基于高密度肌电电势图的正常吞咽过程可视化研究

从体表采集吞咽肌群的肌电信号可以为吞咽功能评估、吞咽障碍诊断及其康复治疗提供重要的电生理信息。目前 利用体表肌电信号针对吞咽生理的临床研究通常只采用了少量电极(2～4 个),难以从空间分布角度进行分析。为此,本 文提出一种高密度肌电技术,通过颈前区域覆盖的电极阵列,同步采集 96 通道肌电信号进行分析。通过分析连续时间窗 口内 96 通道的均方根值,建立一系列动态二维肌电电势图,实现了吞咽肌电信息的可视化。本研究招募了 5 名正常受试 者参与实验,研究结果表明：正常受试者的动态肌电电势图模型可以反映正常吞咽过程中相关肌群的电生理活动的分布。 这些初步结果验证了本方法可以为吞咽肌群活动提供可靠的动态描述信息,也可以作为吞咽障碍临床评估的辅助手段。     

Effect of wrist position on grip force sense in healthy adults

To achieve a better understanding of the causes of higher rates of musculoskeletal disorders and to develop preventive strategies to decrease the risk of injury and optimally design hand tools, it is necessary to understand the effects of both wrist position and force level on grip force sense. In this study, the effects of both wrist position and force level on grip force sense in healthy males during an ipsilateral force reproduction task were investigated. Twenty healthy subjects were instructed to produce varying levels of target forces (i.e., 10%, 30%, and 50% of maximal voluntary isometric contraction [MVIC]) for five wrist positions (i.e., neutral position, full radial deviation, full ulnar deviation, full‐extension, and full flexion), and to reproduce these forces using the same hand. The results of our study revealed that the absolute error, constant error, and MVIC decreased as the wrist joint angle deviated from the neutral position. Subjects had a more accurate estimation of medium target force (30% MVIC), while low target force (10% MVIC) was overestimated and high target force (50% MVIC) was underestimated, in contrast to most previous studies.     

Dependence of safety margins in grip force on isometric push force levels in lateral pinch

This study examined the relationship between safety margin and force level during an isometric push task in a lateral pinch posture. Ten participants grasped an object with an aluminium- or rubber-finished grip surface using a lateral pinch posture and exerted 20%, 40%, 60%, 80% and 100% of maximum push force while voluntary grip force was recorded. Then minimum required grip force was measured for each push force level. Mean safety margin, the difference between voluntary and minimum required grip forces, was 25% maximum voluntary contraction (MVC) when averaged for all push levels. Safety margin significantly increased with increasing push force for both grip surfaces. Grip force used during maximum push exertion was only 74% lateral pinch grip MVC. Possible underlying mechanisms for increasing safety margin with increasing push force are discussed as well as the implication of this finding for ergonomic analysis. This study demonstrates that ergonomic analyses of push tasks that involve friction force should account for safety margin and reduced grip strength during the push. Failure to consider these can result in overestimation of people's push capability.     

肌电信号的功率谱分析方法

当用传统的检测方法对肌电信号(EMG)进行处理时,会出现较大的个体差异,针对这一不足,我们对其在频域中作具体的分析,提出了一种新的表面肌电信号特征提取方法--功率谱比值法.并在非特定人的条件下,经过多次实验确定实际所用肌电信号的主要频率范围和功率谱的各项参数,将功率谱比值法应用于前臂肌群的表面EMG特征提取,减小了个体差异,进而实现非特定人的动作模式识别.     

基于触觉反馈和表面肌电信号的随机时延夹持器遥操作方法

提出了一种基于触觉和表面肌电信号的夹持器抓取力控制遥操作方法.在控制过程中,采用了基于非时间参考的遥操作方法用于消除随机时延对系统稳定性的影响.使用了表面肌电信号作为遥操作控制信号来改善操作者的操控体验.另外,还使用了基于粒子群优化的支持向量回归模型和模糊控制器.实验结果证明,此方法对操作员的用力估计误差约为8.45%,平均跟踪误差约0.6N,可以让操作者更加稳定有效地调节夹持器的夹持力大小.     

适用不同Brunnstrom等级患者基于表面肌电信号的动作识别方法

针对不同患病程度的脑卒中患者运动意图识别率低的问题,提出了一种适用于不同Brunnstrom等级患者基于表面肌电信号（sEMG）的动作识别方法．首先将所有等级患者sEMG数据进行融合,使用tsfresh库提取特征,然后基于随机森林（random forest,RF）模型筛选特征,并利用筛选的特征训练动作分类模型．进一步,通过研究动作和康复等级的关系,确定了康复评估动作并设计了康复等级自动评估算法．为了验证所提方法的有效性,在24例患者sEMG数据上进行了测试,实验结果表明所提方法能够将9种动作和6类康复等级的平均识别精度分别提升至89.81%和94%．基于所提方法构建的手部康复机器人系统能够实现康复等级自动评估．     

康复机器人的同步主动交互控制与实现

提出了一种适用于康复机器人的人机交互控制方法. 结合一款具有平面并联结构的上肢康复机器人, 实现了与用户(患者)运动意图同步的、柔顺的主动康复训练. 在训练中, 利用自适应频率振荡器, 从表面肌电信号(Surface electromyography, sEMG)中获取运动模式信息, 然后结合运动模式和期望的正常运动轨迹, 生成与主动运动意图同步的参考训练轨迹. 本文通过仿真和实际实验对所提出的方法进行了验证, 振荡器可以在2~5s内快速实现与用户主动运动意图的同步, 然后利用阻抗控制器给予柔顺的辅助. 通过调节阻抗参数, 可以为患者的运动训练提供不同程度的辅助.     

基于人工神经网络对sEMG信号的手势动作识别

针对利用表面肌电信号(sEMG)对手势动作的肌电信号的研究较少和sEMG信号处理过于复杂的问题,提出了利用人工神经网络和sEMG信号对人的手势动作进行识别研究,引入了MYO硬件设备对新的手势动作sEMG信号采集.利用MYO从手臂上获取每一个手势动作的sEMG信号,提取信号特征值,作为算法的训练数据和测试数据.采用人工神经网络中的反向传递神经网络算法来进行对4种不同手势动作分类,对应目标手指识别率在90.35%.研究结果可以被用来做临床诊断和生物医学的应用以及用于现代硬件的发展和更现代化的人机交互的发展.     

基于人工鱼群算法优化SVM的手部动作sEMG识别

为了提高人体手部运动模式识别的准确性,提出了一种基于人工鱼群算法优化支持向量机( SVM)的模式识别方法.该方法对采集的表面肌电信号( sEMG)去噪后提取小波系数最大值作为特征样本,将提取后的特征输入到SVM进行动作模式识别,同时采用人工鱼群算法优化SVM( AFSVM)的惩罚参数和核函数参数,避免参数选择的盲目性,提高模型的识别精度.通过对内翻、外翻、握拳、展拳四种动作仿真结果表明:该方法与传统的SVM方法相比具有更高的识别率.     

多通道表面肌电信号降噪与去混迭研究

通过数据采集装置同时采集多路表面肌电信号(sEMG)时,信号之间往往存在相互混迭的现象。为了得到有效的sEMG,提出了一种基于二代小波变换和独立分量分析(ICA)相结合的降噪与去混迭方法。先利用二代小波变换对sEMG降噪再利用改进的FastICA算法对降噪后的信号进行ICA分离,最后通过互相关系数验证去混迭效果。实验结果表明,所提方法能够有效降低噪声并去除相邻通道间产生的混迭。     

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LLE和SVM的手部动作识别方法

为了提高人体手部动作的识别性能,针对高维特征数据给模式识别带来的问题,提出了一种基于局部线性嵌入(LLE)算法和支持向量机(SVM)的模式识别方法.该方法从肱桡肌和尺侧腕屈肌上采集两路表面肌电信号(sEMG),通过对样本信号的时域分析和小波分析,提取原始信号的特征,构造特征矢量.再利用LLE算法对原始特征数据进行降维,挖掘出具有内在规律的低维特征.将降维后的特征数据输入SVM分类器进行4种动作的模式识别.实验表明:此方法可以有效、准确地对人体手部动作进行分类.     

Multichannel surface electromyography in ergonomics: Potentialities and limits

The prevention of work‐related musculoskeletal disorders is one of the main goals in ergonomics. Among others, surface electromyography (sEMG) is an important tool for the evaluation of risks related to work activity. Three main issues have been approached in ergonomics via sEMG: 1) the analysis of muscle activation, 2) the analysis of exerted forces and torques, and 3) the analysis of muscle fatigue. Many studies have been carried out in static conditions. In ergonomics, however, it is more relevant to study muscle activity and fatigue during real tasks that are, in general, dynamic. From isometric to dynamic contractions, the complexity of the interpretation of sEMG signals increases considerably. Changes in sEMG signals are related to the continuous modifications in force output, muscle fiber length, and relative position of surface electrodes and sources. To increase the reliability of the information extracted from sEMG, multichannel detection systems have been applied, showing the possibility of overcoming some limits of the standard technique. Some illustrative laboratory and field studies are reported in this work to illustrate the potentialities and the open problems in the use of multichannel sEMG in ergonomics. Case 1 is a laboratory study investigating the myoelectric manifestations of fatigue in the biceps brachii (BB) during dynamic elbow flexion/extension. Case 2 is a laboratory study investigating the myoelectric manifestations of fatigue during a repetitive lifting task. Case 3 is a field study, carried out in an automotive plant, investigating muscle activation during the welding of a car door. Many factors play a leading role in the correct interpretation of information provided by sEMG. Even though multichannel sEMG provides information able to improve the estimation of force and/or fatigue during working tasks, many problems related to the signal acquisition and interpretation are still open. Further improvements are necessary to develop multichannel sEMG into an effective tool supporting other methodologies for the evaluation of work‐related risks. © 2010 Wiley Periodicals, Inc.     

联合手肘法和期望最大化的高斯混合聚类电力系统客户分群算法

为进一步提升电力系统客户的用户体验,针对现有聚类算法寻优能力差、紧凑性不足以及较难求解聚类数目最优值的问题,提出一种联合手肘法与期望最大化（EM）的高斯混合聚类算法,挖掘大量客户数据中的潜在信息。该算法通过EM算法迭代出良好的聚类结果,而针对传统的高斯混合聚类算法需要提前获取用户分群数量的缺点,利用手肘法合理找出客户的分群数量。案例分析表明,所提算法与层次聚类算法和K-Means算法相比,FM、AR指标的增幅均超过10%,紧凑度（CI）和分离度（DS）的降幅分别低于15%和25%,可见性能有较大提升。     

Signal processing evaluation of myoelectric sensor placement in low‐level gestures: sensitivity analysis using independent component analysis

Surface electromyogram (sEMG) is a technique in which electrodes are placed on the skin overlying a muscle to detect the electrical activity. Multiple electrical sensors are essential for extracting intrinsic physiological and contextual information from the corresponding sEMG signals. The reason, why more than just one sEMG signal capture has to be used, is as follows: Due to signal propagation inside the human body in terms of an electrical conductor, there cannot be a one‐to‐one mapping of activities between muscle fibre groups and corresponding sEMG sensing electrodes. Each of such electrodes rather records a composition of many, and widely activity‐independent signals, and such kind of raw signal capture cannot be efficiently used for pattern matching due to its linear dependency. On the other hand, Independent component analysis (ICA) provides the perfect answer of separating skin surface recordings into a set of independent muscle actions. Hence, there is a need for a method that indicates the quality of the sensor placements in sEMG. The purpose of this paper is to describe the use of source separation for sEMG using ICA. The actual use in practical sEMG experiments is demonstrated, when the number of recording channels for electrical muscle activities is varied.     

无线传感器网络节点移动路径优化方法

为解决移动传感器修复网络覆盖空洞时最优级联移动路径的选择问题,综合考虑中间级联节点的个数和能量,提出了选择级联移动路径的优化方法.该方法通过计算中间级联节点的能量可用率,进一步得出各路径的能量可用率和决定性能量,从多目标优化的角度来选择最优的级联移动路径,有效均衡了各移动传感器的能耗,充分利用了整个网络的能量,从而延长了网络的生存时间.仿真结果表明,该优化方法比标准的级联移动方法有更高的网络能量使用效率.     

基于FlightGear的A-SMGCS场面活动三维仿真

针对A-SMGCS系统场面活动三维仿真问题,提出一种以开源模拟飞行器FlightGear为场景仿真平台,以实时ADS-B监视数据为驱动,以Linux为操作平台的机场场面活动三维仿真系统设计新方法。仿真系统按照实际机场模型进行机场布局设计,飞机、航站楼、塔台三维建模,地形数据生成,对真实机场环境进行了完整建模。由于ADS-B监视数据缺少飞机姿态信息,提出一种根据位置数据推算出姿态信息的新方法。首先把ADS-B监视数据进行航迹卡尔曼滤波,然后根据飞机前后两个位置的空间连线矢量计算飞行姿态。通过FlightGear多机网络数据接口导入飞机定位数据与姿态数据驱动飞机模型运动,实现了对飞机运动的六自由度仿真。仿真结果表明,该系统能逼真、准确再现真实机场飞机实时活动情况。由于完全基于开源软件设计,该系统低成本实现了对场面活动的实时三维仿真。     

基于运动相关皮层电位握力运动模式识别研究

面向基于脑-机接口（Brain-computer interface,BCI）的脑-机交互控制（Brain-machine interaction control,BMIC）——直接脑控机器人,提出一种新的左、右手握力运动参数范式,在该范式下探索左、右手握力运动相关皮层电位/运动相关电位（Movement-related potentials,MRPs）的时域特征表示并识别握力运动模式.在涉及左、右手4个不同任务的实验中采集了11个健康被试的脑电信号,任务期间要求被试以2种握力变化模式之一完成自愿握力运动,每种任务随机重复30次.不同握力任务之间具有显著差异的运动相关电位特征用于识别握力运动模式.分别用基于核的Fisher线性判别分析和支持向量机识别4个不同的握力运动任务.研究结果进一步证实运动相关电位可以表征握力运动规划、运动执行和运动监控的脑神经机制过程.基于核的Fisher线性判别分析和支持向量机分别获得24±4%和21±5%的平均错误分类率.最小误分类率是12%,所有被试平均最小误分类率为20.9±5%.与传统的仅仅识别参与运动的肢体类型以及识别单侧肢体运动参数的研究相比,本研究可望为脑-机交互控制/脑控机器人接口提供更多的力控制意图指令,奠定了后续的对比研究基础.     

节律性步态运动中CPG对肌肉的控制模式的仿真研究

以神经振荡器理论和Dingguo Zhang等人研究的CPG模型为基础,结合了神经生物学和生物动力学的观点,并根据人体腿部的肌肉结构修正了Dingguo Zhang等提出的中枢模式发生器(CPG)的数学模型.修正后的CPG模型突破了原来仅反映单腿的节律性运动的局限性,能够更好地描述步态运动中双腿的节律性与协调性,使得修正后的CPG模型与实际情况更为一致.依据本文所提出的修正模型所做的数值模拟结果表明,我们所得到的CPG的输出模式能够很好的表现出人体节律性步态运动中神经系统的调节作用.     

永磁同步直线电机定位力测试实验研究

为满足平板式三相交流永磁同步直线电动机(PMLSM)推力平稳性要求,利用有限元方法分析端部力和齿槽力的形成原因和波动规律,介绍了一种全行程往复运动双向测量的直线电机定位力的方法,可以克服摩擦力的影响,并在样机上实验完成。测试中利用高性能数字信号处理器TMS320F2812DSP采集力传感器和光栅信号,能较准确、快速地计算出对应位置上的定位力,误差稳定在3 N以内。实验结果与理论分析基本一致,为高性能直线电机伺服控制器的改进设计提供了客观数据。