题名 | 基于sEMG的手部康复机器人交互控制研究 |
作者 | 马乐乐1,2 |
答辩日期 | 2019-05-17 |
授予单位 | 中国科学院沈阳自动化研究所 |
授予地点 | 沈阳 |
导师 | 赵新刚 |
关键词 | 康复机器人 表面肌电信号 特征提取 BP神经网络 卷积神经网络 |
学位名称 | 硕士 |
其他题名 | Research on Interactive Control of Hand Rehabilitation Robot Based on sEMG |
学位专业 | 模式识别与智能系统 |
英文摘要 | 脑卒中是急性的脑血管疾病,近年来发病率和致残率逐渐增高。医学研究表明,有效的康复训练能够刺激患者神经功能的恢复,从而缓解患者肢体运动的障碍并加快患者康复治疗的进程。由于传统训练治疗方式的各种弊端,患者、家庭、医院和康复治疗中心对手部康复机器人的需求量大幅度增加。现有的手部康复系统大多数是简单的被动训练模式,患者无法进行主动训练,因此在本课题中引入肌电信号。本文手部康复机器人通过采集患者的肌电信号来识别动作意图,并将其反馈给康复机器人用于辅助训练。本文的主要内容如下:首先,介绍了肌电信号的产生原理和肌电信号的特点。根据肌肉解剖位置粘贴电极,按顺序采集各个动作下的肌电信号。利用数字陷波器和巴特沃兹滤波器对肌电信号进行滤波去噪并利用最大面积法修正类别标签。然后利用时间窗和增量窗对每个通道的肌电信号进行分割并提取RMS、MAV和ARC等11个特征,对特征归一化后再利用PCA完成降维操作。其次,利用提取到的特征建立BP神经网络模型用于识别患者的动作类型。提出基于GBDT算法的肌电信号最优通道选择方法用于提高肌电识别系统的使用效率和鲁棒性。再次,建立基于多流卷积操作和全局池化的深度学习模型,用于对分割出的肌电图像进行特征自动提取,完成端到端的动作识别。在动作识别率和训练过程稳定性方面,与传统的RF算法、SVM算法和其他卷积网络结构进行了对比。验证了卷积神经网络模型能够提高基于肌电信号的动作识别率。最后,搭建了手部康复机器人的软硬件系统,实现了手部康复机器人的阈值控制和实时控制。并根据患者的不同病情设计了被动训练、镜像主动训练、患侧主动训练等不同的康复训练策略。同时,康复系统还引入了游戏辅助训练,可以提高患者训练过程的积极性。 |
语种 | 中文 |
产权排序 | 1 |
页码 | 70页 |
内容类型 | 学位论文 |
源URL | [http://ir.sia.cn/handle/173321/25170] |
专题 | 沈阳自动化研究所_机器人学研究室 |
作者单位 | 1.中国科学院大学 2.中国科学院沈阳自动化研究所 |
推荐引用方式 GB/T 7714 | 马乐乐. 基于sEMG的手部康复机器人交互控制研究[D]. 沈阳. 中国科学院沈阳自动化研究所. 2019. |
个性服务 |
查看访问统计 |
相关权益政策 |
暂无数据 |
收藏/分享 |
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论