本文關鍵詞：智能輪椅人機接口中表面肌電信號動作識別，由筆耕文化傳播整理發(fā)布。

【摘要】：近年來,隨著現(xiàn)在計算機技術(shù)、神經(jīng)學、數(shù)字信號處理技術(shù)和模式識別等技術(shù)的快速發(fā)展,相關研究人員對表面肌電信號(surface electromyography,s EMG)進入了進一步研究。研究表明,表面EMG在智能假肢、智能輪椅、康復醫(yī)學等領域有著廣泛應用。本文在深入探究表面EMG發(fā)放機理的基礎上,并結(jié)合表面EMG的特性,主要研究人體上肢手臂的表面肌電信號的拾取以及多動作模式識別算法,進而實現(xiàn)手腕展拳、握拳、內(nèi)翻及外翻四種動作模式分類。通過這個研究工作可以為基于肌電的智能輪椅提供一定的參考依據(jù)和實踐平臺。主要研究工作及創(chuàng)新之處如下:(1)搭建基于labview的EMG采集平臺,分為采集表面EMG需要的硬件電路和labview搭建的軟件系統(tǒng)兩個方面。設計的平臺可以實時采集和處理有效的EMG。(2)針對表面EMG的非平穩(wěn)性和非線性特性以及小波包多尺度分解后系數(shù)維數(shù)過高的問題,為了在表征有效的肌電信號的同時,最大程度的降低特征空間的維數(shù)進而簡化分類器的結(jié)構(gòu),提出一種小波包多尺度分解的特征表示和模式識別方法。對采集到的肱橈肌、橈側(cè)腕屈肌、尺側(cè)腕屈肌和指伸肌四路表面EMG進行小波包多尺度分解,得到分解后的小波系數(shù)。然后,一方面根據(jù)小波包多尺度分解系數(shù)與表面肌電信號能量之間的內(nèi)在聯(lián)系重構(gòu)了特征向量,另一方面根據(jù)正交小波包基組成的基向量重構(gòu)特征向量,分別獲得動作模式特征矩陣;并與時域法、頻域法、時-頻域法等特征提取方法對比實驗。通過使用非線性自回歸神經(jīng)網(wǎng)絡分類器進行對比實驗可知,提出的小波包多尺度分解后重構(gòu)特征向量的方法明顯優(yōu)于時域分析法及常用的頻域和時頻域分析法,能夠很好的體現(xiàn)表面EMG的特征并簡化分類器的結(jié)構(gòu)。(3)為了提高前臂動作模式的識別效率,運用非線性自回歸神經(jīng)網(wǎng)絡對表面信號進行動作模式識別。通過與Bayes算法、Fisher、BP網(wǎng)絡、K近鄰和SVM等分類模型對比實驗可知,非線性自回歸網(wǎng)絡對動作模式的特征識別效率更高。實驗結(jié)果表明,運用文中提出的表面肌電信號的動作模式特征表示和識別方法能夠識別手腕握拳、展拳、手腕內(nèi)翻和外翻四種動作模式,平均識別率為95.0%。
【關鍵詞】：表面肌電信號 小波包多尺度分解 特征提取算法 動作模式識別 非線性自回歸神經(jīng)網(wǎng)絡 肌電控制
【學位授予單位】：河南理工大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：R318;TN911.7
【目錄】：

• 致謝4-5
• 摘要5-6
• Abstract6-10
• 1 緒論10-21
• 1.1 研究背景及意義10-16
• 1.1.1 表面EMG的生理學基礎10-12
• 1.1.2 表面EMG的數(shù)學抽象模型12
• 1.1.3 肌電信號的采集12-16
• 1.2 國內(nèi)外研究現(xiàn)狀16-18
• 1.2.1 表面EMG特征提取16-17
• 1.2.2 表面EMG動作模式識別17-18
• 1.3 本文研究內(nèi)容18-19
• 1.4 本文章節(jié)安排19
• 1.5 本章小結(jié)19-21
• 2 表面EMG的采集系統(tǒng)設計21-27
• 2.1 系統(tǒng)總體設計21
• 2.2 表面EMG的采集21-22
• 2.3 表面EMG預處理電路22-25
• 2.3.1 放大電路23
• 2.3.2 帶通濾波電路23-25
• 2.4 Labview上位機設計25-26
• 2.4.1 軟件中濾波設計25
• 2.4.2 labview顯示面板設計25-26
• 2.5 本章小結(jié)26-27
• 3 表面EMG特征提取方法研究27-52
• 3.1 時域分析法27-28
• 3.2 頻域分析法28-29
• 3.3 時-頻域分析法29-32
• 3.3.1 小波變換29-31
• 3.3.2 多分辨率分析31-32
• 3.4 基于小波包的表面EMG特征提取方法32-37
• 3.4.1 小波包變換的理論32-34
• 3.4.2 小波包的分解（Wavelet packet decomposition,WPD）34-35
• 3.4.3 小波系數(shù)能量重構(gòu)法35-36
• 3.4.4 小波系數(shù)基向量重構(gòu)法36-37
• 3.5 表面EMG數(shù)據(jù)采集與特征數(shù)據(jù)37-51
• 3.5.1 表面EMG的采集37-40
• 3.5.2 表面EMG特征數(shù)據(jù)40-51
• 3.6 本章小結(jié)51-52
• 4 表面EMG動作模式識別52-68
• 4.1 基于NARX的表面EMG動作模式識別52-63
• 4.1.1 NARX神經(jīng)網(wǎng)絡52-54
• 4.1.2 NARX神經(jīng)網(wǎng)絡的學習算法54-56
• 4.1.3 基于小波系數(shù)的能量重構(gòu)法模式識別56-59
• 4.1.4 基于系數(shù)基向量重構(gòu)法動作識別59-63
• 4.2 基于SVM的動作模式識別63-67
• 4.2.1 SVM理論63-64
• 4.2.2 實驗結(jié)果64-67
• 4.3 本章總結(jié)67-68
• 5 總結(jié)與展望68-70
• 5.1 研究總結(jié)68-69
• 5.2 研究展望69-70
• 參考文獻70-74
• 附錄74-75
• 作者簡介75-76
• 學位論文數(shù)據(jù)集76

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前6條

1 成娟;陳香;路知遠;張旭;趙章琰;;基于表面肌電信號的手指按鍵動作識別研究[J];生物醫(yī)學工程學雜志;2011年02期

2 李博;李強;;基于小波特征分析的手指動作識別研究[J];現(xiàn)代生物醫(yī)學進展;2011年20期

3 ;三個動作識別卒中[J];醫(yī)藥與保健;2009年03期

4 安香子;劉冀偉;么鍵;;基于序列比對的簡單動作識別[J];中國組織工程研究與臨床康復;2007年40期

5 朱勇;張研;宋佳;邱天爽;;基于傾角的跌倒檢測方法與系統(tǒng)研究[J];生物醫(yī)學工程學雜志;2013年01期

6 ;[J];;年期

中國重要會議論文全文數(shù)據(jù)庫 前7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 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

3 葉喜勇;陶霖密;王國建;邸慧軍;;視角無關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

4 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

5 董力賡;陶霖密;徐光yP;;頭部姿態(tài)和動作的識別與理解[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

6 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

7 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2條

1 本報記者 陳丹;人與機器的“對話”[N];科技日報;2010年

2 ;凌空敲鍵盤？無線計算機手套問世[N];中國計算機報;2004年

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 諶先敢;現(xiàn)實環(huán)境下的人體動作識別[D];武漢大學;2012年

2 陳淵博;視頻序列中的人體動作識別[D];北京郵電大學;2015年

3 劉翠微;視頻中人的動作分析與理解[D];北京理工大學;2015年

4 陳萌;基于李代數(shù)高斯表示的動作識別方法研究[D];華中科技大學;2016年

5 李擬s，

本文編號：436621