基于sEMG信号的下肢康复动作识别算法

表面肌电信号(sEMG)是一种神经电信号,其能反映神经、肌肉的状态及功能。近年来,越来越多的研究人员对基于sEMG信号的下肢康复动作的问题进行探讨并取得巨大突破。随着深度学习模型的日益成熟,各种模型对sEMG信号下肢康复动作的准确率有明显提升。该文使用基于CNN网络的sEMG信号下肢康复动作识别算法,首先数据预处理过程,选用截止点为20 Hz(低)和450 Hz(高)的有限脉冲响应带通滤波器对sEMG信号进行处理,之后进行特征提取,满足实验数据的需求。最后介绍基于CNN网络的sEMG信号下肢康复动作识别,说明CNN网络的结构以及参数设置。结果显示该文采用的CNN算法具有良好的识别效果。

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。

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 。

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。

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。

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.

HHT滤波特性在sEMG信号滤波中的应用

在常规HHT滤波方法基础上,考虑sEMG信号频带分布特性,设计了一种新的HHT滤波方法.该方法设计了针对IMF分量的噪声能量抑制函数,用来抑制各分量可能包含的噪声,再将每个修正的IMF分量叠加,得到去噪后的sEMG信号.通过实验比较可以看出,考虑sEMG信号频带分布特性的HHT滤波方法可以一定程度上解决噪声与信号处于同一IMF上的情形,获得比常规HHT滤波方法更好的效果.

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。

基于CNN模型的sEMG信号手势动作识别算法

表面肌电信号是利用表面电极然后记录的肌肉运动产生的生物电信号,表面肌电信号可以用来反映神经、肌肉的状态及功能。科学技术日益发展的今天,越来越多的研究人员针对基于sEMG的手部动作的问题进行探讨。截至目前,在体能训练、身体康复训练、医学临床及运动训练等领域取得巨大突破。随着深度学习模型的日益成熟,各种模型对sEMG信号手势动作的准确率有明显提升。该文提出了基于CNN网络的sEMG信号手势动作识别算法,首先是预处理过程,选用2阶巴特沃斯滤波器对sEMG信号预处理过程,利用标准差来滤除无信号段,之后进行数据进行扩充,满足大量实验数据的需求。最后介绍了基于CNN网络的sEMG信号手势动作识别过程,说明了CNN网络的结构以及参数设置。结果显示在Ninapro数据集上的最高准确率为77.33%,该文采用的算法在识别效果上具有良好的效果。

基于HHT变换的SEMG信号中MUAP的数目估计

对表面肌电(SEMG)信号中单位动作电位(MUAP)的数目进行估计可为神经肌肉控制的理论研究和神经肌肉疾病的诊断开辟新途径,本文给出了一种基于Hilbert-Huang变换(HHT)的表面肌电信号中运动MUAP数目估计方法。通过对SEMG信号经验模态分解后的第一内禀模态函数分量进行瞬时频率分析,利用其瞬时频率极值点的计数即可估计出运动MUAP数目。仿真信号与真实信号的实验结果均表明,基于HHT的SEMG信号中MUAP的估计方法是有效的。

基于sEMG信号的肌肉疲劳分析

肌肉疲劳在康复医学领域具有广泛的应用。本文以康复训练系统为应用背景,研究基于s EMG信号的肌肉疲劳分析。通过对10名健康受试者的负载递增骑行实验,同步采集了不同肌肉的s EMG信号和通气阈,并分析了不同肌肉的肌电阈。同时分析了等长收缩和等张收缩对EMGFT测定的影响。实验结果显示在递增负载骑行运动中,EMGFT的出现要早于通气阈,但两者相差很小,验证了基于EMGFT来分析肌肉疲劳是有效的。通过对比股外侧肌和竖脊肌的EMGFT,结果显示基于EMGFT的肌肉疲劳分析对同收缩方式的肌肉均具有效果。EMGFT不受肌肉运动形式限制,在康复训练过程中能够用于防止过度训练引起的肌肉损伤,对于股骨干骨折患者康复训练过程中的疲劳监护具有重要的意义。

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。

利用健肢sEMG信号对康复机械腿进行映射控制

研究了利用健肢表面肌电信号(sEMG)信号控制康复机械腿的问题。首先采集健全人在沿直线自然行走状态下,下肢八块肌肉的表面肌电信号和髋、膝、踝三个关节在矢状面内的关节角度信号,并对信号进行预处理、特征提取和标准化等操作;然后,建立了一个BP神经网络模型进行训练,将训练得到的神经网络模型用于关节角度的预测;最后以处理后的肌电信号作为模型输入,模型输出值经过移动均值滤波得到最终的关节角度预测值。再将此预测值作为机械腿的控制信号,实现机械腿的实时控制。实验结果显示,下肢三关节实际测量角度和预测值平均均方差(RMSE)为5.8295,平均皮尔逊相关系数(γ)为0.9312,可以较好实现机械腿的实时控制。

基于双分支网络的表面肌电信号识别方法

针对目前表面肌电信号(sEMG)手势识别细节信息提取不充分,对相似手势区分困难的问题,提出基于加强二维化特征的双分支网络(ETDTBN)模型.该模型通过加强二维化方法生成二维特征图,使用多层卷积神经网络(ML-CNN)提取sEMG的空间特征,利用双向门控循环单元(Bi-GRU)提取原始信号的时序特征.考虑到不同的特征对网络的影响程度不同,引入自适应特征融合机制对不同分支进行融合,强化有用特征并弱化无用特征,提高表面肌电识别的准确率.实验在电极偏移和不同受试者2种情况下对ETDTBN进行训练与测试,与主流的肌电手势识别模型进行对比.可知,ETDTBN的总体识别准确率分别为86.95%和84.15%,准确率均为最优,证明了该模型的有效性.

基于步态事件和sEMG的功能性电刺激起始点研究

足下垂患者步行过程中进行功能性电刺激可以帮助其恢复正常行走能力,而准确确定功能性电刺激的开启时间至关重要。文章针对该问题,利用步行过程中下肢的角速度和表面肌电信号(surface electromyography,sEMG),提出一种以步态事件与肌肉动作点之间延时关系为控制策略的足下垂步行过程中功能性电刺激准确开启的方法。根据步态信息和sEMG电信号特征对大腿处的角速度数据进行步态事件划分,试验结果表明步态事件划分得具有良好一致性;利用模糊熵算法对去噪后的sEMG信号进行肌肉运动起始点T muscle的判定,确定T muscle与脚尖离地(toe off,TO)之间的延时时间关系;结合所划分的步态事件特征点,确定电刺激起始点T on。该文为足下垂治疗中功能性电刺激开启时间点的确定提供了一种新的辨识方法。

基于迁移学习和表面肌电信号的上肢动作识别

准确识别脑卒中患者上肢运动意图是实现高效康复训练的关键步骤。为了提高基于表面肌电信号(surface electromyography,sEMG)的上肢动作识别精度,提出了一种结合预训练模型和支持向量机(support vector machine,SVM)的肌电动作识别方法。该方法充分考虑通道之间的关联性,将预处理后的时域信号通过短时傅里叶变换(short-time Fourier transform,STFT)转换为对应频谱图,并将所有通道的频谱图沿竖直方向拼接。利用两种微调的预训练模型VGG16和Resnet50对肌电图像提取特征,分别考虑三种上肢动作识别方案:仅使用微调的预训练模型进行识别、单个微调预训练模型提取特征后使用SVM进行识别、两个微调预训练模型提取特征拼接后使用SVM进行识别。实验结果表明,所提出的方法在采集的受试者肌电信号数据集上均达到90%以上的识别精度,可有效区分不同的上肢动作。

不同踢球方式摆动腿的运动学与肌电信号特征研究

为研究脚背内侧踢球、脚背正面踢球、脚内侧踢球以及脚背外侧踢球4种基本踢球方式摆动腿的运动学和肌肉力学特征,获取人体运动内外信息,运用三维运动学分析与表面肌电信号特征分析的方法对其研究发现,4种基本踢球方式摆动腿的摆动时间、摆动幅度以及摆动速度均表现出不同特点;后摆阶段摆动腿肌群的兴奋程度表现出了较好的一致性,而前摆阶段摆动腿肌群的兴奋程度表现出了较大差异性;此外,股二头肌在前摆阶段对关节的控制程度与踢球精度间存在一定相关性。

人体腿部表面肌电信号特征提取方法

表面肌电信号(sEMG,surface electromyography)作为人体运动检测的主要信息源之一,已被广泛应用于康复训练福祉机器人领域。针对人体下肢动作识别的问题,提出了一种针对表面肌电信号进行小波变换的特征提取方法。在肌电信号的频域分布中,该方法选取小波子空间中活动段的平均功率组成特征向量。为验证所提出方法的有效性,设计实现了一种微型便携式多通道sEMG信号采集系统,并利用支持向量机(SVM,support vector machine)构建分类器对腿部动作进行识别。实验结果表明:该方法能有效识别腿部常见的4种动作,同一个体动作识别率能达到95%以上,不同个体识别率平均能达到85%,能够较好地应用于下肢运动障碍患者的日常康复训练。