沈阳自动化所sEMG研究获新进展
- 2015/1/4 16:34:56 7004
- 来源:机器人学研究室
针对高维sEMG数据高斯混合模型建模问题,项目组创新提出了一种“降维—扩维”高斯混合模型(GMM)建模方法,通过将降维GMM扩展为全维GMM,并以此估计在线sEMG的数据丢失,解决了sEMG数据丢失情形下的容错分类问题。
据了解,传统基于sEMG的动作分类方法仅能识别人体有限离散动作模式的问题。为解决这一问题,项目组深入研究了基于sEMG的人体关节连续运动估计方法,提出一种分层投影回归算法克服了sEMG非平稳性对连续估计的影响,实现了对肘关节角度连续的估计。通过剖析运动产生的生理机理,构建了由肌肉活跃度到关节运动量的“生理—运动”状态方程模型,并创新提出了一种利用sEMG特征构造量测反馈方程的方法,有效地抑制了连续运动估计的累积误差。
项目组将sEMG的应用拓展到医疗诊断领域,通过sEMG量化评估针刺信号对面部神经麻痹的康复疗效。又从更微观的尺度分析肌肉控制以及运动产生的机理,提出一种sEMG运动单元分解方法,以识别更的运动意图。
上述研究得到了国家自然科学基金委,中国科学院、辽宁省、机器人学国家重点实验室的大力支持。相关科研成果被国内外期刊连续刊载。
据了解,表面肌电信号(sEMG)是由肌肉兴奋时所募集的运动单位产生的一个个动作电位序列在皮肤表面叠加而成,是一种非平稳的微弱信号。主要应用在康复医学、体育科学、模式识别等生物医学工程领域。
全部评论