论文部分内容阅读
人类的肢体运动是骨骼在肌肉收缩的牵引下围绕关节运动产生的。测量或估计骨骼肌收缩力是探究运动行为和状态的基础。骨骼肌收缩时会产生肌力和肌电(Electromyogram,EMG),利用EMG估计肌力是一个广泛而实用的技术。通过EMG分解技术可得到单个运动单位的发放序列和动作电位波形信息(即微观神经驱动信息),其本质是单个运动神经元接受的来自中枢神经系统的驱动指令。多年来,基于表面肌电(surface EMG,sEMG)信号的宏观特征进行肌力估计的研究已被广泛报道,但基于微观神经驱动信息的肌力估计还未得到很好的研究。使用sEMG的宏观特征进行肌力估计缺乏对肌力产生的内在机制的描述且肌肉持续收缩产生的肌疲劳现象会影响sEMG信号特性,导致肌力估计精度下降。为实现高精度的肌力估计且不受肌肉疲劳的影响,开展了基于微观神经驱动信息的肌力估计研究。主要研究成果与贡献归纳如下:(1)基于微观神经驱动信息的肌力估计方法。该方法首先对预处理后的高密度sEMG使用逐步独立向量剥离算法进行分解,得到各运动单位的动作电位波形和其发放序列,然后采用机器学习方法构建各运动单位的动作电位波形和颤搐力幅度之间的关系,通过肌力形成的生理学模型计算各运动单位的颤搐力贡献并累加以获得整体肌力。为验证该方法的有效性,设计实验采集了高密度sEMG和实际力度。此外,通过与四种常规方法(基于sEMG包络,基于sEMG均方根,基于运动单位发放率,基于运动单位募集顺序)的比较,表明了该方法在肌力估计性能上的优越性。(2)基于微观神经驱动信息的肌力估计方法在肌疲劳状态下的适用性研究。肌肉疲劳包含神经调控的因素,会影响到sEMG信号特性,造成肌力估计的偏差。所提方法直接使用高密度sEMG分解后的微观神经驱动信息,反映了神经调控的变化,应该具有不受肌肉疲劳影响的特点。为了验证这一假设,开展了疲劳实验。通过使用所提方法和基于包络的方法实现肌力估计的结果表明疲劳状态下基于包络方法肌力估计性能明显下降,而所提方法可以不受疲劳因素的影响。该研究证实了假设的正确,表明了该方法在疲劳状态下的适用性。基于微观神经驱动信息的肌力估计方法遵循了肌力产生的生理过程,考虑了不同运动单位对肌力形成贡献程度的差异,实现了高精度的肌力估计且在疲劳状态下具有适应性。同时,在精密的运动控制和康复医学领域具有广泛的应用价值。