智能系统与应用16（2022）200134上肢假肢经桡动脉收缩力埃贾伊·恩苏贝Nsugbe研究实验室，Swindon，英国A R T I C L EI N FO关键词：假肢控制模式识别LSDL信号处理机器学习A B S T R A C T识别预期手势及其相关收缩力的能力都是有用的功能，这可能有助于仿生上肢假肢的进步。大量的相关文献似乎单独解决这些问题，而不是作为顺序控制系统的一部分。作为正在进行的研究的一部分，在这个主题上，这项工作解决了第二部分的多阶段先进的假肢控制系统的预测用于产生一个特定的手势运动的收缩力。使用一种新的分解方法来解决这个问题，该方法的分解参数可以根据识别的手势运动而变化，用于源信号的最佳分解，这能够最大化控制系统的预测精度。结果表明，与纯粹使用原始采集信号进行的处理相比，使用该方法的分类精度提高了10-20%。随后的工作将涉及对其他类型的截肢者（如经肱骨和肩关节离断）的拟议控制系统的测试，以调查其推广能力。1. 介绍个体的上肢是人体的有意义的部分，其主要功能是支持日常活动，除了作为在环境中导航的手段之外，因此上肢的丧失已经被认为具有实质上改变生活的意义（Nsugbe等人， 2020年a）。 这些包括自主性和独立性的限制，以及更深层次的问题，例如由于并发的幻肢感觉和个体的生物运动控制通路的破坏而引起的痛苦（Nsugbe等人，2020年a）。失去一部分上肢的一些主要原因包括创伤、冲突和血管疾病（Nsugbe等人，2020年a）。仿生上肢假肢代表了最接近的工程仿生上肢设备的增强有助于形成ottobockus.com“控制论人类运动控制回路”，据说这可以减轻截肢的症状和痛苦，在失去上肢时，这是一种身体和神经形式的康复（Nsugbe，2021c;www.example.com，n.d. ）. 由于上肢功能丧失的程度不同，跨桡侧（肘以下）的仿生上肢假肢也存在着不同的种类截肢）、经肱骨（肘上截肢）和肩关节离断（Limbless Statistics，n.d. ）.与各种假体的控制界面设计相关的研究的深入文献反映出，每种假体都存在独特的控制器设计挑战，其中大多数控制界面由于其直观性 而 倾 向 于 假 体 的 模 式 识 别 控 制 方 案 （ Attenberger 和Wojciechowski，2017; Barry等人，1986; Fougner等人，2012; Guo等人，2014，2015，2017 a，2017 b; Nsugbe，2021 a，2021 b）。该控制方案的可操作性的成功集中在手势意图运动的成功识别上，因此可以理解的是，该领域的大部分重点集中在解决手势识别练习的有效手段上，以促进增强的假肢控制，其中该练习已经使用健康和截肢受试者的混合物进行了研究（Attenberger和Wojciechowski，2017;Barry等人，1986; Fougner等人，2012; Guo等人，2014，2015，2017 a，2017 b; Nsugbe，2021 a，2021 b）。 在较小程度上，本领域的研究人员还研究了预测所识别的手势运动的收缩力的方法，作为能够改变其抓握强度的高级假体系统的设计的一部分（Doheny等人，2008; Nazarpour等人，2013年）。这一领域的主要工作是由Al-Timemy等人完成的对于一群电子邮件地址：ennsugbe@yahoo.com。https://doi.org/10.1016/j.iswa.2022.200134接收日期：2022年2月27日;接收日期：2022年9月19日;接受日期：2022年9月29日2022年10月4日网上发售2667-3053/冠版权©2022发表通过Elsevier 公司这是一个开放接入文章下的CCby-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表智能系统及其应用杂志主页：www.journals.elsevier.com/intelligent-systems-with-applicationsE. 恩苏贝智能系统与应用16（2022）2001342经桡动脉截肢者，研究了在收缩力变化的情况下对幻影运动的识别（Al-Ti-memy等人，2015年）。Al-Timemy等人所作的贡献。的工作集中于在变化的力中识别手势，但没有扩展到同时预测手势旁边的收缩力，作为设置假肢中的致动马达的速度分布的第一步（Al-Timemy等人， 2015年）。因此，作为正在进行的研究的一部分，这项工作利用Al-Timemy等人（2015）获得的EMG数据集设计一个多阶段分层模式识别控制器，该控制器能够解决手势识别问题以及预测相关的收缩力。关于此的先前工作调查了假设的控制系统的第一部分，其集中于使用具有微弱幻影运动EMG数据集的截肢受试者的手势识别问题，其中指出，当作者设计的线性序列分解学习器（LSDL）被用作预处理器时，所开发的模型的识别精度 大 大 提 高 。 在 信 号 处 理 之 前 分 解 数 据 并 消 除 冗 余 的 处 理 机制（Nsugbe，2017，未发表的结果）。LSDL的分解方法与假设单组分解参数在考虑的所有six体模手势运动中推广，并允许最佳信号分解（Nsugbe，2017，未发表的结果）。尽管所获得的结果表明该假设是有效的，但是假设可以通过针对每个姿势集合采用唯一的和定制的LSDL分解参数来进一步建立该假设。首先，这种方法对信号分解的实时实现的限制是需要能够提供初始化的先验源，该初始化可以提示用于分解特定手势运动的唯一参数。在控制系统的该第二方面中，由于手势识别问题被预先解决，并且在其中用作先验信息源的形式，该先验信息源可以提供截肢者想要的手势的指示，并且因此可以提示一组LSDL分解参数，该LSDL分解参数能够在信号处理之后对源信号进行最佳分解，作为使预测准确度最大化的手段。这种方法被用于模式识别架构的第二阶段的设计，并作为所提出的多级先进控制系统的一部分，用于预测收缩力强度。实现该设计所采用的方法是可变增益控制器框架，其依赖于外部源作为自适应地选择适当的控制器增益以适应演进/动态变化过程的手段，在本研究中，该过程是一组变化的手势（Analog.com，n.d. ）.所提出的多级先进控制系统的总体图见图1. 1.一、具体而言，本文的贡献如下：设计一个 以随后产生最大化预测准确度所设计的假肢控制系统在预测识别出的手势运动的收缩力方面的应用，其性能在三种不同的分类模型2. 材料和方法2.1. 数据收集本手稿中使用的数据由Al-Timemy等人收集。（2015），根据以前的工作，其中使用的数据来自一名截肢者，他的左肢缺失了一部分，如图2所示。关于截肢者的进一步细节可见于表1（Al-Timemy等人， 2015年）。数据的收集得到了当地管理机构的伦理批准，并在数据收集之前提供了书面同意书（Al-Timemy et al.，2015年）。还可以注意到，在放置电极之前不久，通过用酒精和预备凝胶的组合进行清洁来进行皮肤准备（Al-Timemy等人，2015年）。使用使用12通道电极的肌电图（EMG）感测来收集数据，其中以2000 Hz对所获取的数据进行采样（Al-Timemy等人， 2015年）。 EMG信号表示来自神经元活动的动作电位的叠加和电生理表现，其取决于个体的生理和解剖特性（E.Nsugbe，Samuel，Asogbon和Li，2020年）。这可以使用偶极理论的原理数学建模为来自多源偶极的细胞外动作电位的连续流，如下所述（Nsugbe等人，2020年b）：Fig. 1. 建议的多级假肢控制架构图片。··E. 恩苏贝智能系统与应用16（2022）2001343∫阿克图二、一名经桡动脉截肢者左 上 肢 缺失一段的 图像 （Al-Timemy等人， 2015年）。表1关于截肢者的细节。年龄性别截肢原因残根长度树桩周长截肢后时间假体使用30男性创伤29.0厘米23.5厘米28年化妆品∞一台2. σi+平均IAP（x，t）（1）收缩力的水平与他们各自的手势，这ε e（t）=-4。σe。-∞你好ax. r（x）简体中文（CN）随后通过一系列不连贯的窗口进行窗口化，使用250 ms窗口方案采样的重复。其中，σe是随时间波动的细胞外电位，σe是细胞外介质的电导率，σi是细胞内电导率，a是纤维半径，t表示时间，r是从激发源到记录仪器的分离距离，x是纤维元件中的空间点，a-x表示解剖纤维的跨度，并且ΔIAP是在纤维轴内的点。Al-Timemy等人（2015年）收集的手势运动除了抓握运动之外，还包括精细的手指运动，其中大部分可以说是个人日常活动所需的。这些手势包括：球形抓握（手势1）、食指抓握（手势2）、钩状抓握（手势3）、拇指抓握（手势4）、三脚架抓握（手势5）和细捏（手势6）;同时视觉系统指示施加了多少收缩力（Al-Timemy等人，2015年）。收缩力变化方面反映了截肢者施加的力发生变化的真实情况。对于每个手势运动，产生三个不同的收缩力水平，即低、中和高，其中每个收缩力保持在8-12秒的范围内。关于各种力水平的采集程序的详细信息可参见Al-Ti-memy等人（2015），其中描述了截肢者在产生低水平和高水平收缩力时因截肢后缺乏使用而感到不适。在数据收集过程中，这些水平的收缩力引起疼痛和不适，以及剧烈的认知负荷和零星的震颤，这可以被视为所收集数据中嵌入的不确定性的来源（Al-Timemy等人，2015;Nsugbe，未发表的结果）。与先前的相关工作一样，每个实验都2.2. 信号分解信号分解的应用基于信号的迭代分离和反卷积，以揭示嵌入的信息并最小化信号中的不确定性（Daubechies，1992）。这一概念的应用涵盖了收集平稳和非平稳趋势和信号的领域，包括物理医学、金融和计量经济学等（Daubechies，1992）。在各种信号分解方法中，线性序列分解学习器（LSDL）相对于其对应物在预测能力和计算效率方面被认为是强大的（Nsugbe和Sanusi ， 2021; Nsugbe 等 人 ， 2016 ， 2018; Nsugbe 等 人 ， 2021年）。该技术基于人工智能（AI）驱动的代理的使用，给定一组初始化参数和线性基函数，该代理顺序地对源信号进行去卷积，同时还能够使用定义的性能指数来评估每个候选分解区域内的信息质量（Nsugbe和Sanusi，2021; Nsugbe 等人，2016，2018; Nsugbe等人，2021年）。AI代理是基于元启发式推理以及峰值识别算法构建的，峰值识别算法串联起来，作为一组自动化规则来执行所需的计算动作，以及信号的过滤，以最小化候选信号的冗余和不确定性（Abdel-Basset et al.， 2018年）。除了最初的Inception案例研究之外，LSDL还看到了在涉及生理信号的广泛临床医学领域以及康复和妊娠医学等跨领域的稳定应用（Nsugbe和Sanusi，2021; Nsugbe等人，2021年）。对于每个领域，LSDL都表现出相当大的改进，E. 恩苏贝智能系统与应用16（2022）2001344∫⎛∫⎛||不不⎠⎠⎝⎠以最新技术水平为基准时对生理状态的识别，并在其中展示了该技术有助于改善患者护理策略的能力，以及在某些情况下更大的拯救生命潜力（Nsugbe和Sanusi，2021;T T|2019 - 04 - 22 00：00：00| S n|）+Lwr n（|Sn|（三）|)(3)00Nsugbe等人， 2021年）。从 技 术的 角 度 来 看 ， 给定 样 本 信 号 Sn ， 可 以 在Nsugbe et al.（2021）和Nsugbe和Sanusi（2021），而本文的重点是描述的适应和利用LSDL的框架的案例研究在手。可以注意到，在文献中存在其他分解方法，诸如经验模式分解（EMD）、小波分解和统计模型库中的分解包，而LSDL是计算上有效的方法，由于其应用，已经看到预测精度增加（Stallone等人， 2020年; Statsmodels.org，n.d. ;Talebi，2022年）。分解过程的树状分层流可以是如图3所示，其中还示出了在该技术的实现期间如何创建去卷积的分解区域。从数学上讲，分解级数可以表示如下：对于最佳分解区域的计算，使用了低和中等收缩力，因为这些收缩力代表微弱的收缩信号，其运动被认为难以预测。针对所有六个手势集合上的所有收缩力，针对上阈值区域和下阈值区域两者的四个定义的迭代来执行该方法，以产生总共48个模拟，并且获得表2中呈现的各种值。在表3中可以看到示出针对所有六个手势的收缩力的LSDL最优分解区域的汇总表。从表3中可以注意到，最佳阈值区域基于手头的手势而变化，因此可以说，如果阈值变化并且基于假体控制系统内的识别手势，则收缩力的预测精度可以最大化。在控制系统的手势识别方面的先前相关工作中，在手势识别中必须采用通用阈值方法，因为这是系统的第一阶段，而不存在关于手势识别的任何先验或参考输入。⎛∫T⎞∫()- 是的）有意的手势动作。控制系统的这一部分取决于解决手势识别问题，这可以在其中服务于|为|=0（T l上部1（|S n|）dn +0Tl上部2不（|Sn|）.....0T1上N不（|S n|）DN其可用于选择适当的阈值模型以随后⎛∫T⎞- 是的）- 是的）对收缩力的预测具有重要意义。A提到，这种方法-+（T 1下1（|S n|）dn+00T l下部2 （一）|S n|）dn .....0Tllowern （|S n|）DN（二）OGY非常类似于应用于光学和音频混合的可变增益控制系统的概念，其中电子设备的增益被改变以基于来自发光二极管的光学测量或参考电流值来优化性能。⎝E. 恩苏贝智能系统与应用16（2022）2001345图3.第三章。LSDL的分解树表示（其中T指示候选 信号 的长度）（Nsugbe等人，） 的。E. 恩苏贝智能系统与应用16（2022）2001346表2各种手势的LSDL分解的性能指数结果手势5n/a表示缺乏计算性能指数所需的样本2.3. 特征提取存在各种形式的特征工程方法，其允许朝向选择特征的最佳子集的流线型方法，包括catch22和FLOps算法（Lubba等人，2019; Patel等人，2020年）。由于信号处理的这个领域已经在过去几年中得到了实质性的解决，因此已知哪些特征集合对于这些应用是最佳的，并且因此将被应用在本研究中，从而否定了对应用任何形式的特征工程方法的需要（CompEngine，n.d. ;Lubba等人， 2019; Patel等人，2020年）。在手势识别方面中使用的相同特征组被用于本研究中，并且包括一组计算上有效的特征，如下所示：平均绝对值（MAV）、四阶自回归（AR）、简单平方积分（SSI）、增强平均绝对值（EMAV）、对数检测器（LD）、威尔逊振幅（WAMP）、方差（VAR）、均方根（RMS）、峰度（Kurt）、和最大频谱系数（Ceps）（Too等人，2019年）。2.4. 分类器与特征集类似，从先前的手势识别练习中采用以下分类器：基于白框的非参数决策树（DT）模型;以及基于支持向量机（SVM）内核的模型，其中SVM的线性（L-SVM）和基于二次（Q-SVM）的变体都用于本研究中（Nsugbe等人，2021; Sharma and Kumar，2016）. L-SVM使用线性决策边界对各种数据类的分离，而Q-SVM-其具有更复杂的架构-利用非线性决策边界对数据类的分离，其中，明确地在这种情况下，二次函数用于类边界。虽然可以承认文献中存在一系列分类模型，但是由于计算效率高，因此选择这组模型用于这项工作，这对于实时分类至关重要。表3显示每个手势的各种最佳分解的汇总表该研究领域的应用目的（Auto-Sklearn，N. D. ; Brownlee，2020; scikit-learn，n. d. ）. MATLAB 2020a机器学习工具箱X用于所有模型构建。作为该过程的一部分，针对每个模型的唯一优化成本函数调整最优超参数，随后使用保持方法进行验证，其中80%的数据用于分类器的训练过程，剩余的20%用于测试训练分类器的性能。3. 结果来自分类练习的结果可以在表4中看到，其中对于大多数手势，LSDL产生了最佳准确度，并且还在所有手势上的平均分类准确度上增加了10-20%，其中展示了LSDL通过其分解能力增强预测能力的能力。该结果也与在手势识别的先前相关工作中获得的结果一致，其中LSDL在手势识别中与原始信号相比时产生最佳性能。考虑到在本研究中训练了三个分类器，可以通过选择为每个姿势集产生最佳分类性能的分类模型来最大化总体预测性能。在表5中可以看出，在用于六个姿势的最佳分类器的列表中存在变化，其中示出了从截肢者获取的这些种类的神经生理学信号的总体行为的变化。各种分类器中的每一个的计算时间可以在表6中看到，并且对于每个分类器使用五次重复来产生可以看出，DT分类器继续为分类问题提供最佳计算时间，尽管SVM的不同变体也在范围内。还可以注意到，由于包括三个类别的收缩力预测的问题，各种分类器的选择时间合理地低于现有姿势识别问题的选择时间，这与姿势识别问题相反，姿势识别问题是包括六个类别的更广泛的问题主成分分析（PCA）图允许作为识别和分类问题的一部分的各种数据类之间的分离程度的低维可视化。从图4中，顶部曲线图示出了可视化，并且其中示出了针对手势2绘制的各种类别的可分离程度，可以看出其包含各种类别之间的大量重叠水平，并且提供了关于表4中记录的相对低的分类准确度的定性解释程度。图4的底部曲线图示出了由LSDL预处理的信号的可视化，可以看出，其示出了各种类别之间的更大的分离度，并且再次提供了定性证据以示出LSDL分解方法的影响和益处，同时还提供了进一步的迹象以解释作为表4的一部分记录的相对较高的分类准确度。先进的模式识别控制系统的图像可以在图中看到。 五、4. 结论失去一部分上肢会严重损害一个人的独立水平，以及他们所享有的生活质量。仿生上肢假肢复制尽可能接近的功能上肢，由于它的功能，手势数123456阈值下区域迭代下区域迭代下区域迭代下区域迭代下区域迭代下区域迭代区域114422手势1迭代1234上阈区2.0000n/an/an/a低阈区2.07312.07302.05312.0415手势2迭代1234上阈区n/an/an/an/a低阈区2.04032.00202.00822.0320手势3迭代1234上阈区2.0309n/an/an/a低阈区2.01642.03032.03322.0442手势4迭代1234上阈区n/an/an/an/a低阈区2.00142.00662.02402.0255迭代1234上阈区2.0210n/an/an/a低阈区2.12262.13882.10182.1368手势6迭代1234上阈区n/an/an/an/a低阈区2.03882.05732.04422.0457E. 恩苏贝智能系统与应用16（2022）2001347表4原始数据与LSDL分解结果的分类比较生-LSDL-生L-LSDLL-原始Q-LSDL Q-DT分类DT分类SVM分类SVM分类SVM分类SVM分类准确度（%）准确度（%）准确度（%）准确度（%）准确度（%）准确度（%）手势74.059.368.965.676.963.71手势64.580.660.180.668.980.62手势57.984.247.386.458.688.63手势48.075.557.949.860.151.34手势68.990.161.995.669.696.05手势61.281.744.388.360.190.86是说62.40 ±8.2778.60 ±9.6556.70 ±8.4877.70 ±15.5065.70 ±6.6378.50 ±15.93表5最佳分类器列表以及分类精度。最优分类器分类准确率（%）手势1L-SVM76.9手势2DT/L-SVM/Q-SVM80.6手势3Q-SVM88.6手势4DT75.5手势5Q-SVM96.0手势6Q-SVM90.8是说84.7 ±7.6表6显示三种分类模型的选择时间的表以实现每个特定手势运动的最佳分解。总体结果显示出10-20%的增加，这取决于所使用的分类模型，其通过分类器选择过程进一步增加和优化，如表5所示。该架构-与所提出的系统的手势识别部分一起-是一种先进的基于模式识别的控制系统，其能够解决识别问题，同时随后预测执行手势所需的收缩力，并形成更逼真的仿生界面，可以允许仿生肢体的进一步“人性化”。假肢的不同握力允许截肢者在日常生活中与各种物体互动 它可以帮助截肢者在日常生活中（例如，从脆弱的鸡蛋到沉重的教科书）获得更多的自主权，并为截肢者的生活增加了一层自主权，他们在与物体的互动中不再受到基于默认握力的限制。选择时间-DT（用于单个实例的预测）（ms）选择时间-L-SVM（用于单个实例的预测）（ms）选择时间-Q-SVM（用于单个实例的预测）（ms）以Al-Timemy等人在文献中的先前关键工作为基准，这项工作是对现有工作的一个进步，因为先前的文献只考虑了15.60± 10.64 22.70± 4.31* 22.36± 3.66**虽然L-SVM和Q-SVM的选择时间在某种程度上具有相似的时间范围，但可以注意到Q-SVM的训练时间比L-SVM的训练时间长得多（尽管这里没有显示提供给用户。仿生上肢假肢的功能取决于控制接口，该控制接口负责将获取的神经肌肉信号转换成能够执行训练的和预期的姿势运动的有效机械致动提示。文献中的大部分研究主要集中在解决手势识别系统作为模式识别控制器的一部分，只有少数作者考虑预测相关的力作为更复杂的假肢控制界面的一部分。本文介绍了在一个正在进行的研究中取得的进展，围绕分层模式识别控制系统的设计，它能够首先识别预期的手势运动与从一组EMG传感器获得的信号，然后预测相关的收缩力，作为一个先进的假肢控制系统的一部分。作为研究的一部分，本文的基础上，从以前的研究中使用的广义LSDL算法，这有助于提高手势运动的识别精度的预期手势运动的识别结果本文的重点和贡献是基于周围的第二部分的建议先进的控制系统架构的后续预测的相关的收缩力伴随着一个预期的手势运动的设计。先进控制系统这方面的控制架构是使用可变增益控制架构来制定的，该可变增益控制架构利用先验解决的手势识别问题的解决方案，并将其用作调整到定制的各种LSDL参数这篇论文中提出的全部问题，而这篇手稿中提出的工作展示了一种先进的分层假体控制系统，其中先验地识别幻象运动，随后预测每个特定运动的收缩力（Al-Timemy等人，2015年）。与现有文献相比，有了很大的进步.这项试点工作已经使用经桡动脉受试者的数据集和EMG传感完成;后续工作可能涉及在来自经肱骨和肩关节离断受试者的数据上测试这种设计的先进假体控制系统，这些受试者以前被认为产生具有更大随机性的神 经 肌 肉 特 征 ， 以 及 其 他 分 类 模 型 调 整 方 法 的 试 验 和 测 试 ， 如AutoSKLearn（Nsugbe和Al-Timemy，2021 ; Nsugbe等人，2021年）。此外，概率建模的使用可以包括在假体控制系统的两个方面中，以便用作使用概率阈值方法来最小化姿势的错误识别的算法功能，其中仅具有高确定性水平的样本被修剪掉并且随后朝向整个系统的分类阶段前进（Cao等人， 2015年）。作者声明Ejay Nsugbe-结果分析和论文草稿。竞争利益作者声明，发表这篇文章没有利益冲突。E. 恩苏贝智能系统与应用16（2022）2001348图四、 原始数据（顶部）和LSDL（底部）的手势2的PCA图，变异性为98%。图五. 图中显示了高级模式识别控制系统的两个部分，其中顶部是先前工作中提到的手势识别方面，底部涉及收缩力的预测E. 恩苏贝智能系统与应用16（2022）2001349数据可用性数据将根据要求提供。确认作者感谢Kerr Editing的Brian Kerr校对这份手稿。资金这项研究是作为Nsugbe研究实验室数据可用性这些数据可以从文章中引用的存储库中获得。引用Abdel-Basset，M.，阿卜杜勒-法塔赫湖，&Sangaiah，A. K.（2018年）。第10章元启发式算法：全面综述。以. K.桑盖亚河盛、Z. Zhang（Eds.），云上多媒体大数据的计算智能与工程应用（第10页）185-231）。中国科学出版社.https://doi.org/10.1016/B978-0-12-813314-9.00010-4.Al-Timemy，A.，Khushaba河，Bugmann，G.，&Escudero，J.（2015）.肌电控制多功能桡侧截肢者上肢假肢抗力变性能的改善。IEEE Transactions on Neural SystemsandRehabilitation Engineering：A Publication of the IEEE Engineering in Medicine andBiologySociety. https://doi.org/10.1109/TNSRE.2015.2445634Analog.com. （未注明）。 模拟控制可变增益放大器（VGA）|模拟设备Analog. Com.于2022年1月13日检索自https://www.analog.com/en/products/amplifiers/variable-gain-fiers/analog-control-vgas.html。Attenberger，A.，&Wojciechowski，S.（2017年）。基于MATLAB的上肢假肢控制实时分类系统。In R. Moreno-Díaz，F. Pichler，A. Quesada- Arencibia（编辑），10672。计算机辅助系统理论-施普林格国际出版社。https://www.springerprofessional.de/en/a-real-time-classification-system-for-upper-limb-prosthesis-自动学习（未注明）。auto-sklearn-AutoSklearn 0.14.7文档。Automl.Github.Io.2022年7月10日，从https://automl.github.io/auto-sklearn/master/检索。巴里，D.，伦纳德，J.，Gitter，A.，&鲍尔河D.（1986年）。声学肌描记术作为外部动力假肢的控制信号。物理医学和康复档案。https://doi.org/10.5555/URI:PII:0003999386903941Brownlee，J. （2020年）。TPOT用于Python中的自动化机器学习 机器学习掌握。https://machinelearningmastery.com/tpot-for-automated-machine-learning-in-python/.Cao，F.，叶，H.，&Wang，中国山杨D.（2015年）。随机权值神经网络鲁棒建模的概率学习算法。Information Sciences，313，62-78.https://doi.org/10.1016/j.ins.2015.03.039CompEngine。（未注明）。CompEngine。时间序列数据的自组织数据库。组件-引擎组织https://www.comp-engine.org/网站。多贝西岛（1992年）。关于小波的十堂课。工业与应用数学学会。Doheny，E. P.，Lowery，M. M.，Fitzpatrick，D. P.，&奥马利，M。J.（2008年）。肘关节角度对人类肘屈肌和肘伸肌力-肌电关系的影响。Journalof Electromyographyand Kinesiology：Official Journal of the International Society of ElectrophysiologicalKinesiology，18（5），760-770. https://doi.org/10.1016/j的网站。jelekin.2007.03.006Fougner，A.，Stavdahl，O.，Kylem，P. J.，Losier，Y. G.，&帕克，宾夕法尼亚州。（2012年）。上肢假肢的控制：术语和比例肌电控制综述。IEEE Transactions onNeural Systems and Rehabilitation Engineering：A Publication of theIEEE Engineering inMedicine and Biology Society，20（5），663-677.https://doi.org/10.1109/TNSRE.2012.2196711郭文，Sheng，X.，刘洪，&Zhu，X.（2015年）。开发用于假肢操作的多通道紧凑型无线sEMG/NIRS混合传感器系统。IEEE Sensors Journal，16.https://doi.org/10.1109/JSEN.2015.2459067，1-1.郭文，Sheng，X.，刘洪，&Zhu，X.（2017a）中所描述的。机械肌电描记术辅助上肢假肢的肌电传感：一种混合方法。IEEE Sensors Journal.https://doi.org/10.1109/JSEN.2017.2679806郭文，Sheng，X.，刘洪，&Zhu，X.（2017年b）。利用EMG和NIRS信号进行上肢假肢控制的增强型人机界面。IEEE Transactions on Human-Machine Systems，47（4），564-575. https://doi.org/10.1109/THMS.2016.2641389郭文，Yao，P.，（1986 - 1990），中国地质大学，Sheng，X.，Zhang，D.，中国农业科学院农业研究所所长，&Zhu，X.（2014年）。基于同步sEMG和NIRS的增强型人机界面，用于假肢控制。2014年国 际 信 息 与 自 动 化 会 议 （ ICIA ） 204-207 ） 。 电 子 邮 件doi.org/10.1109/ICInfA.2014.6932653无肢统计。（未注明）。LIMBLESS统计数据。无肢统计。2021年12月27日，从http://www.limbless-statistics.org/检索。卢巴角H、Sethi，S.美国，Knaute，P.，Schultz，S. R.，富尔彻湾D、&Jones，N. S.（2019年）。catch22： CAnonical时间序列特征。 Data Mining and KnowledgeDiscovery ， 33 （ 6 ） ， 1821-1852. https://doi.org/10.1007/s10618-019-00647-WWW.EXAMPLE.COMNazarpour，K.，Al-Timemy，A. H、Bugmann，G.，&杰克逊，A.（2013年）。关于表面肌电信号概率分布函数的注记。Brain Research Bulletin，90，88-91.https://doi.org/10.1016/j.brainresbull.2012.09.012Nsugbe，E.（未公布结果）。在不同的收缩力中控制经桡动脉假体的微弱幻影运动的手势识别。Nsugbe ， E. （ 2017 年 ） 。 基 于 声 发 射 的 粉 末 团 聚 过 程 粒 度 分 布 估 计 [ 论 文 ].http://dspace.lib.cranfield.ac.uk/handle/1826/14378章.Nsugbe，E.（2021a）中所示。上肢假肢控制中手势意图获取的脑机和肌肉机生物传感方法医学工程技术杂志&，45（2），115-128。https://doi.org/10.1080/03091902.2020.1854357Nsugbe，E.（2021b年版）。近红外监测血流动力学在经桡动脉假体控制手势识别中的应用的初步探索。智能系统与应用，9，文章200045。https://doi.org/10.1016/j.iswa.2021.200045Nsugbe，E.（2021c）中所示。透视幻象感觉及超音波影像在经股骨头假体手势运动研究中的应用。国际生物医学工程与技术杂志。Nsugbe，E.，&Al-Timemy，A. H.（2021年）。使用电生理学和低频解剖学收缩信号识别用于假肢控制的肩带。CAAI Transactions on Intelligence Technology，n/a（n/a）. https://doi.org/10.1049/cit2.12058Nsugbe，E.，Al-Timemy，A.H.，. &塞缪尔，O.W.（未公布的结果）。智能组合器：深度学习和手工制作功能的组合，用于使用EEG信号进行青少年。Nsugbe，E.，菲利普斯角，Fraser，M.，&McIntosh，J.（2020 a）。使用EMG和NIR的用于经肱骨假体控制的手势识别。 IET Cyber-Systems and Robotics，2（3），122-131. https://doi.org/10.1049/iet-csr.2020.0008Nsugbe，E.，Ruiz-Carcel，C.，Starr，A.，&埃隆斯岛（2018年）。用声发射估算非均质化合物中细颗粒和粗颗粒的比例。Sensors，18（3），851.https://doi.org/10.3390/s18030851Nsugbe，E.，Samuel，O. W.，Asogbon，M. G.，&Li，G.（2020b年）。一个自学习和自适应控制方案，用于使用神经肌肉和脑电波生物信号相结合的假体控制。Engineering Proceedings，2（1），59. https://doi.org/10.3390/ecsa-7-08169Nsugbe，E.，Samuel，O. W.，Asogbon，M. G.，&Li，G.（2021年）。融合神经肌肉和脑波信号的经肱骨假体控制的体模运动意图解码。IET Cyber-Systems andRobotics，3（1），77-88. https://doi.org/10.1049/www.example.comNsugbe，E.，&萨努西岛（2021年）。走向负担得起的磁肌描记术仪器和低模型复杂性的方法，使用一种新的多分辨率分析的劳动紧迫性预测。应用人工智能快报，2（3）。电子邮件doi.org/10.1002/ail2.34Nsugbe，E.，Starr，A.，Foote，P.，Ruiz-Carcel，C.，&埃隆斯岛（2016年）。利用声发射对连续颗粒流进行粒度区分。IOP会议系列：材料科学与工程，161，文章012090。https://doi.org/10.1088/1757-899X/161/1/012090Nsugbe，E.，威廉姆斯·塞缪尔，O.，Asogbon，M. G.，&Li，G.（2021年）。跨数字体模运动解码的多分辨率分析方法对比。CAAI Transactions on IntelligenceTechnology，6（3），360-375. https://doi.org/10.1049/www.example.comottobockus.com.（未注明）。Bebionic®是世界Ottobockus.Com.https://www.ottobockus.com/media/local-media/prosthetics/upper-limb/files/14112_bebionic_user_guide_lo.pdf。Patel，D.，Yousaf Shah，S.，周，N.，Sh
我的内容管理
展开
