沙特国王大学学报基于表面肌电信号的握力预测Jidong Lv，Yang Yang，Liangliang Niu，XiaoQin Sun，Lingyun Wang，Wei Lin，Hailong Rong，LingZou常州大学微电子与控制工程学院，江苏常州213159阿提奇莱因福奥文章历史记录：收到2022年2023年3月31日修订2023年4月1日接受2023年4月5日在线发布保留字：sEMG基于Sparrow搜索算法的支持向量回归机手握力预测A B S T R A C T在手部康复训练中，需要实时获取手部肌肉的活动状态，并通过良好的手部握力预测模型来调整辅助握力值表面肌电信号（sEMG）在无创反映人手运动方面具有很大的优势因此，本文提出了一种基于首先提取表面肌电信号的时域特征，并对握力信号进行三次样条插值，提取握力信号的平均值。然后利用Pearson相关系数选择合适的特征组合进入SSA-SVR模型进行握力预测。最后，分别采用粒子群优化算法（PSO）和遗传算法（GA）对SVR模型进行优化，并通过比较验证了SSA-SVR模型的有效性。为了检验SSA算法对提高SVR模型性能的效果，对随机森林（RF）SSA-SVR模型的预测性能优于其他回归预测模型，均方根误差（RMSE）为0.5054，平均绝对误差（MAE）为0.3242，平均绝对百分比误差（MAPE）为0.0864，准确率（ R2）为93.2%。该方法能准确预测手部握力值，适用于手部康复训练。版权所有©2023作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍中风，一种急性脑血管疾病（Goel等人，2020），是一组因脑血管突然堵塞或破裂而导致脑组织损伤的疾病的总称。它具有高发病率、高致残率和高死亡率。根据全球疾病负担（GBD）2019中风协作组织发布的数据，中风是2019年全球第二大死亡原因。中风的患病率增加了22.0%（Feigin等人，2021年），1990年至2019年70岁以下人群发病率上升15.0%。有3.94 2019年中国新发脑卒中病例100万例（Ma et al.，2021年），中风已成为成年人残疾的主要原因。更*通讯作者：常州大学微电子与控制工程学院，常州213159电子邮件地址：zouling@cczu.edu.cn（L. Zou）。沙特国王大学负责同行审查超过一半的人患有手部功能障碍，这给患者及其家人带来了巨大的负担。因此，应采取有效的康复治疗，以改善手功能障碍。传统的康复方法通过针灸、推拿、按摩等帮助患者恢复手部功能，但需要有专门的医师进行康复治疗。虽然治疗效果相对较好，但医生需要对每一位患者进行逐一治疗，并根据患者的情况进行一对一的针对性培训。 在人力不足的情况下，患者无法获得足够的治疗次数，无法达到预期的治疗效果。此外，康复治疗过程耗费医生大量的时间和精力，相关设备的使用费用昂贵，导致患者康复治疗的整体成本较高。对手部外骨骼的研究（Wu等人，2019年）成为最近的热点问题。它可以取代传统的康复治疗，降低成本，并帮助患者进行手康复训练，恢复手功能。本文对手部外骨骼的康复训练进行了研究。手功能康复中患手握力小于健手https://doi.org/10.1016/j.jksuci.2023.04.0011319-1578/©2023作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comJ. Lv、Y.扬湖，澳-地Niu等人沙特国王大学学报2训练，需要手部外骨骼提供辅助力量，帮助患者弥补差异。因此，需要适当的方法来预测握力。研究了表面肌电信号的两个方面：手势识别和力预测。手势识别主要研究从表面肌电信号中识别手部动作。Cao等人（Cao等人，2021）采用粒子群和改进粒子群算法对支持向量机进行优化和训练。粒子群优化的支持向量机模型和改进的支持向量机模型的识别率均达到94%以上。Mohammed等人 （Asfour等人， 2022）使用诸如RF算法和K-最近邻方法的算法来识别手势。通过改变滑动窗口的大小可以获得最佳的识别精度，其中射频识别算法的效果最好。Copaci等人 （Copaci等人， 2022）提出了一种结合贝叶斯神经网络、模式识别网络和层环网络的新型分类器。表面肌电信号手势识别的准确率达到98.7%. Wei等人（Wei等人，2019）提出了一个多流CNN框架，通过学习个体肌肉和特定手势之间的相关性来提高识别准确性握力的预测已经引起了研究者的关注。有两种主要的方法可以找到sEMG和握力信号之间的关系：数学模型方法和机器学习方法（Wang等人， 2019年）。前者建立了基于肌电信号和肌肉的数学模型来预测握力。后者寻找作为输入的表面肌电信号和作为输出的抓握信号之间的线性关系因此，获得抓握预测模型常用的方法包括SVR（Feng等人，2018年; Li等人，2015; Wang等人，2017; Ling等 人 ， 2021 ： ） 、 BP 神 经 网 络 （ Sun 等 人 ， 2019 ） 和 RF（Turgunov等人，2020年）。MoKri C等人（Mokri等人，2022）使用SVR、遗传算法优化的SVR和RF模型进行力估计，并且遗传算法优化的SVR提供最佳性能。Lee等人分析了肌腱的数学模型，并寻找肌肉力量与指关节力臂之间的关系（Lee和Rim，1990）。建立了不同人群中指最大指力的预测模型。Wininger等人使用力肌描记图（FMG）分析了手臂压力和握力之间的关系（Wininger等人，2008年）。根据手臂表面的压力信号和预处理后的FMG信号可以预测握力。Jiang等人（Jiang等人，2019）使用BP神经网络和LSTM构建了一个力估计模型，BP神经网络构建的模型优于LSTM模型。Liu等人（Liu等人，2020）提出了一种基于Ada-boost改进BP神经网络的肌肉力量估计算法。通过模拟病人的屈肘动作，验证了将基于表面肌电信号的力矩引入力控制器的可行性。李等人（李例如，2020）使用人工神经网络（ANN）提出了一种用于实时预测扭矩的方法，该方法可以与现有的扭矩传感器准确地一起使用。Niu等人（Niu，2019）使用优化的RF算法、BP神经网络算法和线性回归算法预测手部力量。优化后的RF算法误差小，表面肌电信号特征值与手的力量之间的拟合效果最佳。Liang等人（Liang，2016）使用优化后的SVR模型预测人手的握力，优化后的SVR模型性能可靠稳定。Neumann等人（Neumann和Balbinot，2022）将人工神经网络应用于力量的回归预测，然后使用该模型实时预测握力。Wang等人使用ANN来预测握力并将其分为不同的水平（Wang等人，2020年）。Yin等人测量了表面肌电信号和手握力信号并使用粒子群算法优化SVR（Yin，2020）。 建立了肌电特征与握力的回归模型，预测握力的大小工作中，通过肌电信号采集器和握力仪同步采集表面肌电信号和手握力信号。sEMG信号的时域特征（Gao等人，2021），对表面肌电信号和手部握力信号进行预处理，提取手部握力信号的平均值。Pearson相关系数被用于分析sEMG信号的时域特征与手握力信号的平均值之间的相关性（Lu等人，2021年）。选择相关性高的时域特征作为表面肌电信号的输入特征，以手部握力信号的平均值作为输出特征。根据一定比例的训练集和测试集构建数据，然后进行归一化。最后将训练集数据输入支持向量回归机进行模型训练.SSA在模型的训练过程中用于寻找SVR模型中的最优惩罚参数C和核参数g，以达到良好的预测效果（Dinget al.， 2022年）。这项工作提出了一种新的握力预测模型，应用于手外骨骼，以促进手部疾病患者的康复训练。对采集的人体表面肌电信号和握力信号进行预处理，提取肌电信号和握力信号的特征值采用Pearson相关系数分析两者之间的关系，选择相关性高的特征，提高了模型的准确性。然后对选取的特征进行归一化处理，作为模型训练的输入和输出.本文采用三次样条函数插值方法对握力信号进行拟合，使握力信号更加平滑。然后对窗口中的握力信号进行平均，作为握力特征。另一方面，提出了一种新的手部握力预测模型。受群体智能算法的启发，采用SSA优化的支持向量回归机构建手握力预测模型。与PSO-SVR、GA-SVR等模型相比，误差更小，精度更高。是手部外骨骼的好选择。2. 材料和方法2.1. 受试者、实验方案和数据采集表面肌电信号采集设备主要分为有创和无创两大类。前者采用针孔电极采集表面肌电信号，后者采用表面肌电信号传感器采集表面肌电信号。由于有创电极会损伤人体皮肤，容易引起受试者皮肤感染，因此在工作中使用了无创电极。市场上的无创电极有美国Delsys公司的双极电极、国产丹阳假体电极等.由加拿大Thalmic实验室推出的MYO臂章被用于这项工作。其采集频率为200 Hz，可采集8个通道的肌电信号。支持无线蓝牙连接到上位机，方便后续sEMG信号的存储、处理和分析手部握力信号由香山手部肌肉开发仪采集。与其他握力传感器相比，该传感器价格低廉，不需要复杂的调试过程，便于操作人员操作。被试手部的表面肌电信号和握力信号受试者被要求在实验过程中握住抓握装置并在手腕上佩戴MYO臂章 图 1示出了表面肌电信号和握力信号的测量过程。J. Lv、Y.扬湖，澳-地Niu等人沙特国王大学学报3表1表面肌电信号主要噪声干扰的分布。主要干扰噪声影响干扰ECG 0扰动工频噪声干扰肌肉疲劳的干扰来自EMG电极50 Hz主要噪声干扰之一0-噪声干扰0图1.一、测量表面肌电信号和手部握力信号的流程实验对象：选择20-25岁的成年人，10名健康男性和10名健康女性。所有患者在实验前均无骨质疏松史，无疲劳，状态良好。实验过程：选择受电子设备干扰较小的环境进行数据采集，降低了输入阻抗和外部干扰。用医用酒精拭子擦拭受试者的皮肤表面。他们笔直地坐着，双臂平放在试验台上。戴上MYO臂章，将蓝牙接口连接到电脑。将臂带置于手臂肘部，握住手柄装置，慢慢用力.施力过程中保持安静，避免身体晃动。每名受试者按规定姿势缓慢持续用力15 s。换到左手，右手完成后重复上述操作。在每个实验之间进行10分钟的休息以减少肌肉疲劳。从20名受试者中采集了50组表面肌电信号和手握力信号。数据是通过独立实验收集的，因此尚未披露。处理过的数据经过预处理、特征提取和数据规范化后被打乱。根据Refs。（Guan等人， 2022年;Shin等人，2020），训练集和测试集通过保持方法以6：4的比例随机划分。2.2. 信号预处理与特征提取sEMG是浅表肌肉的激活肌纤维细胞膜表面上的动作电位叠加，以形成EMG信号（Zhao，2016）。所收集的sEMG信号是皮肤电位的总和以及传输到皮肤表面的各种信号的集合。在采集人体肌电信号的过程中，会受到不同噪声的干扰（sEMG信号的主要噪声干扰分布见表1这些噪声干扰主要包括肌电电极等硬件的干扰、心电信号的干扰和工频噪声的干扰。受试者肌肉疲劳产生的干扰已在MYO臂带中处理sEMG信号（收集的原始EMG信号见图2经过放大电路放大、A/D转换、去噪、失调处理后，仍会产生噪声干扰。还需要去除幅度为0附近的sEMG信号，以滤除肌肉疲劳引起的干扰（处理后的信号见图3）。然后，根据sEMG信号采集过程中噪声干扰的分布特性，选择六阶巴特沃斯带通滤波器（滤波后的sEMG信号见图4由于手部肌肉开发人员收集的握力数据量很小，因此需要对手部握力信号进行插值。通过构造离散握力数据的函数，得到真实握力信号 的 曲 线 线 性 插 值 和 三 次 样 条 插 值 是 两 种 最 常 用 的 插 值 方 法（Leng，2017）。由于三次样条函数插值在实现过程中效果较好，因此选择了三次样条函数插值进行握力数据的处理。 图图5示出了插值的抓握强度信号。对预处理后的表面肌电信号和握力信号进行特征提取sEMG信号的常见特征提取方法（Qin和Shi，2020）包括时域分析、频域分析和首次将时域分析应用于表面肌电信号的特征提取它需要很少的计算，而不是太多的数据转换，因此，时域分析采用的工作。sEMG信号的常用时域分析特征如下。(1) 均方根值均方根值代表单位时间内人体表面肌电信号的变化，可以反映肌肉的活动情况。图二. 原始肌电信号。J. Lv、Y.扬湖，澳-地Niu等人沙特国王大学学报4XX1¼jjX1¼j -jX图3.第三章。处理后的EMG信号见图4。 过滤的EMG信号。图五. 三次样条函数插值后的握力。vut1XN2NiEMG¼ jEMGi j21/1(3) 平均绝对值平均绝对值用于识别肌肉的状态分类。NMAV EMGi3N1/1(4) 波长波长反映了波形在一定时间内的累积长度以及肌电的持续时间。NWLEMGi1EMGi4N1/1(5) 过零点过零点反映了产生EMG信号的运动神经元释放的电脉冲的频率以及肌肉收缩的强度。NZC-sgn-EMG神经电图1/1当对sEMG信号进行特征提取时，需要用滑动窗口对其样本进行分段（Zhou等人， 2021年）。通过选择250、500、750、1，000和1，250 m作为窗口长度来使用重叠窗口;窗口重叠部分分别设置为150、300、500、600和750;最终设定的窗口长度为750 ms，窗口重叠部分为500 ms。在模型训练过程中，要求sEMG信号和握力信号同步输入，且两者必须相互对应。对握力信号进行同样的处理，并计算其在窗口内的平均值作为其特征值。在模型训练过程中，过多的输入样本会使模型更加复杂，鲁棒性降低，训练时间增加。因此，有必要选择合适的表面肌电信号特征，分析它们与手握力特征之间的关系。sEMG信号具有许多特征。皮尔森相关分析被用来分析手部握力信号和肌电信号特征之间的关系。选择具有图6示出了每个sEMG信号特征和握力特征的皮尔逊sEMG信号的均方根（RMS）、平均绝对值（MAV）和积分EMG（iEMG）与握力的相关性比其他EMG特征更高。因此，sEMG信号的RMS、MAV和iEMG被用作输入特征，并且手部握力信号的平均值被用作输出特征。对数据进行缩放以构建模型的训练集和测试集，并将其归一化。RMS¼N1EMG神经电图ð1Þ2.3. 握力预测图7示出了手抓握强度预测方案的过程流程。EMG特征和手部握力特征应(1) 积分EMG值积分EMG值代表肌纤维电荷的活动和sEMG信号幅度的变化对模型进行归一化处理，减少受试者的变异性，提高模型构建的准确性然后将其放入SVR模型中进行训练。在训练过程中采用群智能算法对参数进行优化，以提高其性能。J. Lv、Y.扬湖，澳-地Niu等人沙特国王大学学报5见图6。肌电各特征与握力特征之间的Pearson2.3.1. SVR智能算法的迅速发展，人工神经网络、BP神经网络、支持向量机等算法被广泛应用于手势识别、假手控制等领域。研究了基于表面肌电信号的握力 预测方法，分析了 握力与表面肌电信 号的关系。 SVR（Mozumder等人， 2017）广泛应用于非线性系统，具有良好的泛化能力，支持向量的样本具有较好的鲁棒性。因此，采集表面肌电信号和手握力信号，并使用支持向量回归机对模型进行训练。支持向量机（SVM）是一种经典的机器学习方法和二进制分类模型，适用于解决小样本和高纬度问题（Huang et al.， 2021年）。其基本原理是将输入变量通过一个选定的非线性关系，然后将它们映射到一个高维特征空间。在此空间中找到一个最优分类超平面支持向量机是支持向量机的一个分支，用于解决回归问题。回归模型直接比较模型的输出值与回归问题的真实值。只有当真值与预测值相同SVR模型允许实际值与预测值之间存在一定的误差值它假设输出之间存在宽度为e的间隙，模型的模型和预测值。当样本落在区间之外时计算损失值，当样本落在区间内时不计算损失将支持向量回归模型的训练问题转化为约束条件下目标函数的优化问题。2.3.2. 参数优化SVR模型参数的选择决定了SVR的性能支持向量回归机模型参数的选择决定了模型的泛化能力和训练效果，因此需要一种优化算法来优化支持向量回归机模型参数。支持向量回归机中的参数包括惩罚参数C和核参数g。支持向量回归模型的稳定性和复杂性由C决定，g可以表示样本在空间上的分布状态。SVR参数的准确性直接影响模型训练的准确性常见的SVR优化方法包括交叉验证法、网格搜索法、见图7。 握力预测方案流程。J. Lv、Y.扬湖，澳-地Niu等人沙特国王大学学报62½]2½]第十章.ΣX1½j- -一种jjjNtttt最2½-]¼Pi;jXt1.5a·itermaxRMSE¼tNRj-Pjp模型预测越准确。Xtb·jX-Xj，如果fi>fgXi; j¼最好i;jjX-X最好J1XRj- Pjð8Þ第1页t1.ΣMAPE¼ NjRjj11其中N是手握力的样本长度;实际>：X 库克（i;j最糟糕如果确定其中X t是全局最优位置; b是一个随机数服从-ing 0-SVR模型中的惩罚参数C和核参数g分别为握力预测值实力(4) 决定系数反映了模型的拟合程度。R2越大，模型的预测性能越好。PN . Pj-Rj2R 2 1/4-j1。Σð12Þ根据所获得的最优适应度值确定所述最优适应度值，SSA搜索后的全局最优值。SSA-SVR模型通过训练集数据进行训练（见图1）。 8、过程）。N第1页Rj-hj2一、ð6Þð9Þi;jJ. Lv、Y.扬湖，澳-地Niu等人沙特国王大学学报7图8.第八条。SSA-SVR算法流程。其中N为握力样本长度;Rj为握力实际值;Pj为握力预测值;hj为握力实际平均值。3. 实验结果与讨论从两个方面将SSA-SVR模型与其他预测模型进行了比较，证明了SSA-SVR模型的有效性(1)采用不同的优化算法对SVR模型进行优化，得到最优的SVR预测模型。(2)利用SSA对不同的预测算法进行了优化，并对各种算法的性能进行了比较，验证了SSA对提高SVR模型性能的作用。3.1. 不同算法将SSA优化的SVR模型与参考文献（Yin，2020）中的粒子群算法优化的SVR模型和参考文献（Mokri et al.，2022年）。采用SSA、粒子群算法和遗传算法对SVR模型中的惩罚参数C和核函数g进行优化。上述三个模型独立训练了50次，使实验数据更加可靠。对结果进行平均（见表2），并从四个指标评价模型性能。从表2可以看出，三种模型的误差都比较小，预测精度都在90%以上。然而，在这方面，采用SSA-SVR模型可以得到较好的R2值。与PSO-SVR模型和GA-SVR模型相比，其误差较小，效果明显改善。由于PSO算法容易陷入局部最优解，无法获得全局最优解，其效果不如SSA优化的SVR模型。虽然用遗传算法优化SVR模型并不容易陷入局部最优解，容易出现早熟收敛，影响模型预测的效果。优化后的支持向量回归模型预测的握力值更接近实际握力值，波动性小于其他两种模型（见图1）。 9）。3.2. SSA优化中不同预测模型的效果比较将SSA-SVR模型与SSA优化的RF模型和SSA优化的BP神经网络模型进行了比较，以判断SSA优化的不同预测模型的效果。RF的预测效果受决策树的数目和树的深度的影响。如果决策树的数量较少，则会出现欠拟合，预测效果较差。如果决策树的数目太大，算法的精度会得到提高，但容易导致计算时间过长和过拟合。因此，SSA被用来优化RF算法中的决策树的数目（n_trees）和树的深度（n_layers）以及BP神经网络中的初始权值和阈值。表2不同算法优化的SVR模型预测结果比较优化的SVR模型R2RMSEMaeMAPESSA-SVR百分之九十三点二0.50540.32420.0864PSO-SVR（Yin，2020）百分之九十一点四0.54900.34640.0950GA-SVR（Mokri等人， 2022年）百分之九十点五0.56370.34930.0975J. Lv、Y.扬湖，澳-地Niu等人沙特国王大学学报8见图9。不同SVR模型的预测效果。SSA-SVR模型预测的握力值更接近人体握力的实际值，而其他两种模型的预测值以上三个模型独立训练五十次，使实验数据更加可靠。表3显示了三个模型的预测性能，作为对结果进行平均的结果SSA-SVR模型的准确率为93.2%，显著高于其他两种算法：比SSA优化的RF模型高8.8%，比SSA优化的BP神经网络高由于SSA优化了RF中决策树的数量，因此在优化过程中决策树的数量太少。因此，优化的RF模型的效果比SSA优化的SVR模型差。此外，BP神经网络是一种局部搜索方法，容易陷入局部极值，导致SSA优化的BP神经网络效果不佳。SSA-SVR模型的误差也低于其他两种模型，因此SSA-SVR模型具有更好的效果。见图10。 不同SSA优化预测模型的效果。表3SSA优化的不同预测模型的结果。4. 结论表面肌电信号的变化与握力密切相关，因此表面肌电信号常用于握力预测。手握力的预测是在康复医学、人机交互、运动控制等方面具有重要意义。本研究旨在探讨人体表面肌电信号与握力信号之间的关系。分别采集表面肌电信号和握力信号，并对其进行预处理和特征提取。皮尔森相关系数被用来选择合适的特征，并构建了握力预测模型。该模型采用麻雀搜索算法对支持向量回归模型中的参数C和g进行优化，提高了预测模型的性能。通过比较PSO-SVR模型、GA-SVR模型、SSA-BP模型和SSA-RF模型，验证SSA-SVR模型的预测效果。SSA-SVR模型对握力的预测效果最佳（R2 = 93.2，RMSE = 0.5054，MAE= 0.3242，MAPE = 0.0864）。因此，SSA-SVR模型能够更好地满足握力预测的需要。进一步的研究将把SSA-SVR模型应用于手部外骨骼，有望帮助手部功能障碍患者进行康复训练。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。确认本工作得到了常州市科技计划项目（批准号：CE 20215026和CE20225034 ） 和 江 苏 省 重 点 研 究 发 展 计 划 （ BE 2021012 -2 和 BE2021012 -5）的部分资助。引用Asfour，M.，梅农角，江X，2022.在处理程序的联合作用下，手势识别中sEMG信号的分类器-分类器配对兼容性。生物工程9（11），634。曹，L.张伟，Kan，X.，例如，2021.基于sEMG的自适应变异pso优化svm手势识别新算法。Sci.程序.2021年奇科，D.，Warrens，M.J.，Jurman，G.，2021.在回归分析评价中，决定系数R的平方比SMAPE、MAE、MAPE、MSE和RMSE更能提供信息. PeerJ计算Sci. 7，e623。赵，M.，周，Y.，金，K.S.，2022.训练策略和sEMG传感器定位，用于在各种肘部角度下的手指力估计。Int. J. Control Autom. 20（5），1621-1631。Copaci，D.，阿里亚斯，J.，Gómez-Tomé，M.，例如，2022.用于康复手套的基于表面肌电信号的手势分类器。前面Neurorob 十六岁丁氏角，丁，Q，王志，例如，2022.基于改进麻雀搜索算法优化支持向量机的油浸式变压器故障诊断。IET电力应用Feigin，V.L.，斯塔克，文学士，约翰逊，指挥官，例如，2021.全球、区域和国家卒中负担及其风险因素，1990 -2019：2019年全球疾病负担研究的系统分析《柳叶刀神经》20（10），795-820。Feng，X.，中国科学院，艾，Q.，孟，W.，2018. KUKA通过sEMG和支持向量回归的手腕角度估计进行实时控制，见：2018年第2届计算机科学与人工智能国际会议论文集，第100页。389-393.高，F，Tian，T.，姚，T.，例如，2021.基于多特征组合和参数优化算法的人体步态识别。Comput.内特尔Neurosci. 2021年优化的SVR模型R2RMSEMaeMAPEGoel，D.， 夏尔马，V.， Pran，M.M.， 例如， 2020. 复发性脑卒中1例潜在腺癌：假性隐源性卒中。脑循环第六条第2款，SSA-SVR百分之九十三点二0.50540.32420.0864一百二十六SSA-RF（Huang等人， 2022年）百分之八十四点四0.72140.41630.1078Guan，B.，刘芳，Mizaian，A.H.，例如，2022年。深度学习方法预测疼痛SSA-BP（Ling等人， 2022年）88.9%0.65730.38240.0953膝关节骨关节炎的进展。Skeleton Radiol.51（2），363-373。阿憨，X.，赵、是的，小王，F.、et例如，2021.肌肉骨骼康复状况基于sEMG的监测。暴徒INF. 系统 2021年J. Lv、Y.扬湖，澳-地Niu等人沙特国王大学学报9黄伟，刘洪，张玉，例如，2021年 铁路危险货物运输系统风险识别：SVM、PSO-SVM、GA-SVM和GS-SVM的比较。应用软件计算109，107541。黄，Y.，袁，B.，徐，S.，例如，2022.基于数字孪生和ISSA- RF的煤矿带式输送机永磁同步电机故 障 诊 断 。Processes 10（9），1679.江，D.，Li，G.，江，G.，例如，2019年。基于小波分析和神经网络的表面肌电信号力估计2019第九届信息科学与技术国际会议（ICIST）IEEE，pp.320-326李，S.，Kim，H.，帕克，H.，例如，2020年。基于嵌入式系统的外骨骼机器人肌电和神经网络关节力矩实时估计2020年第四届IEEE机器人计算国际会议（IRC）IEEE，pp.480-484.李，J.W.，Rim，K.，1990年使用中指的平面模拟预测最大手指力。Proc. Inst. Mech.Eng. [H] 204（3），169-178。Leng，S.Z.，2017.基于三次样条插值的MRS反演方法研究。吉林大学Li，R.，蔡玉，唐湾，例如，2022.基于广义学习系统的人机交互力估计方法。2022年第六届机器人、控制与自动化国际会议（ICRCA）IEEE，pp.40比44Li，Q.L.，宋，Y.，Hou，Z.G.，2015.使用最小二乘支持向量回归从表面肌电信号估计下肢周期运动。神经过程。Lett. 41（3），371-388。Liang，F. X.，2016.基于表面肌电信号的人手模式识别及抓取力预测技术研究。上海师范大学哲学硕士。Ling，Z.Q.，Cao，G. Z.，Zhang，Y.P.，例如，2021年基于表面肌电和反向传播神经网络的膝关节角度实时2021年第18届普适机器人国际会议（ UR）IEEE，pp.256- 263。Ling，G.，王志，施，Y.，例如，2022.基于tent-SSA-BP的膜污染预测膜12（7），691.刘昆，张，M.，Liu，T.，例如，2020.基于肌力估计的上肢康复机器人控制策略。2020年人工智能与计算机工程国际会议（ICAICE）IEEE，pp. 54比60吕，Y.，王，H.，齐，Y.，例如，2021.评估信号相关信息和LSTM模型在人类下肢跳跃阶段的分类性能。BioMed.信号处理。控制台64，102279。马，Q，Li，R.，Wang，L.，美国，例如，2021. 1990-2019年中国卒中负担的时间趋势和归因风险因素：2019年全球疾病负担研究的分析 柳叶刀公共卫生6（12），e897-e906。马，R.，张，L.，Li，G.，例如，2020年。基于表面肌电信号的抓取力预测Alex. Eng.J.59（3），1135-1147。毛，H.，Fang，P.，Li，G.，2021.利用表面肌电信号与加速度计信号同时估测多指力。BioMed.信号处理。控制台70，103005。Mashwani，W.K.，Hamdi，A.，Asif Jan，M.，例如，2020.基于混合群智能算法的大规模全局优化。J. Intell。《模糊系统》，39（1），1257-1275。Mokri角，Bamdad，M.，Abolghasemi，V.，2022年。使用新型优化机器学习技术从下肢EMG信号估计肌肉力量。Med. 生物工程公司60（3），683-699.Mozumder，R.A.，罗伊，B.，拉斯卡尔人工智能2017. FRP约束混凝土强度预测的支持向量回归方法。阿拉伯科学杂志Eng.42（3），1129- 1146.Neumann，E.E.，Balbinot，A.，2022年。 基于表面肌电信号回归的握力软测量。在：巴西生物医学工程大会Springer，Cham，pp. 821- 825牛，J.B.，2019年。基于表面肌电信号的人体手势识别和力预测研究天工大学，https://doi.org/10.27357/d.cnki.gtgyu.2019.000084.Qin，P.，施，X.，2020.基于表面肌电信号的下肢运动特征提取与分类评价。熵22（8），852。申，Y.，Kim，T.，洪，S.，例如，2020年。使用机器学习方法预测洛东江叶绿素a浓度。水12（6），1822年。太阳，X.，张，X.，吕志，例如，2019.基于表面肌电信号的BP神经网络腕关节角度连续估计 2019 年 IEEE 第 9 届 自 动 化 、 控 制 和 智 能 系 统 中 的 CYBER 技 术 年 度 国 际 会 议（CYBER）。IEEE，pp. 221-225Turgunov，A.，Zohirov，K.，Muhtorov，B.，2020.一种新的基于表面肌电信号的手部运动检测数据集。2020年IEEE第14届信息和通信技术应用国际会议（AICT）。IEEE，pp. 一比四Wang，C.，中国地质大学，江，L. Guo，C.，中国农业科学院，例如，2017.基于表面肌电信号回归模型的人体臂力估计2017 IEEE International Conference on Roboticsand Biomimetics（机器人与仿生学国际会议）IEEE，pp. 1044-1049王，M.，赵，C.，Barr，A.，例如，2020.利用表面肌电和人工神经网络估计手的姿势和在：人的因素和人体工程学学会年会的会议记录。Sage CA：Los Angeles，CA：SAGE Publications，vol. 64，no. 1，pp. 1247-1248年。王，N.，Lao，K.，张，X.，例如，2019年。利用LDA识别抓取力BioMed.信号处理。控制台47，393-400。Wei，W.，黄，Y.，杜，Y.，例如，2019年。多流卷积神经网络用于肌肉-计算机接口中基于sEMG的手势识别。模式n。Lett. 119，131-138。Wininger，M.，新罕布什尔州金，Craelius，W.，2008.前臂压力特征作为握力的预测指标。 J. 康复中心Res. Dev. 45（6）.吴，H.，Li，L.，Liu，T.，例如，2019.脑卒中后手康复机器人综合干预研究综述。生物医学工程学杂志= J. BioMed. 工程师= 《圣武易学·功成学杂志》36（1），151-156。Yin，Y.H.，2020.基于表面肌电信号反馈的手部康复机器人控制系统设计。燕山大学。张，C.，丁，S.，2021.一种基于混沌麻雀搜索算法的随机构形网络。知道了。-基于系统220，106924。Zhao，H.Q.，2016.肢体表面肌电信号的手部抓取运动研究。哈尔滨理工大学。Zhou，Y.，（1996年），中国科学院，陈春，Cheng，M.，例如，2021.用于肩部运动识别的表面肌电信号处理中的机器学习方法比较。BioMed.信号处理。控制台68，102577。
我的内容管理
展开
