基于模式识别的上肢康复训练机器人肌电控制技术研究与应用
概括：人神经肌肉系统的电活动可以反映肌肉运动的状态，并且可以通过皮肤表面的SEMG信号获得。由于SEMG信号易于收集，并且对身体不具有侵入性，因此可以使用多通道SEMG信号来实现上肢康复训练机器人肌肉在当前康复工程领域的识别。基于模式识别的肌肉和电力控制的原理是从多通道SEMG信号中提取不同上肢移动模式的信号特征，并通过模式分类器识别目标动作模式，然后实现运动控制上肢康复训练机器人。对于基于模式识别的研究，评估指标主要包括识别准确性和计算速度。本文的研究目的是改善基于模式识别的上肢康复训练机器人肌肉控制的实施技术。通过开发的上肢康复训练机器人和多渠道SEMG信号采集系统，研究了以下方面：（1）多通道多通道多渠道SEMG SEMG信号的空间分离； （2）表征不同上肢动作模式的SEMG信号特征提取； （3）上肢动作模式的分类。根据SEMG信号的特征并容易受到干扰的影响，面向上肢康复训练的SEMG信号采集方案旨在降低SEMG信号的随机性，并以良好的一致性获得SEMG信号。在这项研究中，将受试者右上肢的偏瘫侧设置为机器人辅助康复训练。左侧是独立指导运动的健康方面。通过分析上肢运动与相关肌肉之间的关系，可以确定受试者左上肢的受试者。径向肌肉，二头肌，三头肌，三角形肌肉的中间是四个通道SEMG信号的收集位置。电极的测量位于肌肉纤维方向上的肌肉腹部，并将参考电极放在肌腱中，SEMG信号弱。
https://img0.baidu.com/it/u=420633770,2252145576&fm=253&fmt=JPEG&app=120&f=JPEG?w=640&h=426
研究了ICA的基于多通道SEMG信号空间的分离耦合，以消除四个通道SEMG信号收集过程中电极桦木干扰引起的空间耦合信息。利用该算法将四个通道SEMG信号分解为四个不同的独立组件。针对通过ICA分解获得的非固定独立组件排列序列的问题，提出了独立组件顺序的匹配方法和多频道SEMG信号。信号的相关性基于建立独立组件和四个通道SEMG信号之间的一个对应关系，该信号确保了独立组件在同一动作模式下的一致性，因此独立组件可以替换原始的四通道SEMG信号并成为肌肉功率控制源。特征提取结果表明，尽管空间脱钩略有下降，但它已大大提高了特征提取速度，降低了计算，并验证了ICA对多通道SEMG信号空间脱钩的脱钩耦合的有效性。在研究中，将样品熵提取为表征不同上肢动作模式的SEMG信号特征。当使用样品熵时，将样品熵用于大计算量时，大量计算的问题。小波袋分解后九个低频子空间的样品熵被用作SEMG信号特征。为了响应特征空间的较大尺寸维度的问题，根据小波变换提出了一小幅高频率子空间变换。样品熵用作SEMG信号特征，并将多域特征与积分肌肉电值（即。
基于CSI的评估结果点和BP神经网络测试结果表明，与具有小波袋能量的常用特征相比，特征的特征较好，并且六个上肢动作模式的准确性也很高。它证明了特征提取算法的有效性。针对BP神经网络的较慢收敛速度和长期训练时间的问题，以分类上肢移动模式。遗传迭代后获得的最佳解决方案用于训练BP神经网络。结果表明，在优化遗传算法之后，尽管BP神经网络的准确性并没有大大增加，但网络训练时间已大大缩短，表明BP神经网络上遗传算法的优化是有效的。使用自我开发的上肢康复训练机器人来构建肌肉功率控制原型系统 - 基于基于的系统 - 识别肌肉功率控制原型系统，并将训练有素的遗传BP神经网络模型集成到机器人控制系统中，以生成机器人运动控制指令。测试结果表明，原型系统是可靠的，并根据模式识别验证肌肉功率控制的有效性。本文将SEMG信号分析与上肢康复训练机器人结合在一起。该研究的结果将有助于提高上肢康复训练机器人的性能。本文仍然存在一些缺点。主要有两个问题需要继续进行研究和改进：（1）肢体运动的不同范围，速度对SEMG信号的影响：（2）需要扩展该受试者样本选择的范围。考虑临床因素，例如年龄，性别和偏瘫。
扩展
页:
[1]