基于sEMG信号的上肢自主康复训练动作模式识别

发布时间：2017-04-11 03:04

  本文关键词：基于sEMG信号的上肢自主康复训练动作模式识别，由笔耕文化传播整理发布。

【摘要】：偏瘫通常由脑卒中等脑神经系统疾病引起,患者大多不同程度的丧失日常生活活动(Activities of Daily Living, ADL)能力。开展机器人辅助患者上肢自主康复训练,可以克服临床康复的不足,配合一定的康复模式,对于恢复患者ADL能力具有重要的临床以及社会意义。利用患者健侧上肢引导康复训练机器人以辅助患侧上肢执行运动训练是一种可行的自主康复训练方式,对健侧上肢进行动作追踪是实现康复机器人控制的重要方面。表面肌电信号(surface electromyography, sEMG)可以直接反映人的神经肌肉活动,且采集方便,安全无创,能够顺应偏瘫患者生理状态的特殊性而被广泛用做康复机器人的控制源,其中,基于sEMG信号的动作模式识别被用于实现上肢动作追踪。研究sEMG信号动作模式识别的原理与方法,并对提高模式识别精度、速度以及康复系统的便携易用性等方面进行研究,对于提高患者临床康复效果、保障临床应用安全性等方面具有重要价值,对于完善生物信号模式识别以及机械工程理论,解决工程实践问题具有重要意义。为更好的实现基于sEMG信号的机器人辅助偏瘫患者进行上肢自主康复训练,文本重点对sEMG信号多阶特征空间构造方法；信号通道约简；支持向量机上肢动作多类样本分类策略以及康复训练丰富环境等方面进行研究。对多类上肢康复动作模式及多通道sEMG信号进行分析,研究了二者之间的关联模型,根据神经系统可塑性与运动再学习理论,提出了机器人辅助偏瘫患者健侧上肢自主引导患侧上肢执行运动训练的康复方案。分析了人体上肢解剖学结构与肌肉功能分布,并根据日常生活中上肢运动特点,确定了与肩、肘关节相关的六类上肢康复训练动作模式,建立了相关肌肉与多通道sEMG信号的关联,同时确定了sEMG信号采集位置。根据sEMG信号特点,构建了sEMG信号采集系统,制定了多通道sEMG信号采集方案,实现了健侧动作模式向多通道sEMG信号的转换。通过对sEMG信号采集结果进行分析,归纳出了sEMG信号与上肢动作模式之间的特点与规律,提出了基于sEMG信号的动作模式识别目标与方法,实现了sEMG信号向患侧动作模式的转换,从而构建了自主康复训练技术体系。通过对sEMG信号进行非高斯性分析,研究了多阶特征空间构造方法。通过偏斜度和峰度计算,验证了sEMG信号含有非高斯成分。鉴于非高斯成分富含了sEMG信号的大量信息,对于提高基于sEMG信号的上肢动作分类精度具有重要价值,针对常用的基于低阶统计量的时域与频域联合特征不能表征信号非高斯信息的问题,研究了基于三阶统计量双谱的特征提取方法,提取了双谱切片积分特征。为解决双谱切片积分特征空间维数过高的问题,应用主成分分析法(Principal Component Analysis, PC A)进行了降维处理。将降维后的双谱特征与时域特征积分肌电值相联合,构成了多阶特征空间(BisIE)。以上肢动作分类准确率为指标,并通过与基于二阶统计信息功率谱的特征空间(MMIE)相对照进行了实验研究,结果显示,基于双谱与时域特征的联合特征空间BisIE获得了较好的上肢动作分类效果,表明BisIE特征空间是有效的,为更有效表征含有非高斯信息的信号提供了方法。通过多变量选择原理,研究了sEMG信号通道约简方法。对原始通道信号相关性与BisIE特征空间分布情况进行了分析,结果显示各通道间存在冗余与无效信息,表明了通道约简具有可行性。研究改进了ReliefF算法,计算了各通道特征对于动作模式分类的贡献率并进行了排序,得到了通道有效性序列。采用逆序递减方法依次约简了贡献率最低的通道,以聚类分离度指标为工具,对剩余通道特征组合进行了可分性分析,最终实现了通道约简。信号通道约简后,在保证较高分类准确率的前提下,降低了通道数量,对动作分类速度以及后期康复应用的实时性、便携性等方面具有重要影响,并为信号通道约简提供了理论依据。针对一对一支持向量机(One-Versus-One Support Vector Machine, OVO-SVM)多类样本分类策略的局限性,根据上肢动作特点,研究了支持向量机(Support Vector Machine, SVM)上肢动作多类样本分类方法,提出了两步支持向量机上肢多模式动作分类策略(Two Step Support Vector Machine, TS-SVM).根据上肢动作分类的特点,对OVO-SVM多类样本分类策略进行了改进,将六类上肢动作分为两个层次,并通过两步进行分类决策,第一步在第一层中划分大类,第二步在第一步分类结果基础上进行分类决策,产生最终分类结果。改进后的TS-SVM策略,解决了OVO-SVM策略应用繁琐,实时性差的问题,减少了所需训练的分类器数量以及分类决策次数,提高了分类的时间效率,并保持了较高的分类准确率,有利于提升后期临床应用的实时性与易用性。应用康复医学理论、虚拟现实与上肢康复训练机器人技术,研究了康复训练丰富环境。依据残疾人康复需求层次理论,以训练患者ADL能力为主要目标,制定了康复训练策略,构建了上肢自主康复训练环境,并设计了两种训练模式。通过运行测试,所构建康复训练环境能够为患者提供良好的康复训练支持,所研究的肌电控制方法精确、有效。论文重点对用于康复训练机器人控制的sEMG信号模式识别技术,以及康复训练环境进行了研究,研究结果对于偏瘫患者开展机器人辅助上肢自主康复训练具有理论与临床意义。本研究尚存在一些不足,在以下方面仍需深入研究与完善：(1)研究动作幅度、速度以及多自由度复合运动等与sEMG信号的关系；以实现更自然的机器人辅助患者上肢自主康复训练。(2)扩大受试者样本规模,以不同年龄阶段、性别以及临床状态的患者作为样本进行综合研究。
【关键词】：上肢自主康复训练 机器人 sEMG信号 多阶联合特征提取 通道约简
【学位授予单位】：山东大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：R49;TP242
【目录】：

• 摘要13-16
• ABSTRACT16-20
• 第1章 绪论20-38
• 1.1 研究背景及意义20-22
• 1.2 基于上肢康复训练机器人自主康复训练的研究22-26
• 1.2.1 上肢康复训练机器人研究进展22-23
• 1.2.2 基于动作追踪的康复训练机器人控制23-25
• 1.2.3 康复模式25-26
• 1.3 基于sEMG信号的康复训练机器人控制26-32
• 1.3.1 sEMG信号作为控制源的产生26
• 1.3.2 基于sEMG信号模式识别的肌电控制26-29
• 1.3.3 表面肌电信号模式识别关键技术29-32
• 1.4 研究问题及技术路线32-35
• 1.5 研究目标及内容35-38
• 1.5.1 研究目标35
• 1.5.2 内容及组织安排35-38
• 第2章 基于sEMG信号的机器人辅助上肢自主引导康复方案38-54
• 2.1 自主训练方式下的上肢运动康复方案38-41
• 2.1.1 神经系统可塑性原理38-39
• 2.1.2 运动再学习方法39-40
• 2.1.3 康复方案40-41
• 2.2 上肢主要动作模式41-45
• 2.2.1 上肢解剖学结构与肌肉分布41-43
• 2.2.2 上肢动作模式与相关肌肉43-45
• 2.3 上肢动作模式相关的sEMG信号45-49
• 2.3.1 上肢动作模式相关肌肉与多通道sEMG信号分析45-46
• 2.3.2 sEMG信号采集46-49
• 2.4 基于sEMG信号的动作模式识别49-53
• 2.4.1 sEMG信号与上肢动作模式的关系与规律50-52
• 2.4.2 基于sEMG信号的动作模式识别方法52-53
• 2.5 本章小结53-54
• 第3章 sEMG信号多阶联合特征空间构造54-72
• 3.1 上肢sEMG信号非高斯性判定54-56
• 3.2 特征空间构造方案56-57
• 3.3 高阶统计量与双谱理论57-59
• 3.4 双谱特征59-65
• 3.4.1 双谱矩阵的估计59-60
• 3.4.2 双谱特征提取60-62
• 3.4.3 双谱特征空间降维62-65
• 3.5 联合特征空间构造65-66
• 3.6 特征空间有效性评价66-69
• 3.7 本章小结69-72
• 第4章 基于ReliefF的sEMG信号通道约简72-92
• 4.1 通道可约简性分析73-76
• 4.1.1 信号通道相关性分析73-75
• 4.1.2 特征空间分布75-76
• 4.2 基于ReliefF的通道约简76-84
• 4.2.1 通道约简方案76-77
• 4.2.2 Relief简介77-79
• 4.2.3 基于ReliefF的sEMG信号通道有效性判定79-82
• 4.2.4 特征可分性分析82-84
• 4.3 通道约简结果84-86
• 4.4 通道约简结果评价86-90
• 4.4.1 通道约简对分类精度的影响86-87
• 4.4.2 通道约简对分类速度的影响87-90
• 4.5 本章小结90-92
• 第5章 TS-SVM多类分类策略及上肢动作分类92-110
• 5.1 SVM原理92-97
• 5.1.1 两类SVM分类92-95
• 5.1.2 多类SVM分类95-96
• 5.1.3 OVO-SVM用于上肢动作分类的局限性96-97
• 5.2 TS-SVM多类分类策略97-100
• 5.2.1 多步SVM分类策略97-98
• 5.2.2 TS-SVM上肢动作分类策略98-100
• 5.3 TS-SVM上肢动作分类100-104
• 5.3.1 样本设置100-101
• 5.3.2 分类器设置101-102
• 5.3.3 动作分类过程102-104
• 5.4 TS-SVM分类结果评价104-107
• 5.4.1 分类器数量与分类决策次数104-105
• 5.4.2 分类准确率105
• 5.4.3 分类器训练时间105-106
• 5.4.4 模式分类时间106-107
• 5.5 本章小结107-110
• 第6章 面向ADL能力的虚拟现实上肢康复训练环境110-128
• 6.1 ADL康复需求与康复训练策略110-113
• 6.1.1 康复需求110-111
• 6.1.2 训练策略111-112
• 6.1.3 训练模式112-113
• 6.2 康复训练环境总体框架113-122
• 6.2.1 组成及工作原理113-115
• 6.2.2 康复训练机器人系统115-117
• 6.2.3 虚拟现实系统及任务场景117-122
• 6.3 康复训练软件122-124
• 6.3.1 功能模块122-124
• 6.3.2 通讯与交互设计124
• 6.4 康复训练环境运行测试124-126
• 6.5 本章小结126-128
• 总结与展望128-132
• 参考文献132-154
• 攻读博士学位期间发表的论文及参与课题154-156
• 致谢156-158
• 外文论文158-182
• 附件182

【参考文献】

中国期刊全文数据库 前4条

1 黄莉莉;汤进;孙登第;罗斌;;基于多标签ReliefF的特征选择算法[J];计算机应用;2012年10期

2 马说邯;刘欣博;马齐爽;;高阶累积量在红外热像损伤检测信号分析中的应用[J];红外与激光工程;2013年05期

3 卓大宏;现代康复功能训练的新概念与新技术[J];中国康复医学杂志;2003年07期

4 宋海燕;张建国;;人体日常生活活动基本动作的提取研究[J];中国康复医学杂志;2009年05期

  本文关键词：基于sEMG信号的上肢自主康复训练动作模式识别，，由笔耕文化传播整理发布。

本文编号：298145