摘要：为了提高手部动作的识别率与响应速度。提出综合特征选择与排列组合的组合特征法并与极限学习计算法(ELM)相结合的多手势模式精准识别方法。首先,运用肌电传感器采集八种手势动作;进而运用去噪技术与起止点检测技术对肌电信号进行预处理;其次,分别提取肌电信号时域、频域、时频域、4阶AR系数和非线性特征,将组合特征法与皮尔森相关系数法和主成分析法(PCA)选优的特征集进行对比;最后,用所选特征集与最优滑动窗相结合,运用极限学习机、神经网络(BP)和支持向量机(SVM)算法进行手势分类。实验结果表明,结合组合特征法与最优滑动窗口设计的ELM算法模型最优,平均识别率高达97.1%,结果超BP算法17.02%,且具有最短的训练与测试时间,有效证明所提方法的精准性和实时性。

摘要：针对上肢主动康复训练中的运动意图识别条件复杂、肢体康复自由度受限等问题,开展基于Kinect的上肢主动康复训练运动意图识别技术研究。经过采用微软体感设备Kinect,获取人体上肢运动信号。建立人体上肢简化模型,模拟计算和预测上肢关节角度变换规律,设计并完成康复训练动作试验。采用卡尔曼滤波结合运动方程,进行数据分析。利用MATLAB得到上肢主动康复训练运动过程的数学模型。数据证明:由Kinect获取的人机交互信息,可以实时有效的预测人体上肢运动意图,具有可行性。该技术可以快速有针对性地制定运动康复训练方案,也可为机电系统辅助的神经功能康复技术和神经科学研究提供资源。

摘要：旨在量化分析肘关节肌肉疲劳评价算法的性能,寻找一种高质量的肘关节肌肉疲劳评价算法,为肘关节屈曲运动提供一种更加有效的肌肉疲劳实时监测方法。通过采集12名测试对象在不同负载下肘关节进行屈曲运动的表面肌电信号,计算平均频率(MNF),频谱距(SMR),小波方法WIRM1551,模糊近似熵(fApEn)和递归量化分析(RQA%DET)的评价指标,考虑同一疲劳条件下的抗干扰性与不同疲劳条件下的区分疲劳程度的能力比较分析5种疲劳评价算法的性能。疲劳评价算法的抗干扰性由指标的线性回归方程确定系数R^(2)进行评价,区分疲劳程度的能力由线性回归方程斜率k的最大垂直距离L_(max)进行评价。统计分析表明,在抗干扰性方面,频谱距SMR相比其他评价算法具有最大的确定系数R^(2)均值,与MNF与RQA%DET的差异具有统计学意义(P<0.05);在区分疲劳程度的能力方面,频谱距SMR在不同负载下均具有最大的L_(max)均值,最大L_(max)均值分别为0.883、0.766、0.622。研究结果表明,频谱距SMR在抗干扰与疲劳程度的区分能力上都优于其他算法,因此在今后进行肘关节肌肉疲劳评价时,我们建议将频谱距SMR作为一个优先考虑的评价算法。

摘要：手势作为人机交互的重要方式,因灵活性与便捷性强,已成为控制领域的研究重点。针对上肢康复机器人手势识别技术存在的不足,结合特征组合与滑动窗口法,提出一种基于人工鱼群算法(artificial fish swarm algorithm,AFSA)优化的极限学习机(extreme learning machine,ELM)的多手势精准识别方法,以提高手势识别的准确率。首先,运用表面肌电测量系统采集人体常用的8种手势对应的表面肌电信号(surface electromyography,SEMG),作为后续分类模型的信号源,并运用去噪技术与起止点检测技术对SEMG进行预处理;然后,选取通过主成分分析(principal components analysis,PCA)降维处理后的最优特征组合与最优滑动窗口;接着,采用AFSA搜寻ELM的最优输入权值和隐含阈值,以提高其分类准确率;最后,对AFSA优化的ELM(AFSA-ELM)分类模型、反向传播(back propagation,BP)神经网络分类模型和未优化的ELM分类模型进行比较,以验证所提出方法的精准性。实验结果表明,结合最优特征组合与最优滑动窗口设计的AFSA-ELM分类模型对多种手势的平均识别准确率高达97.4%,比BP神经网络分类模型和未优化的ELM分类模型分别高3.5%和1.6%,验证了所提出方法的识别精准性。研究结果可为手势识别提供新思路,进而为人体上肢动作的深度分析和上肢康复机器人手势识别算法的优化提供理论基础和参考。