基于肌电信号的人机接口技术的研究

基于肌电信号的人机接口技术的研究

论文摘要

基于生物电信号的人机交互技术是近年来人机交互技术和遥操作机器人研究的前沿和热点之一。本文以国家重大基础研究973项目、教育部留学回国人员基金项目为背景,旨在系统地研究肌电信号产生和传递的机理,信号的获取方法,信号特征值的提取方法,基于肌电信号的动作识别方法以及肌电信号人机交互技术应用于遥操作机器人领域的可行性。本文首先概括了基于生物电信号的人机交互技术产生和发展的趋势。总结了肌电信号的产生和传播机制。针对神经肌肉接头在肌腹处有聚集性的事实,提出了一种可以降低表面肌电信号非平稳性的电极设置方案。构建了生物电信号采集试验平台。包括便携式的肌电信号放大器和基于虚拟仪器的采集软件平台。提出了一种通过肌电信号捕捉运动起始时刻的方法。认为这种方法可以省去冲动到达肌小节后和肌小节内的ATP发生化学反应的时间,大幅度地降低人机接口的反应时间。阐述了基于精确动作起始时刻同步信号的动作识别方法。证明了精确起始时刻对于动作识别的重要性。提取运动起始时刻以后256ms信号的统计特征值和小波时频特征值的20个主成分作为动作识别BP网络的输入。使用BP网络的学习速度自适应法优化网络训练过程。试验表明,采用该算法对8种手部动作进行识别的正确识别率可以达到95%以上。分析了肌电信号识别方法应用于遥操作机器人领域的可行性和优缺点,提出了一种遥操作机器手的控制策略。论文最后提出了今后研究的方向。

论文目录

  • 中文摘要
  • ABSTRACT
  • 符号说明
  • 第一章 绪论
  • 1.1 基于生物电信号的人机交互技术概述
  • 1.2 基于生物电信号的人机接口的应用前景
  • 1.3 国内外研究现状
  • 1.3.1 基于肌电信号人机接口的研究现状
  • 1.3.2 基于脑电的人机交互接口研究现状
  • 1.4 本论文的研究内容
  • 第二章 肌电信号产生的生理学分析及其对信号采集和处理方式的影响
  • 2.1 神经和肌肉的生物电现象
  • 2.2 肌肉组织的结构
  • 2.3 兴奋收缩耦联及其对人体反应时间的决定性影响
  • 2.4 神经肌肉接头的聚集性及其对探测电极位置分布的影响
  • 2.5 运动单位及其对信号非平稳性的影响
  • 2.6 上臂肌的解剖结构
  • 2.7 采用差分电极记录到的单相和双相的波形以及差分电极距离的考虑
  • 2.8 表面肌电信号传导的速度
  • 2.9 表面肌电信号的非平稳性
  • 2.10 本章小结
  • 第三章 肌电信号采集试验平台的研制
  • 3.1 便携式肌电信号(EMG)提取方法及其电路实现
  • 3.1.1 噪声分析
  • 3.1.2 信号拾取方法
  • 3.1.3 隔离和屏蔽方法
  • 3.1.4 本节小节
  • 3.2 虚拟仪器软件的实现
  • 3.2.1 软件设计思想
  • 3.2.2 数据采集卡的控制
  • 3.2.3 数据采集和存储软件实现
  • 3.2.4 自适应滤波器设计
  • 3.2.5 本节小结
  • 第四章 肌电信号动作起始时刻的捕捉方法
  • 4.1 实验装置及实验方法
  • 4.1.1 生理学理论分析
  • 4.1.2 试验装置
  • 4.1.3 试验方法
  • 4.2 运动起始时刻判别算法
  • 4.2.1 特征参数的选取
  • 4.2.2 信号的预处理
  • 4.2.3 自组织神经网络的学习和应用
  • 4.3 实验结果及结论
  • 4.3.1 无干扰条件下对特定动作的实验结果
  • 4.3.2 非特定动作的实验结果
  • 4.3.3 白噪声电磁干扰仿真结果
  • 4.4 本章小结
  • 第五章 基于肌电信号的动作识别方法
  • 5.1 肌电信号动作识别问题
  • 5.2 利用准确的起始时刻同步得到表面肌电信号的规律性
  • 5.2.1 表面肌电信号的随机性和非平稳性
  • 5.2.2 反证法假设命题的提出
  • 5.2.3 通过试验的反证法证明动作发生阶段的信号中含有趋势项(规律性)
  • 5.3 肌电信号动作识别策略
  • 5.3.1 通过动作起始时刻识别算法获取动作起始时刻同步表面肌电信号
  • 5.3.2 特征参数的选取及提取策略
  • 5.3.3 特征空间的划分和动作的分类
  • 5.4 特征值的提取
  • 5.4.1 统计特征值的选取
  • 5.4.2 时频域特征的提取
  • 5.5 BP 网络对肌电信号特征值向量的分类
  • 5.5.1 BP 网络的基本算法
  • 5.5.2 使用主成分分析法(PCA)减少输入向量个数
  • 5.5.3 神经网络层数和隐层神经元数对识别结果的影响
  • 5.5.4 神经网络训练算法的讨论
  • 5.6 分类结果
  • 5.7 肌电信号识别系统在遥操作机器人领域的应用前景及可行性分析
  • 5.8 本章小结
  • 第六章 结论与展望
  • 6.1 本学位论文工作总结
  • 6.2 本学位论文的主要创新点
  • 6.3 对未来研究的展望
  • 附录 主成分分析及其应用
  • A1 主成分的定义及导出
  • A2 主成分的贡献率
  • 参考文献
  • 致谢
  • 攻读博士学位期间发表的论文及成果
  • 相关论文文献

    • [1].基于视频的学生动作识别方法研究[J]. 仪器仪表用户 2020(01)
    • [2].基于双流独立循环神经网络的人体动作识别[J]. 现代电子技术 2020(04)
    • [3].基于视频的人体动作识别算法研究[J]. 南方农机 2020(11)
    • [4].融合双重注意力机制的复合头部动作识别[J]. 电子测量技术 2020(11)
    • [5].视频中动作识别任务综述[J]. 智能计算机与应用 2020(03)
    • [6].基于运动注意力模块的多分支动作识别网络[J]. 工业控制计算机 2020(07)
    • [7].基于特征蒸馏的实时人体动作识别[J]. 工业控制计算机 2020(08)
    • [8].基于多特征融合的舞蹈动作识别技术研究[J]. 电子设计工程 2020(18)
    • [9].基于规则的连续动作识别[J]. 高技术通讯 2019(09)
    • [10].基于深度学习的动作识别方法简述[J]. 中国传媒大学学报(自然科学版) 2019(05)
    • [11].实时动作识别方法研究[J]. 计算机工程与应用 2017(03)
    • [12].基于多示例多特征的人体动作识别[J]. 信息技术 2016(12)
    • [13].基于关节点运动轨迹的人体动作识别[J]. 宁夏大学学报(自然科学版) 2017(02)
    • [14].基于表面肌电信号特征的动作识别[J]. 辽东学院学报(自然科学版) 2017(01)
    • [15].特征降维和高斯混合模型的体育运动动作识别[J]. 现代电子技术 2017(11)
    • [16].结合特权信息的人体动作识别[J]. 中国图象图形学报 2017(04)
    • [17].基于关节间夹角变化序列的动作识别算法研究[J]. 计算机应用与软件 2017(06)
    • [18].基于隐任务学习的动作识别方法[J]. 北京理工大学学报 2017(07)
    • [19].基于深度学习框架的多模态动作识别[J]. 计算机与现代化 2017(07)
    • [20].基于局部保持典型相关分析的零样本动作识别[J]. 天津大学学报(自然科学与工程技术版) 2017(09)
    • [21].基于时序深度置信网络的在线人体动作识别[J]. 自动化学报 2016(07)
    • [22].人体动作识别中的深度学习模型选择[J]. 电子世界 2016(15)
    • [23].基于视频的动作识别研究[J]. 黑龙江科技信息 2016(26)
    • [24].智能手机动作识别系统线性反馈控制算法[J]. 科技通报 2015(06)
    • [25].基于层级化特征的人体动作识别[J]. 信息技术 2015(11)
    • [26].动作识别技术及其发展[J]. 电视技术 2013(S2)
    • [27].基于视觉的人体动作识别综述[J]. 计算机学报 2013(12)
    • [28].基于深度学习的视频场景下的人体动作识别研究[J]. 数字技术与应用 2020(09)
    • [29].基于异构多流网络的多模态人体动作识别[J]. 信号处理 2020(09)
    • [30].基于视频的人体动作识别算法综述[J]. 计算机应用研究 2020(11)

    标签:;  ;  ;  ;  ;  ;  

    基于肌电信号的人机接口技术的研究
    下载Doc文档

    猜你喜欢