论文部分内容阅读
随着中国社会经济的不断发展,人民生活水平日益提高,以及我国的社会老龄化不断加剧,由于中风、脑外伤和脊髓损伤等因素造成的上肢功能损伤患者迅速增加。上肢功能障碍将很大程度地影响着患者的日常生活及活动的独立性,甚至造成终身残疾。依据神经可塑性原理,患者可通过术后康复训练重塑损伤中枢神经与肢体间的联系,逐步实现对肢体的有效控制,降低致残率和致残程度。然而,传统的康复训练存在康复周期长、效率有限和人员消耗大等问题。外骨骼康复机器人的设计开发可减轻公共卫生负担、缩短医疗成本、改善康复质量和提高康复效率。由于表面肌电（surface Electromyography,sEMG）信号具有无创采集、处理简单、无线传输和实际运动前50-100ms提供运动意图等特点,对于上肢康复辅助机器人的控制研究具有十分重要的研究价值。本文针对日常活动基于肌电控制的上肢外骨骼康复机器人设计开发为背景,进行了上肢运动时的sEMG信号采集和分析,分析了上肢运动时肌电信号和运动学参数的生物力学特征,可以为上肢外骨骼康复机器人的运动轨迹设计提供依据,并基于sEMG信号研究实现上肢运动意图的分类和识别。本文的主要工作内容如下:首先,同时利用Vicon运动捕捉系统和Noraxon Ultium无线肌电设备开展了上肢运动和肌电采集实验。在上肢运动捕捉实验时,招募了20名健康青年受试者（10男,10女）,并采用了Vicon系统提供的全身标记点模型,同时选取了8块右侧上肢运动相关肌肉进行了5个日常上肢动作的上肢运动捕捉以及8通道sEMG信号的采集;在手部运动捕捉实验时,对相同的20名健康受试者,利用在Vicon系统自定义标记点的方法建立拇指和食指模型,同时选取了6块右侧上肢肌肉进行6个日常手部动作的运动捕捉和sEMG信号采集,获得了上肢运动和手部运动的同时采集的运动学和sEMG信号数据。然后,进行了上肢运动和肌电信号特征分析。根据上肢运动实验得到的运动学和sEMG信号数据,开展了5个上肢动作（喝水、抬臂、摸后口袋、摸头和摸对侧肩）时右侧上肢关节的运动分析和右侧上肢相关肌肉的sEMG信号分析。将受试者的运动数据进行了有效运动区间截取和归一化处理,分析得到了不同运动周期内右侧上肢肩关节、肘关节和腕关节的角度和角速度随时间变化曲线,为上肢外骨骼康复机器人的设计提供了关节运动轨迹数据。分析并提取sEMG信号的积分肌电值（Integral Electromyographic,i EMG）、频率中值（Median Frequency,MF）和频率均值（Mean Frequency,MNF）三个特征值与上肢不同运动进行了单因素方差分析,得出八块上肢运动相关肌肉的i EMG特征值在不同上肢运动周期内具有显著差异,为后续的上肢运动模式预测提供依据。其次,进行了手部运动的sEMG信号分析,构建了不同机器学习分类算法的识别和训练模型,实现了基于sEMG信号的手势识别。根据手部运动捕捉实验得到的sEMG信号数据,提取sEMG信号的时域特征值,构建和对比ANN（Artificial Neural Network）、Adaboost（Adaptive Boosting）、KNN（K-Nearest neighbor）、SVM（Support Vector Machine）、DT（Decision Tree）、RF（Random Forest）、GBDT（Gradient Boosting Decision Tree）、XGBoost（e Xtreme Gradient Boosting）多种分类器算法对滚动鼠标、拇指内扣、拇食指捏合、四指弯曲、握杯及五指捏合6种手势进行了模式识别。根据手部运动捕捉实验得到的运动学数据,计算了六个手势下拇指、食指五个关节角度。同时,根据计算得到的不同手势的拇指、食指的关节角度,进行了不同手势的相关性分析。分析结果表明:利用小臂及手部sEMG信号可以实现6种手势的模式识别,其中ANN分类器的分类预测效果最好,测试集的预测精度可达97.9%,Kappa系数可达0.975。利用小臂及手部sEMG信号进行手势识别,能够实现具有几乎完全一致的分类预测结果,证明了sEMG信号手势识别应用于上肢外骨骼手部控制的可行性。最后,研究了考虑性别差异对基于sEMG信号手势识别算法的影响。本文进行了sEMG信号性别因素的单因素方差分析,证明右手相同肌肉对的肌肉电信号具有显著性别差异（p＜0.05）。进而构建并提出了两种考虑性别差异的手势识别算法（区分性别数据集和添加性别标签）,应用于k-NN、SVM和ANN三种机器学习算法。此外,还采用了t检验和5重交叉验证作为补充,验证考虑性别差异对提高分类性能的影响。结果均表明,考虑性别差异可以显著提升手势识别的分类性能,其中,添加性别标签的ANN算法达到了98.4%的最高手势识别预测准确率;也进一步证明了考虑性别差异的手部运动识别算法可以应用于假肢手或上肢外骨骼康复机器人的控制系统。综上所述,本文进行了上肢运动的研究,分析了5个日常上肢运动周期内的上肢运动学变化规律和sEMG信号特征值差异;进行了6个手势的运动学数据分析和基于sEMG信号的手势识别,并证明了考虑性别差异的sEMG信号手势识别算法能够显著提升手势识别预测准确率。本研究为上肢康复机器人的设计提供了运动学依据,并证明了sEMG信号应用于上肢康复机器人控制系统的可行性。