人与机器人协作中的肌肉疲劳预测理论与实验研究

发布时间：2020-10-10 16:23

　　 人与机器人的协同作业是新一代机器人系统研究和发展的方向之一,其目的是减轻人类协作者的负担和提高人机协同作业的效率。人与机器人如何认知彼此的状态是实现人机协同作业的关键。人与机器人在协同作业过程中,人体手臂的肌肉疲劳会影响人机协同作业的质量和效率,而且会增加人类协作者患骨骼肌疾病的风险。因此,对人机协作中的人体肌肉疲劳进行预测具有重要的理论意义和应用价值。表面肌电信号(Surface Electromyogram,SEMG)是在肌肉表面通过电极引导而记录下来的神经肌肉系统活动时的生物电信号,其被认为是目前用来研究肌肉疲劳最有效的工具之一。但人体肌肉疲劳与表面肌电信号之间的内在关系尚有待进一步研究,为此,本文对人机协作中的表面肌电信号处理、抓握力预测、肌肉疲劳预测以及人机协同作业中的部分关键问题进行了研究,主要研究进展如下:(1)针对动态肌肉收缩下的表面肌电信号易受干扰的问题,提出了一种基于小波变换的信号频带选择方法。首先,通过在不同小波尺度下的均方根特征对肌肉收缩的敏感度进行分析,并基于蒙特卡洛模拟获得不同小波尺度对肌肉收缩的灵敏度分布。在此基础上,基于定序组合分析方法对小波尺度组合进行选择,从而确定有效的表面肌电信号频带。最后,通过基于表面肌电信号的握力预测实验验证了基于小波变换的信号频带选择方法的有效性。(2)针对静态与动态肌肉收缩下的握力预测问题,提出了一种基于交叉模型选择的握力预测方法。首先,通过基于小波变换的信号频带选择方法获取动态与静态肌肉收缩下的表面肌电信号;其次,通过交叉验证方法建立表征表面肌电信号和握力关系的九阶多项式;再次,基于系数项选择算法对九阶多项式进行降维研究,分别建立手臂伸肌和屈肌与表面肌电信号的关系模型。最后,通过手臂握力预测实验验证了所提方法的有效性和准确性。(3)针对肌肉疲劳预测问题,建立了基于肌肉力损失的肌肉疲劳预测模型。首先,通过基于小波变换的信号频带选择方法获取疲劳肌肉收缩下的表面肌电信号,并提取表面肌电信号的均方根、平均频率和中值频率;然后,通过蒙特卡洛模拟和皮尔逊相关系数研究了表面肌电信号均方根、平均频率和中值频率在不同频带下对肌肉力损失的敏感度;最后,通过定序组合分析方法和皮尔逊相关系数建立基于肌肉力损失的肌肉疲劳预测模型。(4)针对动态运动中的肌肉疲劳预测进行了实验研究。首先,通过手臂动态运动实验,验证了所提出的肌肉疲劳预测模型在多肌肉协同运动下的有效性;然后,结合肌肉力和肌肉疲劳预测模型,提出了一种机器人末端输出力调节方法,并搭建了相应的人机协作实验系统,通过实验研究人体肌肉疲劳程度与人机交互力的变化,验证了本文所提方法的有效性。
【学位单位】：华南理工大学
【学位级别】：博士
【学位年份】：2019
【中图分类】：TP242
【部分图文】：

第二章 抓握力的表面肌电信号处理 ( ) = ( ) ( ) = ，...，10 是小波尺度的序号，r = 100,200 ...，140,000，yi(p)是 i×100）下的小波尺度 p 灵敏度值。然后，指定个数的随机变tegration)可以按照如下公式计算： ( ) = ∑ ( )

图 3-1 CMS 技术路线3.2 样本数据提取一共有 15 位健康实验参与者参与本次实验（学生：15 名男性，年龄在 22 岁至 3岁（26.1±3.5））。随机选择其中 10 位参与者作为训练组用于建立 CMS 模型，其他 5 位参与者作为验证组评估训练组的 CMS 模型预测性能。参与者在实验过程中的姿势与第

第三章 抓握力预测模型研究择有效系数项。虽然可以对个人的 9 阶多项式进行系数项泛化能力的下降。为了建立适合不同参与者的模型，提出了集的定序组合分析（SCA）方法。从 10 位参与者（训练组项参数并将其进行整合： = ∑ = 者的总数，r = 1，...，R，N = 9 是回归系数项的总数，I 是的程度。整合后将获得 10 个回归系数项趋近零的程度(I)分
【参考文献】

相关期刊论文 前6条

1 曲道奎;;智能制造与新一代机器人技术[J];军工文化;2015年02期

2 张毅;祝翔;罗元;;一种克服sEMG人机交互中肌肉疲劳的SVM算法[J];控制工程;2014年04期

3 王乐军;陆爱云;牛文鑫;龚铭新;赵文楠;;运动诱发局部肌肉疲劳的肌电及脑电协同分析研究进展[J];中国运动医学杂志;2014年02期

4 王乐军;黄勇;龚铭新;陈志勇;许翔;马国强;;小波包分析与人工神经网络相结合探索运动性肌肉疲劳过程中sEMG变化特征[J];体育科学;2009年12期

5 刘洪涛;曹玉珍;谢小波;胡勇;;表面肌电信号的时变AR模型参数评估肌疲劳程度的研究[J];中国生物医学工程学报;2007年04期

6 陈伟婷;王志中;胡晓;李晓浦;;基于熵的动态收缩sEMG信号疲劳特征分析[J];中国医学物理学杂志;2006年03期

本文编号：2835305