当前位置:文档之家› 基于SEMG的膝关节康复动作模式识别技术研究

基于SEMG的膝关节康复动作模式识别技术研究

电气与自动化 周楠?等 基于SEMG的膝关节康复动作模式识别技术研究

http:?ZZHD.chinajournal.net.cn一E ̄mail:ZZHD@chainajournal.net.cn?机械制造与自动化?

作者简介:周楠(1989-)?男?江苏徐州人?硕士研究生?从事流体传动与控制方面的学习研究?

基于SEMG的膝关节康复动作模式识别技术研究

周楠?滕燕

(南京理工大学机械工程学院?江苏南京210094)

摘一要:确定RMS二四阶AR模型参数作为表面肌电信号的特征提取方法?提出组建五阶新特征向量?设计下肢动作模式实验?提取肌电信号的特征值?设计BP神经网络分类器?并将所提取的三种特征向量作为分类器的输入?实验表明BP神经网络可以准确识别膝关节动作?且新向量作为分类器输入时?训练效率高?

关键词:膝关节康复?模式识别?AR模型参数?BP神经网络

中图分类号:TP391.41一一文献标志码:A一一文章编号:1671 ̄5276(2016)04 ̄0220 ̄03

StudyofPatternRecognitionTechniquesofKneeJointRehabilitation

MovementsBasedonSEMG

ZHOUNan?TENGYan

(SchoolofMechanicalEngineering?NanjingUniversityofScienceandTechnology?Nanjing210094?China)

Abstract:ThispaperdeterminestouseRMS?fourth-orderARmodelparameterforSEMGfeatureextractionmethodandproposes

theformationofanewfifth-orderfeaturevectors.AfterdesigninglowerlimbmovementpatternandextractingeigenvaluesofEMG?BPneuralnetworkclassifierisdesignedandthethreeextractedfeaturevectorsareusedastheclassifierinput.ExperimentalresultshowsthatBPneuralnetworkcanbeusedtoaccuratelyidentifythekneeaction?whenthenewinputvectorisenteredintheclassifi ̄er?itstrainingefficiencyishigh.

Keywords:kneejointrehabilitation?patternrecognition?ARmodelparameter?BPneuralnetwork

0一引言

随着现代交通的快速发展及日趋严重的人口老龄化问题?下肢行动不便人群数目越来越多?对下肢康复领域的研究也成为医疗机械研究的一大热门?

表面肌电信号(SEMG)是由运动时肌肉兴奋所产生的动作电位序列(motorunitactionpotentialtrains?MUA ̄PT)在皮肤表面叠加而成?是一种非平稳的微弱信号[1]?它的产生由动作电位产生二兴奋传导二信号跨膜传送二局部电位生成二兴奋-收缩相互作用及生物电信息反馈7个生理过程协同作用产生?SEMG幅值与肌肉收缩力之间存在较为明显的线性对应关系?同时SEMG采集结果具有非常强的肌肉特异性和运动模式上的差异性?而且不同测试人群在同一运动模式下采集得到的SEMG具有相当高的相似性[2]?此外?相对于插入式肌电采集?SEMG采集具有操作简单二无创二可多点测量等诸多优点?因而?将处理后的SEMG作为运动模式识别和机械动作的控制信号具有较强的理论依据和较便捷的实际操作性?

随着计算机技术二检测技术的进步?如何利用肌电信号识别肢体动作?实现肌电控制康复机构成为近年来研究的一大热点?目前应用较为广泛的有支持向量机(supportvectormachines?SVM)分类器[3]二统计分类器二模糊分类器及神经网络分类器[4]?

此设计的目的是通过SEMG实现对膝关节动作模式

的识别?为接下来控制下肢康复机器人做准备?因此不仅要选取适当的特征值提取方法?还要选取合适的分类器对膝关节动作模式进行识别?为了提高识别效率?需要选择互异性较强的特征提取方法?并通过调整分类器参数以满足对膝关节动作模式识别的需求?并最终确定识别率最高的特征参量和分类器参数?

1一SEMG特征值选择

通常用作动作识别的特征向量包括信号均方根二方差二AR模型参数及功率谱密度等?实验证实?四阶AR模型参数对下肢SEMG进行特征分析时?运算迅速?估计的准确性也比较高?本文在肌电信号均方根(RMS)二四阶AR模型参数的基础上?构建五阶新特征向量?并将三种新特征向量作为下肢SEMG的评价指标?

1.1一肌电动作分割

若对所测肌电信号的开始和结束位置进行直观判断?往往获得的SEMG不完整或包含噪声信号?故首先应判断出肌电信号的动作开始及动作终止位置?

采用逐点分析的方法对所测信号进行分析?通过判定某段内肌电信号能量同预先设定值的比较确定SEMG的动作的开始点和终止点?进而实现对肌电动作的分割?

首先选取固定时间内的采样点数据?计算该段时间内信号的能量值Q:

022 万方数据

相关主题
相关文档 最新文档