英语原文共 15 页，剩余内容已隐藏，支付完成后下载完整资料
sEMG特征评估用于识别分级手臂运动中的肘关节角度分辨率
摘要
从肌电图（sEMG）自动而准确地识别肘关节角度对于肌电控制的上肢外骨骼系统是必不可少的。 这需要适当选择sEMG特征，并确定这种系统的局限性。
这项研究表明，有可能确定肘部的三个离散位置; 全延伸，直角和中途点，窗口大小只有200毫秒。 据了解，虽然大多数功能都适用于此目的，但功率谱密度平均值（PSD-Av）表现最佳。 当仅考虑两个离散位置（完全伸展和直角弯头）时，系统将sEMG与肘关节角度正确地分类为100％情况，而当存在三个离散位置时正确分类为89％。 然而，当考虑五个离散角度时，sEMG不能准确地确定肘部位置。 还观察到延伸或屈曲阶段没有差异。
关键词 EMG信号，模式识别，特征提取，角度位置，臂弯曲/伸展
背景
手臂的外骨骼系统有许多应用，例如支持老年人，国防人员和骨骼损伤患者[1-3]。 为了有效地应用这些设备，用户应该能够自然而直观地控制它们。 虽然有许多指令这些系统的选项，例如使用机械传感器，脑电脑接口和使用相关肌肉的表面肌电图（sEMG），但sEMG为用户提供了一个自然而直观的界面[3-9]。 这也可以为使用者提供比例控制，使外骨骼装置可以跟随人体运动。 然而，这种基于sEMG的控制策略的困难是灵敏度和特异性差，导致可靠性差。
肘部的角度是上肢外骨骼的重要指挥。 要从sEMG记录中获得此信息，需要适当选择sEMG特征，然后再对这些特征进行分类以识别肘部角度。 不同的研究人员已经使用了不同的功能[10-14]。 然而，没有一个研究人员对所有这些特征进行比较。
比例控制要求系统根据有效肌肉的sEMG来识别身体的位置。 虽然一些简单的系统提供二进制分辨率，例如屈曲和扩展命令，但这不提供比例控制，并且不直观[15-18]。 需要更高的分辨率，用户能够向外骨骼装置发出更精细的命令以执行上肢动作。 更高的分辨率要求分类系统具有更多的类别。 但是，在类别数量和系统准确性和可靠性之间存在折衷，并且需要确定类别数量与系统准确性之间的关系。
这项研究的目的是确定分类系统对不同分辨率肘部角度（分类数或手臂位置数）的敏感性，特异性和准确性之间的关系，并确定高分辨率肘部角度识别的可行性。 在sEMG的常用特征之间进行比较，以为所提出的分类系统选择最适合的特征集。 获得这些特征在识别肘角方面的准确性，灵敏度和特异性。 研究了分辨率（分类数）与手臂位置识别的准确性，敏感性和特异性之间的关系。
方法
实验方案得到了巴西圣保罗圣若泽大学研究伦理委员会的批准; COEP-USJT-No.076-2010，并根据赫尔辛基协议（2004年修订）。 7名身体健康的志愿者（4名男性，3名女性），平均年龄34.6岁，参加了实验。 他们口头和书面解释了实验的目的和实验方案，实验是在获得口头和书面知情同意后进行的。 在记录数据之前，让参与者有足够的时间熟悉设备和协议。 进行多次试验，直到志愿者对实验感到舒适。
实验设备
使用定制的弯头角度监测装置（图1）来监测弯头角度位置。 该装置限制了手臂在水平面上肘部的运动，并固定在对象肩膀的高度。 测角仪记录肘部上臂和前臂之间的角度。 在整个实验过程中，用户在屏幕上获得了肘角的视觉反馈。
使用Powerlab（AdInstruments）记录两个通道sEMG信号，使用一次性预凝胶双极表面电极（Noraxon）。 接地电极放在肩峰点。 用于记录二头肌sEMG的电极放置在短头部的运动点上方，位于肩峰和窝肘之间的线上，距离肘窝三分之一。 将三头肌的侧头的电极放置在肩峰后嵴和鹰嘴之间的线的中间，在线的两侧指宽处。 电极间维持在20mm（中心到中心）。 该信号以1000Hz /通道采样，并使用八阶开关电容贝塞尔型滤波器进行滤波，范围为20-500Hz，并在60Hz处切入。
实验协议
在实验过程中，记录了肱二头肌和肱三头肌的肱骨头和sEMG的角度。 参与者被连续的视觉反馈肘部的角度。
在实验过程中，参与者以相同的方式（从完全伸展位置（0°）到90°屈曲并且以相同的方式返回到完全伸展位置，每3秒进行10°移位的分级屈伸运动（图2）。 参与者获得了音频提示，以确定运动的时间安排。 对每位志愿者重复该过程3次，在两次实验之间休息5分钟以确保没有疲劳。重复三次以确保具有公正性。取三次实验的平均值，并表明系统确定肘关节角度的能力，同时考虑到多个样本和考虑的类别设置之间的差异。
信号处理
有两种可能的技术用于通过二头肌和三头肌的sEMG记录来确定手臂的位置; 动态还是静态。 该动态涉及当手臂运动并且肌肉产生运动时记录的sEMG，而静态是手臂不运动且肌肉活动是等距的。 在这种情况下，通常使用高于某个阈值的收缩，比没有负载的动态运动中使的更强。
分割
良好的信号分类需要高信噪比。 尽管在松弛的维持位置期间等臂收缩的肌肉活动非常低，因为信噪比变得非常差，运动期间的sEMG明显更高，信噪比更高。 因此，选择手臂运动期间的动态收缩阶段用于信号分析。
研究人员发现，用户满意度的延迟需要小于250毫秒。 信号分析还表明，每步运动[10]的前200 ms是一致的，因此被考虑用于分析。 信号被分割; 选择在每个10°移动运动开始时的200ms，形成每个数据类别中的一个数据矢量，并且由图2中的红色区域所示的两个示例指示。信号基于最大值in这个范围。 然后根据肘部的角度（例如Bf10）作为在10°屈曲完成时获得的二头肌的sEMG的200ms段进行标记。 表1中定义了实验类别设置。
特征提取
代表sEMG信号的特征的适当部分对于精确识别动作和运动是必不可少的[11,19]。 虽然研究人员已经测试了许多功能的功效，但很少有出版物比较不同功能的准确性，灵敏度和特异性。 在这项工作中，共提取了9个常用功能。 这些在表2中简要地描述，其中xk是在总共I个窗口数目[10,12-14]的窗口i中总数为N的第k个样本：
线性判别分析作为分类器
线性判别分析（LDA）是基于数据集的线性变换的统计方法，投影到实现最佳类别可分离性的方向上。 目标是最大化类间散布矩阵，同时最小化类内散布矩阵[20,21]。
(公式1)
根据Fisher准则，定义投影矩阵WLDA的等式1的解可以作为特征向量的典型问题来实现，其中解决方案是特征向量和公式的特征值，最多有(g-1)个特征值，其中g是类的数量[20，21]
然而，在实际应用中，类内的散布矩阵SW可以是单数。这是由于一般情况下，训练集Ni中模式的数量远远小于数据集的维数d[20,21]。为了处理这个奇点问题，文献中被称为正则化LDA（RLDA）的方法之一是将常数alpha;添加到合并矩阵SP的对角元素（由等式2定义），其中alpha;作为已知的正则化参数。在这项工作中，alpha;的范围从10-9到0.9，这是在以前的研究中为了分类而定义的区间[22]。
(公式2)
在训练和测试期间将所有的受试者汇集在一起时首先进行分析。然而，离开一项技术的结果非常的差，并且这种方法后来也被丢弃了。随后针对每个受试者单独进行重复训练，并且这些结果也在本文中显示。需要更高的分辨率，用户能够向外骨骼装置发出更精细的命令以执行上肢动作。 更高的分辨率要求分类系统具有更多的类别。这也恰好证明了这点：主体之间存在着显著差异，并且表明分类器对于每个用户进行训练是十分重要的。
在200ms段上应用的每个特征（表2）产生了对应于两个肌肉中的每一个的矢量；肱二头肌和肱三头肌。这些特征向量是LDA的输入。使用Leave One Out方法来验证系统，其中数据集按照每个类别的2个样品和每个受试者用于训练的LDA的组进行分组，其余的样品用于测试每个受试者。比例控制要求系统根据有效肌肉的sEMG来识别身体的位置。重复三次以确保具有公正性。取三次实验的平均值，并表明系统确定肘关节角度的能力，同时考虑到多个样本和考虑的类别设置之间的差异。
结果
每个特征，每个运动阶段以及每个分辨率（分类设置）的平均准确度，灵敏度和特异性如表3所示。从表中可以看出，对于分辨率=2的那一类，PSD具有最高的准确度，对于两个运动方向（弯曲和伸展）的敏感性和特异性，ZC最低。
从该表中可以看出，PSD-Av对于2（完全伸展和90°屈伸）和3等级（包括中途位置等级）设置的分类也具有高的灵敏度，特异性和准确性。但是，对于使用3类的配置，在扩展阶段，准确度为84%，特异性=92%。这样的系统可能不适用于错误识别命令可能会导致用户受伤的应用。
结果还表明，系统对于五级建立分类的响应降低，这表明二头肌和三头肌的表面肌电信号特征不适用于在较高分辨率下精确的识别用于外骨骼控制的肘部角度。Kappa比较统计也证实了这一结果[23],表4中展现了Cohen#39;s Kappa统计值和Viera和Garret[23]的研究，表明了Kappa值高于0.60时预测和实际观察值基本一致。
图3显示了三头肌与二头肌的归一化PSD-Av的散点图。PSD-Av是由每个肌肉的16个参数组成的特征，并且因为统计分析证实其具有最低的误差而被选择。
图3（a）是3类的图; 0°-10°，40°-50°和80°-90°，而图3（b）是5类图；0°°-10°，20°-30°，40°-50°，60°-70°和80°-90°。 从这些图中可以看出，在0°-10°，40°-50°和80°-90°的类别中存在显着差异，但是当两个另外的类别时有显着的重叠; 20°-30°和60°-70°。 这证明了这种用于肌电外骨骼系统的方法的局限性。
讨论和结论
结果表明，在考虑两种状态的情况下，sEMG系统可以有效地用于识别肘部的弯曲和伸展; 完全伸展的手臂，以及90°弯曲的手臂。 这项工作还表明，当分类类别的数量增加到3类时，系统准确性下降，灵敏度= 84％，特异性=92%。由于灵敏度相对较低，这种系统可能适用于有限的应用，这可能会对用户造成伤害。
当班级人数增加到5级时，与2级和3级班的情况相比，误差更高，灵敏度= 64％，特异性= 91％。 这表明sEMG分类适合于识别少量肘部位置，但不适合用于高分辨率条件。较差的敏感度会使用户感到挫折，并使系统无法正常工作。 灵敏度不佳的一个原因可能是由于200ms的窄窗口。 然而，这是至关重要的，因为早先的研究已经发现延迟大于250ms会导致用户可观察到的延迟，并且可能是错误的原因。 另一个原因是由于其离散化导致的连续位置之间的相似性。
结果还表明，在肘部位置少的情况下，大多数特征的表现相似，但随着数量的增加，他们都没有取得合理的结果。 然而，将sEMG与极端屈曲和伸展之间的角度相关联并没有给出好的结果，但应该注意的是，检测完整屈曲和伸展水平的零误差不能与中间步骤期间的相对较高的误差相比较。 但是相对较大的错误突出了这种方法的相对有限的应用。
还有其他选项可以被视为小数量sEMG频道分类的替代选项; 高密度肌电记录，机械传感器系统，混合系统或使用基于模型的方法的智能肌电系统。 虽然机械传感器系统有许多缺点，但将sEMG与机械传感器相结合的混合系统可以减少错误，同时为用户提供自然和直观的控制。 另一种机械感测可能不可行的方法是开发一种对运动进行建模的智能系统，例如经过训练以估计用户动作的速度。 在这种方法中，系统将接受培训，以估计个体的行动时间并假定运动是连续的。 这样的系统可以为基于肌电的比例控制器系统（也称为跟踪系统）提供替代方案。
从肌电图（sEMG）自动而准确地识别肘关节角度对于肌电控制的上肢外骨骼系统是必不可少的。 这需要适当选择sEMG特征，并确定这种系统的局限性。
这项研究表明，有可能确定肘部的三个离散位置; 全延伸，直角和中途点，窗口大小只有200毫秒。 据了解，虽然大多数功能都适用于此目的，但功率谱密度平均值（PSD-Av）表现最佳。 当仅考虑两个离散位置（完全伸展和直角弯头）时，系统将sEMG与肘关节角度正确地分类为100％情况，而当存在三个离散位置时正确分类为89％。 然而，当考虑五个离散角度时，sEMG不能准确地确定肘部位置。 还观察到延伸或屈曲阶段没有差异。
参考文献
[1].Herr H: Exoeskeleton and orthoses classification, design challenges and future directions. J Neuro Eng Rehabil 2009, 6:21. URL Doi: 10.1186/1743-0003-6-21
[2]. Lo HS, Xie SQ: Exoskeketon robots for upper limb rehabilitation: state of the art and future prospects. Med Eng Phys 2012, 34:261–268.
[3]. Kiguchi K, Fukuda T: Upper-Limb Exoskeletons for Physically Weak Persons. In Rehabilitation Robotics, August, Chap. 16. Edited by Kommu SS. Viena, Austria: InTech; 2007:287–299. http://www.intechopen.com/books/rehabilitation_robotics/upperlimb_exoskeletons_for_physically_weak_person
全文共9617字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[16695]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
