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。

基于sEMG的男子旋转推铅球运动员单支撑阶段肌肉用力特征研究

采用遥测肌电测试并结合影像解析,对我国优秀男子铅球运动员张竣旋转推铅球单支撑阶段的主要用力肌肉及其用力顺序、用力范围和主要用力肌肉之间的协调关系等问题进行了研究。研究结果表明,张竣单支撑阶段主要发力肌肉是左腿起支撑作用的肌肉(左腿股外侧肌和左腿腓肠肌)和维持身体姿势的肌肉(右侧背阔肌和右腿股二头肌);主要发力肌肉的用力顺序(左腿腓肠肌内侧→左腿股外侧肌→右腿股二头肌→右侧背阔肌中部)是按照由下往上、由左至右进行的;张竣单支撑阶段主要肌肉的用力范围(即肌肉横跨关节的角度变化值):肩髋夹角为26.3°～52.1°、左髋角为116.7°～168.7°、左腿膝关节角度为120.7°～156.3°、右膝角为79.2°～172.7°、右髋角为112.5°～143.5°;张竣在单支撑阶段右腿肌肉用力的协调性不好,主动肌(右腿股内侧肌)发力时,拮抗肌(右腿股二头肌)没有适时放松,影响了其肌肉做功的整体效果。

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。

基于sEMG与足底压力信号融合的跌倒检测研究

跌倒已经成为一种普遍危害老年人身心健康的事故,需要得到及时救治。设计了一种基于表面肌电(s EMG)和足底压力信号融合的跌倒检测系统。提取s EMG的近似熵及基本尺度熵特征,并根据足底压力的变化规律,提取动作信号段的压力特征,通过D-S证据推理将肌电信号与足底压力信号的SVM决策融合获得综合判别结果。实验结果表明,该方法对跌倒与ADL的平均识别率达到了91.7%,优于单一信源识别结果。

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。

基于sEMG的按摩椅绩效人机评价模型实验研究

针对机械式按摩椅缓解肌肉疲劳的绩效,提出了基于表面肌电(sEMG)信号的人机评价模型。实验要求两名被试者在执行静力性标准俯卧撑(SPU)动作之间,分别采用静坐与按摩两种方式恢复肌肉疲劳,并在SPU过程中采集竖脊肌的sEMG信号。根据模型的评价指标对实验数据进行了比较与分析,结果表明,SPU后采用拍打按摩恢复对竖脊肌疲劳缓解的效果好于静坐恢复的效果,从而验证了模型在按摩椅人机评价上的可行性。

基于人工鱼群算法优化SVM的手部动作sEMG识别

为了提高人体手部运动模式识别的准确性,提出了一种基于人工鱼群算法优化支持向量机(SVM)的模式识别方法。该方法对采集的表面肌电信号(s EMG)去噪后提取小波系数最大值作为特征样本,将提取后的特征输入到SVM进行动作模式识别,同时采用人工鱼群算法优化SVM(AFSVM)的惩罚参数和核函数参数,避免参数选择的盲目性,提高模型的识别精度。通过对内翻、外翻、握拳、展拳四种动作仿真结果表明:该方法与传统的SVM方法相比具有更高的识别率。

高水平短跑运动员途中跑摆动技术表面肌电(sEMG)特征

运用表面肌电遥测和高速摄像同步测试方法,结合功能解剖学知识,揭示我国部分高水平短跑运动员途中跑摆动技术肌肉活动特征。结果表明:短跑途中跑摆动技术肌电特征表现为明显的时序性,肌肉间的收缩具有高度协调性。在完成摆动技术动作中,折叠前摆阶段,阔筋膜张肌、股直肌等屈髋肌以及胫骨前肌是参与活动的主要肌群;下压着地阶段,臀大肌、股二头肌长头、半腱肌是参与活动的主要肌群。在专项力量训练实践中,教练员应结合髋关节屈伸肌群的发力范围、发力特点,优选专项力量训练的手段,以提高训练效果。

滤除SEMG工频干扰的数字陷波器设计

50Hz工频干扰是表面肌电信号(SEMG)的主要干扰源之一,消除工频干扰是表面肌电信号处理中的一项重要技术。鉴于原有模拟信号调理电路在工频消噪这一环节上的不足,设计了一种50Hz数字陷波器用以消噪,减小干扰。实验证明,采用基于窗函数法的FIR原理设计的50Hz数字陷波器能有效滤除SEMG中的工频干扰并基本不影响50Hz周围有效SEMG的获取。

旋转推铅球最后用力阶段肌肉用力特征的sEMG分析

采用表面肌电对人体16块肌肉进行肌电测试,结合录像解析,分析高水平旋转推铅球运动员最后用力阶段表面积分肌电贡献率的大小,结果表明该阶段主要的用力肌肉为右腹外斜肌、左腿股直肌、右腿股直肌、左腿腓肠肌、右腿腓肠肌、三角肌和胸大肌。该阶段发力肌肉积分肌电贡献率的大小与该阶段的技术动作特点有密切关系。在平时训练时应注意发展主要发力肌肉的力量,同时也应该注意发展与此相关的其他肌肉的力量。

熵在不同等级偏瘫患者sEMG运动检测中的应用

不同等级偏瘫患者的表面肌电信号(sEMG)受噪声影响不同,研究适合从偏瘫患者的肌电信号中检测肌肉活动的算法.对Brunnstrom分级Ⅰ-Ⅴ级偏瘫患者,采集双侧共同腕伸运动时前臂原动肌的肌电信号,将健康侧的信号作为对照组.采用运动/静息比方法,计算信号信噪比(SNR),对信号进行绝对值均值(MAV)、模糊熵(FuzzyEn)、样本熵(SampEn)、近似熵(ApEn)的滑动窗运算,比较在不同等级患者中各特征算法的优劣.在不同等级偏瘫患者中,患侧肌电信号的SNR与患者等级呈正相关性.与MAV法相比,3种熵值算法对Ⅱ-Ⅴ级偏瘫患者sEMG运动检测的适应性更好,有检测弱肌力患者潜在运动信号的潜力,其中FuzzyEn比其他熵值算法的适应性更好.对噪声的敏感性方面,FuzzyEn受影响最小.

基于NMF-SVM模型的上肢sEMG手势识别方法

针对基于表面肌电信号进行动作识别的问题,按照不同的运动形态对应的各肌肉激活程度不同的思路,建立基于非负矩阵分解(NMF)与支持向量机(SVM)的联合模型,对从肌电信号中提取的特征值按照行表示肌肉类型,列表示特征值类型的规则组成规律性的特征矩阵,并对特征矩阵进行非负矩阵分解降维,降维得到的表征各肌肉激活程度的系数矩阵送入到支持向量机中训练并分类。基于非负矩阵分解与支持向量机联合模型与传统SVM模型相比,计算效率提高了一半,识别率提高了5.2%;通过样本分离实验表明,该算法依然有91.7%以上的识别率,验证了算法的有效性。

基于KF-LSTM模型的手写数字轨迹的sEMG重建算法

为了从神经肌肉活动中有效地重建出手写轨迹,提出一种卡尔曼滤波器与长短期记忆网络深度融合的混合模型(KF-LSTM),对手写数字轨迹坐标映射的表面肌电(sEMG)信号进行训练与解码.招募5名被试,设计了组间实验和组内实验方案,同步采集手写过程中的sEMG和轨迹坐标,构建基于KF-LSTM的手写轨迹预测模型;以决定系数和主观可辨认度作为评价指标,分别与LSTM模型、浅层神经网络(NN)模型以及KF模型的重建结果进行比较.实验结果表明,KF-LSTM模型在组间实验及组内实验中的表现均高于其他3种方法,能有效地提升重建精度,提高重建轨迹的光顺度。

基于sEMG的拉物行走作业肌肉疲劳发展机理研究

目的为了解拉物行走作业肌肉疲劳发展特征,避免肌肉疲劳累积,降低工作相关肌肉骨骼损伤(WMSDs)风险。方法设计并组织拉物行走试验,招募6名大学男生进行试验,测量2 km/h、30和40 kg负荷以及5 min作业时长下的肌力值和肱二头肌以及肱三头肌的肌肉活动特征,然后运用统计学方法分析负荷对肌力的影响并分析不同负荷下2个肌群的均方根值(RMS)和中位频率(MF)。结果负荷对肌力影响不显著;但40 kg负荷下作业时长显著小于30 kg;拉物行走作业姿势下,2个肌群肌肉疲劳均明显,40 kg负荷下2个肌群肌肉疲劳发展速度均大于30kg,且作业过程中肱二头肌需要募集更多运动单位参与、肌肉疲劳发展速度更快。结论负荷显著影响拉物作业肌肉疲劳发展,应该注意此类作业肱二头肌和肱三头肌肌肉疲劳累积问题。

利用sEMG能量高斯分布特性提取动作信号的方法

对于采集到的连续动作肌电信号,首先要进行动作信号的分割和提取,该文针对肌电能量阈值需要反复人工试验才能设置的问题,从sEMG信号能量高斯分布特性出发,建立了连续重复动作的数学模型,进而根据高斯分布的区间规律设定能量阈值,结合能量比较的方法实现了动作信号的有效分割和提取。实验表明,该方法可以实现连续重复动作的有效分割,并且与信号手工分段的结果相比,达到了较高的重合度。

基于人工神经网络对sEMG信号的手势动作识别

针对利用表面肌电信号(sEMG)对手势动作的肌电信号的研究较少和sEMG信号处理过于复杂的问题,提出了利用人工神经网络和sEMG信号对人的手势动作进行识别研究,引入了MYO硬件设备对新的手势动作sEMG信号采集。利用MYO从手臂上获取每一个手势动作的sEMG信号,提取信号特征值,作为算法的训练数据和测试数据。采用人工神经网络中的反向传递神经网络算法来进行对4种不同手势动作分类,对应目标手指识别率在90.35%。研究结果可以被用来做临床诊断和生物医学的应用以及用于现代硬件的发展和更现代化的人机交互的发展。

基于CNN和sEMG的手势识别及康复手套控制

由于sEMG(Surface Electromyography)对肌肉疲劳、不同患者以及电极位移等都非常敏感,设计一种可靠、鲁棒的智能手部康复设备仍然是一项艰巨的工作。为此,提出一种基于深度学习的康复手势神经解码方法,利用患者前臂的表面肌电信号,通过卷积神经网络(CNN:Convolutional Neural Network)识别患者的手部运动意图。通过组合特征提取方法,对8通道肌电信号每个通道的信号进行组合特征提取,组合特征包括小波包分解能量特征、时域特征和频域特征共32个特征。将8个通道特征组成一个8×32的数值矩阵并进行灰度处理成特征图,再用此特征图训练卷积神经网络,对5种不同手势进行分类,分类器准确率达到98.1%。最后通过STM32 I/O口根据分类结果输出对应的PWM(Pulse Width Modulation)控制信号控制康复手套的动作,表明了该方法的可行性,为深入研究康复手套运动控制奠定了基础。

基于IMU与sEMG混合信号的实时手势分类算法研究

为了提高表面肌电信号(surface electromyography,sEMG)的手势分类准确率,通过惯性测量单元(inertial measurement unit,IMU)与采集姿态信号与sEMG的混合信号,提出了GRUBiLSTM双层网络的实时手势分类算法。第1层门控循环单元(gated recurrent unit,GRU)利用能量组合算子特征对混合信号进行突变点检测,定位运动态数据起始点;第2层双向长短时记忆循环神经网络(Bi-directional long short term memory,BiLSTM)使用能量核相图特征对运动态混合信号进行2个方向10种手势的分类。通过离线模型优化,分类算法识别时间低于40 ms,突变点检测精度88.7%以上,手势分类准确率为85%,信息传输率(informationtranslaterate, ITR)达到89.9 bits/min,与基于机器学习的分类算法相比,在准确率与计算效率上具有优势。

基于ISSA-VMD和二代小波的sEMG信号降噪研究

表面肌电(sEMG)信号是一种可以有效表征肌肉活动的弱生理信号,采集过程中易受到多种噪声干扰。为解决变分模态分解(VMD)参数经验设置的问题,并进一步消除sEMG信号中的噪声,提出了一种基于改进麻雀算法(ISSA)优化VMD和二代小波阈值法相结合的sEMG信号降噪法。首先,采用基于改进T混沌映射、自适应权重和麻雀数目动态变化的改进麻雀算法并将品质因子作为目标函数对VMD进行参数寻优,然后利用ISSA优化的VMD分解对预处理过的sEMG信号进行分解,通过谱相关分析区分信号分量和噪声分量,最后对信号分量进行二代小波阈值法降噪,得到降噪信号。结果表明:ISSA较SSA有效提高了VMD参数寻优能力;在不同噪声等级下,基于ISSA-VMD和二代小波硬阈值的降噪法的降噪性能优于二代小波和ISSA-VMD;基于ISSA-VMD与二代小波硬阈值降噪法处理实际sEMG信号,能有效去除噪声。