《基于表面肌电信号的手腕动作模式识别.doc》由会员分享，可在线阅读，更多相关《基于表面肌电信号的手腕动作模式识别.doc（11页珍藏版）》请在三一文库上搜索。
1、基于表面肌电信号的手腕动作模式识别张启忠* 席旭刚 马玉良 罗志增 佘青山（杭州电子科技大学智能控制与机器人研究所， 杭州 310018）摘 要：基于表面肌电信号的肢体动作模式识别是假手仿生控制的基础。为提高动作模式识别率，论文从肌电信号的产生机理出发，选取分别表征肌电信号形态特征-细节复杂度和整体自似性的近似熵指标和分维数指标，作为模式识别的特征向量；同时提出了一种具有增量学习能力的K最近邻(KNN)模型增量学习算法作为模式识别的分类器。在对10位受试者手腕的四个精细动作腕伸、腕屈、腕内旋、腕外旋的识别实验中取得了92.5 %以上的正确识别率。论文同时对增量学习能力对分类器动作模式识别率的影
2、响做了对比实验，当假肢使用者生理变化时，以KNN模型增量学习算法作为分类器比采用不具增量学习能力的KNN模型算法的识别率高4.5%。上述实验表明，论文所提肌电信号动作模式识别方法方案合理，具有应用价值。关键词：肌电信号；肌电假肢；KNN模型增量学习算法；近似熵；分维数中图分类号：TP 241.3 文献标识码：AStudy on wrists multi-movement pattern recognition based on sEMGdoi:10.3969/j.issn.0258-8021.2013.03.000收稿日期：2012-00-00，录用日期：2013-00-00 基金项目：国家自
3、然科学基金(61172134)；浙江省自然科学基金（Y1111189， LY12F03007）; 浙江省科技计划项目(2012C33075)*通信作者。 E-mail: ZHANG Qi-Zhong XI Xu-Gang MA Yu-Liang LUO Zhi-Zeng SHE Qing-Shan (Institute of Intelligent Control and Robotics, Hangzhou Dianzi University, Hangzhou 310018,China)Abstract: Actionpatternrecognition of limbs using sE
4、MG is the basisforbionic control of a prosthetic hand.In consideration of the generationmechanism of sEMG, the approximateentropy and the fractal dimension, whichfeature the sEMGs morphological characteristics including complexity and overall self-similarity,was chosen as thefeature vectorof pattern
5、 recognition to improve action mode recognition rate.In the meantime, aKNearestNeighbor(KNN) model incremental learning methodwithincremental learning ability, waspresentedasaclassifier of pattern recognition. In pattern recognition experiment of classifying four finemovementsof the wrist (namely wr
6、ist extension, wrist flexion, wrist pronation, wrist supination) with 10 participants, the correct mode recognition rate is above 92.5%.Inacontrast experiment thatwas designed to evaluate theeffects ofthe increment learning ability to theactionmoderecognition rate, the correct recognition rate is 4.
7、5 percent higher than KNN mode arithmetic without incremental learning abilitywhen the prosthetic users changed physiologically.The above experimentalresult showsactionmoderecognition method based on the EMG is reasonable and practical.Key words: electromyography; myoelectric prosthesis; KNN model i
8、ncremental learning algorithm; Approximate Entropy; fractal dimension引言肌电信号（Electromyography，EMG）是一种伴随肌肉活动的生物电信号，是众多肌纤维中运动单元动作电位的叠加，蕴含了肌肉活动的各种信息。通过提取截肢者自身残端的EMG信号，利用其蕴含的动作模式信息可以达到假手智能控制的目的。目前肌电假手智能控制的研究主要集中在相关的基础领域，如肌电信号采样频率的确定和采样窗口范围变化对动作模式识别率的影响1-2，实时的肌电信号消噪方法3。也有研究从肌电信号中提取不同类型的特征，选用合适的分类器以实现精细动作模
9、式的区分，从而控制智能假手的动作4-5，然而从特征及分类器选取角度研究以提高动作模式识别率的并不多。往往只是采用在相关肌肉组上尽可能多地布置采样电极，从信号的时域或频域中提取简单特征，如信号的平均幅值（MAV）、过零点数（NZC）、波形长度(WL)、斜率符号变化数(SSC)等，最后用线性判别分类器等方法实现动作模式的识别6-8。这种方法，理论上能提高动作模式识别的实时性，然而，在实际使用中，特征信号的波动范围很大，识别率并不理想。而且，过多的采样电极，规模偏大的调理电路，让使用者穿戴不方便。因而，寻找理想的肌电信号动作模式特征，然后，设计分类能力强且具有增强学习能力的模式识别方法是值得重视的方
10、向。本研究是从肌电信号的产生机理出发，选取能从整体及细节两方面表征出肌电信号序列形态特征的非线性信息,设计具有增量学习能力的动作模式分类器。实现对手腕的4种精细动作模式腕右旋、腕左旋及腕伸、腕屈的识别，用于肌电假手的控制。1 表面肌电信号特征的选取特征选取是模式识别的核心问题。如果能从待识别对象中选取出所需的有效特征并且不同对象其特征差别较大，分类器就能比较容易地实现对不同模式的分类。论文从肌电信号的产生机理出发，寻找用于模式识别的特征信息。动作单元（motor unit, MU）是肌肉最小的收缩单位，由运动神经元、终板及多条肌纤维组成，如图1所示。运动神经元发放固定频率值40 Hz以下的脉冲
11、序列9-10，脉冲序列经轴突、终板传导到与之联结的肌纤维形成动作电位序列(MUAPT)。并引起肌纤维收缩而产生肌张力并带动各关节运动。此时，如果在对应组织处放置测试电极，则在检测电极与参考点（如，肘部）之间表现出电位差。检测电极所募集的各动作单元综合形成的动作电位即为表面肌电信号(sEMG)。图1 运动神经元与肌纤维的电剌激传播Fig. 1 The electrical stimulating propagation of motoneuron and muscle fibers从数学上描述，若令第个动作单元所产生的动作电位序列MUAPT为。则表面肌电信号是个MUAPT的总和： （1）由于单个
12、运动神经元释放的电信号为具有周期性的脉冲序列，多个运动神经单元的组合仍为周期性信号，因而，从形态上分析肌电信号具有明显的整体自相似性。同时，不同动作模式参与的运动神经单元、神经纤维、肌纤维的数目等都是有区别的，信号在细节上又有其自身的复杂性。复杂性和整体自相似性是肌电信号的两个重要特征。近似熵是表征信号复杂度常用的指标。由于近似熵算法具有下述特点11：1）只要比较短的数据就能得出比较稳健的估计值。2）有较好的抗噪及抗干扰能力。因而，是理想的计算肌电信号复杂度的算法。分形是研究具有自相似性、标度不变性的非线性复杂系统的有效方法。所谓自相似性是指某种结构或过程的特征从不同的空间尺度或时间尺度来看是
13、相似的，标度不变性是指在研究对象上任选一局部区域，对它进行放大又会显示原图的形态特征。肌电信号具有此特点，因而，用分形的概念来分析表面肌电信号是可行的。论文选用近似熵指标及分维数的概念分别表征时间序列信号的整体复杂度及自似性，能较完整地表达出信号的形态特征。2 特征计算及模式识别方法2.1 近似熵近似熵是Princus11在1991年定义的。时间序列信号的近似熵算法步骤如下：1）构造维矢量集合,其中, (2)2）计算矢量与之间的距离定义为 (3)3）给定阈值(为选定的相似容限，),对于每一个统计的数目，如果，那么就被认为是近似的，计算近似矢量个数与矢量总数的比值。 (4)式中，为Heavisi
14、de阶跃函数。4）定义为的平均值。 (5)5）对于，重复计算1-4步，得到。6）近似熵的定义为： (6)由于信号序列的值是有限的，因而近似熵用下式的统计数代替。 (7)相同的动作模式，肌电信号的波形具有较强的相似性，而细节却与手的动作速度、用力大小等因素有关，如用原始信号直接求取信号的复杂度，同一动作模式复杂度的值变动范围会较大。达不到理想的识别效果。因而，还需对信号做下述处理：1）求肌电信号的局部极大、极小值。通过插值函数获得信号的上下包络线。并对上下包络线求平均，记为。以包络线上同符号值 替代对应序列点上肌电信号原值，求信号与的差值，记为。以上，为肌电信号的序数，其值为1到，为信号的长度。
15、2）信号归一化：令 。最后，按幅度归一化 （8）肌电信号动作模式起跳时间的确定采用滑动窗的方法，窗内能量大于某阈值时，认为动作开始，取后继1024个采样点信号作为信号处理对象数据。预处理后计算信号的标准差，并取,，计算肌电信号的近似熵。采用了下述快速方法计算式（4）中的及。1）对点信号序列计算距离矩阵，其中元素的值为 (9)2）利用矩阵中的元素计算及。 (10) (11)2.2 分维数信号序列分维数的计算用改变粗视化程度的方法。针对已做时间与幅值归一化的时间序列信号，作者所设计的分维数计算方法如下：1) 选定步长，把时间序列信号分成等分。 (12)式中，代表上取整。段内平均，形成新的时间序列信
16、号,其中 (13) (14)2) 计算步长为时的曲线总长度： (15)分析可知，和是斜率为的直线关系，若能求得和，则用最小二乘法拟合这些点，即可得到。进而得到分维数。由于在近似熵计算时已对信号进行了幅值归一化，只须对信号进行时间坐标的归一化。设幅值归一化信号为，令第点的横坐标取为,则时间归一化后各点对应横坐标为：。分维数计算中的值可取，这样相邻点可两两相加取平均，以达到快速计算新的时间序列信号的目的。2.3 KNN模型增量学习算法K最近邻(KNN)法12是一种基于实例的分类算法，基本思想是，使用一种距离度量计算待分类样本与所有训练样本之间的距离，找到距离待分类样本最近的个近邻；然后根据这个近邻
17、所属的类别进行多数投票来确定待分类样本的类别。KNN法具有性能稳定、准确率高的优势。然而，KNN是一种懒散型的学习方法，也不是一种增量学习算法13-14。为解决KNN算法存在的缺陷，作者改进提出了一种具有增量学习能力的KNN模型增量学习算法，由样本点数据整理及KNN法分类两部分构成。算法的第一部分：构造一系列模型簇，以模型簇的中心点作为代表点用于新样本的KNN法分类。簇中的模型以五元组表示，其中，表示该区域中数据点的类别：表示区域的半径，即最远点到中心点的距离；表示区域的中心点本身，即这些样本点的均值；表示区域覆盖点的数量；则为构成簇的样本数据串。样本点数据整理，首先对每个类别中的样本点使用C
18、-均值聚类算法进行自动聚类，分成个簇。然后建立模型的五元组。为使分类器具有增量学习能力。对于后续使用中经模式识别得到验证准确识别的样本点，按距离度量最近的原则加到已有簇中。而识别结果不正确的样本点，则在模型簇中另建五元组。从而进一步改善学习样本集的分布状态使其更接近总体分布。当新增的样本点数达到一定量的累积时，可按实际需求踢除部分最早批次的样本点或保留所有样本点，然后用C-均值聚类算法重新聚类，重建模型簇。算法的第二部分：用K最近邻(KNN)法计算待分类样本与各类代表点之间的距离。在投票决定待识别样本的类别时，对每个代表点乘一权重系数，由加权后的数据投票确定待识别样本的类别。若在数据整理阶段，
19、使用过程中不对模型簇的样本点进行调整，则为不具增量学习能力的KNN模型算法。3 特征提取及模式识别结果3.1 动作表面肌电信号的采集人体的前臂肌肉群包括尺侧腕伸肌、尺侧腕屈肌、掌长肌等数十块肌肉。其主要功能是实现屈肘、屈腕、屈指和前臂旋转等，是人体中十分重要的部位，也是肌电假手的控制信息源。本文针对动作模式腕屈、腕伸、腕左旋及腕右旋的识别展开研究，结果用于自制肌电假手的控制。实验对象均为右手低位截肢志愿者，男性6名，年龄(405)岁，体重(65.05.0) kg，身高(170.0 5.0)cm。女性4名，年龄(355)岁，体重(52.06.0) kg，身高(162.0 5.0)cm。取6位男性
20、中的4位编号为#01#04，女性中的2位编号为#04#05，余下的2男2女编号为#07#10。实验前要求受试者24 h内未作剧烈运动，以排除非实验要求的肌肉疲劳影响。每次试验需记录受试者编号、开始时间、所采集肌电信号的时刻、受试者状态等信息，将所采集的表面肌电信号建立数据库。由于动作模式腕屈、腕伸、腕左旋及腕右旋主要与前臂肌肉群的尺侧腕伸肌与尺侧腕屈肌有关，因而，选取实验者右手上肢这2组肌肉表面作为sEMG的拾取位置，每组肌肉表面贴附一次性双极表面电极，选用由美国Noraxon公司研制的新型便携式MyoTrace400肌电信号采集仪来获取信号，采样频率为2500 Hz，仪器内置截止频率500
21、Hz的低通滤波器和截止频率为10 Hz的高通滤波器。图2为肌电信号测试实验，图3为腕右旋动作的肌电信号图。图2 肌电信号测试实验Fig. 2 Experiment on electromyogram(EMG) test 图3 腕右旋动作表面肌电信号。（a）尺侧腕伸肌；（b）尺侧腕屈肌Fig. 3 The surface electromyography(sEMG) of wrist supination.(a) extensor carpi ulnaris; (b) flexor carpi ulnaris理想的肌电假手应具有可推广性，也即产品参数的设置是基于部分受试者的，但结果对另一部分人群
22、也适用。因此，论文对肌电信号特征的统计与分析及初始分类器的构建是基于前6位受试者的，而动作模式的识别则对所有10位受试者进行。3.2 肌电信号近似熵及分维数计算结果表1为从前6位低位截肢者数据库中随机取得非疲劳状态下的4类动作模式各200组肌电信号近似熵的统计结果。图4为各取50组肌电信号近似熵的二维分布图。表1数据显示，在尺侧腕伸肌与尺侧腕屈肌上采集的腕屈与腕伸两个动作的肌电信号的近似熵值较大，右旋及左旋动作肌电信号的近似熵相对较小。而且每类动作在尺侧腕伸肌与尺侧腕屈肌上近似熵的取值大小情况正相反。反映在图中4个动作相应复杂度值的聚类特性较为明显，利于动作模式的分类。表1 表面肌电信号复杂度
23、指数统计数据(n=6, 均值标准差) Tab.1 Statistic data of sEMGs complexity (n=6, meanSD)动作模式肌肉组别尺侧腕伸肌 尺侧腕屈肌腕屈1.0760.0620.8860.061腕伸1.0510.0471.1520.056右旋0.7220.0460.5920.045左旋0.6760.0400.4630.051图4 肌电信号复杂度指数分布图Fig.4 Distribution of sEMGs complexity表2为从前6位低位截肢者数据库中随机取得非疲劳状态下的4类动作模式各200组肌电信号分维数的统计结果。图5为各取50组肌电信号分维数的
24、二维分布图。表2中，右旋和腕伸动作，尺侧腕伸肌上的分维数较尺侧腕屈肌上的值大。左旋与腕屈在肌肉组上的表现与上面情况正好相反，尺侧腕腕伸肌上的分维数较尺侧腕屈肌上的值小。图5中，4类动作分维数点对的分布聚类特性明显。表2 表面肌电信号分维数统计数据(n=6, 均值标准差)Tab.2 Statistic data of sEMGs fractal dimension (n=6, meanSD)动作模式肌肉组尺侧腕伸肌 尺侧腕屈肌腕屈0.3700.0510.6930.045腕伸0.7310.0620.4820.042右旋0.4400.0510.3420.067左旋0.4100.0430.5320.0
25、64图5 肌电信号分维数分布图Fig.5 Distribution of sEMGs fractal dimension3.2 模式识别结果针对肌电信号动作模式的识别问题。初始分类器的构建，是从前6位受试者非疲劳状态下所建立的肌电信号数据库中随机地取4100组信号，每类动作模式各100次。计算其复杂度和分维数，其中的80组作为样本数据，以C-均值聚类算法构建模型簇。其余20组作为测试样本,测试分类器的分类性能。实验中能完全识别，表明所设计的分类器合理。再以此方式建立的模式分类器用于受试者后续动作模式的识别。为验证论文所提出的模式识别方案的效果，设计了如下的实验方法。受试者从休息放松状态进入动作
26、状态， 连续循环地做动作组腕右旋、腕左旋及腕伸、腕屈，共100组。100组的选定使得受试者在后半阶段的实验中明显处于疲劳状态。表3为10位受试者对100组动作模式的实验结果。模式分类器采用的是具有增量学习能力的KNN模型增量学习算法。每行数据代表了对某类动作100次识别得到的结果及识别参数。识别效果的评价采用了灵敏度、特异度及识别率3个参数，计算灵敏度、特度度的真阳性和真阴性定义为：属于某一动作模式且被准确判别则为真阳性，不属于某一动作模式且被准确识别为不是该模式为真阴性。在此定义下，灵敏度的值与识别率相同。表3 受试者动作模式识别结果统计Tab.3 Statistic data of mod
27、e recognition rate of the participantss action受试者动作模式识别模式腕屈 腕伸 内旋 外旋识别参数% 特异度/% 灵敏度/% 识别率/% 平均识别率/%#1腕屈9322398.093.093.092.5腕伸2942298.094.094.0内旋2292497.092.092.0外旋2259197.091.091.0#2腕屈9223398.392.092.092.5腕伸1952297.395.095.0内旋2391497.091.091.0外旋2339297.392.092.0#3腕屈9422298.094.094.093.5腕伸1943298.09
28、4.094.0内旋2293397.093.093.0外旋1249397.793.093.0#4腕屈9512298.095.095.094.0腕伸2942298.694.094.0内旋2194397.794.094.0外旋2239397.793.093.0#5腕屈9323298.093.093.093.5腕伸2942298.394.094.0内旋2194397.394.094.0外旋2239397.793.093.0#6腕屈9422297.794.094.093.3腕伸3923298.092.092.0内旋2294397.394.094.0外旋2239397.793.093.0#7腕屈94132
29、98.094.094.093.3腕伸2942298.394.094.0内旋2292497.392.092.0外旋2239397.393.093.0#8腕屈9322398.093.093.093.0腕伸2942297.794.094.0内旋2392397.792.092.0外旋2239397.393.093.0#9腕屈9223398.092.092.092.5腕伸2942298.094.094.0内旋2292497.092.092.0外旋2249297.092.092.0#10腕屈9233298.392.092.092.5腕伸2932397.793.093.0内旋2293396.693.093.
30、0外旋1259297.392.092.0数据表明，受试者动作模式的识别率（灵敏度）均达到了92.5%以上，且前6位受试者与后4位受试者动作模式识别无明显差别。说明，所设计的模式识别方案具有应用推广能力。肌电信号的熵及分维数会随着肌肉疲劳的产生而有相应的变化15-16。因而，论文还对是否采用增量学习能力分类器对模式识别率的影响做了对比实验。表4为#01号受试者10次实验不同阶段的识别率数据，实验中的前50组定义为阶段，后50组定义为阶段，50组的选定是使受试者感觉开始进入肌肉疲劳状态。表中“分类器1”代表普通的不具有增量学习能力的KNN模型算法，“分类器2”代表具有增量学习能力的KNN模型增量学
31、习算法，单元中的值代表对4类各50组动作的平均识别率。表4 各阶段模式识别率（%）统计表 Tab.4 Statistic data of mode recognition rate in each phase序号12345678910分类器1 阶段91.590.091.590.591.590.589.591.092.591.5分类器1 阶段88.588.087.588.087.588.089.087.587.088.0分类器2 阶段92.592.593.093.093.593.592.593.093.093.0分类器2 阶段93.093.092.592.592.592.592.593.091.
32、592.0数据显示，相同的肌电信号，在不采用增量学习算法时识别率随着假肢使用者生理状态的变化而下降。而采用增量学习型算法时，识别率稳定。两种分类器对应阶段、平均识别率之差为2.0%、4.5%。为判断差异是由于偶然因素引起的或两者确实本身存在着差异，论文利用SPSS软件对实验结果进行了配对样本t检验，显著性检验标准为P0.05。检验结果为，阶段肌电信号用不同分类器分类其正确识别率数据的差异由抽样误差引起的概率为P=0.001，阶段则接近为0。表明，两个阶段的数据用不同分类器识别其差别在统计学上都有显著性意义。4 讨论论文选用近似熵作为表征肌电信号的复杂度特征，而不同动作的复杂度数据有较明显的差异
33、。从表1及图4中可以看出，由于腕屈与腕伸两个动作主要由尺侧腕伸肌与尺侧腕屈肌参与完成，而右旋及左旋动作的完成相对前两个动作更为复杂、参与的肌肉组较多。实验结果为：在尺侧腕伸肌与尺侧腕屈肌上采集的腕屈与腕伸两个动作的肌电信号的近似熵值较大，右旋及左旋动作肌电信号的近似熵相对较小。说明：用近似熵指标表达肌电信号的复杂度特征研究方向是正确，能很好地用于动作的分类。分析肌肉组在各种动作下的活动状态。以右旋和腕伸为例，肌肉组尺侧腕伸肌都处于较强的收缩状态，尺侧腕屈肌处于相对放松状态，表2中反映肌电信号整体自相似性的分形维数的数值情况相似，尺侧腕伸肌上的分维数较尺侧腕屈肌上的值大。左旋与腕屈在肌肉组上的表
34、现与上面情况正好相反，尺侧腕尺侧腕伸肌上的分维数较尺侧腕屈肌上的值小。数据说明，反映肌电信号整体自相似性的分维数指标与肌肉的活动强度相关，分维数的大小随肌肉活动强度增大而增大。因而，论文选用近似熵指标与分维数指标完整地表达出了不同动作模式肌电信号的形态特征，再与分类器-KNN模型增量学习算法结合，取得了较满意的分类结果。为验证论文所提动作模式识别方法的优越性，作者把该方案与Arjunan 等所提方案17-18进行了比较。他们选用了两种信号特征向量的选取方法，一种是提取肌电信号的均方值(RMS)、平均幅值(MAV)、方差(VAR)及波形长度(WL)构成简单特征组合，另一种以Fukuda O19方
35、法提取肌电信号的分维数及最大分形长度(maximum fractal length，MFL)构成分形特征组合。然后，用BP网络进行分类识别，实验数据采用#01号受试者阶段的肌电信号，结果简单特征组合的识别率为81.0%，分形特征组合为86.0%，与论文所提方法有较大差距。原因在于简单特征组合仅选取信号的常用时域特征，特征主要反映肌肉的活动强度。而分形特征组合只反映了信号的自相似性及信号强度，没能全面表征信号的形态特征。5 结论论文对基于表面肌电信号形态特征的手腕动作模式识别进行了研究，实现了手腕的四种精细动作模式腕屈、腕伸、腕右旋、腕左旋的识别，结果用于肌电假手的动作命令的产生。模式识别的输入
36、特征采用了复杂度理论中的近似熵及分形理论中的分维数指标，分别表征信号形态特征上的细节复杂度及整体自相似性。动作模式识别分类器采用了改进的KNN模型增量学习算法，所设计的分类器不但继承了KNN算法性能稳定、识别率高的优点，而且具备了增量学习的能力。对受试者右手腕部的四个精细动作腕屈、腕伸、腕右旋、腕左旋的识别实验中，达到了92.5%以上准确识别率，具有实用价值。参考文献：1 Li Guanlin, Li Yaonan, Yu Long, et al. Conditioning and sampling issues of EMG signals in motion recognition of
37、multifunctional myoelectric prosthesesJ. Ann Biomed Eng, 2011, 39(6): 1779-1787.2 Smith LH, Hargrove LJ, Lock BA, et al. Determining the optimal window length for pattern recognition-based myoelectric control: Balancing the competing effects of classification error and controller delayJ. IEEE Trans
38、Neural Syst Rehabil Eng, 2011, 19(2): 186-192.3 Hahne JM, Graimann B, Muller KR. Spatial Filtering for Robust Myoelectric ControlJ. IEEE Trans Biomed Eng, 2012, 59(5): 1436-1443.4 Khushaba RN, Kodagoda S, Takruri M, et al. Toward improved control of prosthetic fingers using surface electromyogram (E
39、MG) signalsJ. Expert Syst Appl, 2012, 39(12):10731-10738.5 Gini G, Arvetti M, Somlai I, et al. Acquisition and analysis of EMG signals to recognize multiple hand movements for prosthetic applicationsJ. Appl Bion Biomechan, 2012, 9(2): 145-155.6 Li Guanlin, Schultz AE, Kuiken TA. Quantifying pattern
40、recognitionbased myoelectric control of multifunctional transradial prosthesesJ. IEEE Trans Neural Syst Rehabil Eng, 2010, 18(2): 185-192.7 Losier Y, Englehart K, Hudgins B. Evaluation of shoulder complex motion-based input strategies for endpoint prosthetic-limb control using dual-task paradigmJ. J
41、 Rehabil Res Dev, 2011, 48: 669-678.8 Bunderson NE, Kuiken TA. Quantification of feature space changes with experience during electromyogram pattern recognition controlJ. IEEE Trans Neural Syst Rehabil Eng, 2012, 20(3): 239-246.9 Duchene J, Hogrel J Y. A model of EMG generationJ. IEEE Trans Biomed E
42、ng, 2000, 47(2): 192-201.10 Basmajian JV, Deluca CJ. Electromyography-physiology, engineering and noninvasive applicationsM. New York:IEEE Press, 2004.11 Pincus SM. Approximate entropy (ApEn) as a complexity measureJ. Chaos, 1995, 5(1): 110-117.12 Cover TM, Hart PE. Nearest neighbor pattern classifi
43、cationJ. IEEE Trans Inf Theory, 1967, 13(1): 21-27.13 Guo Gongde, Wang Hui, Bell D,et al. Using kNN model for automatic text categorizationJ. Soft Comput, 2006, 10(5): 423-430.14 陈黎飞，郭躬德. 最近邻分类的多代表点学习算法J.模式识别与人工智能，2011，24（6）：883-888.15 刘加海, 王健, 罗晓芳. 局部肌肉疲劳的表面肌电信号复杂度和熵变化J. 生物物理学报, 2004, 20(3): 198-202.16 蔡立羽, 王志中, 李凌. 肌肉疲劳过程中的表面肌电信号特征研究J. 中国康复医学杂志, 2000,