面向仿人手的表面肌电信号的模式识别研究

论文摘要

表面肌电信号是人体肌肉运动时所产生的电位信号。人体上肢不同的运动模式所表现出的表面肌电信号也不同。据此,通过对表面肌电信号进行模式识别来辨识不同的动作模式。对于利用表面肌电信号控制人工机械臂,表面肌电信号的特征提取以及模式分类是十分关键的。本文利用表面肌电信号采集仪器,从受试者上肢提取内旋、外旋、握拳、展拳、上切、下切六种动作的表面肌电信号。并利用计算机软件对六种动作模式进行时域特征、频域特征、时频域特征、非线性特征参数的提取,并首次提出了基于模糊逻辑的双通道能量比和双通道能量差两个特征参数。基于1和2通道平均能量,及其双通道平均能量比和双通道平均能量差作为表面肌电信号的四个参数,分别利用本文所提出的基于模糊数学以及决策树的分类器进行模式识别。其中基于模糊数学的分类器是一种采用了全新的处理数据的方法。该方法不同于传统的基于模糊逻辑对数据进行模糊化处理方式,而是首先将6种动作归为一个动作集合,然后将该集合划分为N个子区间,计算出每个子区间内各动作的分布率,并以该分布率作为该动作在此区间内的隶属度,最后以四个特征的隶属度之积的大小作为判别依据,取乘积最大的动作做为最后的识别结果,该分类器得到的动作平均识别率为85.67%。此分类器结构简单,计算方便,但对于小数据量的识别率还不是很高。而基于模糊C-均值算法的模糊聚类方法,利用通道1和通道2平均能量作为表面肌电信号的特征,其6种动作的平均识别率可以达到91.33%。虽然,识别率较模糊数学分类器提高很多,但是,其数据训练时间长,结构复杂,而且对于某些动作的识别率也不高,影响了其实用性。基于决策树的分类器分为两种,分别是1对1决策树、1对多决策树。1对1决策树分类器依据人们区分不同事物时的二元思维方式,即非此即彼的思维方式。将6种动作以二叉树的形式向下划分,并最终识别出6种动作。它所得到的平均分类识别率只有81%,其优点在于符合人们的思维习惯,缺点是结构复杂,并且对混叠区域数据的处理能力差。基于1对1决策树出现的问题进行改进得到1对多决策树分类器,其分类思想讲求一次性解决所有分类问题,其优点在于处理混叠区域的数据时不会产生上面所出现的误差累积的问题,并且算法结构简单,其识别率达到了92.67%是这几种分类方式中最高的。最后利用BP神经网络进行分类识别,虽然识别率相较于1对多决策树提高了2.33%,但是其结构更为复杂,并且数据的训练时间和确定参数的时间都较长。从性价比来说,1对多决策树更有优势。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 引言
• 1.2 表面肌电信号的研究意义
• 1.3 表面肌电信号的研究历史与现状
• 1.4 模式识别在肌电假肢中的应用研究
• 1.4.1 特征提取方法
• 1.4.2 分类方法
• 1.6 本章小结
• 第二章 肌电信号的理论分析研究
• 2.1 引言
• 2.2 肌电信号的产生机理
• 2.2.1 静息电位
• 2.2.2 动作电位
• 2.2.3 终板电位
• 2.2.4 损伤电位
• 2.3 肌电信号的模型
• 2.3.1 线性系统模型
• 2.3.2 集中参数模型
• 2.3.3 非平稳模型
• 2.3.4 双极型模型
• 2.4 本章小结
• 第三章 表面肌电信号的特征提取
• 3.1 表面肌电信号的采集设备
• 3.2 表面肌电信号的采集过程
• 3.3 表面肌电信号的提取
• 3.4 特征提取方法
• 3.4.1 时域特征提取
• 3.4.2 频域特征的提取
• 3.4.3 时频域的特征提取
• 3.4.4 非线性特征的提取
• 3.5 各特征向量比较
• 3.6 本章小结
• 第四章 基于模糊理论的模式识别
• 4.1 模式识别概述
• 4.2 模糊理论的基本概念
• 4.2.1 模糊集合隶属函数
• 4.2.2 模糊集合的表示方法
• 4.2.3 模糊集合的运算
• 4.3 模糊数学的分类识别
• 4.3.1 基于模糊的特征提取
• 4.3.2 确定模糊集
• 4.3.3 确定隶属度函数
• 4.3.3.1 形成调查表
• 4.3.3.2 建立隶属函数
• 4.3.3.3 隶属度的计算
• 4.4 模糊聚类的分类识别
• 4.5 本章小结
• 第五章 基于决策树及BAYES 理论的分类器设计
• 5.1 决策树的研究现状
• 5.2 决策树的建立
• 5.2.1 训练集1 对1 决策树的构建
• 5.2.2 基于Bayes 理论的分类规则的制定
• 5.2.3 1 对多分类决策树的规划
• 5.3 本章小结
• 第六章 结论
• 6.1 结论分析
• 6.2 研究展望
• 参考文献
• 致谢
• 攻读硕士学位期间发表的学术论文