Abstract
肌電圖室(Electromyography, EMG)是一種量測與紀錄肌肉為產生有意或無意的動作而產生的電位訊號，因此，肌電圖室可作為肌肉作動預測的一項根據，近年來，由於生醫產業與機器人產業的興起，許多研究利用量測表皮的肌電圖室訊號(EMG signals, EMGs)經訊號處理後，來實現對機器人或外骨骼輔具的作動控制。但人體的肌肉組成複雜，在肌電圖室量測上又僅限於表皮，要利用肌電圖室的量測數據來準確預測肌肉作動傾向或歸類不同動作下的肌電圖室，將是目前此研究領域所遭遇的最大挑戰。 本論文採用肇始檢測(onset detection)與動作辨識法則，分辨人類上肢的十種不同動作，分別為外展(abduction, AB)、內收(adduction, AD)、屈曲(flexion, FUL)、伸展(extension, EUL)、外展後向前(AB+FUL)、外展後向後(AB+EUL)、前臂屈曲(FF)、前臂伸展(EF)、旋前(pronation)、旋後(supination)。 利用模糊邏輯(Fuzzy logic)理論，將上述九種不同動作劃分三階段進行辨識：上肢或前臂的運動、不同動作下肩關節的行為、前臂的運動動作種類，並在每個階段執行if then規則，將不同動作下的肌肉訊號分門別類。本文中所使用的演繹法則，已藉由多組健康的試驗樣本，針對三角肌(Deltoid Muscle)、肱二頭肌(Bicep)、旋前圓肌(Pronator Teres)進行表面肌肉訊號量測所驗證。先前提及的動作辨識、肌電圖室前處理、特徵擷取、肇始檢測在每一次量測的肌電圖訊號均有執行，並在每個量測通道中，對所量測訊號進行方均根值分析與肇始值判斷。由分析結果顯示，不論是肇始檢測或模糊邏輯判斷動作方式，其準確性高達90～100％，此外，本法也適用於隨機取樣的試驗樣本。因此證明，本論文的模糊邏輯理論演繹法則為一強健且穩定的分析方法。