用于运动单元活动追踪的动作电位卷积神经网络分类方法仿真研究

为了解决在真实条件下运动单元动作电位(MUAP)波形变异导致的MUAP分类识别准确率低,进而降低运动单元(MU)追踪性能的问题,提出了一种基于卷积神经网络(CNN)的MUAP分类方法,并利用仿真数据进行了效果验证。该方法以被称为MU指纹的MUAP波形作为模型输入,结合Keras深度学习框架设计的CNN网络结构简单,并采取Early-stop策略训练网络,可实现不同MU的准确分类和匹配,从而持续追踪给定MU放电活动。所提基于CNN的MU分类方法能够在样本量较小的情况下,即每个MU可获取(54.49±29.28)个MUAP波形样本,对平均(30.23±5.37)个MU进行准确分类,分类准确性达到(89.41%±3.72%),显著高于现有的基于MUAP波形相似度的方法(49.66%±6.12%)。结果表明,所提方法对MUAP波形变异展现出了更好的鲁棒性,为开展真实条件下MU放电活动持续追踪研究提供重要的技术支撑,对运动控制的神经机制研究等具有重要意义。

基于运动单元累计尖峰序列的脑肌耦合分析

脑肌耦合能够反映大脑皮层和肌肉在感觉运动之间的联系。针对传统表面肌电信号输入-输出非线性的问题,本研究提出一种新的脑肌耦合分析方法。将运动单元分解后能线性传输神经驱动的累计尖峰序列(CST)与脑电信号进行相干性分析,定量描述上肢抓握运动中不同收缩力水平下,不同频段特征的脑肌耦合强度和神经元的共同轴突输入。在10名健康人的指浅屈肌(FDS)和尺侧腕屈肌(FCU)的同步脑肌电数据进行了测试和分析。结果表明,在上肢抓握运动中,频段(F(4,8)=337.2,P<0.01)与收缩力水平(F(2,8)=12.15,P<0.01)均对肌间耦合影响显著,其中β与α频段最为明显,在30%MVC下,β频段相干性均值为0.23±0.10,α频段相干性均值为0.47±0.02。轴突共同输入控制收缩力水平。脑肌耦合整体强度较小,耦合强度最大的为β频段,30%MVC下相干性均值为0.12±0.02。CST脑肌耦合分析显示了脑肌间各个频段、各个收缩力水平的耦合特性和共同轴突输入,为脑肌耦合分析提供了一种新的方法。

基于单通道sEMG分解的手部动作识别方法

表面肌电信号(Surface electromyography,s EMG)已广泛应用于手部动作识别。为提高动作识别精度,研究者往往需要采集多个通道s EMG信号,从而增加应用复杂性,针对这一情况,提出一种基于单通道s EMG分解的手部动作识别方法。使用单通道电极采集人体上臂肌肉s EMG,将其分解为6个运动单元动作电位序列,过程包括:二阶差分滤波、阈值计算、尖峰检测、分层聚类;然后,提取绝对值积分、最大值、非零中值、半窗能量等特征,并采用主元分析法降维;最后,利用支持向量机分类识别5种不同手部动作,精度达到80.4%。而采用未融合s EMG分解的传统方法,动作识别精度仅有约70%。

运动技能序列发展在单元教学内容中排布的研究

基本单一动作学习是构成运动技能形成的基础性学习,正是单一动作的习得才使身体不同部位获得多方面的感知,组合动作的习得是衔接运动技能形成的必然阶段。运动技能的序列发展具有动态连续性,高度复杂性,不同年级学生心理发展、身体发展存在差异性。设计适合不同水平学生的教学内容,教材内容呈螺旋上升式排列,使学生在认知运动、学会运动到运用运动中逐步建立位移性运动技能的发展序列,通过系统教材内容的学习,最终形成一定水平的运动技能。

基于先验模板的表面肌电信号渐进分解算法研究

本研究通过将表面肌电信号(sEMG)分解为运动单元动作电位序列(MUAPTs),来研究神经-肌肉系统中运动单元(MU)的募集与发放模式。针对高收缩力情况下MUAP叠加问题,首先采用FastICA算法和小波包去噪算法对信号进行预处理;然后基于先验知识构建了4种形态的可伸缩MUAP模板;最后,采用"先大后小"的渐进识别方式,逐个对MUAP进行自动提取。在此基础上,还将该算法应用于8名受试者(3组/人)不同手指活动模式下的指浅屈肌多通道(12通道)sEMG分解;单通道分解结果显示,高力量水平下sEMG中的主体MUAPTs能够被有效检测和分类;统计结果证实,随着力量水平的增加,MUAP的数目增加;不同大小MUAP比重的变化与活动手指和力量水平具有显著的相关性。本文的实验结果,初步验证了利用先验模板从sEMG中渐进提取MUAP的可行性,为sEMG分解和进一步研究MU发放规律提供于一种新的思路。