论文部分内容阅读
肌张力障碍是目前发病率比较高的一种运动性障碍综合征,这类病症不仅给患者的生活带来行动不便、生活不能自理等问题,甚至还严重的影响了患者的身心健康。传统的临床康复治疗受医师和患者的双重限制存在很多的弊端,而利用表面肌电信号(surface electromyogram,sEMG)与临床医疗的结合,可以通过数据分析定性地对受试者进行诊断评估,从而大大提高了训练效率。信号采集作为数据分析的基础,由于采集过程比较繁琐、采集设备较为昂贵等因素可能会出现某些通道信号缺失或采集存在误差等现象。因此,本论文提出将神经网络模型用于缺失通道的sEMG信号预测,并利用预测得到的sEMG信号提取特征信息对肌张力障碍进行下肢康复评估分析。论文的主要工作如下:首先,根据sEMG信号的产生机理及特点设计实验的总体方案,包括确定电极类型、肌肉组织以及电极的贴放位置、健康受试者、患病受试者以及下肢典型动作等,并完成各个肌肉通道的sEMG信号的采集。其次,对采集sEMG信号时外界干扰的噪声源进行分析,并利用巴特沃斯低通滤波对信号进行滤波处理。本文以Keras深度学习框架为基础,通过搭建深度神经网络(Deep Neural Network,DNN)、支持向量回归(Support Vector Regression,SVR)和栈式自编码(Stack Autoencoder,SAE)模型对健康受试者的股直肌(RF)肌肉的sEMG信号进行预测。最后,对sEMG信号的分析处理进行介绍,包括时域特征提取以及显著性差异分析等。通过提取健康受试者预测数据以及患病受试者采集数据的各个典型动作的特征值信息,并利用显著性水平α=0.05的T-检验对两组受试者各特征值的变异系数之间进行显著性差异分析,从而实现肌张力障碍的诊断评估。本论文提出的利用神经网络模型预测缺失通道sEMG信号的方法取得了很好的实验效果。因此提出的神经网络模型可以有效的用于有限通道的肌电图捕获和缺失通道信号的计算,不仅节省了时间和精力,还节省了捕获设备的费用。同时利用时域特征值提取并进行显著性差异分析的方法也可以有效地对两组受试者进行区分诊断,从而为后续的研究奠定了基础。