智能轮椅人机接口中表面肌电信号动作识别
本文关键词:智能轮椅人机接口中表面肌电信号动作识别,由笔耕文化传播整理发布。
【摘要】:近年来,随着现在计算机技术、神经学、数字信号处理技术和模式识别等技术的快速发展,相关研究人员对表面肌电信号(surface electromyography,s EMG)进入了进一步研究。研究表明,表面EMG在智能假肢、智能轮椅、康复医学等领域有着广泛应用。本文在深入探究表面EMG发放机理的基础上,并结合表面EMG的特性,主要研究人体上肢手臂的表面肌电信号的拾取以及多动作模式识别算法,进而实现手腕展拳、握拳、内翻及外翻四种动作模式分类。通过这个研究工作可以为基于肌电的智能轮椅提供一定的参考依据和实践平台。主要研究工作及创新之处如下:(1)搭建基于labview的EMG采集平台,分为采集表面EMG需要的硬件电路和labview搭建的软件系统两个方面。设计的平台可以实时采集和处理有效的EMG。(2)针对表面EMG的非平稳性和非线性特性以及小波包多尺度分解后系数维数过高的问题,为了在表征有效的肌电信号的同时,最大程度的降低特征空间的维数进而简化分类器的结构,提出一种小波包多尺度分解的特征表示和模式识别方法。对采集到的肱桡肌、桡侧腕屈肌、尺侧腕屈肌和指伸肌四路表面EMG进行小波包多尺度分解,得到分解后的小波系数。然后,一方面根据小波包多尺度分解系数与表面肌电信号能量之间的内在联系重构了特征向量,另一方面根据正交小波包基组成的基向量重构特征向量,分别获得动作模式特征矩阵;并与时域法、频域法、时-频域法等特征提取方法对比实验。通过使用非线性自回归神经网络分类器进行对比实验可知,提出的小波包多尺度分解后重构特征向量的方法明显优于时域分析法及常用的频域和时频域分析法,能够很好的体现表面EMG的特征并简化分类器的结构。(3)为了提高前臂动作模式的识别效率,运用非线性自回归神经网络对表面信号进行动作模式识别。通过与Bayes算法、Fisher、BP网络、K近邻和SVM等分类模型对比实验可知,非线性自回归网络对动作模式的特征识别效率更高。实验结果表明,运用文中提出的表面肌电信号的动作模式特征表示和识别方法能够识别手腕握拳、展拳、手腕内翻和外翻四种动作模式,平均识别率为95.0%。
【关键词】:表面肌电信号 小波包多尺度分解 特征提取算法 动作模式识别 非线性自回归神经网络 肌电控制
【学位授予单位】:河南理工大学
【学位级别】:硕士
【学位授予年份】:2015
【分类号】:R318;TN911.7
【目录】:
- 致谢4-5
- 摘要5-6
- Abstract6-10
- 1 绪论10-21
- 1.1 研究背景及意义10-16
- 1.1.1 表面EMG的生理学基础10-12
- 1.1.2 表面EMG的数学抽象模型12
- 1.1.3 肌电信号的采集12-16
- 1.2 国内外研究现状16-18
- 1.2.1 表面EMG特征提取16-17
- 1.2.2 表面EMG动作模式识别17-18
- 1.3 本文研究内容18-19
- 1.4 本文章节安排19
- 1.5 本章小结19-21
- 2 表面EMG的采集系统设计21-27
- 2.1 系统总体设计21
- 2.2 表面EMG的采集21-22
- 2.3 表面EMG预处理电路22-25
- 2.3.1 放大电路23
- 2.3.2 带通滤波电路23-25
- 2.4 Labview上位机设计25-26
- 2.4.1 软件中滤波设计25
- 2.4.2 labview显示面板设计25-26
- 2.5 本章小结26-27
- 3 表面EMG特征提取方法研究27-52
- 3.1 时域分析法27-28
- 3.2 频域分析法28-29
- 3.3 时-频域分析法29-32
- 3.3.1 小波变换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 小波包变换的理论32-34
- 3.4.2 小波包的分解(Wavelet packet decomposition,WPD)34-35
- 3.4.3 小波系数能量重构法35-36
- 3.4.4 小波系数基向量重构法36-37
- 3.5 表面EMG数据采集与特征数据37-51
- 3.5.1 表面EMG的采集37-40
- 3.5.2 表面EMG特征数据40-51
- 3.6 本章小结51-52
- 4 表面EMG动作模式识别52-68
- 4.1 基于NARX的表面EMG动作模式识别52-63
- 4.1.1 NARX神经网络52-54
- 4.1.2 NARX神经网络的学习算法54-56
- 4.1.3 基于小波系数的能量重构法模式识别56-59
- 4.1.4 基于系数基向量重构法动作识别59-63
- 4.2 基于SVM的动作模式识别63-67
- 4.2.1 SVM理论63-64
- 4.2.2 实验结果64-67
- 4.3 本章总结67-68
- 5 总结与展望68-70
- 5.1 研究总结68-69
- 5.2 研究展望69-70
- 参考文献70-74
- 附录74-75
- 作者简介75-76
- 学位论文数据集76
【相似文献】
中国期刊全文数据库 前6条
1 成娟;陈香;路知远;张旭;赵章琰;;基于表面肌电信号的手指按键动作识别研究[J];生物医学工程学杂志;2011年02期
2 李博;李强;;基于小波特征分析的手指动作识别研究[J];现代生物医学进展;2011年20期
3 ;三个动作识别卒中[J];医药与保健;2009年03期
4 安香子;刘冀伟;么键;;基于序列比对的简单动作识别[J];中国组织工程研究与临床康复;2007年40期
5 朱勇;张研;宋佳;邱天爽;;基于倾角的跌倒检测方法与系统研究[J];生物医学工程学杂志;2013年01期
6 ;[J];;年期
中国重要会议论文全文数据库 前7条
1 袁飞;程韬波;周松斌;肖先文;;基于加速度特征的可拓动作识别方法[A];广州市仪器仪表学会2009年学术年会论文集[C];2010年
2 黄飞跃;徐光yP;;自然的人体动作识别[A];第三届和谐人机环境联合学术会议(HHME2007)论文集[C];2007年
3 叶喜勇;陶霖密;王国建;邸慧军;;视角无关的人体躯干动作识别[A];第六届和谐人机环境联合学术会议(HHME2010)、第19届全国多媒体学术会议(NCMT2010)、第6届全国人机交互学术会议(CHCI2010)、第5届全国普适计算学术会议(PCC2010)论文集[C];2010年
4 黄艳欢;叶少珍;;连续动作分割综述[A];第十四届全国图象图形学学术会议论文集[C];2008年
5 董力赓;陶霖密;徐光yP;;头部姿态和动作的识别与理解[A];第三届和谐人机环境联合学术会议(HHME2007)论文集[C];2007年
6 朱岩;赵旭;刘允才;;基于稀疏编码和局部时空特征的人体动作识别[A];第十五届全国图象图形学学术会议论文集[C];2010年
7 席旭刚;金燕;朱海港;高云园;;基于小波包熵和支持向量机的手部肌电信号动作识别[A];2013年中国智能自动化学术会议论文集(第五分册)[C];2013年
中国重要报纸全文数据库 前2条
1 本报记者 陈丹;人与机器的“对话”[N];科技日报;2010年
2 ;凌空敲键盘?无线计算机手套问世[N];中国计算机报;2004年
中国博士学位论文全文数据库 前10条
1 谌先敢;现实环境下的人体动作识别[D];武汉大学;2012年
2 陈渊博;视频序列中的人体动作识别[D];北京邮电大学;2015年
3 刘翠微;视频中人的动作分析与理解[D];北京理工大学;2015年
4 陈萌;基于李代数高斯表示的动作识别方法研究[D];华中科技大学;2016年
5 李拟s,
本文编号:436621
本文链接:https://www.wllwen.com/yixuelunwen/swyx/436621.html