【摘要】：人體動作識別作為人機交互、移動機器人以及運動康復(fù)工程領(lǐng)域的核心技術(shù),受到諸多研究者的廣泛關(guān)注。目前,人體動作識別主要是基于生理信號、生物力學(xué)信號和視頻圖像信號。由于肌電信號作為一種重要的人體生理信號,反映了神經(jīng)肌肉的活動狀態(tài),關(guān)節(jié)加速度信號作為重要的生物力信號,蘊含著豐富的人體關(guān)節(jié)活動信息。因此,論文主要圍繞表面肌電信號以及踝關(guān)節(jié)加速度信號的同步采集、預(yù)處理、特征提取、動作識別以及虛擬仿真等方面展開研究,具體工作如下:(1)表面肌電信號和關(guān)節(jié)加速度信號實時采集。設(shè)計實驗范式,利用DELSYS無線電極表面肌電采集系統(tǒng),同步采集踝關(guān)節(jié)執(zhí)行跖屈、背伸、內(nèi)翻和外翻四種不同動作時,脛骨前肌、腓骨長肌、腓腸肌和脛骨后肌四塊肌肉的表面肌電信號以及踝關(guān)節(jié)對應(yīng)的三軸加速度信號。(2)對采集的原始肌電信號和加速度信號預(yù)處理。設(shè)計自適應(yīng)濾波與小波去噪相結(jié)合的方法,有效去除肌電信號中的高頻噪聲、運動偽跡以及50Hz工頻干擾;利用小波閾值去噪方法濾除加速度信號采集中的噪聲和干擾,最終獲得純凈的肌電信號和關(guān)節(jié)加速度信號。(3)表面肌電信號和加速度信號特征提取。分別從時域、頻域提取肌電信號的積分肌電值、均方根值、平均功率頻率、中值頻率等線性特征;利用非線性分析方法提取肌電信號的模糊熵、近似熵、樣本熵等非線性特征;提取關(guān)節(jié)加速度信號的絕對積分平均值、方差、相關(guān)系數(shù)以及幅度峰值和幅度均值等五種時域特征。最后利用散點圖統(tǒng)計分析各類特征對四種動作模式的聚類特性。(4)特征融合與分類識別。首先將提取的時域特征、頻域特征、非線性特征分別單獨輸入徑向基核函數(shù)支持向量機,實現(xiàn)單一特征的動作分類;然后根據(jù)分類器判決結(jié)果對特征加權(quán),獲得融合后的特征向量,再輸入支持向量機進行最終分類識別;踝關(guān)節(jié)動作識別平均正確率達到95.8%,高于采用肌電信號、關(guān)節(jié)加速度信號單一特征的識別正確率。仿真實驗結(jié)果表明多特征有效融合方法能夠明顯改善分類器的分類正確率,提高踝關(guān)節(jié)動作識別準確性。(5)虛擬模型設(shè)計與仿真實現(xiàn)。將分類器動作識別結(jié)果通過MATLAB與LabVIEW之間的數(shù)據(jù)傳輸接口,導(dǎo)入LabVIEW軟件平臺;然后利用SolidWorks軟件設(shè)計虛擬下肢三維模型,實現(xiàn)下肢踝關(guān)節(jié)跖屈、背伸、內(nèi)翻和外翻四種動作模擬,并通過固定路徑導(dǎo)入LabVIEW軟件平臺;最后借助LabVIEW軟件設(shè)計貪吃蛇移動游戲,并利用腳踝四種動作控制貪吃蛇的移動方向,通過虛擬游戲提供給運動康復(fù)訓(xùn)練趣味性和體驗感。論文研究成果可以應(yīng)用于人機交互運動康復(fù)訓(xùn)練領(lǐng)域,具有科學(xué)和應(yīng)用雙重價值。
【學(xué)位授予單位】：山西大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TN911.7
【圖文】：

多特征融合的踝關(guān)節(jié)動作識別與虛擬仿真動兩種狀態(tài)進行區(qū)分,平均識別準確率高達 90%。實及康復(fù)訓(xùn)練研究現(xiàn)狀技術(shù)（VR）是一種通過計算機生成的、可以創(chuàng)建和體驗計算機仿真系統(tǒng)[25]。VR 技術(shù)的研究起源于 20 世紀 60 年成熟，取得了一系列的研究成果并已經(jīng)應(yīng)用到了多個領(lǐng)ASA）已成功實現(xiàn)空間站實時虛擬仿真操作、太空艙模擬路徑規(guī)劃、哈勃望遠鏡外太空模擬仿真等，并在美國全[26]。圖 1.1 所示為美國飛行員在現(xiàn)場進行模擬飛行訓(xùn)練。

圖 1.1 美國飛行員模擬訓(xùn)練在醫(yī)療康復(fù)訓(xùn)練方面，德國弗朗霍費爾研究所將 Haptic Walker 機器人系統(tǒng)與現(xiàn)實技術(shù)進行融合，實現(xiàn)了步行康復(fù)訓(xùn)練與虛擬游戲場景的結(jié)合，提高了患者訓(xùn)練的積極性和趣味性。圖 1.2 所示為瑞士蘇黎世聯(lián)邦工業(yè)大學(xué)研制的 LOKOM行康復(fù)訓(xùn)練機器人[27]，該系統(tǒng)融合虛擬現(xiàn)實技術(shù)，在康復(fù)治療訓(xùn)練過程中可以者提供了實時的視覺反饋，提高了患者康復(fù)治療的積極性。

圖 1.3 踝關(guān)節(jié)康復(fù)訓(xùn)練系統(tǒng)和虛擬游戲場景總之，目前對于人體動作的識別，主要利用了視覺運動圖像信號、生物力及神經(jīng)肌肉活動的生物電信號。特別是跨模態(tài)特征融合的動作識別由于利的動作特征信息，越來越得到研究者的關(guān)注。此外，借助于虛擬現(xiàn)實和人別技術(shù)，可以實現(xiàn)康復(fù)或運動訓(xùn)練，同時利用視覺反饋提高動作執(zhí)行的準練的趣味性。3 論文研究內(nèi)容及結(jié)構(gòu).1 主要研究內(nèi)容論文主要研究內(nèi)容如下：首先，設(shè)計信號采集實驗方案，通過 DELSYS 信統(tǒng)同步獲取人體下肢踝關(guān)節(jié)執(zhí)行跖屈、背伸、內(nèi)翻、外翻四種動作時的 EMC 信號；其次，對采集到的 EMG 和 ACC 信號分別進行預(yù)處理，去除測量中干擾，獲得純凈的 EMG 和 ACC 信號；再次，對通過預(yù)處理后的 EMG 和 進行特征提取，肌電信號分別提取時域、頻域以及非線性特征，加速度信

【參考文獻】

相關(guān)期刊論文 前10條

1 任見;李傳江;翟潤哲;茅紅偉;;上肢肌肉疲勞的sEMG信號特征分析[J];儀表技術(shù);2015年12期

2 劉建;鄒任玲;張東衡;徐秀林;胡秀枋;;表面肌電信號特征提取方法研究發(fā)展趨勢[J];生物醫(yī)學(xué)工程學(xué)進展;2015年03期

3 王紅旗;李林偉;毛啊敏;;基于小波包的表面肌電信號特征表示與識別[J];計算機工程與應(yīng)用;2015年09期

4 趙勇;王鋼;;踝關(guān)節(jié)扭傷的生物力學(xué)與運動學(xué)研究進展[J];中國骨傷;2015年04期

5 梁維杰;張應(yīng)紅;景暉;黃博;鄭驥;;基于支持向量機的跌倒檢測方法研究[J];測控技術(shù);2014年09期

6 洪俊;趙子愷;;一種基于加速度信息的上肢動作識別研究方法[J];機床與液壓;2014年15期

7 張曉旭;馬萍;劉澤軍;宋鵬;;LabVIEW&MATLAB混合編程在控制工程基礎(chǔ)實驗中的應(yīng)用[J];黑龍江科技信息;2014年19期

8 謝平;魏秀利;杜義浩;陳曉玲;;基于自排序熵的表面肌電信號特征提取方法[J];模式識別與人工智能;2014年06期

9 馮興華;劉曉東;劉亞清;;基于模糊概念相似性與模糊熵度量的模糊分類算法[J];大連理工大學(xué)學(xué)報;2014年02期

10 黃雪云;;基于Solidworks軟件的自頂向下裝配設(shè)計[J];課程教育研究;2014年04期

相關(guān)碩士學(xué)位論文 前10條

1 胡文龍;雙模態(tài)特征融合的踝關(guān)節(jié)主動動作模式識別[D];山西大學(xué);2017年

2 張煥;四類運動想象任務(wù)的腦電信號識別算法研究[D];山西大學(xué);2016年

3 劉小明;面向跌倒檢測的多特征融合方法研究[D];武漢理工大學(xué);2015年

4 王佳佳;基于肌電信號的下肢步態(tài)特征提取及其識別方法[D];杭州電子科技大學(xué);2015年

5 劉文斌;基于MATLAB與LabVIEW無縫集成的數(shù)字圖像處理[D];東北石油大學(xué);2014年

6 孫亞南;下肢外骨骼康復(fù)機器人主動康復(fù)虛擬現(xiàn)實系統(tǒng)研究[D];河北工業(yè)大學(xué);2014年

7 趙航;基于下肢康復(fù)機器人虛擬現(xiàn)實技術(shù)的研究與實現(xiàn)[D];河北工業(yè)大學(xué);2014年

8 班帥;人體上肢表面肌電信號采集與處理的研究[D];東北大學(xué);2012年

9 王熙星;基于FPGA的表面肌電信號檢測與處理[D];華中科技大學(xué);2012年

10 劉程;下肢表面肌電信號采集與處理系統(tǒng)設(shè)計與實現(xiàn)[D];武漢理工大學(xué);2012年

本文編號：2803381