一种基于改进sEMG活动段检测的手部运动意图识别新方法

针对单参数固定门限检测表面肌电信号(sEMG)活动段的端点反转、端点末端提前收尾导致手部运动意图分类效果不佳的问题,提出了一种基于改进sEMG活动段检测的手部运动意图识别方法.首先,通过改进两级判别自适应门限算法,检测sEMG活动段的端点;其次,将子活动段的时域特征作为分类模型的输入特征矩阵,对LSTM手部运动意图识别模型进行训练;最后,以UCI肌电数据集作为研究对象进行对比实验.结果表明,相比于单参数固定门限提取sEMG活动段的特征作为LSTM输入,手部运动意图的分类精度提高了15.6%,总体平均分类精度达到91.7%.

基于表面肌电信号的膝关节动态力矩的BP神经网络估计

目的:提出一种利用表面肌电信号估计膝关节动态力矩的BP神经网络模型方法。方法:5名受试者完成从徒手至90%1RM的负重下蹲起实验,采集右侧股直肌、股内侧肌和股外侧肌的表面肌电信号,以滤波平滑归一化的表面肌电信号与膝关节角作为BP网络的输入,以逆向动力学计算获得的膝关节力矩作为期望输出,设计基于误差反向传播校正训练算法网络模型,用训练好的BP网络估计不同负重水平下蹲起产生的膝关节力矩。结果:1)网络中间层节点数为6,以30%1RM负重时股直肌、股内侧肌和股外侧肌的表面肌电联合膝角作为输入时网络性能达到最佳,其中,相同负重下测试数据的互相关系数和归一化均方根误差分别达到0.975和5.5%;2)负重增加时网络估计精度逐渐降低,均方根误差在90%1RM时最大达到18.5%。3)BP网络很好地映射了肌电与膝力矩数值上的非线性关系,而膝角则在预测膝力矩变化趋势上起关键作用。结论:以表面肌电信号和膝关节角作为输入变量的BP神经网络模型方法是实现自然运动状态下肌肉人体膝关节力矩准确估计的有效途径,训练好的BP网络能适应中高强度以下的不同负荷和动作速度。

基于人体手臂运动意图反馈的人机顺应协作

本文旨在通过人体手臂运动意图反馈来提高人与机器人协作的顺应性.首先通过自编码器和反向传播神经网络融合表面肌电信号和机器视觉信号,对人体手臂肘关节力矩和运动意图进行预测.然后,将人体手臂肘关节力矩反馈给机器人,以此预测手臂的运动意图并让机器人作出顺应响应,从而实现人机协作.最后,结合主观评价指标和客观评价指标,在人机协作锯木头实验中对比了3种不同协作模式的效果.与无运动意图反馈的人机协作相比,有反馈的人机协作下的协作交互力波动幅度减小了153.39 N,任务完成时间减少了19.25 s.实验结果表明,有人体手臂运动意图反馈的人机协作能够提高人与机器人协作的顺应程度,与人-人协作效果类似.