基于表面肌电信号的手指关节角度估计方法

为了实现智能假手能够自然地模拟人手的连续运动,提出了基于s EMG的DF-ANN模型来估计手指关节角度的方法。该方法引入了通道注意力机制中的SE-Net模块增强了s EMG的相关特征表达,减少s EMG重要特征的损失,有效提高了回归模型的性能,选取10名健康的受试者进行10种不同手势的实验,选择R-Squared(R^(2))等回归衡量指标来评估该方法关节角度估计的精度,实验结果显示R^(2)为86.5%。与未引入SE-Net的DF-ANN模型,单独的深度森林和人工神经网络相比,R^(2)大约提高了4%。这表明该方法能够有效减小s EMG的关节角度连续解码的误差,能够有助于实现智能假手的柔顺控制。

Grael脑电放大器与深度学习的手势实时识别研究

手势识别是人机交互的关键。为了能够更好地实现脑电信号与肌电信号的融合,精准地识别人体的运动,本文建立了一套基于Grael脑电放大器的手势动作实时检测识别的研究系统。通过Grael脑电放大器和Curry8系统采集5个通道的8种不同手势的表面肌电信号(sEMG),并对采集到的sEMG信号进行滤波去噪、滑动窗口分割以及特征提取等预处理的操作;最后采用几种常用的分类器与卷积神经网络(CNN)对不同手势的sEMG信号进行实时分类识别。结果表明CNN的识别准确率最高,能达到92.98%;对每个手势动作进行30次实时识别检测,结果显示识别延迟大概在1~1.5 s,实时识别的精度可高达90%。该系统为将来研究脑电信号与肌电信号的融合提供了一个可行的方法,在人机交互方面展现了巨大的潜力和应用空间。

基于阈值和极端随机树的实时跌倒检测方法

针对基于可穿戴设备的跌倒检测存在的实时性与准确性无法兼得的问题,提出一种阈值和极端随机树融合的实时跌倒检测方法。在该方法中,可穿戴设备只需计算阈值量,无需确保跌倒检测的准确率,从而减少了计算量;同时,上位机利用极端随机树算法确保了跌倒检测的准确率。可穿戴设备通过阈值的方法过滤了大部分日常动作,因此减少了上位机检测的动作数据量。这样一来所提方法既满足了跌倒检测的高准确率,又满足了实时性。另外,为了降低跌倒检测的假阳性率,可穿戴设备融合了姿态角度传感器和压力传感器,上位机中加入了反馈机制。当检测结果出现假阳性时,通过上位机将检测错误的样本加入非跌倒数据集中进行再训练,模型经过这样的不断学习会生成适合个人的报警模型,且这种反馈机制为降低跌倒检测的假阳性率提供了新思路。实验结果表明,在1259个测试样本中,所提方法具有平均99.7%的准确率,最低0.08%的假阳性率。

植物乳杆菌UA149的降尿酸作用

为了筛选具有降尿酸作用的乳酸菌新菌株,本研究以自主分离鉴定的5株植物乳杆菌(Lactobacillusplantarum)为研究对象,对其体外降解嘌呤核苷能力进行了评价,获得植物乳杆菌UA149是一株降解嘌呤核苷能力较强的菌株,并通过动物体内实验评价了该菌株降尿酸作用和机制。以氧嗪酸钾联合果糖诱导高尿酸血症大鼠模型,植物乳杆菌UA149菌液连续灌胃两周,测定血清中尿酸、黄嘌呤氧化酶和炎症因子水平等相关生化指标,并采用蛋白杂交技术,探讨植物乳杆菌UA149降尿酸的作用机制。结果表明:植物乳杆菌UA149能够显著降低高尿酸血症模型大鼠血尿酸水平(39.71%),降低血清黄嘌呤氧化酶活性(15.36%),降低白三烯(25.81%)、血栓素(38.40%)和炎症因子水平(IL-1 26.89%、IL-8 10.40%、IL-6 17.29%、IL-1β20.95%和TNF-α23.09%)。植物乳杆菌UA149可以通过调节AMPK/NF-κB/NLRP3信号通路来减缓高尿酸血症引起的肾脏炎症反应。说明植物乳杆菌UA149可作为益生菌用于高尿酸血症的预防和辅助治疗。

柔性石墨烯电极片的便携式远程心电监护平台设计

针对心脑血管疾病突发性和高发病率,设计了一套适用于养老机构使用的便携式远程心电监护平台。利用ECG模块AD8232采集实时数据,经云端服务器处理分析后将分析结果通过互联网反馈至用户。特别地,针对传统一次性Ag/Ag Cl电极片长期黏贴对人体有一定腐蚀问题,利用石墨烯优良的导电性、柔韧性和无毒特点,设计实现了基于石墨烯的柔性电极片用于老人心电信号长期采集。经过大量用户测试,结果表明:系统采集数据准确可靠,功能设计合理,运行稳定,能够满足人们日常远程心电监护需要。

基于石墨烯干电极设计的便携式脑电采集系统

针对商用脑电(EEG)信号采集设备价格昂贵,实验前期准备耗时长且使用舒适性较差等问题,设计了基于石墨烯干电极的便携式脑电采集系统。系统通过石墨烯干电极采集信号,以ADS1299为前端模/数转换芯片,配合PIC32MX250F微处理器实现对EEG信号的实时采集,EEG数据经Wi-Fi无线模块上传至计算机进一步处理分析。三种任务态实验测试表明,系统使用便捷,能够有效采集EEG信号,在实验教学中具有一定应用价值。

Design and Synthesis of New Anti-AIDS Drugs——Introducing an Immunomodulator into Delavirdine Derivative

In consideration of the anti-HIV activities of delavirdine, resveratrol and Pidotimod, a novel kind of anti-AIDs drug（compounds 5 and 7） was synthesized. Compound 5 was synthesized by linking the delavirdine derivative to pidotimod, compound 7 was synthesized via linking the delavirdine derivative to resveratrol with terephthalic acid as the conjugated compound by two different routes. The structures were confirmed by means of IH NMR, 13C NMR, IR, MS and elemental analysis. The results for HIV-1 reverse transcriptase assay, quantitative titration of HIV-1 by using MAGI assay and pharmacokinetics assay show that a novel kind of anti-AIDs drug has been synthesized.

基于表面肌电信号的不同步行速度下肌肉协同及肌肉功能网络分析

深入了解步行过程中的下肢肌肉协作机制是提高神经肌肉功能障碍患者步态康复疗效的关键。本文研究了步行速度的变化对下肢肌肉协同模式及肌肉功能网络的影响。招募了8名健康受试者分别以三种不同速度在跑步机上执行步行任务,同步采集右下肢8块肌肉的表面肌电信号(sEMG),通过非负矩阵分解(NNMF)方法提取肌肉协同模式,利用互信息(MI)方法分别构建alpha频段(8~13 Hz)、beta频段(14~30 Hz)和gamma频段(31~60 Hz)肌肉功能网络,引入复杂网络分析方法量化不同网络差异。肌肉协同分析提取到5个肌肉协同模式,步行速度的变化没有改变肌肉协同的数量,但导致了肌肉权值的变化;肌肉网络分析发现在同一速度下,高频段具有更低的全局效率和聚类系数,随着步行速度的增加,局部肌肉之间的连接强度增加。研究结果表明不同速度的步行运动存在不同的肌肉协同模式和肌肉功能网络,本研究为探索不同步行速度下肌肉协同机制提供了新的视野,有望为神经肌肉功能障碍患者的步态功能评估提供理论支撑。

一种改进的最大信息系数算法在脑卒中患者的皮质肌功能耦合分析中的应用

自主运动过程中,运动皮层和效应肌之间的功能耦合可以通过计算脑电(EEG)信号和表面肌电(sEMG)信号之间的耦合来量化。最大信息系数算法(MIC)被证明能够有效量化这种神经信号之间的耦合关系,然而实际使用中也存在计算耗时长的问题。为解决该问题,基于改进的K均值(K-means++)算法的高效聚类特性,本文提出了一种改进的MIC算法用以准确检测非线性时间序列之间的耦合强度。仿真结果表明,本文所提改进的MIC算法能够在不同噪声水平下快速而准确捕获非线性时间序列之间的耦合关系。基于脑卒中患者的右脚背屈试验结果表明,改进的MIC算法能准确捕获EEG信号和sEMG信号在特定频带上的耦合强度;相比健康对照组,脑卒中患者组的beta频段(14~30 Hz)和gamma频段(31~45 Hz)的皮质肌功能耦合(FCMC)显著更弱,beta频段MIC值与福格-迈尔评定量表(FMA)评分正相关。本研究所提算法有望成为脑卒中患者运动功能量化评估的新手段。

基于Kinect和NAO机器人的人体上肢康复训练跟随控制

动作模仿是康复训练中常见的训练策略。传统的康复训练中患者需要在康复医师的指导下完成训练动作,然而由于医院资源有限,无法满足所有患者的训练指导需求。本文针对康复训练中的动作模仿任务,提出了一种基于Kinect和NAO机器人的跟随控制方法。该方法通过逆运动学解析实现了Kinect坐标系到NAO机器人坐标系关节角度映射。针对肘关节偏转角的估计问题,通过构建虚拟空间平面实现了偏转角的精确估计。最后,基于肘关节的运动偏转角进行了对比实验,结果显示该方法右肘横轴偏转和纵轴偏转的角度估计值均方根误差分别为2.734°和2.159°,证实了该方法可以实现NAO机器人实时、稳定地跟随人体动作,从而向患者展示康复训练方案。

基于支持向量机的表面肌电信号和加速度融合跌倒识别方法

目的:针对老人易跌倒和跌倒过后可能产生严重后果这一现实问题,通过将表面肌电信号和加速度融合,进一步优化采用支持向量机分类器下的包含跌倒在内的几种不同动作的分类效果。方法:提出基于表面肌电和加速度信号融合的跌倒识别算法,首先采集股直肌,股内侧肌,胫骨前肌和腓肠肌的表面肌电信号以及位于腰部的三轴加速度信号作为实验数据,然后利用滑动窗口法提取表面肌电和加速度信号的均方根值,最后针对人体日常活动和跌倒的运动特征,构建了支持向量机的分类器。结果:实验数据共计320组数据,包括3种日常活动和向前跌倒,其中160组数据作为训练集,另外160组数据作为测试集。对4种动作进行识别实验,算法的准确度为93.23%、灵敏度为92.4%、特异度为100%,达到了良好的分类效果。结论:基于支持向量机的表面肌电信号和加速度融合的跌倒识别算法分类效果良好,对于老人跌倒防护具有现实意义。