李科岐 姚固林 吳全玉 潘玲佼 劉曉杰

摘 要：家用小型下肢康復(fù)器因其諸多優(yōu)勢(shì)正逐步取代傳統(tǒng)的康復(fù)治療手段，如何提高家用小型下肢康復(fù)器的治療效果與安全性成為設(shè)備研究的重要內(nèi)容。本文在牽引式下肢康復(fù)器的控制基礎(chǔ)上，提出了一種基于表面肌電信號(hào)的下肢運(yùn)動(dòng)意圖識(shí)別方法與主動(dòng)控制模式。首先，對(duì)表面肌電信號(hào)進(jìn)行分析，并建立基于BP神經(jīng)網(wǎng)絡(luò)的運(yùn)動(dòng)意圖分類(lèi)模型。其次，將下肢運(yùn)動(dòng)時(shí)分類(lèi)模型產(chǎn)生的輸出結(jié)果作為下肢康復(fù)器的控制信號(hào)，實(shí)現(xiàn)患者的動(dòng)作識(shí)別與主動(dòng)訓(xùn)練。最后，在實(shí)時(shí)訓(xùn)練中測(cè)得設(shè)備的平均識(shí)別率為86.67%，證明該主動(dòng)訓(xùn)練模式的可行性，進(jìn)而提高了設(shè)備的柔順性。另外，在訓(xùn)練過(guò)程中還監(jiān)測(cè)下肢異常動(dòng)作產(chǎn)生的信號(hào)并及時(shí)處理，提高了設(shè)備安全性，為后續(xù)進(jìn)行深入研究主動(dòng)康復(fù)奠定了理論與實(shí)踐基礎(chǔ)。

關(guān)鍵詞：下肢康復(fù)機(jī)器人；表面肌電信號(hào)；運(yùn)動(dòng)意圖識(shí)別；主動(dòng)模式

中圖分類(lèi)號(hào)：TP242；TH122? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：1673-260X（2024）04-0011-05

下肢康復(fù)器能夠幫助肌肉損傷、下肢偏癱或下肢關(guān)節(jié)手術(shù)后的患者盡快恢復(fù)下肢運(yùn)動(dòng)功能。特別是在人口老齡化加劇、我國(guó)康復(fù)醫(yī)療人員與患者之間數(shù)量差距懸殊這兩大社會(huì)問(wèn)題的背景下，它提供了一種有效的解決方案[1-3]。當(dāng)前傳感器技術(shù)的發(fā)展使得人與機(jī)器人間的交互方式變得更加多樣且高效。然而，在人機(jī)交互的控制問(wèn)題中，如何保證機(jī)器人自然地根據(jù)人體運(yùn)動(dòng)意圖做出相應(yīng)動(dòng)作成為下肢康復(fù)器控制系統(tǒng)所面臨的挑戰(zhàn)之一[4]。

表面肌電信號(hào)被廣泛應(yīng)用于康復(fù)機(jī)器人的運(yùn)動(dòng)意圖識(shí)別中。近年來(lái)，Saeed等人[5]提取了肌電信號(hào)數(shù)據(jù)的4種時(shí)域特征，之后對(duì)比人工神經(jīng)網(wǎng)絡(luò)與線性判別分析兩種分類(lèi)器對(duì)手勢(shì)動(dòng)作數(shù)據(jù)集的分類(lèi)結(jié)果，得出人工神經(jīng)網(wǎng)絡(luò)的分類(lèi)準(zhǔn)確性更高的結(jié)果，對(duì)后續(xù)的分類(lèi)器選擇提供了幫助。Rohit Gupta等人[6]在處理肌電信號(hào)時(shí)，對(duì)窗口大小、特征向量組合類(lèi)型以及分類(lèi)器進(jìn)行多方面比較，得到了一套對(duì)運(yùn)動(dòng)意圖識(shí)別較為有效的流程。同時(shí)對(duì)信號(hào)處理以及模型建立涉及的相關(guān)因素提供了有價(jià)值的成果。史小華等人[7]設(shè)計(jì)了一種座椅型的下肢康復(fù)機(jī)器人，將收集到的肌電信號(hào)特征值經(jīng)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行動(dòng)作分類(lèi)，實(shí)現(xiàn)了運(yùn)動(dòng)意圖的識(shí)別，證明了該模式的可行性和安全性。目前，多數(shù)研究人員主要通過(guò)建立不同的模型來(lái)提高識(shí)別率，但是較少使用結(jié)果實(shí)現(xiàn)具體的機(jī)械控制，而且上述提到的下肢康復(fù)器是座椅型設(shè)計(jì)，對(duì)于膝關(guān)節(jié)術(shù)后臥床和偏癱患者來(lái)說(shuō)使用較為不便。

1 材料與方法

本文基于已設(shè)計(jì)好的牽引式下肢康復(fù)器平臺(tái)，通過(guò)PC端獲取肌電采集設(shè)備采集的信號(hào)，并對(duì)信號(hào)的時(shí)域特征進(jìn)行實(shí)時(shí)處理，利用BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行動(dòng)作分類(lèi)，通過(guò)分類(lèi)結(jié)果對(duì)下肢康復(fù)器進(jìn)行實(shí)時(shí)控制。如圖1所示為下肢康復(fù)器平臺(tái)與肌電信號(hào)采集設(shè)備。其中，肌電采集設(shè)備為Sichiray的雙通道肌電采集設(shè)備，通過(guò)雙通道可以分別對(duì)兩處目標(biāo)肌肉進(jìn)行肌電信號(hào)的采集，之后將采集到的肌電信號(hào)，通過(guò)藍(lán)牙4.0通訊實(shí)時(shí)傳輸給PC端。

1.1 信號(hào)的采集

肌電信號(hào)的采集使用的是雙通道采集設(shè)備，采集方式為非侵入式采集，設(shè)備通過(guò)電極貼貼在相應(yīng)肌肉即可實(shí)現(xiàn)信號(hào)采集且對(duì)人體幾乎沒(méi)有傷害，采樣頻率為1000Hz，采集的數(shù)據(jù)通過(guò)藍(lán)牙4.0配適器傳輸?shù)絇C端進(jìn)行讀取。基于臥式下肢康復(fù)器的訓(xùn)練動(dòng)作主要是圍繞膝關(guān)節(jié)進(jìn)行的關(guān)節(jié)運(yùn)動(dòng)，通過(guò)對(duì)比主要提供力量的肌肉以及肌電信號(hào)的采集難易程度，將采集股直肌和股內(nèi)側(cè)肌的肌電信號(hào)進(jìn)行膝關(guān)節(jié)屈膝和伸展意圖的識(shí)別[8，9]。

本次實(shí)驗(yàn)共選擇10名健康受試者，其中男性5名，女性5名，年齡為25±5歲，身高分布在158 cm～185cm之間。受試者進(jìn)3天未進(jìn)行過(guò)劇烈運(yùn)動(dòng)，受試者以平躺或坐臥的姿勢(shì)依次進(jìn)行屈膝和伸展兩個(gè)動(dòng)作，每個(gè)動(dòng)作保持2秒，單個(gè)動(dòng)作每人采集40次數(shù)據(jù)，單個(gè)動(dòng)作10人共400組數(shù)據(jù)，兩個(gè)動(dòng)作共800組數(shù)據(jù)，作為原始肌電信號(hào)數(shù)據(jù)集。為防止肌肉疲勞產(chǎn)生的影響，單個(gè)動(dòng)作間隔6～8秒，每組數(shù)據(jù)采集過(guò)程中引入10分鐘休息[10]。采集到的肌電信號(hào)圖如圖2所示。

1.2 信號(hào)處理

表面肌電信號(hào)是一種隨機(jī)且不穩(wěn)定的信號(hào)，為了降低采集過(guò)程中噪聲信號(hào)、工頻信號(hào)等干擾，影響模型的分類(lèi)效果，故對(duì)肌電信號(hào)進(jìn)行相應(yīng)的預(yù)處理[11]。使用MATLAB對(duì)肌電信號(hào)進(jìn)行低通濾波來(lái)去除高頻噪聲，平滑信號(hào)，保留較低頻的生理相關(guān)成分，可以減少高頻干擾，并提高信號(hào)的質(zhì)量和可分辨性[12]。還采用高通濾波來(lái)去除直流偏移或低頻基線漂移，使信號(hào)相對(duì)于基線更加穩(wěn)定[13，14]，使用4階巴特沃斯帶通濾波器（Butterworth）對(duì)表面肌電信號(hào)進(jìn)行濾波去噪。最后，使用陷波器濾除信號(hào)中的電源干擾或特定頻率的干擾信號(hào)，尤其是工頻干擾[15]。圖3為通過(guò)以上處理得到的信號(hào)對(duì)比圖。

1.3 特征值提取

常用的表面肌電信號(hào)特征包括時(shí)域、頻域和時(shí)頻分析三大類(lèi)[16]。時(shí)域特征在肌電信號(hào)分析中具有直觀性、計(jì)算簡(jiǎn)單和與運(yùn)動(dòng)關(guān)聯(lián)性等優(yōu)點(diǎn)而被廣泛使用[17]。本文主要計(jì)算時(shí)域特征的均方根值、平均絕對(duì)值和過(guò)零點(diǎn)率進(jìn)行提取與分析。

（1）均方根值（Root Mean Square， RMS）

均方根可以衡量肌電信號(hào)的離散程度或波動(dòng)性，較大的均方根通常意味著信號(hào)的波動(dòng)范圍較大，而較小的均方根表示信號(hào)的波動(dòng)范圍較小[18]。通過(guò)計(jì)算均方根，可以比較不同運(yùn)動(dòng)意圖下的信號(hào)波動(dòng)性。例如，對(duì)于運(yùn)動(dòng)意圖判斷，如果股內(nèi)側(cè)肌的均方根較大，則表示信號(hào)的波動(dòng)范圍較大，可能對(duì)應(yīng)著較強(qiáng)的肌肉收縮和運(yùn)動(dòng)力度，預(yù)示患者想要進(jìn)行伸展行為，計(jì)算肌電信號(hào)均方根值所用計(jì)算方法如公式（1）所示。

（2）平均絕對(duì)值（Mean Absolute Value，MAV）

平均絕對(duì)值反映了表面肌電信號(hào)在下肢運(yùn)動(dòng)中的能量平均變化[19]。通過(guò)計(jì)算不同肌肉群的平均絕對(duì)值，可以對(duì)不同運(yùn)動(dòng)意圖進(jìn)行分類(lèi)和識(shí)別。計(jì)算肌電信號(hào)均方根值所用計(jì)算方法采用公式（2）。

（3）過(guò)零點(diǎn)率（Zero Crossing Rate，ZCR）

過(guò)零點(diǎn)率是肌電信號(hào)的時(shí)域特征之一，反映了信號(hào)通過(guò)零點(diǎn)（從正變?yōu)樨?fù)或從負(fù)變?yōu)檎┑拇螖?shù)，它可以用于估計(jì)肌肉活動(dòng)的頻率特征，即肌肉信號(hào)在時(shí)間上的變化頻率。通過(guò)比較不同動(dòng)作的過(guò)零點(diǎn)率，可以將收集到的肌電信號(hào)進(jìn)行運(yùn)動(dòng)檢測(cè)和分類(lèi)。

在提取到相應(yīng)特征值后，通過(guò)MATLAB的仿真，如圖4所示?？梢钥闯鲈谕粍?dòng)作下，選取的特征量呈現(xiàn)出較高的同步性。不同的動(dòng)作間，特征值的數(shù)值也有較明顯的差別，故選取的特征具有研究的可行性。

1.4 建立識(shí)別模型

神經(jīng)網(wǎng)絡(luò)，又稱(chēng)為人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks， ANNs），是一種數(shù)學(xué)模型，模仿動(dòng)物中樞神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能，用于進(jìn)行分布式并行信息處理[20]。其中，誤差逆?zhèn)鞑ニ惴ǎ╡rror Backpropagation， BP）是一種非常成功和經(jīng)典的神經(jīng)網(wǎng)絡(luò)算法，由于其對(duì)未知信息有一定的泛化能力，在肌電信號(hào)的分類(lèi)和識(shí)別任務(wù)中被廣泛應(yīng)用[21]。本文實(shí)驗(yàn)使用雙通道肌電設(shè)備采集，每次動(dòng)作分別對(duì)這兩條通道，可以提取出三個(gè)特征值，總共得到6個(gè)特征值，我們將這6個(gè)特征值作為一個(gè)特征向量。

由于特征向量是6維的，所以我們將輸入層的神經(jīng)元個(gè)數(shù)設(shè)置為6個(gè)?？紤]到任務(wù)是進(jìn)行2分類(lèi)，需要輸出層有2個(gè)神經(jīng)元來(lái)表示兩個(gè)類(lèi)別的結(jié)果。神經(jīng)網(wǎng)絡(luò)模型是一個(gè)多層前饋神經(jīng)網(wǎng)絡(luò)，包括輸入層、隱藏層和輸出層。輸入層有6個(gè)神經(jīng)元，輸出層有2個(gè)神經(jīng)元。根據(jù)經(jīng)驗(yàn)公式（3）所示。

其中，m，n分別為輸入層和輸出層的神經(jīng)元個(gè)數(shù)，當(dāng)不能整除時(shí)，選擇整數(shù)值，結(jié)合后續(xù)測(cè)試得隱層的神經(jīng)元個(gè)數(shù)x為4。BP算法的核心思想是通過(guò)反向傳播誤差來(lái)更新神經(jīng)網(wǎng)絡(luò)的權(quán)重和偏置，以逐步減小網(wǎng)絡(luò)的預(yù)測(cè)誤差。先將訓(xùn)練集提供給輸入層神經(jīng)元，然后逐層信號(hào)前傳，直到產(chǎn)生輸出層的結(jié)果，例如，在訓(xùn)練例（xp，yp）中，若記神經(jīng)網(wǎng)絡(luò)的輸出為■p如公式（4）所示。

則該訓(xùn)練例的輸出層的均方誤差Ep可以采用公式（5）計(jì)算。

其中連接權(quán)是神經(jīng)網(wǎng)絡(luò)中神經(jīng)元之間連接的強(qiáng)度或權(quán)重值。在神經(jīng)網(wǎng)絡(luò)的每個(gè)連接上，都有一個(gè)連接權(quán)來(lái)表示該連接的重要程度或貢獻(xiàn)度，大小會(huì)根據(jù)逆向傳播的誤差進(jìn)行調(diào)整，不斷迭代循環(huán)，網(wǎng)絡(luò)模型的計(jì)算在訓(xùn)練誤差最小時(shí)停止。具體的，若記隱層到輸出層的兩個(gè)神經(jīng)元α和β的連接權(quán)為v，在給定學(xué)習(xí)率？濁后，如公式（6）所示。

連接權(quán)v的影響順序從輸出層神經(jīng)元β的輸入值βi開(kāi)始，通過(guò)連接權(quán)將輸入值轉(zhuǎn)換為輸出值■p。然后，連接權(quán)的影響傳遞到誤差項(xiàng)Ep，隱層神經(jīng)元α的輸出值為αt，可得到BP算法中關(guān)于v的更新公式（7）。

以上是連接權(quán)的更新過(guò)程，閾值的更新是通過(guò)計(jì)算誤差對(duì)閾值的偏導(dǎo)數(shù)，然后根據(jù)學(xué)習(xí)率和梯度下降的方向更新閾值的值，以逐步優(yōu)化網(wǎng)絡(luò)的性能。

2 實(shí)驗(yàn)結(jié)果

2.1 對(duì)比三種識(shí)別模型

本文實(shí)驗(yàn)共測(cè)得800組數(shù)據(jù)，其中屈膝，伸展動(dòng)作各400組，各選取300組與其對(duì)應(yīng)標(biāo)簽作為BP神經(jīng)網(wǎng)絡(luò)的輸入，在訓(xùn)練好的模型中對(duì)剩余200組數(shù)據(jù)進(jìn)行測(cè)試，最終測(cè)試集結(jié)果如圖5所示。

為了比較BP神經(jīng)網(wǎng)絡(luò)分類(lèi)模型與其它機(jī)器學(xué)習(xí)算法模型的分類(lèi)效果，使用了同樣的訓(xùn)練集和測(cè)試集，構(gòu)建了基于支持向量機(jī)與可優(yōu)化樹(shù)算法的模型并進(jìn)行驗(yàn)證。其中支持向量機(jī)學(xué)習(xí)的基本想法是求解能夠正確劃分訓(xùn)練數(shù)據(jù)集，并且?guī)缀伍g隔最大的分離超平面，這對(duì)于目前實(shí)驗(yàn)動(dòng)作的二分類(lèi)是非常合適的。決策樹(shù)是一種有監(jiān)督的機(jī)器學(xué)習(xí)，該模型可用于擬合人們的決策行為，也可用于解決分類(lèi)或回歸問(wèn)題。以上三種算法的分類(lèi)比較結(jié)果見(jiàn)表1。

在對(duì)單獨(dú)兩種動(dòng)作平均準(zhǔn)確率進(jìn)行對(duì)比后，發(fā)現(xiàn)基于BP神經(jīng)網(wǎng)絡(luò)的分類(lèi)模型效果最好，支持向量機(jī)次之。經(jīng)過(guò)分析，其中支持向量機(jī)分類(lèi)準(zhǔn)確率略低的原因是表面肌電信號(hào)具有隨機(jī)性，這導(dǎo)致了各個(gè)數(shù)據(jù)間并不存在明顯的線性關(guān)系，因此在計(jì)算劃分?jǐn)?shù)據(jù)集的分離超平面時(shí)易出現(xiàn)誤差。然而，可優(yōu)化樹(shù)可能是因?yàn)樵谟?xùn)練集中產(chǎn)生了過(guò)擬合現(xiàn)象，在測(cè)試集中沒(méi)有較好的泛化能力，導(dǎo)致準(zhǔn)確率下降。其中，三種算法構(gòu)建的分類(lèi)模型對(duì)屈膝動(dòng)作的識(shí)別率都要高于伸展動(dòng)作的識(shí)別率，BP神經(jīng)網(wǎng)絡(luò)的分類(lèi)模型在該樣本量下取得了很好的識(shí)別效果，因此將BP神經(jīng)網(wǎng)絡(luò)的分類(lèi)模型作為接下來(lái)系統(tǒng)的分類(lèi)使用。

2.2 測(cè)試流程

整個(gè)控制系統(tǒng)的主要部分由下肢康復(fù)器、PC端與肌電采集設(shè)備組成。由STM32F407ZGT6為主控芯片作為下肢康復(fù)器的主控單元，搭配LCD屏通過(guò)可視觸摸界面進(jìn)行人機(jī)交互，負(fù)責(zé)對(duì)下肢康復(fù)器的控制。其中，主控單元延伸出的排線連接了下肢康復(fù)器內(nèi)的一塊拓展板，拓展板負(fù)責(zé)與底層部件進(jìn)行連接并給主控單元供電。下肢康復(fù)器的主控單元與PC端，采用了串口通訊的方式接收肌電信號(hào)分類(lèi)識(shí)別的結(jié)果。根據(jù)實(shí)時(shí)結(jié)果進(jìn)行判斷并控制拓展板輸出不同頻率的脈沖進(jìn)而控制下肢康復(fù)器的步進(jìn)電機(jī)，配合下肢實(shí)現(xiàn)主動(dòng)運(yùn)動(dòng)。如圖6為整體的主動(dòng)訓(xùn)練控制算法流程圖。

通過(guò)圖6可以更直觀的看到，在手持終端發(fā)出訓(xùn)練開(kāi)始的指令后，肌電采集設(shè)備分別從兩個(gè)通道開(kāi)始采集信號(hào)，之后通過(guò)藍(lán)牙通訊發(fā)送給PC端。由于在實(shí)時(shí)的主動(dòng)訓(xùn)練中，信號(hào)是接連不斷的進(jìn)行發(fā)送的，所以PC端在收集信號(hào)的同時(shí)，也在不斷執(zhí)行預(yù)處理操作。處理后的數(shù)據(jù)通過(guò)滑動(dòng)窗口來(lái)分段并進(jìn)行特征值提取，其中肌電采集設(shè)備的采集頻率設(shè)置為1000Hz，故程序刷新頻率設(shè)置為0.001s，為得到較好的特征值，在經(jīng)過(guò)多次實(shí)驗(yàn)后把滑動(dòng)窗口的大小設(shè)置為100ms，重疊量為50ms。之后將特征值輸入訓(xùn)練好的分類(lèi)模型來(lái)得到分類(lèi)結(jié)果，并通過(guò)串口通訊傳輸至手持終端，由其解碼并執(zhí)行控制指令。而當(dāng)下肢因疼痛或突發(fā)狀況向機(jī)構(gòu)的既定運(yùn)動(dòng)方向的反方向行動(dòng)時(shí)，系統(tǒng)也能實(shí)時(shí)監(jiān)測(cè)到異常的動(dòng)作信號(hào)，及時(shí)停止設(shè)備，防止二次傷害的發(fā)生。

2.3 實(shí)驗(yàn)測(cè)試

選取三位之前參與肌電信號(hào)采集的受試者在下肢康復(fù)器上以坐臥的姿勢(shì)分別主動(dòng)進(jìn)行膝關(guān)節(jié)10次屈膝和伸展的動(dòng)作。在進(jìn)行訓(xùn)練時(shí)，下肢康復(fù)器的主控單元會(huì)根據(jù)接收的動(dòng)作分類(lèi)標(biāo)簽顯示計(jì)數(shù)。計(jì)數(shù)結(jié)果與對(duì)應(yīng)動(dòng)作的準(zhǔn)確率如表2所示。

根據(jù)表2可以看出膝關(guān)節(jié)的屈膝動(dòng)作的識(shí)別率要明顯高于伸展動(dòng)作，由于膝關(guān)節(jié)的屈膝動(dòng)作幅度較大，股直肌產(chǎn)生的肌電信號(hào)較強(qiáng)，提取的特征明顯更容易被識(shí)別。這里總體的識(shí)別率較模型識(shí)率下降，還可能與下肢康復(fù)器的電機(jī)在運(yùn)行時(shí)產(chǎn)生的機(jī)械振動(dòng)相關(guān)，導(dǎo)致采集的肌電信號(hào)受到額外的干擾，可以通過(guò)增加采集肌電信號(hào)的通道個(gè)數(shù)或者采取減震措施進(jìn)一步改善。

3 結(jié)論

本文在對(duì)肌電信號(hào)進(jìn)行提取處理并比較多個(gè)分類(lèi)模型后，得到了具有較高準(zhǔn)確率的神經(jīng)網(wǎng)絡(luò)模型，開(kāi)始在下肢康復(fù)器上進(jìn)行實(shí)時(shí)訓(xùn)練的研究，初步實(shí)現(xiàn)進(jìn)行自主個(gè)性化的康復(fù)訓(xùn)練，使訓(xùn)練更加符合患者的實(shí)際需要。相比傳統(tǒng)的牽引式康復(fù)機(jī)器人，基于表面肌電信號(hào)控制的康復(fù)機(jī)器人能夠更好地激勵(lì)患者主動(dòng)參與訓(xùn)練，提高康復(fù)效果，同時(shí)避免被動(dòng)訓(xùn)練時(shí)機(jī)械本體可能造成的二次傷害，這種新型的康復(fù)訓(xùn)練方式具有廣闊的應(yīng)用前景和重要的臨床價(jià)值。

參考文獻(xiàn)：

〔1〕鄒波.中國(guó)老齡化的現(xiàn)狀與積極應(yīng)對(duì)[J].中國(guó)民政，2017，30（20）：42-44.

〔2〕Xue Z， Zan Y， Jing W. Robotics in Lower-Limb Rehabilitation after Stroke [J]. Behavioural neurology， 2017，9（03）： 1-13.

〔3〕張鵬程，牛建業(yè)，劉承磊，等.牽引式下肢康復(fù)機(jī)器人機(jī)構(gòu)參數(shù)優(yōu)化及軌跡規(guī)劃[J].工程設(shè)計(jì)學(xué)報(bào)，2022，29（06）：695-704.

〔4〕杜妍辰，孫潔，汪曉銘，等.一種基于表面肌電信號(hào)映射人體下肢運(yùn)動(dòng)意圖的方法[J].生物醫(yī)學(xué)工程學(xué)進(jìn)展，2023，44（02）：158-162.

〔5〕Saeed B， Zia-ur-Rehman M， Gilani O S， et al. Leveraging ANN and LDA Classifiers for Characterizing Different Hand Movements Using EMG Signals [J]. Arabian Journal for Science and Engineering， 2020， 46（02）： 1761-1769.

〔6〕Rohit G， Ravinder A. Electromyographic Signal-Driven Continuous Locomotion Mode Identification Module Design for Lower Limb Prosthesis Control [J]. Arabian Journal for Science and Engineering， 2018， 43（12）： 7817-7835.

〔7〕史小華，盧浩，廖梓宇，等.基于表面肌電信號(hào)的下肢康復(fù)主動(dòng)訓(xùn)練[J].科學(xué)技術(shù)與工程，2018，18（17）：61-66.

〔8〕Kyoungsoon K， Tunc A， Robert L， et al. Self-modulation of rectus femoris reflex exc-itability in humans[J]. Scientific Reports， 2023， 13（01）： 1-11.

〔9〕宋娜，蔣金金，馬琪，等.髕股關(guān)節(jié)炎患者膝周肌群表面肌電信號(hào)特征研究[J].中國(guó)康復(fù)醫(yī)學(xué)雜志，2022，37（04）：509-514.

〔10〕軒運(yùn)動(dòng)，孫應(yīng)飛，黃志蓓，等.基于表面肌電信號(hào)的腦卒中上肢肌肉性能研究[J].工程研究-跨學(xué)科視野中的工程，2016，8（06）：598-604.

〔11〕Tang C， Xu Z， Occhipinti E， et al. From brain to movement： Wearables-based motion intention prediction across the human nervous system[J]. Nano Energy， 2023， 115（12）： 2211-2855.

〔12〕馮艷梅，仲雪飛，王俊俊，等.基于DSP的肌電信號(hào)采集處理[J].電子器件，2014，37（05）：830-834.

〔13〕顧旋，張偉，劉東華，等.基于IIR數(shù)字濾波器消除心電信號(hào)的基線漂移[J].信息技術(shù)與信息化，2021，11（12）：177-179.

〔14〕Rao B B， Rao P B. Power line interference cancellation from ECG using proportionate normalised least mean square sub-band adaptive algorithms[J]. International Journal of Biomedical Engineering and Technology， 2022， 38（03）： 286-304.

〔15〕劉光達(dá)，董夢(mèng)坤，張守偉，等.基于KPCA-SVM的表面肌電信號(hào)疲勞分類(lèi)研究[J].電子測(cè)量與儀器學(xué)報(bào)，2021，35（10）：1-8.

〔16〕Pornchai P， Sirinee T， Khairul A， et al. Evaluation of feature extraction techniques and classifiers for finger movement recognition using surface electromyography signal[J]. Medical & biological engineering & computing， 2018， 56（12）： 2259-2271.

〔17〕張小棟，陳江城，尹貴.下肢康復(fù)機(jī)器人肌電感知與人機(jī)交互控制方法[J].振動(dòng).測(cè)試與診斷，2018，38（04）：649-657+866.

〔18〕章亞男，景銀平，沈林勇，等.下肢表面肌電信號(hào)的降維和映射分析[J].傳感技術(shù)學(xué)報(bào)，2018，31（07）：1046-1053.

〔19〕鄭海鵬，李玉榕.基于雙通道表面肌電信號(hào)的在線手勢(shì)識(shí)別系統(tǒng)研究[J].物聯(lián)網(wǎng)技術(shù)，2022，12（03）：17-20+23.

〔20〕Zhang Z， Yang K， Qian J， et al. Real-Time Surface EMG Pattern Recognition for Hand Gestures Based on an Artificial Neural Network[J]. Sensors， 2019， 19（14）： 1-15.

〔21〕于擎，楊基海，陳香，等.基于BP神經(jīng)網(wǎng)絡(luò)的手勢(shì)動(dòng)作表面肌電信號(hào)的模式識(shí)別[J].生物醫(yī)學(xué)工程研究，2009，28（01）：6-10.

〔22〕李沿宏，江茜，鄒可，等.融合注意力機(jī)制的多流卷積肌電手勢(shì)識(shí)別網(wǎng)絡(luò)[J].計(jì)算機(jī)應(yīng)用研究，2021，38（11）：3258-3263.