向量自回归层次隐马尔可夫模型,利用多通道表面EMG信号提取手指的运动

文摘

我们提出一个新颖的计算技术用于多功能假肢手的健壮的和自适应的控制使用多通道肌电图。的初始处理输入数据是面向相关EMG信号的时域特征提取。特性计算后,分段建模的多维动态使用向量自回归模型进行肌电图特征。下一步包括分层隐半马尔科夫模型来捕获的实现之间的转换之间的动作和分段段不同的动作。最后,使用一个近似反演模型的贝叶斯推理方案作为分类器。新颖的算法评估的有效性和方法通常用于实时分类的emg假肢控制的应用程序。结果表明,使用隐半马尔科夫模型作为顶层,而不是隐马尔可夫模型,在测试中所有相关的指标排名最高的组合。提出的控制方法的选择还支持假肢手的平等或更低的计算复杂度,与其他算法相比,使实现低功耗微控制器,能够适应用户首选项的执行个体运动在日常生活活动。

1。介绍

估算截肢者的意图的方法来控制假肢手的运动通常依赖于解释/解码电活动的肌肉(肌电图、肌电图)记录在皮肤表面的残肢1,2]。即使肌肉活动相关的信息可以以不同的方式获得,商用假肢手通常只使用几面EMG频道。此外,分类算法中实现这样的假体通常只包含计算基于振幅的肌电图特征(例如,均方根)阈值获取二进制控制单手的功能(3]。甚至在多数独立的多功能假肢关节,相同的控制模式之间切换,仍然是采用不同的掌握可以依靠non-EMG输入(4),如智能手机接口,特定的运动用惯性传感器,测量对象识别算法基于相机系统(5)、肌电图等投入cocontractions(多个肌肉收缩)。相对较低的用户比例能够充分利用多功能假肢手的功能。这表明控制策略需要改进以达到直观的意图和由此产生的人工手功能之间的联系。

灵巧的假肢手的持续发展(6- - - - - -10),之间的差距可能新提供的灵巧的双手和人机接口的实际功能更为明显。与商业设备,各种各样的EMG记录技术(11,12],信号预处理[13),和学术界提出了分类器(14]。的方法提高选择性和灵敏度的EMG信号包括外科手术为了记录电极的顶部或内部目标肌肉(15]。这种技术被证明提供优越的输入对任何类型的肌电图基于控制器;然而,它是有限的,需要手术治疗,不得广泛访问。作为替代,肌电图在皮肤的表面提供了一个安全、非侵入式接口,在选择性的成本。考虑到一个分类算法的基本机制是本地化的源电活动(活动肌肉),使用的方法为类似的问题通常是基于多个记录站点。因此,使用多通道肌电图方法提供了一个有趣的观点改善表面EMG控制器的性能。输入信号的增加也使先进的数据处理和分类技术。事实上,计算方法,如支持向量回归(16),树形结构神经网络(17,贝叶斯推理18],ICA集群[19),隐马尔可夫模型(20.),非负矩阵分解(21),和各种模式识别方法22- - - - - -25),证明有前途的分类结果在使用多个离散EMG通道或高密度表面EMG电极。

方法解码的手指动作只使用多个EMG信号,在本研究中我们提出一个新的分类算法的基础上,结合肌电图特征提取和分段建模的特征时间动态,纳入分层隐半马尔科夫模型(HHSMM) [26- - - - - -28)和一个在线的贝叶斯分类器通过模型反演实现。我们开发和评估上述方法的两种变体,包括特殊情况的这些算法减少计算的要求。为了评估我们的算法也提供一个广泛的评价不同肌电图特征对分类精度的影响,比较其性能与一些国家的艺术分类器。这项工作是一个扩展的研究(29日]。

2。材料和方法

2.1。主题

五个能力工作的调查对象参加了实验。所有受试者知情同意提供,和地区伦理审查委员会批准的这项研究是在隆德,瑞典。

2.2。协议

本研究提出的方法依赖于多级EMG信号运动分类。在测量过程中,主题是用右手舒适地坐在休息在一个中立的立场。这个话题被要求执行一个合手的运动图像在屏幕上显示在他/她面前。所请求的动作是弯曲/扩展的五个手指和内收/绑架的拇指(12个不同的运动)。运动和动作之间休息时间长度都是一样的(5秒),时间由虚拟仪器(国家仪器、奥斯汀、TX)自定义应用程序。参与者是视觉提示的程序,获得EMG信号同步和当前提示注释。两个不同的数据集(一个用于培训和一个用于测试)组成的5个重复的运动,共计60运动,和其他州,与目标类信息存储,进行离线分析。

2.3。肌电图记录

本文中使用的数据集被黄先前记录的出版物中使用和et al。30.]。EMG信号是使用修改后的版本的放大和采集系统31日和一个虚拟仪器程序。肌电图的系统获得的16通道,在1.6千赫采样通道和一个带通滤波器与16位分辨率0.5赫兹到800赫兹和每通道增益为56 dB。红点Ag / AgCl (3 m医疗、德国)电极,用于研究置于前臂的参与者,如图1。16通道录音,十二个电极放置在肤浅的屈肌肌肉在前臂和手掌的一侧的四个电极放置在表面的背侧前臂伸肌肌肉。电极被放置以覆盖尽可能多的独立的肌肉。样品记录EMG信号图提供2。

2.4。特征提取

一组常用的肌电图特征在时域中被选为一个额外的比较标准。时域特征的选择,而光谱或时频域特性,符合推导控制链的倾向,可以在嵌入式系统中实现有限的处理能力和速度。在报道的相对较高的数量特征,我们选择three-amplitude-related和three-frequency-related基于时间的肌电图特征。我们实现了功能下列EMG特性报道(13,32,33]。

2.4.1。意思是绝对值

平均绝对值(飞行器)是最受欢迎的肌电图特征在许多肌控制应用程序。它在一个移动平均计算窗口的纠正EMG信号: 在哪里表示窗口长度和的当前窗口内肌电图示例。

2.4.2。均方根

均方根(RMS)计算,类似于飞行器,也有窗的功能: 对于信号的平均值接近于零,如肌电图(表)记录相对较大的经皮的表面电极,RMS成为输入时间序列的标准差。

2.4.3。方差

方差(VAR)面肌电信号的信号可以简化使快速实现在嵌入式系统。由此产生的公式如下:

2.4.4。斜坡信号变化

斜率变化迹象(SSC)是一种时域方法用来估计如果EMG信号频率特性。SSC的计算依赖于计数变化之间的正负斜率连续三份样品中。限制SSC计算只与EMG活动时期,阈值函数对特征提取方法:

2.4.5。零交叉

零交叉(佐)是重要的函数的连续的肌电图样本数量在滑动窗口改变符号。SSC计算相似,强制删除阈值函数计算佐期间没有明显EMG活动:

2.4.6。Willison振幅

Willison振幅(WA)是衡量相关叠加EMG信号动作电位。佤邦是连续的数量超过设定阈值的连续样本之间的差异: 产生类似的输入条件,所有特性计算的滑动窗口是相同的(250 ms宽度和25 ms重叠)。

对于SSC,佐,佤邦的计算,基于估计阈值设置在记录期间白噪声水平。每个记录会话开始休息期间,这是方便使用第0.5秒计算阈值在使用相同的记录。计算的样本特性如图3。

所有使用MATLAB进行了特征提取的计算,移动窗口大小的250 ms和25 ms的位移。

2.5。分类算法

在这里,我们将扩展我们的以前的工作29日]我们派生的贝叶斯网络分类器使用向量自回归层次隐马尔可夫模型(VARHHMM),与一个分类器基于向量自回归分层隐半马尔科夫模型(VARHHSMM) [26- - - - - -28]。分类器的组件的流程图如图4。这种方法的基本假设是,在时域特性动态运动可以通过一系列的VAR估计(1)段通过定义一组独特的参数。代表运动代表一个手指运动的肌电图特征空间。

从基本的流程图,可以指出两种算法之间的主要区别是在层次结构的顶层。在VARHHMM的情况下,这一层只需要信号作为输入层,可能性识别当前的运动。VARHHSMM而言,当前的运动品牌也将取决于个人运动时的预期持续时间确定活动时间标签。在下面,我们将把这两个分类器称为层次隐马尔可夫模型(HMM)和层次隐半马尔科夫模型(软件),我们放弃了VAR和分级标签的可读性。

我们假设这里选中的时域EMG特性可以由若干段。适应信号实时动态,使建立一个分类器适用于嵌入式实现中,我们定义了个人部分向量自回归(VAR)模型的一阶VAR (1)。使用VAR过程近似的动态肌电图的一个段时间序列可以有效的预测功能动态和隐式占录制的噪声提出了EMG信号。在形式上,VAR(1)过程被定义为 在哪里是最新获得的信号特征向量形式,是信号的平均值,表示段内th手指运动,是VAR(1)的转移矩阵模型,然后呢是正常随机变量为零的意思。注意,每个段内的动力学和运动是完全由以下设置的参数 ,在那里表示的协方差 。

基于预测和测量样本向量我们可以计算的可能(安装)VAR(1)模型提供了最佳的记录时间序列的描述。个人之间的过渡段(不同VAR(1)模型)被认为是随机的;因此,在我们实现建模为一个嗯(如[26])。一个运动的部分之间的转换是受到额外的隐状态定义当前活动的运动。出于这个原因,我们引入了另一个嗯链作为第二层次。可能VAR(1)模型之间的转换的一个运动和不同的运动是通过每个嗯的过渡矩阵定义的链。层次结构的两个水平上的过渡矩阵估计在培训过程中,依靠维特比期望最大化算法(34]。

通过应用一个近似贝叶斯推理过程定义的层级结构安排嗯和排放分布与VAR模型(1),我们可以分类的每个测量数据点在一个时间序列。实时信号分类的贝叶斯推理依赖于估计后验概率为每个运动。计算后验概率结合预期在运动概率与提供的证据排放分布(观察可能)。的期望(预测)估计使用以前的时候样品后验分布的过渡矩阵的运动和相关领域。使用后验概率的值 在最新获得的信号和当前的运动 ,我们可以当前样本进行分类 在哪里是我们算法获得的分类标签。

软件算法类似于HMM算法,唯一不同的是,每个动作包括一系列与之相关的持续时间。这种方法增加了一些额外的自由参数向量组成之前持续时间概率的个人运动。换句话说,切换动作的概率也受到运动持续时间模型。的说明一个特定的运动的实现软件的开关序列图所示5。

HSHMM算法的实现依赖于一个计时器,或计数器(问)在等距抽样的情况下。进入状态/运动,计数器设置为预定义的值相关的特定状态持续时间与每一个新样品是递减的。当计数器达到0,州/运动是自由的改变。切换到一个新的国家时,计数器重置为零。这个附加条件定义为 在哪里表示动作在时间样本和表示动作之间的转换矩阵。

在软件的情况下,提供了运动的时间形式的先验分布。以自动化的方式作为测量协议执行,执行所有的动作都相同的持续时间(~ 5 s)与主题相关的一些变化的反应时间视觉提示。为了模拟更真实的最终用户的场景中,我们定义了先验分布与两秒钟时间范围内变化( 年代)。作为最简单的场景中派生的先验,强制分布定义为统一的整个范围内。估计的影响实施的范围分布,计算准确性分数也不等 年代 年代。

每运动段的数量是自由参数的算法,它是特定感兴趣的评估分类的性能对运动部门的自动优化程序。具体来说,每一段的情况下独立运动进行了分析。这个理由在于提取的动力学在时域特性。可视化所记录的信号时,特征空间中的运动将动态系统的阶跃响应,在相对较短的瞬态相比,不变的部分。当忽略噪声向量自回归模型的一部分(见上图)我们可以把更新方程 在当前示例是以前的样品和距离的函数的前一个值从终端价值在 极限。常数矩阵定义的速度沿着每个维度记录信号的变化。这种形式的基本VAR表示是方便说明信号出现后的轨迹运动(见图6)。使用单一的优点段每运动面积显著缩短优化时间(下一节中解释)和一个简化的实时处理实现低嗯层移除。

2.6。优化

自由参数的估计的模型提出的唯一要求计算过程提出了方法。在优化过程中,VAR模型的自由参数(每个运动的段数,意味着信号值的个人部分 ,协方差矩阵 ,转移矩阵 ,段之间的过渡矩阵它定义了嗯结构)评估利用维特比算法加上一个期望最大化(EM)算法35]。优化过程的流程图如图7。

优化过程是一个迭代的过程,从最初的VAR值参数的维特比算法确定最可能的序列片段和估计转换矩阵。以下步骤包括reestimation VAR参数基于最大似然计算和提出的最有可能的训练数据分离维特比算法。在图所示的程序7与对数似设置为迭代收敛性判据。当收敛性判据达到一个值 ,迭代停止。整个优化方法是基于维特比EM算法的实现中提供pyhsmm-autoregressive Python库(36]。

记住优化方法可以收敛到局部最优,1000年我们重复整个优化过程不同的自由参数初始值,只有最低的解决方案价值的贝叶斯信息准则(BIC) [37)是作为最终的。这个迭代扩展维特比EM算法的帮助我们提高参数估计的收敛性最优参数值。Python 3.6码的参数优化和分类模拟可以在请求发送到相应的作者。

2.7。分类器所使用的基准测试

评估算法的有效性,我们使用的一些最常用的分类方法包括(我)线性判别分析(LDA),(2)二次判别分析(QDA),(3) 最近的邻居(资讯) ,(iv)与纠错输出编码支持向量机(SVM ECOC),(v)线性分类器的纠错输出编码(LC ECOC),(vi)线性判别分析和纠错输出编码(LDA ECOC),(七)朴素贝叶斯(NB),(八)随机森林(RF),(第九)决策树(DT)。

选择分类器的实现是通过使用在MATLAB函数2016 b (MathWorks公司,纳蒂克,MA)。类似于VARHHMM算法,分类器训练在训练数据集和测试的测试集和后处理class-annotations。

3所示。结果

分类的地面实况本文将展示的视觉提示。虽然有明显的延迟视觉线索和肌肉活动之间的运动开始和停止,如图2,我们决定使用这个作为参考来提供相同的所有分类方法的基础。这样做是为了迫使分类器适应连续状态之间的瞬态过程。正如所料,这种方法会带来更低的总体分类精度,但提供了有趣的见解在动态分类器的表现,连续输入参数的变化。

比较功能和性能的主要指标分类器的精度。的精度计算,每个特性样本(一个观察每25 ms)单独处理。此外,正如其他国家直接参与活跃假肢控制电机驱动,也等于其他运动类。评价范式,每个分类点被分类为真阳性(TP)如果预测类匹配的视觉提示标签,或假阳性(FP)如果有不匹配预测类和视觉线索。这种方法生成大量的数据点,在我们的案例中是大约每集20000,可以用来调查各种特性和分类器的性能。

所有科目的累积结果展示在表1。作为研究对象的精度结果不符合正态分布,表中给出的精度值值值在所有科目。分类器之间的差异和功能是由排名前三名的强调功能和分类器整体还前三的结果为每个肌电图特征。从表1,它可以指出HSHMM优于其他分类器对于大多数测试特征提取算法。也有趣的软件只有一段运动与多个领域密切跟踪软件的性能/运动。在特征提取算法中,飞行器特性导致最佳的性能在不同的分类和主题;RMS和佤邦导致结果相比略低飞行器,在使用VAR, SSC和佐未能产生相似的结果。在分类中,只有NB表现不佳,而其他分类器结果相互可比。

所有受试者的平均精度和分类器都是最大的飞行器特性的情况下,获得的结果更详细地分析了使用这个特性。表2显示对每个分类器的结果准确性和每个主题飞行器特性时使用。结果表明:所有VARHHMM变化都是顶级,软件算法有中等精度最高的分数。虽然在高层,中间值的差异并不显著。

关注VARHHMM方法,说明单独的个体能力的手指运动和休息时间,混淆矩阵如图8。对于这个示例,我们选择表现最好的功能方法在所有分类器(飞行器)和中间结果的主题(课题4)。这样做是为了更详细地分析情况下接近最终用户场景。常见的分类有效性指标是混淆矩阵用于揭示弱点的分类器。图8显示软件的混淆矩阵算法。可以指出的是,大多数运动(2、4、5、6、7、11、12和13)只有零星的误分类进行分类。对于这些运动,大多数的错误的结果之间的延迟视觉提示(在本文作为金标准)和实际目标运动的肌肉活动。这种效应是负责movement-to-rest和rest-to-movement误分类。其他类,除了有关延迟转换错误,通常是机密。动作(3 8、9和10)有更多的样品标签错误的一些其他的运动。这些错误,如果一致,可以极大地阻碍假肢的控制。因此,检查的行为VARHHMM实现在实时应用程序中,分类输出进行了进一步的分析。

图9包含了一些最严重的例子的误分类错误产生的软件算法。图9(c)是一个插图适当运动的分类只有错误发生在休息和运动之间的过渡。相比这个示例,图9(a)描绘了一个错误的标签不正确的运动和保持活跃几乎从一开始的运动开始,图9(b)描述了错误分类在运动的中间时期,和图9(d)描述了算法的犹豫不决标签样本的过渡时期。从这些例子中,最严重的实时应用程序是第一种情况,可能导致假动作的执行。其他情况下相对容易正确使用状态机和/或多数表决算法,防止情况不太可能发生的由用户的意图。

其他指标,实现计算分类器行为的实时运动选择(MS)和运动完成(MC)。计算和MC女士来自李等人的论文和Ortiz-Catalan et al。38,39]。女士被计算为线索之间的延迟发病和第一个正确分类样本。由于频率特性的差异,MC略修改的条件比其他论文。在我们的算法中,一个新的肌电图的特点是生产每25 ms,而在(3810)每100毫秒,所以正确的分类,我们等待40直到MC条件实现正确分类。这一变化是为了完成类似的结果与相关的出版物。相同的指标为女士和MC是用于所有科目和特性。图10显示女士和MC时间平均值在特性和分类器。它可以指出,软件还最低线索之间的延迟和第一个正确分类样本,表明该方法的检测阈值相对较低比其他分类器。同样清楚的是,软件作品最好的基于振幅的特性(飞行器,RMS和佤邦)。另一个有趣的结果是,软件还只有一段运动达到类似的结果与软件多个段每运动当美联储与飞行器或均方根EMG信号的特性。另一方面,常规HHMM表现略差平均比最好的分类,比如LDA, SVM ECOC, L ECOC, LDA ECOC。类似于软件,减少每个运动的段数HHMM不会导致性能显著下降有关女士和MC时间。

我们也分析了另一个参数,即最优每个运动的段数的结果优化过程。HHMM和软件算法,两段每运动最常产生最高的准确性分数(图11)。另一个有趣的参数优化和分析是向量自回归过程的顺序HHMM)和软件模型与一段运动。最高的精度达到了连续3分,但是出乎意料的是相对较好的准确性只有一个自回归样本(预测仅依赖于以前的观察)。

软件算法的性能取决于可能的运动持续时间的预定义的分布,分析这些参数是非常重要的。在测量期间,运动的时间是由以自动化的方式呈现的视觉线索。这种方式,由此产生的运动有大致相同的时间的5 s。人为地引入预期的运动持续时间可变性,我们扩大了统一的时间分布在中央5 s。与预期的运动持续时间的延长,我们评估分类精度。提出了图12,分类精度之间的依赖和允许的范围运动持续时间几乎是线性的中档。这一发现是有价值的定义预期的运动持续时间,同时考虑分类器的精度和灵活性之间的权衡,以适应由用户自由运动。

4所示。讨论

在本文中,我们提出了新的分类算法从表面EMG信号特性。所提出的算法(HHMM和HSMM)是VARHHMM算法相结合的变化向量自回归,隐马尔可夫模型和贝叶斯推理。提交结果的主要焦点是比较不同的肌电图分类器,包括一些最常用的和VARHHMM变体。表中给出的结果1表明,软件算法和先验固定运动持续时间优于其他分类器。它应该还指出,软件算法的结果提出了表之间的临时统一运动持续时间分布3 s和5 s。设想,在长时间的假肢使用这种控制算法,运动持续时间分布的参数更新每个正确执行运动。因此,随着使用时间的增加,应该成为最优分布和增加运动分类精度。其他派生算法(HHMM)整体排名仅次于SVM ECOC,主要是因为低精度,当频率相关的基于时间的特性被用作输入。

结果也显示,每个运动的段数减少到一个不会导致相当大的准确性分数下降的派生算法(除了VAR特性)。这个事实有重大影响的可能实现算法的优化,即使在大的时间序列的情况下,例如,数十分钟,可以在几秒内执行。插图,优化算法的变异与自由参数的部分运动需要10分钟运动(Python 3.6和英特尔i7处理器)。根据嵌入式平台,我们的估计是,优化一段运动仍然可以在不到一分钟的时间完成的。另一事实有助于低处理算法在优化和实时应用程序,不需要高阶自回归模型。提出了图11之前,使用甚至只有一个样本点可能会导致精度最高的分数。

本研究也针对发现的特征提取方法的最佳耦合时提出的算法和常用的,我们进行了系统的测试,包括所有功能和主题。我们获得的EMG信号,使用飞行器特征作为分类的第一步链产生分类器中精度最高的分数。微型飞行器的性能被RMS密切匹配,而佤邦产生最好的结果的频率相关的基于时间的功能。

与李的报道结果相比et al。38),获得的女士和MC时间与我们的数据和计算算法显示了一些偏差。这主要是存在于女士值代表第一个正确分类样本的延迟。女士的李et al .,值在0.16 - -0.33范围年代,而在我们的模拟,只有HSMM飞行器,RMS,佤邦取得相似的性能。这种行为是区别在地面真理的结果选择:李等人用EMG活动的实际开始,当我们选择视觉提示出现。有鉴于此,预计女士时光在我们的案例中有大约200 - 400 MS的叠加滞后产生的信号之间的延时和肌肉活动。实际上意味着软件还会比报告分类器如果用在类似的条件。同样的原理适用于MC。尽管该研究中分类器测试生产长MC乘以平均,如果减少视觉提示肌肉活动抵消,结果将显示,软件还能正确检测40个样本(对应于纸的10个样本et al。)超过了分类器由李等。

5。结论

表面研究集合上执行的多通道肌电图表明,使用微型飞行器特性加上软件算法会导致运动解码精度高于其他特性和分类器的组合。这种组合也保证最短的女士和MC,影响假肢手的响应用户的意图。

固有的主要优势为我们的算法比现有的方法如下。(1)低计算复杂度算法的执行:优化程序后,计算要求但每个模型只执行一次,我们的算法的实现涉及到基本的代数操作,可以实现即使在低端的微控制器。这个特性还允许真正的实时执行延迟只有与肌电图特征提取和基于“增大化现实”技术的深度有关。此外,我们测试了更快的变化发展只有一段运动的算法。与小的性能下降,这些算法,特别是软件与一段运动显著减少优化时间,进一步降低执行负载。(2)容易扩张,优化模型可以存储,并在引进一个新的运动类的情况下,优化只能在执行新添加的运动类。(3)噪声弹性:相比,一些弱分类器和阈值为中心的基于规则的算法,VARHHMM方法隐式地考虑可能的随机噪声的来源。

本文提出的方法适用于解码个人手指运动直接控制驱动假肢手的手指。虽然可取,这种方法是不常见的假肢在活动期间使用的日常生活主要由协同运动(掌握)。因此,作为另一种控制模式,该方法可以作为状态机classifier-controller实现。在这种方法中,可分的类可以用来启动固定掌握(压力/电力/横向/打开),因为这是大多数商业支持。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究由欧盟资助支持DeTOP体育事业(eit - ict - 24 - 2015, GA。687905)和瑞典研究理事会(637-2013-444)。

引用

1. m . Zecca s Micera m . c . Carrozza的说法,p .达里奥,“通过处理肌电信号控制多功能假肢的手,“生物医学工程的关键评论,30卷,不。4 - 6,459 - 485年,2002页。视图:出版商的网站|谷歌学术搜索
2. n .江身上,K.-R。穆勒,d .淀粉“肌控制人工limbs-is有需要改变焦点?在聚光灯下,”IEEE信号处理杂志卷,29号5,148 - 152年,2012页。视图:出版商的网站|谷歌学术搜索
3. a .丰纳这样o . Stavdahl p . j . Kyberd y . g . Losier和p·a·帕克“上肢假肢的控制:术语和比例肌controla审查,”IEEE神经系统和康复工程,20卷,不。5,663 - 677年,2012页。视图:出版商的网站|谷歌学术搜索
4. c·康诺利,”从触摸仿生假肢手。”工业机器人,35卷,不。4、290 - 293年,2008页。视图:出版商的网站|谷歌学术搜索
5. s . Došen c . Cipriani m . Kostićm . Controzzi m . c . Carrozza的说法,和d . b . Popovič”认知视觉系统为控制灵巧假肢手:实验评价,“神经工程学和康复杂志》上,7卷,不。1,第四十二条,2010。视图:出版商的网站|谷歌学术搜索
6. A . m . Controzzi f·克莱门特,d .巴龙Ghionzoli,和c . Cipriani”SSSA-MyHand:灵巧轻便肌手假肢,”IEEE神经系统和康复工程,25卷,不。5,459 - 468年,2017页。视图:出版商的网站|谷歌学术搜索
7. Touchbionics,http://www.touchbionics.com/。
8. bebionic,http://bebionic.com/。
9. 米开朗基罗,http://www.ottobockus.com/prosthetics/upper-limb-prosthetics/solution-overview/michelangelo-prosthetic-hand/。
10. 文森特的手,http://vincentsystems.de/en/。
11. m . Ortiz-Catalan r . Branemark b Hakansson, j . Delbeke”的生存能力的自然控制假肢植入电极:审查和讨论,”生物医学工程在线第三十三条,卷。11日,2012年。视图:出版商的网站|谷歌学术搜索
12. Muceli和d .淀粉”,同时和比例估计手运动学EMG在镜像运动在多个自由度,”IEEE神经系统和康复工程,20卷,不。3、371 - 378年,2012页。视图:出版商的网站|谷歌学术搜索
13. A . Phinyomark c Limsakul, p . Phukpattaranont”小说为健壮的EMG模式识别,特征提取”《计算,1卷,不。1,第80 - 71页,2009。视图:谷歌学术搜索
14. m·a . Oskoei和h·胡“肌控制著调查,“生物医学信号处理和控制,卷2,不。4、275 - 294年,2007页。视图:出版商的网站|谷歌学术搜索
15. m . Ortiz-Catalan b Hakansson, r . Branemark”vt .骨结合人机网关为长期感觉反馈和运动控制的假肢,”科学转化医学》第六卷,没有。257年,文章ID 257 re6, 2014。视图:出版商的网站|谷歌学术搜索
16. 答:譬如,e . n . Kamavuako e . j .计划,k . b . Englehart和p·a·帕克,“支持向量回归改善实时同步肌电的控制,”IEEE神经系统和康复工程,22卷,不。6,1198 - 1209年,2014页。视图:出版商的网站|谷歌学术搜索
17. f•西贝利厄斯·埃里克森,c . Balkenius和t . Laurell“肌控制计算机动画的手:一个新概念的基础上,结合使用树形结构的人工神经网络和数据手套,”医学工程与技术》杂志上,30卷,不。1,2 - 10,2006页。视图:出版商的网站|谷歌学术搜索
18. 比泽尔和p . Van Der Smagt“学习EMG机械手的控制:对活跃的假肢,”诉讼的IEEE机器人与自动化国际会议上06年举行(“国际机器人与自动化会议”)IEEE,页2819 - 2823年,2006年5月。视图:出版商的网站|谷歌学术搜索
19. g·r·奈克,a . h . Al-Timemy, h·t·阮”Transradial截肢手势分类使用最佳的面肌电信号传感器数:一个使用ICA方法聚类,“IEEE神经系统和康复工程,24卷,不。8,837 - 846年,2016页。视图:出版商的网站|谷歌学术搜索
20. a . d . c . Chan和k . b . Englehart”连续肌控制动力假肢使用隐马尔科夫模型,”IEEE生物医学工程,52卷,不。1,第124 - 121页,2005。视图:出版商的网站|谷歌学术搜索
21. 陈黄c . x,曹,b .秋和x张“等长肌肉力估计框架基于高密度表面EMG数组和一个NMF算法,”《神经工程,14卷,不。4、文章ID 046005, 2017。视图:出版商的网站|谷歌学术搜索
22. r . n . Khushaba A . h . Al-Timemy A·阿尔安尼和A . Al-Jumaily”的时空框架descriptors-based为改善肌电的模式识别,特征提取”IEEE神经系统和康复工程,25卷,不。10日,1821 - 1831年,2017页。视图:出版商的网站|谷歌学术搜索
23. a . a . Adewuyi l . j . Hargrove, t . a . Kuiken“内在和外在的手肌肉肌电图的分析改进模式识别控制,”IEEE神经系统和康复工程,24卷,不。4、485 - 494年,2016页。视图:出版商的网站|谷歌学术搜索
24. n .青瓷Došen,粘合剂,p . Ariano d·法里,“手指运动的比例估计高密度表面肌电图,“神经工程学和康复杂志》上,13卷,不。1,第73条,2016。视图:出版商的网站|谷歌学术搜索
25. c . Cipriani c . Antfolk m . Controzzi et al .,“在线肌控制灵巧手假肢的transradial截肢者,”IEEE神经系统和康复工程,19卷,不。3、260 - 270年,2011页。视图:出版商的网站|谷歌学术搜索
26. m·杨“经建会系数向量自回归过程的一些性质,“计量经济学理论,16卷,不。1,23-43,2000页。视图:出版商的网站|谷歌学术搜索|MathSciNet
27. 他m .董和d,“隐藏半马尔科夫模型方法对多传感器设备健康诊断和预后,”欧洲运筹学杂志》上,卷178,不。3、858 - 878年,2007页。视图:出版商的网站|谷歌学术搜索
28. S.-Z。,“隐半马尔科夫模型”,人工智能,卷174,不。2、215 - 243年,2010页。视图:出版商的网站|谷歌学术搜索|MathSciNet
29. n . Maleševićd . Markovićg . Kanitz m . Controzzi c . Cipriani和c . Antfolk“解码单个手指运动表面EMG信号使用向量自回归层次隐马尔可夫模型(VARHHMM)”康复机器人技术国际会议(ICORR 17)IEEE,页1518 - 1523年,2017年7月。视图:出版商的网站|谷歌学术搜索
30. c·h·黄t . Li Bruschini et al .,“EMG使用分解构造多类分类器的技术,模式识别”学报第六届IEEE RAS /磨床国际会议上生物医学机器人和生物(BioRob 16)IEEE,页1296 - 1301年,2016年6月。视图:出版商的网站|谷歌学术搜索
31. c . Antfolk c . Cipriani m . Controzzi et al .,“使用肌电图进行实时预测关节角控制假肢手配备了感官反馈系统,”医学和生物工程杂志》上,30卷,不。6,399 - 406年,2010页。视图:出版商的网站|谷歌学术搜索
32. n .阿尔维斯,大肠Sejdić、b Sahota和t .洲”的影响加速度计位置的分类单前臂mechanomyograms,”生物医学工程在线第二十三条,卷。9日,2010年。视图:出版商的网站|谷歌学术搜索
33. b·哈金斯·帕克和r . n . Scott“多功能肌控制的新策略,”IEEE生物医学工程,40卷,不。1,第94 - 82页,1993。视图:出版商的网站|谷歌学术搜索
34. g·d·福尼“维特比算法”,IEEE学报》,卷61,不。3、268 - 278年,1973页。视图:出版商的网站|谷歌学术搜索
35. a . Logothetis和v•期望最大化算法映射跳跃马尔可夫线性系统,估计”IEEE信号处理卷,47号8,2139 - 2156年,1999页。视图:出版商的网站|谷歌学术搜索
36. m·约翰逊,pyhsmm-autoregresive,https://github.com/mattjj/pyhsmm-autoregressive。
37. b .北部和a·布莱克,“学习使用expectation-maximisation动力学模型,”《IEEE 6计算机视觉国际会议IEEE,页384 - 389年,1998年。视图:出版商的网站|谷歌学术搜索
38. a . e . g . Li舒尔茨,t . a . Kuiken”量化模式实现肌电的多功能transradial假肢的控制,”IEEE神经系统和康复工程,18卷,不。2、185 - 192年,2010页。视图:出版商的网站|谷歌学术搜索
39. m . Ortiz-Catalan b Hakansson, r . Branemark“实时和同步控制假肢的模式识别算法的基础上,“IEEE神经系统和康复工程,22卷,不。4、756 - 764年,2014页。视图:出版商的网站|谷歌学术搜索

版权

版权©2018 Nebojša Malešević等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。