研究

提出了一种带触觉反馈的肌电假手模糊控制方法．该方法在有效识别肌电信号(MES)的基础上,实现了基于触觉与肌电信号的假手仿生控制．为了消除肌电信号的个体差异,使其能可靠应用于非特定人场合,应用互功率谱比值法对肌电信号进行处理,并分析互功率谱的各项参数和对应肢体动作变化之间的关系,消除了肌电信号实际测量中不可测噪声的干扰．采用特别设计的模糊控制器控制假手动作的步进量,实现了肌电假手对多种不同物体的稳定抓取．实验表明这种组合方法不仅可以获得较高的动作模式识别率,而且能有效地降低被抓取物体的损坏．     

遥作机器人触觉临场感的电触觉实现

本文对电触觉的实现作了实验性研究．提出了在操作者手指上实现触觉再现的电极形状和分布以及刺激电流波形，并由此给出了实现遥作机器人触觉临场感的系统构成及实现方案．该系统可使操作者遥感到从机器人机械手指与点，线，面等形状物体的接触，位置分辨力可达２．２ｍｍ．     

一种基于EEG和sEMG的假手控制策略

针对残臂较短或残臂上肌电信号测量点较少的残疾人使用多自由度假手的需求,提出一种基于脑电信号（Electroencephalogram,EEG）和表面肌电信号（Surface electromyogram signal,sEMG）协同处理的假手控制策略.该方法仅用1个肌电传感器和1个脑电传感器实现多自由度假手的控制.采用1个脑电传感器测量人体前额部位的EEG,从测量得到的EEG中提取出眨眼动作信息并将其用于假手动作的编码;采用1个肌电传感器测量手臂上的sEMG,并针对肌电信号存在个体差异和位置差异的问题,采用自适应方法实现手部动作强度的估计;采用振动触觉技术设计触觉编码用于将当前假手的控制指令反馈给佩戴者,从而实现EEG和sEMG对多自由度假手的协同控制.为验证该控制策略的有效性进行了实验研究,结果表明,提出的假手控制策略是有效的.     

基于AR 模型的预测算法在力觉临场感遥控机器人系统中的应用

为解决力觉临场感遥控机器人系统的时延问题 ,本论文提出了将预测器引入该系统的新思路 .该预测器是基于AR模型对从手与环境间的作用力进行预测的 .本论文模拟了具有预测器的单自由度力觉临场感遥控机器人系统 ,并对该预测器的算法进行了仿真研究 .在时延条件下 ,该思路可实现对从机械手较为准确的控制     

表面肌电信号脉搏伪迹的消除方法研究

许多生物电信号的获取过程中都夹杂了脉搏伪迹,表面肌电信号(SEMG)也是一样。本文通过相邻部位同时采集两路SEMG,一路为待处理信号,另一路作为参考信号。采用小波变换提取参考SEMG中的脉搏波,与待处理的SEMG构建独立分量分析的输入,最后用FastICA算法分离出待处理SEMG中的脉搏波,得到去除脉搏伪迹的SEMG。实验结果表明,该方法用于SEMG中的脉搏伪迹的消除是非常有效的。     

Electromyography signal analysis using wavelet transform and higher order statistics to determine muscle contraction

Abstract: Electromyography gives an electrical representation of neuromuscular activation associated with a contracting muscle. The electromyography signal acquires noise while travelling though different media. The wavelet transform is employed for removing noise from surface electromyography (SEMG) and higher order statistics are applied for analysing the signal. With the appropriate choice of wavelet, it is possible to remove interference noise (denoise) effectively in order to analyse the SEMG. Daubechies wavelets (db2, db4, db5, db6, db8), symmlet (sym4, sym5) and the orthogonal Meyer (dmey) wavelet can efficiently remove noise from the recorded SEMG signals. However, the most effective wavelet for SEMG denoising is chosen by calculating the root mean square difference and signal-to-noise ratio values. Results for both root mean square difference and signal-to-noise ratio show that wavelet db2 performs denoising best out of the wavelets. Furthermore, the higher order statistics method is applied for SEMG signal analysis because of its unique properties when applied to random time series, such as parameter estimation, testing of Gaussianity and linearity, deterministic and non-deterministic signal detection etc. Gaussianity and linearity tests as part of higher order statistics are conducted to understand changes in muscle contraction and to quantify the effectiveness of the noise removal process. According to the results, the SEMG signal becomes less Gaussian and more linear with increased force.     

Effect of fatigue on the stationarity of surface electromyography signals

The estimation of muscle fatigue using surface electromyography (SEMG) is of high relevance to evaluate ergonomic risk factors in the occupational settings. Signal stationarity plays an important role while selecting appropriate SEMG signal processing method for fatigue evaluation. The Fourier algorithm based signal processing methods (mean or median frequency of power spectrum) rely on the assumption that the signal under investigation is stationary. Stationarity of SEMG signals and its association with fatigue is rarely studied in the ergonomics literature. Therefore, this study was aimed at understanding the effect of fatigue on the stationarity of the SEMG data. Ten participants performed 40 min of fatiguing upper extremity exertions and SEMG data were recorded from the right upper trapezius muscle. The SEMG data recorded under static and dynamic conditions at the beginning and at the end of fatiguing exertions were used in the analysis. The stationarity analysis was performed for five window sizes of 128, 256, 512, 768 and 1024 ms using modified reverse arrangement test. The results showed that the muscle fatigue reduced the stationarity of the SEMG signal under static and dynamic conditions. The relationship between the muscle fatigue and the stationarity of the SEMG signal was found to be significant at the window size of 512 ms. A significantly higher fatigue related decrease in the stationarity was observed during dynamic exertions compared to the static exertions.Relevance to industryThe findings from the current study illustrate that the stationarity of SEMG signals could be used to quantify muscle fatigue under static and dynamic task conditions. These findings are useful to the ergonomic practitioners in conducting muscle fatigue estimation using SEMG.     

非线性PCA在表面肌电信号特征提取中的应用

针对表面肌电信号的特点,提出了一种应用非线性主分量分析(PCA)提取表面肌电信号特征的新方法.该方法在表面肌电信号滤波的基础上,采用非线性PCA方法完成数据压缩,将多路表面肌电信号转换为一维的特征数据主元,并以主元曲线的形式输出特征提取结果.本文采用基于自组织神经网络的非线性PCA对手臂尺侧腕伸肌和尺侧腕屈肌的两路表面肌电信号进行主元提取,试验结果表明,四种手部运动模式(握拳、展拳、腕外旋、腕内旋)对应的表面肌电信号利用该方法处理后,得到的主元曲线具有很好的类区分性,依据所得主元曲线的形状特征可以有效地进行手部动作类别的识别.     

Evaluation of driver discomfort during long-duration car driving

The evolution of indices of fatigue, discomfort, and performance of subjects seated for long duration (150 min) in car seats were studied (n=11). Four experimental configurations were used: with and without vibration for two seats (U, uncomfortable; C, comfortable). Surface electromyography (SEMG) data were recorded bilaterally from cervical erector spinae and external oblique muscles. Discomfort increased significantly during the trial, regardless of the experimental condition (p<0.05). Performance was significantly worse for seat U with vibration (p<0.05). The median frequency of SEMG signals did not change between experimental conditions or across time. It would appear that, either the level of discomfort experienced was insufficient to change either performance or SEMG measures, or that the large parameter estimation variance of the SEMG signals might have masked any underlying spectral change. Further refinement of the SEMG signal processing methodology may be necessary to be able to detect fatigue of postural muscles.     

基于独立成分分析的表面肌电信号工频去噪

表面肌电信号(SEMG)采集中,如何消除工频干扰对信号的后续应用意义重大.在探讨独立成分分析(ICA)原理的基础上,提出了一种用于表面肌电信号工频去噪的快速独立成分分析(FastICA)算法.该方法通过对观测信号去均值和白化处理后,用负熵作判据通过迭代得到解混矩阵,经解混运算得到源信号.针对混合信号ICA分离效果的差异,引入最大似然指标作为分离效果的评价量.实验结果表明,所提算法能有效分离SEMG信号中的工频噪声,运用最大似然评价指标将工频噪声降至最低.     

复杂性测度在肌电信号模式识别中的应用

针对表面肌电信号(SEMG)的非平稳特性,提出了一种以复杂性测度和支持向量机(SVM)相结合的肌电信号模式识别新方法。肌电信号的复杂度作为一种新的肌电信号特征,算法简单。支持向量机是一种新的机器学习机制。通过对采集的四通道表面肌电信号进行分析,提取其复杂性测度信息构建特征矢量,利用“一对一”分类策略和二叉树构建的多类支持向量机分类器,很好地实现了对前臂的八种动作表面肌电信号的模式分类。实验表明,由支持向量机对肌电信号的复杂度特征进行分类,具有很好的稳定性和准确率,为肌电信号及其它非平稳生理电信号的模式分类提供了一种新思路。     

一种改进的盲源分离技术及其在SEMG中的应用

针对多通道表面肌电信号(SEMG)采集时形成的混迭现象,提出一种基于时频分析的参考累积量盲源分离方法.以多路观测信号互为参照分别计算累积量矩阵,利用时频分析得到时间尺度累积量矩阵,并构造对照函数,通过非正交联合对角化方法得到SEMG的最优估计.仿真实验表明该算法在解决SEMG的混迭现象有很好的分离效果,与FastICA、JADE算法相比,信号间的相似系数和算法性能指数明显改善,算法效率提高.     

一种基于WPT和LVQ神经网络的手部动作识别方法

针对表面肌电信号(SEMG)的手部动作识别,提出一种采用小波包变换(WPT)和学习向量量化(LVQ)算法的神经网络分类器。对SEMG信号进行基于熵准则的最优小波包基分解得到各个节点分解系数,计算信号各个节点相应子频段的系数能量,归一化处理后的特征向量输入LVQ神经网络,实现基于SEMG的手部动作识别。实验结果表明,采取两路SEMG信号,该分类器能有效识别伸腕、屈腕、展拳和握拳4种动作模式,达到96%的识别率,能可靠应用于2个自由度肌电假手的控制。