基于深度学习的穿戴式上肢康复多自由度实时肌电控制FES系统研究

Contralateral voluntary surface Electromyography (sEMG) controlled functional electrical stimulation (FES) can significantly improve upper limb rehabilitation in stroke patients. Among the existing systems, it is difficult to extract and control the stimulation channel and parameters with multi-DoF (4DoFs and above). Another problem is lack of high recognition rate and stability in real-time motion pattern recognition. In order to solve the above problems, the non-negative matrix factorization (NMF) is firstly proposed to extract the EMG signals from non-independent detection sites, and the stimulation parameters such as stimulus intensity and frequency at the same time were adjusted through the selected sEMG information to make hemiplegic patients regain the movement with natural human body force output. On this basis, the deep recurrent neural network (DRNN) will be researched that whether it can be more effectively used in EMG pattern recognition and real-time, accurate and reliable multi-DoF EMG classification by using embedded hardware device (such as FPGA, etc.). Finally, the wearable wireless prototype will be designed, including multi-channel sEMG armband and an integrated multi-pad electrodes simulation configuration. Stroke patients will be assisted with contralateral control rehabilitation training through wearable wireless solutions, such as targeted direction training and homework training.

自主表面肌电信号(sEMG)对侧控制的功能性电刺激(FES)可显著地提高脑卒中的上肢康复疗效。现有sEMG控制FES系统中存在非独立探测位点下的多通道肌电信号有效信息难以提取和控制刺激通道及参数，以及缺少识别多自由度(4DoFs及以上)、高识别率和稳定度等问题。本项目针对上述问题，首先提出基于非负矩阵分解(NMF)方法提取非独立探测位点下的肌电信号信息，并用于同时调控刺激强度和频率等参数，解决如何使偏瘫患者以更接近于人体自然发力的力量输出问题。在此基础上，研究深度循环神经网络(DRNN)是否可以更高效应用在肌电动作模式识别，并利用嵌入式硬件(如FPGA等)实现实时、精确、可靠的多自由度肌电动作识别分类器。最终通过穿戴式无线解决方案(包括肌电探测臂环和一体化多位点刺激电极配置)辅助患者进行对侧控制康复训练，如目标指向性训练和作业训练。

在肌电(sEMG)控制功能性电刺激(FES)领域，自主sEMG信号对侧控制的FES可显著地提高脑卒中的上肢康复疗效。现有sEMG控制FES系统中缺少识别多自由度、高识别率、跨个体识别，以及刺激发力不自然易疲劳等问题。项目针对上述问题，完成以下研究内容：.（1）提出基于非负矩阵分解(NMF)方法提取非独立探测位点下的肌电信号信息，同时调控刺激强度和频率等参数，以实现刺激肌肉使更接近于自然发力的力量输出；.（2）提出一种新型的串联特征融合递归卷积神经网络（CFF-RCNN），CFF策略包含一个特征池化操作和一个特征混合卷积操作，可以保持信号的强度并同时从上下文中提取时间信息。CFF-RCNN神经网络模型可以用于上肢手部多自由度识别，在NinaPro DB1、DB2和DB4数据库中的个体平均手势正确识别率为88%、99%和99%，同时在NinaPro DB4数据库中实现跨个体83%识别率正确识别超过50个不同手势，实现多自由度、高识别率和跨个体的上肢动作识别；.（3）提出一种基于惯性传感器的创新型数据手套设计，满足穿戴方便、降低成本，扩展应用场合的需求。并通过与计算机通信，利用卷积神经网络预测手势，并准确计算手指坐标系的运动学信息，同时动态仿真手指的运动轨迹；.（4）设计一种可穿戴选择性电刺激原型系统，可实现快速、智能确定刺激位点，并减缓刺激疲劳发生；.（5）设计一种基于GS算法自适应预测误差滤波器去除刺激伪迹原型系统，以实现在十倍刺激频率变化的实时刺激伪迹去除。去噪的肌电信号与自主腕伸力量之间的平均相关系数可达94%。.（6）设计一种去除刺激伪迹的肌电探测前端电路，结合了空白方法、刺激隔离开关和非线性负反馈技术，可去除因电刺激产生的伪迹与肌肉响应波（M波）信号，空白时间5s，有效提高采集时间。可解决刺激与探测位置极近（<2cm）的肌电获取，并研究基于数据库的去动态刺激伪迹算法，设计同侧肌电控制FES原型系统。.（7）设计穿戴式无线肌电桥原型系统，包括肌电探测和刺激臂环，实现异体上肢3个自由度遥控，并完成穿戴式肌电桥系统进行了健康人实验与临床实验。