公共文化服务平台

搜索到1872篇“ SEMG“的相关文章

基于sEMG的挖掘机驾驶员肌肉疲劳分析: 2025年; 针对驾驶员上车过程容易引起肌肉疲劳和损伤的问题,提出了通过肌电实验测试表面肌电信号判断驾驶员疲劳的方法。选取上车方向(D1、D2、D3)、左手抓握位置(G1、G2、G3、G4、G5)、腿部上车次序(L1、L2)为实验变量,采集10名被试者在30组变量组合下每次上车过程中16块肌肉的肌电信号,通过疲劳度量分析不同姿势下驾驶员的疲劳程度,获得最优上车姿势。结果表明:采用正向上车(D2)、左手抓握位置G2、腿部上车次序左腿(L1)的姿势不易产生疲劳;并且攀爬中胸大肌和腓肠肌容易产生疲劳。该研究为挖掘机的尺寸优化和驾驶员的职业健康提供了实验方法和数据参考。; 白伟辛运胜潘深圳董青张倩苏妮娜; 关键词：肌肉疲劳表面肌电信号时域分析

基于PSO优化ELM手腕动作sEMG识别方法: 2025年; 为提高人体手腕动作识别准确率,提出一种基于粒子群算法优化极限学习机动作模式识别新方法。通过虚拟仪器采集人体手腕内翻、外翻、握拳、展拳4种动作对应肌电信号,通过小波分析方法构造其特征矢量,然后利用特征矢量对极限学习机进行训练,结合粒子群优化算法强大寻优能力,优化调整极限学习机模型主要参数,最后采用优化后极限学习机模型对4种手腕动作对应测试集数据进行模式识别。结果表明,采用粒子群优化算法优化极限学习机模型有着更高手腕动作识别率,验证该方法可行性。; 景甜甜李昊高婷董必春; 关键词：表面肌电信号模式识别极限学习机

基于DTW算法的sEMG手势识别控制系统设计: 2025年; 人体在运动过程中会产生微弱的生物电信号,其中蕴含着大量的控制信息。为了使用生物电信号中的信息控制机械臂动作,提出一种基于DTW算法的sEMG手势识别控制系统,利用该系统对采集的原始信号进行滤波和放大。为了确定有效的sEMG,采用移动平均法对处理信号进行划分。使用平均绝对值从数据片段中提取有效段数据,应用DTW算法将3路表面肌电信号融合,计算样本与模型之间的相似度,实现手势识别;再将识别后的信号通过无线模块发送到控制指令,以控制机械臂的动作;最后,采用提出的算法并结合6种类型的手势分类模型创建最佳特征模型。实验测试结果表明,使用动态时间规整(DTW)算法进行手势识别的平均准确率为93.752%,6种手势的平均模型匹配率达到92%,实现了肌电信号对机械臂的精确控制。由此证明所提方法的手势识别比传统的阈值控制开关更准确。; 韩团军雷栋元黄朝军卢超; 关键词：手势识别 DTW算法特征提取机械臂

基于sEMG融合特征的下肢运动意图识别方法: 本发明涉及一种基于表面肌电图(sEMG)融合特征的下肢运动意图识别方法，包括sEMG特征融合模型和遗传径向神经网络模型。sEMG已被广泛用于步态分析和机器人控制，由于意向识别的准确率较低，限制了外骨骼机器人的发展，因此提...; 张鹏张峻霞陈一玮曹琳赵骋飞程超然谢兵倪志永

基于sEMG技术的运动伤信息采集诊断装置: 本实用新型属于信息采集领域，公开了一种基于sEMG技术的运动伤信息采集诊断装置，包括壳体，壳体为底部开口的圆柱体，壳体内部设有将壳体的空腔分割成透气腔室、微针给药腔室和信号采集腔室的隔板，信号采集腔室内设有电极片、信号处...; 崔翔张里程刘铭汉唐佩福李建涛王加旭马驰李然

基于FMG和sEMG信号的肌力预测方法及装置: 本发明涉及肌肉激活状态评价技术领域，特别涉及一种基于FMG和sEMG信号的肌力预测方法及装置，其中，方法包括：基于FMG技术，采集待测试人员的肌肉活动时产生的肌肉压力信号；基于sEMG技术，采集待测试人员的肌肉活动时产生...; 李儒雅樊瑜波邹佩锴王俊瀚

基于MPCNN模型的sEMG快速迁移学习的手势识别应用研究: 2025年; 为解决个体间差异性的问题并提高手势识别技术的普适性,提出基于多并行卷积神经网络(MPCNN)的迁移学习策略,旨在实现基于表面肌电信号的高效手势识别。MPCNN通过并行架构和优化的迁移学习机制,对比以往的卷积神经网络(CNN)迁移框架以更有效地处理不同个体间的生理差异,从而提高模型对新用户的适应性和识别准确率。此外,MPCNN通过减少模型训练时间和提高泛化能力,增强系统的实用性。通过多组实验,包括倍数交叉验证、消融实验和健壮性测试来证实所提策略在多个方面的有效性。实验结果表明,与传统CNN模型相比,提出的MPCNN迁移学习策略显著提升手势识别准确率,在Ninapro DB7数据集上的识别率达到了94.95%,对比CNN迁移学习框架提高了4.38百分点,同时训练时间减少了超过50%,验证了MPCNN迁移模型在减轻训练负担、增强泛化能力和提高抗干扰性方面的优点。基于实验模型对人机交互能力进行了验证,验证了其在肌电控制应用前景。; 易鹏杨晔严仕嘉; 关键词：表面肌电信号手势识别卷积神经网络肌电控制

基于深度学习的sEMG与EEG运动意图识别研究进展: 2025年; 随着人口老龄化、残疾人群增加、慢性病患者增多,我国康复医疗服务的需求持续上升,而康复意识薄弱,康复医学教育发展滞后,康复专业人员缺乏、康复资源紧缺及分配不均等现状,使得我国康复治疗供需矛盾极其突出。目前由康复治疗师一对一进行训练的传统康复训练手段难以满足现阶段的治疗需求。近年来,随着人工智能技术的发展,人工智能技术应用于康复领域愈发广泛,尤其是康复机器人作为主要的工具,有望解决当下康复医疗供需矛盾,完善我国康复医疗体系的发展。目前,康复机器人的发展仍处于起步阶段,具有巨大的发展潜力,同时也面临着许多难点和挑战。人工智能包含机器学习,其中,深度学习是机器学习的一个重要分支,广泛应用于表面肌电图和脑电图的运动意图识别分类,可实现康复机器人辅助患者完成对应的运动训练,康复机器人的应用具有良好的发展前景。该文综述深度学习应用于表面肌电图和脑电图的运动意图识别研究进展,以期为相关领域的专家学者对康复机器人的研究提供借鉴和参考。; 陈伟聪赖昌生; 关键词：康复机器人表面肌电脑机接口

基于残差神经网络和表面肌电信号的肌肉疲劳监测研究: 2025年; 对一种基于深度学习的肌肉电信号进行监测实验,共招募14名在校女大学生做肌电和心电两部分数据采集。首先,利用db小波对采集的肌电信号做两次小波变换,完成数据降噪;其次,通过快速傅里叶变换做数据过滤,然后进行时域和频域分析;最后,利用残差神经网络搭建数据处理模型,其中ResNet模型引入残差模块,能够有效地消除由于模型层数增加而导致的梯度弥散或梯度爆炸问题,提取肌肉收紧和放松状态时的数值特征。监测实验的数据处理结果显示:测试集识别准确率最终趋于0.766,训练集识别准确率最终趋于0.831,具有较高的准确率。; 方亚南汪晓红丁一; 关键词：生理信号

基于sEMG的物料分拣作业肌肉疲劳研究: 2024年; 目的探讨作业时间对分拣作业人员肌肉疲劳的影响,探究物料分拣作业中作业人员肌肉疲劳发展机理,旨在为快递站、工厂等流水线分拣作业人员缓解肌肉疲劳方法的制定提供一定的参考。方法设计物料分拣实验,招募8名在校大学生作为受测者,实验前收集其双手最大提举肌力(MVC 0),然后要求其完成2小时的物料分拣作业。与此同时,收集受测者物料分拣实验过程中斜方肌、肱二头肌、肱桡肌与竖脊肌的表面肌电信号,经过分析得到对应肌群的积分肌电值(iEMG);记录其身体主观疲劳评分(RPF t)以及完成分拣任务后身体各部位的主观疲劳评分(RPF f);测量实验后双手最大提举肌力(MVC 1);最后对数据进行统计分析。结果作业时间对作业人员的斜方肌iEMG b和RPF t的影响是显著的(P<0.05),且随着作业时间的增加,两者均呈上升趋势;实验后MVC显著下降(P<0.01);与身体其他部位相比,肘部的疲劳较大、其次为手部。结论进行物料分拣作业时建议连续作业时间不超过60 min;分拣人员佩戴橡胶手套作业,进而降低手部和肘部的疲劳。; 肖楠程阳赵彩俊左华丽易灿南易灿南; 关键词：物流工程肌肉疲劳表面肌电

加载更多 ∨

相关作者

用户反馈

相关作者

用户登录

用户反馈