摘 要

康复机器人是近年来国内外神经工程领域研究的热点。解码表面肌电信号(Surface Electromyography, sEMG)精确估计出的关节连续运动量可用于控制康复机器人，使机器人能够实现类人的、连续平滑的运动。

本次设计完成了基于肌肉协同理论和广义回归神经网络(Generalized Regression Neural Network, GRNN)的膝关节角度预测系统的仿真与实现。主要工作内容有：

1. 利用小波分解阈值去噪算法对采集的肌电信号和角度轨迹进行去噪处理；
2. 基于肌肉协同理论，通过非负矩阵分解(Non-negative Matrix Factorization, NMF)将从四通道sEMG信号中提取的时域特征波长(Waveform Length, WL)分解为协同元矩阵和激活系数矩阵；
3. 利用基于黄金分割参数寻优的GRNN构建从激活系数映射到膝关节角度的激活模型，从而实现从sEMG到膝关节角度的连续估计；
4. 基于Java平台设计了膝关节角度预测系统的上位机界面，实现了采集数据与预测结果的实时动态绘制；
5. 对该膝关节角度预测系统进行了在线测试。测试结果显示，该系统对膝关节运动角度轨迹有较好的预测效果。

关键词：表面肌电信号；肌肉协同；神经网络；关节角度预测

Abstract

Rehabilitation robot has become a research hotspot at home and abroad recently. Decoding the surface electromyography ( sEMG ) can accurately complete the continuous motion estimation which can be used to control the robots to move continuously and smoothly like a human beings.

This design completes the simulation and realization of a knee joint angle prediction system based on muscle synergy theory and generalized regression neural network ( GRNN ). The main work is as follows:

1. Using the wavelet transform threshold denoising algorithm to denoise the acquired EMG signal and angular trajectory;
2. the time domain characteristic waveform length ( WL ) extracted from the four - channel sEMG signal is decomposed into the synergy matrix and the activation coefficient matrix by non-negative matrix factorization ( NMF )algorithm based on the theory of muscle synergy;
3. The activation model mapping from the activation coefficient to the knee joint angle is constructed by using the generalized regression neural network based on the golden segmentation parameter optimization with decreasing search step. Therefore, the system can realize the continuous estimation of the knee angle based on the sEMG signal;
4. Based on the platform of Java language, the knee joint angle prediction system is designed to realize the real-time dynamic display of the acquired data and the forecasting results;
5. The knee joint angle prediction system was tested online. The results show that the system has a good predictive effect on the knee angular trajectory.

Key Words: surface electromyography; muscle synergies; neural network; joint angle prediction

目 录

第 1 章 绪论 1

1.1 研究目的及意义 1

1.2 国内外研究现状 2

1.2.1 肌肉协同理论研究现状 2

1.2.2 基于sEMG的关节连续运动估计研究现状 3

1.3 本文主要内容及组织结构 4

第 2 章 设计原理及方案选择 5

2.1 数据采集与预处理 5

2.1.1 sEMG信号采集方案 5

2.1.2 肌肉组织选取 6

2.1.3 信号采集设备 7

2.1.4信号预处理 8

2.2 肌肉协同分析 9

2.2.1 肌肉协同理论 9

2.2.2 特征参数选择 10

2.2.3 非负矩阵分解NMF 10

2.3 广义回归神经网络GRNN 12

2.4 技术方案选择 14

2.5本章小结 15

第3 章 系统设计与实现 16

3.1 离线系统设计与分析 16

3.1.1 小波阈值去噪 16

3.1.2 时域特征提取 17

3.1.3 非负矩阵分解NMF 18

3.1.4 广义回归神经网络预测 20

3.2 上位机界面设计 23

3.3 在线系统测试 25

3.4 本章小结 27

第 4 章 总结与展望 28

4.1 工作总结 28

4.2 工作展望 28

参考文献 29

致谢 31

第 1 章 绪论

1.1 研究目的及意义

在复杂的社会活动过程中，人类的肢体会由于多种因素而受到损伤，消极影响人类的行动能力。同时，伴随着年龄的增长，人体机能逐渐衰老退化，其重要标志之一即是起立、坐卧、行走困难。对于行动不便人群，最好的康复手段是利用运动辅助性器械来帮助他们完成大量、重复的运动，从而引导并增强其自主反应。于是，康复训练辅助设备应运而生，其中仿生假肢、外骨骼机器人及医疗康复机器人是近年来国内外的热门研究点。

相比于过去采用被动训练模式的康复机器人，现如今国内外的研究重点更集中于需要待康复人员自主反应的主动训练模式。医学实验表明，主动康复训练方式促进运动知觉恢复的作用更加明显，训练效果更加显著。主动训练方式要解决的首要问题是识别待康复人员的运动意图，再通过该意图实现对机器人或假肢的控制。人体生物电信号是神经元传输到相关组织/器官时所激发的电位和，载有人类行为信息，能够反应人的运动意图。通过解码人体生物电信号可以识别出人的行为意图，进而赋予机器理解人类意图的能力。目前受到广泛关注的生物电信号主要包括肌电(Electromyography, EMG)、脑电(Electroencephalography, EEG)等。由于表面肌电信号蕴含信息丰富，采集技术成熟，且为无创采集，受到了众多研究者的青睐。通过表面肌电信号精确识别运动意图，通常包括两类——离散动作模态分类和关节连续运动量估计^[1]。模态分类只能预测少数离散肢体动作，应用该预测结果，机器人无法完成类人的连续平滑运动。实现多种服务机器人安全控制的前提是保证人机运动的连续匹配。因此，与模态分类相比，关节连续运动量估计对实现机器人运动的连续控制更有价值。