基于下肢sEMG的疲劳模糊增量熵表征方法研究

连续运动中,基于表面肌电信号(sEMG)外骨骼机器人与人进行协同运动控制,肌肉产生疲劳将影响人机协同控制的柔顺性及鲁棒性。本文创新性地提出模糊增量熵(EIFEn)用以表征肌肉疲劳程度,并对肌肉疲劳阶段的较为客观划分;采集人体连续抬腿运动中下肢12块肌肉的表面肌电信号,提出基于变异性敏感系数SVR肌肉疲劳敏感度判断方式,实现有效肌肉选取,提出基于均模积的自适应阈值动作切分法,将完整信号切分并提取单个动作信号序列,通过分析计算,对疲劳趋势进行表征。实验结果表明,本文模型相比时域频域算法具有较为明显的肌肉疲劳表征梯度特征,与fApEn及FFDispEn相比具有较好的疲劳表征能力,用于疲劳等级聚类的戴维森堡丁指数(DBI)为0.39,可提高外骨骼人机协同控制,为实现疲劳分阶段补偿助力提供参考。

基于sEMG的下肢连续运动切换态实时识别方法

在外骨骼与人进行自然人机交互(HRI)过程中,准确快速地识别下肢连续运动中的切换态至关重要。切换态sEMG信号即包含切换前后运动信息,又包含切换的瞬态信息,难以直接用于识别。为了快速准确地识别切换态,本文提出了FMICMD-LACNN的实时识别方法。提出了自适应多分量瞬时频率估计方法来提升多元本征线性调频模态分解(MICMD)计算效率,提出了分量能量惩罚因子提高MICMD分解精度,从而形成了快速多元本征调频模态分解(FMICMD)算法。针对FMICMD分解后sEMG信号,构建了LACNN识别模型,实现了快速且准确的切换态识别。本研究采集了10名受试者8种常见下肢连续运动切换态下的sEMG信号进行实验验证。结果表明,对于这8种切换态,该方法平均识别准确率为98.35%,平均识别时间仅约8 ms,均优于CNN-LSTM、E2CNN以及CNN-BiLSTM方法。该方法具有较高的准确率和实时性,能够满足外骨骼与人体快速自然交互的需求。