论文部分内容阅读
肌力预测是生物医学工程中一个热门研究方向,其成果可推动包括康复训练、临床决策、假肢控制等多个领域的发展,对工业生产、社会民生具有重大意义。表面肌电具有获取容易、安全无创且信息丰富的特点,因而成为肌力预测研究中应用最为广泛的手段。多年来,研究者从肌电信号处理和肌力预测模型建立两方面优化了基于表面肌电的肌力预测效果。然而,当前研究大多局限于用户相关或多用户下的非疲劳肌力预测,甚少考虑肌疲劳对肌力预测的影响。为克服肌疲劳带来的肌力预测精度下降,扩展肌力预测模型的应用范围,本文开展了肌疲劳状态下的肌力预测研究,主要研究内容及成果如下:(1)募集了青年男性、青年女性、中老年男性三组共24名受试者,基于高密度电极阵列开展了肱二头肌静态等长收缩实验,对所得数据进行了包含滤波、主成分分析(PCA)、非负矩阵分解(NMF)的多步预处理,并从中提取了均方根值(RMS)、平均功率频率(MPF)、谱矩参数(FInsm5),以及肌电-肌力延迟参数(EMD)。(2)开展了基于肌疲劳参数的肌力预测模型修正研究。基于三种肌疲劳参数及肌电-肌力时延,对多项式拟合模型和简化Hill模型提出了修正方案。该方案在肌疲劳参数与模型参数间建立非线性关系,使肌力预测模型获得随肌疲劳累积调整自身参数取值的能力。经测试,本文所提方案能够部分消除肌疲劳对肌力预测模型造成的影响,提升疲劳情况下肌力预测精度,多项式拟合模型修正效果最为显著,简化Hili模型效果较弱。(3)开展了基于神经网络的疲劳状态下的肌力预测研究。通过对样本集进行合理划分与扩展,实现了基于卷积神经网络(CNN)、长短时记忆网络(LSTM)以及二者的混合网络(C-LSTM)的高精度肌力预测。在用户相关、多用户、用户无关三种情景下的测试结果显示,本文所训练的网络能够出色地适应不同疲劳程度、发力水平和发力模式,其中以C-LSTM效果最好,LSTM次之,CNN再次。本文研究成果有助于揭示肌肉在长期收缩中的行为特征变化规律,并为肌力预测研究提供了新的思路、引入了新的方法,使其应用场景向着更为精确、更为通用的方向迈进了一步,对康复医疗、临床诊断、体育训练等领域具有重大价值。