换一批摘要手腕是人体最灵活的部位之一,通过对表面肌电信号(Surface Electromyography,sEMG)进行分解能够有效地解码出人体运动的深层次神经驱动.目前关于手腕力矩的研究大多集中在等长收缩下,动态下的神经驱动解码依然欠缺.本文研究了手腕在不同阻力下运动时的运动单元(Motor Unit,MU)分解,具体来说,通过磁流变阻尼器来设置不同的阻力水平,将采集到的完整肌电信号划分成运动单元动作电位(Motor Unit Action Potential,MUAP)变化微小的短区间,再在每个短区间上使用静态分解算法来获得运动单元尖峰序列(Motor Unit Spike Train,MUST),并通过短区间的重叠部分对MU进行追踪,从而得到完整的发放序列.本文研究了在 20%最大自愿收缩力(Maxi-mum Voluntary Contraction,MVC)、40%MVC、60%MVC三种阻力下,腕部伸展和屈曲时的运动单元分解.结果表明,三种阻力下,本文的动态分解算法能够有效地从小臂肌电信号中分解出MU,随着阻力的增加,分解出的MU数目有所下降.手腕伸展过程最多能分解出 10±1 个 MU,脉冲信噪比(Pulse-to-Noise Ratio,PNR)和轮廓系数(Silhouette Coefficient,SIL)分别能够达到 19.87±1.42 dB和 0.91±0.03,屈曲过程最多能分解出 22±3 个MU,PNR和SIL值分别能够达到 20.69±2.14 dB和 0.92±0.03.本研究表明不同阻力下对手腕运动的肌电信号进行神经解码是可行的,对高密度肌电的动态应用有着重要意义.
更多相关知识
关键词
高密度肌电手腕运动运动解码动态分解神经驱动high-density surface electromyography(HD-sEMG)wrist movementmovement decodingdynamic decompositionneural drive
栏目名称
DOI
10.13878/j.cnki.jnuist.20250114002
发布时间
2026-01-24（万方平台首次上网日期，不代表论文的发表时间）
基金项目
- 浏览2
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
