摘要：为解决利用力矩传感器控制肌力训练设备所带来的滞后性,利用表面肌电信号(semg)超前于运动的特性,设计了基于一组拮抗肌表面肌电信号的关节力矩预测模型。首先搭建康复训练设备为信号采集和实验验证提供条件。将semg经过预处理,选择semg信号的方差特征作为神经网络输入,利用带有外部输入的非线性自回归(NARX)模型的动态循环神经网络,分别建立了基于关节力矩实际值的超前多步(MSA)预测模型和基于模型预测输出(MPO)的预测模型,通过等张和等长测试实验,比较了MSA和MPO模型的力矩预测性能。实验结果表明,两种模型输出预测值和实际值之间都有极强关联性(皮尔逊相关系数均大于0.95)。随着超前预测的步数增加,MSA模型的预测精度降低,但是超前预测的时间增大。在等张和等长测试中,当超前步数分别小于29和35时,MSA预测精度显著高于MPO(p<0.05),但MPO模型在成本和体积上更具优势。综上所述,两种模型均可以准确预测关节力矩,在实际康复训练设备控制中,可根据应用需求选择不同的力矩预测模型。

摘要：手指内部力矩受表面肌电信号、肌力、手部姿态等因素影响而无法直接获取,为了实时且准确地获取手指各关节力矩以及耦合力矩并应用于手部康复机器人的交互控制中,提出了一种基于表面肌电信号和肌肉骨骼模型的手指多关节力矩和耦合力矩分析与实时获取方法。首先设计了自适应手指关节角度采集系统,通过实验同步采集指浅屈肌与指伸肌的肌电信号以及手指各关节的角度数据,建立手指多关节力矩模型,从而获取手指各关节力矩。然后建立手指D-H模型,结合虚功原理获取手指的耦合力矩。最后,辨识了手指多关节力矩模型的参数,并通过OpenSim软件获取了仿真力矩。计算力矩与仿真力矩的对比结果显示:4名被试3个关节力矩的均方根误差分别为0.1567、0.097425、0.08495,证明了该方法能够实时并准确的获取手指各关节力矩和耦合力矩,能够满足手部康复机器人交互控制准确性和实时性的需求。

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：表面肌电图（surface electromyography,s EMG）是神经肌肉系统在进行活动时的生物电变化经表面电极引导、放大、显示和记录所获得的一组电压时间序列信号,它与肌肉的活动状态和功能状态之间存在着不同程度的关联性,因而能在一定的程度上反映神经肌肉的活动[1]。在规范化控制的条件下,表面肌电信号可以定量的反映出肌肉的疲劳程度、肌力水平、多肌群的协调性等功能状况[2],

摘要：针对人体下肢的被动康复训练过程,文中使用某下肢康复训练机器人进行下肢被动训练,训练过程中采集下肢股直肌和腓肠肌的semg信号和大腿的运动姿态信号,运用机器学习方法对运动姿态信号和表面肌电(semg)信号进行分析,实现了下肢中4种不同被动训练状态的识别及其对下肢肌群训练康复效果的评价。结果显示:联合使用IMU和semg进行下肢被动训练过程监测,并通过机器学习算法进行处理,可以实现不同监测过程的自动识别以及下肢肌群训练效果量化分析判断。研究结果可为实现基于下肢被动康复训练过程的智能控制与康复情况评价奠定研究基础。

摘要：目的:结合改良Ashworth量表(MAS)与表面肌电(semg)信号特性,设计基于Teager-Kaiser能量算子(TKEO)与自适应双阈值的上肢痉挛状态评定系统,解决临床痉挛状态评定主观性大的问题,提高痉挛状态评定的信度与效度。方法:提出一种牵张反射阈值(SRT)测试方法,设计了评定系统:利用TKEO处理肱二头肌semg,根据semg的TKEO信号幅值及变化率设定自适应双阈值判定牵张反射起始点(SRO),然后联合关节角度判定SRT,探索其与痉挛状态的关系。25名受试者参与了此试验。结果:自适应双阈值判定算法能够有效地识别SRO(识别率:96%)且SRT能够反映痉挛状态,与MAS评分显著相关,相关性满足(r=-0.904, P<0.01)与(r=-0.902, P<0.01),组内相关系数(ICC)显示重测信度为0.915,同时BlandAltman分析显示95.65%点位于一致性界限(LoA)范围内。结论:该系统可为上肢痉挛状态评定提供一种客观定量的分析手段,并为后续实时监测痉挛状态提供理论基础。

摘要：肌肉疲劳评估是当今社会探索与研究的热点之一,与人们日常生活健康密切相关。目前常用的肌疲劳分类方法有支持向量机(Support Vector Machine, SVM)、随机森林(Random Forest, RF)和逻辑回归等浅层机器学习方法。为了进一步提高运动过程中肌肉疲劳识别的精度,因此,本文通过设计硬件采集装置进行下肢股直肌部位肌肉疲劳实验采集数据,构建深度森林(Deep Forest, DF)模型将预处理后的表面肌电(semg)数据分成三类:正常(normal)、疲劳(fatigue)和极度疲劳(extreme fatigue),并与传统方法SVM和RF模型对比。实验结果表明:深度森林模型的疲劳识别效果最好,整体准确率为92%,所提出的方法在各评价指标上均优于传统方法,基于深度森林的下肢股直肌疲劳检测算法,可以作为肌肉疲劳识别的方法,为人类健康提供参考与帮助。

摘要：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(P0.05),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。

摘要：为了在滤除表面肌电信号检测中的工频干扰,在硬件检测电路中采用屏蔽检测单元、隔离检测设备、设备良好接地等方法;数字滤波部分结合实际,使用集合经验模式算法,由集合经验模式算法分解出的本征模态函数构成自适应滤波器。最后经过使用最小均方误差算法以及配合集合经验模式算法提高自适应滤波器的运算效率。为评定该自适应滤波器性能,实验基于Matlab及硬件采集设备进行了手前臂表面肌电信号检测和滤波,结果表明所设计的方法对不同相位、不同频率的工频干扰都有良好的抑制消除作用。

摘要：为了减少传统Ag-Agcl检测电极在提取有效semg信号中可能遇到的干扰与噪声,设计了一种新型Ag-Agcl检测电极。与传统Ag-Agcl检测电极相比较,该系统是由电极、前置放大电路、滤波电路和陷波电路进行密封并加以屏蔽层保护后所组成的有源semg检测电极。该检测电极极大地缩短了电极连线,可以用来提取有效的semg信号。试验结果表明,采用该semg检测电极可以进一步提高信噪比,减少噪声,提取到有效的表面肌电信号。