面向外骨骼机器人的EEG-EMG混合信息人体运动意图识别方法

发布时间：2020-10-29 16:47

　　 随着市场对康复机器人的需求不断高涨,助行下肢外骨骼机器人飞速发展。自然的交互方式是助行机器人需要研究的一个重要课题。传统的脑机接口实验与实际的应用情景之间存在着较大的鸿沟。一方面,很多脑电实验是在没有额外刺激与电磁干扰的理想环境下完成的,而且还要求实验对象尽量减少肢体运动,这与设备穿戴环境大相径庭。另一方面,虽然也有许多应用到实际情景中的脑机接口。然而,这些应用往往只区分少数几个经典的动作模式,而且实验对象产生指令的行为与指令的含义并不对应,例如想象双手抓握代表后退运动。而本文将尝试使用动态生物信号(EEG、EMG)自然地识别出外骨骼机器人穿戴者运动意图。主要研究内容如下:首先,本文研究了受试者穿戴外骨骼进行不同动作时脑电和肌电的采集方法,探索了不同的动作设计和信号采集方案,最终形成复杂环境中动态EEG、EMG的有效采集方法。数据采集实验共招募了7名20-27岁成年健康男性受试者,进行了70组,实验动作包括起立、坐下、行走迈左脚、行走迈右脚等,产生样本共计约7200个。整个实验历时一年有余,为后文的运动意图研究提供了坚实的数据基础。其次,本文研究了运动意图识别的特征提取与二分类问题。二分类的研究可以分析不同动作时受试者脑电和肌电的模式,并为下文在线运动意图识别方法提供支持。本文设计算法基于IMU完成动作标定与事件分割,将10种事件两两配对,对共计45对事件对进行二分类。我们尝试了多种特征提取方法和分类方法,其中包括PCA、ICA、CSP、LDA、SVM、感知机、对数几率回归等,文中着重对比了基于CSP或ICA和基于LDA或SVM的方法,CSP与LDA方法模型简单适用于意图识别任务,平均的平衡准确率为82.87%。最后,本文提出了在线运动意图识别框架与方法,重点研究了多分类器和二分类器在此在线框架下的作用与效果。考虑到EEG、EMG在意图识别中各自的特点以及它们之间的时序关系,本文先基于EEG信号完成对状态的多分类,再基于EMG信号完成子动作的精确二分类,其中意图识别的多分类采用神经网络或二分类集成完成,二分类基于神经网络或CSP线性模型完成。经过验证,该方法可以较好地完成在线运动意图识别任务,这证明了穿戴者自然运动的脑电肌电模式是可以完成各运动的区分的,也表明了EEG-EMG接口在穿戴机器人中的应用前景。
【学位单位】：电子科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP242
【部分图文】：

人体运动回路[33]

图 1-2 运动意识和意图的解剖学功能框架[38]运动意图从大脑皮层的中央前回和运动前区产生，这里的皮质脊髓束的上运动神经元（UMN）——锥体细胞或 Betz 细胞——轴突深入放射冠。继而通过内囊下降到中脑和延髓。皮质脊髓束纤维终止于同侧的脊髓前角细胞。从这里起就是皮

运动前区和顶叶区产生运动意图
【参考文献】

相关期刊论文 前1条

1 佟丽娜;侯增广;彭亮;王卫群;陈翼雄;谭民;;基于多路sEMG时序分析的人体运动模式识别方法[J];自动化学报;2014年05期

本文编号：2861181