基于EMG-KJA神經(jīng)肌骨動力學(xué)模型的下肢動作模式識別及運動軌跡預(yù)測.pdf

1、近年來，截肢患者已成為亟需關(guān)注的特殊社會群體，如何幫助他們有效地提升自理能力、改善生活質(zhì)量不僅是康復(fù)醫(yī)學(xué)領(lǐng)域的重要研究課題，更是各國政府和全社會面臨的一個嚴峻挑戰(zhàn)。肌電假肢可以利用患者殘肢肌電信號自主地控制假肢人機系統(tǒng)實現(xiàn)相應(yīng)動作，被公認為是一種比較理想的缺損肢體功能代償解決方案，其核心技術(shù)在于描述人體神經(jīng)控制與肌骨運動之間關(guān)系的神經(jīng)肌骨動力學(xué)模型。但截至目前，國內(nèi)外神經(jīng)肌骨動力學(xué)研究尚主要集中于手部和上肢，較少涉及到下肢，尤其是專門針

2、對下肢神經(jīng)肌骨動力學(xué)模型開展的動作模式識別及運動軌跡預(yù)測方面的研究還開展的十分有限。
　　本文利用Noraxon無線肌電采集系統(tǒng)和Vicon三維運動捕捉系統(tǒng)，同步采集10名受試者在深蹲、站起、伸膝和行走四種關(guān)鍵動作下的下肢肌電信號和三維運動學(xué)數(shù)據(jù)，經(jīng)濾波、放大等預(yù)處理后，提取預(yù)動作期肌電的4階AR模型參數(shù)、倒譜系數(shù)、奇異值和功率譜熵作為關(guān)鍵動作模態(tài)分類的特征參數(shù)，采用支持向量機（SVM）、隱馬爾科夫模型（HMM）和人工神經(jīng)網(wǎng)絡(luò)（A

3、NN）三種方法進行分類識別。結(jié)果顯示：SVM是辨識下肢動作關(guān)鍵模態(tài)較為理想的分類器，其奇異值的單特征輸入模式平均分類正確率為88.3％，融合時頻特性的多特征輸入模式平均分類正確率為91.3%。
　　在分類識別的基礎(chǔ)上，研究中提取了不同動作下單側(cè)腿肌電信號的均方根（RMS）和中值頻率（MF），結(jié)合對側(cè)腿的反饋角度，分別采用ANN和SVM建立肌電-膝關(guān)節(jié)角度(EMG-KJA)的下肢神經(jīng)肌骨動力學(xué)模型來預(yù)測對側(cè)腿部膝關(guān)節(jié)運動軌跡。研究發(fā)

4、現(xiàn)：兩種信號特征中，RMS的預(yù)測效果略優(yōu)于MF；兩種建模方法中，SVM對各模式的預(yù)測誤差結(jié)果均低于ANN，顯示出了更為準確的建模效果。此外，為提高預(yù)測方式的實時性和在線度，文中還設(shè)計了針對各類動作模式的最優(yōu)肌源通道篩選方案，根據(jù)肌電均方根值與關(guān)節(jié)角度的相關(guān)性，依次去除關(guān)聯(lián)性較低的肌源信號，檢驗預(yù)測結(jié)果，尋求最佳導(dǎo)聯(lián)配置。
　　本文的研究結(jié)果有望對下肢肌電假肢設(shè)計以及相關(guān)神經(jīng)學(xué)、運動學(xué)機理的探究起到促進作用，同時也具備在運動感知、人