上肢組合運(yùn)動(dòng)序列分析與機(jī)器人控制技術(shù)研究.pdf

1、以人體運(yùn)動(dòng)狀態(tài)作為輸入信號(hào)控制機(jī)器人、機(jī)械臂等外部設(shè)備是目前人機(jī)交互(HCI)領(lǐng)域中的一個(gè)重要研究方向。通過不同運(yùn)動(dòng)模式的在線識(shí)別，可以幫助使用者以便捷、靈活的肢體運(yùn)動(dòng)實(shí)現(xiàn)更加自然的人機(jī)交互功能。本文以基于人體運(yùn)動(dòng)狀態(tài)檢測(cè)的機(jī)器人控制技術(shù)為研究對(duì)象，以表面肌電(sEMG)信號(hào)的檢測(cè)與識(shí)別為技術(shù)手段，在離線分析和在線控制兩個(gè)方面研究人體上肢組合運(yùn)動(dòng)的時(shí)序關(guān)系與識(shí)別算法，實(shí)現(xiàn)了基于 sEMG信號(hào)運(yùn)動(dòng)狀態(tài)檢測(cè)的機(jī)器人控制技術(shù)。本文的主要研究成

2、果如下：
　　基于sEMG信號(hào)的上肢組合運(yùn)動(dòng)序列離線分析。在單個(gè)特征識(shí)別方面，提取了sEMG信號(hào)的絕對(duì)平均值(MAV)和波形長(zhǎng)度(WL)兩個(gè)特征，使用了區(qū)間分割法、決策樹與剪枝等方法，將6類上肢組合運(yùn)動(dòng)序列成功分類，MAV與WL特征的分類準(zhǔn)確率分別達(dá)到95.24％和94.05%。隨后進(jìn)行了多特征融合識(shí)別，分別采用了特征層融合與決策層融合技術(shù)，分類準(zhǔn)確率分別達(dá)到96.43%和98.81%。實(shí)驗(yàn)結(jié)果表明，本文所實(shí)現(xiàn)的分類器對(duì)規(guī)定動(dòng)作任

3、務(wù)的離線識(shí)別性能較好。
　　基于sEMG信號(hào)的上肢組合運(yùn)動(dòng)序列人機(jī)交互。分別利用同步范式與異步范式對(duì)NAO仿人型關(guān)節(jié)式機(jī)器人進(jìn)行在線控制。在同步控制范式中，采用了隨動(dòng)控制策略，實(shí)現(xiàn)了NAO機(jī)器人隨被試運(yùn)動(dòng)完成相同動(dòng)作的目標(biāo)，該范式為患者的康復(fù)治療提供了一種思路。在異步控制范式中，采用了映射控制策略，以上述組合運(yùn)動(dòng)序列作為狀態(tài)切換條件，實(shí)現(xiàn)了對(duì)NAO運(yùn)動(dòng)狀態(tài)的切換控制。上述實(shí)驗(yàn)結(jié)果表明，基于sEMG信號(hào)的序列運(yùn)動(dòng)檢測(cè)能實(shí)現(xiàn)有效的人機(jī)

4、交互功能。
　　基于sEMG信號(hào)的人體上肢自然運(yùn)動(dòng)初步探究。為了進(jìn)一步探索人體自然運(yùn)動(dòng)規(guī)律和識(shí)別算法，我們由上述的6類規(guī)定動(dòng)作序列推廣出3類人體自然運(yùn)動(dòng)，并用規(guī)定動(dòng)作任務(wù)的分析方法進(jìn)行分類識(shí)別。實(shí)驗(yàn)結(jié)果表明，人體在目標(biāo)抓取任務(wù)中，上肢各關(guān)節(jié)同樣表現(xiàn)出一定的時(shí)序關(guān)系，但其顯著度低于之前的固定序列運(yùn)動(dòng)任務(wù)。耦合時(shí)序關(guān)系的解耦將成為人體自然運(yùn)動(dòng)識(shí)別的關(guān)鍵。
　　綜上所述，本文實(shí)現(xiàn)了基于 sEMG信號(hào)的上肢組合運(yùn)動(dòng)序列離線分析與在線