基于正常人的肌电模式识别抗力变化的鲁棒性研究

目的:在肌电模式识别的实际应用中,力的变化会影响训练分类器的性能,导致很差的鲁棒性。本文提出了联合频域和谱域,提取四个频谱域特征进行分类来提高肌电模式识别分类器抗力变化的鲁棒性。方法:本实验招募了7名健康受试者,对15个手部精细动作在三个不同力度水平下进行交叉验证分析。利用高密度肌电信号提取频谱域四个与幅值无关的特征,以便提高肌电模式识别的鲁棒性,并与提取四个传统时域特征方法进行对比研究。结果:通过比较传统时域特征和频谱域特征之间的平均分类结果,频谱域特征显示出对抗力变化更好的鲁棒性。传统时域特征同力度水平间平均分类结果为89.31%±0.49%,不同力度水平间平均分类结果为76.57%±3.59%;频谱域特征同力度水平间平均分类结果为92.39%±0.26%,不同力度水平间平均分类结果为86.94%±2.23%。与传统时域特征相比,频谱域特征在同力度水平间平均分类结果增加了3.09%,在不同力度水平间平均分类结果增加了10.36%。特别当使用频谱域特征进行低强度测试时,分类器的平均分类结果为70.97%,比传统时域特征高20.45%。结论:与传统时域特征方法相比,频谱域特征具有显著的比较性优势。提取频谱域特征可能成为一种运动意图识别的有效方法。

基于新型双输入卷积神经网络的肌电模式识别

针对双臂协同运动中蕴含的运动信息量大,难以充分解读且识别率不高的问题,提出一种新型的双输入卷积神经网络(ND-CNN)模型。首先,根据双臂运动的特点,分别设计数据整理和模型输入两种策略。然后,利用两个结构相同、参数共享的特征提取层提取信号本身的特征和信号之间的差别特征。最后,利用所提取的两类特征实现双臂协同动作的识别。在自主设计的双臂实验中,将ND-CNN与其余3种先进的神经网络对比。实验结果表明,本文所提的ND-CNN模型在识别精度和可靠性上优于其他网络模型,能够对双臂肌电动作有效识别。

实用上肢假肢功能及控制技术

手的应用是人类从猿进化到人的重要标志,它的精妙无比是现代假手技术无法企及的。为肢残者安装功能先进的假手一直是专业工作者毕生奋斗的目标。本文在上肢假肢的控制技术、产品功能改进和安装技术这三个方面,叙述上肢假肢技术的现状和发展未来。