基于模式识别的肌电信号动作分类性能研究

论文摘要

随着人口的增长、医疗的进步、人口老龄化的发展和近年来世界上发生的一些局部战争及冲突的增多,肢体截肢人群数量不断增加,与此同时人工假肢控制技术不断发展,出现了多种适合不同截肢人群,能够帮助他们工作与生活的假肢上肢。但是由于传统假肢控制方法的固有局限,当前假肢存在着功能单一、控制缓慢、动作笨拙等问题。肌电信号控制的假肢上肢具有的直观控制、自然等优点,使得基于模式识别的肌电假肢控制方法成为当前假肢研究领域的热点问题之一。该方法的理论基础是肌肉电信号EMG包含人体肢体的运动神经信息,对EMG信号进行动作分类,可以得到截肢者想要做的肢体动作类型,再根据识别的动作类型操控假肢完成相应的动作。从采集的肌电信号中提取出信号特征参数,再根据特征利用模式识别方法识别出使用者的“意图”运动是肌电假肢控制方法的核心内容。在有限的肌电信号中提取出更多有关肌肉收缩状态和肢体运动的信息,即特征参数的选择是肌电假肢研究领域的重要内容之一。此外,肌电信号是一种微弱的生物电信号,受到多种因素的影响,研究这些因素对信号的干扰程度能够为肌电假肢研究提供有益的指导。本文对基于模式识别的肌电假肢关键技术进行深入研究,围绕肌电假肢控制方案的框架与组成部分展开一系列的工作。在详细探讨肌电信号的产生机理与采集、信号预处理与特征提取的基础上,将线性判别分析法应当肌电信号动作判别中,建立了基于模式识别的肌电假肢控制方案框架。论文的主要工作如下：1)构建了基于模式识别方法的肌电假肢控制方案的框架体系。在分析国内外肌电假肢的研究状况,以及当前商业假肢的发展水平的基础上,结合假肢使用者的需求,给出了基于模式识别的肌电假肢控制方案的总体框架,并对框架所涉及的各个部分进行了简要介绍。2)提出了特征参数迭代选择算法并将其应用到特征参数的选择中,创造性地从肌电信号中提取了八个时域特征和不同阶次的AR模型系数,利用模式识别方法中的线性判别分析法构造分类器,分别研究了将时域特征、AR模型特征以及两种特征组合作为信号特征集合时的信号动作分类结果。3)通过数值仿真的方法研究了两种因素——肌肉收缩力和随机噪声对肌电信号动作判别结果的影响,并通过模拟实验验证部分实验结果。4)有别于传统的研究中只采取健康人作为受试者,在本研究中,我们不仅选择肢体健全的健康人作为实验对象,还选取上肢截肢者加入本研究,以此观察从两种人群采集的肌电信号的动作分类性能差异。论文最后对全文进行总结,并对下一步的研究工作进行了展望。

论文目录

• 摘要
• ABSTRACT
• 缩略词注释表
• 第1章 绪论
• 1.1 研究目的和意义
• 1.1.1 课题研究的目的
• 1.1.2 课题研究的意义
• 1.2 肌电假肢的研究现状
• 1.2.1 国外肌电假肢的研究状况
• 1.2.2 国内肌电假肢的研究状况
• 1.3 论文的立题依据
• 1.4 论文的主要内容和创新点
• 1.5 论文的结构安排
• 第2章 肌电信号的产生机理及应用
• 2.1 肌肉电信号产生的生物电生理基础
• 2.1.1 肌电的发现历史
• 2.1.2 运动单位与肌电信号的产生
• 2.2 肌电信号的采集与特征
• 2.2.1 肌电信号的采集
• 2.2.2 肌电信号的特征
• 2.3 肌电信号的应用领域
• 2.4 基于模式识别的肌电假肢控制方案
• 2.5 本章小结
• 第3章 肌电信号的预处理与特征提取方法研究
• 3.1 信号预处理
• 3.1.1 放大与滤波
• 3.1.2 分析窗口
• 3.2 特征参数提取
• 3.2.1 时域法
• 3.2.2 频域法
• 3.2.3 时-频分析法
• 3.2.4 高阶谱法
• 3.2.5 混沌与分形法
• 3.3 时域参数
• 3.4 自回归模型分析法
• 3.4.1 参数模型法在肌电假肢分类中的应用
• 3.4.2 自回归模型
• 3.5 特征矩阵
• 3.6 本章小结
• 第4章 基于线性判别分析法的肌电信号动作分类研究
• 4.1 基于模式识别的EMG分类研究方法
• 4.2 判别函数
• 4.3 线性判别分析法
• 4.3.1 概念
• 4.3.2 投影平方和与散布矩阵
• 4.3.3 判别分析方法
• 4.3.4 改进的线性判别分析方法
• 4.4 Fisher线性判别模型
• 4.5 基于LDA的EMG信号运动类型分类
• 4.5.1 判别思想
• 4.5.2 后验概率
• 4.5.3 最大后验概率与线性判别函数
• 4.6 本章小结
• 第5章 肌电信号时域特征与AR模型特征分类性能分析
• 5.1 受试者与运动类型的选择
• 5.1.1 受试者
• 5.1.2 运动类型
• 5.2 肌电信号采集实验
• 5.3 时域特征迭代选择算法
• 5.4 时域特征分类结果及分析
• 5.4.1 TD特征的分类结果及分析
• 5.4.2 八个时域特征在残疾人样本中的分类结果及分析
• 5.5 不同阶次AR模型的分类结果及分析
• 5.6 AR模型与时域特征组合的分类结果及分析
• 5.7 本章小结
• 第6章 肌肉收缩力与随机噪声对分类性能的影响分析
• 6.1 肌肉收缩力变化的数值仿真分类结果及分析
• 6.1.1 仿真数据的选取
• 6.1.2 特征参数的选取
• 6.1.3 结果与分析
• 6.2 肌肉收缩力改变的模拟实验分类结果
• 6.2.1 实验数据的获取
• 6.2.2 结果与分析
• 6.3 随机噪声对分类性能的影响分析
• 6.3.1 肌电信号中的噪声
• 6.3.2 研究方法
• 6.3.3 完全随机噪声对分类结果的影响分析
• 6.3.4 与信号标准差有关的噪声对分类结果的影响分析
• 6.3.5 大噪声对分类结果的影响
• 6.4 本章小结
• 第7章 总结与展望
• 参考文献
• 致谢
• 作者攻读硕士学位期间发表的论文
• 作者攻读硕士学位期间申请的专利
• 作者攻读硕士学位期间参加的科研项目情况
• 学位论文评阅及答辩情况表