基于sEMG辨识技术的手部动作行为研究

论文摘要

人体行为动作发生时,在骨骼肌表面用电极可以记录到神经肌肉生物电信号,即表面肌电信号(surface Electromyography, sEMG)。这种信号直接反映人体神经、肌肉的功能状态,因此肌电控制的假肢仿生性好,患者操作使用方便,但是由于表面肌电信号的辨识技术不够成熟,因此距广泛应用还有一段距离。本文针对肌电假手,基于sEMG辨识技术,意在识别人手多种运动模式动作。主要内容包括:表面肌电信号采集并平台搭建,表面肌电信号的预处理方法以及手指姿态动作模式的识别。文中首先对国内外的肌电假手及肌电信号辨识技术的发展现状进行详细的综述。随后介绍肌电信号的产生和特点,并且从正常人手自由度出发,重新科学规划手势动作,根据肌肉运动学相关原理选定电极位置,进一步搭建信号采集软硬件平台,进行采集实验。在预处理方面,首先讨论连续动作的分割算法,分析基于时间窗分割方法的弊端,研究基于动态累加和(Dynamic Cumulative Sum, DCS)的分割方法。然后比较肌电信号的典型时域特征值(均值、均方根、过零点数)和频域特征值(功率谱估计值和平均功率频率)两类特征参数,实验结果得出时域特征均值方法简单、物理意义直接、可分性强、计算速度快。综合考虑响应速度与识别率,时域特征更适合作为肌电信号的辨识特征。在模式分类方面,选取人工神经网络为辨识方法。在标准BP网络算法的基础上,针对其收敛速度慢、易陷入局部极小值的缺点进行改进,分别基于改进的单个BP神经网络和三个BP神经网络对常见的18种手势动作进行辨识。实验结果表明,对于多种动作识别任务来说,单个神经网络很难达到识别目的,三个神经网络不但可以获得较高的识别率,而且各网络结构简单、实时性好、分类可靠。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题背景
• 1.1.1 课题来源
• 1.1.2 研究的目的和意义
• 1.2 肌电假手的综述
• 1.3 肌电信号辨识技术发展现状
• 1.3.1 连续动作分隔技术
• 1.3.2 特征提取技术
• 1.3.3 模式识别技术
• 1.4 论文主要研究内容
• 第2章 肌电信号的产生与采集
• 2.1 肌电信号的产生及特点
• 2.1.1 表面肌电信号的产生机理
• 2.1.2 表面肌电信号的特点
• 2.2 动作的规划
• 2.3 电极位置的选定
• 2.4 表面肌电信号的采集软硬件
• 2.4.1 表面肌电拾取电极
• 2.4.2 表面肌电信号采集卡
• 2.4.3 表面肌电信号采集软件
• 2.5 表面肌电信号的采集实验
• 2.6 本章小结
• 第3章 表面肌电信号的预处理
• 3.1 连续动作的分割算法研究
• 3.1.1 基于时间窗的分割方法
• 3.1.2 基于DCS 的分割方法
• 3.2 时域特征提取方法
• 3.2.1 时域特征
• 3.2.2 结果与分析
• 3.3 频域特征提取方法
• 3.3.1 频域特征
• 3.3.2 结果与分析
• 3.4 本章小结
• 第4章 基于神经网络的sEMG 辨识方法研究
• 4.1 神经网络概述
• 4.2 BP 神经网络的基本原理和改进
• 4.2.1 BP 网络基本原理
• 4.2.2 BP 网络的改进
• 4.3 基于单个BP 神经网络的辨识
• 4.3.1 选择网络结构
• 4.3.2 选择误差函数
• 4.4 基于三个BP 神经网络的辨识
• 4.5 辨识结果与分析
• 4.5.1 单个BP 识别9 种基本模式
• 4.5.2 单个BP 识别18 种模式
• 4.5.3 三个BP 识别18 种模式
• 4.5.4 三个BP 利用12 种模式识别18 种模式
• 4.6 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的学术论文
• 致谢