基于sEMG信号的前臂疲劳评价系统设计
发布时间：2021-01-22 07:54
脑卒中疾病极易复发,且有较高的致死率和极高致残率[1]。据流行病学推算[2],在75%的幸存者中通过自然恢复后有80%以上的患者带有明显残疾。在这些残疾患者中遗留有上肢运动功能障碍的占85%,经过康复治疗3-6个月后,只有30%左右的患者恢复了上肢运动功能,因此上肢康复训练显得尤为重要。在上肢康复训练中对肌肉疲劳的检测能够有效地避免患者在康复过程中因过度训练而产生二次伤害。本文以年轻正常人为例,根据RPE表对疲劳程度进行划分,并对上肢在进行肘部以及腕部伸屈运动后的不同疲劳程度进行前臂疲劳评价。本文写作是根据实验流程来进行安排的,实验流程为表面肌电信号的采集、有效段选取、肌电信号预处理、特征提取以及对疲劳度进行判定。文中采集肌电信号的仪器为E.M.G.SystemTB0810;我们要求测试者完成肘关节的伸屈,和腕关节的伸屈,主要完成的动作有保持上臂不动将1.25kg杠铃由体侧作为0°开始上举到135°停顿5秒后恢复到体侧;保持手臂不动,在负重1.25kg杠铃时以最大伸展程度为0°开始屈腕75°后停顿5秒恢复到体侧。采用TKE算子和基于短时能量对...
【文章来源】：长春大学吉林省
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
除高血压外各类心血管疾病患病占比[1]
者对训练的信心和兴趣。但无论是传统的康复技术还是现代的康复技术都难以对肌肉不同时期的状态进行有效监测，因此极有可能由于患者的急切康复心理和对肌肉承受力的主观感知延缓性，而导致过度训练造成二次损伤，严重的会导致终身残疾。肌肉疲劳信号是一种生理信号，也可以作为反映生理状态的警报信号。当人体进行长时间或高强度运动时，人体肌肉生理特性降低，出现肌肉僵硬等表现，严重者会发生肌肉痉挛。因此我们通过对肌肉疲劳观察可以有效地避免过度训练带来的二次伤害[10]。在知网中搜索肌肉疲劳并进行可视化分析，如图1-2所示，我们不难发现，近年来人们对肌肉疲劳的关注度越来越高。图1-2肌肉疲劳研究可视化分析造成卒后患者上肢功能障碍的原因是肌肉神经的损伤。肢体的动作是由肌肉收缩运动产生的，肌肉纤维间会因肌肉的收缩而产生动作电位的变化，我们将该电位差序列称之为肌电信号（EMG）。在1791年验证了电和肌肉收缩的相关性；在1851年提出了动作电位；在1890年成功绘制了肌电图，以及肌电仪的不断改进，这也是后期通过sEMG信号在各领域研究的基矗表面肌电信号（sEMG）[11]指的是在人体皮肤表面采集到的电位差序列，由于采集的无创性、微弱性以及包含信息的多样性而受到广泛关注。由于sEMG信号的无创性和采集简单的特点，因此sEMG受到了多个领域的关注。因其本身的微弱性，导致采集到的sEMG包含多种干扰信息，现阶段已有许多研究者对sEMG中噪声的去除方法进行了研究，并取得了许多成果。通过对sEMG信号和肌肉的活动状态、功能间的关系研究，将其应用于假肢控制[12]、改善人机交互、动作和情感识别、康复评价和疲劳评价等众多
6用外骨骼结构，以电机驱动5个自由度完成康复训练。为方便医师及时对患者训练状态进行调整，东南大学设计完成了一款远程康复机械臂。该设备在完成主动训练、被动训练的基础上，也可以实现对训练实时视频以及力矩参数的传输。图1-7UECM图1-8上肢气动机器人图1-95-DOF上肢康复机器人综上所述，随着科学技术的发展，上肢康复机器人由单一的自由度发展到多个自由度；由简单的平面运动发展到复杂的三维运动；由单一的运动模式到多种运动模式结合；其种类和功能越来越趋于多样化、智能化、便捷化；上肢康复机器人的训练动作也更加流畅，能够适应不同的人群，以及柔性地辅助患者完成多种动作。但是随着研究的深入，我们也不难发现，现代的上肢康复机器人在机械结构上趋于固定，更多的则是在控制技术方面进行了改进。在临床应用上，就现有的上肢康复机器人而言，存在以下问题：1.大部分上肢康复机器人都只是作为辅助训练设备，患者在训练过程中仍需要专业人士从旁指导。2.现阶段无法用数据反映训练过程，且依旧选用临床主观评价的方式对康复训练进行评价。
【参考文献】：
期刊论文
[1]改进梯度下降法的机载云台姿态解算[J]. 王铎,袁亮,侯爱萍,姜宏. 组合机床与自动化加工技术. 2019(08)
[2]基于PSO-SVM的手势识别方法研究[J]. 胡命嘉,宫玉琳,王锋. 长春理工大学学报(自然科学版). 2019(04)
[3]上海市青浦区居民脑卒中死亡特征和早病死概率分析[J]. 徐瑞芳,吴周理,叶开友,王森,杨惠芬,王淑雯,汪月琴. 中国临床神经科学. 2019(04)
[4]基于MATLAB的小波降噪研究[J]. 姜波. 电子制作. 2019(13)
[5]基于肌电信号人手动作模式分类方法的研究[J]. 雷华勤. 电子技术与软件工程. 2019(12)
[6]基于BP神经网络的重点行业企业周边土壤重金属污染预测及评价[J]. 范俊楠,张钰,贺小敏,郭丽,施敏芳,陈浩. 华中农业大学学报. 2019(04)
[7]《中国心血管病报告2018》概要[J]. 胡盛寿,高润霖,刘力生,朱曼璐,王文,王拥军,吴兆苏,李惠君,顾东风,杨跃进,郑哲,陈伟伟. 中国循环杂志. 2019(03)
[8]吊环十字支撑类动作对人体背阔肌、斜方肌、肱三头肌、大圆肌和三角肌参与程度和控制能力及主要肌群贡献率分析[J]. 兰庆士. 中国组织工程研究. 2019(03)
[9]基于表面肌电的肌肉疲劳检测系统研究[J]. 糜超,陈阳,邹凌. 现代电子技术. 2018(20)
[10]肘关节运动姿态与其对应肌肉群肌电信号的测量与分析[J]. 韦成朋,陈庆盈,张钢. 计量与测试技术. 2018(06)
硕士论文
[1]基于表面肌电信号的人手动作识别研究[D]. 吴颜生.东北师范大学 2019
[2]基于SEMG的肌肉疲劳度评估及其在上肢康复产品设计中的应用研究[D]. 张博文.浙江理工大学 2019
[3]末端牵引人机交互康复中的上肢肌肉协同研究[D]. 张树涛.宁波大学 2018
[4]上肢肌肉疲劳检测与训练控制[D]. 姚又琳.沈阳工业大学 2018
[5]基于sEMG信号的人体上肢动作识别与肌肉疲劳检测[D]. 闫正祥.北京工业大学 2018
[6]基于sEMG的卒中上肢肌肉疲劳监测系统设计[D]. 陆国冉.郑州大学 2018
[7]基于肌电信号的颈肩肌肉疲劳特性研究[D]. 李琰.天津工业大学 2018
[8]胫骨前肌不同时间皮肤预冷刺激进行中低负荷等长收缩时sEMG变化特征[D]. 张特.苏州大学 2018
[9]基于肌电信号的手臂动作识别及虚拟仿真[D]. 王飞.山西大学 2017
[10]基于肌电反馈和虚拟现实的康复系统设计[D]. 杨春华.燕山大学 2017
本文编号：2992871
【文章来源】：长春大学吉林省
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
除高血压外各类心血管疾病患病占比[1]
者对训练的信心和兴趣。但无论是传统的康复技术还是现代的康复技术都难以对肌肉不同时期的状态进行有效监测，因此极有可能由于患者的急切康复心理和对肌肉承受力的主观感知延缓性，而导致过度训练造成二次损伤，严重的会导致终身残疾。肌肉疲劳信号是一种生理信号，也可以作为反映生理状态的警报信号。当人体进行长时间或高强度运动时，人体肌肉生理特性降低，出现肌肉僵硬等表现，严重者会发生肌肉痉挛。因此我们通过对肌肉疲劳观察可以有效地避免过度训练带来的二次伤害[10]。在知网中搜索肌肉疲劳并进行可视化分析，如图1-2所示，我们不难发现，近年来人们对肌肉疲劳的关注度越来越高。图1-2肌肉疲劳研究可视化分析造成卒后患者上肢功能障碍的原因是肌肉神经的损伤。肢体的动作是由肌肉收缩运动产生的，肌肉纤维间会因肌肉的收缩而产生动作电位的变化，我们将该电位差序列称之为肌电信号（EMG）。在1791年验证了电和肌肉收缩的相关性；在1851年提出了动作电位；在1890年成功绘制了肌电图，以及肌电仪的不断改进，这也是后期通过sEMG信号在各领域研究的基矗表面肌电信号（sEMG）[11]指的是在人体皮肤表面采集到的电位差序列，由于采集的无创性、微弱性以及包含信息的多样性而受到广泛关注。由于sEMG信号的无创性和采集简单的特点，因此sEMG受到了多个领域的关注。因其本身的微弱性，导致采集到的sEMG包含多种干扰信息，现阶段已有许多研究者对sEMG中噪声的去除方法进行了研究，并取得了许多成果。通过对sEMG信号和肌肉的活动状态、功能间的关系研究，将其应用于假肢控制[12]、改善人机交互、动作和情感识别、康复评价和疲劳评价等众多
6用外骨骼结构，以电机驱动5个自由度完成康复训练。为方便医师及时对患者训练状态进行调整，东南大学设计完成了一款远程康复机械臂。该设备在完成主动训练、被动训练的基础上，也可以实现对训练实时视频以及力矩参数的传输。图1-7UECM图1-8上肢气动机器人图1-95-DOF上肢康复机器人综上所述，随着科学技术的发展，上肢康复机器人由单一的自由度发展到多个自由度；由简单的平面运动发展到复杂的三维运动；由单一的运动模式到多种运动模式结合；其种类和功能越来越趋于多样化、智能化、便捷化；上肢康复机器人的训练动作也更加流畅，能够适应不同的人群，以及柔性地辅助患者完成多种动作。但是随着研究的深入，我们也不难发现，现代的上肢康复机器人在机械结构上趋于固定，更多的则是在控制技术方面进行了改进。在临床应用上，就现有的上肢康复机器人而言，存在以下问题：1.大部分上肢康复机器人都只是作为辅助训练设备，患者在训练过程中仍需要专业人士从旁指导。2.现阶段无法用数据反映训练过程，且依旧选用临床主观评价的方式对康复训练进行评价。
【参考文献】：
期刊论文
[1]改进梯度下降法的机载云台姿态解算[J]. 王铎,袁亮,侯爱萍,姜宏. 组合机床与自动化加工技术. 2019(08)
[2]基于PSO-SVM的手势识别方法研究[J]. 胡命嘉,宫玉琳,王锋. 长春理工大学学报(自然科学版). 2019(04)
[3]上海市青浦区居民脑卒中死亡特征和早病死概率分析[J]. 徐瑞芳,吴周理,叶开友,王森,杨惠芬,王淑雯,汪月琴. 中国临床神经科学. 2019(04)
[4]基于MATLAB的小波降噪研究[J]. 姜波. 电子制作. 2019(13)
[5]基于肌电信号人手动作模式分类方法的研究[J]. 雷华勤. 电子技术与软件工程. 2019(12)
[6]基于BP神经网络的重点行业企业周边土壤重金属污染预测及评价[J]. 范俊楠,张钰,贺小敏,郭丽,施敏芳,陈浩. 华中农业大学学报. 2019(04)
[7]《中国心血管病报告2018》概要[J]. 胡盛寿,高润霖,刘力生,朱曼璐,王文,王拥军,吴兆苏,李惠君,顾东风,杨跃进,郑哲,陈伟伟. 中国循环杂志. 2019(03)
[8]吊环十字支撑类动作对人体背阔肌、斜方肌、肱三头肌、大圆肌和三角肌参与程度和控制能力及主要肌群贡献率分析[J]. 兰庆士. 中国组织工程研究. 2019(03)
[9]基于表面肌电的肌肉疲劳检测系统研究[J]. 糜超,陈阳,邹凌. 现代电子技术. 2018(20)
[10]肘关节运动姿态与其对应肌肉群肌电信号的测量与分析[J]. 韦成朋,陈庆盈,张钢. 计量与测试技术. 2018(06)
硕士论文
[1]基于表面肌电信号的人手动作识别研究[D]. 吴颜生.东北师范大学 2019
[2]基于SEMG的肌肉疲劳度评估及其在上肢康复产品设计中的应用研究[D]. 张博文.浙江理工大学 2019
[3]末端牵引人机交互康复中的上肢肌肉协同研究[D]. 张树涛.宁波大学 2018
[4]上肢肌肉疲劳检测与训练控制[D]. 姚又琳.沈阳工业大学 2018
[5]基于sEMG信号的人体上肢动作识别与肌肉疲劳检测[D]. 闫正祥.北京工业大学 2018
[6]基于sEMG的卒中上肢肌肉疲劳监测系统设计[D]. 陆国冉.郑州大学 2018
[7]基于肌电信号的颈肩肌肉疲劳特性研究[D]. 李琰.天津工业大学 2018
[8]胫骨前肌不同时间皮肤预冷刺激进行中低负荷等长收缩时sEMG变化特征[D]. 张特.苏州大学 2018
[9]基于肌电信号的手臂动作识别及虚拟仿真[D]. 王飞.山西大学 2017
[10]基于肌电反馈和虚拟现实的康复系统设计[D]. 杨春华.燕山大学 2017
本文编号：2992871
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/2992871.html
