基于深度学习模型的表面肌电信号手势动作识别算法研究

发布时间：2022-02-20 10:43

　　表面肌电信号（Surface Electromyography,sEMG）是通过表面电极记录的肌肉运动生物电信号,它可以反映神经和肌肉的功能状态。随着科技的不断进步,国内外研究学者对sEMG信号的研究也逐步深入,尤其是在运动训练、术后复健、临床医学等领域得到广泛的应用。目前在单自由度的假肢控制中sEMG信号已逐步应用,并趋近达到商业化的目的。但针对多自由度智能设备的控制,sEMG信号仍然存在诸多问题有待解决,多通道表面肌电信号的特征提取与分类识别更是其中亟待突破的难题。随着深度学习领域的异军突起,深度学习模型对sEMG信号手势动作的精准程度有显著提升。深度神经网络,对建立多模态的感知计算模型具有很强的应用价值,但同时也要求具有足够的数据量作为支持。市场上现存的精密假肢价格一般较高,实验室肌电处理方法主要在计算机仿真平台上进行测试,与实际使用还存在一定差距。为解决sEMG信号在实际应用上存在的问题,本文提出了一种基于深度学习模型的sEMG信号手势动作识别算法,通过深度学习模型完成对sEMG信号手势动作的识别,未来可以作为深度智能仪器控制系统。首先,本文选用瑞士 Ninapro公开数据库,... 

【文章来源】：延边大学吉林省211工程院校

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究目的和意义
    1.2 国内外相关领域研究现状
        1.2.1 基于传统机器学习的sEMG信号手势动作识别方法
        1.2.2 基于深度学习的sEMG信号手势动作识别方法
    1.3 研究内容及主要工作
    1.4 本文结构
第2章 sEMG信号手势动作识别的研究基础
    2.1 引言
    2.2 sEMG信号概述
    2.3 sEMG信号预处理理论基础
        2.3.1 sEMG信号特点与噪声源
        2.3.2 巴特沃斯滤波器介绍
    2.4 卷积神经网络
        2.4.1 网络结构
        2.4.2 激活函数
        2.4.3 交叉熵损失函数
        2.4.4 优化方法
        2.4.5 正则化
        2.4.6 批规范化
    2.5 本章小结
第3章 基于深度残差网络的表面肌电信号手势动作识别算法
    3.1 引言
    3.2 sEMG信号的预处理
        3.2.1 巴特沃斯带通滤波器对sEMG信号去噪
        3.2.2 利用sEMG信号的标准偏差滤除无信号段
        3.2.3 sEMG信号的扩充
    3.3 基于残差网络的sEMG信号手势动作识别算法
        3.3.1 残差网络
        3.3.2 残差学习
        3.3.3 残差单元
        3.3.4 网络的整体框架
    3.4 本章小结
第4章 实验结果比较及分析
    4.1 引言
    4.2 实验数据来源
    4.3 实验平台及参数设置
    4.4 实验结果与对比分析
        4.4.1 不同重叠时间长度下的实验结果对比与分析
        4.4.2 不同优化方法下的实验结果对比与分析
        4.4.3 不同批量尺寸下的实验结果对比与分析
        4.4.4 不同方法实验结果对比与分析
    4.5 本章小结
结论
参考文献
攻读硕士学位期间发表的论文
致谢


【参考文献】：
期刊论文
[1]基于全卷积神经网络的SAR图像目标分类[J]. 陈永生,喻玲娟,谢晓春.  雷达科学与技术. 2018(03)
[2]人工神经网络中损失函数的研究[J]. 任进军,王宁.  甘肃高师学报. 2018(02)
[3]面向深度学习过拟合问题的神经网络模型[J]. 刘丹枫,刘建霞.  湘潭大学自然科学学报. 2018(02)
[4]改进的卷积神经网络关系分类方法研究[J]. 李博,赵翔,王帅,葛斌,肖卫东.  计算机科学与探索. 2018(05)
[5]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航.  计算机应用. 2016(09)
[6]手腕表面肌电信号的动作特征表示与识别[J]. 王红旗,李林伟,毛啊敏.  控制工程. 2015(04)
[7]基于SVM的下肢运动表面肌电信号的特征提取与辨识分析[J]. 张羿,赵慧龙,张向刚,秦开宇.  载人航天. 2015(02)
[8]基于表面肌电信号的手腕动作模式识别[J]. 张启忠,席旭刚,马玉良,罗志增,佘青山.  中国生物医学工程学报. 2013(03)
[9]基于小波包能量谱和SVM的水下目标识别[J]. 刘健,刘忠,熊鹰.  武汉理工大学学报(交通科学与工程版). 2012(02)
[10]基于小波包变换的肌电信号特征提取[J]. 石君,周美娇,朱正平,傅志中.  微计算机信息. 2010(07)

博士论文
[1]肌电手势识别中的多流融合和多视图深度学习方法研究[D]. 卫文韬.浙江大学 2018
[2]基于深度机器学习的体态与手势感知计算关键技术研究[D]. 杜宇.浙江大学 2017
[3]基于肌电信号的人机接口技术的研究[D]. 何乐生.东南大学 2006

硕士论文
[1]基于支持向量机的表面肌电信号模式识别方法研究[D]. 黄赟伟.西安理工大学 2010



本文编号：3634880