基于EMG-KJA神經肌骨動力學模型的下肢動作模式識別及運動軌跡預測.pdf

1、近年來，截肢患者已成為亟需關注的特殊社會群體，如何幫助他們有效地提升自理能力、改善生活質量不僅是康復醫(yī)學領域的重要研究課題，更是各國政府和全社會面臨的一個嚴峻挑戰(zhàn)。肌電假肢可以利用患者殘肢肌電信號自主地控制假肢人機系統實現相應動作，被公認為是一種比較理想的缺損肢體功能代償解決方案，其核心技術在于描述人體神經控制與肌骨運動之間關系的神經肌骨動力學模型。但截至目前，國內外神經肌骨動力學研究尚主要集中于手部和上肢，較少涉及到下肢，尤其是專門針

2、對下肢神經肌骨動力學模型開展的動作模式識別及運動軌跡預測方面的研究還開展的十分有限。
　　本文利用Noraxon無線肌電采集系統和Vicon三維運動捕捉系統，同步采集10名受試者在深蹲、站起、伸膝和行走四種關鍵動作下的下肢肌電信號和三維運動學數據，經濾波、放大等預處理后，提取預動作期肌電的4階AR模型參數、倒譜系數、奇異值和功率譜熵作為關鍵動作模態(tài)分類的特征參數，采用支持向量機（SVM）、隱馬爾科夫模型（HMM）和人工神經網絡（A

3、NN）三種方法進行分類識別。結果顯示：SVM是辨識下肢動作關鍵模態(tài)較為理想的分類器，其奇異值的單特征輸入模式平均分類正確率為88.3％，融合時頻特性的多特征輸入模式平均分類正確率為91.3%。
　　在分類識別的基礎上，研究中提取了不同動作下單側腿肌電信號的均方根（RMS）和中值頻率（MF），結合對側腿的反饋角度，分別采用ANN和SVM建立肌電-膝關節(jié)角度(EMG-KJA)的下肢神經肌骨動力學模型來預測對側腿部膝關節(jié)運動軌跡。研究發(fā)

4、現：兩種信號特征中，RMS的預測效果略優(yōu)于MF；兩種建模方法中，SVM對各模式的預測誤差結果均低于ANN，顯示出了更為準確的建模效果。此外，為提高預測方式的實時性和在線度，文中還設計了針對各類動作模式的最優(yōu)肌源通道篩選方案，根據肌電均方根值與關節(jié)角度的相關性，依次去除關聯性較低的肌源信號，檢驗預測結果，尋求最佳導聯配置。
　　本文的研究結果有望對下肢肌電假肢設計以及相關神經學、運動學機理的探究起到促進作用，同時也具備在運動感知、人