雙模態(tài)特征融合的踝關(guān)節(jié)主動(dòng)動(dòng)作模式識(shí)別.pdf

1、腦卒中會(huì)造成足下垂患者行走步態(tài)異常，能夠獨(dú)立行走是患者提高生活質(zhì)量和康復(fù)訓(xùn)練的重要環(huán)節(jié)。傳統(tǒng)的改善足下垂步態(tài)的康復(fù)手段，缺乏有效的通訊與控制途徑，不能使患者的運(yùn)動(dòng)康復(fù)得到有效改善，給患者、家庭和社會(huì)帶來(lái)沉重的負(fù)擔(dān)。因此，探索一種適用于人體下肢動(dòng)作識(shí)別和運(yùn)動(dòng)控制的智能系統(tǒng)成為康復(fù)工程研究的熱點(diǎn)。
　　目前，人體下肢動(dòng)作識(shí)別和運(yùn)動(dòng)控制的輸入信號(hào)大多采用對(duì)應(yīng)大腦皮層的單一模態(tài)腦電信號(hào)(EEG)或相關(guān)肌肉的表面肌電信號(hào)(EMG)。由于單一

2、模態(tài)的識(shí)別系統(tǒng)在應(yīng)用上會(huì)受到較大限制，而多模態(tài)信號(hào)融合存在多種輸入形式，可提供更多種類的控制信息，更加利于復(fù)雜動(dòng)作的識(shí)別和控制。同時(shí)，由于多模態(tài)生理信號(hào)攜帶的特征信息具有互補(bǔ)性，有效的信息融合和綜合利用可以消除腦機(jī)接口(BCI)盲現(xiàn)象，提高系統(tǒng)的通用性。
　　論文基于EEG和EMG信號(hào)的特征融合，采用模式識(shí)別方法，研究了人體踝關(guān)節(jié)四種主動(dòng)動(dòng)作模式的分類識(shí)別，具體工作包含以下幾個(gè)方面:
　　(1)采用E-prime軟件，設(shè)計(jì)了

3、EEG和EMG融合系統(tǒng)的實(shí)驗(yàn)范式。利用腦電儀和肌電儀，對(duì)踝關(guān)節(jié)不同動(dòng)作模式的腦電信號(hào)和肌電信號(hào)進(jìn)行了同步采集。
　　(2)對(duì)采集的原始腦電信號(hào)和肌電信號(hào)進(jìn)行了相應(yīng)預(yù)處理，獲得純凈的腦電和肌電信號(hào)。對(duì)于腦電信號(hào)，采用Scan4.5分析軟件去除基線漂移和眼電偽跡，采用AR模型方法去除自發(fā)腦電的影響，利用相干平均方法，獲取腦電誘發(fā)電位P300特征信號(hào)。對(duì)于肌電信號(hào)，采用自適應(yīng)抵消器去除50Hz工頻干擾，利用小波去噪方法消除低頻漂移、高頻

4、干擾以及運(yùn)動(dòng)偽跡，獲得純凈的肌電信號(hào)。
　　(3)腦電信號(hào)和肌電信號(hào)特征提取。對(duì)于腦電信號(hào)，采用小波變換和時(shí)域能量熵結(jié)合的方法提取具有最優(yōu)差異性的腦電特征。對(duì)于肌電信號(hào)，分別采用時(shí)域、頻域分析方法提取肌電對(duì)應(yīng)特征;采用小波包變換方法，提取了具有良好奇異性的小波包系數(shù)能量、方差特征，組成肌電時(shí)頻特征向量。
　　(4)雙模態(tài)融合系統(tǒng)特征分類。利用徑向基核函數(shù)的支持向量機(jī)分類器，分別對(duì)腦電P300誘發(fā)電位特征和表面肌電特征進(jìn)行分類

5、以及踝關(guān)節(jié)動(dòng)作識(shí)別?；谡T發(fā)腦電小波變換近似系數(shù)和時(shí)域能量熵的特征組合，分類器平均分類正確率為88.2％;選擇具有良好奇異性的小波包系數(shù)能量、方差特征組成的肌電特征向量，分類器的分類正確率為92.8％。利用貝葉斯分類器，對(duì)EEG和EMG雙模態(tài)融合特征進(jìn)行分類，踝關(guān)節(jié)四種動(dòng)作平均分類識(shí)別正確率達(dá)到了93.1％。仿真實(shí)驗(yàn)結(jié)果表明了融合系統(tǒng)對(duì)踝關(guān)節(jié)動(dòng)作模式識(shí)別的有效性。
　　論文的研究方法和結(jié)果可以應(yīng)用于運(yùn)動(dòng)康復(fù)工程、神經(jīng)科學(xué)、人工智能