论文部分内容阅读
近年来,由“脑卒中”（cerebral stroke）等脑血管疾病导致的肢体运动功能障碍的人群越来越多,严重增加了患者家庭和社会的负担。目前,一种主流的方法是通过康复机器人系统对患肢进行康复训练,然而现有的训练系统存在无法根据患者的运动意图和疲劳状态实时调整训练模式的问题,降低了患者的主动参与度,且易造成患肢的继发性损伤,从而影响了康复的效果。为解决此问题,本文采集下肢训练过程中的表面肌电信号（surface Electromyography,sEMG）和心电信号（Electrocardiogram,ECG）进行了下肢运动意图识别和疲劳估计的研究,分别构建了基于sEMG的运动意图识别离线模型和基于sEMG与ECG特征融合的疲劳估计离线模型,并基于下肢康复机器人平台实现了离线模型的在线应用。主要工作如下:首先,依据人体下肢关节主要动作及肌群分析,并结合真实运动功能障碍患者的需求,确定了6组下肢意图动作和3种疲劳状态,进而设计了本文运动意图识别与疲劳估计的sEMG和ECG信号采集实验方案。针对原始信号中存在的噪声干扰,设计了基于小波阈值的线性滤波方法,取得了比小波阈值和滤波器更好的去噪效果。其次,构建了下肢运动意图识别离线模型。针对sEMG信号的动作段提取,通过计算信号滑动窗口分帧后的样本熵特征检测动作的起、止点,提高了动作段提取的精度。对于意图特征,提取了包括能量熵在内的7种sEMG时域、频域、时频域特征,并采用主元分析法降低了特征间的冗余。为实现意图特征的准确分类,提出了基于果蝇优化的概率神经网络运动意图分类方法。通过对单特征和组合特征交叉验证,并依据分类精度、分类时间等评价指标,找到了最佳意图特征组合为ZC+WL+MF+能量熵,识别率为93.33%,实现了6组动作的有效识别。再次,构建了下肢运动疲劳估计离线模型。针对单纯sEMG信号无法准确检测训练疲劳的问题,将sEMG结合同步ECG信号进行疲劳估计的研究,提取了包括肌电频带值、ECGMEAN在内的12种时域、频域、时频域特征。为实现疲劳特征的准确分类,提出了基于粒子群优化sEMG、ECG特征融合系数的多分类支持向量机（PSO-OVO-SVM）疲劳分类方法。通过对单特征和组合特征进行交叉验证,找到最佳的疲劳融合特征为WL+MPF+频带值+ECGMEAN+ECGLF,识别率为98.33%,相比只靠sEMG特征的识别率提高了7.66%,实现了3种疲劳状态的有效识别。最后,为验证所构建的运动意图识别与疲劳估计离线模型的在线应用效果,基于下肢康复机器人平台,设计了基于疲劳估计的被动训练实验,得到疲劳状态在线识别率为85%。同时,设计基于意图识别与疲劳估计的主动训练实验,得到疲劳状态和运动意图的在线识别率分别为87.5%和81.67%。实验表明,本文方法能够有效地提高患者的主动参与度,降低康复疲劳,延长训练时间。