CN109262618B - 基于肌肉协同的上肢多关节同步比例肌电控制方法与系统 - Google Patents

基于肌肉协同的上肢多关节同步比例肌电控制方法与系统 Download PDF

Info

Publication number
CN109262618B
CN109262618B CN201811517538.4A CN201811517538A CN109262618B CN 109262618 B CN109262618 B CN 109262618B CN 201811517538 A CN201811517538 A CN 201811517538A CN 109262618 B CN109262618 B CN 109262618B
Authority
CN
China
Prior art keywords
muscle
activation
joint
matrix
cooperative
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811517538.4A
Other languages
English (en)
Other versions
CN109262618A (zh
Inventor
艾青松
张亚男
刘泉
陈昆
孟伟
左洁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN201811517538.4A priority Critical patent/CN109262618B/zh
Publication of CN109262618A publication Critical patent/CN109262618A/zh
Application granted granted Critical
Publication of CN109262618B publication Critical patent/CN109262618B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Rehabilitation Tools (AREA)

Abstract

本发明公开了基于肌肉协同的上肢多关节同步比例肌电控制方法与系统，所述方法包括：首先对关节运动相关肌群的表面肌电信号进行采集并预处理，根据肌肉协同收缩模型，提供一种半监督式的非负矩阵分解协同分析方法对肌电信号进行解耦，有效提取关节运动相关的肌肉协同元及其激活系数序列；其次通过支持向量回归构建激活系数和关节角度的协同激活模型，并采用头脑风暴算法对模型参数进行优化选择，实现上肢多个关节运动角度信息的同步估计；最后结合多自由度并行比例肌电控制策略，构建基于肌肉协同的上肢多关节同步比例肌电控制系统，将估计的多关节运动角度信息转化为康复辅助设备多自由度的运行位移，为康复辅助设备提供流畅稳定的运动控制指令。

Description

基于肌肉协同的上肢多关节同步比例肌电控制方法与系统
技术领域
本发明属于肌电信号处理及肌电控制领域，涉及肌肉协同分析方法和基于协同激活模型的多关节同步连续运动估计方法，特别涉及基于肌肉协同的上肢多关节同步比例肌电控制方法与系统。
背景技术
表面肌电信号(surface Electromyography,sEMG)因其抗干扰性好易获取，且包含丰富的运动控制信息，被广泛应用于康复机器人、智能假肢和人机交互等领域。sEMG信号中包含的丰富信息能够反映肢体的运动意图和运动状态，为智能康复辅助设备提供多种不同模式的运动控制指令，与其它依靠按钮或者人工语音操控的辅助设备相比，肌电控制有着更好的控制本能性，患者使用起来更加灵活自然，也更能从心理上接纳。
当前的肌电控制接口主要采用动作模式分类的方法，这种方法虽然能够取得较好的分类准确率，但在这种控制策略下，设备的运行速度、位移等参数都是预先设定的，并且运动控制过程中多类动作之间的转换存在“模糊期”，导致智能辅助设备运行不流畅，这大大降低了该方法的实用性。为了实现对康复辅助设备连续流畅的控制，使控制过程更加灵活和直观，使控制量有更加明确的物理意义，采用表面肌电信号估计运动过程中关节的连续运动信息，来获取连续流畅的肌电控制指令逐渐受到关注。
在连续运动估计方面，国内外学者主要采用骨骼肌肉模型法和黑箱法这两类方法，均取得了不错的效果，获得了较高的估计准确率。但是这些研究大都是针对单关节单自由度的序列运动，而人体的自然运动往往是多关节多自由度的同步运动。为了解决多自由度运动问题，近年来一种新的基于肌肉协同分析的连续运动估计方法正得到广泛的研究和应用。
因此，本发明在准确有效的肌肉协同分析的基础上，建立协同激活模型实现上肢多关节的同步连续运动估计，并结合多自由度并行比例控制策略，搭建上肢多关节同步比例肌电控制系统，实现智能设备多自由度的同步连续运动控制，使其具备完整复现人体自然运动的潜能。
发明内容
本发明一方面的目的在于提供一种基于肌肉协同的上肢多关节同步比例肌电控制方法，包括：
S1，对于上肢腕关节和肘关节的单独屈伸运动和同步屈伸运动过程中的表面肌电信号进行采集，并对采集的信号进行预处理；
S2，采用一种半监督式非负矩阵分解方法进行肌肉协同分析，具体包括：
S21，对预处理之后的表面肌电信号计算积分肌电值IEMG作为肌肉激活度矩阵f(E)；
S22，根据肌肉协同理论构建肌肉协同模型f(E)N×T＝WN×K×H(t)K×T；
设定单个关节屈伸运动的协同元个数为2，对单独腕关节运动时的肌肉激活度进行NMF分解，得到两个肌肉协同元W1,W2；对单独肘关节运动时的肌肉激活度进行NMF分解，得到两个肌肉协同元W3,W4；其中，Wi＝[w1i,w2i,…,wNi],(i＝1,2,3,4)，wni(n＝1,2,...,N)代表第n块肌肉对第i个肌肉协同元Wi的贡献度；
取多组肌电信号样本，多次计算Wi，并分别对每个Wi的多组计算结果取均值处理，最终得到的四个Wi(mean)按列组合即可获得作为监督元的总体肌肉协同元矩阵W＝[W1(mean)W2(mean)W3(mean)W4(mean)]；
S23，提取出激活系数序列H(t)＝W+·f(E)，式中W+为协同元矩阵W的M-P逆；
S3，通过支持向量回归分别构建上肢腕关节和肘关节的激活系数序列和关节角度信息的协同激活模型，利用所述协同激活模型对上肢运动过程中腕关节和肘关节的角度进行同步估计。
在上述的方法，所述协同激活模型的训练方法包括：同步采集腕关节和肘关节运动过程中的表面肌电信号和角度信号并进行预处理；提取肌肉激活度矩阵f(E)，获取协同元矩阵W，提取出激活系数序列H(t)；将激活系数序列H(t)低通滤波预处理后归一化到[0,1]区间作为协同激活模型的输入，对相应关节的实测角度值进行相同区间的归一化处理，作为目标值进行模型的训练。
在上述的方法，利用Sj＝αj·θj+βj(j＝1,2)多自由度并行比例肌电控制策略将估计出的所述角度信息转化为智能设备多个自由度的连续运行位移，其中，Sj是智能设备第j个自由度的目标位移，αj是相应的比例系数，θj为人体上肢运动过程中估计出的两个关节角度，其中j＝1代表腕关节，j＝2代表肘关节，βj则表示修正系数。
在上述的方法，将所述位移数据输出至智能设备。
在上述的方法，采集表面肌电信号时肌电电极放置在桡侧腕长伸肌、桡侧腕屈肌、肱二头肌和肱三头肌，获取四通道肌电信号。
在上述的方法，对采集的表面肌电信号的预处理包括依次进行的高通滤波预处理和去基线处理。
在上述的方法，通过下式的乘性迭代规则来进行初级NMF分解获取W矩阵和H矩阵的初值：
Figure BDA0001902380520000031
通过下式的加性迭代规则进行二级NMF分解求得所需的协同元矩阵：
Figure BDA0001902380520000032
在上述的方法，协同激活模型采用头脑风暴优化算法进行模型参数的优化选择。
本发明另一方面的目的在于提供一种基于肌肉协同的上肢多关节同步比例肌电控制系统，包括处理器；存储器；以及计算机程序；其中，所述计算机程序被存储在所述存储器中，并且被配置为由所述处理器执行，所述计算机程序包括用于执行上述技术方案所述的方法的指令。
本发明针对上肢多关节运动解析问题，提供了一种半监督式非负矩阵分解协同分析方法，能够实现多关节运动有效解耦，并获取更加稳定的激活系数序列。本发明协同元表征的是腕关节、肘关节两个屈/伸自由度，每个自由度用两个协同元来表示，因此一共是4个协同元，但这4个协同元与两个关节屈/伸自由度上所有的运动都是相关的，相比于传统代表离散动作的协同元，更能体现连续运动的思想。采用头脑风暴算法优化的SVR构建激活系数序列和关节角度信息的协同激活模型，能够实现上肢多关节同步连续运动估计，且运动估计效果更加精确稳定。结合多自由度并行比例肌电控制策略，搭建上肢多关节同步比例肌电控制系统，能够为智能设备提供更加流畅稳定的控制指令，且控制系统的交互性更强。
附图说明
图1为本发明基于肌肉协同的上肢多关节同步比例肌电控制方法的整体流程图。
图2为半监督式NMF协同分析方法流程图。
图3为基于肌肉协同的上肢多关节同步比例肌电控制系统结构框图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1示出了基于肌肉协同的上肢多关节同步比例肌电控制方法的整体流程，利用肌肉协同收缩理论在解决多自由度运动问题的优势，提供一种半监督式的肌肉协同分析方法提取运动相关激活系数序列，并通过支持向量回归(Support Vector Regression,SVR)构建协同激活模型同步估计出上肢腕关节和肘关节的运动角度信息，最后结合多自由度并行比例控制策略搭建上肢多关节同步比例肌电控制系统，为智能设备提供流畅稳定的运动控制指令。
一种基于肌肉协同的上肢多关节同步比例肌电控制方法，包括：
S1.表面肌电信号的采集及预处理
对于上肢腕关节和肘关节的单独屈伸运动和同步屈伸运动过程中的表面肌电信号进行采集，并对采集的信号进行预处理。腕关节单独屈伸运动定义为Dof-1，肘关节单独屈伸运动定义为Dof-2，两个关节的同步屈伸运动定义为Dof-1&2。表面肌电信号的采集过程中肌电电极放置在作用于腕关节和肘关节屈伸运动的四块肌肉：桡侧腕长伸肌、桡侧腕屈肌、肱二头肌和肱三头肌，获取四通道肌电信号。对采集的表面肌电信号进行高通滤波预处理，之后进行去基线处理，即每个通道的肌电信号减去手臂放松状态下对应通道的肌电信号初值。
S2.提供一种半监督式非负矩阵分解方法进行肌肉协同分析，具体包括以下子步骤：
S21.肌肉激活度提取对预处理之后的表面肌电信号计算积分肌电值(IntegratedEMG,IEMG)作为肌肉激活度矩阵f(E)，
Figure BDA0001902380520000051
其中n表示的是分析窗口的窗口长度，xi(i＝1,2,...,n)表示分析窗口中第i个sEMG信号的采样值。计算得到的特征矩阵f(E)作为肌肉激活度用于后续NMF分解来得到肌肉协同元矩阵W和就激活系数矩阵H，计算肌肉激活度时采用非叠加的滑动时间窗，窗口长度可设定为100ms。
S22.协同元矩阵训练
根据肌肉协同理论构建肌肉协同模型f(E)N×T＝WN×K×H(t)K×T，式中f(E)N×T为运动过程中的肌肉激活度，WN×K为肌肉协同矩阵，HK×T为激活系数矩阵，N是肌肉通道数，T是信号的样本点数，K是协同元的个数。
利用级联的非负矩阵分解方法(Non-negative Matrix Factorization,NMF)求解协同元矩阵，通过下式的乘性迭代规则来进行初级NMF分解获取W矩阵和H矩阵的初值：
Figure BDA0001902380520000052
通过下式的加性迭代规则进行二级NMF分解求得所需的协同元矩阵：
Figure BDA0001902380520000053
本发明将肌肉协同模型和NMF算法结合，根据肌电信号特征f(E)与肌肉协同矩阵W，以及激活系数矩阵H之间的关系f(E)＝WH+E分解得到W和H，其中E代表的是分解误差。假设分解误差服从高斯分布，那么应用最大似然函数可得到目标函数
Figure BDA0001902380520000054
为使目标函数最小，可通过梯度下降法得到W和H的乘性迭代法则，如前两个公式所示。假设分解误差服从泊松分布，目标函数为
Figure BDA0001902380520000055
类似得到迭代法则如后两个公式所示。本发明取乘性迭代规则(前两公式)来进行初级NMF分解获取W矩阵和H矩阵的初值，选取加性迭代规则进行二级NMF分解求得所需的肌肉协同矩阵及其系数矩阵。
本发明研究对象为肘、腕两个关节的背屈/跖屈自由度，设定每个关节的屈伸自由度对应两个协同元，那么共需要4个肌肉协同元来参与研究，例如，对单独腕关节运动(Dof-1)时的肌肉激活度进行NMF分解，得到两个肌肉协同元W1,W2；对单独肘关节运动(Dof-2)时的肌肉激活度进行NMF分解，得到两个肌肉协同元W3,W4。Wi＝[w1i,w2i,…,wNi],(i＝1,2,3,4)，wni(n＝1,2,...,N)代表第n块肌肉对第i个肌肉协同元Wi的贡献度，即这块肌肉在这个协同元中所占的比重。
本发明所强调的创新点在于对于一名受试者通过NMF分解得到的肌肉协同元的稳定性，同时要求这种半监督式的NMF具有较好的泛化能力，即对多名受试者都具有很好的效果，因此可以提供一个分解结果的“参考”，即监督元。所以，本发明选取多名受试者的肌电信号数据样本提取每个人的肌肉协同元，并且每个协同元Wi都是一个列向量，这样按列组合，就能得到每名受试者的肌肉协同元矩阵[W1,W2,W3,W4]。再将结果得到的多组肌肉协同元矩阵取均值，将均值作为监督元，W＝[W1(mean),W2(mean),W3(mean),W4(mean)]。
S23.激活系数序列提取
对于腕关节或肘关节单独运动以及两个关节同步运动时的表面肌电信号，按照步骤S21获取其肌肉激活度f(E)，利用步骤S22中求得的总体肌肉协同元矩阵W，结合下式Moore-Penrose广义逆求解方法，即可提取出激活系数序列：
H(t)＝W+·f(E)
其中，W+为协同元矩阵W的M-P逆。
S3.构建协同激活模型实现上肢多关节同步连续运动估计
通过支持向量回归(Support Vector Regression,SVR)构建激活系数序列和关节角度信息的协同激活模型，模型类型选择为ε-SVR，核函数选为RBF核函数，并采用头脑风暴优化算法(Brain Storm Optimization，BSO)对模型参数进行优化选择。本发明对上肢两个关节(腕关节和肘关节)分别建立一个BSO优化的SVR协同激活模型，来同步估计两个关节的运动角度信息。
在模型训练阶段，同步采集关节运动过程中的sEMG信号和角度信号并进行预处理，其中sEMG信号的采集及预处理参照步骤S1，角度信号则采用关节角度传感器采集，进行滑动平均滤波之后，再将其降到10Hz实现与肌电信息的同步。按照步骤S21提取肌肉激活度矩阵f(E)，按照步骤S22获取协同元矩阵W，按照步骤S23提取出激活系数序列H(t)。对激活系数序列进行1Hz低通滤波预处理后将其归一化到[0,1]区间，作为SVR协同激活模型的输入；对相应关节的实测角度值进行相同区间的归一化处理，作为目标值进行模型的训练。
在运动估计阶段，对于在线采集的sEMG信号，按照所述协同分析方法步骤S21提取肌肉激活度矩阵，直接使用模型训练阶段获取的协同元矩阵W，按照步骤S23提取出激活系数序列H(t)，将其进行与训练阶段相同的预处理和归一化，输入到训练好的SVR协同激活模型中；按照训练阶段的实测角度归一化参数对输出值进行反归一化，即可得到估计角度值。
利用多自由度并行比例肌电控制策略将估计出的所述角度信息转化为智能设备多个自由度的连续运行位移，具体公式如下：
Sj＝αj·θj+βj(j＝1,2)
其中，Sj是智能设备第j个自由度的目标位移，αj是相应的比例系数，θj为人体上肢运动过程中估计出的两个关节角度，其中j＝1代表腕关节，j＝2代表肘关节，βj则表示修正系数。
然后可将位移数据输出(例如串口通信方式)至智能设备控制系统为智能设备提供流畅稳定的运动控制指令。
本实施例中的智能设备可以是康复机器人、智能假肢等。
一种基于肌肉协同的上肢多关节同步比例肌电控制系统，包括处理器；存储器；以及计算机程序；其中，所述计算机程序被存储在所述存储器中，并且被配置为由所述处理器执行，所述计算机程序包括用于执行如上述实施例所述的上肢多关节同步比例肌电控制方法的指令。
上述实施例中的基于肌肉协同的上肢多关节同步比例肌电控制方法及系统可以是集成在智能设备内的，也可以是独立的系统，当作为独立的系统时系统框架图可参考图3。

Claims (8)

1.一种基于肌肉协同的上肢多关节同步比例肌电控制方法，其特征在于，包括：
S1，表面肌电信号的采集及预处理
对于上肢腕关节和肘关节的单独屈伸运动和同步屈伸运动过程中的表面肌电信号进行采集，并对采集的信号进行预处理；
S2，采用一种半监督式非负矩阵分解方法进行肌肉协同分析，具体包括：
S21，肌肉激活度提取
对预处理之后的表面肌电信号计算积分肌电值作为肌肉激活度矩阵f(E)；
S22，协同元矩阵训练
根据肌肉协同理论构建肌肉协同模型f(E)N×T＝WN×K×H(t)K×T，对于运动过程中的肌肉激活度f(E)N×T，能够分解成为肌肉协同矩阵WN×K和激活系数矩阵HK×T，N是肌肉通道数，T是信号的样本点数，K是协同元的个数，利用级联的非负矩阵分解方法求解协同元矩阵；
设定单个关节屈伸运动的协同元个数为2，对单独腕关节运动时的肌肉激活度进行非负矩阵分解，得到两个肌肉协同元W1,W2；对单独肘关节运动时的肌肉激活度进行非负矩阵分解，得到两个肌肉协同元W3,W4；其中，Wi＝[w1i,w2i,…,wNi],(i＝1,2,3,4)，wni(n＝1,2,...,N)代表第n块肌肉对第i个肌肉协同元Wi的贡献度；
取多组肌电信号样本，多次计算Wi，并分别对每个Wi的多组计算结果取均值处理，最终得到四个Wi(mean)按列组合的作为监督元的总体肌肉协同元矩阵W＝[W1(mean)W2(mean)W3(mean)W4(mean)]；
S23，激活系数序列提取
对于腕关节或肘关节单独运动以及两个关节同步运动时的表面肌电信号，按照步骤S21获取其肌肉激活度f(E)，利用步骤S22中求得的总体肌肉协同元矩阵W，结合下式Moore-Penrose广义逆求解方法，提取出激活系数序列：
H(t)＝W+·f(E)
其中，W+为协同元矩阵W的Moore-Penrose广义逆；
S3，构建协同激活模型实现上肢多关节同步连续运动估计
通过支持向量回归分别构建上肢腕关节和肘关节的激活系数序列和关节角度信息的协同激活模型，来同步估计两个关节的运动角度信息，基于支持向量回归协同激活模型的多关节同步连续运动估计分为协同激活模型训练阶段和运动估计阶段；
在模型训练阶段，同步采集关节运动过程中的表面肌电信号信号和角度信号并进行预处理，按照步骤S21提取肌肉激活度矩阵，按照步骤S22获取协同元矩阵W，按照步骤S23提取出激活系数序列H(t)，首先对激活系数序列进行低通滤波预处理，然后将其归一化到[0,1]区间，作为支持向量回归协同激活模型的输入；对相应关节的实测角度值进行相同区间的归一化处理，作为目标值进行模型的训练；
在运动估计阶段，对于在线采集的表面肌电信，按照步骤S21提取肌肉激活度矩阵，直接使用模型训练阶段获取的协同元矩阵W，按照步骤S23提取出激活系数序列H(t)，将其进行与训练阶段相同的预处理和归一化，输入到训练好的支持向量回归协同激活模型中；按照训练阶段的实测角度归一化参数对输出值进行反归一化，得到估计角度值。
2.根据权利要求1所述的方法，其特征在于，利用Sj＝αj·θj+βj(j＝1,2)多自由度并行比例肌电控制策略将估计出的所述角度信息转化为智能设备多个自由度的连续运行位移，其中，Sj是智能设备第j个自由度的目标位移，αj是相应的比例系数，θj为人体上肢运动过程中估计出的两个关节角度，其中j＝1代表腕关节，j＝2代表肘关节，βj则表示修正系数。
3.根据权利要求2所述的方法，其特征在于，将所述位移数据输出至智能设备。
4.根据权利要求1所述的方法，其特征在于，采集表面肌电信号时肌电电极放置在桡侧腕长伸肌、桡侧腕屈肌、肱二头肌和肱三头肌，获取四通道肌电信号。
5.根据权利要求1所述的方法，其特征在于，对采集的表面肌电信号的预处理包括依次进行的高通滤波预处理和去基线处理。
6.根据权利要求1所述的方法，其特征在于，通过下式的乘性迭代规则来进行初级非负矩阵分解获取W矩阵和H矩阵的初值：
Figure FDA0003496295290000031
通过下式的加性迭代规则进行二级NMF分解求得所需的协同元矩阵：
Figure FDA0003496295290000032
7.根据权利要求1所述的方法，其特征在于，协同激活模型采用头脑风暴优化算法进行模型参数的优化选择。
8.一种基于肌肉协同的上肢多关节同步比例肌电控制系统，其特征在于，包括处理器；存储器；以及计算机程序；
其中，所述计算机程序被存储在所述存储器中，并且被配置为由所述处理器执行，所述计算机程序包括用于执行如权利要求1～7任一项所述的方法的指令。
CN201811517538.4A 2018-12-12 2018-12-12 基于肌肉协同的上肢多关节同步比例肌电控制方法与系统 Active CN109262618B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811517538.4A CN109262618B (zh) 2018-12-12 2018-12-12 基于肌肉协同的上肢多关节同步比例肌电控制方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811517538.4A CN109262618B (zh) 2018-12-12 2018-12-12 基于肌肉协同的上肢多关节同步比例肌电控制方法与系统

Publications (2)

Publication Number Publication Date
CN109262618A CN109262618A (zh) 2019-01-25
CN109262618B true CN109262618B (zh) 2022-04-01

Family

ID=65187651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811517538.4A Active CN109262618B (zh) 2018-12-12 2018-12-12 基于肌肉协同的上肢多关节同步比例肌电控制方法与系统

Country Status (1)

Country Link
CN (1) CN109262618B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109799710B (zh) * 2019-02-02 2021-12-03 南京林业大学 基于多方位肌电信号的老年座椅运动控制方法和系统
CN110355761B (zh) * 2019-07-15 2022-06-14 武汉理工大学 一种基于关节刚度和肌肉疲劳的康复机器人控制方法
CN110652295B (zh) * 2019-10-16 2022-04-26 中山大学 一种量化激活时间序列个体差异性的方法及系统
CN110826625B (zh) * 2019-11-06 2022-04-12 南昌大学 一种基于表面肌电信号的手指手势分类方法
CN111616847B (zh) * 2020-06-02 2021-08-03 中国科学技术大学先进技术研究院 基于肌肉协同和人机语音交互的上臂假肢控制系统和方法
CN112025682B (zh) * 2020-09-02 2022-04-19 中国科学技术大学 基于肌肉协同理论的柔性外骨骼机器人控制方法及系统
CN112043269B (zh) * 2020-09-27 2021-10-19 中国科学技术大学 一种手势动作过程中肌肉空间激活模式提取和识别方法
CN112232161B (zh) * 2020-09-30 2023-04-07 华中科技大学 一种基于肌电映射模型切换的复杂运动连续估计方法
CN113084813B (zh) * 2021-04-13 2022-05-03 中国科学院自动化研究所 基于肌肉参数优化构建约束力场的机器人运动控制方法
CN113084814B (zh) * 2021-04-13 2022-05-10 中国科学院自动化研究所 基于分布位置优化实现肌肉骨骼机器人运动控制的方法
CN113100789B (zh) * 2021-04-16 2022-10-21 西北工业大学 一种膝关节内外侧受力实时分析系统
CN115983037B (zh) * 2023-01-17 2023-08-11 首都体育学院 肌肉协同约束的肌电和优化耦合的肌肉力计算方法
CN115859697B (zh) * 2023-03-01 2023-05-16 国家康复辅具研究中心 一种基于上肢假肢与用户智能协同的控制系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011030781A1 (ja) * 2009-09-14 2011-03-17 国立大学法人大阪大学 筋シナジー解析方法、筋シナジー解析装置、及び筋シナジーインターフェース
CN103886215A (zh) * 2014-04-04 2014-06-25 中国科学技术大学 一种基于肌肉协同的步行能力计算方法和装置
CN106067178A (zh) * 2016-05-30 2016-11-02 杭州电子科技大学 一种基于肌肉协同激活模型的手部关节运动连续估计方法
CN107397649A (zh) * 2017-08-10 2017-11-28 燕山大学 一种基于径向基神经网络的上肢外骨骼康复机器人控制方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011030781A1 (ja) * 2009-09-14 2011-03-17 国立大学法人大阪大学 筋シナジー解析方法、筋シナジー解析装置、及び筋シナジーインターフェース
CN103886215A (zh) * 2014-04-04 2014-06-25 中国科学技术大学 一种基于肌肉协同的步行能力计算方法和装置
CN106067178A (zh) * 2016-05-30 2016-11-02 杭州电子科技大学 一种基于肌肉协同激活模型的手部关节运动连续估计方法
CN107397649A (zh) * 2017-08-10 2017-11-28 燕山大学 一种基于径向基神经网络的上肢外骨骼康复机器人控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Identifying representative synergy matrices for describing muscular activation patterns during multidirectional reaching in the horizontal plane;Muceli S等著;《Journal of Neurophysiology》;20100113;第1532-1542页 *
基于肌肉协同激活模型的上肢关节运动连续估计;桂奇政等著;《仪器仪表学报》;20160630;第37卷(第6期);第1405-1412页 *

Also Published As

Publication number Publication date
CN109262618A (zh) 2019-01-25

Similar Documents

Publication Publication Date Title
CN109262618B (zh) 基于肌肉协同的上肢多关节同步比例肌电控制方法与系统
Bao et al. A CNN-LSTM hybrid model for wrist kinematics estimation using surface electromyography
CN107378944B (zh) 一种基于主成分分析法的多维表面肌电信号假手控制方法
CN106067178B (zh) 一种基于肌肉协同激活模型的手部关节运动连续估计方法
Luo et al. A low-cost end-to-end sEMG-based gait sub-phase recognition system
Arslan et al. Prediction of externally applied forces to human hands using frequency content of surface EMG signals
CN111616847B (zh) 基于肌肉协同和人机语音交互的上臂假肢控制系统和方法
WO2022027822A1 (zh) 一种基于肌电信号的智能手势动作生成方法
Ma et al. A bi-directional LSTM network for estimating continuous upper limb movement from surface electromyography
CN112130668B (zh) 一种R藤Copula互信息的肌间耦合分析方法
Tang et al. Continuous estimation of human upper limb joint angles by using PSO-LSTM model
Wang et al. Prediction of lower limb joint angle using sEMG based on GA-GRNN
Kiguchi et al. Estimation of forearm supination/pronation motion based on EEG signals to control an artificial arm
CN105534517A (zh) 一种去除三导联心电信号中车辆运动噪声的方法
Li et al. Wireless sEMG-based identification in a virtual reality environment
Narayan Direct comparison of SVM and LR classifier for SEMG signal classification using TFD features
CN113558638A (zh) 基于Vine Copula的脑肌耦合模型构建方法
Zhang et al. A multi-information fusion method for gait phase classification in lower limb rehabilitation exoskeleton
Silva-Acosta et al. Automatic estimation of continuous elbow flexion–extension movement based on electromyographic and electroencephalographic signals
CN113408712A (zh) 基于时延尺度长短期记忆网络与传递熵的脑肌耦合方法
Zhang et al. Research on gesture definition and electrode placement in pattern recognition of hand gesture action SEMG
Bhowmick et al. Modelling and control of a robotic arm using artificial neural network
Lu et al. A Hybrid Deep Learning Framework for Estimation of Elbow Flexion Force via Electromyography
Song et al. A motion intent recognition method for lower limbs based on CNN-RF combined model
CN112558757B (zh) 一种基于平滑约束非负矩阵分解的肌肉协同提取方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant