基于表面肌电信号的上肢肌肉疲劳及肌肉代偿分析

作     者：杨博雄 

作者单位：河北大学 

学位级别：硕士

导师姓名：刘晓光

授予年度：2022年

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 0711[理学-系统科学] 07[理学] 08[工学] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 0836[工学-生物工程] 

主      题：表面肌电信号 活动段检测 肌肉疲劳 肌肉代偿 上肢康复 

摘      要：在人类的生活与工作中,上肢起着至关重要的作用。近年来,由于意外事故或疾病的发生,上肢功能缺失甚至伤残的患者数量日渐增长,这些上肢问题会对患者的生活品质造成严重的影响。医学研究表明,康复训练是辅助恢复上肢运动功能最有效地方式之一。但在康复训练的过程中,由于对动作的熟悉度低或是术后肌肉力量差,患者十分容易因为肌肉疲劳的累积而造成肌肉损伤。同时肌肉疲劳还会引起肌肉代偿导致患者原有的运动模式改变,这种改变不仅会对骨骼造成影响还会极大的降低康复训练的效果。因此如何防止肌肉疲劳及肌肉代偿对患者康复造成的负面影响具有重大意义。本文基于表面肌电信号(Surface electromyography signal,sEMG)对康复训练中上肢的肌肉疲劳及肌肉代偿进行了分析,并构建了上肢康复辅助系统。本文的主要研究内容和创新点如下:(1)sEMG的活动段分割:本文提出了一种基于Teager能量算子(Teager energy operator,TEO)的sEMG活动段分割算法,该算法可以有效地对活动段的sEMG进行分割提取,避免非活动段对特征分析的影响。(2)基于sEMG的肌肉疲劳特征预测:本文构建了一种基于集成经验模态分解-长短期记忆网络(Ensemble empirical mode decomposition-Short and long term memory network,EEMD-LSTM)的预测网络对肌肉疲劳特征进行预测,该方法可以通过预测的方式减少肌肉疲劳分析所需采集的样本量。通过与多层感知机(Multilayer perceptron,MLP)、递归神经网络(Recursive neural network,RNN)、整合移动平均自回归模型(Autoregressive integrated moving average model,ARIMA)等算法的对比证明了该方法能够通过少量样本数据有效地预测出肌肉疲劳特征的变化趋势,并且具有较高的鲁棒性与准确度。(3)基于肌肉功能网络的肌肉代偿检测:本文提出了一种基于肌肉功能网络的肌肉代偿检测方法。首先使用肌肉协同和肌肉耦合对肌肉代偿引发的神经系统调节机制进行了分析,然后构造了基于Beta频段肌肉耦合信息的肌肉功能网络。最后从肌肉功能网络中提取出了平均聚类系数(Average clustering coefficient,ACC)、平均节点连通性(Average node connectivity,ANC)、平均全局效应(Average global effect,AGE)作为肌肉代偿特征,实验结果表明提取出的ACC与AGE能更有效地反映整体肌肉代偿的变化。(4)基于sEMG的上肢康复辅助系统:为了辅助患者对康复训练进行训练规划。本文以Python为平台搭建了上肢康复训练分析系统,构建了多个模块以满足患者不同的需求。通过数字分析、可视化分析为患者提供训练建议,帮助患者规划合理的训练时间。