英文參考文獻翻譯完結

1、基于反饋神經網絡肘關節(jié)力矩的動態(tài)預測健康技術與信息學系，香港理工大學KowIoon，香港摘要肌肉模型是身體部分運動分析的一個重要組成部分。盡管許多研究已經集中在靜態(tài)條件下,但是肌電信號（EMG）和關節(jié)轉矩在自愿動態(tài)情況下之間的關系并沒有被很好的研究。本研究的目的是調查的一個反饋人工神經網絡的性能（RANN）自愿動態(tài)情況下的復雜肘扭矩估計。肌電信號和運動數(shù)據(jù)，其中包括角度和角速度，被用來作為估計在運動過程中預期的扭矩輸入。此外，角度和角速度的預測精度的作用進行了研究，并比較兩個模型。一個模型的肌電圖和關節(jié)運動的投入和其他的模型只使用肌電圖無運動數(shù)據(jù)輸入。六例健康體檢者，和兩個平均角速度（60&#

2、176;S 7和90°S 7）三種不同負荷（0公斤，1公斤，2公斤）在手的位置被選擇來訓練和測試90°屈肘、全伸肘之間的遞歸神經網絡（0 ）。訓練結束后，根平均平方誤差（RMSE）預期的扭矩和扭矩之間的模型預測，在訓練數(shù)據(jù)集的肌電圖和關節(jié)運動的投入和測試數(shù)據(jù)集，分別為0.17±0.03 nm和0.35 + 0.06 nm。預期的扭矩和預測模型的RMSE值之間的扭矩，在訓練數(shù)據(jù)集只有肌電輸入和測試集，分別為0.57 t - 0.07 nm和0.73 T 0.11 nm。結果表明，肌電信號一起運動的數(shù)據(jù)提供了更好的性能預測的關節(jié)力矩；關節(jié)角度和角速度提供了重要信息的關

3、節(jié)力矩的估計在自愿的運動。關鍵詞:肌肉骨骼模型，自愿的運動，反饋人工神經網絡，逆動力學模型第一章 緒論由于希爾提出了1938肌肉的經典論文，神經生理學和神經肌肉骨骼系統(tǒng)的生物力學已被廣泛研究，使人體運動生成的原理可以發(fā)現(xiàn)（希爾，1938）。探討中樞神經系統(tǒng)（CNS）激發(fā)肌肉和其后的發(fā)展力和產生不同的人體運動，許多模型來描述和定性的肌肉骨骼系統(tǒng)的不同層次的性能（溫特斯，1990；扎杰克和溫特斯，1990）。一個被普遍接受的山為基礎的神經肌肉骨骼系統(tǒng)由以下子模型，一步一步：肌肉興奮-收縮模型；肌腱骨骼模型；動態(tài)模型（扎耶克，1989）。圖1 肌肉骨骼模型框圖圖1顯示了基于hillbased模型的運

4、動生成。圖1，肌肉興奮收縮模型是用來估計中樞神經系統(tǒng)指揮肌肉活動的狀態(tài)。肌腱模型產生的肌肉力量不僅基于肌肉激活狀態(tài)，而且基于肌腱式長度和肌腱式收縮速度，這與關節(jié)角速度和角速度（溫特斯和斯塔克，1988）。前項狀態(tài)的肌肉力量，它決定了肌腱的依從性，還負責肌肉力在后一階段（扎耶克，1989）。一旦所有負責的關節(jié)運動的肌肉力量已經發(fā)現(xiàn)，肌肉的力量與各自的肌肉力臂和的結果求和乘法可以產生關節(jié)力矩。所有子模型的數(shù)學積分可以用來描述關節(jié)運動是中樞神經系統(tǒng)的命令產生哪些參數(shù)斧負責關節(jié)力矩。肌電信號反映肌肉的活動，和許多類似的肌電力矩的關系已經在靜態(tài)和動態(tài)情況的研究（張等人，1997；麥森納和莫潤，1995）

5、。肌肉的肌電信號也常被認為是中樞神經系統(tǒng)的命令輸入信號來驅動肌肉骨骼系統(tǒng)（馮等人，1999；勞埃德和貝西爾，2003）。傳統(tǒng)的方法（Hill模型）幫助我們理解的內部生理特性。然而，這些模型對未知的許多假設，肌肉骨骼和神經系統(tǒng)非的幅度特性。這些模型的一些特定主題的參數(shù)也不能直接測量。優(yōu)化方法往往需要估計這些參數(shù)（勞埃德和貝西爾，2003；管等人，2002）。參數(shù)和模型的精度限制預測精度。另一種方法，人工神經網絡（ANNs），近年來已廣泛研究和使用的數(shù)學技術之間的關系映射肌電輸入和輸出的動力學和運動學（劉等人，1999；舍隆等人，1996；小池和川戶，1995）。人工神經網絡模型可以優(yōu)化其內部網絡

6、采用BP算法學習所有的訓練數(shù)據(jù)建立的輸入和輸出參數(shù)之間的關系。通過反向傳播時間（BPTT）人工神經網絡是由蒂皮特等人提出的地圖五選定的肌肉肌電圖對受試者進行三維運動學的手臂，不抓的動作（蒂皮特等人，2003）。羅森等人相比，在預測基于運動學與神經肌肉活動的單關節(jié)運動時的肘關節(jié)復雜的轉矩山型和神經肌肉模型的性能（羅森等人，1999）。羅森等人比較了在預測基于運動學與神經肌肉活動的單關節(jié)運動時的肘關節(jié)復雜的轉矩山型和神經肌肉模型的性能（羅森等人，1999）。時間延遲神經網絡（tdann）是由奧和Kirsch用來從健全和脊髓損傷的受試者的肌電信號預測肩和肘關節(jié)運動（奧和凱爾西，2000）。王和布坎南

7、提出了一個三層前饋神經網絡模型的肌肉激活EMG信號預測關節(jié)力矩（王和布坎南，2002）。這些模型的成功表明，人工神經網絡模型來模擬一個肌肉骨骼模型的一種很有前途的技術，但這些模型研究了在動態(tài)情況下肌電和扭矩關系。在這項研究中，描述在一個自愿動態(tài)情況的肌肉骨骼功能，一個三層的反饋人工神經網絡模型（見圖2）建成，基于圖1中的山型模型。圖2 人工神經網絡的模型結構：肱二頭肌的肌電幅度歸一化（BIC），（三），肱三頭肌肱橈?。˙RD），角度，角速度和遞歸反饋轉矩形成六個輸入節(jié)點。輸出節(jié)點歸一化復雜肘關節(jié)力矩人工神經網絡模型有相應的輸入和輸出。特色是一個反饋，前一階段為后一階段的輸入。從選定的肌肉的肌電

8、信號作為輸入來反映中樞神經系統(tǒng)的命令信號；角及肘關節(jié)角速度作為反映彎管幾何參數(shù)輸入，并從輸出轉矩反饋作為輸入反映的肘關節(jié)周圍的肌肉和以前的狀態(tài)。這種反饋是模擬，前一階段的肌肉力決定的肌腱遵守并將在后續(xù)階段的受力特點（扎亞茨，1989）。這項研究的具體目標是探索是否從選定的肌肉的表面肌電信號記錄，結合運動信息，可以預測準確的肘關節(jié)力矩，基于輸入層的轉矩反饋的經常性的網絡，在自愿的手臂動作在水平面上進行。此外，通過與模型的比較和不運動的投入研究的運動信息預測精度的影響。第二章 系統(tǒng)設計與實現(xiàn)2.1 實驗程序六名健康受試者（男，24-30歲）沒有任何神經肌肉疾病史的患者進入本研究。試驗前，所有受試者

9、進行了實驗方案，給出知情同意。圖3顯示了實驗裝置。圖3 實驗裝置，對肱二頭肌和肱橈肌肌電電極顯示，肱三頭肌，肘關節(jié)角度定義的手腕姿勢和位置在實驗中，受試者被要求坐在桌旁。桌子的高度進行調整，所以他們可以休息的手臂在水平面在同一高度的肩，與肩定位在90°外展和屈曲45°。一個帶被用來修復上臂，桌上的支持。前臂被連接到一個定制的支撐架，由固定在與肘關節(jié)的旋轉軸的支撐架矯形器。支撐架是用來支撐前臂，和主體可以彎曲和無摩擦的肘關節(jié)伸展。此外，鋁的支撐架的輕便使它不影響的自愿手臂的運動。然后，受試者被指示執(zhí)行反屈伸肘之間的完全伸展（0°）和90°屈曲，以不同的速度

10、，用節(jié)拍器聲制導。節(jié)拍器是用來引導運動的運動軌跡。受試者完成一個肘關節(jié)屈曲或伸肘段兩個節(jié)拍器發(fā)出嗶嗶聲的時間間隔內。肘必須是在充分伸展位置或在90°屈曲位時發(fā)出嘟嘟的聲音被聽到。受試者指示平穩(wěn)移動在整個范圍內而不是兩端的延遲。節(jié)拍器的頻率被設定在0.67赫茲和1赫茲，和相應的平均角速度肘60°S 1和90°S - 1，分別。在手的位置，三個不同的負載（0公斤，1公斤和2公斤）在這兩個頻率測試。每個主題完成這些3×2試驗兩次，分兩塊，并且每個審判持續(xù)了30秒。試驗的第一個塊組成的訓練集，和試驗第二塊組成的測試集。至少有1分鐘的休息之間的試驗，以減少疲勞的影

11、響。肘關節(jié)的角位移是由一個靈活的手腕姿勢捕捉連接到支撐架。一個遠程EMG系統(tǒng)T 10-500赫茲的帶寬每通道是用來捕捉和放大的表面肌電信號從三個選定的肌肉：肱二頭肌，肱三頭肌和橈肌內側，這是肌肉群的主要貢獻的運動，肘關節(jié)屈伸肘。表面肌電信號是銀/氯化銀電極捕獲。*所有的銀/氯化銀電極被放置在一個雙極性配置，2厘米的電極的中心之間的空間。的表面肌電電極的位置如克萊姆等人建議的一樣（1998）。表面肌電信號和角度信號的同時記錄在1000赫茲的采樣率和存儲，使用一個16通道AD轉換器。2.2數(shù)據(jù)處理角信號使用3赫茲的截止頻率階Butterworth數(shù)字濾波器濾波，低通，和表面肌電信號進行使用與5-5

12、00赫茲帶寬相同的數(shù)字濾波器的帶通濾波，然后全波整流和低通帶截止頻率3 Hz過濾。從角度的第一導數(shù)計算的角速度，角加速度和角的二階導數(shù)。角加速度來計算預期的扭矩。MATLAB的信號處理工具箱進行數(shù)據(jù)處理。所有的數(shù)據(jù)進行數(shù)字采樣在100 Hz之前輸入的人工神經網絡模型。為了避免零或非常大的值，所有的輸入和輸出擴展到0.1使用線性度的方法。表1顯示了正?；膮⒖紭藴剩ǖ摰热耍?999）。表1 規(guī)范化標準的輸入和輸出（運動訓練前屈曲為陽性，和運動的推廣為負）。MIVF =最大等長伸；智能虛擬環(huán)境=最大等長伸。當肘關節(jié)在90°MIVF并進行智能虛擬環(huán)境2.3逆動態(tài)模型以下的非線性微分方程描述

13、的關節(jié)運動和載荷與支撐架：T1=Id2dt2+Bddt (1)其中是關節(jié)角度，B是該組織的粘性系數(shù)，它被假定為零，在本文中，我是主體的前臂的旋轉慣性，支撐架和負載。對前臂運動的1自由度，與支撐架和負載以肘為軸轉動慣量的前臂可以假定為常數(shù)，和表2總結了基于特定主題的人體測量參數(shù)，每個主體的轉動慣量（溫特，1990）。然后，預期肘扭矩自愿水平運動過程中可以從這個逆動力學模型計算了乘法運算的角加速度和轉動慣量（Gregor等人，1991；Riener和斯特勞布，1997）。預期沒有外力從系統(tǒng)中，并沿該軸可以自由地進行肘運動。2.4人工神經網絡模型的肌電圖和運動的輸入表2 在不同載荷下的人體參數(shù)和前臂

14、段的轉動慣量系數(shù)（RI）一個三層的人工神經網絡模型選擇地圖輸入肌電信號與預期的扭矩（見圖2）。標準化的肌電幅度的肱二頭肌，肱三頭肌，肱橈肌，角，角速度，連同一個遞歸反饋轉矩，形成六個輸入節(jié)點。輸出節(jié)點是正常的關節(jié)力矩的復雜肘。選擇的隱藏單元的數(shù)量標準第2.6節(jié)中描述的斧頭。輸入和輸出節(jié)點的激活函數(shù)是線性的，和隱藏節(jié)點的激活函數(shù)的切向乙狀結腸，如（2）和（3）所示。neti=jajwij+biasi (2)TanSig=eneti-e-netieneti+e-neti (3)在Neti是神經元網絡的輸入，將每個輸入信號aj通過相應的連接權重wij和變量的偏差項的總和。初始連接權值是隨機值。錯誤可

15、能是由反向傳播訓練方法的改進。在反向傳播訓練方法在眾多的變化，采用maxquardt算法被選定為中型神經網絡最快的收斂到幾百個神經元（庫爾比斯等人，2003）。采用maxquardt算法可以由以下方程描述：=(JTJ+I)-1JTe (4)是一個向量的權重和偏見，J是包含的網絡誤差對權值和閥值的第一衍生物的雅可比矩陣，E是網絡錯誤矢量，I是單位矩陣，和是一個規(guī)模。的默認設置為0.01之前的訓練。MATLAB神經網絡工具箱的TT是用來訓練和測試的所有數(shù)據(jù)。誤差平方和（SSE）和根均方誤差（RMSE）被用來反映其中T是預測的基礎上的反饋人工神經網絡模型轉矩模型的性能，T1是預期的轉矩的逆動力學模型

16、的推導，n是樣本數(shù)。從不同的頻率數(shù)據(jù)（0.67赫茲，1赫茲）和不同的負載（0公斤，1公斤，2公斤）在每個主題的反饋人工神經網絡模型進行訓練，然后每一主體的人工神經網絡模型與試驗數(shù)據(jù)分別進行試驗。SSE=i=1n(Ti-T1(i)2 (5)RMSE=SSEn (6)2.5 只有肌電輸入的人工神經網絡模型除了2.4節(jié)中描述的反饋人工神經網絡模型，另一個三層的經常性的網絡只有三肌電圖（肌電圖輸入正常的肱二頭肌，肱三頭肌，肱橈?。┖蛷桶l(fā)性反饋的建立是為了比較模型的性能與不運動的投入。該模型的其他部分被作為第2.4節(jié)中的模型相同，和模型使用相同的訓練數(shù)據(jù)和測試數(shù)據(jù)。學生的配對t檢驗被用來比較這兩個模型的

17、均方根誤差統(tǒng)計。顯著性水平為0.05的所有統(tǒng)計檢驗。2.6網絡結構和迭代次數(shù)隱藏節(jié)點的數(shù)目進行了研究，以達到最佳性能。圖4顯示了RMSEs的訓練數(shù)據(jù)和測試數(shù)據(jù)集，通過改變隱層節(jié)點數(shù)和初始連接權重從主體C.數(shù)據(jù)獲得的數(shù)。為每個模型的隱層節(jié)點數(shù)相同，這是十次訓練與不同的隨機的初始條件。從不同的初始條件下的平均RMSE為圖4所示。圖4 網絡網絡的復雜性和誤差之間的關系。（）測試所得平均RMSE，”（）訓練所得平均RMSE圖5 網絡迭代訓練次數(shù)均方根誤差之間的關系；（）由測試計算，”（）由訓練計算在訓練數(shù)據(jù)，平均RMSE為隱層節(jié)點數(shù)的增加而減小。當模型的測試數(shù)據(jù)進行評估，在初始階段，平均RMSE下降，

18、當隱層節(jié)點數(shù)的進一步增加，平均RMSE為增加了更多的隱藏節(jié)點的增加，和均方根波動明顯。對試驗數(shù)據(jù)的最小RMSE位于隱層節(jié)點數(shù)從五變化到十。隱層節(jié)點數(shù)的選擇是七在所有的科目。訓練迭代的數(shù)量也是影響結果的因素。圖5顯示了迭代次數(shù)和訓練和測試數(shù)據(jù)的均方根誤差之間的關系。許多研究人員使用一個固定的迭代次數(shù)（羅森等人，1999；劉等人，1999；小池和川戶，1995）的培訓，和他們的停止準則可能導致系統(tǒng)停留在一個局部最小值和可能的魯棒性與太多的迭代次數(shù)減少。如圖5所示，雖然訓練的均方根誤差與迭代次數(shù)的增加而降低，試驗的誤差將增加。為了避免這種情況，培訓應該是如果在錯誤沒有多大的起色停止。在本文中，每個鹽

19、沼模型的停止準則，堅持訓練到預期的轉矩和轉矩之間的所預測的小于0.5%的50次迭代變化。圖6 實驗數(shù)據(jù)記錄在審單主題進行屈伸肘關節(jié)，1千克加載的指導下，節(jié)拍器頻率為1Hz。的正常化肌電圖幅度BIC：肱二頭肌;三：肱三頭肌; BRD：實驗中肱扭矩=預期扭矩第三章 結果標準化的輸入數(shù)據(jù)，在圖6中示出一個典型的實驗試斧記錄。這個主題有一個1公斤的負載和指導的節(jié)拍器在本試驗的1赫茲的頻率。處理，標準化的肌電信號的二頭肌似乎顯示較小的調制與肌和肱橈肌相比。有兩個原因可以解釋這一事實。首先，最大彎曲力矩往往大于最大伸展力矩肘關節(jié)，因此，正常化后，二頭肌肌電圖的振幅是小于的三頭肌如果他們代表了同樣數(shù)量的扭矩

20、。其次，有可能產生肘關節(jié)屈肘扭矩在幾個肌肉。圖中顯示，肱橈肌也分享這場運動中的彎曲力矩部分。圖7 比較預測的關節(jié)力矩和預期的扭矩的試驗結果與模型的肌電圖和運動的投入。（）從反饋人工神經網絡模型預測結果； ）從逆動力學模型計算預期的扭矩。引導聲音的頻率是（a）-（c）0.67 Hz和（d）-（f）為1 Hz。沒有加載數(shù)據(jù)顯示在（a），（d）；（b），（e）表示1公斤的負載數(shù)據(jù)；c，（f）表示2斤的負載數(shù)據(jù)3.1 肌電信號和運動輸入模型三肌肉的表面肌電信號，結合運動信息，被用來預測肘扭矩時，自愿肘關節(jié)屈伸肘進行。圖7a-c顯示一個典型的預測從一個主題不同的負載轉矩，當導音是0.67赫茲的頻率。圖7

21、d-f顯示預測從主體在更高的頻率不同的負載轉矩。引導聲音的頻率是1赫茲。表3 絕對誤差和相對誤差預測與瑞恩的所有科目的肌電圖和運動的輸入。扭矩范圍=最大屈曲扭矩最大伸展力矩；相對誤差= RMSE /扭矩范圍表3 總結結果，其中包括RMSE，預測的轉矩和相對誤差的期望值和預測值之間的范圍。相對誤差除以RMSE由扭矩計算的范圍，通過評估和范圍的最大值和最小值的預測從每個主題的轉矩之間的差異計算。從表3中，預期的扭矩和預測，在訓練數(shù)據(jù)和測試數(shù)據(jù)中的肌電圖和關節(jié)運動學模型輸入扭矩為0.17±0.03nm和.035±0.06nm之間的RMSE。在訓練數(shù)據(jù)的平均相對誤差為2.84

22、77;0.50%，在測試數(shù)據(jù)中是5.96±1.54%。3.2只有肌電輸入模型表4 絕對誤差和肌電圖輸入只有在所有科目的人工神經網絡預測的相對誤差。扭矩范圍=最大屈曲扭矩最大伸展力矩相對誤差= 誤差/扭矩范圍表4顯示的均方根誤差，預測的扭矩范圍，和肘關節(jié)力矩的期望值和預測僅與肌電模型輸入值之間的相對誤差。均方根誤差值預測預期的扭矩和訓練數(shù)據(jù)中的扭矩和測試集0.57±0.07 nm和0.73±0.11 nm之間，分別，并在訓練數(shù)據(jù)的平均相對誤差為9.72±1.72%，和，在測試數(shù)據(jù)，這是12.42±2.01%。圖8 比較預測的關節(jié)力矩和實際從只有肌

23、電輸入模型試驗結果轉矩。（）從人工神經網絡模型結果預測，”（ ）從逆動力學模型計算預期的扭矩。引導聲音的頻率是（a）-（C）0.67赫茲和（d）-（f）1赫茲。沒有加載的數(shù)據(jù)顯示在（a），（d）；（b），（e）表明，1公斤的負載數(shù)據(jù)，”（c），（f）表明，2公斤的負載數(shù)據(jù)圖8的a-c示出一個典型的預測來自被攝體的（被引導聲音的頻率為0.67赫茲）在低速條件下的不同負載轉矩與。圖8的d-f從這個問題在較高的頻率不同的負載（引導聲音的頻率為1赫茲）中顯示了預測的扭矩。所有六個科目，模型輸出與肌電圖和運動投入了比僅使用肌電信號作為輸入，獲得更高的精度。均方根誤差值的訓練數(shù)據(jù)和測試數(shù)據(jù)的人工神經網絡模

24、型只有肌電輸入統(tǒng)計損害大于的人工神經網絡模型與肌電圖和運動的輸入（P0.01）。第四章 分析與結論在這項研究中，建立了一個預測在水平面內的自愿肘關節(jié)運動中肘扭矩是一個經常性的人工神經網絡逆動態(tài)模型。隨意運動的不同負載和不同速度的基礎上進行人工神經網絡模型分析。在建模階段，神經網絡的結構是一個非常重要的問題，影響了預測精度和模型的魯棒性（布朗和哈里斯，1994；童，1997）。神經網絡的復雜性取決于隱藏節(jié)點的數(shù)目。隱藏節(jié)點的最優(yōu)數(shù)量不僅取決于神經網絡模型的結構也取決于輸入和輸出。結果，如圖4所示，與當網絡已足夠復雜時足夠數(shù)量的隱藏節(jié)點取得了優(yōu)異的泛化的說法是一致的（通，1997；廣瀨等人，199

25、1）。如果模型的復雜性是不夠的問題，不足會發(fā)生（隱層節(jié)點數(shù)小于五，圖4）。增加隱節(jié)點的個數(shù)可以提高模型的性能。如果模型是復雜的映射，訓練誤差仍然下降，但試驗誤差的增加。網絡可以與噪聲。一個較大的測量誤差會產生測試數(shù)據(jù)，因為過度擬合。為了使網絡更廣義的，它是選擇在實驗中隱藏節(jié)點的適當數(shù)量以避免的過擬合非常重要。同時，迭代次數(shù)是另一個問題，要考慮達到最佳的結果。培訓過程中要停止訓練誤差沒有表現(xiàn)出任何明顯的改善。訓練過程是在訓練誤差沒有表現(xiàn)出任何顯著改善停止。停止準則是一致的，在文獻中找到（Au和Kirsch ，2000；黃志強等人，1998）。如果我們的研究結果與以往相比，類似的研究，祿等人。建立

26、了一個三層，完全連接，前饋人工神經網絡模型在單關節(jié)運動性能的等速肘關節(jié)力矩預測從肌電信號（祿等人，1999）。所有受試者的平均RMSE分別為1.67 nm和8.27 nm的試驗中學習。祿等人。在恒定的角速度的肌電力矩關系的研究。在他們的實驗裝置，受試者沒有完全自愿的控制，和外力矩是需要保持在一個恒定的速度移動，肘部。該模型只調查了肱二頭肌、肱三頭肌，和肱橈肌肘關節(jié)力矩的貢獻被忽視，這可能是錯誤的一個來源。奧和基爾希使用延遲神經網絡預測肩肘關節(jié)運動學在人的脊髓損傷個人使用肌電信號（奧和基爾希2000）。平均相對誤差為9.2-20.2正常人和10.7-23.4的脊髓受傷的科目。在我們的研究中，平均

27、相對誤差為2.84_+在訓練數(shù)據(jù)中的0.50和5.96_+1.54，在測試數(shù)據(jù)中，添加作為輸入，如果關節(jié)角度和角速度的彎頭。自愿的動態(tài)運動，其中包括一個加速和減速階段，關節(jié)力矩不能通過扭矩傳感器直接測量。只有在等長收縮試驗或在恒定的速度，可以在關節(jié)扭矩的扭矩傳感器直接測量。因此，逆動力學模型應用于計算在本研究的輸出扭矩。在逆動態(tài)模型，有兩個參數(shù)會影響輸出轉矩角加速度和轉動慣量。轉動慣量會隨荷載的變化（表2）。在我們的研究中，對不同載荷和不同頻率的試驗是在一個人工神經網絡模型訓練。然后，訓練有素的反饋人工神經網絡模型可以適應不同的載荷。在反饋人工神經網絡模型的輸入，該負載信息不包括在內，只有進行

28、肌電圖與運動學。結果可以證明的反饋神經網絡可以回應不同載荷和頻率的能力?；诩‰姾瓦\動輸入的反饋人工神經網絡模型是一個受特定的模式，也有它的局限性。有十多塊肌肉過肘關節(jié)，使手臂冗余機械手。本文的主要貢獻，使三塊肌肉的肌電信號被認為是。更多的肌肉，如臂，可以在進一步的研究中被使用的細金屬絲電極提高了反饋人工神經網絡模型的性能研究。開發(fā)一個健壯的反饋人工神經網絡模型來模擬神經肌肉骨骼功能，不僅要的反饋人工神經網絡模型的結構被認為是，但足夠的訓練數(shù)據(jù)是必要的覆蓋不同的情況。致謝 - 作者想在香港理工大學研究委員會的支持表示感謝。該項目是由香港理工大學G-T598和研究資助局，香港理工大學5320/0

29、3E。參考文獻Au, A. T. C. and KIRSCH, R. F. (2000): EMG-based prediction of shoulder and elbow kinematics in able-bodied and spinal cord injured individuals', IEEE Trans. Rehab. Eng., 8, pp. 471 480BROWN, M., and HARRIS, C. (1994): 'Neurofuzzy adaptive modelling and control' (Prentice Hall, 19

30、94)CHERON, G., DRAYE, J. P., BOURGEIOS, M., and LmERT, G. (1996): 'A dynamic neural network identification of electromyography and arm trajectory relationship during complex movements', IEEE Trans. Biomed. Eng., 43, pp. 552-558CRAM, J. R., KASMAN, G. S., and HOLTZ, J. (1998): 'Introducti

31、on to surface electromyography' (Aspen Publishers, Gaithersburg,1998)DIPIETRO, L., SABATINI, A. M., and DARIO, P. (2003): 'Artificial neural network model of the mapping between electromyographic activation and trajectory patterns in free-arm movements', Med. Biol. Eng. Comput., 41, pp.

32、125 132FENG, J., MAK, A. F. T., and Koo, T. K. K. (1999): 'A surface EMG driven musculoskeletal model of the elbow flexion-extension movement in normal subjects and in subjects with spasticity', J. Musculoskel. Res., 3, pp. 109 123GREGOR, R. J., KOMI, P. V., BROWNING, R. C., and JARVlNEN, M.

33、 (1991): 'A comparison of the triceps surae and residual muscle moments at the ankle during cycling', J. Biomech., 24, pp. 287 297GURBUZ, H., KIVRAK, E., SOYUPAK, S., and YERLI, S. V. (2003): Predicting dominant phytoplankton quantities in a reservoir by using neural networks', Hydrobiol

34、ogia, 504, pp. 133 141HILL, A. V. (1938): 'The heat of shortening and the dynamic constants of muscle', Proc. R. Soc. Lond. Biol., 126, pp. 136 195HIROSE, Y., YAMASHITA, K., and HIJIYA, S. (1991): 'Back-propagation algorithm which varies the number of hidden units', Neural Netw., 4,

35、pp. 61 66KOIKE, Y., and KAWATO, M. (1995): 'Estimation of dynamic joint torques and trajectory formation from surface electromyography signals using a neural network model', Biol. Cybernet., 73, pp. 291 300LIU, M. M., HERZOG, W., and SAVELBERG, H. C. M. (1999): 'Dynamic muscle force pred

36、ictions from EMG: an artificial neural network approach', J. Electromyogr. Kinesiol., 9, pp. 391 4OOLLOYD, D. G., and BESIER, T. F. (2003): 'An EMG-driven musculoskeletal model to estimate muscle forces and knee joint moments in vivo', J. Biomech., 36, pp. 765 776LUH, J. J., CHANG, G. C.

37、, CHENG, C. K., LAI, J. S., and Kuo, E. S. (1999): 'Isokinetic elbow joint torques estimation from surface EMG and joint kinematic data: using an artificial neural network model', J. Electromyogr. Kinesiol., 9, pp. 173 183MANAL, K., GONZALEZ, R. V., LLOYD, D. G., and BUCHANAN, T. S. (2002):

38、'A real-time EMG-driven virtual arm', Comput. Biol. Med., 32, pp. 25-36MISENER, D. L. and MORIN, t. L. (1995): 'An EMG to force model for the human elbow derived from surface EMG'. IEEE-EMBC de CMBEC, pp. 1205 1206RIENER, R., and STRAUBE, A. (1997): 'Inverse dynamics as a tool fo

39、r motion analysis: arm tracking movements in cerebellar patients', J. Neurosci. Meth., 72, pp. 87-96ROSEN, J., FUCHS, M. B., and ARCAN, M. (1999): 'Performances of hill-type and neural network muscle models towards a myosignal based exoskeleton', Comput. Biomed. Res., 32, pp. 415 439TONG

40、, K. Y. (1997): 'Artificial neural network control of FES gait using virtual kinematic sensors'. PhD thesis, University of Strathclyde, UKUCHIYAMA, T., BESSHO, T., and AKAZAWA, K. (1998): 'Static torqueangle relation of human elbow joint estimated with artificial neural network technique

41、', J. Biomech., 31, pp. 545 554WANG, L., and BUCHANAN, T. S. (2002): 'Prediction of joint moments using a neural network model of muscle activations from EMG signals', IEEE Trans. Neut. Syst. Rehab. Eng., 10, pp. 30 37WINTER, D. A. (1990): 'Biomechanics and motor control of human movement' (Wiley, New York, 1990)WINTERS, J. M., and STARK, L. (1988): 'Estima