基于支持向量机的表面肌电信号模式识别方法研究

论文摘要

表面肌电信号(surface electromyographic signal, sEMG)是人体自主运动时神经肌肉活动发放的生物电信号,它反映了神经、肌肉的功能状态。表面肌电信号不仅在临床医学、运动医学等领域被广泛应用,而且成为多自由度人工假肢和功能性神经电刺激的理想控制信号。国内有很多研究专注于对表面肌电信号进行模式识别,从而区分肢体不同的运动模式,实现多自由度假肢的控制。随着信号处理方法和计算机技术的发展,如何从sEMG信号中提取有效的信息并实现准确的动作识别,成为肌电控制假肢实用化进程中的重要问题。本论文研究的主要内容包括以下几个方面：表面肌电信号的特征提取、支持向量机(Support Vector Machines, SVM)的多类别分类方法研究、支持向量机在多类sEMG模式识别中的应用。(1)本文采用小波变换的方法对表面肌电信号进行了小波分析,并选用symlets小波函数对表面肌电信号进行多尺度分解,然后提取小波系数的奇异值构建特征矢量进行模式识别。(2)采用四种多类别分类方法设计多类别支持向量机分类器,将设计的多类别分类器应用到表面肌电信号的模式识别中,并与传统的神经网络分类方法进行比较,实验结果表明,采用四种多类别分类方法设计的SVM分类器对8类表面肌电信号的平均识别率在90%以上,SVM分类器的分类准确率明显优于传统的RBF神经网络分类器,设计的多类别支持向量机分类器在分类效率和分类速度上都表现出了明显的优越性。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究背景及意义
• 1.2 国内外研究概况、水平和发展趋势
• 1.2.1 国外发展概况
• 1.2.2 国内发展概况
• 1.3 主要研究内容
• 2 肌电信号的特征及分析方法
• 2.1 肌电信号的特征
• 2.1.1 肌电信号的产生机理
• 2.1.2 肌电信号的特点
• 2.2 肌电信号的数学模型
• 2.2.1 线性系统模型
• 2.2.2 集中参数模型
• 2.2.3 双极型模型
• 2.2.4 非平稳模型
• 2.3 表面肌电信号
• 2.4 肌电信号的分析方法
• 2.4.1 平均值叠加法
• 2.4.2 时域分析方法
• 2.4.3 频域分析方法
• 2.4.4 时频分析法
• 2.4.5 人工神经网络
• 2.4.6 混沌和分形分析
• 3 表面肌电信号的特征提取
• 3.1 引言
• 3.2 肌电信号特征提取方法综述
• 3.2.1 肌电信号的时域分析方法
• 3.2.2 肌电信号的频域分析方法
• 3.2.3 肌电信号的时频分析方法
• 3.3 表面肌电信号的时域特征提取
• 3.4 表面肌电信号的小波特征提取
• 3.4.1 小波分析基本理论
• 3.4.2 常用小波函数及小波函数的选择
• 3.4.3 多分辨分析
• 3.4.4 矩阵奇异值分解及特征提取
• 3.4.5 基于小波变换的特征提取
• 3.5 讨论和小结
• 4 支持向量机的基本理论
• 4.1 支持向量机理论
• 4.1.1 最优分类面
• 4.1.2 标准支持向量机算法
• 4.2 最小二乘支持向量机原理
• 4.3 最小二乘支持向量机多元分类模型
• 4.4 本章小结
• 5 sEMG的模式识别
• 5.1 基于SVM的多类别分类器的设计
• 5.1.1 "一对多"（1-a-r）算法
• 5.1.2 "一对一"（1-a-1）算法
• 5.1.3 纠错输出编码方法（ECOC）
• 5.1.4 最小输出编码方法（MOC）
• 5.2 SVM分类器的参数优化
• 5.2.1 支持向量机的参数选择问题
• 5.2.2 交叉验证算法
• 5.3 多类sEMG的分类实验
• 5.3.1 选取不同特征时的分类试验
• 5.3.2 选取不同参数下的分类实验
• 5.3.3 四种方法设计的分类器的分类实验
• 5.3.4 SVM与RBF神经网络分类比较实验
• 5.3.5 不同训练样本下测试分类实验
• 5.4 讨论与小结
• 6 总结与展望
• 6.1 本文工作总结
• 6.2 未来工作展望
• 致谢
• 参考文献