基于sEMG与手部追踪的感官VR交互上肢康复系统

天资达人 科技创新 2025-08-25 3133 0

表面肌电sEMG结合VR交互康复训练技术(图1)通过采集用户指深屈肌(flexor digitorum profundus, FDP)的肌电活动,实现对握力的无控制器实时映射。系统采用手部追踪技术结合sEMG信号处理流程——包括移动平均滤波、最大自主收缩值(MVC)校准及min–max归一化——将用户的握力强度转化为VR环境中物体的破坏性交互。该技术显著增强了用户在VR任务中的沉浸感与操作直观性,适用于上肢康复、肌力训练及功能模拟等领域未来可通过引入多模态反馈机制、扩大样本规模及跨群体验证,进一步推动其在临床康复与个性化训练中的应用。未来可通过多模态反馈(如触觉、视觉)和智能算法优化,进一步拓展至居家康复和个性化训练场景,具有显著的临床转化潜力。

25ae33ce-7d9c-11f0-9080-92fbcf53809c.png

图1 系统整体结构与电极贴放示意图

HUIYING

临床研究

1.临床设备系统

VR设备(图2)Oculus Quest 2(Meta),搭载手部追踪功能(Oculus Integration SDK)。

图2VR设备Oculus Quest 2示意图

EMG采集(图3)Ag-AgCl电极贴附于指深屈肌(FDP),回映可穿戴高精度肌电采集设备。

25e9e0cc-7d9c-11f0-9080-92fbcf53809c.jpg

图3 回映可穿戴高精度肌电采集设备示意图

软件平台(图4)Unity引擎,实现信号处理(移动平均滤波)、MVC校准(10次最大收缩取均值)、实时归一化(min-max归一化)与物体交互逻辑。

图4 原始与平滑后的sEMG信号对比

2.研究方法

参与者:6名健康成人(22.17±2.13岁,3男3女),无肌肉骨骼疾病。

实验流程:

校准阶段:测量MVC(最大自愿收缩值),归一化EMG信号。

VR交互:用户徒手抓取4种不同强度阈值(70%、85%、100%、105% MVC)的虚拟物体(颜色区分),握力超过阈值时物体破碎并生成粒子效果(图5)。

260da57a-7d9c-11f0-9080-92fbcf53809c.png

图5VR中物体握力反馈界面示例

(a) 轻握时物体未破碎

(b) 强握时物体破碎并产生粒子效果

评估方法:混合研究法(定量问卷+定性访谈),问题涵盖感官交互、易用性、可靠性与满意度。

3.研究结果

满意度评分(5分制):Q1: 5.0(感官交互提升),Q2: 4.67±0.52(易用性),Q3: 4.83±0.41(可靠性),Q4: 4.83±0.41(总体满意度)。

EMG数据:不同强度物体破坏时的EMG值存在显著差异(p<0.001,图6b),验证了握力反射的有效性。

262ccf36-7d9c-11f0-9080-92fbcf53809c.png

图5 不同强度物体破碎时的EMG值对比与统计结果

用户反馈:

建议减少强度分级(如4级→2级),增强阈值区分度;

需提供量化握力反馈;

改善手部追踪精度与指甲干扰问题。

总结

该研究成功开发了一种基于sEMG与VR的感官交互系统,通过握力反射增强用户体验与沉浸感。尽管存在信号噪声、手部追踪限制和小样本问题,但其无需控制器、直观性强的特点展示了在康复训练中的潜力。未来需优化信号稳定性、扩展样本多样性,并引入多感官反馈以提升临床适用性。

HUIYING

回映产品

产品1:单通道肌电/心电/皮电采集设备

单通道肌电采集设备创新性地采用type-C转脑电电极以简单轻便的方式实现了单通道肌电、心电、皮电采集,且基于结构与硬件的特殊设计,支持高原环境下进行采集。另外产品总体结构采用魔术贴设计,方便于全身佩戴。

适用领域:单通道生理参数采集

2669447a-7d9c-11f0-9080-92fbcf53809c.png单通道肌电/心电/皮电采集设备

基本参数

1.模数转换:24位;

2.通道数:2;

3.示值准确度:误差不大于±10%或±2μV,两者取较大值;

4.测量范围:测量范围±350mV;

5.分辨率:分辨率≤2uV;

6.系统噪声:系统噪声≤1uV;

7.通频带:通频带为20Hz~250Hz(不包括陷波波段);

8.差模输入阻抗:差模输入阻抗大于5MΩ;

9.共模抑制比:共模抑制比大于100dB;

10.工频陷波器:设备有50Hz陷波器,衰减后幅值不大于5μV(峰-谷值);

11.工作噪音:工作噪音不大于65dB(A);

产品2.基于干电极的32通道脑电采集仪

高质量脑电信号采集对于精准识别和分析非癫痫样异常(如弥漫性慢波、局灶性δ活动)至关重要。为此可以了解我们研发的一款32通道可穿戴脑电采集仪,采用高精度干电极采集脑电信号,无需导电膏即可快速佩戴,极大提升了受试者的舒适度和操作效率,特别适合长时间或动态环境下的数据采集。该设备不仅能通过全覆盖设计捕捉全脑电活动细节,还采用了type-C智能转接技术和抗干扰硬件架构,有效减少了运动噪声和电磁干扰对信号的影响,在高原或移动场景中也能稳定输出低噪声波形。

适用范围:多通道生理参数采集

基本参数

采样率:≤ 16KSPS,每个通道独立可控制;

共模抑制比:≥ 120dB;

系统噪声:≤ 5uVrms;

模数转换率:24 位;

输入信号范围:±375mVpp;

通频带:直流耦合放大,保留全部低频信号;

事件同步输入:无线同步,时间精度<1ms;

供电方式:可充电锂电池;

工作时间:单电池供电不低于4 小时;

优势:可支持高原环境采集。

产品3:可穿戴闭环睡眠设备

个性化可穿戴闭环睡眠设备首先对EEG脑电信号 进行实时采集,并对EEG进行PSD功率图谱转换获取到脑电节律Theta波(4-8Hz)以及Alpha波(8-13Hz)最高功率 所对 应的频率,然后基于此频率作为个性化tACS经颅交流电刺激 的刺激频率进行恒流源输出进而实现个性化闭环睡眠治疗。

2713f2c6-7d9c-11f0-9080-92fbcf53809c.jpg

27328d58-7d9c-11f0-9080-92fbcf53809c.jpg

可穿戴闭环睡眠设备

基本参数

采集系统基础参数

采样率:最高 16KHZ;

共模抑制比:≥ 100dB;

噪声:≤ 5uV;

输入阻抗:≥ 1000MΩ;

脑电 EEG:单通道,2~100uV。

刺激系统基础参数

刺激模式:tDCS/tACS/tPCS/tRNS 四种模式灵活可调,tDCS 经颅直流电刺激,

tACS 经颅交流电刺激,tPCS 经颅脉冲电刺激,tRNS 经颅白噪声电刺激;

刺激强度:-2mA~2mA 连续可调,调节分辨率 0.01mA,输出电流误差 <=±10%;

刺激时间:0~60min 可调;

刺激频率:针对于 tPCS/tACS 模式,1Hz ~ 99Hz 范围内可调,频率步进为 1Hz,输出频率误差 <=±5%;

淡入淡出时间:0~120s 可调,确保刺激的安全性;

脱落检测:通过实时阻抗检测分析电极脱落状态确保刺激有效性

产品4:可穿戴情绪识别设备

可穿戴情绪识别设备是一个综合情绪识别平台。该平台通过实时采集EEG脑电、EDA皮电、EHOG/EVOG眼电、心率、血氧、温度、姿态等生理参数进行情绪的效价、唤醒度等分析。

适用领域: 认知科学、运动科学、工效学、人机交互、虚拟现实研究、

27476f84-7d9c-11f0-9080-92fbcf53809c.jpg

可穿戴情绪识别设备

基本参数

采样率:最高 16KHZ;

共模抑制比:≥ 100dB;

噪声:≤ 5uV;

输入阻抗:≥ 1000MΩ;

脑电EEG:2~100uV;

皮电EDA/GSR:0.5uV~0.2mV,1~100Hz;

血氧SPO2:35-99%;

心率:30-250bpm;

温度TMEP:-55℃ ~150℃,精度 0.1℃;

眼电EHOG/EVOG:50~3500uV, 0.1~100Hz;

加速度ACC:±2g、±4g、±8g、±16g 范围可调;

陀螺仪GYR:±250° /sec、±500° /sec、±1000° /sec、±2000° /sec 范围可调。

产品5:AR-BCI干电极脑电采集智能头盔

AR-BCI智能脑控头盔采用创新干电极技术,通过弹簧式接触结构(触角直径2mm,数量10-15根)无需凝胶即可稳固贴合头皮,适合24小时连续监测,提升佩戴舒适度和稳定性,并能精准捕捉短暂异常放电及区分正常变异脑电信号如Mu节律和Wicket波,防止误诊。设备具备≥130dB的共模抑制比和>1000MΩ的输入阻抗,有效抑制干扰,确保信号采集高精度与可靠性,同时实时阻抗检测与脱落提示功能减少漏检风险。该头盔集成了AR显示、眼动追踪和多模态脑电采集功能,支持同步分析脑电与行为数据,特别适用于异常放电捕捉和复杂正常变异脑电信号识别。

适应症:康复科、神经内科、神经外科、卒中中心、老年科。

276481a0-7d9c-11f0-9080-92fbcf53809c.jpg

AR-BCI干电极脑电采集智能头盔

基本参数

交流阻抗:阻抗≤ 1000Ω;

直流失调电压:电压≤ 100mV;

内部噪音:电压 <150uv;

除颤过载回复:变化率 <±1mV/s、除颤后阻抗<1000Ω;

偏置电流耐受度:电压变化 <100mV。

参考文献

1.Development of Sensory Virtual Reality Interface Using EMG Signal-Based Grip Strength Reflection System

2.Metaverse App Market and Leisure: Analysis on Oculus Apps.

3.Evaluation and Analysis of VR Content Dementia Prevention Training based on Musculoskeletal Motion Tracking.

4. A Study on the Relationship of Distraction Factors, Presence, Flow, and Learning Effects in HMD—Based Immersed VR Learning.

5.A Study on Efficiency of the Experience Oriented Self-directed Learning in the VR Vocational Training Contents.

6.Analysis of Visual Attention of Students with Developmental Disabilities in Virtual Reality Based Training Contents.