基于表面肌电信号的人体下肢运动估计及识别研究

【摘要】：我国脑卒中患者数量巨大,国家出台了一系列政策大力支持脑卒中康复领域的发展。下肢康复机器人能够有效辅助偏瘫患者进行下肢康复训练,通过识别患者下肢运动意图完成主动康复训练成为目前康复领域的研究热点,有效提升了运动障碍肢体康复效果。为此,本文聚焦人体下肢运动模式识别与关节连续运动估计,搭建面向多运动模式下的表面肌电信号与关节角度信号同步采集系统,探究多特征融合的肌电信息提取方法,构建人体下肢多运动模式识别模型,旨在提升多种运动模式下人体膝关节连续运动估计精度与鲁棒性。本文的主要研究成果与创新点如下:(1)针对肌电信号强非线性、信噪比低等问题,搭建面向多运动模式的信号采集系统,并进行有效的滤波处理,为本研究的运动模式识别和膝关节连续运动估计奠定数据基础。首先,分析人体关节运动产生表面肌电信号的原理和特性,并对膝关节肌肉群进行运动学分析;然后,采集了平地行走、上坡、骑行和抬腿运动的表面肌电信号。最后,利用巴特沃斯滤波器去除噪声干扰以增强信号可靠性。(2)为获取较为全面的肌电信息并简化计算量,提出基于核主成分分析(KPCA)的多时域特征融合方法,不仅全面提取了下肢运动时的肌电特征,也简化了肌电识别时的计算量。首先,基于时域特征和频域特征分析法,获取均方根、零点、和中值频率等多种特征;然后,采用KPCA方法进行多特征融合,降低特征维数并减小运算量;最后,依据累积贡献率选取代表主要运动信息的主元成分。(3)为实现人体下肢不同运动模式的有效识别,提出基于最小二乘支持向量机(LS-SVM)的人体下肢多运动模式识别方法。该方法不仅可提高模式识别率,也能提高识别效率。通过提取肌电信号时域特征、频域特征,并经PCA和KPCA降维后的特征分别导入分类器中验证,结果表明基于KPCA的LS-SVM分类器效果较好。(4)为精确估计不同运动模式下膝关节连续运动角度,提出基于多特征融合的膝关节连续运动估计方法。该方法不仅精确估计不同运动模式下的膝关节连续运动角度,也通过提取主成分有效提升肌电识别的鲁棒性。首先,基于滑动时间窗融合多维肌电信号时域特征,获取不同运动模式下较为全面的运动信息;然后,采用KPCA方法进行肌电特征降维,获取最为相关的主元成分,并基于反向传播神经网络实现膝关节连续运动的有效估计;最后,对10个实验者的4种运动模式进行验证,并与主成分分析(PCA)算法得出结果进行对比。结果表明,该方法不仅可有效识别不同运动模式下膝关节连续运动估计,相对于PCA算法估计精度也有明显提高。