發(fā)布時間：2020-06-12 15:18

【摘要】：表面肌電信號(surface Electromyogram signal,sEMG)是肌肉收縮期間在皮膚表面產(chǎn)生的一種微弱生物電信號,它具有采集方便、非侵入、對肢體無損傷的特性,近年來得到了廣泛研究。利用sEMG控制的交互設備具有潛在的應用研究價值,基于sEMG的人手動作識別研究成為目前仿生假肢的一個重要研究熱點。當前基于sEMG的動作識別雖然取得了一些進展,但在sEMG包絡信號的研究分析與使用、活動段檢測算法的復雜性與準確率、特征的優(yōu)化選擇與處理、個體差異性等方面仍存在一些問題,導致識別率下降、能夠識別的動作不夠多。針對這些問題,本文以開發(fā)肌電假肢為目標,采用實驗與理論相結(jié)合的方法,就基于表面肌電信號的人手動作識別進行了如下研究:1)研究了兩種類型的sEMG信號的特性,包括sEMG原始信號和sEMG包絡信號。前者是從皮膚表面通過氯化銀電極貼直接獲取的,只經(jīng)過簡單放大未經(jīng)信號處理電路進一步處理,是一種交流信號,擁有豐富的時域和頻域信息。后者是利用信號處理電路對sEMG原始信號進行整流、積分和放大后得到的直流信號,反映的是sEMG原始信號的包絡軌跡,只在時域中攜帶豐富的信息。2)活動段檢測及預處理方法的研究。在活動段檢測中本文提出并比較了改進的基于短時能量和基于滑動絕對值平均的兩種算法,分析了它們的優(yōu)劣。在數(shù)據(jù)預處理過程中本文對sEMG原始信號采用八階巴特沃斯帶通濾波器,對sEMG包絡信號研究了三種預處理方法,包括滑動中值濾波、數(shù)字濾波器和小波變換,最終選擇出基于小波六層分解與重構(gòu)的平滑消抖預處理技術(shù)。3)sEMG的特征提取及處理方法的研究。這些研究內(nèi)容包括特征提取、特征的預處理和特征的選擇優(yōu)化。本文根據(jù)sEMG原始信號的性質(zhì),從sEMG原始信號時域、頻域、時頻域和參數(shù)模型中共提取了52個特征。根據(jù)sEMG包絡信號的特性,從sEMG包絡信號的時域中提取了24個特征。不同的特征其量綱不同,在特征的預處理過程中本文對所有特征進行了最大最小縮放處理以消除量綱。由于個體差異性,不同的人最優(yōu)特征組合是不一樣的,本文使用了四種單變量特征選擇算法包括皮爾森相關(guān)系數(shù)、F檢驗、卡方檢驗和Relief-F對原始特征進行了選擇優(yōu)化。4)sEMG的使用方式以及有監(jiān)督學習與單變量特征選擇的匹配研究。本文運用了三種有監(jiān)督學習算法,包括K近鄰、多層前饋神經(jīng)網(wǎng)絡和支持向量機。在實驗中發(fā)現(xiàn),模式分類器與單變量特征選擇算法匹配不同所得到的識別結(jié)果不同,同時將sEMG原始信號與sEMG包絡信號結(jié)合使用效果最佳,經(jīng)過一系列的分析比較,本文選擇出F檢驗與支持向量機的最佳匹配組合,將兩種信號結(jié)合使用的方法。通過這種方法,本文僅僅使用兩個傳感器,對九種人手動作達到了95%的識別率。5)仿生機械手的在線實時肌電控制實驗。將以上得到的結(jié)論在硬件平臺上實現(xiàn),開發(fā)出了仿生手實時模仿實驗者的實驗平臺。該實驗平臺包括數(shù)據(jù)采集終端、波形顯示以及數(shù)據(jù)處理終端和仿生機械手控制終端。它們之間通過串口或NRF24L01無線通信模塊進行通信,能夠?qū)嶒炚邉幼鬟M行在線實時識別并模擬。
【圖文】：

圖 1.1 針式電極生的肌電信號叫做表面肌電信號（ 用表面電極貼來采集，如圖 1.2 所無疼痛的肌電信號采集方式。sEM反映，是不同肌肉纖維群動作電小在50μV~5mV,頻率小于 1000 ，它的大小和幅值具有不確定性，關(guān)[8]。同針式電極的采集方式相比勢，它獲得的肌電信號雖然含有較有傷害，因此得到了較為廣泛的應 sEMG 中識別出肢體的運動模式機器人和智能硬件等領(lǐng)域的一個

圖 1.1 針式電極產(chǎn)生的肌電信號叫做表面肌電信號（surfacG 用表面電極貼來采集，如圖 1.2 所示，而傷無疼痛的肌電信號采集方式。sEMG 是肌合反映，是不同肌肉纖維群動作電位在皮大小在50μV~5mV,頻率小于 1000 HZ[6,7]，，號，它的大小和幅值具有不確定性，但在一相關(guān)[8]。同針式電極的采集方式相比，sEM優(yōu)勢，它獲得的肌電信號雖然含有較多的噪沒有傷害，因此得到了較為廣泛的應用。隨從 sEMG 中識別出肢體的運動模式已成為生機器人和智能硬件等領(lǐng)域的一個重要研究
【學位授予單位】：東北師范大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TN911.7;R318

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 王松;黨建武;王陽萍;杜曉剛;;實時動作識別方法研究[J];計算機工程與應用;2017年03期

2 李文輝;;基于多示例多特征的人體動作識別[J];信息技術(shù);2016年12期

3 王松;杜曉剛;王陽萍;楊景玉;;基于關(guān)節(jié)點運動軌跡的人體動作識別[J];寧夏大學學報(自然科學版);2017年02期

4 任丹;;基于表面肌電信號特征的動作識別[J];遼東學院學報(自然科學版);2017年01期

5 區(qū)峻;石千惠;;特征降維和高斯混合模型的體育運動動作識別[J];現(xiàn)代電子技術(shù);2017年11期

6 凌佩佩;邱崧;蔡茗名;徐偉;豐穎;;結(jié)合特權(quán)信息的人體動作識別[J];中國圖象圖形學報;2017年04期

7 王松;黨建武;王陽萍;杜曉剛;;基于關(guān)節(jié)間夾角變化序列的動作識別算法研究[J];計算機應用與軟件;2017年06期

8 侯靜怡;劉翠微;吳心筱;;基于隱任務學習的動作識別方法[J];北京理工大學學報;2017年07期

9 韓敏捷;;基于深度學習框架的多模態(tài)動作識別[J];計算機與現(xiàn)代化;2017年07期

10 冀中;郭威辰;;基于局部保持典型相關(guān)分析的零樣本動作識別[J];天津大學學報(自然科學與工程技術(shù)版);2017年09期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 袁飛;程韜波;周松斌;肖先文;;基于加速度特征的可拓動作識別方法[A];廣州市儀器儀表學會2009年學術(shù)年會論文集[C];2010年

2 葉喜勇;陶霖密;王國建;邸慧軍;;視角無關(guān)的人體軀干動作識別[A];第六屆和諧人機環(huán)境聯(lián)合學術(shù)會議（HHME2010)、第19屆全國多媒體學術(shù)會議（NCMT2010）、第6屆全國人機交互學術(shù)會議（CHCI2010）、第5屆全國普適計算學術(shù)會議（PCC2010）論文集[C];2010年

3 朱巖;趙旭;劉允才;;基于稀疏編碼和局部時空特征的人體動作識別[A];第十五屆全國圖象圖形學學術(shù)會議論文集[C];2010年

4 黃飛躍;徐光yP;;自然的人體動作識別[A];第三屆和諧人機環(huán)境聯(lián)合學術(shù)會議（HHME2007）論文集[C];2007年

5 呂超;;基于動作識別的增強現(xiàn)實系統(tǒng)中實時交互技術(shù)的研究~[A];中國造船工程學會電子技術(shù)學術(shù)委員會2017年裝備技術(shù)發(fā)展論壇論文集[C];2017年

6 黃艷歡;葉少珍;;連續(xù)動作分割綜述[A];第十四屆全國圖象圖形學學術(shù)會議論文集[C];2008年

7 劉志強;尹建芹;張玲;魏軍;劉小麗;;基于Kinect數(shù)據(jù)主成分分析的人體動作識別[A];2015光學精密工程論壇論文集[C];2015年

8 王彥鴻;倪世宏;王剛;謝川;;基于遺傳算法的飛行動作識別規(guī)則獲取方法[A];中國航空學會控制與應用第十二屆學術(shù)年會論文集[C];2006年

9 征容;嚴瀟然;;PCA在智能家居中的動作識別實例和測試[A];四川省通信學會2015年學術(shù)年會論文集[C];2015年

10 席旭剛;金燕;朱海港;高云園;;基于小波包熵和支持向量機的手部肌電信號動作識別[A];2013年中國智能自動化學術(shù)會議論文集（第五分冊）[C];2013年

中國重要報紙全文數(shù)據(jù)庫 前8條

1 記者 顧瑾　通訊員 徐紅萍;杭州電信推出“網(wǎng)絡健身館”[N];人民郵電;2010年

2 杜浩;無人書店的啟示[N];山西日報;2018年

3 本報記者 陳丹;人與機器的“對話”[N];科技日報;2010年

4 本報記者 郝天韻 見習記者 朱麗娜;無人書店，是噱頭還是趨勢[N];中國新聞出版廣電報;2018年

5 寧夏 邊書麗 編譯;深入了解體感技術(shù)[N];電子報;2013年

6 本報記者 馬愛平;動一動就認清你？機器說可以[N];科技日報;2017年

7 曹_g;強強聯(lián)手引領(lǐng)運動健康產(chǎn)業(yè)發(fā)展[N];中國體育報;2016年

8 安吉;Kinect for Windows帶來精彩行業(yè)應用[N];科技日報;2014年

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 王磊;視頻人體運動的檢測跟蹤與識別[D];上海交通大學;2017年

2 Fangbemi Abassin Sourou;基于時空二進制特征的動作識別算法研究[D];中國科學技術(shù)大學;2018年

3 陳野;基于可穿戴傳感器數(shù)據(jù)的人體動作識別方法的研究[D];大連理工大學;2018年

4 楊維信;基于路徑重積分特征和深度學習方法的軌跡數(shù)據(jù)的表征和識別[D];華南理工大學;2018年

5 郭明;融合多源體感信息的人體動作識別方法[D];大連理工大學;2018年

6 王廷蔚;基于鑒別主題和時序結(jié)構(gòu)的動作識別[D];南京理工大學;2018年

7 王亮亮;基于視覺的人體動作識別研究[D];哈爾濱工業(yè)大學;2017年

8 李向新;基于多源神經(jīng)信息解碼的多功能假肢控制性能增強及優(yōu)化方法[D];中國科學院大學(中國科學院深圳先進技術(shù)研究院);2017年

9 林連冬;基于仿生機械手的肌動傳感器動作識別研究[D];黑龍江大學;2017年

10 趙洋;4D人體動作識別中的關(guān)鍵技術(shù)研究[D];電子科技大學;2018年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 韓濤濤;基于跨域?qū)W習和雙鏈融合網(wǎng)絡的開放域動作識別算法研究[D];天津理工大學;2019年

2 朱宇祥;基于量子神經(jīng)網(wǎng)絡的肢體動作識別研究[D];沈陽工業(yè)大學;2019年

3 門鑫;基于深度學習的視頻內(nèi)容識別和搜索算法研究[D];北京郵電大學;2019年

4 吳騫;融合時空差分信息的動作識別算法研究[D];浙江大學;2019年

5 鄭集元;基于深度學習的人體動作識別研究[D];重慶理工大學;2019年

6 徐振新;基于卷積神經(jīng)網(wǎng)絡的人體動作識別研究[D];哈爾濱工程大學;2019年

7 薛煒辰;基于深度學習的視頻動態(tài)模式識別[D];上海交通大學;2017年

8 何俊佑;多模態(tài)人體動作識別研究[D];北京郵電大學;2019年

9 吳顏生;基于表面肌電信號的人手動作識別研究[D];東北師范大學;2019年

10 劉蕓糖;基于LTE的無源人體動作識別的研究[D];南京大學;2019年

本文編號：2709721