关键词： 酱卤卤汤   主效成分   溶出规律   电化学传感器阵列   模式识别   检测分析  

摘要： 酱卤鸭制品是湖北最具代表性的传统酱卤制品,香辛料是其风味形成的重要原料。香辛料主效成分是其特征风味的重要来源,也是酱卤制品独特风味形成的重要物质基础。酱卤鸭制品风味品质不稳定的主要因素有:香辛料原料差别、卤煮工艺、和人工控制偏差等,在卤煮过程中,卤汤中的香辛料主效成分实时检测是实施产品风味精确控制的前提,然而,尚缺乏快速、实时监测卤汤中香辛料主效成分的方法。针对以上制约酱卤鸭制品风味标准化的瓶颈问题,本文在简化卤煮条件下,探讨了不同卤煮条件下几种典型香辛料主效成分的溶出规律,尝试采用电化学传感器阵列结合模式识别算法对卤煮过程的卤汤中香辛料主效成分含量进行检测分析,以期为酱卤制品风味精准控制提供参考。主要结果如下:（1）研究了模拟卤煮条件下,卤汤上层油相中肉桂醛、丁香酚、胡椒碱、辣椒碱和二氢辣椒碱的提取方法,优化了卤汤中主效成分的提取。比较了甲醇、石油醚和乙腈饱和的正己烷等3种不同溶剂提取方法对上述几种主效成分的提取效果。结果表明,采用乙腈饱和的正己烷提取优于甲醇和石油醚提取;该方法对卤汤上层油相中5种主效成分的回收率可达84.6%～107.6%,相对标准偏差为0.2%～2.2%,说明该方法稳定性好,具有较好的精密度和回收率。（2）探索了简化卤煮条件下,卤煮过程中的卤煮时间、油脂类型、油脂含量和食盐浓度等关键卤煮工艺参数对肉桂醛、丁香酚、胡椒碱、辣椒碱和二氢辣椒碱的溶出规律影响。结果表明:丁香酚和肉桂醛、辣椒碱和二氢辣椒碱、胡椒碱分别在第20min、80min和110min时有最大溶出量;主效成分在动物性油脂中如猪油和牛油的溶出较低,葵花籽油对各主效成分的溶出最显著;油脂含量为28%时丁香酚、胡椒碱和辣椒碱几乎全部溶出,而二氢辣椒碱和肉桂醛在油脂含量为56%时溶出最大;胡椒碱、辣椒碱与二氢辣椒碱、丁香酚与肉桂醛在食盐浓度分别为1%、5%、10%时溶出量最高。（3）探索了不同卤煮时间下,香辛料几种主效成分在卤汤中的变化趋势。结果显示,卤煮时间总长度约为90min,肉桂醛整体呈现先上升后下降的波动趋势,其含量约在第48 min上升到最大值,随后逐渐下降;丁香酚与肉桂醛的溶出规律类似,卤煮过程的含量范围为2.74～44.25 mg/kg,约在第42 min达到最大值;胡椒碱在90 min内出现持续缓慢波动上升状态,卤煮结束时含量最高,为12.77 mg/kg;总辣椒碱表现为波动上升趋势,最高含量可达到40.40 mg/kg,78 min以后随着卤煮时间的延长逐渐趋于波动平衡。（4）以传感器阵列数据的常规特征值（顶点或拐点）为输入,UPLC测定肉桂醛、丁香酚、胡椒碱和总辣椒碱的含量为输出,建立了不同卤煮时间卤汤中肉桂醛、丁香酚、胡椒碱和总辣椒碱的PLS模型、SVM模型和BP-神经网络模型。其中,PLS模型和SVM模型的预测效果则不佳。BP-神经网络模型对除了肉桂醛之外的其他几个主效成分含量预测效果最好,预测集均方根误差分别为1.5781、0.7922和2.1174,相关系数为0.9213、0.8549和0.9024,模型精度最高、泛化能力强。表明BP-神经网络模型可以应用于实际检测中。（5）以传感器阵列响应信号的多维特征值（联合特征区间）为输入,UPLC测定肉桂醛、丁香酚、胡椒碱和总辣椒碱的含量为输出,建立了不同卤煮时间卤汤中肉桂醛、丁香酚、胡椒碱和总辣椒碱的si PLS模型。与常规特征值相比,联合特征区间对于定量分析同样有效;建立的si PLS模型预测效果比以常规特征值为输入的PLS模型基础上有所提高。总体来说,无论常规特征值或者多维特征值矩阵,里面均包含了重要且有效的特征信息,需选择合适的传感器阵列响应信号提取方法。

关键词： CPFS结构   模式识别   平面向量   实证研究  

摘要： 在教育心理学中,专家与学者们普遍认为学习者的问题解决能力与其头脑中的认知结构有着密切的关系.数学学习心理的CPFS结构是数学学科特有的、存在于个体头脑中的优良的数学认知结构.因此,丰富与完善CPFS结构理论是数学教育者需要研究的重要课题之一.模式识别作为问题解决过程中的环节之一,与问题解决过程中的其他环节相互影响、相互制约,而同时,问题解决过程又受到CPFS结构的影响,这为研究CPFS结构对模式识别的影响奠定了良好的理论与实证研究基础.平面向量不仅是沟通代数与几何的“桥梁”,也是沟通数学学科与物理学科的“桥梁”,说明了平面向量在高中数学中有着举足轻重的地位.研究采用文献分析法、出声思维与访谈法、问卷调查法,以高中生平面向量CPFS结构测试卷、高中生平面向量解题知识模式识别能力测试卷、高中生平面向量解题方法模式识别能力测试卷为载体,选取江苏省两所四星高中的206名高中生进行测试,再进行定性分析与定量分析,结合SPSS25.0软件分析高中生平面向量CPFS结构对解题模式识别能力的影响,得出如下结论:一是大部分学生平面向量CPFS结构处于中等水平.高中生平面向量CPFS结构在年级上存在非常显著的差异,在性别上无显著差异.二是高中生平面向量解题模式识别分为知识模式识别与方法模式识别.在解题知识模式识别中,识别出题目中所考知识对高中生较容易,识别出与所考知识相关联的知识与通过识别题目中知识模式判定不同题目之间是否关联对高中生偏难,识别(联想出)其他知识点用来解决平面向量问题对高中生来说是困难的;在平面向量解题方法模式识别能力中,大部分学生处于中等水平.高中生平面向量解题过程中的两种模式识别能力均在年级上存在非常显著的差异,在性别上无显著差异.三是高中生平面向量CPFS结构更完善的学生解题过程中的两种模式识别能力更高,反之则更低.其中,平面向量CPFS结构对平面向量解题方法模式识别能力具有百分之56.4的解释力,二者之间的非标准化回归方程为y=0.895x+7.058,标准化回归方程为y=0.752x.根据研究结论,对于平面向量部分,提出以下教学建议:一是完善学生平面向量CPFS结构的教学建议.包括教学中重点体现概念的形成过程,帮助学生建立概念域与概念系;教学中重点体现命题之间的联系,帮助学生建立命题域与命题系;以及完善学生平面向量CPFS结构的具体做法.二是提升学生平面向量解题模式识别能力的教学建议.包括完成教学方法转变,提升平面向量解题知识模式识别能力;引导学生一题多解,提升平面向量解题方法模式识别能力;以及提升学生平面向量解题模式识别能力的具体做法.

关键词： 表面肌电信号   在线模式识别   康复训练   特征通道优化  

摘要： 表面肌电信号(s EMG)作为人体生物电信号之一,包含丰富的人体动作信息。利用肌电信号控制康复机器人进行康复训练,在临床上并没有被广泛应用,主要是因为传统方法试图通过构建普适性的动作模式分类器以面对众多患者,分类器的识别精度依赖患者数据集的规模和多样性,其个性化的缺乏导致面对新患者时,肌电信号识别率往往会下降;更重要的是,目前对肌电信号的数据处理大多选择离线方式,不能实时在线进行动作模式识别并实现相应的康复训练。本文以肌电信号控制康复机器人对患者下肢进行康复训练作为研究主体,主要研究内容如下:(1)根据对下肢的分析,设计出针对下肢膝关节、踝关节、髋关节三个关节的12种康复动作。12种动作的肌电信号分别在坐姿模态、卧姿模态和卧姿患肢模态三种模态下完成采集。坐姿模态下主要针对膝关节和踝关节设计出踝关节单动、膝关节单动、膝踝关节联动、坐姿静息四种动作;卧姿模态下主要针对髋关节设计出卧姿低幅、卧姿中幅、卧姿高幅、卧姿静息四种动作;卧姿患肢模态下主要是模仿患者完全瘫痪的状态,设计出卧姿模仿患肢弱动、卧姿模仿患肢中动、卧姿模仿患肢强动、卧姿模仿患肢静息四种动作。(2)采用一种无线可穿戴采集仪,并基于无线可穿戴采集仪二次开发出针对个人在线识别、实时控制康复训练的上位机。该上位机满足表面肌电信号的实时采集、保存、波形显示、数据处理、特征提取、在线构建个性化的分类器以及在线动作识别的功能。相较于传统采集数据的复杂方法,该研究中针对个人在线采集数据的方法工作量小、用时短。(3)表面肌电信号特征选取时域的积分肌电值(IEMG)、均方根值(RMS)、一阶差分绝对值(FD)和非线性动力学的近似熵(Ap En)、小波奇异熵(WSE)组成联合特征值集。用粒子群优化算法(PSO)进行特征值通道优化,结合最邻近节点算法(KNN)和极限学习机算法(ELM),对个体样本数据进行分类识别,组建出PSO-ELM和PSO-KNN算法。八名被试的实验结果表明,针对被试者下肢四种动作在线构建个性化分类器仅需6分钟。(4)利用构建好的个性化分类器,基于多位姿下肢康复机器人,进行在线动作识别和相应康复训练,不同康复训练动作切换之间识别的及时性和准确性高,其中坐姿模态和卧姿模态下被试者健侧下肢真实动作和分类识别结果的平均吻合度在95%以上,具有较强的实用性。

关键词： 表面肌电   握力   模式识别   力变   假肢  

摘要： 肌电模式识别是一种先进的智能信号处理技术,已被认为是一种可靠的用户意图分类的重要方法。目前相关的研究报告了在实验室里的高分类正确率,但在临床应用方面仍不能令人满意。其中一个重要的原因是,EMG-PR方法的稳健性仍然不够强,无法应对许多问题,如日常使用中的电极移位,肌肉疲劳,以及力度的变化。其中,力度的变化是影响EMG-PR方法性能的关键问题。因此,提高肌电模式识别方法的抗力变化的鲁棒性就显得尤为重要。另一方面,常用的商用假肢只有主动的动作控制,而没有主动的力度控制,这大大降低了截肢者佩戴假肢的意愿。本文的研究主要分为运动意图识别、握力估计以及运动意图和力度同步解码三个主要部分。针对运动意图识别,主要是抗力度变化影响的特征研究;针对力度的估计,主要是肌电与握力的回归模型的建立;针对运动意图和力度同步解码,主要是运动意图和连续握力以及离散力度同步解码。论文的主要内容和创新性工作如下:(1)首先,针对力度影响下的运动意图识别,论文提出了对数离散傅里叶变换(DFTL)和归一化对数离散傅里叶变换(gn DFTL)特征,使用线性判别分析(LDA)算法进行分类。结果表明,与常用的时域、频域和时间相关的功率谱(TDPSD)特征相比,gn DFTL特征在健康者上的正确率和鲁棒性分别达到95.24%和2.24,均优于时域、频域和TDPSD特征。在截肢者上的正确率和鲁棒性也达到88.99%和1.52,其中握拳的正确率和鲁棒性分别达到了97.43%和2.28,鲁棒性相较于TDPSD特征有明显提升,为截肢者握力的解码奠定了良好的基础。(2)其次,针对力度估计问题,论文对DFTL特征进行了修改,提出了meanch-DFTL特征,并选取了具有代表性的时域、频域特征和AR系数特征进行了对比,使用人工神经网络(ANN)进行估计。结果表明本文提出的meanch-DFTL特征在健康者和截肢者上的相对误差分别为0.065和0.108,相关系数分别为0.953和0.910,均优于其它三种特征。(3)最后,针对运动意图和连续握力同步输出,论文设计了一种融合输出方案。针对运动意图和离散力度的同步解码,论文设计了一个卷积神经网络(CNN)模型,和LDA算法相比,在健康者和截肢者上的正确率分别提高了1.3%和3.61%。

关键词： 日本沼虾   先天免疫   模式识别受体   SVWC   Ficolin  

摘要： 模式识别受体（Pattern recognition receptor,PRR）被认为是无脊椎动物先天免疫的重要组分,可以准确识别入侵微生物的病原体相关分子模式（Pathogen-associated molecular pattern,PAMP）,触发细胞和体液免疫反应以清除病原。近三十年来,由于经济价值的重要性,有关甲壳动物抗病机制的研究得到了长足进展,多种PRR家族成员得到同源克隆,但缺乏对其功能的深入分析和比较研究。本研究以重要淡水经济甲壳动物日本沼虾（Macrobrachium nipponense）为材料,通过生物信息学手段从转录组中全面搜索PRR基因并对其编码蛋白的分子特征进行系统分析,并对部分成员的功能进行了鉴定。此外,本研究还通过功能分析鉴定了一种新的PRR家族—Single von Willebrand factor C-domain protein（SVWC）,并重点对该家族成员的微生物识别机制和免疫调控功能进行了深入分析。主要研究结果如下:1.利用生物信息手段,从日本沼虾TSA数据库中筛选到10个PRR家族,共264个成员,分别为Mn BGRP（8条）、Mn CTL（147条）、Mn Galectin（1条）、Mn FREP（40条）、MnSR（7条）、Mn TEP（17条）、Mn TLR（7条）、MnSPH（21条）、Mn TRBP（12条）和Mn DM9-CP（4条）。2.利用生物信息手段,从日本沼虾转录组中筛选并鉴定了4条MnSVWCs。通过实时荧光定量PCR（q RT-PCR）,分析了4条MnSVWCs的组织分布情况以及维氏气单胞菌（Aeromonas veronii）刺激后的时间表达谱。MnSVWC1-4分别在鳃、血细胞、肌肉、鳃中表达量最高。***刺激后,在鳃中,MnSVWC1和MnSVWC2转录增加,MnSVWC3表达量下调,MnSVWC4无响应;在血细胞中,MnSVWC1和MnSVWC4表达量下调,MnSVWC2和MnSVWC3转录增加;在神经中,MnSVWC1-4表达量均上调。通过原核表达系统和蛋白纯化、复性等技术,成功得到有活性的rMnSVWCs,体外实验发现rMnSVWCs具有广谱的微生物结合活性(rMnSVWC2-4为Ca2+依赖型微生物结合活性)和Ca2+依赖型微生物凝集活性,这些微生物包括革兰氏阴性菌（大肠杆菌和维氏气单胞菌）,革兰氏阳性菌（金黄色葡萄球菌和枯草芽孢杆菌）和毕赤酵母。通过ELISA分析发现rMnSVWCs以及rMnSVWC1-mut P57A均可以与LPS、Lys-type PGN、Dap-type PGN、Gal、MAN和BG这6种PAMPs结合,但是rMnSVWC1-mut P57A与PAMPs的亲和力低于rMnSVWC1。通过RNAi、单抗制备以及免疫荧光技术对rMnSVWC1的抗菌机制进行研究,经研究发现MnSVWC1基因的敲低降低了机体对入侵细菌的清除能力,但未阻断Toll通路和节肢动物免疫缺陷（IMD）通路的活性,不介导抗菌肽基因的表达,也不会激活pro PO系统。而是通过与血细胞表面结合促进血细胞对入侵细菌的吞噬,从而增强对细菌的清除能力,或者直接发挥抑菌功能。这些结果表明,MnSVWC1可以作为潜在的模式识别受体（PPR）,通过识别PAMPs,凝集侵入性微生物并促进血细胞的吞噬作用来介导细胞免疫应答,或者发挥抗菌肽功能,直接抑制细菌生长。3.本研究通过实时荧光定量PCR（q RT-PCR）,分析了4条MnSVWCs在白斑综合征病毒（White Spot Syndrome Virus,WSSV）刺激后的时间表达谱,结果表明MnSVWC1-4在鳃、血细胞和神经中,表达量均上调。对MnSVWC1抗病毒机制研究发现,MnSVWC1可以抑制WSSV在体内的增殖。在体外,Western Blot和ELISA实验显示rMnSVWC1可以与WSSV结合。经过IP检测,我们找到了WSSV上MnSVWC的靶蛋白——VP26和VP28。此外,MnSVWC1可以通过激活JAK-STAT通路分泌Mn Viperin以及促进血细胞对入侵WSSV的吞噬发挥抗病毒功能。4.从日本沼虾转录组中鉴定了一条新的纤维蛋白原相关蛋白基因,命名为Mnfico3。Mnfico3的完整c DNA序列长1133 bp,包含一个765 bp的开放阅读框,编码254个氨基酸残基。Mnfico3蛋白包含一个假定的N端信号肽和一个C端纤维蛋白原相关蛋白结构域。系统发育分析表明,Mnfico3与脊椎动物纤维蛋白的进化关系比其无脊椎动物同源物更近。组织分布分析表明,Mnfico3主要在肌肉中表达,在其受到细菌刺激后,其转录增加。使用重组蛋白的功能分析表明,rMnfico3具有与多种微生物和病原

关键词： 农产品质量   机器学习   模式识别   电子舌   电子眼  

摘要： 农产品质量安全,关乎百姓的健康与生命,是最大的民生工程,因此农产品质量检测方法需要准确、客观、高效、便捷。电子舌和电子眼是模仿人类味觉和视觉机理研制的用于感官特性检测的新型检测技术,其中模式识别技术对智能感官检测系统检测的准确性起决定性作用。传统智能感官系统的模式识别方法通过人工提取特征并采用传统浅层机器学习模型进行分类识别,模式识别算法较为单一,对提取信息处理能力较差,容易过拟合,泛化能力差,使得模型的检测效率较低。基于以上问题,本文基于多种机器学习方法结合电子舌和电子眼对多种农产品品质进行分析和检测,主要研究内容如下:(1)搭建了一套基于虚拟仪器技术的智能感官电子舌系统,主要由传感器阵列、信号调理电路、数据采集系统和上位机终端组成。搭建了一套基于虚拟仪器技术的智能感官电子眼系统,主要由电子眼软件系统、底盘、支架、照明装置、照明调节装置、电子目镜组成。(2)采用电子舌系统结合多种机器学习的方法分别对5种大米的种类进行分类检测。针对电子舌信号的数据量大、维度高、冗余信息多等特点,对电子舌信号采用离散小波变换(DWT)进行特征提取,随后分别使用BP神经网络(BPNN)、支持向量机(SVM)、最小二乘支持向量机(LSSVM)作为分类识别方法进行模式识别,实验结果表明,LSSVM具有更好的分类效果。由于LSSVM是含有c和γ的多参数模型,其参数的选择会影响最终的识别结果,也是影响模型辨别能力的重要因素。分别采用遗传算法(GA)、粒子群算法(PSO)、灰狼算法(GWO)集群优化算法对LSSVM的参数进行整体寻优。实验结果表明,DWT-GWO-LSSVM分类准确率可达到96.7%,适合于大米种类进行快速检测。(3)采用电子眼系统结合注意力机制的残差网络对健康和腐烂的苹果、香蕉、橙子进行分类识别。针对水果图像分割信息遗失过大、分割效果差的问题,分别在VGG16、Inception V3、Res Net50三种卷积神经网络的基础上,引入SE注意力机制,精准定位并提取水果图像中主体的细节特征。同时为了减少由于水果图像数量不足而造成的过拟合现象,采用迁移学习的方法提高模型的稳定性和泛化能力。实验结果表明,基于注意力机制的残差网络模型对水果图像的平均识别准确率可达到84.8%,适合于对水果品质的快速检测。

关键词： 电子鼻   气敏传感器阵列   咖啡   模式识别  

摘要： 对研究对象进行快速、实时且有效的无损检测在食品、农业等众多领域中都有重要意义,一般检测方式有感官检测、精密仪器检测等,感官检测易受个人等外界环境的影响存在一定的不公平性,而使用精密仪器虽然可以进行公平有效的检测,但检测过程繁复且费用很高。这些都无法满足快速、实时等的监测目标。电子鼻技术是自上世纪90年代出现的一种新型的用于对复杂气体进行检测的技术。电子鼻是通过模拟生物体气味识别系统而制造出来的一种仿生仪器,它通过气体传感器阵列结合一定的模式识别方法实现对复杂气味的定性定量分析。当前随着科技的突飞猛进,电子鼻技术在农业、环境、食品等行业有广泛的应用。但当前电子鼻存在体积大不易携带且价格昂贵等缺点。本文旨在设计一套电子鼻系统以实现对不同品质咖啡的分类。完成的主要工作如下:进行系统总体设计、划分功能模块并对各模块进行详细设计,设计制作电子鼻硬件平台,电子鼻硬件平台主要用于气体信号的提取以及传输等,设计主要包括气体传感器选取、传感器阵列设计、气路及气室设计、以及以STM32103单片机为主控芯片的相关外围电路设计。电子鼻平台软件设计与开发。完成了包括PC端人机交互软件和设备端程序两部分的开发。下位机程序结合硬件平台可以实现气体信号的提取以及通过数模转换对提取的气体信号加以处理并将信号上传到上位机等功能。上位机软件可以通过发送不同命令操控电子鼻设备端进行洗气、采集等动作,同时实现了对下位机所传输数据的显示、保存等功能。最后将设计好的系统各模块进行组装完成电子鼻平台的最终搭建和性能测试。本文选取3种不同咖啡为研究对象,使用本电子鼻平台结合相关模式识别算法对待测样本进行进行分类试验以验证系统的有效性。最终结果表明本文所设计的电子鼻系统结合主成分分析法(PCA)和BP神经网络可以很好的对不同咖啡加以区分。同时证明了本电子鼻平台的可靠性。

关键词： 表面肌电   表面肌电分解   运动单位   模式识别   卷积神经网络  

摘要： 表面肌电(surface Electromyography,sEMG)是一种伴随着肌肉收缩产生的电生理信号,其本质是由一系列运动单位(Motor Unit,MU)产生的电位经过脂肪和皮肤等组织的滤波作用和各种噪声的干扰下在表面电极处时空叠加所形成的电信号。通过肌电模式识别技术,可以从sEMG中解析出多个自由度运动的模式和意图。多年来,科研人员对基于sEMG宏观特征的肌电模式识别方法已经开展了广泛的研究。肌电分解技术的进步使得从sEMG信号中分解出MU发放序列和相应动作电位波形信息成为可能,促进人们对肌电模式识别技术的研究深入到微观的MU层面。MU是神经肌肉系统中的基本功能单位,其活动信息直接反映了来自中枢神经系统的微观神经驱动信息。不同运动模式是神经指令驱动肌肉中的一组MU进行协同的方式来完成的,通过解码一组激活的MU活动信息是实现自然鲁棒的肌电控制的发展方向。针对目前基于MU的肌电模式识别研究尚不充分的问题,论文以手指运动模式识别为目标,提出了一种基于MU协同的肌电模式识别方法。在此基础上,通过实施在线表面肌电分解算法,将所提方法进行在线运行优化和验证,促进从微观MU层面发展神经驱动信息解码技术在肌电控制系统中的应用。研究的主要内容和成果如下:(1)基于运动单位协同的肌电模式识别方法研究。本研究以控制手指伸展的指伸肌群为目标肌肉,利用一个16×8电极阵列采集10名受试者执行10种不同的手指运动任务的高密度sEMG信号。首先应用表面肌电分解算法对采集的sEMG信号进行分解,从而获得MU发放序列及其相应动作电位波形信息。然后利用卷积神经网络(Convolution Neural Network,CNN)对MU在所有通道上的波形信息进行挖掘以更好地对MU进行识别。在此基础上,依据多个MU协同激活参与到特定运动模式且同一MU活动可能在不同运动模式共享的生理规律,论文设计了一种新颖的模糊加权决策策略。该策略融合了 MU的数量、类型和发放特性信息,综合衡量了单个MU对每个运动模式的贡献度,实现了从一组MU决策中给出最终的运动模式决策,解决了微观的MU活动和宏观运动模式关联分析的难题。所提的基于MU协同的肌电模式识别方法取得了 100%的准确率,与其他传统的基于MU的方法和基于sEMG宏观特征的方法相比,呈现出显著的性能优势,实验结果也验证了所提方法的有效性。(2)基于运动单位协同的肌电模式识别方法在线运行优化和验证。由于目前基于MU的肌电模式识别方法都依赖于离线的肌电分解算法,这极大地限制了 MU在肌电控制系统中的实际应用。针对此问题,本研究利用在线表面肌电分解算法获得MU活动信息。具体地,首先利用离线分解算法对历史数据预训练得到相应解混矩阵;然后将其直接应用于接下来在线获取的数据中提取MU活动信息从而省去大量求解解混矩阵的时间;接着利用一些参数对得到的MU发放序列进行约束,判断MU发放序列的可靠性;最后将分解得到的MU活动信息应用于所提的肌电模式识别方法中。本研究特别探究了不同窗长条件下的在线表面肌电分解算法性能及其对MU识别和手指运动模式识别性能的影响。本研究验证了在线分解算法用于MU识别和肌电模式识别的可行性,为将来实际的肌电控制系统设计与实现提供了指导。综上所述,论文提出了一种新颖的基于MU协同的肌电模式识别方法,并将所提方法进行在线运行优化,为从微观MU活动信息的角度解析运动意图提供了一种新的工具,促进了 MU在实际肌电控制中的应用,该研究在假肢控制和康复医疗等领域具有潜在的应用价值。

摘要： ~~

关键词： 脑机接口   功能性电刺激   硬件设计   模式识别  

摘要： 脑卒中,俗称中风。目前,我国每年脑卒中新增人数超280万,发病率逐年上升并呈年轻化趋势。脑卒中患者由于神经传输通路受到不同程度的不可逆转损伤,约80%的患者出现肢体行动障碍。人类手部运动功能占肢体总运动功能的54%,故对脑卒中患者进行手部康复治疗十分必要。现有研究表明,康复早期阶段,及时的治疗,能有效改善患者的手部运动功能,提高患者生活水平。功能性电刺激(Functional Electrical Stimulation,FES)已成为脑卒中康复的常用临床疗法,但是传统功能性电刺激的被动式康复训练,无法激发患者自发训练的意图。本文结合脑机接口技术(Brain-computer interface,BCI),通过采集中风患者的头皮脑电信号(Electroencephalogram,EEG),可以将患者主观运动意图转化为对外部电子设备的控制指令,能极大调动患者主动参与康复训练的积极性。论文的主要工作为:设计一款基于STM32的可穿戴功能性电刺激仪并结合运动意图脑电信号识别。可穿戴功能性电刺激仪主要包括硬件设计与软件设计两部分。运动意图脑电信号识别过程如下:首先,对包含右手运动意图的脑电信号处理并分析,主要包括滤波及时间标签定义等;然后,通过共空间模式(Common Spatial Pattern,CSP)对患者运动想象的脑电信号进行特征提取;最后,利用基于核函数的支持向量机(Support Vector Machines,SVM)解码左右手运动意图。若该段脑电信号运动意图为右手运动,上位机软件给功能性电刺激仪发送控制指令,使功能性电刺激仪产生能辅助右手做出对应运动意图的电刺激脉冲序列。实验结果表明,通过离线实验验证,系统对于右手运动意图的脑电信号识别准确率较高,平均识别率为83.37%。在识别出右手运动意图后,上位机能正常发送控制信号,电刺激仪器在收到控制指令后可以有效输出功能性电刺激脉冲序列,让人体产生肌肉收缩,实现握拳动作,系统运行稳定。该过程能帮助患者同时修复受损的机体与神经,在临床治疗中具有较高应用价值。