發(fā)布時間：2020-10-10 16:23

　　 人與機器人的協(xié)同作業(yè)是新一代機器人系統(tǒng)研究和發(fā)展的方向之一,其目的是減輕人類協(xié)作者的負擔和提高人機協(xié)同作業(yè)的效率。人與機器人如何認知彼此的狀態(tài)是實現(xiàn)人機協(xié)同作業(yè)的關鍵。人與機器人在協(xié)同作業(yè)過程中,人體手臂的肌肉疲勞會影響人機協(xié)同作業(yè)的質(zhì)量和效率,而且會增加人類協(xié)作者患骨骼肌疾病的風險。因此,對人機協(xié)作中的人體肌肉疲勞進行預測具有重要的理論意義和應用價值。表面肌電信號(Surface Electromyogram,SEMG)是在肌肉表面通過電極引導而記錄下來的神經(jīng)肌肉系統(tǒng)活動時的生物電信號,其被認為是目前用來研究肌肉疲勞最有效的工具之一。但人體肌肉疲勞與表面肌電信號之間的內(nèi)在關系尚有待進一步研究,為此,本文對人機協(xié)作中的表面肌電信號處理、抓握力預測、肌肉疲勞預測以及人機協(xié)同作業(yè)中的部分關鍵問題進行了研究,主要研究進展如下:(1)針對動態(tài)肌肉收縮下的表面肌電信號易受干擾的問題,提出了一種基于小波變換的信號頻帶選擇方法。首先,通過在不同小波尺度下的均方根特征對肌肉收縮的敏感度進行分析,并基于蒙特卡洛模擬獲得不同小波尺度對肌肉收縮的靈敏度分布。在此基礎上,基于定序組合分析方法對小波尺度組合進行選擇,從而確定有效的表面肌電信號頻帶。最后,通過基于表面肌電信號的握力預測實驗驗證了基于小波變換的信號頻帶選擇方法的有效性。(2)針對靜態(tài)與動態(tài)肌肉收縮下的握力預測問題,提出了一種基于交叉模型選擇的握力預測方法。首先,通過基于小波變換的信號頻帶選擇方法獲取動態(tài)與靜態(tài)肌肉收縮下的表面肌電信號;其次,通過交叉驗證方法建立表征表面肌電信號和握力關系的九階多項式;再次,基于系數(shù)項選擇算法對九階多項式進行降維研究,分別建立手臂伸肌和屈肌與表面肌電信號的關系模型。最后,通過手臂握力預測實驗驗證了所提方法的有效性和準確性。(3)針對肌肉疲勞預測問題,建立了基于肌肉力損失的肌肉疲勞預測模型。首先,通過基于小波變換的信號頻帶選擇方法獲取疲勞肌肉收縮下的表面肌電信號,并提取表面肌電信號的均方根、平均頻率和中值頻率;然后,通過蒙特卡洛模擬和皮爾遜相關系數(shù)研究了表面肌電信號均方根、平均頻率和中值頻率在不同頻帶下對肌肉力損失的敏感度;最后,通過定序組合分析方法和皮爾遜相關系數(shù)建立基于肌肉力損失的肌肉疲勞預測模型。(4)針對動態(tài)運動中的肌肉疲勞預測進行了實驗研究。首先,通過手臂動態(tài)運動實驗,驗證了所提出的肌肉疲勞預測模型在多肌肉協(xié)同運動下的有效性;然后,結合肌肉力和肌肉疲勞預測模型,提出了一種機器人末端輸出力調(diào)節(jié)方法,并搭建了相應的人機協(xié)作實驗系統(tǒng),通過實驗研究人體肌肉疲勞程度與人機交互力的變化,驗證了本文所提方法的有效性。
【學位單位】：華南理工大學
【學位級別】：博士
【學位年份】：2019
【中圖分類】：TP242
【部分圖文】：

第二章 抓握力的表面肌電信號處理 ( ) = ( ) ( ) = ，...，10 是小波尺度的序號，r = 100,200 ...，140,000，yi(p)是 i×100）下的小波尺度 p 靈敏度值。然后，指定個數(shù)的隨機變tegration)可以按照如下公式計算： ( ) = ∑ ( )

圖 3-1 CMS 技術路線3.2 樣本數(shù)據(jù)提取一共有 15 位健康實驗參與者參與本次實驗（學生：15 名男性，年齡在 22 歲至 3歲（26.1±3.5））。隨機選擇其中 10 位參與者作為訓練組用于建立 CMS 模型，其他 5 位參與者作為驗證組評估訓練組的 CMS 模型預測性能。參與者在實驗過程中的姿勢與第

第三章 抓握力預測模型研究擇有效系數(shù)項。雖然可以對個人的 9 階多項式進行系數(shù)項泛化能力的下降。為了建立適合不同參與者的模型，提出了集的定序組合分析（SCA）方法。從 10 位參與者（訓練組項參數(shù)并將其進行整合： = ∑ = 者的總數(shù)，r = 1，...，R，N = 9 是回歸系數(shù)項的總數(shù)，I 是的程度。整合后將獲得 10 個回歸系數(shù)項趨近零的程度(I)分
【參考文獻】

相關期刊論文 前6條

1 曲道奎;;智能制造與新一代機器人技術[J];軍工文化;2015年02期

2 張毅;祝翔;羅元;;一種克服sEMG人機交互中肌肉疲勞的SVM算法[J];控制工程;2014年04期

3 王樂軍;陸愛云;牛文鑫;龔銘新;趙文楠;;運動誘發(fā)局部肌肉疲勞的肌電及腦電協(xié)同分析研究進展[J];中國運動醫(yī)學雜志;2014年02期

4 王樂軍;黃勇;龔銘新;陳志勇;許翔;馬國強;;小波包分析與人工神經(jīng)網(wǎng)絡相結合探索運動性肌肉疲勞過程中sEMG變化特征[J];體育科學;2009年12期

5 劉洪濤;曹玉珍;謝小波;胡勇;;表面肌電信號的時變AR模型參數(shù)評估肌疲勞程度的研究[J];中國生物醫(yī)學工程學報;2007年04期

6 陳偉婷;王志中;胡曉;李曉浦;;基于熵的動態(tài)收縮sEMG信號疲勞特征分析[J];中國醫(yī)學物理學雜志;2006年03期

本文編號：2835305