本文選題：人體動態(tài)平衡　切入點：肌肉-關(guān)節(jié)模型　出處：《河北大學》2017年碩士論文　論文類型：學位論文

【摘要】：平衡能力是人類進行各項活動的基礎(chǔ),包括靜態(tài)和動態(tài)平衡能力,其中人體平衡的研究趨勢為動態(tài)平衡。人體動態(tài)平衡依賴于前庭覺、視覺、本體感覺以及中樞神經(jīng)系統(tǒng)等多方面調(diào)節(jié)與控制來完成。由此可見,其調(diào)節(jié)過程是一個較為復雜的非線性系統(tǒng)。而建立人體動態(tài)平衡的非線性模型對于深入研究人體動態(tài)平衡和提高康復醫(yī)療水平具有重要的推動作用。但是國內(nèi)外的研究大多針對人體運動系統(tǒng)進行建模,而在動態(tài)平衡建模方面的研究甚少。本文將肌肉-關(guān)節(jié)模型應用到人體動態(tài)平衡的建模中,解決了人體動態(tài)平衡的非線性建模問題,研究內(nèi)容包括以下幾個方面:第一,利用無線肌電采集系統(tǒng),采集人體在靜止和隨機視覺激勵狀態(tài)下的下肢肌電信號,經(jīng)過預處理并提取時域特征參數(shù)-均方根值和積分肌電值,對兩種狀態(tài)下的下肢肌肉活躍程度進行了對比分析。結(jié)果表明:股直肌和脛骨前肌在兩種狀態(tài)下的均方根值無顯著差異;股直肌與脛骨前肌在靜止站立實驗中肌肉的貢獻率很低,且在隨機視覺激勵狀態(tài)下其貢獻率表現(xiàn)為明顯下降趨勢。第二,根據(jù)人體動態(tài)平衡的調(diào)節(jié)機理,確定人體動態(tài)平衡調(diào)節(jié)系統(tǒng)的輸入輸出,在隨機視覺激勵下采集人體動態(tài)平衡建模所需數(shù)據(jù),在建模過程中引入BP神經(jīng)網(wǎng)絡的非線性辨識方法,建立肌肉-關(guān)節(jié)模型,實現(xiàn)對人體動態(tài)平衡調(diào)節(jié)系統(tǒng)的建模;而由于模型精度的不理想,依據(jù)下肢肌肉均方根值與踝關(guān)節(jié)角度的關(guān)聯(lián)性,依次去除訓練集中與踝關(guān)節(jié)角度相關(guān)性較低肌肉的均方根值,重新采用非線性辨識方法對人體動態(tài)平衡的調(diào)節(jié)系統(tǒng)進行建模,找出更為理想的辨識方案。第三,由于SVM較強的泛化能力,能有效地避免BP神經(jīng)網(wǎng)絡陷入局部極小的缺點,本研究依據(jù)優(yōu)化后的辨識方案,采用SVM的非線性辨識方法,對人體動態(tài)平衡的調(diào)節(jié)系統(tǒng)進行建模,同時與BP神經(jīng)網(wǎng)絡優(yōu)化后的預測結(jié)果進行對比。結(jié)果表明:SVM預測輸出與期望輸出之間的相關(guān)系數(shù)要高于BP神經(jīng)網(wǎng)絡預測與輸出的相關(guān)系數(shù),同時SVM的預測誤差比BP神經(jīng)網(wǎng)絡預測誤差要小。因此,在人體動態(tài)平衡的預測方面,SVM預測效果總體上優(yōu)于BP神經(jīng)網(wǎng)絡。總之,本研究實現(xiàn)了人體動態(tài)平衡的非線性建模,并在一定程度上提高了人體動態(tài)平衡調(diào)節(jié)過程的非線性辨識精度,為醫(yī)學研究提供了理論依據(jù)與數(shù)據(jù)支撐。
[Abstract]:The ability to balance is the basis for all human activities, including static and dynamic balance, in which the research trend of human balance is dynamic balance, which depends on vestibule, vision, Proprioceptive sensation and central nervous system are regulated and controlled in many ways. The regulation process is a complex nonlinear system, and the establishment of a nonlinear model of human dynamic balance plays an important role in studying the dynamic balance of human body and improving the level of rehabilitation medical treatment at home and abroad. Most of the research in this paper focuses on the modeling of human motion system, In this paper, the muscle-joint model is applied to the modeling of human dynamic balance, and the nonlinear modeling problem of human dynamic balance is solved. The research content includes the following aspects: first, Using wireless electromyography acquisition system, the lower limb electromyography (EMG) signals of human body under static and random visual excitation were collected, and the time domain characteristic parameters, root mean square (RMS) and integral electromyography (EMG), were extracted after pretreatment. The results showed that there was no significant difference in RMS between the rectus femoris muscle and the anterior tibial muscle. The muscle contribution rate of rectus femoris and anterior tibial muscle in static standing test is very low, and its contribution rate is obviously decreasing under random visual excitation. Secondly, according to the regulation mechanism of human dynamic balance, The input and output of the human dynamic balance regulation system are determined, and the data needed for the modeling of human dynamic balance are collected under random visual excitation. The nonlinear identification method of BP neural network is introduced in the process of modeling, and the muscle-joint model is established. To realize the modeling of the human dynamic balance regulation system, and because the model accuracy is not ideal, according to the correlation between the lower extremity muscle RMS value and the ankle angle, the RMS value of the training concentration and the ankle joint angle is removed in turn, and the RMS value of the lower muscle with the lower ankle angle correlation is removed in turn. The nonlinear identification method is used again to model the regulating system of dynamic balance of human body, and a more ideal identification scheme is found. Thirdly, because of the strong generalization ability of SVM, the shortcoming of BP neural network falling into local minima can be effectively avoided. According to the optimized identification scheme and the nonlinear identification method of SVM, the model of human dynamic balance regulating system is established in this paper. The result shows that the correlation coefficient between the predicted output and the expected output is higher than the correlation coefficient between the prediction and the output of BP neural network. At the same time, the prediction error of SVM is smaller than that of BP neural network. Therefore, the prediction effect of SVM is better than that of BP neural network. To a certain extent, the nonlinear identification accuracy of human dynamic balance regulation process is improved, which provides theoretical basis and data support for medical research.
【學位授予單位】：河北大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：R318;TN911.7

【相似文獻】

相關(guān)期刊論文 前10條

1 李德忠;;神經(jīng)網(wǎng)絡與人事決策研究的新范式[J];現(xiàn)代生物醫(yī)學進展;2006年04期

2 戴康;王曉瓊;;神經(jīng)網(wǎng)絡在藥動學評價中的應用[J];醫(yī)藥導報;2007年09期

3 蔡云;;收斂非線性神經(jīng)網(wǎng)絡的穩(wěn)定性[J];國外醫(yī)學.生物醫(yī)學工程分冊;1991年01期

4 王繼成,呂維雪;基于神經(jīng)網(wǎng)絡的心電數(shù)據(jù)壓縮[J];生物醫(yī)學工程學雜志;1993年03期

5 段新昱,林家瑞;神經(jīng)網(wǎng)絡在心電信號分析處理中的應用[J];國外醫(yī)學.生物醫(yī)學工程分冊;1993年01期

6 Miller A S ,張永紅;神經(jīng)網(wǎng)絡在醫(yī)學信號處理方面的應用[J];國外醫(yī)學.生物醫(yī)學工程分冊;1993年04期

7 王繼成;呂維雪;;基于符號神經(jīng)網(wǎng)絡的心臟疾病自動診斷[J];北京生物醫(yī)學工程;1993年03期

8 劉子皇;;胞神經(jīng)與類胞神經(jīng)網(wǎng)絡的動力學范圍的準確估計[J];中山大學研究生學刊(自然科學版);1995年03期

9 鄒睿,歐陽楷,劉悅;神經(jīng)網(wǎng)絡中的微心理學——兼論人工神經(jīng)網(wǎng)絡框架[J];山東生物醫(yī)學工程;1998年01期

10 鄒凌云;王正志;黃教民;;基于位置特異性譜和輸入加權(quán)神經(jīng)網(wǎng)絡的蛋白質(zhì)亞細胞定位預測(英文)[J];遺傳學報;2007年12期

相關(guān)會議論文 前10條

1 徐春玉;;基于泛集的神經(jīng)網(wǎng)絡的混沌性[A];1996中國控制與決策學術(shù)年會論文集[C];1996年

2 周樹德;王巖;孫增圻;孫富春;;量子神經(jīng)網(wǎng)絡[A];2003年中國智能自動化會議論文集（上冊）[C];2003年

3 羅山;張琳;范文新;;基于神經(jīng)網(wǎng)絡和簡單規(guī)劃的識別融合算法[A];2009系統(tǒng)仿真技術(shù)及其應用學術(shù)會議論文集[C];2009年

4 郭愛克;馬盡文;丁康;;序言(二)[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術(shù)會議論文集[C];1999年

5 鐘義信;;知識論:神經(jīng)網(wǎng)絡的新機遇——紀念中國神經(jīng)網(wǎng)絡10周年[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術(shù)會議論文集[C];1999年

6 許進;保錚;;神經(jīng)網(wǎng)絡與圖論[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術(shù)會議論文集[C];1999年

7 金龍;朱詩武;趙成志;陳寧;;數(shù)值預報產(chǎn)品的神經(jīng)網(wǎng)絡釋用預報應用[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術(shù)會議論文集[C];1999年

8 田金亭;;神經(jīng)網(wǎng)絡在中學生創(chuàng)造力評估中的應用[A];第十二屆全國心理學學術(shù)大會論文摘要集[C];2009年

9 唐墨;王科俊;;自發(fā)展神經(jīng)網(wǎng)絡的混沌特性研究[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學學報（增刊）][C];2009年

10 張廣遠;萬強;曹海源;田方濤;;基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡的故障診斷方法研究[A];第十二屆全國設備故障診斷學術(shù)會議論文集[C];2010年

相關(guān)重要報紙文章 前10條

1 美國明尼蘇達大學社會學博士 密西西比州立大學國家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護好創(chuàng)新的“神經(jīng)網(wǎng)絡硬件”[N];中國教師報;2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計算機世界;2001年

3 葛一鳴 路邊文;人工神經(jīng)網(wǎng)絡將大顯身手[N];中國紡織報;2003年

4 中國科技大學計算機系　邢方亮;神經(jīng)網(wǎng)絡挑戰(zhàn)人類大腦[N];計算機世界;2003年

5 記者 孫剛;“神經(jīng)網(wǎng)絡”：打開復雜工藝“黑箱”[N];解放日報;2007年

6 本報記者 劉霞;美用DNA制造出首個人造神經(jīng)網(wǎng)絡[N];科技日報;2011年

7 健康時報特約記者　 張獻懷;干細胞移植：修復受損的神經(jīng)網(wǎng)絡[N];健康時報;2006年

8 劉力;我半導體神經(jīng)網(wǎng)絡技術(shù)及應用研究達國際先進水平[N];中國電子報;2001年

9 ;神經(jīng)網(wǎng)絡和模糊邏輯[N];世界金屬導報;2002年

10 鄒麗梅 陳耀群;江蘇科大神經(jīng)網(wǎng)絡應用研究通過鑒定[N];中國船舶報;2006年

相關(guān)博士學位論文 前10條

1 楊旭華;神經(jīng)網(wǎng)絡及其在控制中的應用研究[D];浙江大學;2004年

2 李素芳;基于神經(jīng)網(wǎng)絡的無線通信算法研究[D];山東大學;2015年

3 石艷超;憶阻神經(jīng)網(wǎng)絡的混沌性及幾類時滯神經(jīng)網(wǎng)絡的同步研究[D];電子科技大學;2014年

4 王新迎;基于隨機映射神經(jīng)網(wǎng)絡的多元時間序列預測方法研究[D];大連理工大學;2015年

5 付愛民;極速學習機的訓練殘差、穩(wěn)定性及泛化能力研究[D];中國農(nóng)業(yè)大學;2015年

6 李輝;基于粒計算的神經(jīng)網(wǎng)絡及集成方法研究[D];中國礦業(yè)大學;2015年

7 王衛(wèi)蘋;復雜網(wǎng)絡幾類同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學;2015年

8 張海軍;基于云計算的神經(jīng)網(wǎng)絡并行實現(xiàn)及其學習方法研究[D];華南理工大學;2015年

9 李艷晴;風速時間序列預測算法研究[D];北京科技大學;2016年

10 陳輝;多維超精密定位系統(tǒng)建模與控制關(guān)鍵技術(shù)研究[D];東南大學;2015年

相關(guān)碩士學位論文 前10條

1 章穎;混合不確定性模塊化神經(jīng)網(wǎng)絡與高校效益預測的研究[D];華南理工大學;2015年

2 賈文靜;基于改進型神經(jīng)網(wǎng)絡的風力發(fā)電系統(tǒng)預測及控制研究[D];燕山大學;2015年

3 李慧芳;基于憶阻器的渦卷混沌系統(tǒng)及其電路仿真[D];西南大學;2015年

4 陳彥至;神經(jīng)網(wǎng)絡降維算法研究與應用[D];華南理工大學;2015年

5 董哲康;基于憶阻器的組合電路及神經(jīng)網(wǎng)絡研究[D];西南大學;2015年

6 武創(chuàng)舉;基于神經(jīng)網(wǎng)絡的遙感圖像分類研究[D];昆明理工大學;2015年

7 李志杰;基于神經(jīng)網(wǎng)絡的上證指數(shù)預測研究[D];華南理工大學;2015年

8 陳少吉;基于神經(jīng)網(wǎng)絡血壓預測研究與系統(tǒng)實現(xiàn)[D];華南理工大學;2015年

9 張韜;幾類時滯神經(jīng)網(wǎng)絡穩(wěn)定性分析[D];渤海大學;2015年

10 邵雪瑩;幾類時滯不確定神經(jīng)網(wǎng)絡的穩(wěn)定性分析[D];渤海大學;2015年

，

本文編號：1568987