基于sEMG的双人协作转运患者下楼场景肌肉疲劳实验研究

目的为有效规避在紧急就医情况下,双人协作转运患者下楼过程的作业人员,因肌肉疲劳引发搬抬担架不平稳而使患者二次受伤的风险,需量化分析双人协作转运患者下楼过程的肌肉疲劳发展状况,为紧急就医折叠担架的结构改良设计提供实验基础。方法通过设计搭建测试用实物原型,模拟双人协作转运患者下楼的实验场景,招募4名被试参加实验,测量双人协作方式搬抬60 kg和80 kg两种重物下楼时,被试双侧上臂肱桡肌、肱二头肌和肱三头肌群表面肌电活动产生的数据变化值,经过数据处理和统计分析流程,得出双人协作转运不同重量时,被试上臂三个肌群肌电数据的均方根值(RMS)和中位频率(MF)数据。结果相同环境下双人协作转运患者下楼过程,搬抬80 kg下楼的实验总耗时和被试能坚持搬抬的楼层数都小于搬抬60 kg下楼时;上臂肌群中肱二头肌的疲劳发展最快;远离楼梯扶手侧的被试比靠近楼梯扶手处的被试疲劳发展的更快。结论患者体重的差异显著影响双人协作转运患者下楼过程的肌肉疲劳发展,应注意此类作业时上臂肱二头肌和肱桡肌的疲劳累积,尤其要关注远离楼梯扶手侧人员的上肢肌肉疲劳累积。

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sEMG的手指康复治疗的信号处理研究

手指功能在日常生活中特别重要,特别是在一些需要抓取和一些较为精细的动作中,对日常生活质量有着不可忽视的影响。而目前临床针对手指功能康复的治疗模式主要采用辅助设备康复,而这种模式又较为枯燥。提出了一种通过采集表面肌电信号(sEMG)的方式,使得手指功能受损的患者可以脱离现有比较枯燥的治疗方式,同时也更有利于患者其他功能例如神经系统功能的恢复。采用肌电信号公开数据集,对原始肌电信号做相关的预处理,同时采用matlab仿真的方式验证预处理的正确性;并通过临床实验采集患者肌电信号的方式验证使用目前的肌电传感器对运动意图分析的可行性。

基于TiCNN-DRSN模型的sEMG手势识别算法的研究

基于表面肌电信号和模式识别的手势识别方法在康复手领域中具有广阔的应用前景。提出一种基于表面肌电信号的手部姿势识别方法,以预测手部的52种动作。为解决表面肌电信号易受干扰的问题,提高对表面肌电信号的分类效果,提出了TiCNN-DRSN网络,主要作用是在拥有噪声的情况下能够更好的识别率,减少滤除噪声的时间。TiCNN网络使用卷积核Dropout和极小批量训练,为卷积神经网络引入训练干扰并且增加了模型的泛化性;DRSN网络可以有效的剔除sEMG信号中的冗余信号,减少信号噪声干扰。TiCNN-DRSN网络在不需要任何降噪预处理的前提下,取得了很高的抗噪与自适应性能。本模型在Ninapro数据库上的识别率达到97.43%±0.8%。

基于sEMG信号几何特征的肌肉疲劳分类

为了更好地区分肌肉疲劳程度,本文通过小波变换的方法,分析不同频段中表面肌电(sEMG)信号的能量变化情况,提取信号几何特征,对肌肉非疲劳和疲劳状态进行区分。从几何边界区域中提取周长、面积、圆度特征,分析几何特征变化情况。同时,使用分类器对肌肉疲劳进行分类。实验结果表明:几何特征对肌肉疲劳状态有更加直观的区分效果。几何特征在肌肉疲劳前后有明显变化,相比传统时域、频域特征,具有更好的分类效果,对几何特征进行特征融合,能够有效提升分类准确度。

Design of Real-Time Document Control Based on Zigbee and Surface Electromyography (sEMG)

The human-computer interaction (HCI) is now playing a great role in computer technology. This study introduces an automatic document control technique which is based on the human hand waving movements. The recognition of hand movement is realized according to the surface electromyography (sEMG). A collector is set on the forearm. The sEMG signal is recorded and conveyed to a PC terminal by using wireless Zigbee. An automatic algorithm is developed in order to extract the characteristics of sEMG, recognize the waving movements, and transmit to document control command. The developed human-computer interaction technique can be used as a new gallery for teaching, as well as an assistant tool for disabled person.

基于sEMG的多自由度下肢外骨骼康复机器人结构与控制策略

提出一种多自由度下肢外骨骼康复机器人,能够实现下肢多种康复训练。建立踝关节部分约束方程,采用数值法证明机构存在正确解。利用Delsys设备提取脚部运动的sEMG信号,采用LDA、RNN结合LSTM、CNN 3种信号分类方法,提出降维CNN方法,对输入运动进行识别和分类。最后,针对踝关节部分进行sEMG信号作为输出指令的脚部动作反馈实验,验证了该部分机构和控制方法的可行性和合理可靠性。

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CEEMD-VMD-SIST算法的sEMG信号降噪方法

针对基于表面肌电信号(sEMG)的手势识别中,由于传统降噪算法对sEMG信号高频部分分解不当或存在频率混叠现象使得对含噪sEMG信号降噪效果不佳而导致手势识别精度大大降低的问题,提出使用基于互补集合经验模态分解(CEEMD)与变分模态分解(VMD)组合的滑动区间软阈值(SIST)降噪算法(CEEMD-VMD-SIST)对含噪sEMG信号进行降噪处理;使用CEEMD将含噪信号分解为从高频到低频的多个不同本征模态函数(IMF),根据自相关系数客观界定后续降噪模态分量范围,对选中的模态分量采用VMD的SIST方法进行分解降噪并与部分剩余模态分量进行重构;从实验结果中可以看出,在不同信噪比下,所提算法的降噪性能与传统降噪方法相比,信噪比与均方根误差均有明显改善,可以更大程度上保留信号的有用信息,即所提算法的降噪性能更佳。

基于sEMG的拉力作业肌肉疲劳与恢复研究

目的为了探究动态拉力作业肌肉疲劳与恢复的特征,避免肌肉疲劳累积,降低肌肉骨骼疾患(MSDs)风险。方法设计动态拉力作业疲劳与恢复试验,选取10名男性本科生。测量屈指肌和肱三头肌的表面肌电信号,通过统计学方法分析肌群指标MF和MPF的变化特征。结果经过静坐恢复方式干预,肌力恢复至88%MVC,屈指和肱三头肌肌电频域指标MF和MPF均呈上升趋势,主观疲劳感随休息时间延长呈下降趋势。结论肌电频域指标MF和MPF能够较好地作为评估动态拉力作业中肌肉疲劳状态恢复过程的客观指标。本研究的疲劳状态恢复特征研究内容可为现实拉力作业中的休息设计提供依据。

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。

基于NARX和sEMG的肘关节连续运动预测

为了建立表面肌电信号(Surface Electromyography,sEMG)与人体肘关节连续运动量的精确预测模型,通过传感器记录肘关节屈伸角并采集与上肢运动相关联的肌肉表面肌电信号,经滤波处理后从中提取时域特征;在此基础上将非线性自回归(non-linear autoregressive,NARX)神经网络用于肘关节连续运动角度的预测,最终根据sEMG信号识别出的人体意图所对应的估计肘角。大量的实验结果验证了利用本文建立的模型可以精确估计人体肘关节连续运动角度,该模型可以有效用于人体假肢和辅助装置的控制,且本文方法的估计性能优于反向传播(back propagation,BP)神经网络。

腹直肌分离度、盆底肌力及盆底sEMG参数与初产妇产后压力性尿失禁的关系

目的分析腹直肌分离度、盆底肌力及盆底表面肌电图(s EMG)参数与初产妇产后压力性尿失禁(SUI)的关系,探讨初产妇产后发生SUI的影响因素,以及腹直肌分离度、盆底肌力及s EMG参数对初产妇产后发生SUI的预测价值。方法选取2022年2月—2023年2月在上海市第一妇婴保健院住院分娩的116例初产妇,根据SUI发生情况分为SUI组(35例)和非SUI组(81例),比较2组产妇腹直肌分离度、盆底肌力及s EMG参数;采用逐步Logistic回归分析初产妇产后SUI发生的影响因素;绘制受试者工作特征(ROC)曲线分析腹直肌分离度、盆底肌力及s EMG参数对产后SUI的预测价值。结果2组产妇年龄、孕周、孕前身体质量指数(BMI)、孕期增体质量、新生儿体质量、有无阴道手术助产比例比较,差异均无统计学意义(P>0.05);SUI组产妇顺产比例高于非SUI组,差异有统计学意义(P<0.05)。SUI组产妇腹直肌分离度大于非SUI组,盆底肌力小于非SUI组,s EMG快速收缩阶段最大值、紧张收缩阶段平均值、紧张收缩阶段变异性、耐力收缩阶段平均值、耐力收缩阶段变异性均小于非SUI组,差异均有统计学意义(P<0.05)。逐步Logistic回归分析结果显示,顺产、腹直肌分离度、盆底肌力、s EMG紧张收缩阶段变异性、耐力收缩阶段平均值均是初产妇产后发生SUI的影响因素(P<0.05)。ROC曲线分析结果显示,腹直肌分离度、盆底肌力、耐力收缩阶段平均值及三者联合检测预测初产妇产后发生SUI的ROC曲线下面积(AUC)分别为0.838、0.874、0.870、0.957(均P<0.05)。结论产后发生SUI的初产妇存在腹直肌分离、盆底肌力及s EMG参数下降,检测腹直肌分离度、盆底肌力及s EMG参数对初产妇产后SUI有一定预测价值。

自行车运动员下肢肌肉sEMG特征及与输出功率的相关性

采用实验法,对运动员60 s全力蹬踏自行车下肢肌肉sEMG变化特征及与输出功率的相关性进行研究。结果显示:随着运动时间的延长和疲劳的加深,各肌肉表面肌电信号频域指标MF逐渐减小,MF与平均功率之间的相关性也达到显著性水平,提示其可作为评价自行车运动过程中运动员疲劳程度的指标。60 s全力蹬踏自行车运动后运动员股直肌和腓肠肌外侧肌肉MF值下降均特别明显,提示其在整个运动过程中的疲劳程度较深,可将其作为重点训练的肌群。

跳跃运动员膝关节屈伸肌群等速向心收缩时肌力与sEMG变化特征

采用ISOMED2000等速测力系统、ME6000无线肌电遥测系统,同步测试优秀跳跃运动员膝关节屈伸肌群在不同速度向心收缩过程中肌肉组织的力学及肌电活动特性。发现,跳跃运动员膝关节屈伸肌群在60°/s、180°/s、300°/s向心用力时力矩、功随着速度增加逐渐下降,而功率随速度增大而增加(P<0.01)。sEMG显示,伸肌和屈肌均被最大程度地动员,且伸肌肌电各参数普遍高于屈肌。iEMG随速度增加而下降,RMS、MF和MPF均随运动速度增加而增加。力矩—功率关系以及功率—iEMG关系的相关性分析表明,在快速运动时,功率与力矩呈不显著性相关(P>0.05),而与iEMG呈高度相关(P<0.01)。等速测试与肌电结合可作为监测与评价运动员膝关节神经肌肉交互活动的有效方法。

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

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.

等速向心运动中膝关节屈伸肌群的sEMG研究

本文对女子柔道运动员等速向心运动过程膝关节屈伸肌群的表面肌电与运动速度以及峰力矩之间的关系进行了探讨,以期为进一步的研究以及力量测试、训练和评价提供参考。

小波包分析与人工神经网络相结合探索运动性肌肉疲劳过程中sEMG变化特征

目的:利用小波包分析与人工神经网络相结合的方法探索60s全力蹬踏自行车致股直肌疲劳过程中表面肌电信号(sEMG)的变化特征及其与输出功率之间的关系,探索利用sEMG定量评价运动性肌肉疲劳的方法;方法:先按等时间间隔将sEMG划分为不同的段,通过比较不同分解层数下各频段能量与输出功率之间的关系,以此确定最优的小波包分解层数,计算各频段的能量并进行归一化处理,在此基础上以归一化后的各频段能量作为输入,以运动过程中归一化后的输出功率作为输出,构造Elman人工神经网络进行建模,经过网络优化过程建立了最佳的人工神经网络模型;结果:随着运动时间的延长和疲劳程度的加深,股直肌sEMG信号经小波包分解后的低频段能量增加,高频段能量衰减,但能量的增加与衰减集中在比较大的频段范围内,人工神经网络预测结果显示出良好的精度;结论:60s全力蹬踏自行车过程中表面电极处肌肉组织低通滤波作用不断变化导致运动过程中能量的增加与衰减集中在比较大的频段范围内。在利用sEMG定量诊断肌肉疲劳方面,通过小波包分析结合人工神经网络的方法具有较高的可行性和准确性。

肌肉疲劳的sEMG时频分析技术及其在工效学中的应用

表面肌电技术作为一种无损伤的实时测量方法 ,能够客观地反映肌肉活动水平和功能状态。本文主要对工效学中有关肌肉疲劳的sEMG现场评价技术发展过程中几种主要时频技术 ,尤其是幅频联合分析 ( jointanalysisofEMGspectrumandamplitude,JASA)技术做了简要介绍和初步分析与评价。同时也对sEMG的信号分析方法。