【《肌电假肢的发展研究国内外文献综述》2800字】

[33]，并得出比传统神经网络分类器更加精确且更具有可信度的分析结果，最终得出平均识别率为95.6%。由于实验采集手势动作各不相同，导致提取的特征向量差别较大。这就要求设计稳定性高及鲁棒性强的分类识别算法就成了能否临床应用的关键。1.3存在的问题目前，基于肌电信号的前臂动作识别远不能达到康复医疗行业的需求，尤其在以肌电信号为基础的多种类手势动作仍需更深入的研究。此外，无论是仿生假肢还是传统机械结构假肢均功能性单一、灵敏度低且仅能完成简易动作等一系列问题。当前市面已经应用的假肢多是以机械形式制成的连杆结构，其仿生性能和实时控制效果差。对不同动作姿态下的肌电信号动作起止点很难进行定位并截取出有效信号段，使得动作识别准确率不理想。肌电信号实验采集过程易受周围环境影响，使其包含背景噪声。在保证硬件设备便携使用情况下，需考虑设计数字滤波器滤除噪声。参考文献荣茹静.人力资源开发视阈下的残疾人就业保障问题研究[D].武汉科技大学,2015.陈琳.为了让残疾人同奔小康——专访四川省残联党组成员、副理事长杨志远[J].四川劳动保障,2018,000(005):16-17.许雅婷.酒泉市残疾人社区康复发展问题研究[D].兰州大学,2016.宋妍.表面肌电特征提取及虚拟康复系统设计[D].燕山大学,2015.杨春华.基于肌电反馈和虚拟现实的康复系统设计[D].燕山大学,2017.黄丹.仿人欠驱动机械假手的研究[D].上海工程技术大学,2015.王飞.基于肌电信号的手臂动作识别及虚拟仿真[D].山西大学,2017.王静.表面肌电信号在上肢康复训练中的应用研究[D].曲阜师范大学,2019.尤波,陶守通,黄玲,李勃君,赵汗青.基于MATLAB和ADAMS的肌电假手联合仿真[J].系统仿真学报,2017,29(05):957-964.UedaJ,KondoM,OgasawaraT.ThemultifingeredNAISThandsystemforrobotin-handmanipulation[J].Mechanism&MachineTheory,2010,45(2):224-238.Clemente,Francesco,Ghionzoli,etal.TheSSSA-MyHand:ADexterousLightweightMyoelectricHandProsthesis[J].IEEETransactionsonNeuralSystems&RehabilitationEngineeringAPublicationoftheIEEEEngineeringinMedicine&BiologySociety,2017.CiprianiC,ControzziM,CarrozzaMC.Objectives,criteriaandmethodsforthedesignoftheSmartHandtransradialprosthesis[J].Robotica,2010,28(06):919-927.BIONICST.i-limbUltraRevolutionDatasheet,issue2[J].Mansfield,MA,2048.奥托博克健康康复集团.米开朗基罗智能仿生肌电手[EB/OL]./prosthetics/products-from-a-to-z/michelangelo-hand/.LSRS.BebionicHandProductBrochure[Z].2013.AsanoY,TanakaH,MiyagawaS,etal.3DprintingandIoTforpersonalizedeverydayobjectsinnursingandhealthcare[C]//SPIESmartStructuresandMaterials+NondestructiveEvaluationandHealthMonitoring.2017.吴庭丞.基于肌电信号的前臂假肢动作识别研究与实现[D].哈尔滨工业大学,2017.ChenZ,LiiNY,WimboeckT,etal.EXPERIMENTALANALYSISONSPATIALANDCARTESIANIMPEDANCECONTROLFORTHEDEXTEROUSDLR/HITIIHAND[J].InternationalJournalofRoboticsandAutomation,2014,29(1):1~12.贾晓枫,陈统一,陈中伟,张键,张晓文,斯扬,胡天培,高忠华,杨煜普.中国首例人体残肢神经信息控制电子假肢实验研究快报[J].中华物理医学与康复杂志,2004(01):23-26.李影.基于sEMG的步态运动模式细分及其识别方法[D].杭州电子科技大学,2018.加玉涛,罗志增.肌电信号特征提取方法综述[J].电子器件,2007(01):326-330.张聪.多通道表面肌电信号特征提取关键技术研究[D].中国科学技术大学,2020.FengL,YuZ,GaoK.PatternrecognitionofFingerMotion'sEMGsignalbasedonimprovedBPneuralnetworks.IEEE,2011.DiabMO,El-MerhieA,El-HalabiN,etal.ClassificationofuterineEMGsignalsusingsupervisedclassificationmethod[J].JournalofBiomedicalScience&Engineering,2010,3(9):837-842.FajardoJM,GomezO,FPrieto.EMGhandgestureclassificationusinghandcraftedanddeepfeatures[J].BiomedicalSignalProcessingandControl,2020:63.ZhangJ,LingC,LiS.EMGSignalsbasedHumanActionRecognitionviaDeepBeliefNetworks[J].IFAC-PapersOnLine,2019,52(19):271-276.罗志增,熊静,刘志宏.一种基于WPT和LVQ神经网络的手部动作识别方法[J].模式识别与人工智能,2010,23(005):000695-700.宁勇.多通