基于表面肌电的运动意图识别方法研究及应用综述

表面肌电信号 (Surface electromyography, sEMG) 是人体自身的资源, 蕴含着关联人体运动的丰富信息, 用它作为交互媒介以构建人机交互 (Human-robot interaction, HRI) 系统有天然的优势.通过肌电信号实现人机自然交互的关键是由肌电信号识别出人体运动意图, 通常包括离散动作模态分类、关节连续运动量估计及关节刚度/阻抗估计等三方面内容.本文详细归纳基于表面肌电的运动识别方法研究成果, 总结当前研究的特点; 随后, 介绍基于表面肌电的运动识别技术的应用现状, 并探讨制约其推广的主要问题; 最后, 展望该技术的未来发展.     

基于肌电信号的多模式抓握力估计

针对大多肌电控制的假肢只研究模式识别而没有对抓握力和抓握模式同步解码的问题,提出一种同时分析抓握模式和抓取力的方法。首先,采用4通道表面电极采集人体手臂肌电信号(EMG),采用力敏电阻(FSR)采集抓取力信号;然后,分别利用线性判别分析(LDA)方法和人工神经网络(ANN)进行抓握模式识别和力估计。在4种抓握模式下分别建立4个肌电信号-力关系,一旦判别出抓取模式,则调用相应模式下肌电信号-力模型估计抓握力大小以实现模式识别和力估计的结合。实验结果表明,当进行模式和力的同步解码时,模式平均分类精度约为77.8%,力估计的准确率约为90%。该方法可以用于假肢的肌电控制,不仅可以解码使用者的抓取动作的意图,还可以解码使用者期望的抓取力,辅助假肢实现稳定抓取。     

基于肌电信号容错分类的手部动作识别

针对肌电交互系统中因电极断开、损坏及数据传输中断等故障造成的数据错误/丢失问题,提出一种基于高斯混合模型的肌电信号容错分类方法,通过对肌电信号特征样本中错误/丢失数据边缘化或条件均值归错实现非完整数据样本分类.应用所提出的方法识别5种手部动作,实验结果表明,该方法的动作识别精度要高于传统的零归错与均值归错方法.最后,融合容错分类机制开发了肌电假手平台,在线实验验证了提出的方法可以有效提高肌电交互系统的鲁棒性.     

一种基于表面肌电信号的腕部肌力估计方法研究

基于表面肌电信号(Surface ElectroMyoGraphy,sEMG)的人机交互力控制需要检测肌力的大小,而直接、精确地测量肌力十分困难,因此常使用肌力估计的方法估计肌力,为了实现基于sEMG信号的腕部肌力估计,文中提出了一种方法.该方法首先制作一个肌力采集平台,然后采集腕部一系列不同肌力水平的肌力信号和sEM...     

基于机器学习的多模式肌电信号识别算法研究

肌电假手具有操控直观、本体感强的优点,成为智能假手领域的研究热点。考虑了影响肌电信号识别的主要因素,研究了由3种抓取负载、4种抓取手势和5种腕关节位置复合构成的60种假手操作模式的肌电识别方法,实现了在运动耦合情况下对假手操作模式的准确识别。     

基于脑电信号和肌电信号协同控制的智能小车系统

智能轮椅能有效提高行动不便者在日常生活中的活动能力和自理能力, 但目前智能轮椅的控制方案往往存在着控制动作困难, 响应速度慢等难题. 针对这一情况, 本文结合现有生物电机械接口技术和设备控制技术, 提出一套基于脑电信号和肌电信号协同控制的设备控制方案, 该方案允许用户仅通过4种简单的头部动作, 即使用眨眼、左咬合、右咬...     

基于上臂关节角度和肌电信号的二自由度假肢控制方法

肌电信号的采集易受到空气湿度和皮肤表面汗液等多种随机因素的干扰,使采集到的肌电信号极不稳定.为了应对此问题,市售的肌电假肢普遍采用基于开关量的控制方法,但是开关量对多自由度假肢的控制依赖于顺序动作切换,这使得假肢的实际使用过程比较繁琐.利用肢体运动学信息的假肢控制方法常见于下肢假肢,这是因为上肢的运动受抓取物体的形状和位置等因素变化,其肢体运动的规律性较差.本文提出一种利用上臂关节角度和肌电信号的控制方法,利用人体在抓握时肩关节的运动模式区分使用者对不同形状物体的抓握,并将此方法应用在二自由度假肢的控制中.通过与开关量控制的假肢在日常物品抓握实验中的对比,表明本文所提出方法在稳定性和使用效率方面都优于开关量控制的方式.     

基于双通道表面肌电信号的在线手势识别系统研究

为了获得更加便捷和简单的人机交互方式,采用由Arduino UNO开发板和肌电传感器组成的双通道表面肌电信号采集系统采集手前臂的表面肌电信号,并在上位机中利用MATLAB（R2018b）对采集到的信号进行预处理、活动段检测、特征提取和分类器训练与预测;在识别出手势动作之后,利用GUI界面实时地显示出识别结果。该系统从肌电信号到手势识别、再从手势识别到计算机系统的人机交互方式展现了巨大的潜力和应用空间,尤其是在虚拟现实领域。     

基于渐进无迹卡尔曼滤波网络的人体肢体运动估计

针对基于表面肌电信号 (Surface electromyography, sEMG) 的人体肢体运动估计建模困难的问题, 提出一种渐进无迹卡尔曼滤波网络 (Progressive unscented Kalman filter network, PUKF-net), 来实现降低肢体运动与sEMG量测的建模难度以及提高肢体运动估计精度的目的. 首先, 设计深度神经网络从sEMG数据中学习肢体运动状态与sEMG量测之间的映射关系和噪声统计特性. 其次, 采用渐进量测更新方法对先验状态估计进行修正, 减小运动估计的线性化误差, 提高PUKF-net模型的稳定性. 通过结合深度神经网络和渐进卡尔曼滤波的优势, 使得PUKF-net具有良好的模型适应性和抗噪能力. 最后, 设计基于sEMG的人体肢体运动估计实验, 验证了PUKF-net模型的有效性. 相较于长短期记忆网络 (Long short-term memory, LSTM) 和其他卡尔曼滤波网络, PUKF-net在肢体运动估计中的均方根误差 (Root mean square error, RMSE) 下降了14.9%, 相关系数R2提高了5.1%.     

基于小波变换的肌电信号识别方法研究

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,提取小波系数最大值构造特征矢量输入神经网络分类器进行模式识别,经过训练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、前臂内旋、前臂外旋四种运动模式。实验表明,基于小波变换的神经网络分类方法所需的数据短、运算快,对于肌电假肢的控制具有良好的应用前景。     

基于EEMD肌电信号的动作识别

针对表面肌电信号的特征描述和模式识别这一难点,研究了基于EEMD的肌电信号的特征描述和动作识别方法。首先采用EEMD对表面肌电信号进行分解,而后采用分解后IMF组成特征基向量。其次根据IMF系数和肌电信号所蕴含的能量之间的内部关系重构能量特征矢量。最后利用NARX神经网络对肌电信号四类手部动作进行模式分类。结果表明,由IMF系数重构的能量矢量特征可以很好地表示肌电信号的本质特征,而且进一步简化了分类器的结构,提高了平均识别率。     

人体上肢运动表面肌电特征研究

目的根据检测的人体上肢表面肌电信号,研究日常生活活动中男性、女性和左右上肢肌肉功能状态的差异性.方法 对20个被试者的三角肌中部、肱二头肌、肱三头肌、掌长肌和指伸肌五块肌肉进行肌电采集,每个动作重复3次,采用统计处理分析软件SPSS 14.0对时域特征参数平均振幅和积分肌电进行数据处理.结果女性的数值大于男性的数值;左上肢的数值大于右上肢的数值,经t检验知,左右上肢不存在无显著性差异.结论我们可以得到正常人体上肢日常生活活动中的肌电信号数值,为康复治疗、临床诊断、人体工效学提供评定指标.     

基于时延测量的表面肌电信号动作电位传导速度估计研究

通过动作电位传导速度（APCV）估计来探讨表面肌电（SEMG）信号动作电位波形在肌肉组织中的传榆情况。以利用互相关技术测量动作电位波形传输时延值为基础,结合采集通道间的距离来估计SEMG信号动作电位传导速度。实验结果表明,所采用方法能够较准确地获取单类仿真运动单位动作电位（MUAP）波形的传导速度估计值,并能有效描述仿真和实测SEMG信号复合动作电位波形的传导速度变化趋势。     

基于相干性的多频段脑肌电信号双向耦合分析

针对皮层肌肉相干性分析时不能确定耦合方向的局限性,根据神经肌肉信息的双向传递性,提出利用不同大脑功能区的脑电信号和动作相关的肌电信号,实现了相干函数对脑肌电信号的双向耦合分析.本文对不同握力模式下同步采集的脑肌电信号进行了多频段耦合分析.通过下行(EEG—>EMG)和上行(EMG—>EEG)分析发现,随着握力的增大,EEG能量、相干幅值和耦合强度均向高频段转移.与基于新型格兰杰因果关系的耦合方法进行比较,验证了相干性方法进行皮层肌肉双向耦合分析的可行性和优势.研究结果为探索基于皮层肌肉相干性的双向手部运动信息解码和上肢运动功能障碍分析提供了依据.     

基于nRF905的无线表面肌电信号监测系统设计

介绍了利用TI公司的新一代16位单片机MSP430系列的MSP430F1611.和Nordic公司的nRFg05射频收发器芯片组成一种无线表面肌电信号采集系统的设计方案.根据表面肌电信号的特点,设计了相应的调理电路,给出了相应无线传输的软硬件实现方案.结果表明,系统能完成表面肌电信号的采集,结构稳定,而且功耗低.     

肌电信号的拾取和预处理

表面EMG属于生物电的范畴,其特点是信号微弱,易受干扰.针对表面EMG的特点专门设计了表面电极和信号调理电路,对信号处理电路的特性分析表明,所设计的处理电路可以有效提取10～500 Hz的肌电信号,并能对50 Hz的工频干扰起到很好的抑制作用,该电路在实际应用时取得了理想的实验结果.     

基于肌电信号的无线通讯控制系统

表面肌电信号是肌肉动作产生的一种生物电信号,其中蕴含了与人体动作相关的运动意图信息.因此,通过对肌电信号的分析处理,可以获取人体的动作模式.基于肌电信号的研究在康复医学,假肢控制,生物医疗等方面具有巨大的应用前景.研究基于表面肌电信号的分类识别构建一个无线通讯控制系统,研究内容包括表面肌电信号的实验设计,分析方法介绍,手势动作获取,无线通讯系统搭建及实时界面显示控制系统的构建.通过对整个系统的试验调试,该系统操作简单,具有良好的实时性.该课题的研究工作能够为辅助手臂装置或残障人士轮椅控制提供新的模式.     

基于表面肌电信号的人机交互软件设计

设计了一种基于Qt的人机交互软件,用于从表面肌电信号中解码出手势,控制空间机械臂灵巧手作业;介绍了肌电信号解码手势并控制仿真灵巧手系统的组成,包括下位机肌电采集接口部分和上位机人机交互软件两部分;详细说明了人机交互软件的3个功能模块,即接收并显示16路神经接口向上位机发送的肌电信号、对肌电信号进行实时手势解码以及控制仿真灵巧手;分析了软件设计过程中的几个关键技术,信号与槽机制、多线程与多进程结合、UDP通信等;最后,设计了基于肌电信号解码3种手势并控制仿真灵巧手的实时实验,手势识别率在98％以上,控制延迟为200 ms左右;实验结果表明,人机交互软件运行稳定,功能齐全,在航天遥操作人机交互系统中具有应用前景.     

基于遗传算法优化神经网络的表面肌电信号识别

表面肌电信号是人体运动时肌肉、神经活动发出的生物电信号在体表的表现,目前已成为对多自由度假肢理想控制的信号源,BP神经网络在肌电信号源模式识别上被应用广泛,但存在如学习收敛速度慢、不能保证收敛到全局最优点等缺点,鉴于以上缺点设计了基于遗传算法的BP神经网络对肌电信号进行模式识别,较好的改善BP神经网络缺点,提高了识别的准确率。     

表面肌电信号的AR 参数模型分析方法

根据实际肌电信号的随机性特征，对其建立AR(Autoregressive)模型，得到其AR模型的各项参数，分析此系数和对应肌肉活动所确定的肢体动作之间的关系，从而得到基于动作模式的表面肌电信号(EMG)AR模型参数分析方法。