论文部分内容阅读
随着社会老龄化阶段的到来,脑卒中导致的偏瘫患者急剧增加,患者需要接受物理康复训练,以重获手部运动能力。手部运动相关的康复训练需要长期反复执行,而康复治疗师数量有限,无法满足临床需求。且研究表明将表征患者主动的运动意图的表面肌电(Surface Electromyography,sEMG)信号融入到手部康复训练中,能够诱发和增强有益的神经可塑性,促进运动功能康复。因此,基于肌电控制的手部康复机器人已经成为研究的热点。本文首先对sEMG信号的产生机理及其与神经可塑性、手部运动功能康复的关系进行分析;提出了一种基于sEMG信号手部自主康复方法,将患者的主动运动意愿用于康复训练,通过运动再学习及神经肌肉电刺激的方法促进手部运动功能康复。其次,针对sEMG信号的微弱性、随机性、非平稳性、混叠度高的特点,采用了一种基于改进人工蜂群(Artificial Bee Colony,ABC)优化的盲源分离算法,对采集到的sEMG信号进行去混叠处理。同时,对于传统sEMG信号特征不能够完全表征手部动作模式的问题,提出一种组合特征提取的方法,并采用二叉树支持向量机(Binary Tree Support Vector Machine,BT-SVM)对六种手部常见动作进行识别,识别率达到93.33%。最后,针对传统手部动作模式识别系统鲁棒性差的问题,采用了一个基于卷积神经网络(Convolutional Neural Network,CNN)的手部动作模式识别方法。通过时间窗口划分策略将时序高密度sEMG信号转化为肌电强度图,然后根据肌电强度图的特性设计CNN。同时对比了时间窗大小对手部动作模式识别精度和实时性的影响,最终将延时控制在40ms左右,其平均识别精度为98.05%。