基于sEMG信号几何特征的肌肉疲劳分类

为了更好地区分肌肉疲劳程度,本文通过小波变换的方法,分析不同频段中表面肌电(sEMG)信号的能量变化情况,提取信号几何特征,对肌肉非疲劳和疲劳状态进行区分。从几何边界区域中提取周长、面积、圆度特征,分析几何特征变化情况。同时,使用分类器对肌肉疲劳进行分类。实验结果表明:几何特征对肌肉疲劳状态有更加直观的区分效果。几何特征在肌肉疲劳前后有明显变化,相比传统时域、频域特征,具有更好的分类效果,对几何特征进行特征融合,能够有效提升分类准确度。

基于小波变换的多特征融合sEMG模式识别

针对单一特征值表征能力差的情况,根据小波变换的多分辨分析思想,采用基于多种母小波的多特征融合的特征提取方法对表面肌电信号进行特征提取。本实验对十名测试人员进行肌电信号的采集,对日常生活中的四个基本下肢动作进行测试。首先,分别基于DB、Dmey和Bior三种不同的母小波,采用离散小波变换通过不同的分析方法对表面肌电信号进行多尺度分解。然后,通过分析发现,不同肌肉在不同特征提取方式下表征效果存在差异,为了结合不同特征方式的特点对基于不同小波基的特征值进行融合分析并比较。最后,将特征值分别输入到Elman神经网络和BP神经网络进行模式识别并比较分析。实验结果表明:通过对不同特征值进行识别比较,融合处理的特征值可以达到98.7%的识别率,并且,BP神经网络相较于Elman神经网络识别效果更好。

久坐对脊椎肌肉sEMG信号的影响

采集18名女性受试者在不同久坐时间下,颈夹肌和竖脊肌在最大用力收缩(MVC)过程中的表面肌电(surface electromyography,sEMG)信号,分别考察其初始1.5s的线性时频指标AEMG、MPF、非线性分析指标%DET的差异,以及全程MVC过程中MPF的变化趋势,以探讨久坐对脊椎肌肉活动水平和功能状态的影响.发现:在久坐前、久坐1.5h、久坐3h之后3种状态下,颈夹肌和竖脊肌在MVC的前1.5s信号中,其时频信号AEMG、MPF及非线性信号%DET均无明显变化;在1min脊椎持续MVC过程中,颈夹肌MPF均呈现线性递减趋势,且下降速率依次增大;竖脊肌MPF则呈现线性递增趋势,且上升速率依次减小.由此可得,久坐对于脊椎肌肉的最大收缩力量并无影响,但是对其维持最大收缩力量的能力有所改变.

静态运动负荷诱发局部肌肉疲劳和恢复过程中sEMG信号复杂度变化规律

应用非线性动力学的方法 ,研究最大和 6 0 % MVC强度肱二头肌静态疲劳负荷及其恢复期表面肌电信号复杂度变化规律 ,探讨肌肉疲劳过程中 s EMG信号变化的可能原因和机制。结论 :s EMG信号 L em pel- Ziv复杂度反映了神经活动策略和神经肌肉功能状态的变化。运动负荷诱发肱二头肌静态疲劳过程中 s EMG信号复杂度随运动负荷时间延长而减小 ,恢复期 s EMG信号复杂度和 MVC均随恢复时间的延长以相似的模式快速恢复 ,提示 ,s

基于LabVIEW的多通道sEMG信号检测系统设计

针对多通道信号检测系统在表面肌电信号sEMG(surface electromyography)信号检测分析中的应用,设计了一种基于LabVIEW的多通道sEMG信号检测系统。该系统由前置调理电路、数据接口卡以及LabVIEW软件编程部分组成。利用该系统采集并分析健康受试者完成指力跟踪动作时前臂指总伸肌上4通道sEMG信号时频域的特征值。实验结果表明,该系统能实现4通道sEMG信号的实时采集,并得到与手指力量相关的sEMG信号时域特征和频域特征,验证了所设计检测系统是可行的。

基于熵的动态收缩sEMG信号疲劳特征分析

频谱分析方法常被用来检测肌肉疲劳过程。本文将频率分析和非线性动力学方法结合起来,基于表面肌电(sEMG)信号在不同频率分布不均匀的特点将信号能量分解到不同频带,以此计算功率谱/小波包和熵相结合的功率谱熵/小波包熵来衡量系统的复杂度,进而衡量肌肉的疲劳程度,为用EMG信号研究动态收缩过程中的肌肉疲劳程度提供了新的分析手段和方法。文中方法也适用于其它生物医学信号的分析。

静态负荷诱发肌肉疲劳后恢复期sEMG信号变化规律

目的:探讨肌肉疲劳过程中sEMG功率谱变化与H+的关系以及可能存在的其它影响因素。方法:利用肌肉进行疲劳收缩结束后,短时间内肌肉pH值尚无明显改变的特性,观察恢复期30s内sEMG功率谱的变化规律。八名男性受试者,以肱二头肌为目标肌肉,负荷强度为60%MVC,静态持续负荷至疲劳点后,在恢复期以同样负荷分别观察2s、4s、6s、8s、10s、20s、30s时的sEMG信号特征。结果:肱二头肌在以60%MVC静态疲劳负荷过程中MPF呈线性下降。在疲劳负荷后的恢复期,MPF恢复极其迅速,运动结束后仅2s,MPF已恢复到整个下降范围的26.5%;至30s,MPF已恢复到整个下降范围的87.7%。结论:由[H+]增加引起的肌纤维动作电位传导速度下降不是决定sEMG功率谱左移的唯一因素,提示sEMG功率谱左移可能与神经源性的中枢机制的作用有关。

等速运动负荷诱发肱二头肌疲劳过程中sEMG信号变化

本研究的目的在于观察动态等速运动诱发肱二头肌疲劳过程中 s EMG信号时频分析指标的动态变化规律 ,确定能够较好地运用于动态肌肉功能评价的 s EMG指标。研究结果表明 ,动态运动过程中时域分析指标 i EMG和 RMS的变化较小且与负荷持续时间无明显线性相关 ;频域分析指标 MPF和 MF变化较大 ,但是只有 MPF的变化与负荷持续时间呈明显线性相关 ;MPF时间序列曲线下降斜率与肌肉的总作功量之间明显相关 。

基于FGNN算法的sEMG肌肉疲劳分类方法

为了防止果蝇优化算法的局部最优约束,提高肌肉疲劳分类的准确率,本研究提出了一种基于肌电信号的肌肉疲劳分类方法:果蝇-遗传优化算法,实现了肌肉疲劳的准确检测和分类。在改进的果蝇优化算法基础上把遗传算法的交叉变异和果蝇优化算法混合,并与神经网络结合对肌肉疲劳进行识别。相较于果蝇优化算法,改进后的算法有更强的跳出局部最优的能力。与神经网络结合后对于疲劳状态识别具有更好的效果。本研究提出的肌肉疲劳分类方法,可以防止运动员过度疲劳引起的肌肉损伤,实现准确的肌肉疲劳检测和分类。一共招募了10名健康的年轻参与者(6名男性和4名女性)进行疲劳测试。首先根据主观评测法对疲劳等级进行划分。然后将采集到的肌电信号数据进行预处理、提取特征后作为神经网络,遗传算法-神经网络,果蝇优化算法-神经网络,果蝇-遗传算法-神经网络的输入。经比较果蝇-遗传优化算法-神经网络的准确率为94.3%,优于其他方法。

一种基于sEMG信号的手势识别方法研究

随着机器人技术的发展,利用表面肌电(surface electromyography,sEMG)信号进行动作识别成为研究的热点.针对sEMG与手部动作关系复杂且实际应用困难的问题,该文提出一种基于BP(back propagation)神经网络的模式识别系统,可通过指浅屈肌和肱挠肌的2路sEMG信息源,识别手部6种不同姿态.该研究采用1阶数字低通无限脉冲响应滤波器提取信号包络,并利用能量特征值进行端点检测,选取短时能量、过零率和12阶线性预测系数进行模式识别.实验结果表明:该方法可以达到90%以上的识别正确率,具有一定的实际应用前景.

自行车运动员下肢肌肉sEMG特征及与输出功率的相关性

采用实验法,对运动员60 s全力蹬踏自行车下肢肌肉sEMG变化特征及与输出功率的相关性进行研究。结果显示:随着运动时间的延长和疲劳的加深,各肌肉表面肌电信号频域指标MF逐渐减小,MF与平均功率之间的相关性也达到显著性水平,提示其可作为评价自行车运动过程中运动员疲劳程度的指标。60 s全力蹬踏自行车运动后运动员股直肌和腓肠肌外侧肌肉MF值下降均特别明显,提示其在整个运动过程中的疲劳程度较深,可将其作为重点训练的肌群。

小波分析在表面肌电信号(sEMG)研究中的应用

表面肌电信号是从肌肉表面通过电极记录下来的反映神经肌肉系统活动的一维时间序列非平稳生物电信号。而小波分析作为一种多分辨率时频分析方法是分析非平稳信号的有力数学工具。在简要回顾小波变换与多尺度分析的基础上,系统的总结了小波分析在当前表面肌电信号研究中的几个热点问题上的应用并剖析了其主要技术路线,包括小波分析在肌电信号预处理中的应用、小波分析在基于肌电信号的动作识别和假肢控制方法中的应用、小波分析肌肉疲劳评价中的应用等几方面。最后介绍了小波分析在笔者开发的新型外骨骼式上肢康复机械臂控制中的应用。

不同姿势久坐下女性腰部肌肉的sEMG信号变化

目的:观察女性受试者在不同坐姿久坐前后腰部肌肉表面肌电(sEMG)信号的变化,探讨不同姿势的久坐对竖脊肌功能状态的影响。方法:32名女性受试者随机分成4组,分别在4种不同的座椅(座椅A、B、C、D)上久坐2 h。记录受试者腰部竖脊肌在久坐前后2次最大随意收缩力量(MVC)测试中的sEMG信号,观察测试过程中的前3 s时频指标及全程频域指标的变化。结果:3 s的时频指标平均肌电振幅(AEMG)、平均功率谱频率(MPF)在不同坐姿久坐前后无显著性差异,其中AEMG在座椅B组中明显大于座椅A组;全程信号的频域指标MPF在久坐后显著减小,但在不同坐姿之间无显著性差异。结论:女性受试者在4种不同坐姿2 h久坐前后腰部竖脊肌的最大活动水平无明显改变;最大持续收缩能力在久坐后下降,但在不同坐姿间并无显著差异。

3种等长负荷运动中腰部脊竖肌sEMG信号变化特征的比较研究

通过BS试验(Biering sorensentesting)、IS试验(Ito Shiradotesting)及直立位持重试验中sEMG信号变化特征的比较,探讨将IS试验移植到评价腰部脊竖肌活动状态和功能状态的sEMG信号特征分析中的可行性。结果表明,IS试验中腰部脊竖肌sEMG信号MF和MPF变化的规律与BS试验中相似,所有的受试均呈线性下降。提示将IS试验移植到腰背部sEMG信号特征分析中具有可行性。

动态运动诱发腰部脊竖肌疲劳过程中sEMG信号变化特征

本研究的目的在于观察动态运动诱发腰部脊竖肌疲劳过程中 s EMG信号线性分析指标MPF和非线性分析指标 L em pel- Ziv复杂度和近似熵的动态变化规律 ,确定能够较好地运用于脊竖肌功能评价的 s EMG指标。研究结果表明 ,动态运动过程中 ,腰部脊竖肌 s EMG信号的MPF和 L em pel- Ziv复杂度均呈明显的线性规律下降 ;70 %的受试者的近似熵呈先升后降型变化 ;以 MPF下降来预测腰部脊竖肌功能水平的外部效度优于 L empel- Ziv复杂度。研究结果提示 ,s

sEMG信号采集电路设计及其特征提取算法

表面肌电(Surface electromyography,sEMG)信号直接、客观地反映了神经和肌肉的活动功能状态,已获得广泛应用。本文设计了一种sEMG信号采集电路并以单通道形式采集上肢5种动作的sEMG信号,经小波包变换提取6种特征(其中一种引自基于小波变换的特征提取方法)并分别结合PCA和KPCA进行处理;再分别用BP神经网络和SVM进行动作识别。此外,对比了小波变换的特征提取;讨论了KPCA与PCA在特征变换上的差异。所提取的基于小波包变换的6种特征有5种的识别率均超过95.7%,其中引入的高低频系数组合特征在BP神经网络下平均识别率超过99%。基于小波变换提取的5种特征经KPCA变换后也达到较高的识别率。实验结果表明,本文的sEMG信号采集方法及其特征提取方法均达到较好效果。

SEMG测量电路在外骨骼上肢康复机器人中的应用

SEMG是一种复杂且微弱的生理信号,在其检测过程中存在许多影响检测精度和可靠性的因素。通过分析表面肌电信号采集过程中的噪声源,针对信号幅值小,信噪比低,易受干扰,难以准确获取的特点,设计了前端采集及信号处理电路,经过滤波、屏蔽、隔离等措施,用于外骨骼上肢康复机器人中拾取前臂的SEMG信号。实验表明,该电路能够有效滤除噪声,抑制工频干扰,满足SEMG信号的测量要求。

非疲劳动态运动中女性股四头肌的sEMG信号特征

采集9名女性受试者在不同负荷功率踏车运动中股四头肌的表面肌电(surface electromyography,sEMG)信号,观察其线性时频指标AEMG、MPF与非线性分析指标C(n)、%DET的变化规律,探讨女性股四头肌在非疲劳动态负荷下肌肉活动水平与sEMG信号特征指标之间的相互关系.结果发现,AEMG值随功率的上升而逐渐增加,与负荷功率呈线性相关;频域指标MPF与负荷的递增无明显关联;除%DET在股外肌的100 W和175 W阶段出现区分度外,非线性指标C(n)和%DET在不同负荷功率下均见明显的区分度.由此可得,线性时域指标AEMG以及非线性指标C(n)和%DET在动态力-电关系的区分上具有一定的敏感性.

基于sEMG的特征包络线提取与动作识别研究

针对表面肌电信号模式识别在康复器械以及智能假肢中的应用问题,通过平方调解法来提取多通道sEMG特征包络线,以提高手指动作识别速率与正确率;首先将手指动作采集实验获取的表面肌电信号进行平方处理,再经低通滤波形成包络线;利用幅值乘方法对不同的动作类型的包络线进行处理并形成学习用的教师样本标签,最后通过BP神经网络完成动作的识别分类;实验结果显示,屈拇指、屈食指、屈中指、屈无名指、屈小指和屈五指这6种动作的平均识别正确率为94.93%,每次动作识别的平均延时为50.7ms。

运动生物力学测量中SEMG和摄像机间接同步的电路设计

要全面准确分析运动技术,了解运动规律,必须实现各种运动生物力学测试手段的同步检测。本文设计和制作的电路,分别同时给予处在正常工作状态下的SEMG和摄像机以单脉冲信号和光信号,从而实现间接同步。