论文部分内容阅读
肌力估计能够反映人体的运动意图、肢体运动参数、肌肉健康状态以及疲劳程度,在运动指导、肌肉疾病诊断、康复状态评价以及人机交互等诸多领域具有广泛应用价值和重要理论意义。论文以膝关节股四头肌为研究对象,围绕肌动(mechanomyogram,MMG)信号获取、信号处理、特征提取以及回归模型构建四个方面开展研究工作,提出了一种基于多通道肌动信号的人体肌力估计方法,解决了膝关节运动的肌力估计问题,研究成果可以进一步提高肌力估计准确度,促进肌力估计在工程实践中的应用。论文主要工作和创新点如下:(1)探讨了MMG信号的产生原理及与肌力的关联性,分析了决定肌肉力量的主要因素,设计了多通道MMG信号的采集设备,改进了MMG传感器的安装方式,该方式具有隔着衣服可以获取股四头肌收缩时MMG原始信号的优点,相比较肌电、脑电信号对皮肤阻抗等干扰具有更好的鲁棒性,使得MMG信号的采集更加灵活、便捷。(2)分析了MMG信号的噪声和伪迹来源,提出了一种基于本征模态函数的信号处理方法,该方法利用多元经验模态分解算法对多通道MMG信号进行分解,得到一系列本征模态函数,再根据本征模态函数的自相关函数和能量分布特性,去除白噪声与运动伪迹,获得较为纯净的MMG信息。该方法在去除白噪声和运动伪迹的基础上,可以最大程度的获取MMG信号中的有用信息,对不同人群采集到的MMG信号具有更好的自适应能力。(3)研究了MMG信号的时域、频域、熵、相关性和瞬时频率等特性,提出了一种基于自适应滑动窗长度的特征提取方法,提高了MMG信号特征表达的准确度。该方法首先通过希尔伯特-黄变换获取MMG信号的瞬时频率和瞬时能量信息,然后根据MMG信号的瞬时能量与肌力之间的关联性,利用瞬时能量的变化情况调整特征提取时的滑动窗长度,使滑动窗能够更好地适应肌力变化,进一步提高所构建模型的精度。(4)构建了基于多通道MMG信号的肌力估计回归模型,实现了对股四头肌收缩力量的连续估计。基于MMG信号的肌力估计回归模型的输入由3个MMG信号通道的平均整流值(mean absolute value,MAV)、平均功率谱强度(mean power frequency,MPF)、样本熵(sample entropy,SampEn)和通道间的相关系数等12个特征构成,然后利用稀疏贝叶斯模型的相关向量机算法建立MMG-肌力回归模型,最后通过股四头肌的等长收缩实验验证了肌力估计回归模型的准确度。实验结果表明,本文所提肌力估计方法实现了对肌力的连续估计,估计力值和实际力值的均方根误差(root mean square error,RMSE)为8.7%MVC(maximum voluntary contraction),决定系数(coefficient of determination,R2)为0.817,优于大部分基于肌电和MMG信号的肌力估计研究。该方法在采集信号硬件要求、安装方式和对皮肤阻抗的鲁棒性等方面具有优势。