上肢康復訓練機器人的肌電控制研究.pdf

1、人體神經肌肉系統(tǒng)的電活動可以反映肌肉運動狀態(tài)，并可通過皮膚表面處的sEMG信號測量獲取。由于sEMG信號采集方便、對身體無創(chuàng)傷，利用多通道sEMG信號實現(xiàn)基于模式識別的上肢康復訓練機器人肌電控制成為當前康復工程領域的研究熱點?；谀Ｊ阶R別的肌電控制原理是從多通道sEMG信號中提取能表征不同上肢動作模式的信號特征，通過模式分類器識別出目標動作模式，進而實現(xiàn)上肢康復訓練機器人的運動控制。對于基于模式識別的肌電控制研究，評價指標主要包括識別準

2、確率和計算速度。
　　 本文的研究目標是完善基于模式識別的上肢康復訓練機器人肌電控制的實現(xiàn)技術，通過研制的上肢康復訓練機器人和多通道sEMG信號采集系統(tǒng)，在以下幾個方面進行了研究:(1)多通道sEMG信號的空間解耦;(2)表征不同上肢動作模式的sEMG信號特征提取;(3)上肢動作模式分類。
　　 根據(jù)sEMG信號微弱、易受干擾的特點，針對性地設計了面向上肢康復訓練的sEMG信號采集方案，以降低sEMG信號的隨機性，獲得一

3、致性好的sEMG信號。本研究中，設定受試者右側上肢為機器人輔助康復訓練的偏癱側，左側為自主引導運動的健康側，通過分析上肢運動與相關肌肉對應關系，確定了受試者左側上肢的肱橈肌、肱二頭肌、肱三頭肌、三角肌中部為四通道sEMG信號的采集位置，測量電極沿肌纖維方向放置在肌腹處，參考電極放置在sEMG信號比較微弱的肌腱處。
　　 研究了基于ICA的多通道sEMG信號空間解耦，以消除四通道sEMG信號采集過程中電極串擾引起的空間耦合冗余信息

4、。利用FastICA算法將四通道sEMG信號分解成四個不同的獨立分量，針對多次ICA分解得到的獨立分量排列次序不固定的問題，提出了獨立分量次序與多通道sEMG信號的匹配方法，以ICA分解前后信號的相關性為依據(jù)建立了獨立分量和四通道sEMG信號間的一一對應關系，保證了同一動作模式下獨立分量的一致性，使得獨立分量能取代原始的四通道sEMG信號而成為肌電控制源。特征提取結果表明，空間解耦雖然使得特征空間的可分性略有下降，但大幅提高了特征提取速

5、度，減小了計算量，驗證了ICA用于多通道sEMG信號空間解耦的有效性。
　　 研究中提取樣本熵作為表征不同上肢動作模式的sEMG信號特征，針對樣本熵用于特征提取時計算量大的問題，研究了小波包變換與樣本熵相結合的sEMG信號特征提取方法，提取五層小波包分解后九個低頻子空間的樣本熵作為sEMG信號特征。針對特征空間維數(shù)大的問題，提出了一種改進小波包分解算法，在小波變換的基礎上對某一高頻子空間進行二次小波變換，提取改進小波包分解后四個

6、低頻子空間的樣本熵作為sEMG信號特征，并與積分肌電值聯(lián)合構造多域特征，即TDISaEn。基于CSI的特征可分性評價結果與BP神經網絡測試結果表明，與常用的以小波包能量構造的特征（TDIEner）相比，TDISaEn特征的可分性要好，六種上肢動作模式的識別準確率也高，證明了特征提取算法的有效性。
　　 針對BP神經網絡用于上肢動作模式分類時收斂速度慢、訓練時間長的問題，提出了基于遺傳BP神經網絡的上肢動作模式分類方法，利用遺傳算

7、法優(yōu)化BP神經網絡的連接權值和閾值，將遺傳迭代后得到的最優(yōu)解用于訓練BP神經網絡。結果表明，經遺傳算法優(yōu)化后，雖然BP神經網絡的識別準確率提高不大，但是網絡訓練時間大幅縮短，說明遺傳算法對BP神經網絡的優(yōu)化是有效的。
　　 利用自行研制的上肢康復訓練機器人構建了基于模式識別的肌電控制原型系統(tǒng)，將訓練好的遺傳BP神經網絡模型集成到機器人控制系統(tǒng)中，用以生成機器人運動控制指令。測試結果表明，原型系統(tǒng)運行可靠，驗證了基于模式識別的肌電